这意味着要确定最主要和最具区分性的特征。卢森堡研究人员解释说：“正确的特征选择在很大程度上取决于语音障碍、疾病和语音记录类型。”“例如，从持续元音发声或双向运动记录中提取的声学特征[双向运动任务包括快速重复结合闭塞音和元音的音节，如/pa/]在检测帕金森病 南非电报数据库 方面很常见，而从自发或半自发语音中提取的语言特征可能是评估阿尔茨海默病或精神健康障碍的更合适选择。”
然后可以训练深度或机器学习算法来预测或自动分类各种情况
单独使用这些声音参数或将它们与其他数据（ 数据 – 即人体测量值 – 临床数据或流行病学数据）相结合。在大多数情况下，监督学习算法被用作预测模型，但作者强调迁移学习是一种很有前途的方法。
监测新冠肺炎疫情
2020 年，人们开展了大量试验，希望通过声音来检测和监测 COVID-19 的演变，尤其是在以色列，由国防部支持的初创公司 Vocalis Health 与医院和 为什么要参加 向行业专家学习 学术机构合作。研究人员从住院患者和志愿者（包括患病和健康的患者）那里收集了声音样本，他们通过移动应用程序发送音频数据。然后，借助算法对这些样本进行分析，以识别用于检测疾病 香港领先 症状和患者健康状况恶化的“独特声纹”。剑桥大学和卢森堡健康研究所也在开展类似的项目。