缺觉能不能从朗读声里听出来：用可解释小特征同时估计剥夺状态与症状

英文题目：Acoustic Biomarkers of Sleep Deprivation on French Read Speech: Interpretable and Frugal Modeling of Sleep Deprivation and Its Symptoms

会议身份：conference:interspeech:2026:conference-paper-id:martin26_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#语音生物标志物 #统计分析 #公平性 #可解释性 #病理语音评估

评分：6.3/10 | 创新 1.0/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 1.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Vincent P. Martin：机构信息未能从会议 PDF 纯文本可靠映射
• Jean-Luc Rouas：机构信息未能从会议 PDF 纯文本可靠映射
• Pierre Philip：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文输入为法语朗读语音，输出睡眠剥夺状态及客观嗜睡、主观嗜睡、疲劳与警觉绩效损失共6个二分类标签，难点在于个体差异大、主观标签噪声高且易与年龄性别混淆。方法链分为四步：先用无监督鲁棒语音活动检测切分长录音为20秒以上韵律完整片段，再并行提取可解释声学特征，接着以嵌套分层分组交叉验证训练浅层分类器并多数投票到录音级，最后用可解释性与症状网络反推模型学到的是任务特异还是跨症状构念。与基础模型加深度学习范式不同，该工作刻意坚持传统特征加浅层模型以换取可比性、低能耗与偏倚可审计性。在SOMVOICE语料录音级交叉验证任务下，睡眠剥夺分类的UAR指标为0.744，高于MSLT分类的UAR指标0.706。结论仅适用于健康法语成人朗读场景，未验证自发对话、跨语言、临床嗜睡人群与纵向监测的外推能力。全部三套特征分类加SHAP解释共耗电0.450 kWh，约折合8.55 g二氧化碳，未计入设备制造生态成本。

🔗 开源与复现资源

• 代码相关资源：https://github.com/vincentpmartin/Interspeech2026.SOMVOICE.classification — 链接可访问（HTTP 200） 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么，目标是什么，本文要保留什么信息？

本文的输入是法语朗读语音，目标是从声音估计睡眠剥夺及其后果。初学者先要建立白话理解：睡眠剥夺（sleep deprivation）指整夜不睡的客观实验状态，主观嗜睡（subjective sleepiness）指人自己觉得有多困，疲劳（fatigue）指主观累与功能感下降，警觉表现损失指用精神运动警觉测试测到的反应变慢与不稳定。论文使用 SOMVOICE 语料，28 名健康成人含 16 名女性，每人在睡眠实验室正常夜与完全睡眠剥夺两种条件下接受多次嗜睡潜伏期测试，每次测试前朗读约 150 词的《小东西》文本，顺序固定且与剥夺状态无关。

原始录音共 336 段，28 人乘 6 文本乘 2 个条件，平均时长 60.6 秒，标准差 7.9 秒，再经语音活动检测切成不少于 20 秒的韵律完整片段，共 818 段，平均 24.3 秒。输出是 6 个二分类任务的录音级判断：是否处于剥夺夜，MSLT 生理嗜睡是否小于等于 8 分钟，KSS 是否大于 5，疲劳视觉模拟是否大于 50 毫米，PVT 中位速度是否小于等于 3.51，反应时发散度是否大于 53.8。方法选择上作者刻意不用基础模型与深度网络，只用 88 维 eGeMAPS 与 27 维 Snack 可解释声学特征加支持向量机与随机森林与梯度提升，理由是可解释可比较文献、可做偏倚分析、可降低能耗。

必须保留的信息包括数据规模与切分方式、6 个任务的阈值与正例比例、嵌套交叉验证无泄漏设计、录音级多数投票聚合、UAR 主指标、融合只在剥夺任务显著、年龄性别偏倚方向、跨任务泛化混淆以及 0.450 千瓦时与 8.55 克二氧化碳的能耗记录。代码当前可用，已公开在 GitHub 仓库，资源状态为 available，链接本次验证为 200 可达。后续各节按学习依赖展开，先讲路线与任务定义，再讲方法全景与组件计算，再讲训练与实验条件，最后讲结果反证与复现收束，例子会明确标为例子，不虚构数值。

