Д.В. Боровикова1, О.В. Гришин2, О.А. Лоскутова3, А.В. Юпашевский4,  А.В. Марков5, А.С. Казьмина6, К.А. Мецлер7

1–7 Новосибирский государственный технический университет (г. Новосибирск, Россия)

Постановка проблемы. В последние годы наблюдается резкое увеличение числа функциональных нарушений голосового аппарата. Как правило, причинами заболеваний подобного рода являются частые стрессы и психоэмоциональные нагрузки. Вовремя не выявленное функциональное расстройство голосового аппарата может привести к серьезным последствиям и не только снизить социальную адаптированность, но и стать причиной возникновения серьезных органических повреждений голосовых складок и других органов голосового аппарата. Проблема заключается в том, что до сих пор диагностика функциональных расстройств проводится экспертным путем фониатром или специалистом по работе с голосом. Такая оценка является субъективной и зависит от профессиональных навыков эксперта. Альтернативные способы диагностики методом акустического анализа подвергаются большой критике рядом специалистов, поскольку не показывают диагностически значимую достоверность результатов исследований и напрямую зависят от индивидуальных особенностей говорящего.

Цель работы – разработка методики для диагностики функциональных нарушений голоса на основе спектрального анализа голосоречевого сигнала, не зависящей от физиологических особенностей говорящего.

Результаты. На основе спектрального анализа голосового сигнала разработан алгоритм, позволяющий произвести объективную диагностику функциональных нарушений голосовой функции, а также оценить эффективность проведения терапевтической коррекции. Разработанная методика включает в себя расчет нормализированных энергий первых семи гармоник и не учитывает индивидуальные особенности говорящего. Методика прошла первичную апробацию на двух наиболее характерных образцах, были получены достоверные и показательные различия.

Практическая ценность. Предлагаемая методика позволяет проводить объективную диагностику функциональных нарушений голосоречевого сигнала и оценивать эффективность проведенной терапевтической коррекции.

Боровикова Д.В., Гришин О.В., Лоскутова О.А., Юпашевский А.В., Марков А.В., Казьмина А.С., Мецлер К.А. Разработка методики выявления функциональных нарушений голоса методом спектрального анализа // Биомедицинская радиоэлектроника. 2021. T. 24. № 6. С. 29−36. DOI: https://doi.org/10.18127/j15604136-202106-03

1. Василенко Ю. С. Голос. Фониатрические аспекты. М.: Дипак. 2013. 396 с.
2. Музыкальная энциклопедия. М.: Советская энциклопедия. 1976. Т. 3. 1104 с.
3. Fujiki R.B., Thibeault S.L. Examining Relationships Between GRBAS Ratings and Acoustic, Aerodynamic and Patient-Reported Voice Measures in Adults With Voice Disorders // Journal of Voice, 2021. [Электронный документ]. 2021. — URL: https://www.jvoice.org/article/S0892-1997(21)00074-6/fulltext
4. Sobol M., Sielska-Badurek E.M. Index (DSI) – Normative Values. Systematic Review and Meta-Analysis // Journal of Voice. 2020. V. 63. P. 951–956.
5. Ataee E., Khoramshahi H., Naderifar E., Dastoor-pour E.M. Relation Between Dysphonia Severity Index (DSI) and Consensus Auditory-Perceptual Evaluation of Voice (CAPE-V) // Journal of Voice. 2020. [Электронный документ]. — URL:https://www.jvoice.org/article/S0892-1997(20)30248-4/fulltext
6. Spazzapan E.A., Fabron E.M.G., Berti L., Chagas E.F.B., de Castro Marino V.C. Acoustic Characteristics of the Voice for Brazilian Portuguese Speakers Across the Life Span // Journal of Voice. 2020. DOI: 10.1016/j.jvoice.2020.09.019
7. Фант Г. Акустическая теория речеобразования: Пер. с англ. / пер. Л.А. Варшавский, В.И. Медведев. М.: Наука. 1964. 304 с.
8. Cataldo E., Soize C. Voice Signals Produced With Jitter Through a Stochastic One-mass Mechanical Model // Journal of Voice, 2017. V. 31. P. 111.e9–111.e18.
9. Barsties B., Latoszek V., Ulozaite-Staniene N., Maryn Y., Petrauskas T., Uloza V. The Influence of Gender and Age on the Acoustic Voice Quality Index and Dysphonia Severity Index: A Normative Study // Journal of Voice. 2019. V. 33(3). P. 340–345.
10. Kim H., Gao S., Yi B., Shi R., Wan Q., Huang Z. Validation of the Dysphonia Severity Index in the Dr. Speech Program // Journal of Voice. 2019. [Электронный документ]. — URL: https://www.jvoice.org/article/S0892-1997(19)30213-9/fulltext
11. Dwivedi K., Nigam A. Deep Learning Model For Disease Detection By Phoniatrics Biomarkers Using Quantum Computation // 2nd International Conference on Data, Engineering and Applications (IDEA). 2020. [Электронный документ]. — URL: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9170711&tag=1