ویرگول
ورودثبت نام
شکفته
شکفتهIntelligent Sound Processing Laboratory (ISP-Lab) facultymembers.sbu.ac.ir/shekofteh/isp-lab
شکفته
شکفته
خواندن ۵ دقیقه·۲ ماه پیش

ناروانی گفتار (Speech Disfluency) از منظر بالینی، درمانی و مهندسی

Breaks or disruptions that occur in the flow of speech are labelled “disfluencies.” All speakers may experience disfluent events, especially under certain conditions, such as nervousness, stress, fatigue or complexity of language. Stuttering, on the other hand, is a different type of disfluency.
Breaks or disruptions that occur in the flow of speech are labelled “disfluencies.” All speakers may experience disfluent events, especially under certain conditions, such as nervousness, stress, fatigue or complexity of language. Stuttering, on the other hand, is a different type of disfluency.

ناروانی گفتار (Speech Disfluency) به هرگونه وقفه، مکث، تکرار یا شکست غیرعادی در جریان پیوسته و طبیعی گفتار (Fluency) اطلاق می‌شود. این پدیده هم در گفتار طبیعی روزمره افراد سالم (به‌عنوان بخشی از فرآیند شناختی برنامه‌ریزی زبانی) و هم در قالب اختلالات گفتاری (مانند لکنت زبان یا ناروانی‌های ناشی از آسیب‌های عصبی) رخ می‌دهد.

در حوزه پردازش سیگنال گفتار (Speech Processing)، پردازش زبان طبیعی (NLP) و زبان‌شناسی شناختی، مطالعه Disfluency از اهمیت بالایی برخوردار است؛ زیرا گفتار محاوره‌ای (Conversational Speech) برخلاف گفتار خوانده‌شده (Read Speech) پر از این نوع وقایع است.

۱. ساختار استاندارد یک ناروانی (Shriberg's Model)

الیزابت شرایبرگ (Elizabeth Shriberg) در پژوهش‌های بنیادین خود، ساختار استاندارد یک رخداد ناروانی در گفتار را به سه جزء اصلی تقسیم می‌کند:

[Reparandum]+{Interregnum}+Repair

1. Reparandum (بخش خطادار یا نیازمند اصلاح): کلمه یا بخشی از کلام که گوینده قصد دارد آن را بازگو یا تصحیح کند (مثلاً کلمه‌ای که اشتباه ادا شده یا تکرار می‌شود).

2. Interregnum (مکث یا پرکننده): نقطه وقفه که معمولاً شامل مکث سکوت (Silent Pause) یا یک پرکننده واژگانی/صوتی (Filler مانند "uh" یا "umm" یا در فارسی «امم»، «خب») است.

3. Repair (اصلاحیه): کلمه یا عبارتی که جایگزین بخش خطادار می‌شود یا ادامه زنجیره کلام است.

مثال: «ما فردا به سمت [تهران] + {یعنی، امم} + مشهد حرکت می‌کنیم.»

۲. دسته‌بندی انواع Disfluency

ناروانی‌ها معمولاً به دو دسته عمده تقسیم می‌شوند:

الف) ناروانی‌های معمولی/طبیعی (Normal / Non-Stuttering-Like Disfluencies)

این نوع وقایع ناشی از پردازش مغزی برای انتخاب واژگان (Lexical Retrieval) یا بازطراحی ساختار جمله است و نشانه اختلال بالینی نیست:

* واژه‌های پرکننده / پرکننده‌های آوایی (Filled Pauses): اصواتی مثل uh, um, er یا در فارسی «عه»، «امم».

* تکرار عبارت یا کل کلمه (Phrase/Whole-Word Repetition): مانند «من رفتم... من رفتم دانشگاه».

* بازنگری یا اصلاح خودکار (Revision / Self-Correction): گوینده محتوا یا گرامر را اصلاح می‌کند؛ مانند «او پنجره را باز... بست».

* مکث‌های طولانی غیرسیستماتیک (Unfilled/Silent Pauses): سکوت‌هایی خارج از مرزهای نحوی (Syntactic Boundaries).