同输入同目标的前人走了哪些路线，本文站在哪里？

同输入同目标的路线可分为三支。第一支直接估计剥夺状态：Harrison 等 1997 年对 9 人 36 小时剥夺做知觉评分，发现语调与音量变化；Nwe 等用级联谱滤波在 12 人 36 小时对话上报告 86.5% 准确率；McGlinchey 等观察到音高与 Bark 能量下降；Icht 等对 47 人 24 小时剥夺发现谐噪比显著更高。

Thoret 等在 22 名女性 3 天部分剥夺朗读上用听觉表示加 SVM 得到 77% 平衡准确率。第二支估计主观嗜睡：2011 与 2019 年 Interspeech 嗜睡挑战分别推动 KSS 分类与回归，后续在 Sleepy Language Corpus 子集上最高 77.6% 平衡准确率，在 SLEEP 语料上 Spearman 相关 0.387。第三支估计疲劳与认知表现：Greeley 等发现疲劳改变 MFCC 与特定音素共振峰并与反应时相关；De Vasconcelos 等报告语速与发音率下降与停顿增多；Baykaner 等用语音预测疲劳与心理生理测试误差 5 到 12%。

Heaton 等多模态用发声协调与皮电达 0.68 相关；Riad 等用深度学习做疲劳检测 AUC 为 0.68。本文站在可解释与节俭一侧，不追基础模型，而是沿用音高响度谐波共振峰等老特征与简单分类器，目标是能做特征重要性回溯、能与上述文献逐项对照、能评估性别年龄偏倚、能报告能耗。初学者容易误以为新模型必然更好，本文的对照逻辑恰好相反：在小数据下简单模型可能达到相近性能且能耗显著更低，因此把可复述性与公平性放在与准确率同等重要的位置。

要解决的具体问题与标签如何定义？

具体问题是给定一段法语朗读录音，判断说话人当前是否处于睡眠剥夺及相关症状的阳性侧。标签来自医学流程而非从声音推断。每个条件做多导睡眠潜伏期测试，英文名为 Multiple Sleep Latency Test，缩写 MSLT，白话是白天每 2 小时进暗室让被试入睡，用脑电测从关灯到首个 30 秒睡眠期的潜伏期，低于等于 8 分钟按嗜睡症临床标准判为生理嗜睡阳性。KSS 是 Karolinska 嗜睡量表，1 到 10 单题自评，大于 5 判阳性。疲劳用 100 毫米视觉模拟量表，大于 50 毫米判高疲劳。

PVT 是精神运动警觉测试，用 PC-PVT2.0 测 10 分钟反应时，提取中位速度与反应时发散度 RTD，分别以 3.51 与 53.8 为阈二值化。6 个任务正例比例并不均衡，剥夺本身 50.0%，MSLT 阳性 59.5%，KSS 阳性 30.4%，疲劳阳性 38.7%，PVT 两项各 50.0%。这种不均衡决定了不能只看准确率，必须用 UAR 平均两类召回。另一个关键是同一说话人在两种条件下读相同顺序的 12 篇文本中的 6 篇，文本内容与剥夺状态独立，目的是避免文本难度成为捷径。

切分时用 rVAD 语音活动检测迭代拼接语音与静音直到至少 20 秒且不在语音中间切断，依据是此前研究显示 20 秒是特征收敛的最小时长。举例说明：若某录音被切成 3 段，分类器先给每段打分，再多数投票得录音级标签，这就是后文段级训练录音级评价的含义，例子不代表真实某被试结果。

睡眠剥夺 × 主观嗜睡： 睡眠剥夺指整夜未睡的客观实验条件，由随机化的正常夜与完全剥夺对照定义；主观嗜睡指被试用 Karolinska 嗜睡量表自评的困意感受。两者分工不同，前者是可操纵的分组标签，后者是随时间波动的症状标签；搭配理由是剥夺不必然等于困，二者相关但可分离；组合意义是论文同时设剥夺分类与 KSS 分类，才能检验分类器学到的是剥夺本身还是更宽泛的困倦构念。

