ارزیابی پردازش زمانی شنوایی در کودکان مبتلا به لکنت رشدی

Auditory temporal processing assessment in children with developmental stuttering

چکیده

1 مقدمه

2 روش ها

3 نتایج

4 بحث

منابع

چکیده
هدف: لکنت یک اختلال رشدی تولید گفتار با طبیعتی پویا و چندعاملی است. نظریات علمی نقش اختلال پردازش شنیداری را در لکنت توضیح داده اند. بررسی پردازش شنیداری در لکنت، رهنمون‌هایی در ارتباط با سازوکارهای لکنت به دست خواهد داد. جزئیات پردازش شنوایی پایه در کودکان دچار لکنت (CWS) همچنان نامعین است. این مطالعه درصدد بررسی پردازش زمانی شنیداری (ATP) در کودکان دچار لکنت و رابطه ی آن با شدت لکنت می باشد.

روش‌ها: شرکت کنندگان این مطالعه مقایسه‌ای مقطعی، 54 کودک دچار لکنت و 63 کودک فاقد لکنت (CWOS) بودند. تمامی کودکان بین سنین 7 تا 12 سال قرار داشتند. قابلیت پردازش زمانی شنیداری شرکت کنندگان با استفاده از آزمون های نهان سازی در برگردان (BM)، الگوی استمرار (DP) و وقفه در همهمه(نویز) (GIN) اندازه‌گیری گردید. سپس، گروه ها از نظر نتایج پردازش زمانی شنیداری مورد مقایسه قرار گرفتند. همبستگی میان امتیازات این آزمون ها و شدت لکنت ارزیابی گردید.

نتایج: براساس نتایج، کودکان دچار لکنت نسبت به کودکان فاقد لکنت عملکرد ضعیف تری در آزمون های DP، BM و GIN نشان دادند. به علاوه، شدت لکنت همبستگی معکوس معناداری با امتیازات آزمون الگوی استمرار و درصد امتیازات شناسایی صحیح در آزمون وقفه در نویز، و در عین حال همبستگی مستقیم معناداری با آستانه‌های آزمون وارون نگاری صوتی از خود نشان داده است.

جمع بندی ها: نتایج حاکی از آن است که برخی از کودکان دچار لکنت دچار اختلال پردازش زمانی شنیداری هستند که این امر می توانند لکنت آنان را تشدید نماید. این یافته ها به نقش اختلال پردازش زمانی شنیداری در لکنت تاکید دارند.

2- روش ها

2-1 سوژه ها

     این مطالعه بر روی 54 کودک دچار لکنت (گروه CWS) و 63 کودک فاقد لکنت (گروه کنترل) صورت گرفت. به علاوه، 7/90% از گروه CWS و 7/93% از گروه کنترل، پسر بودند. گروه CWS از بیمارستان مرکز پزشکی اطفال و کلینیک های خصوصی زبان و گفتاردرمانی در تهران، با روش نمونه گیری مطلوب گزیش شدند. گروه کنترل نیز از مدارس گوناگون در تهران و از میان کودکان واجد شرایط انتخاب گردیدند. هردو گروه از نظر سن و جنسیت تطبیق داده شده و کوشش شده است که آنها همچنین از نظر وضعیت اجتماعی اقتصادی مطابقت یابند[13و19].

     معیار های ورود برای گروه CWS عبارت بودند از: 1) تشخیص لکنت توسط یک درمانگر زبان و گفتار مجرب در مراکز پیش تر ذکرشده و نیز به کمک ابزار شدت سنجی لکنت- 3 (با امتیاز بسیار خفیف)؛ 2) محدوده سنی بین 7 و 12 سال؛ 3) آستانه شنوایی سنجی لحن خالص در محدوده های نرمال (بیشتر از 20 دسی بل سطح شنیداری) برای مسیرهای هدایت هوا-استخوان در فرکانس 8000-250 هرتز؛ 4) معاینه گوش نرمال؛ 5) بهره هوشی نرمال (بیشتر یا مساوی 85 در مقیاس هوشی بازبینی شده وکسلر برای کودکان [20] که توسط یک روان شناس ارزیابی شده باشد؛ 6) راست دست بودن (با استفاده از پرسش نامه‌ی دست‌برتریِ ادینبورگ)؛ 7) به زبان بومی فارسی صحبت کردن؛ 8) بدون سابقه دریافت داروهایی که سیستم اعصاب مرکزی را تحت تاثیر قرار می دهند، مشکلات عصب شناختی، مشکلات روان شناختی، ضربه به سر، جراحی گوش و بیماری های گوش برمبنای گزارشات شخصی، نقص زبان و یادگیری طبق نظر آسیب شناس زبان-گفتار، و بیش فعالی برمبنای تشخیص روان شناس؛ 9) بدون هیچ گونه فعالیت ادراکی، مانند فعالیت های مربوط به موسیقی؛ و 10) سطح تحصیلات مادر بین سنین 12 تا 16 سالگی و امتیاز هالینگزهد بین 4 تا 6 [47].

