Использование искусственной нейронной сети в оценке разборчивости речи у взрослых пациентов после кохлеарной имплантации
Журнал: Вестник оториноларингологии. 2025;90(5):4-8.
DOI: 10.17116/otorino2025900514
Прочитано: 1281 раз
Резюме
ЦЕЛЬ ИССЛЕДОВАНИЯ
Оценить возможность использования технологии Voice Extraction (VE) у взрослых пациентов после кохлеарной имплантации и провести сравнительный анализ разборчивости речи — сигнала на фоне шумовой помехи и сигнала с использованием технологии VE у взрослых пациентов после кохлеарной имплантации.
МАТЕРИАЛ И МЕТОДЫ
В исследовании приняли участие 67 пациентов. У всех пациентов диагностирована хроническая двусторонняя сенсоневральная тугоухость IV степени, пограничная с глухотой. Всем пациентам выполнена односторонняя кохлеарная имплантация. Период наблюдения составил от 6 мес до 15 лет. Всем пациентам проведена тональная аудиометрия в свободном звуковом поле с использованием оптимально настроенного речевого процессора кохлеарного имплантата, а также выполнена речевая аудиометрия в свободном поле. Разборчивость речи оценивалась как в тишине, так и при предъявлении речевого материала на фоне помех с шумом типа «улица». Далее пациентам предъявлялись артикуляционные таблицы, обработанные с помощью устройства для извлечения голоса (VE). Устройство для извлечения голоса основано на обученной нейронной сети и работает автономно. В конце исследования рассчитана доля (%) правильно воспроизведенных слов. Показатели улучшения разборчивости речи (%) рассчитаны как разница между разборчивостью после применения технологии VE и разборчивостью до ее применения.
РЕЗУЛЬТАТЫ
Для 55 (82%) участников исследования технология VE увеличила разборчивость в среднем на 11,9% в абсолютном выражении.
ЗАКЛЮЧЕНИЕ
Применение технологии Voice Extraction при разработке новых вариантов кодирования речи речевым процессором и, как следствие, при реабилитации пациентов после кохлеарной имплантации представляется перспективным и эффективным.
Ключевые слова
- кохлеарная имплантация
- разборчивость речи
- нейронная сеть
Дата поступления: 02.12.2024
Дата принятия в печать: 23.04.2025
Дата публикации: 10.11.2025
- Бобров А.Ф., Щелканова Е.С., Щебланов В.Ю. Современные методы медицинской психофизиологии: технология виброизображения и искусственные нейронные сети. Современная психофизиология. Технология виброизображения. 2020;1(3):30-39. https://doi.org/10.25696/ELSYS.04.VC3.RU
- Романюта М.А. Нейросетевые технологии в машиностроении. Международная научно-техническая конференция молодых ученых БГТУ им. В.Г. Шухова, посвященная 300-летию РАН. Сборник докладов Национальной конференции с международным участием. Белгород; 2022:220-224.
- Хайкин С. Нейронные сети: полный курс. 2-е издание. Пер. с англ. М.: Вильямс; 2006.
- Добратулин К.С., Аюпова И.О., Гайдель А.В., Ивлева А.И. Создание прикладного программного обеспечения для автоматической диагностики зубочелюстных аномалий. VOLGAMEDSCIENCE. Сборник тезисов VII Всероссийской конференции молодых ученых и студентов с международным участием: материалы конференции, Нижний Новгород, 16—18 марта 2021 г. Нижний Новгород: ФГБОУ ВО «Приволжский исследовательский медицинский университет» Министерства здравоохранения Российской Федерации; 2021:720-722.
- Мураев А.А., Гусейнов Н.А., Цай П.А. Искусственные нейронные сети в лучевой диагностике, в стоматологии и в челюстно-лицевой хирургии (обзор литературы). Клиническая стоматология. 2020;3(95):72-80. https://doi.org/10.37988/1811-153X_2020_3_72
- Uhm TW, Yi S, Choi SW, Oh SJ, Kong SK, Lee IW, Lee HM. Hearing recovery prediction and prognostic factors of idiopathic sudden sensorineural hearing loss: a retrospective analysis with a deep neural network model. Brazilian Journal of Otorhinolaryngology. 2023;89(4):101273. https://doi.org/10.1016/j.bjorl.2023.04.001
- Haro S, Smalt CJ, Ciccarelli GA, Quatieri TF. Deep Neural Network Model of Hearing-Impaired Speech-in-Noise Perception. Frontiers in Neuroscience. 2020;14:588448. https://doi.org/10.3389/fnins.2020.588448
- Sabesan S, Fragner A, Bench C, Drakopoulos F, Lesica NA. Large-scale electrophysiology and deep learning reveal distorted neural signal dynamics after hearingloss. Elife. 2023;12:e85108. https://doi.org/10.7554/eLife.85108/
- Бобошко М.Ю., Риехакайнен Е.И. Речевая аудиометрия в клинической практике. СПб: Диалог; 2019.
Рекомендуем статьи по данной теме:
Роль анкетирования для оценки восприятия речи у иностранных студентов-медиков, обучающихся на русском языке.Вестник оториноларингологии. 2026;91(3):21-28
Искусственный интеллект в респираторной медицине.Респираторная медицина. 2026;2(2):21-29
Показатели тональной пороговой аудиометрии и ответов стационарных слуховых потенциалов на акустическую стимуляцию как предикторы разборчивости речи у пациентов с кохлеарными имплантами.Вестник оториноларингологии. 2026;91(2):12-18
Использование модели помощи принятия врачебных решений «PathVision.ai» в морфологической диагностике рака предстательной железы в биопсийном материале.Архив патологии. 2025;87(6):34-41
Речевая аудиометрия — эффективный метод оценки разборчивости речи у детей, использующих системы кохлеарной имплантации.Вестник оториноларингологии. 2025;90(5):23-30
Клиническое применение тепловых карт телеметрии импедансного поля на реабилитационном этапе кохлеарной имплантации.Вестник оториноларингологии. 2025;90(5):9-12
Показания и реабилитация подростков при последовательной билатеральной кохлеарной имплантации с длительным интервалом между операциями.Вестник оториноларингологии. 2025;90(4):11-18
Опыт создания нейросетевой диалоговой системы для ответов на письменные обращения населения в крупное федеральное учреждение здравоохранения.Медицинские технологии. Оценка и выбор. 2025;47(2):48-57
Аудиологические аспекты реабилитации пациентов с аномалиями развития внутреннего уха после кохлеарной имплантации.Вестник оториноларингологии. 2024;89(6):4-9