А.К. Алимурадов1, Б.А. Порезанов2, А.Ю. Тычков3, А.В. Климашевич4, М.Ю. Юдин5, А.А. Мамонова6, М.Я. Карибов7, К.М. Гаджиев8

1,3,6,8 Пензенский государственный университет (г. Пенза, Россия)

2 АО «Центр специальных инженерных сооружений» (г. Пенза, Россия)

4,5 Московский многопрофильный научно-клинический центр им. С.П. Боткина (Москва, Россия)

7 Дагестанский государственный технический университет (г. Махачкала, Россия)

1 alansapfir@yandex.ru, 2 tychkov-a@mail.ru, 3 bogdan.porezanov@yandex.ru, 4 a.klimashevich@mknc.ru, 5 doc.judin@icloud.com, 6 mamonova.02@yandex.ru, 7 dstu-u831@mail.ru, 8 gadzhievkkk@gmail.com

Постановка проблемы. Послеоперационные нарушения голосовой функции – частое осложнение в результате хирургических вмешательств на органах шеи, однако их объективная диагностика на ранних этапах затруднена из-за нестационарного характера речевых сигналов и ограниченной чувствительности традиционных методов спектрального анализа. Существующие акустические подходы не всегда позволяют достоверно выявлять тонкие изменения просодических и амплитудных характеристик голоса, возникающие вследствие послеоперационного отека и изменения резонансных свойств голосового тракта.

Цель. Исследовать диагностическую информативность просодических и амплитудных параметров речевых сигналов, вычисляемых после декомпозиции на эмпирические моды и формирования комбинаций модовых составляющих, для повышения достоверности оценки изменений голосовой функции у пациентов до и после хирургических вмешательств на органах шеи.

Результаты. На основе анализа более 200 речевых сигналов от 30 пациентов установлено, что предварительное разложение сигнала на эмпирические моды с последующим комбинированием модовых компонент позволяет выделить частотные диапазоны, наиболее чувствительные к послеоперационным изменениям. Наибольшая чувствительность средней частоты основного тона выявлена в высокочастотных комбинациях (со 2-й по 7-ю), а энергетических характеристик – в средне- и низкочастотных комбинациях (с 9-й по 16-ю). Показано, что применение улучшенной полной множественной декомпозиции с адаптивным шумом обеспечивает наименьшую вариабельность параметров при повторных измерениях по сравнению с классической и множественной декомпозицией.

Практическая значимость. Предложенный подход позволяет повысить достоверность объективной оценки послеоперационных нарушений голосовой функции, вызванных осложнениями после хирургических вмешательств на щитовидной железе и других органах шеи. Разработанный способ может служить основой для создания автоматизированных систем дистанционного мониторинга восстановления голоса, что особенно актуально при ранней диагностике и контроле эффективности реабилитационных мероприятий в клинической практике.

Алимурадов А.К., Порезанов Б.А., Тычков А.Ю., Климашевич А.В., Юдин М.Ю., Мамонова А.А., Карибов М.Я., Гаджиев К.М. Способ повышения достоверности анализа просодических и амплитудных характеристик речевых сигналов // Биомедицинская радиоэлектроника. 2026. Т. 29. № 6. С. 55−62. DOI: https://doi.org/10.18127/j15604136-202606-11

1. Šimić Prgomet I., Frkanec S., Gugić Radojković I., Prgomet D. Prospective Voice Assessment After Thyroidectomy Without Recurrent Laryngeal Nerve Injury // Diagnostics. 2024. V. 15. № 1. P. 37.
2. Singh K., Singh I., Meher R., Gopal A. et al. Incidence of Injury to External Branch of Superior Laryngeal Nerve as Diagnosed by Acoustic Voice Analysis After Thyroidectomy // Indian Journal of Otolaryngology and Head & Neck Surgery. 2025. V. 77. № 1. P. 1–9.
3. Song J.W., Kim J.H., Lee D.Y. Comparison of Voice Changes After Thyroidectomy Between Normal Adult and Elderly Populations // Journal of Korean Society of Laryngology, Phoniatrics and Logopedics. 2025. V. 36. № 3. P. 98–104.
4. Singh K., Singh I., Meher R., Gopal A. et al. Evaluation of Acoustic Voice Parameters After Anterior Cervical Discectomy and Fusion // Cureus. 2022. V. 14. № 1. P. e21489.
5. Zhou Y., Sun Y., Zhang J., Yan Y. Speech emotion recognition using both spectral and prosodic features // 2009 IEEE International Conference on Information and Automation. 2009. P. 625–629.
6. Lotter T., Vary P. Speech Enhancement by MAP Spectral Amplitude Estimation Using a Super-Gaussian Speech Model // EURASIP Journal on Applied Signal Processing. 2005. V. 2005. P. 1110–1126.
7. Алимурадов А.К., Тычков А.Ю., Симакова О.С. Мамонова А.А., Юлдашев З.М., Темирова Д.А. Технология сегментации «сигнал/пауза» на основе анализа уровня смешивания фрагментов речевых сигналов // Биомедицинская радиоэлектроника. 2025. T. 28. № 2. С. 38–43.
8. Алимурадов А.К., Тычков А.Ю., Юскаев М.И., Дудников Д.С., Тюрин М.А., Чураков П.П., Юлдашев З.М. Способ классификации естественных эмоциональных состояний человека по речи на основе рекуррентной нейронной сети // Биомедицинская радиотехника. 2023. Т. 26. № 4. С. 73–84.
9. Huang N.E., Shen Z., Long S.R., Wu M.C., Shih H.H., Zheng Q., Yen N.-C., Tung C.C., Liu H.H. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis // Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences. 1998. V. 454. № 1971. P. 903–995.
10. Wu Z., Huang N.E. Ensemble empirical mode decomposition: a noise-assisted data analysis method // Advances in Adaptive Data Analysis. 2009. V. 1. № 1. P. 1–41.
11. Torres M.E., Colominas M.A., Schlotthauer G., Flandrin P. A complete ensemble empirical mode decomposition with adaptive noise // 2011 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE. 2011. P. 4144–4147.
12. Степанова Ю.Е. Акустические методы исследования голоса в современной фониатрии // Российская оториноларингология. 2025. Т. 24. № 3. С. 126–133.
13. Вашкевич М.И., Лихачев Д.С., Азаров И.С. Система анализа и классификации голосового сигнала на основе пертрубационных параметров и кепстрального представления в психоакустических шкалах // Доклады БГУИР. 2022. Т. 20. № 1. С. 73–82.
14. He L., Dellwo V. Amplitude Envelope Kinematics of Speech Signal: Parameter Extraction and Applications // Elektronische Sprachsignalverarbeitung. 2017. P. 107–113.
15. Wang L., Duangpummet S., Unoki M. Blind Estimation of Speech Transmission Index and Room Acoustic Parameters by Using Extended Model of Room Impulse Response Derived From Speech Signals // IEEE Access. 2023. V. 11. P. 49431–49450.
16. Do H.D. Exploiting Signal Linear Trend in the Time Domain to Enhance Speech Feature // IEEE Access. 2022. V. 10. P. 117344–117357.
17. Боровикова Д.В., Гришин О.В., Ненько А.В., Юпашевский А.В., Казьмина А.С., Марков А.В., Мецлер К.А. Разработка аппаратно-программного комплекса анализа и коррекции речи // Системы анализа и обработки данных. 2021. № 2 (82). С. 135–145.
18. Tseng C.-Y., Chang C.-H. Pause or No Pause? – Prosodic Phrase Boundaries Revisited // Tsinghua Science and Technology. 2008. V. 13. № 4. P. 500–509.