基于 recurrence 结构的非线性声学动力学作为抑郁对话语音的数字生物标志物

抑郁的数字生物标志物主要依赖于静态声学描述符、汇总统计数据或传统机器学习表征。此类方法可能遗漏对话情境下声学动力学中嵌入的非线性时序组织结构。我们假设抑郁患者的语音系统在时间轴上回访声学状态的结构会被改变,从而反映出声学系统对声学状态重复性的改变。本文基于标注参与者数为142的抑郁数据子集(DAIC-WOZ 语料库),将帧级COVAREP 轨迹建模为非线性动力学系统,并从74个声学通道中提取recurrence 结构特征。采用特征选择和分层交叉验证的逻辑回归评估了分类性能。recurrence 结构生物标志物实现了平均交叉验证AUC 为0.689,优于静态声学基线、熵动力学特征、Hurst 指数特征、确定性特征和Lyapunov 类似不稳定性代理。置换检验表明结果具有统计显著性(p=0.004)。汇总交叉验证预测的AUC 为0.665,95% bootstrap置信区间为[0.568,0.758]。这些发现表明抑郁症可通过对话语音动力学recurrence 结构的改变来表征,并支持非线性状态空间分析作为数字精神病学生物标志物的有前景方向。