ب) ناروانی‌های شبیه لکنت (Stuttering-Like Disfluencies - SLD)

این دسته بیشتر جنبه بالینی و اختلال حرکتی-گفتاری دارند:

* تکرار بخشی از کلمه یا تک‌سیلاب (Part-word repetition): مانند «بـ - بـ - باران».

* کشیده‌گویی (Prolongation): کشیده شدن غیرطبیعی یک واج صامت یا مصوت، مانند «سسسسـلام».

* گیر یا انسداد (Block): قطع کامل جریان هوا و صدا با تنش عضلانی در اندام‌های گفتاری پیش از شروع واج.

Taxonomy of Speech Dysfluency
Taxonomy of Speech Dysfluency

۳. علائم آکوستیکی و مشخصه‌های سیگنالی ناروانی گفتار

در پردازش سیگنال و استخراج ویژگی برای تشخیص Disfluency، ویژگی‌های آکوستیکی و زمانی زیر بررسی می‌شوند:

* طول و الگوی مکث‌ها (Pause Duration & Patterns): توزیع زمانی مکث‌های صوتی و غیرصوتی در سیگنال گفتار.

* دیرش واجی (Segmental Duration): افزایش ناگهانی طول واج‌ها (نشان‌دهنده Prolongation).

* پایداری کانتور F0 (Pitch Contour): پرکننده‌هایی مثل um معمولاً کانتور فرکانس پایه بسیار صاف و یکنواختی (Flat F0) دارند که آن‌ها را از واژگان معنادار متمایز می‌کند.

* مشخصات طیفی (Spectral Features): پرکننده‌های آوایی دارای فرکانس‌های فرمنتی (سازه) نسبتاً ثابت (F_1 و F_2) و ساختار فرمانی پایدار در مقایسه با گفتار متصل هستند.

* انرژی و انرژی نسبی (RMS Energy / Short-Time Energy): وجود وقفه‌های انرژی نزدیک به صفر ناگهانی یا تغییرات جهشی انرژی در مرز بخش‌های تکرارشده.

Speech Dysfluency Acoustic Analysis
Speech Dysfluency Acoustic Analysis

۴. کاربردها و چالش‌ها در مهندسی، پردازش گفتار و هوش مصنوعی

1. سیستم‌های تشخیص خودکار گفتار (ASR):

* گفتار محاوره‌ای پر از Disfluency است. مدل‌های ASR باید بتوانند این پدیده‌ها را شناسایی کرده و در متن خروجی تصحیح کنند (مثلاً حذف فیلرها یا بازنویسی جملات تصحیح‌شده برای خوانایی بهتر متن).

2. پالایش متن برای NLP (Disfluency Detection & Removal):

* در پردازش متن خروجی ASR، استفاده از مدل‌های مبتنی بر Transformer (مثل BERT/RoBERTa یا معماری‌های Sequence-to-Sequence) برای شناسایی بخش‌های Reparandum و پاک‌سازی متن جهت ارسال به سیستم‌های ترجمه ماشینی یا خلاصه‌سازی.

3. ارزیابی خودکار و غربالگری پزشکی (Clinical Assessment):

* پایش خودکار پیشرفت بیماران دارای لکنت زبان، ارزیابی اختلالات شناختی زودهنگام (مانند تشخیص زوال عقل یا آلزایمر از طریق افزایش ناگهانی نرخ ناروانی‌ها و مکث‌ها).

4. سنتز گفتار طبیعی (TTS):

* در سیستم‌های پیشرفته TTS محاوره‌ای (Conversational TTS)، برای اینکه خروجی طبیعی و انسان‌گونه به نظر برسد، گاهی به صورت کنترل‌شده فیلرها و مکث‌های طبیعی به گفتار سنتز‌شده تزریق می‌شوند.

5- اتیولوژی و شواهد تصویربرداری عصبی

مطالعات fMRI و DTI (تصویربرداری تنسور انتشار) الگوهای مشخصی از ناهنجاری ساختاری و عملکردی را برای ناروانی گفتار نشان داده‌اند:

  • نقص در مدار قشری-جسم مخطط-تالاموس-قشری (Corticostriatal-Thalamocortical Loop): اختلال در تنظیم زمان‌بندی حرکات حنجره و زبان در گانگلیون‌های پایه‌ای.

