Segment-Level Mandarin Chinese Speech-Based Cognitive Impairment Detection via an Autoencoder with Contrastive Learning
作者: Yongqi Shao, Hong Huo, Flavio Bertini, Danilo Montesi, Tao Fang
分类: cs.SD, cs.CL
发布日期: 2026-06-18
备注: 15 pages, 7 figures, 5 tables
💡 一句话要点
提出基于自编码器和对比学习的段级普通话语音认知障碍检测方法
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 认知障碍检测 语音处理 自编码器 对比学习 数据增强 段级表示学习 机器学习 普通话
📋 核心要点
- 现有方法在认知障碍检测中面临有限标注数据和跨数据集变异性等挑战，影响了系统的鲁棒性。
- 论文提出了一种段级表示学习框架，通过将语音分段并结合自编码器与对比学习，提升了潜在表示的判别性。
- 实验结果显示，该方法在四个普通话语音数据集上表现出色，尤其在三分类任务中显著提高了分类性能。
📝 摘要（中文）
背景与目标：语音作为一种低成本、非侵入性的数字生物标志物，在认知障碍检测中具有重要潜力。然而，有限的标注数据和跨数据集的变异性仍然是构建稳健语音筛查系统的主要挑战。方法：我们开发了一种段级表示学习框架，将语音录音分为短段并转换为声谱图表示。为了在有限数据条件下提高鲁棒性，结合了离线和在线增强策略、基于自编码器的表示学习和对比目标，以增强判别性潜在表示。结果：在四个独立的普通话语音数据集上的实验表明，在二分类和三分类任务中表现稳定且具有竞争力，尤其在临床上具有挑战性的三分类设置中有显著改善。结论：研究结果表明，段级语音表示学习可能为资源有限的临床环境中的认知障碍筛查提供可扩展和实用的方法。
🔬 方法详解
问题定义：本论文旨在解决语音基础的认知障碍检测中，由于标注数据稀缺和数据集间变异性导致的鲁棒性不足的问题。现有方法往往无法有效处理这些挑战，限制了其在临床环境中的应用。
核心思路：论文提出的核心思路是通过段级表示学习来增强语音数据的判别性，结合自编码器和对比学习的策略，使得模型在有限数据条件下仍能有效学习到有用的特征表示。
技术框架：整体架构包括将语音录音分割为短段，转换为声谱图表示，随后应用自编码器进行表示学习，并通过对比学习增强潜在表示的判别性。该框架还结合了离线和在线数据增强策略，以进一步提高模型的鲁棒性。
关键创新：本研究的关键创新在于将段级表示学习与对比学习相结合，形成了一种新的语音特征学习方法。这种方法在处理有限数据和跨数据集变异性方面表现出色，显著提升了分类性能。
关键设计：在模型设计中，采用了特定的损失函数以优化对比学习目标，并设计了适应性的数据增强策略，以确保在不同数据集上都能保持良好的性能。
🖼️ 关键图片
📊 实验亮点
实验结果显示，该方法在四个独立的普通话语音数据集上表现出色，尤其在三分类任务中，分类准确率显著提高，验证了段级表示学习的有效性和鲁棒性。
🎯 应用场景
该研究的潜在应用领域包括临床认知障碍筛查、老年人健康监测以及智能医疗系统。通过提供一种低成本且高效的检测方法，能够在资源有限的环境中实现早期识别和干预，具有重要的社会价值和实际意义。
📄 摘要（原文）
\noindent\textbf{Background and Objective:} Speech has emerged as a low-cost and non-invasive digital biomarker with considerable potential for cognitive impairment detection. However, limited labeled data and cross-dataset variability remain major challenges for robust speech-based screening systems. \par\noindent\textbf{Methods:} We developed a segment-level representation learning framework for speech-based cognitive impairment detection. Speech recordings were divided into short segments and converted into spectrogram representations. To improve robustness under limited-data conditions, offline and online augmentation strategies were combined with autoencoder-based representation learning and contrastive objectives to enhance discriminative latent representations. \par\noindent\textbf{Results:} Experiments conducted on four independent Mandarin Chinese speech datasets demonstrated stable and competitive performance in both binary and three-class classification tasks, with particularly notable improvements in the clinically challenging three-class setting. Ablation studies further supported the effectiveness of the proposed framework. \par\noindent\textbf{Conclusions:} The findings suggest that segment-level speech representation learning may provide a scalable and practical approach for cognitive impairment screening in resource-constrained clinical settings.