Documentos de traballo · fala, saúde e IA fiableVigo, 2026

Investigación / A voz como sinal clínico / [1]

Seis minutos de marcha fan da voz un mellor sinal diagnóstico

Improving respiratory disease detection through SSL-enhanced acoustic analysis and exercise-rest measurements. Frontiers in Medicine, 2026.

Nunha frase

Gravar a tose e a voz dun paciente despois dun exercicio lixeiro, e describilas con modelos de fala autosupervisados, separa os pacientes post-COVID das persoas sas cun F1-score do 87,7 %.

154participantes
2momentos de gravación
3modelos autosupervisados
87,7 %mellor F1

O problema

A voz é barata de gravar e leva información sobre os pulmóns e o tracto vocal. Con todo, os cambios que causan as doenzas respiratorias son sutís, e as gravacións feitas en repouso adoitan pasalos por alto.

Que fixemos

Gravamos 154 participantes producindo unha /a/ sostida e tuses voluntarias, unha vez en repouso e outra despois dun protocolo de estrés fisiolóxico: unha marcha de seis minutos e unha proba de sentarse e erguerse durante un minuto. As secuelas post-agudas da infección por SARS-CoV-2 (PASC, ou COVID persistente) serviron como caso de estudo.

Cada gravación describiuse de dúas maneiras: con biomarcadores acústicos clásicos e con embeddings de tres modelos de fala autosupervisados, wav2vec 2.0, WavLM e HuBERT. Unha regresión loxística clasificou cada participante como PASC ou san, e un paso de fusión tardía combinou as decisións da vogal e da tose.

Audio en repouso / tras o exercicio→ Características acústicas + SSL→ Regresión loxística→ Fusión tardía

Que atopamos

O esforzo físico mellorou a clasificación e reduciu a variabilidade en todas as tarefas. Fusionar as características acústicas cos embeddings de WavLM e wav2vec 2.0 acadou F1-scores do 82,2 % para as vogais e do 80,8 % para as tuses despois do exercicio, e combinar as dúas tarefas chegou ao 87,7 %.

A miña contribución

Achegei o pipeline de características acústicas e autosupervisadas e o deseño experimental, a partir do estudo de 2023.

Por que importa

Unha proba de marcha estándar e un micrófono poderían converterse nun paso de cribado rápido e non invasivo nas avaliacións funcionais rutineiras de doenzas crónicas e posvirais. A mesma receita, someter o sistema a esforzo antes de medilo, vale máis alá da COVID.

0255075100 Vogal /a/ 82,2 Tose 80,8 Fusión entre tarefas 87,7
Figura 1. F1-score (%) na clasificación PASC fronte a persoas sas, gravacións despois do exercicio, validación cruzada estratificada de 5 particións. Barras tramadas: tarefas illadas. Barra sólida: fusión entre tarefas, o mellor resultado.

Citar

Vera-López Á., Tilves-Santiago D., Ramírez-Sánchez J.M., Docío-Fernández L., García-Mateo C., Bustillo-Casado M., García-Caballero A.A. Improving respiratory disease detection through SSL-enhanced acoustic analysis and exercise-rest measurements. Frontiers in Medicine, 2026.

@article{veralopez2026respiratory,
  title   = {Improving respiratory disease detection through SSL-enhanced
             acoustic analysis and exercise-rest measurements},
  author  = {Vera-L{\'o}pez, {\'A}lvaro and Tilves-Santiago, Dar{\'i}o and
             Ram{\'i}rez-S{\'a}nchez, Jos{\'e} Manuel and Doc{\'i}o-Fern{\'a}ndez, Laura and
             Garc{\'i}a-Mateo, Carmen and Bustillo-Casado, Mar{\'i}a and
             Garc{\'i}a-Caballero, Alejandro Alberto},
  journal = {Frontiers in Medicine},
  year    = {2026},
  doi     = {10.3389/fmed.2026.1864436}
}

PDF distribuído baixo licenza CC BY 4.0; copia da versión publicada.