Detección Automática de Disfluencias Basadas en Articulación en la Afasia Progresiva Primaria

Área de la Ciencia:

• Lingüística computacional
• Procesamiento del habla
• Lingüística clínica

Sus antecedentes:

• Los corpus de habla son vitales para el análisis lingüístico, incluida la fluidez y la detección de errores.
• La detección de disfluencias es crucial para diagnosticar afecciones como la afasia progresiva primaria (APP).
• Los sistemas existentes tienen limitaciones para capturar el espectro completo de las disfluencias del habla.

Objetivo del estudio:

• Desarrollar un sistema mejorado (SSDM 2.0) para la detección y transcripción de disfluencias del habla.
• Mejorar el análisis de las disfluencias articulatorias en el habla de la afasia progresiva primaria no fluente (APFn).
• Crear una herramienta más escalable y precisa para aplicaciones clínicas.

Principales métodos:

• Se propuso un novedoso Flujo de Articulación Neuronal para representaciones del habla conscientes de las disfluencias.
• Se desarrolló un alineador de sub-secuencias conexionista de pila completa para la captura integral de tipos de disfluencias.
• Se integraron indicaciones de mala pronunciación y aprendizaje de consistencia en Modelos de Lenguaje Grandes (LLM) para el aprendizaje de disfluencias en contexto.
• Se curó y se puso a disposición públicamente Libri-Co-Dys, el corpus de co-disfluencias más grande.
• Se presentó SSDM-L, un modelo modular y ligero para la implementación clínica.

Principales resultados:

• SSDM 2.0 supera significativamente a los modelos anteriores en la detección y transcripción de disfluencias.
• El sistema demuestra una alta eficacia en el corpus nfvPPA, caracterizado por disfluencias articulatorias.
• Libri-Co-Dys proporciona un recurso sin precedentes para la investigación de co-disfluencias.

Conclusiones:

• SSDM 2.0 representa un avance sustancial en el análisis de disfluencias del habla.
• El sistema muestra una gran promesa para mejorar el diagnóstico y la transcripción del habla patológica.
• El corpus de código abierto y el modelo ligero facilitan una investigación más amplia y la adopción clínica.