     معیارهای ورود برای گروه کنترل (کودکان فاقد لکنت) عبارت بودند از: 1) گفتار فصیح بدون هیچگونه نشانه فیزیکی اشاره شده توسط ابزار شدت سنجی لکنت-3 برمبنای گزارشات والدین و آموزگاران؛ 2) موارد 10-2 اشاره شده در بالا؛ 3) فاقد اختلال پردازش شنوایی (APD) برمبنای پرسشنامه حیطه پردازش شنوایی (APDQ)[21].

مدلینگ مخفی مارکوف واکنش به فرکانس جهت تن لغوی ماندارین

Hidden Markov Modeling of Frequency-Following Responses to Mandarin Lexical Tones

نکات برجسته

چکیده

1. مقدمه

2. روش ها

2.1. شرکت کنندگان

2.2. محرک

2.3. کسب داده های الکتروفیزیولوژیک

2.4. پیش پردازش داده های الکتروفیزیولوژیک

3. مدلسازی مخفی مارکوف الگوسازی گام عصبی

3.1. روند استخراج F0

3.2. 2 توپولوژی تصادفی و کمّی سازی بردار

3.3. آموزش، آزمون، و اعتبارسنجی متقابل

3.4. روش میانگین گیری

3.5 دستکاری در اندازه آموزش، آزمون و میانگین گیری

3.6. صحت و دقت رمزگشایی تُن در طی زمان

4. تجزیه و تحلیل آماری و نتایج

4.1 اعتبارسنجی مجموعه داده های FFR

4.2. صحت و دقت رمزگشایی تُن

4.3. تفاوت های گروه زبانی

4.4. صحت و دقت رمزگشایی تُن در طی زمان

5. بحث کلی

5.1. نتایج و نقش آفرینی های عمده

5.2. انعطاف پذیری عصبی وابسته به زبان

5.3. صحت و دقت رمزگشایی تُن در طی زمان

5.4. نتیجه گیری و جهت گیری های آتی

قدردانی

معیارهای اخلاقی

تضاد منافع

چکیده

سابقه. پاسخ به فرکانس (FFR) پتانسیل الکتروفیزیولوژیک ثبت شده توسط پوست سر می باشد که منعکس کننده فعالیت قفل شده فاز از گروه های عصبی در سیستم شنوایی است. از FFR اغلب برای ارزیابی استحکام پردازش گام زیرقشری استفاده می شود. با توجه به نسبت کم سیگنال به نویز در سطح تک آزمون، FFR معمولاً میانگین هزاران تکرار محرک می باشد. کار پیشین با استفاده از رویکرد مزبور نشان داد که رمزگذاری زیرقشری الگوهای گام زبانی مربوطه توسط تجربیات زبانی درازمدت تعدیل شده اند. روش جدید. ما به بررسی میزان بکارگیری رویکرد یادگیری ماشینی با استفاده از مدلسازی مخفی مارکوف (HMM) برای رمزگشایی دسته بندی های تُن ماندارین از روی فعالیت الکتروفیزیولوژیکی ثبت شده توسط پوست سر می پردازیم. پس از آن میزان ثبت اثرات بیولوژیکی مربوطه (انعطاف پذیری مبتنی بر تجربه زبانی) توسط HMM را ارزیابی می نماییم. بدین منظور، ما FFR را برای چهار تُن ماندارین از 14 چینی زبان بزرگسال بومی و از 14 انگلیسی زبان بزرگسال بومی ثبت نمودیم. ما یک HMM را برای رمزگشایی دسته بندی های تُن از FFR با اندازه میانگین مختلف آماده نمودیم. نتایج و مقایسه با روش های موجود. دسته بندی های تُن با استفاده از HMM با احتمال صحت و دقت بالا رمزگشایی شدند. مقیاس مشتق از HMM (صحت و دقت رمزگشایی) اثر قدرتمند تجربیات زبانی را آشکار ساخت به طوری که FFR حاصل از چینی زبانان بومی دارای صحت و دقت بیشتری از انگلیسی زبانان بومی بود. به صورت خاص، انعطاف پذیری مبتنی بر تجربه زبانی اخذ شده با اندازه میانگین به صورت معنی داری کمتر از میزان استفاده شده آن در ادبیات موجود بود. نتیجه گیری ها. نتایج ما امکان پذیری HMM را در ارزیابی استحکام گام های عصبی نشان داد. رویکردهای یادگیری ماشینی می توانند مکمل روش های تحلیلی موجود باشند که کارکرد شنوایی را به دست آورده و می توانند تعداد آزمایشات مورد نیاز برای اخذ پدیده های بیولوژیکی را کاهش دهند.

