基于语音的逐层跨语言抑郁检测：对比对齐分析 Layer-wise Cross-Lingual Depression Detection from Speech: Analysis with Contrastive Alignment

方法分六步。第一步数据预处理：音频重采样16kHz单声道，E-DAIC用转录时间戳隔离参与者语音、排除访谈者，两语料切3秒、50%重叠片段，每片段继承说话人二值抑郁标签。第二步说话人独立划分：以参与者ID分组做分层分组划分，同一说话人所有片段只进一个分区；E-DAIC得122人（75/24/23，21抑郁54健康训练），MODMA得52人（31/11/10，13抑郁训练者），总分问卷$\geq10$定义抑郁。第三步混合语言训练：随机下采样英语片段匹配MODMA数，平衡批内两语言。第四步特征提取：冻结WavLM-Base-Plus抽第6–9层、Large抽第12/14/16/18层，帧级均值池化$\bar{h}^{(l)}=\frac{1}{F}\sum_{f=1}^{F}h_f^{(l)}\in\mathbb{R}^d$。第五步双头网络：投影头$z=\ell_2\text{-norm}(W_2\,\text{ReLU}(\text{BN}(W_1 h)))$（$W_1\in\mathbb{R}^{256\times d}$、$W_2\in\mathbb{R}^{128\times 256}$、dropout 0.3），分类头$\mathbb{R}^{128}\to\mathbb{R}^{64}\to\mathbb{R}^2$（dropout 0.2）。第六步联合训练：$L=\lambda L_{\text{SupCon}}+(1-\lambda)L_{\text{CE}}$，$\lambda=0.5$、$\tau=0.1$、AdamW（lr $=10^{-3}$、wd $10^{-4}$）、100轮、批32、投影维256；$\lambda=0$即CLeaD w/o SupCon隔离对齐贡献；推理用多数投票$\hat{Y}_{spk}=\mathbb{1}[\sum_{t=1}^{T}\hat{y}_t>T/2]$聚合。

技术新颖性体现在四点。一是首次将监督对比学习的正样本集合扩展到跨语言临床标签对齐，区别于传统的分布级域适应，且无需平行数据或目标语言微调。二是首次在抑郁检测语境下系统量化说话人身份泄漏伪影，通过受控消融（Airtight / +Scale Leak / +Speaker Leak / Full Leaky）证明泄漏的F1贡献（+0.23）远超缩放泄漏（<0.001），并据此修正前人虚高的0.954普通话F1。三是把层间分析与统计严谨性结合：240次运行、95% bootstrap置信区间（2000次重采样）、LOSO，使'模型增大伤害跨语言迁移''中间层迁移最好'等结论有了统计支撑而非单点断言。四是临床导向的评估设计：优先报告抑郁类说话人召回（Dep-Rec）而非标准F1，明确承认在片段级F1上落后线性基线，将贡献定位为'分析SupCon何时有益'而非声称SOTA，这种自我批判式定位在工程论文中相当少见且有价值。

独立分析有四个弱点及改进方向。弱点一：零样本结构性失效——训练批无目标语言样本时SupCon跨语言梯度为零而退化，改进方向是目标语言伪标注或跨语言临床原型记忆库。弱点二：临床小样本统计力不足——MODMA仅52说话人、测试5抑郁者，0.018 F1提升难证显著，改进方向是融合多语料（如CMDC）、多种子平均与配对显著性检验、贝叶斯效应量。弱点三：语料混淆语言效应——英语用自发访谈E-DAIC、普通话用结构化MODMA，录音风格可能主导迁移，改进方向是引入多语种SSL骨干（XLSR-53、MMS）从预训练层削弱英语中心，并在同语料内做语言匹配实验隔离语言变量。弱点四：基线未充分调参可能低估线性基线天花板，改进方向是统一贝叶斯超参优化。此外SupCon仅在中间层（7–8）有效而第9层反转，提示对层选择敏感，应做自动层选择或层融合。

作者明确提出的方向包括：扩展到零样本场景（伪标注、跨语言记忆库、临床原型嵌入）；引入多语种SSL骨干（XLSR-53、MMS）独立于对比目标地降低英语预训练天花板；多种子测试与适应基线对比；分离语言效应与语料效应（年龄、临床工具差异）。基于本文成果可延伸的方向：第一，将CLeaD的标签驱动对齐推广到更细粒度的临床连续评分（PHQ总分回归而非二分类），用回归型对比损失；第二，结合抑郁症的纵向语音轨迹，做时序对比对齐追踪临床状态变化；第三，将泄漏审计方法（Airtight/Scale/Speaker分层消融）工具化，做成一个可复用的评估协议包，供语音情感与心理健康任务社区采用；第四，探索层融合（如6–9层加权求和）而非单层，因为不同层捕获互补信息；第五，研究抑郁在不同声调语言（粤语、越南语）的迁移，检验'声调掩盖韵律'假说的普适性。

复现性总体良好。数据方面，E-DAIC与MODMA均为公开临床语料（虽需签数据使用协议），划分协议（分层分组、LOSO）描述清晰。模型方面，WavLM-Base-Plus与WavLM-Large均开源可下载且全程冻结，避免了微调带来的不可控因素。超参方面，AdamW（lr $=10^{-3}$、wd $10^{-4}$）、100轮、批32、$\tau=0.1$、$\lambda=0.5$、投影维256、单一固定种子，全部明确给出。消融设计（240次运行、Airtight/Scale/Speaker/Full Leaky四档泄漏）极具可复现价值。作者声明代码与数据划分通过匿名链接发布。主要复现风险有三：一是单一随机种子使结果方差不可估；二是小测试集（5抑郁说话人）使Dep-Rec指标高度依赖划分，换划分可能显著变化；三是临床数据访问受限（需伦理审批），普通研究者难以完全复现数据侧。算力方面，冻结WavLM推理加轻量双头训练对GPU要求不高，单卡即可。综合判断：方法与协议可高置信复现，但具体小样本数值需谨慎。