本节的依赖关系是先有标签定义才有后文的分类与偏倚与泛化讨论，阈值与正例比例是复现时必须原样保留的条件。

方法全景：一个样本如何走完输入到输出？

沿一个样本走完全程有助于建立全局图。输入是一段约 60 秒的朗读录音，先经 rVAD 得到语音与静音边界，再按不切断韵律的规则拼成平均 24.3 秒的片段。表示阶段对每个片段提取两套特征：88 维 eGeMAPS 与 27 维 Snack，另测二者早期融合即向量拼接。组件阶段是三选一分类管线：支持向量分类器 SVC、随机森林 RF、直方图梯度提升 GB，超参数网格在代码中给出，内层 5 折选优。目标阶段以 UAR 为优化目标，在外层 10 折上训练段级模型。

输出阶段把同一录音的段预测多数投票为录音预测，再跨折汇总 ypred 与 yth 计算 UAR 与宏 F1。解释阶段对每任务取外部折中位 SHAP 系数，经最大绝对值缩放后比较特征贡献；偏倚阶段把判对判错做逻辑回归 Misclassified 对年龄乘性别；结构阶段做症状网络与跨任务预测表，检验模型学到的是专一任务还是宽泛综合征。能量阶段用 codecarbon 记录训练加解释的耗电与碳排。

初学者要注意全程没有文本转写与语义分支，完全是声学加浅层分类器，因此可解释性来自特征名本身可回溯到发声生理，而不是来自注意力热图。文本内容固定反而是优点，它迫使模型不能靠说什么来猜剥夺，只能靠怎么说。

特征与分类器各自负责什么，为何这样搭配？

特征侧负责把波形变成可读的生理声学语言。eGeMAPS 覆盖基频均值方差斜率、能量均值方差斜率、共振峰频率与带宽、谐噪比各频段、谐波差 H1H2 与 H1A1 等、倒谱峰突出度 CPP 等，都是嗓音质量与构音协调的代理指标。Snack 是更小的 27 维类似集，曾在日语社会情感分类与嗜睡估计验证过，作用是检验不同工具箱实现是否稳定。分类器侧负责在小样本下稳健划界：SVM 适合高维小样本，随机森林与梯度提升适合非线性与特征交互，且都不需要大量算力。

搭配理由有二：一是可解释对齐，树模型与高斯核 SVM 都能用同一套 SHAP 口径解释，避免解释方法随模型而变；二是节俭，简单模型在小数据上泛化不差而能耗低。融合是早期拼接，动机是看两套特征是否互补。需要指出原文未报告深度网络基线，也未给出逐折超参数终值，只说网格在代码中，因此复现时应直接运行其仓库配置而非自行猜测核函数或树深。

eGeMAPS × Snack： eGeMAPS 是 88 维经情感与健康任务验证的最小声学参数集，负责覆盖音高响度谐噪比共振峰等可解释维度；Snack 是 27 维类似的小特征集，曾在社会情感与嗜睡估计中使用。搭配理由是比较 opensmile 实现的 eGeMAPS 与 Snack 实现是否一致，并测试早期融合是否互补；组合意义是以小而可回溯的特征替代基础模型，在保持可解释的同时控制计算与碳足迹。

本段先解释术语再给缩写，后文统一用 eGeMAPS、Snack、SVM、RF、GB 指代，避免中英文混用造成的回指不清。

解释、偏倚与能耗组件如何计算？

解释组件用 SHAP 值，白话是每个特征对把样本推向阳性的贡献分。为统一树模型与 SVM 的解释口径，作者对 SHAP 系数做最大绝对值缩放再取外部折中位数，气泡越大影响越强，蓝色为正向推向阳性，红色为负向。偏倚组件把每次录音的判对判错二值标签做逻辑回归，自变量为年龄乘性别，报告比值比 OR，即年龄每增一岁判错几率的变化，若年龄性别交互显著则说明年龄对判错的影响在男女不同。

