Automatická analýza řečové diadochokinetické úlohy znělých konzonant pro hodnocení artikulace pacientů s roztroušenou sklerózou

Abstract

Neurodegenerativní onemocnění, jako je roztroušená skleróza (RS), často narušují motorické funkce, včetně hlasového ústrojí. Tento projekt zkoumá dysartrii u pacientů s RS, a to vývojem algoritmu pro detekci artikulačních jevů v řečových záznamech diadochokinetických (DDK) úloh, se zaměřením na dosud málo zkoumané znělé slabiky. Součástí studie byla analýza řečových záznamů od 120 pacientů s RS a 60 zdravých jedinců (HC), kteří opakovaně vyslovovali slabiky /ba/-/da/-/ga/. Z těchto záznamů byly extrahovány čtyři řečové jevy, přičemž tři z nich dosáhly vysoké přesnosti detekce 94,7 %, 74,6 % a 79,8 % při prahu 5 ms. Tyto jevy byly použity k výpočtu řečových parametrů, které sloužily k rozlišení mezi skupinami HC a RS a k natrénování SVM klasifikátoru. Při porovnání vypočtených parametrů byly zjištěny drobné rozdíly ve všech z nich, přičemž nejvýraznější byly zjištěny v rychlosti DDK a kolísavosti DDK. SVM klasifikátor ukázal význačnou úspěšnost 70,4 % při rozlišování mezi oběma skupinami. Tato studie ukazuje potenciál využití podrobné detekce artikulačních jevů a analýzy řečových rysů ke zlepšení diagnostických nástrojů pro dysartrii související s RS.

Neurodegenerative diseases, such as multiple sclerosis (MS), often impair motor functions, including the articulatory system. This project investigates dysarthria in MS patients by developing an algorithm to detect articulatory events in speech recordings of diadochokinetic (DDK) tasks, focusing on under-studied voiced syllables. The study analysed speech recordings from 120 MS patients and 60 healthy control (HC) individuals, all of whom performed steady repetitions of /ba/-/da/-/ga/ syllables. Four speech events were extracted from these recordings, achieving high detection accuracies of 94.7%, 74.6%, and 79.8% for three of the events with a 5 ms threshold. These events facilitated the calculation of six speech parameters used to differentiate between the HC and MS groups and to train a Support Vector Machine (SVM) classifier. The comparative analysis revealed minor differences across all calculated features, with the most significant distinctions found in DDK rate and DDK fluctuation. The SVM classifier demonstrated a notable success rate of 70.4% in distinguishing between the two groups. This study underscores the potential of using detailed articulatory event detection and speech feature analysis to improve diagnostic tools for MS-related dysarthria.