Автоматический анализ заикания: новый метод оценки речевой беглости

Введение

Развивающееся заикание — это расстройство коммуникации, характеризующееся явными проявлениями заикания, такими как блоки, повторения и пролонгации во время производства речи. Точное измерение этих проявлений может помочь в диагностической оценке, определении оптимального курса лечения и отслеживании прогресса в терапии.

Проблемы субъективной оценки

Способность логопедов (SLP — Speech-Language Pathologist) оценивать тяжесть заикания через субъективную идентификацию его проявлений долгое время подвергалась сомнению как в теории, так и на практике. Основные проблемы включают:

• Концептуальную неопределённость проявлений заикания
• Низкую надёжность между экспертами
• Различия в методах количественной оценки

«Любая мера тяжести заикания, требующая идентификации моментов заикания слушателем, основана на оценочном процессе, подверженном таким неконтролируемым переменным, как стандарты, определения или критерии человека, проводящего идентификацию» (Bloodstein & Ratner, 2007).

Методы исследования

Участники

В исследовании участвовали 35 англоговорящих участников: 17 взрослых с заиканием (AWS — Adults Who Stutter) и 18 взрослых без заикания (AWNS — Adults Who Do Not Stutter). Все участники читали вслух стандартный текст из 236 слов.

Методика ATAS

Автоматический временной анализ речи (ATAS — Automatic Temporal Analysis of Speech) — это новый метод, разработанный для количественной оценки:

• Скорости речи (слов в минуту)
• Общего времени пауз
• Количества пауз
• Средней продолжительности пауз и голосовых событий
• Вариабельности продолжительности пауз и голосовых событий

Статистический анализ

Для анализа данных использовались:

• Модели машинного обучения (деревья решений, случайный лес)
• Модель долгой краткосрочной памяти (LSTM — Long Short-Term Memory)
• Коррекция Бенджамини-Хохберга для множественного тестирования

Результаты

Основные различия между группами

Результаты показали значимые различия между AWS и AWNS:

• AWS демонстрировали более медленную скорость речи (в среднем на 20 слов в минуту меньше)
• У AWS было больше пауз (особенно длинных >150 мс)
• Общее время пауз у AWS было значительно больше
• Вариабельность продолжительности голосовых событий у AWS была выше

Корреляции с тяжестью заикания

Метрики ATAS показали сильную корреляцию с процентом заикающихся слогов (%SS):

• Отрицательная корреляция со скоростью речи (r = -0.72)
• Положительная корреляция с количеством длинных пауз (r = 0.81)

Точность классификации

Модели машинного обучения показали:

• Точность случайного леса — 85.71%
• Точность LSTM модели — около 75%
• F1-меры выше 0.60

Обсуждение

Клиническое значение

ATAS предлагает объективный метод оценки беглости речи, который может:

• Дополнить традиционные методы оценки
• Повысить согласованность между клиницистами
• Обеспечить визуализацию речевых паттернов

Ограничения

Основные ограничения исследования:

• Анализ только чтения вслух
• Неразличение типов пауз (молчаливые, дыхательные, заполненные)
• Относительно небольшая выборка

Заключение

ATAS демонстрирует потенциал как объективный метод оценки заикания. Ключевые выводы:

• Длительные паузы (>150 мс) — важный маркер заикания
• Автоматическая классификация возможна с точностью до 85%
• Метод может быть полезен для клинической практики и исследований