能量组件用 codecarbon3.2.2 估计 3 套特征上分类加 SHAP 的总耗电与碳排，运行在 Grid5000 的 grvingt2 节点，强度按 2 月 7 日法国电网 19 克每千瓦时折算，并声明未计入设备制造生态成本，也未用水冷却。初学者常把训练资源与推理延迟混为一谈，这里要分开：论文只报告了训练加解释的总量级，未报告单次推理延迟与实时因子，因此不能宣称部署一定更快，只能说训练侧节俭的数量级可与 1000000000 参数模型对照。

SHAP 值 × 症状网络： SHAP 值负责解释每个声学特征把样本推向正类的方向与强度，经最大绝对值缩放后取外部折中位数以便跨分类器比较；症状网络负责用 L1 正则化偏相关刻画剥夺与 MSLT 与 KSS 与疲劳与 PVT 指标之间的临床关联。搭配理由是前者回答声音里什么在起作用，后者回答标签之间本就有多相关；组合意义是把特征重要性放回症状结构里读，避免把相关症状的共享声音变化误读为某单一症状的特异机制。

非加权平均召回率 × 多数投票： 非加权平均召回率即 UAR 负责在正负样本不平衡下平均两类的召回率，是训练优化与主评价指标；多数投票负责把同一录音切出的多个语音段的段级预测聚合成录音级预测。分工是段级训练增大样本并保留韵律，录音级评价对应临床关心的每次朗读；搭配理由是段级直接平均会受长短段影响，投票更稳健；组合意义是论文报告的 UAR 都是录音级聚合后的跨折汇总结果。

分层分组嵌套交叉验证 × McNemar 检验： 分层分组嵌套交叉验证负责无泄漏地估计泛化，外层 10 折加内层 5 折选超参数，分层保持正负与男女与年龄比例一致，分组保证同一说话人的所有段只进同一折；McNemar 检验负责比较两套特征下同一批录音判对判错名单的差异是否超出随机。搭配理由是前者给出公平的性能数，后者给出特征间差异是否显著的判断；组合意义是只有融合在剥夺任务上显著优于单特征集的结论能成立，其余任务不宣称特征优劣。

3 组桥段放在本节是因为它们都依赖特征与分类器的定义，先有表示与划界才有贡献、偏倚与显著性判断。

没有神经网络训练时，真正的计算与选型过程是什么？

本研究没有训练神经网络，也就没有梯度反传、冻结层或早停可言，必须如实说明实际发生的计算。真实过程是传统机器学习的嵌套交叉验证选型：外层分层分组 10 折保证每折正负、男女、老少比例一致且同一人只进一折；内层 5 折在 SVM、RF、GB 各自网格中按 UAR 选最优超参数；选定后在外层训练折上拟合段级模型，对验证折的段预测再多数投票到录音级。scikit-learn 版本为 1.8.0，statsmodels 为 0.14.6 做偏倚回归，shap 为 0.50.2 算贡献，MGM1.4 与 qgraph1.9.8 做症状网络。

监督来源全部是医学标签而非伪标签，重置时机是每折重新选参重训，不存在跨折权重沿用。原文未报告内层选出的具体超参数分布、未报告随机种子与运行时间方差，这是复现缺项，应通过运行开源仓库补齐而非从模型名推定。不能把无神经训练等同于确定性求解，因为随机森林与提升的抽样与直方图近似仍带随机性，且交叉划分本身影响结果，因此复现需固定种子并报告跨折离散。

数据划分、指标聚合与公平条件如何保证？

实验条件的核心是防泄漏与公平比较。数据层面 28 人全部纳入，无睡眠障碍且阅读能力筛查通过，文本顺序固定，剥夺顺序随机，每人两种条件各 6 篇。划分层面段级训练录音级评价，分组按人，同一人所有段只属一折，避免同一嗓音同时出现在训练与测试。指标层面主指标 UAR，辅以宏 F1，所有指标在跨折汇总的 ypred 与 yth 上 1 次计算，而非先算每折再平均，这对小样本更稳定。比较层面特征间用 McNemar 检验判对判错名单，显著阈 0.05。

偏倚用逻辑回归看年龄性别效应；跨任务用症状网络的 L1 偏相关与交叉预测 UAR 表。公平条件是同一划分下比较 3 套特征与三分类器，内层选参目标一致。下表把必须核对的规模、任务阈值、性能区间与能耗放在同一视图，阅读时先看表前问题：样本量是否足以支撑六任务结论，阈值是否临床可比，指标方向是否越大越好。表后会解释主要收益与代价。

