AI открива говорни модели при аутизъм на различни езици

Резюме: Алгоритмите за машинно обучение помагат на изследователите да идентифицират модели на реч при деца от аутистичния спектър, които са последователни между различните езици.

Източник: Северозападен университет

Ново проучване, ръководено от изследователи от Северозападния университет, използва машинно обучение – клон на изкуствения интелект – за идентифициране на модели на говор при деца с аутизъм, които са последователни между английски и кантонски, което предполага, че характеристиките на речта могат да бъдат полезен инструмент за диагностициране на състоянието.

Направено със сътрудници в Хонконг, проучването даде прозрения, които биха могли да помогнат на учените да разграничат генетичните и екологичните фактори, оформящи комуникационните способности на хората с аутизъм, като потенциално им помага да научат повече за произхода на състоянието и да разработят нови терапии.

Децата с аутизъм често говорят по-бавно от обикновено развиващите се деца и показват други разлики в височината, интонацията и ритъма. Но тези различия (наречени от изследователите „прозодични различия“) са изненадващо трудни за характеризиране по последователен, обективен начин и произходът им остава неясен от десетилетия.

Въпреки това, екип от изследователи, ръководен от северозападните учени Моли Лош и Джоузеф Си Лау, заедно с базирания в Хонконг сътрудник Патрик Вонг и неговия екип, успешно използваха контролирано машинно обучение, за да идентифицират разликите в говора, свързани с аутизма.

Данните, използвани за обучение на алгоритъма, бяха записи на млади хора, говорещи английски и кантонски със и без аутизъм, разказващи собствена версия на историята, изобразена в детска книжка с картини без думи, наречена „Жабо, къде си?“

Резултатите бяха публикувани в списанието PLOS One на 8 юни 2022г.

„Когато имате езици, които са толкова структурно различни, всички прилики в моделите на говор, наблюдавани при аутизма и на двата езика, вероятно са черти, които са силно повлияни от генетичната предразположеност към аутизма“, каза Лош, който е Джо. Ан Г. и Питър Ф. Дол, професор по обучителни затруднения в Northwestern.

“Но също толкова интересна е променливостта, която наблюдавахме, което може да сочи към характеристики на речта, които са по-гъвкави и потенциално добри цели за интервенция.”

Лау добави, че използването на машинно обучение за идентифициране на ключовите елементи на речта, които са предсказващи аутизма, представлява значителна стъпка напред за изследователите, които са били ограничени от пристрастията на английски език в изследванията на аутизма и човешката „субективност, когато става дума за класифициране на различията в говора“ между хората с аутизъм и тези без.

„Използвайки този метод, успяхме да идентифицираме характеристики на речта, които могат да предскажат диагнозата аутизъм“, каза Лау, постдокторант, работещ с Лош в отдела за комуникационни науки и разстройства на Рокселин и Ричард Пепър в Northwestern.

„Най-изявената от тези характеристики е ритъмът. Надяваме се, че това проучване може да бъде основата за бъдеща работа по аутизма, която използва машинното обучение.

Изследователите вярват, че тяхната работа има потенциал да допринесе за по-доброто разбиране на аутизма. Изкуственият интелект има потенциала да улесни диагностицирането на аутизма, като помага за намаляване на тежестта върху здравните специалисти, като прави диагностиката на аутизма достъпна за повече хора, каза Лау. Той също така може да предостави инструмент, който един ден може да надхвърли културите, поради способността на компютъра да анализира думи и звуци по количествен начин, независимо от езика.

Изследователите вярват, че тяхната работа може да предостави инструмент, който един ден може да надхвърли културите, поради способността на компютъра да анализира думи и звуци по количествен начин, независимо от езика. Изображението е публично достояние

Тъй като характеристиките на речта, идентифицирани чрез машинно обучение, включват както тези, общи за английски и кантонски, така и тези, специфични за един език, каза Лош, машинното обучение може да бъде полезно за разработване на инструменти, които не само идентифицират аспекти на речта, подходящи за терапевтични интервенции, но също така измерват ефекта от тези интервенции чрез оценка на напредъка на говорещия във времето.

И накрая, резултатите от проучването биха могли да помогнат за усилията за идентифициране и разбиране на ролята на специфични гени и механизми за обработка на мозъка, замесени в генетичната предразположеност към аутизъм, казаха авторите. В крайна сметка целта им е да създадат по-изчерпателна картина на факторите, които формират хората с говорни различия при аутизъм.

„Една мозъчна мрежа, която участва, е слуховият път на субкортикално ниво, който наистина е силно свързан с различията в начина, по който звуците на речта се обработват в мозъка от хора с аутизъм в сравнение с тези, които обикновено се развиват в различните култури“, каза Лау.

„Следваща стъпка ще бъде да се установи дали тези разлики в обработката в мозъка водят до поведенческите речеви модели, които наблюдаваме тук, и тяхната основна невронна генетика. Ние сме развълнувани от това, което ни предстои.”

Вижте също

Това показва художествена рисунка върху дърво на лицето на млада жена

Относно тази новина за изследване на AI и ASD

автор: Макс Витински
Източник: Северозападен университет
контакт: Макс Витински – Северозападен университет
Образ: Изображението е публично достояние

Оригинално изследване: Свободен достъп.
Междулингвистични модели на речеви просодични различия при аутизъм: изследване на машинното обучение”От Joseph CY Lau et al. ПЛОС ПЪРВО


абстрактно

Междулингвистични модели на речеви просодични различия при аутизъм: изследване на машинното обучение

Разликите в прозодията на речта са широко наблюдавана характеристика на разстройството на аутистичния спектър (ASD). Въпреки това, не е ясно как просодичните различия в ASD се проявяват в различните езици, които демонстрират междуезикова вариабилност в просодията.

Използвайки контролиран аналитичен подход за машинно обучение, ние изследвахме акустични характеристики, свързани с ритмичните и интонационни аспекти на прозодията, извлечени от наративни образци, извлечени на английски и кантонски, два типологически и просодически различни езика.

Нашите модели разкриха успешна класификация на диагнозата на ASD, използвайки характеристики, свързани с ритъма, в рамките на и между двата езика. Класификацията с характеристики, свързани с интонацията, беше важна за английския, но не и за кантонски.

Резултатите подчертават разликите в ритъма като ключова просодична характеристика, засегната при ASD, и също така демонстрират важна вариабилност в други просодични свойства, които изглежда се модулират от специфични за езика различия, като интонация.