基于数据驱动的噪声中言语识别表现预测:机器学习模型的系统综述与Meta分析

《Annals of Biomedical Engineering》:Data-Driven Prediction of Speech-in-Noise Performance: A Systematic Review and Meta-analysis of Machine Learning Models

【字体: 大 中 小 】 时间:2026年10月13日 来源:Annals of Biomedical Engineering 5.2

编辑推荐:

  摘要专业翻译 目的:噪声中言语识别(SIN)困难是沟通能力与生活质量的主要决定因素,影响听力损失个体及部分听力正常个体。数据驱动的预测方法为建模言语感知背后的复杂多维因素提供了一种有前景的途径。本系统综述与Meta分析评估了用于预测SIN相关结局的计算方法,在

  
摘要专业翻译 目的:噪声中言语识别(SIN)困难是沟通能力与生活质量的主要决定因素,影响听力损失个体及部分听力正常个体。数据驱动的预测方法为建模言语感知背后的复杂多维因素提供了一种有前景的途径。本系统综述与Meta分析评估了用于预测SIN相关结局的计算方法,在可进行定量综合的范围内比较了不同模型类别的预测性能,并识别了与模型选择、泛化能力及临床转化相关的方法学因素。 方法:遵循PRISMA 2020指南,研究人员对使用机器学习(ML)、神经网络、自动语音识别(ASR)或听觉模型方法预测、模拟或评估SIN相关结局的研究进行了系统综述与Meta分析。对报告支持向量机(SVM)或随机森林(RF)性能的研究采用随机效应模型进行定量综合,并评估了研究间异质性。 结果:符合条件的研究包括传统ML、神经网络、基于ASR及机制性听觉建模方法。SVM准确率合并值为0.71,SVM曲线下面积(AUC)合并值为0.84;RF准确率合并值为0.86,RF召回率合并值为0.81。Bootstrap估计与主要随机效应估计总体一致,但各分析的研究间异质性介于中等至极高水平之间。 结论:数据驱动的预测方法在预测SIN相关结局方面显示出前景,但高度异质性排除了确定单一最优模型的可能性。模型选择应反映预测目标、数据类型、样本量、可解释性及预期用途。当前证据对概念验证性能的支持强于对临床效用的支持,凸显了对更大规模、标准化、外部验证研究的迫切需求。

