在运动神经元疾病中，用于构音障碍评估的全球性（整体）声学特征与局部性（特定区域）声学特征

自动元音分割与全局/分段子音特征在肌萎缩侧索硬化症构音障碍评估中的应用研究。通过对比全局和分段子音特征在104名MND患者与99名健康对照中的检测与分类效果，发现分段子音特征在严重程度分类中表现更优，而全局特征在检测中更有效。MFA的元音分割准确率达86%以上，但在晚期患者中降至72%。SHAP分析显示F2斜率、元音空间面积等特征对分类影响显著，且分段子音特征与临床评分强相关。

　　
本研究针对运动神经元疾病（MND）患者发音障碍的评估方法进行了系统性探索，重点比较了基于全局发音特征与自动分段提取的段面式发音特征在疾病检测与严重程度分类中的效能差异。通过整合人工智能技术与临床语音评估标准，研究为构建自动化发音障碍评估系统提供了重要参考。

### 一、研究背景与意义
运动神经元疾病（MND）患者中约25%-30%存在发音障碍，传统评估方法依赖专家主观判断，存在效率低、一致性差的问题。虽然已有研究验证了发音特征分析的客观性，但手动分段操作限制了其临床应用。本研究创新性地采用蒙特利尔强迫对齐器（MFA）实现自动元音分段，并构建了包含20项全局特征和24项段面式特征的评估体系，通过对比分析揭示不同特征集的适用场景。

### 二、方法设计
研究团队收集了203名受试者的语音数据（104名MND患者+99名健康对照），采用标准化语料《竹简段落》进行录音，录音设备包含48kHz/44.1kHz双采样规格。数据预处理包括：
1. **自动元音分段**：基于MFA工具（预训练于LibriSpeech数据集），在±100ms容差范围内实现元音边界自动识别。验证显示，在9个标准词汇的测试集上，MFA对早期患者（72%-90%准确率）和健康人群（72%-89%准确率）的识别效果符合临床需求，但对晚期患者（准确率72%）存在性能衰减。
2. **特征提取体系**：
- **全局特征**：覆盖整个有音段（voiced segments）的20项指标，包括基频均值（F0）、共振峰标准差（F1/F2 std）、谱熵等。这些特征主要反映整体发声质量。
- **段面特征**：基于自动分段的元音提取24项指标，包含动态共振峰斜率（ΔF2）、元音空间面积（VSA）、离散度等精细语音参数。特别引入了通过标准化处理后的"平均F2斜率"等指标，强化对发音运动控制的敏感度。
3. **机器学习架构**：采用四类集成学习模型（决策树、随机森林、XGBoost、LightGBM），通过10折交叉验证平衡数据分布。针对类别不平衡问题，应用合成少数过采样技术（SMOTE）进行数据增强，同时采用迭代插补法处理缺失值。

### 三、关键研究发现
#### （一）MFA自动分段的临床适用性
1. **性能表现**：在健康对照组中，MFA的100ms容差下准确率达89%，但对晚期患者（严重运动神经损伤）的准确率降至72%。这种衰减趋势与Mathad等（2022）关于发音障碍程度与自动识别误差率正相关的发现一致。
2. **误差分析**：经人工复核发现，主要误差源于：
- 普通话与英语发音习惯差异（如鼻音韵母处理）
- 语音疲劳导致的共振峰偏移（F2频率漂移达±15%）
- 咬字不清晰导致的边界模糊（平均误差34ms）

#### （二）特征集效能对比
1. **疾病检测任务**：
- 全局特征在XGBoost模型中表现最优（准确率94%±5%），显著优于段面特征（87%±7%）
- 特征差异：全局特征侧重整体发声质量（如谱熵值HC组3.53 vs 患者组3.28，p<0.001），而段面特征在早期阶段检测中存在特异性优势（如F2动态斜率差异达-0.67）

2. **严重程度分类**：
- 段面特征表现全面优于全局特征（随机森林模型分类准确率76% vs 全局特征55%）
- 关键段面特征：
* **元音空间面积（VSA）**：健康组（97,083±45,835）vs 晚期组（69,829±34,267），Z值-3.21（p<0.001）
* **动态F2斜率**：随疾病进展呈现线性下降（r=-0.87，p<0.001）
* **持续时间离散度（VarcoV）**：健康组（66.30±7.24）vs 晚期组（64.54±6.78），p=0.006

3. **统计验证**：
- 替换检验显示，全局特征在检测任务中具有5%以上的稳定优势（p=0.012）
- 段面特征在严重程度分类中展现出更强的区分能力（7项显著特征 vs 全局特征的4项）

#### （三）特征重要性解析
通过SHAP值分析揭示：
1. **全局特征主导检测**：
- 谱特征（如谱熵、谱峰突出度）贡献度达58%
- 基频稳定性（F0 std）对健康-患者界别的贡献率最高（23%）
2. **段面特征在分类中更具临床价值**：
- 动态F2斜率（ΔF2）对严重程度分层的贡献度达31%
- 元音离散度（Back Dispersion）与健康组的差异达Z=2.97（p=0.003）
- 普通话特有的"四声参数"（声调持续时间标准差）在段面特征中新增显著指标（p=0.017）

### 四、创新突破与临床启示
1. **技术整合创新**：
- 首次将MFA与SHAP可解释性分析结合，建立"自动分段-特征提取-模型解释"的完整链条
- 开发双流数据处理架构（全局/段面并行处理），使特征提取效率提升40%

2. **临床应用价值**：
- 建立三级预警机制：
* 早期筛查（段面特征F1均值差异达-0.41，p<0.001）
* 进展监测（动态F2斜率r=-0.87，AUC=0.93）
* 严重程度评估（VSA四声参数组合AUC=0.89）
- 开发标准化评估协议：
* 包含12项核心段面特征（如平均F2斜率、四声离散度）
* 建立跨疾病亚型的特征权重动态调整模型

3. **技术局限与改进方向**：
- MFA在晚期患者中的性能衰减（准确率72%→95%），需开发基于迁移学习的轻量化修正模型
- 普通话段面特征提取存在15%的参数缺失，建议补充声调能量分布特征
- 当前模型对混合型发音障碍（如肌张力障碍型）识别准确率（82%±6%）仍需提升

### 五、研究展望
1. **多模态融合**：结合运动传感器数据（如喉部肌电信号）构建多模态特征空间
2. **动态评估体系**：开发基于时间序列分析的严重程度预测模型
3. **临床验证拓展**：建议在超早期（pre-symptomatic）和终末期患者中开展前瞻性研究

本研究通过构建全球-段面双轨特征体系，首次系统验证了自动元音分段技术在发音障碍评估中的临床适用性。其核心结论表明：在疾病检测阶段，传统全局特征仍具优势；但在严重程度分类中，段面特征（特别是元音动态参数）展现出更强的病理特征敏感性。该成果为开发新一代智能化发音评估系统奠定了理论基础，特别为早期干预和病程监测提供了可量化的技术标准。