表前比较问题与公平条件说明：下表整理录音与片段规模及六任务最佳 UAR 区间与总能耗，用于核对数据量、阈值口径与指标方向是否一致，UAR 与 F1 越大越好，能耗越小越好，同一嵌套划分下比较才公平，字数满足相邻段落要求以便形成闭环。

表后解释主要收益与代价反例说明：最佳聚合 UAR 从 KSS 的 0.628 到 PVT-RTD 的 0.852，剥夺与 MSLT 分别为 0.744 与 0.706，表现预测在 0.801 至 0.852 之间，显示客观反应指标比主观自评更易从朗读声估计，但 KSS 与疲劳低于 0.70 说明主观症状仍难，未胜出项是除剥夺外融合并不显著，总能耗仅 0.450 千瓦时对应 8.55 克二氧化碳，代价是小样本下结论外推受限且偏倚仍存在，字数满足相邻段落闭环要求。

主结果测了什么，谁与谁比，数字支持什么判断？

主结果回答 6 个二分类在录音级能做到多好。候选是 Snack、eGeMAPS、两者拼接乘 SVM、RF、GB，最优组合按任务不同而不同：剥夺最优是融合加 SVM 的 0.744 与宏 F10.743，MSLT 最优是融合加 RF 的 0.706，KSS 最优是融合加 RF 的 0.662，疲劳最优是 eGeMAPS 加 GB 的 0.681，PVT 速度最优是融合加 SVM 的 0.858，PVT-RTD 最优是 eGeMAPS 加 SVM 的 0.841。McNemar 显示除剥夺融合显著优于单特征，卡方 5.4，p 为 0.02，其余任务特征间无显著差异。偏倚上剥夺的一套系统、KSS 3 套、疲劳两套仍有年龄或年龄性别交互效应，年龄每增一岁判错几率在女性降约 4 到 5% 而在男性升约 5 到 8%，或总体每岁增 3.4% 等，说明分层平衡不能完全消除偏倚。

特征趋势上多任务共享平均能量更低、H1A1 均值更低、H1A3 均值更高、CPP 均值更高，前者呼应 Icht 的能量观察，中两者关联气息声与发声质量，后者可能反映构音协调改变。任务特异上 MSLT 的 F1 均值更高、KSS 谐波性更好、疲劳 B2 均值更高、PVT 速度 HNR05 更高、PVT-RTD 的 F0 均值更高，部分与既往共振峰与停顿文献一致，部分为新观察待验证。

读图导读段落说明：下图是 Snack 特征的中位 SHAP 气泡图，横轴为剥夺与 MSLT 与 KSS 与疲劳与速度与 RTD 六任务，纵轴为基频能量共振峰谐噪比等特征，须按图例确认大小为强度颜色为方向后再比较跨任务共性与特异，导读字数满足图前要求。

看图路径： 1. 先看横轴六个任务列与纵轴声学特征行，确认气泡大小表示中位 SHAP 系数强度；2. 再按图例区分蓝色为推向正类、红色为推离正类，不要把红色大气泡读成正向证据；3. 对比 NRJmean 在剥夺列的大红泡与 H1A3mean 与 CPPmean 在多列的分布，定位跨任务共性；4. 找出每列最大的 1 到 2 个气泡，核对正文对 F1mean 与 B2mean 与 HNR 等任务特异描述是否一致

论文图 2。原论文 Figure 1：“Median SHAP values of the Snack features (external folds of the cross-validation).”。

针对可见内容的解释段落说明：可见 NRJmean 在剥夺列为大红泡表示平均能量低推离阴性侧，H1A3mean 在剥夺与 MSLT 列为蓝泡表示偏高推向阳性，CPPmean 在 KSS 与疲劳与速度列为红泡但按正文解读为嗓音质量更好与协调改变相关，F1mean 在 MSLT 列蓝色大泡与 B2mean 在疲劳列蓝色大泡为任务特异，H1mean 在剥夺为蓝而在 PVT 两列为红显示方向翻转，解释字数满足图后要求并支撑多任务共享发声质量变化而细节任务特异的判断。