论文主体内容总结

引言
全球预计到2050年将有近25亿人(约占全球四分之一)存在某种程度的听力损失,其中约7亿人需要康复服务。除可听度下降外,噪声环境中言语感知受损是影响有效沟通、社会参与和生活质量的根本性限制。SIN困难是各年龄段最常见且最具致残性的听觉主诉之一,但标准临床评估对其预测能力有限。值得注意的是,SIN困难并非仅限于临床显著听力损失个体,即使听力图表现正常或仅有轻微听力损失,也可能在复杂声学环境中出现显著沟通困难。噪声中的成功言语感知依赖于从竞争信号中分离目标言语的能力,这一过程涉及输入声学特征、外周及中枢听觉系统完整性,以及注意力和工作记忆等高级认知过程的动态交互。
尽管感音神经性听力损失是SIN感知受损的公认因素,但听力阈值本身仅能提供功能听力能力的不完整且常具误导性的表征。许多听力图正常的个体报告在噪声中跟随对话存在显著困难,新兴证据指向耳蜗突触病变和扩展高频(EHF)听力缺陷等潜在机制。大规模研究进一步凸显了临床测量与沟通结局之间的差距,听力阈值仅能解释SIN表现方差的一部分,即使在听力敏感度相似的听者中也存在显著个体间差异。
传统预测SIN表现的方法通常依赖基于听力测定和人口统计学变量的线性统计模型,这些模型在群体层面有一定信息价值,但预测准确性有限,无法充分捕捉塑造个体表现的听觉、声学和认知因素间的非线性交互。机器学习(ML)方法为整合异质数据源和建模言语感知背后的复杂非线性关系提供了潜在框架。计算方法的分类包括:以预测为主要目的的ML和深度学习方法;以最大化噪声条件下识别准确率为目标的ASR系统;以及模拟听觉处理生理和心理声学过程的机制性听觉模型。本研究的主要目标是批判性评估用于预测SIN感知的计算方法,具体包括:表征计算模型家族、输入特征、参与者群体和SIN相关感知结局;在可行时通过Meta分析定量比较主要模型类别的预测性能;识别与模型性能改善相关的关键预测因子和方法学因素;评估当前方法的稳健性、泛化能力、可解释性和临床相关性。
方法
方案与注册:综述方案已在国际系统综述前瞻性注册库(PROSPERO注册号:CRD420251145851)前瞻性注册,包括研究问题、纳入标准、检索策略、计划的数据提取框架和Meta分析统计方法。
检索策略与筛选:本系统综述与Meta分析按照PRISMA 2020指南实施。纳入标准涵盖正常听力(NH)或听力受损(HI)的儿童或成人,符合条件的计算方法包括SVM、RF、梯度提升、决策树和基于回归的模型等数据驱动ML模型;人工神经网络(ANN)、深度神经网络(DNN)、卷积神经网络(CNN)和循环神经网络(RNN)等神经网络模型;ASR系统;以及机制性或听觉计算模型。排除标准包括未报告噪声中言语感知作为结局指标的研究、使用ML进行语音增强或助听器处理的研究、仅关注安静环境中言语感知的研究,以及缺乏充分模型性能或验证程序报告的研究。
数据来源:检索在PubMed、Scopus、Web of Science、IEEE Xplore和Google Scholar中进行,检索策略采用PICO框架构建。方法学质量、偏倚风险和适用性采用PROBAST+AI知情领域进行评估,重点关注验证策略、外部验证、过拟合、潜在数据泄漏、类别不平衡、预测因子和结局定义以及报告透明度。
Meta分析策略:由于评估相同预测任务的研究较少,定量综合限于报告SVM或RF分类器可比较模型-指标组合的研究。分别对SVM准确率、SVM曲线下面积(AUC)、RF准确率和RF召回率四种模型-指标组合生成合并估计。每个分析中每项研究仅纳入一个研究水平效应量以保持统计独立性。方差估计采用分层方法,在不确定性未报告时保守插补。所有Meta分析采用随机效应框架,使用DerSimonian-Laird方法计算合并估计和95%置信区间,异质性通过Cochran's Q统计量、研究间方差估计(τ2)和不一致指数(I2)评估。Bootstrap结果通过10,000次研究水平重采样获得。
结果
