该论文提出了一种多级隐私保护框架，用于从语音中进行痴呆症检测，同时防止说话人身份泄露。现有方法通常只解决单一威胁（如仅信号级或特征级），且难以平衡隐私保护与检测效用。本文设计的框架针对两种窃听向量：在信号级，提出累积信号攻击（CSA），通过在关键词对齐区域集中添加扰动，最大化语音转录错误率（词错误率WER=1.00），同时保留关键的韵律生物标志物；在特征级，利用梯度反转层（GRL）结合互信息（MI）引导的噪声注入，抑制说话人判别性维度，同时保留与痴呆症相关的诊断结构。在DementiaBank Pitt语料库上评估，框架在说话人识别任务上达到接近随机水平（等错误率EER=0.59，F1=0.003），同时保持较好的痴呆症分类性能（F1=0.78，AUC=0.86）。实验表明，该框架有效解决了隐私-效用权衡问题，为敏感医疗语音数据的安全利用提供了新思路。