Phonological Subspace Collapse Is Aetiology-Specific and Cross-Lingually Stable: Evidence from 3,374 Speakers

我们之前引入了一种基于冻结自监督语音表示中语音特征子空间 d-prime 可分离性的脑瘤严重度评估无训练方法，已在 890 名来自 5 个语言的说话者（使用 HuBERT-base）上验证。 现将该分析扩展至 3,374 名说话者，涵盖 25 个数据集、12 个语言和 5 种病因（帕金森病、脑瘤、肌萎缩性肌萎缩症、唐氏综合征和中风），外加健康对照组，使用 6 个 SSL 骨架网络。 我们报告了三个发现：第一，病因特异的退化轮廓在群体层面可区分：其中 10 个 13 个特征 yield 较大的效应大小（epsilon-squared > 0.14，Holm 校正 p < 0.001），帕金森病在 Cohen's d = 0.83 的情况下可从言运动执行组中区分；个体水平的分类仍有限（22.6% macro F1）。第二，轮廓显示跨语言轮廓形状稳定性：5 维辅音 d-prime 轮廓在每个病因可获得的语言之间的余弦相似性超过 0.95。 绝对 d-prime 大小在跨语言上未校准，因此该方法支持语言无关的退化模式表型化，但需要在语料库内进行绝对严重度解释。 第三，该方法在体系结构无关性：所有 6 个骨架网络产生单调的严重度梯度，Inter-model 一致性超过 rho = 0.77。 固定标记 d-prime 估计保留了严重度相关性（在每个类别 200 个标记处 rho = -0.733），确认该信号并非标记计数制造 artifact。 这些结果支持语音子空间分析作为一种稳健、无训练的框架，用于病因感知的脑瘤特征化，证据显示跨语言轮廓形状稳定性和跨骨架网络的鲁棒性。