5.4. نتیجه گیری و جهت گیری های آتی

نتایج ما امکان پذیری رویکردهای یادگیری ماشینی را برای توصیف FFR نشان داد که یک نشانگر زیستی نویدبخش برای کارکرد شنوایی محسوب می شود (چاندراسکاران و کراوس، 2010؛ چاندراسکاران و همکاران، 2012؛ چاندراسکاران، اسکو، و کراوس، 2014). نکته مهم آنکه، مطالعه ما نشان داد که مقیاس های مشتق از یادگیری ماشینی می توانند تاثیرات بیولوژیکی مربوطه را در پردازش شنیداری منعکس نمایند. یکی از یافته های ارزشمند آن است که رویکرد یادگیری ماشینی مزبور را می توان برای تعیین کمیت FFR با تعداد آزمون های پایین تر از مقدار گزارش شده در ادبیات موجود استفاده نمود. مطالعاتی که از تُن های ماندارین استفاده می کنند غالباً FFR را برای حداقل 1500 تکرار محرک ثبت می کنند (بیدلمن و همکاران، 2013؛ کریشنان و همکاران، 2010؛ کریشنان و همکاران، 2005؛ وانگ و همکاران، 2007؛ زو و همکاران، 2006). هنگامی که همه تُن ها در نظر گرفته شدند، اثر تجربه زبانی در بیش از 550 آزمایش (اندازه آموزش = 350، اندازه آزمون = 200، اندازه میانگین گیری = 100) از نظر آماری قابل اعتماد می گردد (0.01 p <). هنگامی که تنها T3 در نظر گرفته شود، این آستانه به سمت 300 آزمایش حرکت می کند (اندازه آموزش = 150، اندازه میانگین گیری = 57، اندازه آزمون = 150).

Abstract

Background. The frequency-following response (FFR) is a scalp-recorded electrophysiological potential reflecting phase-locked activity from neural ensembles in the auditory system. The FFR is often used to assess the robustness of subcortical pitch processing. Due to low signal-to-noise ratio at the single-trial level, FFRs are typically averaged across thousands of stimulus repetitions. Prior work using this approach has shown that subcortical encoding of linguistically-relevant pitch patterns is modulated by long-term language experience. New method. We examine the extent to which a machine learning approach using hidden Markov modeling (HMM) can be utilized to decode Mandarin tone-categories from scalp-record electrophysiolgical activity. We then assess the extent to which the HMM can capture biologically-relevant effects(language experience-driven plasticity). To this end, we recorded FFRs to four Mandarin tones from 14 adult native speakers of Chinese and 14 of native English. We trained a HMM to decode tone categories from the FFRs with varying size of averages. Results and comparisons with existing methods. Tone categories were decoded with above-chance accuracies using HMM. The HMM derived metric (decoding accuracy) revealed a robust effect of language experience, such that FFRs from native Chinese speakers yielded greater accuracies than native English speakers. Critically, the language experience-driven plasticity was captured with average sizessignificantly smaller than those used in the extant literature. Conclusions. Our results demonstrate the feasibility of HMM in assessing the robustness of neural pitch. Machine-learning approaches can complement extant analytical methods that capture auditory function and could reduce the number of trials needed to capture biological phenomena.

5.4 Conclusion and future directions

Our results demonstrate the feasibility of machine learning approaches to characterize the FFR, which is considered a promising biomarker of auditory function (Chandrasekaran & Kraus, 2010; Chandrasekaran et al., 2012; Chandrasekaran., Skoe, & Kraus, 2014). Importantly, our study shows that the machine learning derived metrics can reflect biologically-relevant influences on auditory processing. One important finding worth highlighting is that this machine learning approach can be used to quantify FFR with trial numbers well below those reported in the existing literature. Studies using Mandarin tones often recorded FFRs to at least 1500 stimulus repetitions (Bidelman et al., 2013; Krishnan et al., 2010; Krishnan et al., 2005; Wong et al., 2007; Xu et al., 2006). When all tones are considered, the language experience effect becomes statistically reliable (p<0.01) at or above 550 trials (training size = 350, testing size = 200, averaging size = 100). When only T3 is considered, this threshold moves to 300 trials (training size = 150, averaging size = 57, testing size = 150).

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مدلینگ مخفی مارکوف واکنش به فرکانس جهت تن لغوی ماندارین

Hidden Markov Modeling of Frequency-Following Responses to Mandarin Lexical Tones