Интересное сегодня
Детские предикторы благотворительности и помощи в 22 странах
Введение Прогрессивные действия, которые добровольно приносят пользу другим, играют важную роль в ра...
Как мозг синхронизирует звук и зрение: исследования временно...
Как мозг объединяет звук и зрение Наш мозг бесшовно интегрирует визуальную и слуховую информацию, со...
Влияние виртуальных конечностей на ощущение владения телом: ...
Эффекты виртуальных конечностей на время возникновения и продолжительность иллюзорного владения тело...
Кто тяжелее переживает расставание: мужчины или женщины?
Кто тяжелее переживает расставание: мужчины или женщины? Когда отношения заканчиваются, это не прост...
Маскировка при аутизме: влияет ли она на психическое здоровь...
Маскировка при аутизме: новый взгляд на связь с психическим здоровьем Многие аутичные люди чувствуют...
Как мозг обрабатывает визуальную информацию для навигации: и...
Введение Даже при кратком взгляде на сцену человек быстро извлекает многоуровневую визуальную информ...
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