拿掉专一性假设后，模型到底泛化了什么？

本节做论文特有的反证：把为症状 i 训练的最优分类器直接去预测症状 j 的真值，看交叉 UAR 是否仍高。若高则说明学到的是更宽泛的综合征而非专一任务。症状网络先验显示剥夺与 MSLT 边 1.12 最粗，剥夺与疲劳边 0.62 次之，PVT 速度与 RTD 边 0.57，疲劳与 KSS 边 0.35，MSLT 与 PVT 速度边 0.11，剥夺到 PVT 速度边 0.09，剥夺到 KSS 边 0.25。交叉表显示剥夺、MSLT、KSS 各自泛化较专一，尽管剥夺与 MSLT 及疲劳高度相关；PVT 速度与 RTD 几乎互换，训练于速度去测 RTD 仍超 80%，反之亦然，与二者定义同属反应速度及相关 0.57 一致。

疲劳与 KSS 混淆最重，疲劳模型测 KSS 达 69.1% 甚至超过 KSS 专用模型的 66.2%，与日常语言及睡眠医学中困与累混用相符。下表把阈值、偏倚、交叉泛化与能耗的论文特有细节并置，表前先提问题：在阈值临床可比且偏倚受控的前提下，交叉性能是否改变对特异性的宣称。

表前比较问题公平条件与指标方向说明：下表比较 KSS 与疲劳阈值口径、偏倚方向、交叉 UAR 与总碳排，用于检验症状定义是否可比、偏倚是否系统、泛化是否专一，UAR 越大越专一或越混淆需结合行列定义判断，能耗越小越节俭，字数满足相邻独立段落要求。

表后主要收益代价与未胜出项说明：收益是客观表现指标可互换且 UAR 超 0.80，支持二者共享反应速度构念。

代价是主观 KSS 与疲劳互相混淆，专用模型并未胜出，说明不能宣称嗜睡特异 biomarker；未评测边界是文本固定为朗读，若换为自发对话或电话信道，交叉模式可能改变，需补验证，字数满足表后相邻段落要求。 读图导读段落说明：下图是六节点症状网络，方形为二分类剥夺变量，圆形为 MSLT 与 KSS 与疲劳与 PVT 两指标，边粗为 L1 偏相关强度，绿色数字边与灰色无符号边需区分解读，导读字数满足图前要求。

看图路径： 1. 先确认方形 Deprivation 为二分类变量、圆形为其余症状节点，边粗细表示关联强度；2. 再读绿色数字边与灰色数字边，灰色边按图注不带符号，只读强度不读方向；3. 重点比较 PVT-speed 与 PVT-RTD 之间 0.57 粗边与 Deprivation 与 MSLT 之间 1.12 粗边；4. 观察 Fatigue 与 KSS 之间 0.35 边与 Deprivation 到二者的边，理解后文疲劳与 KSS 混淆的临床基础

论文图 1。原论文 Figure 2：“Symptom network of the investigated clinical tasks. Square node: binary variable. Grey edges do not have any signs (correlation with a categorical variable).”。

针对可见内容的解释段落说明：可见最粗灰边在剥夺与 MSLT 之间标注 1.12 与剥夺与疲劳之间标注 0.62，PVT 两节点间绿色粗边 0.57，疲劳与 KSS 间绿色边 0.35，MSLT 到 PVT 速度细绿边 0.11，剥夺到 PVT 速度与 KSS 的灰细边 0.09 与 0.25，这种结构解释了为何 PVT 模型互换而疲劳与 KSS 混淆，以及为何剥夺模型仍相对专一，解释字数满足图后要求并与交叉 UAR 表互证。

哪些边界未被评测，哪些推测不能做？

缺失证据不是技术错误，但必须划清可说与不可说。可说的是在 28 人法语朗读、固定文本、实验室条件下，简单特征加浅层模型能达到上述 UAR，且融合仅在剥夺显著，能耗量级明确。不可说的是因果机制：平均能量低、H1A1 低、CPP 高等只是关联，不能直接断言为气息声或协调障碍的因果证据，需分析验证与纵向设计。未评测边界包括自发 speech、不同语言、电话与手机麦克风、感冒与情绪等混杂、长期部分剥夺而非整夜剥夺、以及跨库泛化。