  • نابرابری نیمکره‌ای (Hemispheric Asymmetry): بیش‌فعالی جبرانی در نیمکره راست (نواحی هم‌ارز بروکای راست) و کاهش میلین‌دار شدن دسته تارهای کمانه‌ای (Arcuate Fasciculus) چپ که رابط مراکز درک و تولید زبان (ورنیکه و بروکا) است.

  • بیومارکر زوال عقل (Dementia/Alzheimer’s): ناروانی‌های غیرلکنت‌گونه (افزایش ناگهانی مکث‌های طولانی، واژه‌های پرکننده و نرخ پایین پاسخ) نخستین نشانه افت واژه‌یابی در بیماری آلزایمر و آفازی پیش‌رونده اولیه (PPA) محسوب می‌شوند.

Neurobiology of Speech Dysfluency & Neuroimaging
Neurobiology of Speech Dysfluency & Neuroimaging

6. روش‌های درمانی و توان‌بخشی (Therapeutics)

درمان بسته به سن و اتیولوژی شامل رویکردهای رفتاری، دارویی و مبتنی بر فناوری است:

  1. رویکردهای رفتاری و گفتاردرمانی (Speech-Language Pathology):

    • رویکرد شکل‌دهی روانی (Fluency Shaping): بازآموزی الگوی تولید گفتار، شامل شروع نرم صوتی (Gentle Onset)، تماس ملایم اندام‌های گفتاری (Light Articulatory Contacts)، و کنترل تنفس دیافراگمی.

    • اصلاح لکنت (Stuttering Modification - رویکرد ون‌ریپر): حساسیت‌زدایی روانی، خروج کنترل‌شده از قفل‌ها (Pull-outs) و لغو یا تکرار آرام پس از گیر (Cancellations).

    • برنامه کمبرداون (Camperdown Program) و لیدکامب (Lidcombe): روش‌های استاندارد شرطی‌سازی عاملی و تمرین گفتار کشیده با هدف‌گذاری نرخ روانی در کلینیک و خانه.

  2. درمان‌های فناورانه و تحریک حسی:

    • فیدبک شنیداری تغییریافته (AAF): شامل فیدبک با تأخیر (DAF) و فیدبک انتقال فرکانسی (FAF) که بر مبنای اثر کُرال (Choral Effect) روانی گفتار را موقتاً بازیابی می‌کنند.

Intelligent Sound Processing Laboratory (ISP-Lab), Faculty of Computer Science and Engineering, Shahid Beheshti University, Tehran, Iran
Intelligent Sound Processing Laboratory (ISP-Lab), Faculty of Computer Science and Engineering, Shahid Beheshti University, Tehran, Iran

مراجع (References)

  • [1] Brown, S., Ingham, R. J., Ingham, J. C., Laird, A. R., & Fox, P. T. (2005). Stuttered and fluent speech production: An ALE meta-analysis of functional neuroimaging studies. Human Brain Mapping, 25(1), 105-117.

  • [2] Lincoln, M., Packman, A., & Onslow, M. (2006). Altered auditory feedback and the treatment of stuttering: A review. Journal of Speech, Language, and Hearing Research, 49(4), 770-786.

  • [3] Baevski, A., Zhou, Y., Mohamed, A., & Auli, M. (2020). wav2vec 2.0: A framework for self-supervised learning of speech representations. Advances in Neural Information Processing Systems (NeurIPS), 33, 12449-12460.

  • [4] Shriberg, E. (1994). Preliminaries to a theory of speech disfluencies. Ph.D. dissertation, Stanford University.

  • [5] Lea, C., Mitra, V., Joshi, A., et al. (2021). SEP-28k: A Dataset for Stuttering Event Detection from Podcasts with People Who Stutter. Proceedings of Interspeech 2021, 676-680.

  • [6] Zayats, V., & Ostendorf, M. (2018). Conversation-based human-machine interaction: Disfluency detection in speech. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 26(9), 1580-1591.

پردازش گفتارهوش مصنوعی
۷
۰
شکفته
شکفته
Intelligent Sound Processing Laboratory (ISP-Lab) facultymembers.sbu.ac.ir/shekofteh/isp-lab
شاید از این پست‌ها خوشتان بیاید