在片段表示上采用说话者感知的时间聚合策略用于二元交互中的抑郁症检测：一项基准研究

基于语音的抑郁症检测将短音频片段的特征压缩成一个说话者级别的决策，这个称为时间聚合的步骤很少单独研究。大多数基准都固定一个自监督编码器和一个手工选择的层，因此报告的增益可能反映的是整个管道，而不是聚合方法本身。我们引入了DEPOOL，一个受控基准，它在一个英语和普通话抑郁症语料库上，比较了六种聚合架构与六种冻结语音骨干，其中每种配置都会学习哪些骨干层是重要的，而不是手动固定一个。在由此产生的72种配置网格中，三分之一的配置会崩溃为预测每个说话者为单一类别，这是一个与骨干以及方法本身都相关的失败，并且在单次种子运行中最稳定的架构在跨种子重复训练时变得不可靠。对于临床语音中的时间聚合，对骨干和种子的鲁棒性，而不是单一管道的平均准确性，应该是一个一流的基准评估标准。