语音生物标志物

针对自然语音难以手工刻画心衰失代偿的问题，该研究用 3 天内拉近、100 天以上拉远的对比预训练学习录音表征，在 68 例入院与出院排序任务上以跨中心稳定性为主要证据，代价是小样本下差异不显著且高分辨率预训练指标更好但临床迁移更差。

该研究把痴呆检测做成二分类语音任务，用冻结的基础语音编码器加轻量下游头比较单语与多语训练，最强证据是英语合并集 0.854 F1 与多语合并集 0.761 F1，而代价是小语种与跨语言零样本性能明显下降且依赖切分与时长等实验条件。

该研究针对语音认知障碍筛查中变换器不可解释的问题，选择在 SpeechCARE-AGF 筛查模型上叠加 SHAP 词归因、理论驱动语言特征与四阶段大模型推理，最强证据是测试集 AUC 86.83% 与 F1 72.11% 基础上的 70 例盲评一致率 98% 与可用性 82 分，代价是解释目前只覆盖语言分支而未解释声学分支。

该研究用同一批 66 名德语肌萎缩侧索硬化患者的五种语音任务预测言语功能评分与构音障碍生活质量问卷评分，最强证据是跟随个人的纵向设置下重复音节任务对生活质量问卷达到一致性相关系数 0.86，而持续元音在两种设置下均最弱，代价是随访样本仅 17 人且数据不公开。

针对 vlog 抑郁二分类中特征高度重叠而标签只有 0/1 的问题，该研究用互 Transformer 做音视频融合再以优势加权排序损失同时拉开类间间隔与压紧类内方差，在 D-vlog 上 F1 为 77.66、在 LMVD 上 F1 为 77.01，但阈值需在验证集上重标定且尚未验证临床数据。

该研究用 50 人 TSST 与友好控制的组间语音区分压力情境并预测皮质醇反应与消极情绪变化，最强证据是 XGBoost 分类准确率 0.82 显著高于多数类基线，代价是样本小、协议线索未完全排除且唾液淀粉酶与积极情绪未能预测。

针对咳嗽筛查结核任务，论文用频谱描述子与音频基础模型表示做异构融合，提出共享双曲原型码本加老虎机可靠性加权的 COBALT，并在 CODA TB 基准上以 MFCC 加 PaSST 取得最强结果，代价是更多适配与融合模块和跨设备泛化仍待验证。

针对德语 SKT 语音评估中转录误差与手部动作子测试缺失问题，该研究用规则打分融合 Whisper 编码器与解码器向量先校正言语子测试分再补偿总分，最强证据是言语子测试序列在缺失动作题时仍与专家总分达到 0.94 以上相关，代价是依赖小样本临床数据与固定超参数且未验证真实部署延迟与误诊成本。

针对颈表加速计长期监测中全天平均会稀释病理信号的问题，该研究用日内时间分段与言语歌唱分离做特征工程，再以树模型与逻辑回归集成区分结构性与功能性高功能，在盲测集上取得音创伤型曲线下面积 0.925 与非音创伤型 0.820，但长窗平均对后者反而有害且神经网络在小被试下过拟合。

针对帕金森低运动性构音里呼吸-喉-构音混杂难拆解的问题，该文用健康 USC-TIMIT 多线圈运动学学一维 Za 轴并经音频反演加仿射校准算出 AWI，在 9 对匹配对照中 PD 全部偏高并与 UPDRS 呈约 0.5 相关，而在 398 人声带高功能组保持稳定，代价是小样本英语朗读与单一反演模型的分布外风险。

该文把问题定为语音健康研究难复现是因为采集与特征定义不统一，选择先统一临床可解释的核心声学测量定义并给出美国英语常模与开源提取流程，最强证据是 1815 人朗读与最长发声任务上的分任务常模差异，代价是强度类测量仍受设备影响且嵌入表示仍需先建基线再用。

该研究在抑郁、构音障碍、帕金森和口吃五个语音数据集上只用首秒或静音段做分类，发现其加权 F1 常与全音频持平甚至更高，说明录音条件等非言语线索可能贡献了预测性能，但未定位确切混杂源。

针对自发语音中疾病效应被语言音系差异掩盖的问题，CL-DAF 在英孟 272 维公共声学空间中用符号秩二列效应与语言不变分数筛选出 26 个方向一致特征，使英译孟与孟译英 AUC 分别达到 0.825 和 0.722，而代价是需要双语标签估计对齐且目标全参与选择时会高估约 0.04 到 0.09。

针对肺功能检查依赖设备与配合的问题，SpiroPhonia 用真实访谈中的自发语音提取抖动、频谱与停顿三类特征，在 201 人被试独立测试上报告 78% 准确率、80% F1 与 87% AUC，代价是小样本下置信区间宽且跨语言跨设备泛化待验证。

针对一分钟语义和音位流畅性任务中整段平均会抹掉检索动态的问题，CCMAN 用词级多模态序列加双向跨模态注意与迁移学习建模时间不稳定性，在 843 人语料上语义二分类宏 F1 达到 0.81 而多分类仅 0.59，代价是三分类区分 MCI 与痴呆仍不显著且依赖 ASR 时间戳质量。

该研究把气道狭窄检测做成患者级多录音分类，用冻结的 WavLM 第 15 层表示加 TransMIL 聚合，在 748 人五折交叉验证中报告 AUROC 为 0.952 与准确率为 0.924，而细粒度分型与严重度分级仍明显更难。

该研究只用语音音频区分阿尔茨海默病与健康对照，用 Librosa 手工声学均值特征与冻结 YAMNet 的 1024 维嵌入拼接后训练分类器，在 160 条合并数据上以 70% 训练 30% 测试取得 89% 测试准确率，代价是小样本、无人口学控制且未报告延迟与误判细节。

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

该试点以 9 名乳腺癌幸存者和 13 名健康对照的叙事语音比较韵律特征与 MFCCs，用逻辑模型树加十折交叉验证报告 86% 对 82% 的准确率，代价是 MFCCs 需 11 个系数且临床可解释性不足。

针对单数据集训练的语音阿尔茨海默检测在换录音与采集条件后大幅掉点的问题，论文用三种表示能力的模型对比无监督域适应，并提出交替做对抗对齐与高置信伪标签自训练的 IAST，在 Lu 目标域上取得最强或并列最强跨域准确率，但源域精度有时轻微下降。