\noindent\textbf{배경 및 목적 (Background and Objective):} 음성은 인지 기능 저하 탐지에 있어 상당한 잠재력을 가진 저비용 및 비침습적 디지털 바이오마커 (digital biomarker)로 부상했습니다. 그러나 제한된 라벨링 데이터 (labeled data)와 데이터셋 간의 변동성 (cross-dataset variability)은 견고한 음성 기반 스크리닝 시스템 구축에 있어 여전히 주요한 과제로 남아 있습니다. \par\noindent\textbf{방법 (Methods):} 우리는 음성 기반 인지 기능 저하 탐지를 위한 세그먼트 수준 (segment-level) 표현 학습 (representation learning) 프레임워크를 개발했습니다. 음성 녹음 데이터는 짧은 세그먼트로 나누어 스펙트로그램 (spectrogram) 표현으로 변환되었습니다. 데이터가 제한된 조건에서의 견고성을 향상시키기 위해, 오프라인 및 온라인 증강 (augmentation) 전략을 오토인코더 (autoencoder) 기반의 표현 학습 및 대조 학습 (contrastive learning) 목적 함수와 결합하여 판별 가능한 잠재 표현 (discriminative latent representations)을 강화했습니다. \par\noindent\textbf{결과 (Results):} 네 개의 독립적인 중국어 음성 데이터셋을 대상으로 수행된 실험 결과, 이진 분류 (binary classification) 및 3클래스 분류 (three-class classification) 작업 모두에서 안정적이고 경쟁력 있는 성능을 입증하였으며, 특히 임상적으로 까다로운 3클래스 설정에서 눈에 띄는 개선을 보였습니다. 절제 연구 (Ablation studies)를 통해 제안된 프레임워크의 효과를 추가로 확인했습니다. \par\noindent\textbf{결론 (Conclusions):} 본 연구 결과는 세그먼트 수준의 음성 표현 학습이 자원이 제한된 임상 환경에서 인지 기능 저하 스크리닝을 위한 확장 가능하고 실용적인 접근 방식을 제공할 수 있음을 시사합니다.