用于从语音筛查神经和呼吸疾病的统一声学表征
组合数学
2025-08-29 v1
摘要
语音基因健康评估提供了 unprecedented机会进行可扩展、非侵入性疾病筛查，但现有方法通常仅关注单一疾病，未能充分利用语音中嵌入的丰富、多方位信息。我们提出了 MARVEL（Voice-based Health Analysis的多任务声学表征），是一个注重隐私的多任务学习框架，同时检测九种不同的神经、呼吸和语音疾病，仅使用派生声学特征即可实现，无需传输原始音频。我们的双分支架构采用具有任务特定表头的专用编码器，共享 common acoustic backbone，实现有效的跨条件知识传递。在 large-scale Bridge2AI-Voice v2.0 数据集上进行评估，MARVEL 实现了 0.78 的 overall AUROC，在神经疾病（AUROC = 0.89）上表现尤为出色，尤其是对于阿尔茨海默病/轻度认知障碍（AUROC = 0.97）表现突出。我们的框架在9个任务中 consistently 超过单模态基线 5-19%，并在7个任务中超过最新的自监督模型，而相关性分析表明，所学表征与 established声学特征之间存在有意义的相似性，表明模型的内部表征与临床认可的声学模式相符。通过表明单个统一模型可有效筛查多种疾病，本工作为在资源受限和偏远地区的语音诊断提供了可部署的基础。
引用
@article{arxiv.2508.20716,
title = {Classification of flag-transitive $2$-$(v, k, \lambda)$ designs with alternating group $A_n$($n \le 10$) as socle},
author = {Delu Tian and Qianfen Liao and Zhilin Zhang},
journal= {arXiv preprint arXiv:2508.20716},
year = {2025}
}
备注
17 pages, 5 table