Detección translingüe de depresión por capas a partir del habla: Análisis con alineación contrastiva

Resumen

Existen disparidades significativas en el diagnóstico y la presentación clínica de la depresión en distintas poblaciones lingüísticas. La detección de la depresión basada en el habla funciona bien de manera monolingüe, pero la generalización interlingüística sigue siendo un desafío abierto. Una razón clave es que los trabajos previos utilizan divisiones aleatorias a nivel de segmento sin agrupar por hablante, lo que provoca una fuga de identidad que infla las métricas reportadas. Proponemos CLeaD, un marco de alineación contrastiva supervisada que mapea las incrustaciones de WavLM del inglés y el mandarín en un espacio clínico compartido, sin necesidad de datos paralelos ni ajuste fino en el idioma de destino. Al evaluar a 52 hablantes de mandarín, la alineación contrastiva supera modestamente la línea base (F1: 0,640 frente a 0,622) bajo una evaluación de dejar un hablante fuera. También mejora la sensibilidad de la clase deprimida en las capas intermedias (7-8), aunque el tamaño reducido del conjunto de prueba limita la generalización. Dos hallazgos se mantienen robustos: el escalado del modelo degrada el rendimiento interlingüístico mientras mejora el inglés monolingüe, y la fuga de identidad del hablante infló artificialmente las puntuaciones F1 previamente reportadas para el mandarín hasta 0,954, un artefacto que reproducimos y cuantificamos.

English

Significant disparities exist in the diagnosis and clinical presentation of depression across different linguistic populations. Speech-based depression detection performs well monolingually, but cross-lingual generalization remains an open challenge. A key reason is that prior work uses segment-level random splits without speaker grouping, leading to identity leakage that inflates reported metrics. We propose CLeaD, a supervised contrastive alignment framework that maps WavLM embeddings from English and Mandarin into a shared clinical space, without parallel data or target-language fine-tuning. Evaluating 52 Mandarin speakers, contrastive alignment modestly outperforms the baseline (F1: 0.640 vs. 0.622) under leave-one-speaker-out evaluation. It also improves depressed-class recall at intermediate layers (7-8), though the small test set limits generalizability. Two findings remain robust: model scaling degrades cross-lingual performance while improving monolingual English, and speaker identity leakage artificially inflated previously reported Mandarin F1 scores to 0.954, an artifact we reproduce and quantify.