病理语音评估

针对饼干失窃图描述任务，该研究用微调伯特模型做 23 类内容信息单元识别并用层相关传播定位时间，再把单元转移建模为带时间间隔权重的有向时序图，证据是手动转录上 F1 为 0.879 左右而临床组表现出更少独立节点和更长转移间隔，代价是动作类定位精度偏低且长叙事需要按词数归一化。

针对构音障碍数据少且严重程度声学差异大的问题，该工作冻结 WavLM 主干、在底层用共享 LoRA 学通用声学、在高层用临床监督路由的专家 LoRA 做严重程度特化，在 UA-Speech 上 5 分类宏 F1 达 61.55%、2 分类 F1 达 94.54%，代价是依赖说话人独立划分与临床严重度标注做路由监督。

针对语音 AD 检测数据稀缺且通用增强丢失认知特征的问题，该研究用检索增强大模型生成认知受约束文本再用属性引导语音合成补齐声学一致样本，在 ADReSSo 等多模型对照中提升检测性能，代价是需要精细标注、微调与控制增强比例。

该研究把儿童咝音切成 64×64 语谱图，用经典、稀疏、多任务三种卷积自编码器压成低维向量再交支持向量机判读齿音还是卷舌音，最好的多任务配置灵敏度达到 84.31%，代价是约三分之二超参数组合退化且数据高度不平衡。

针对语音筛查轻度认知障碍易学到性别与语言捷径的问题，论文用跨模态融合对齐声文图线索并用梯度反转遗忘人口学信息，在 TAUKADIAL 和 PREPARE 上同时提升总体 F1 并缩小亚组差距，但探测显示残余人口学信息仍未清零。

针对语音抑郁检测中联邦非独立同分布、多模态不一致与成员推理泄露问题，FedMPA 用模态特异原型与指数滑动平均全局原型库加原型引导损失与混合推理，在 E-DAIC 上以 0.89 无加权平均召回和 0.52 成员推理曲线下面积取得 0.92 隐私性能分数，但仍只验证了黑盒置信攻击与单一数据集。

GADVOX 针对德语缺失焦虑抑郁双标注语音的问题，用 10 个随机化中性自由言说提示在众包平台采集 1004 人语音并配对 PHQ-9 与 GAD-7 自评严重度分数，以 29.3% 多阶段质检换取可做双目标回归的数据，最强证据是量表内部一致性与质量-严重度无相关的核查，代价是自评非临床诊断且样本偏向高教育数字人群。

针对波兰语儿童卷舌擦音与塞擦音的齿化、龈腭化和齿间化问题，该研究用 28 个 500 Hz 噪声能量与摩擦共振峰比值结合线性混合效应模型检验发音位置效应，最强证据是齿化在 FNER 比值上解释近 30% 方差且高频差异延伸至 14-16 kHz，代价是类别不平衡使稀少齿间类的估计精度下降。

针对语音抑郁检测中样本标签可能标错且抑郁线索只藏在片段里的问题，论文用似然比加原型融合做样本级标签校正再用最大规则与聚合器双流多示例学习做片段级检测，在 DAIC-WOZ 上报告 UAR 0.651 与 F1 0.642，代价是两阶段流水线与多个阈值和权重需要调参。

针对 DAIC-WoZ 与 Androids 双向跨库迁移中说话人和语料等多源偏移沿编码器逐层累积的问题，论文提出逐层多因子自适应解耦 LMAD，用 HSIC 约束中间层并自适应加权，在 ECAPA-TDNN 上把跨库宏 F1 做到 0.62 与 0.56，代价是需预先选定关键层且依赖无监督域适应的混合批次构造。

针对抑郁相关模式在语音中稀疏分布的问题，该研究用自适应跨模态门控对声学帧和文本词元重新加权，在 PDCD2025 上跨模态门控达到 81.25% 平均准确率并在 DAIC-WOZ 上达到 69.39% 的 F1，同时可视化显示门控偏向低能量语音和消极词汇，但预训练模型冻结与聚合口径等细节仍需按原文条件理解。

该研究把转录加停顿标记、话语话题簇、流利度统计和音素序列统一写进结构化提示并用 LoRA 微调大模型做话语级二分类，在 ADReSSo 上最好达到说话人级 F1-score 为 90.14%，代价是话语标注依赖外部商用模型且仅在英语图片描述任务上验证。

该研究用无线颈带双传感器在日常连续估计声压级与声门下压之比的生态发声效率，14 名女性被试显示患者日常均值更低且波动更窄、超出个性化正常范围的发声时间显著更长，但样本小且为初步结果。

该研究用颈表加速度计与肩挂噪声剂量计的数天同步监测，把环境等效声级均值与波动映射到音强、基频、倒谱峰突出度和一二次谐波差，报告了随噪声上升音强基频与倒谱峰突出度上升、一二次谐波差下降且非线性模型最优，但噪声只能解释部分方差且组间差异集中在音质斜率上。

针对自动抑郁检测中微调成本高且易过拟合的问题，Moot-Court 用冻结大模型做文本化声学融合与控辩对抗图推理加可进化经验库，在 DAIC-WOZ 上报告 F1 为 0.8856 且召回达 0.9394，但全文存在 0.8750 与 0.8856 的数字冲突与小样本泛化边界。

针对 ALS 构音障碍分级与 ALSFRS-R 进展预测，该工作把每人多段 2 秒语音的冻结 SSL 嵌入建成单张 k 近邻图并做图分类，最强证据是官方验证集上 HuBERT+GIN 的宏 F1 为任务 1 的 0.73 与任务 2 的 0.69，代价是固定补齐引入重复伪影与固定 kNN 可能连入通道相似而非临床相似的边。

该研究用 175 人的真实护理对话检验自然语音能否补充结构化病历做早期认知损害检测，最强组合达到 AUC 0.92 与 F1 83.08，代价是更长录音、缺失插补与小样本解释的局限。

针对自监督语音模型随机掩码会打断稀疏病理线索的问题，PAN-Mask 用六维声学描述子加端到端注意力估计帧级病理显著性并优先衰减高显著帧，在六个数据集上比随机掩码平均提高 13.82 个百分点，代价是增加轻量检测器与掩码超参数的联合优化复杂度。

该文研究话语级多维构音障碍评估，用冻结 CTC 音素识别器的后验不确定性加音素错误率构成 11 维 PED 特征，在四个主要维度上达到平均 AUROC 0.80，接近 HuBERT 的 0.81，代价是精细等级排序仍弱于黑盒表示。

针对单个语音特征测量噪声大、难以做临床试验终点的问题，该研究在自然史数据上学复合指数权重并在独立临床试验上验证，报告复合指数 ICC 超过 0.9 且 MDC95 降到组间标准差以下，但最强单个特征仍接近复合表现且权重高度集中。