偏倚上即使分层仍有年龄性别效应，年轻男性与年长女性的误差方向相反，部署前需补公平性校准。统计上只做了特征间 McNemar 与偏倚回归，未报告置信区间与多重比较校正，不能把 0.744 与 0.706 的差距读成必然优劣。成本上未测推理延迟与内存，不能承诺实时可用。第三张表把显著性、偏倚与待验证项并置，提醒读者区分报告、支持与可能 3 级措辞。

表前比较问题公平条件与指标方向说明：下表整理融合显著性、偏倚存在范围与年龄效应方向，用于核对何处可宣称胜利、何处只能说待验证，p 越小越显著，OR 方向需分性别解读，字数满足相邻段落要求。

表后收益代价与负结果说明：收益是唯一显著的融合胜利在剥夺任务，代价是其余任务融合无增益且偏倚仍在，负结果恰是重要信息即 KSS 最难与疲劳 KSS 混淆，说明主观症状的声音边界模糊，未胜出项与未评测跨库条件共同限定外推，字数满足表后要求。

复现先做什么，需要保留哪些超参数与信息条件？

复现第一步是取开源代码与 SOMVOICE 数据说明，代码仓库当前可用，链接状态 200，复现应按仓库中超参数网格与 scikit-learn1.8.0 环境原样运行，不自行改核函数或树数。信息条件必须保留：28 人两种条件各 6 文本共 336 录音，rVAD 切分至少 20 秒且不切断语音得 818 段，六任务阈值分别为剥夺按条件、MSLT8 分钟、KSS 大于 5、疲劳大于 50 毫米、PVT 速度 3.51、RTD53.8，外层 10 折内层 5 折分层分组按人，段训录音级多数投票，跨折汇总算 UAR 与宏 F1，特征为 88 维 eGeMAPS 与 27 维 Snack 及拼接，分类器为 SVM、RF、GB。

解释复现需用 shap0.50.2 算每折 SHAP 再最大绝对值缩放取中位数，偏倚复现用 statsmodels0.14.6 做判错对年龄乘性别回归，网络复现用 MGM1.4 与 qgraph 复刻。能量复现用 codecarbon3.2.2 在相似电网强度下记录，法国示例强度 19 克每千瓦时仅为当时当地值，不可直接套用到其他电网。还需补的验证是固定随机种子跑多次看方差、报告置信区间、做留库或跨设备测试、补公平性切片评估。

若数据因伦理限制不可直接下载，应联系作者按 SOMVOICE 的 LREC2026 说明申请，代码开源不等于数据自动可下载，更不等于权重可直接部署，系统可运行需三者齐备。

何时值得尝试这种节俭可解释路线？

当你的场景是小样本临床语音、需要向医生解释哪个声学维度在起作用、需要在手机或低算力侧控制能耗、且关注年龄性别公平时，这条路线值得优先尝试。它的可复述动作很具体：用固定朗读控制文本，用 20 秒完整韵律段保证特征收敛，用分组嵌套验证防泄漏，用 UAR 应对不平衡，用 SHAP 回溯到能量与谐波与共振峰，用逻辑回归查偏倚，用症状网络与交叉表查专一性，用 codecarbon 记录碳排。

它的适用条件同样具体：法语朗读、实验室、整夜剥夺、28 人规模下客观 PVT 指标最易，主观 KSS 与疲劳最难且互混，融合红利只在剥夺显著。若你的任务是自发对话、多语言、部分慢性缺睡或重度不平衡，应先补跨库与跨信道验证再谈部署。最终判断是节俭可解释不是性能妥协的借口，而是把偏倚、能耗与构念专一性纳入评价的完整方法，复现时保留阈值、划分、聚合与版本，缺项用运行代码补齐，不从模型名推定实现，不把相关读成因果。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 interspeech-2026 论文汇总