超越分类：呼吸声学基础模型的咳嗽回归基准

呼吸声学基础模型 (FM) 擅长咳嗽分类，但尽管被动年龄、BMI 和疾病概率估计在无法获得物理测量的环境中具有临床价值，但它们从咳嗽音频预测连续健康量的能力在很大程度上尚未得到探索。我们引入了多模型、多目标咳嗽回归基准，评估主题不相交协议下三个数据集上六个目标的五个 FM（OPERA-CT、OPERA-CE、OPERA-GT、HeAR、M2D+Resp），比较线性、MLP-small 和完整 MLP 回归头。 MLP-small 在 30 个模型 x 任务案例中的 23 个中击败了所有任务和线性探测的平均预测器基线，在小型临床数据上完全 MLP 过度拟合，但在较大的数据集上恢复，揭示了数据集大小 x 头容量权衡。 HeAR 在 Coswara 上引领数据集内年龄回归（9.12 年 MAE）；由于 HeAR-CIDRZ 预训练可能重叠，其 CIDRZ 结果被排除在标题声明之外。在所有三个数据集中，OPERA-GT 在年龄方面均优于 OPERA-CT，且 CIDRZ 裕度在种子方差内，将生成预训练的优势从呼吸扩展到咳嗽。 HeAR 和 M2D+Resp 在 N = 50 个样本时达到接近完整的性能，而 OPERA 模型需要 N = 400。跨数据集传输是强烈不对称的，因为大量不同的数据泛化到小型临床人群（CoughVID 到 CIDRZ：-0.17 年），但反之则不然（CIDRZ 到 Coswara：+2.43 年，+26.6%）。