运动、认知还是语料库？在基于语音的帕金森病检测中，什么能够幸存于跨语言迁移

自监督学习 (SSL) 语音表示在个体语料库中的帕金森病 (PD) 检测方面取得了出色的性能。然而，目前尚不清楚这些模型是否捕获了与疾病相关的特征或利用了数据集特定的混杂因素，特别是因为大多数 SSL 主干网都是专门针对健康语音进行预训练的。为了研究这个问题，我们使用跨三种语言的低容量逻辑回归探针对九个 SSL 语音主干进行分层分析。我们将评估构建为多个场景，逐步引入参与者身份、记录条件、语言和病理学的分布变化。我们的结果揭示了两个关键发现。首先，层选择高度依赖于语料库：最佳表示层主要由源数据集而不是 SSL 架构本身决定。其次，传输的判别信号缺乏病理特异性：经过训练来检测 PD 的分类器为目标语料库中的 PD 和痴呆症语音分配同样高的概率。这些结果强调了在基于语音的病理识别模型能够在临床环境中可靠部署之前必须解决的关键局限性。