⏶4
基于语音的层级跨语言抑郁症检测：对比对齐分析
发表
由 
Anisha Pattanayak 提交
Anisha Pattanayak 提交作者: Anisha Pattanayak, Hanie Kang, Huang-Cheng Chou, Shrikanth Narayanan, Sudarsana Reddy Kadiri
Anisha Pattanayak, Hanie Kang, Huang-Cheng Chou, Shrikanth Narayanan, Sudarsana Reddy Kadiri摘要
AI 生成总结
一个有监督的对比对齐框架将英语和普通话的 WavLM 嵌入映射到共享的临床空间中用于抑郁症检测，解决了跨语言泛化挑战，并揭示了由说话人身份泄露引起的性能伪影。不同语言人群在抑郁症的诊断和临床表现上存在显著差异。基于语音的抑郁症检测在单语环境中表现良好，但跨语言泛化仍然是一个开放的挑战。一个关键原因是，先前的工作使用段级随机分割而不进行说话者分组，导致身份泄露，从而夸大了报告的指标。我们提出了CLeaD，一个有监督的对比对齐框架，它将来自英语和普通话的WavLM嵌入映射到一个共享的临床空间中，无需并行数据或目标语言微调。在留一说话者法评估下，对52位普通话说话者的评估显示，对比对齐略优于基线（F1：0.640 vs. 0.622）。它还在中间层（7-8层）提高了抑郁类别召回率，尽管小测试集限制了泛化能力。有两个发现仍然稳健：模型扩展会降低跨语言性能，同时提高单语英语性能；说话者身份泄露人为地将先前报告的普通话F1分数夸大到0.954，我们重现并量化了这一假象。
抑郁症在不同语言中的表现形式（视觉或听觉）并不相同，但大多数基于语音的检测模型仅在其训练语言上进行测试。更糟糕的是，之前的工作在分割数据时没有按说话人分组，导致模型悄悄地记忆了声音而不是检测抑郁症。我们构建了CLeaD，一个监督对比框架，它将英语和普通话的WavLM嵌入对齐到一个共享的临床空间中，无需并行数据或目标语言微调。在52位普通话说话人上进行“留一说话人交叉验证”评估，它略微优于基线（F1：0.640 对 0.622）。两个发现非常有力：更大的模型在跨语言迁移方面表现更差，但在英语方面表现更好；以及说话人泄露将之前普通话的F1分数夸大到了0.954。我们重现并量化了这一假象。