研究特征:数据库检索识别出6,642条记录,去除174条重复后剩余6,468条进行筛选。纳入研究分别总结为传统ML模型、神经网络模型、ASR方法和机制性听觉模型。传统ML模型方面,五项研究应用传统ML预测SIN结局:Kim等人和Balan等人主要从听力测定阈值预测言语感知结局;Mahmud等人、Lenatti等人和Stenb?ck等人使用SIN任务表现或皮层言语诱发反应预测听力状态或区分能量性掩蔽与信息性掩蔽。神经网络研究涵盖ANN、深度信念网络(DBN)、DNN、CNN和多层感知器(MLP)等不同架构,时间跨度从1992至2025年。ASR研究包括基于听觉模型的ASR方法和采用深度学习或混合DNN-HMM架构的ASR系统。仅一项研究使用机制性听觉模型,Jürgens等人使用包含耳蜗滤波、耳蜗压缩和听力损失模拟的生理学驱动听觉模型预测正常听力和听力受损听者的辅音识别。
定量综合:SVM研究的随机效应合并估计显示准确率为0.71,个体研究准确率范围为0.53至0.84;SVM AUC合并值为0.84(95% CI:0.72至0.97),个体研究AUC范围为0.77至0.93。RF研究的合并准确率估计为0.86,个体研究范围为0.61至0.96;RF召回率合并值为0.81,个体估计范围为0.66至0.91。各分析的异质性从中等到极高不等。敏感性分析显示,排除Kim等人大型数据集(n=12,697)后,SVM合并准确率从0.71升至0.76,RF合并准确率从0.86降至0.75,RF合并召回率从0.81降至0.76。排除Stenb?ck等人后,SVM AUC合并估计与主分析相似(0.87对0.84)。Bootstrap估计与主要随机效应估计总体一致。由于仅四项独立研究贡献定量综合,未进行Egger检验评估发表偏倚。
讨论
超越听力图:SIN表现的预测因子:多项研究表明,当模型纳入超出常规听力测定阈值的信息时,SIN相关结局可得到更有效的预测。EHF阈值、声学特征、行为测量和神经特征在不同研究中贡献了预测信息。EHF听力与SIN变异性相关,包括临床听力图正常的听者,提示标准听力图未捕获的缺陷可能促成现实世界中的聆听困难。然而,现有证据尚不足以确立EHF阈值作为跨SIN任务的一致预测因子。预测因子的多样性支持SIN感知的多维观点,ML在整合交互性听力测定、声学、行为和神经预测因子方面可能特别有用。
传统ML模型:性能与临床潜力:SVM、RF和基于梯度的集成方法在多个SIN相关预测问题中表现良好。算法性能取决于模型架构、输入特征、样本量和结局结构之间的交互。RF可能在建模相关临床预测因子间的非线性交互方面具有优势,而SVM性能可能对特征缩放、核函数规范和决策边界特征更敏感。当前证据未确立任一方法的持续优越性。传统ML也应用于神经生理学数据,皮层言语诱发活动可在噪声退化条件下区分听力状态。
神经网络:性能取决于模型复杂度:神经网络模型在涉及复杂声学和频谱时间表征的预测问题中显示出前景。在言语可懂度估计研究中,更深层架构相对于传统客观测量表现更优,表明神经网络可直接从语音信号中学习感知相关的频谱时间表征。然而,更大的模型复杂度并未持续改善预测。当数据集规模相对于模型复杂度不足时,深度模型可能提供有限优势。神经网络可能最适合高维声学或信号级数据,而传统ML在较小规模的结构化临床数据集中可能仍然更有效。
ASR模型:连接人类与机器言语感知:ASR方法通过在言语识别计算模型中嵌入SIN预测提供了互补的过程导向框架。这些模型再现了关键的人类表现模式,包括识别分数随信噪比(SNR)降低和掩蔽复杂度增加而下降。纳入听者特定听觉参数改善了对听力受损群体的预测,强调了个性化听觉建模的重要性。ASR系统还用于优化刺激设计,凸显了ASR作为可扩展工具在自动化SIN评估和测试开发中的潜力。
听觉模型:可解释性与机制性洞察:机制性听觉模型通过将耳蜗和神经处理机制嵌入预测提供了生理学基础的可替代方法。这些模型证明可听度降低和阈上失真共同促成言语感知退化,强化了SIN结局不能仅由听力阈值解释的观点。与纯数据驱动方法不同,听觉模型提供机制性可解释性,将表现缺陷与潜在听觉过程联系起来,提示未来进展可能在于结合数据驱动ML与生理学知情建模的混合框架。
转化意义:纳入研究并非旨在确立因果生物学机制,但跨模型的重复模式为SIN变异性来源提供了假说。EHF阈值和多变量听力测定特征提示标准听力图未完全表征的外周听力特征贡献,而声学、频谱时间和神经预测因子指示额外的阈上贡献。这些发现可能最终支持识别其沟通困难与听力测定阈值不成比例的听者,包括临床听力图正常的个体。综述还为模型选择提供了实用指导:传统ML方法适用于结构化临床数据集,尤其在样本量适中时;神经网络可能更适合高维声学或信号级输入且数据集足够大时;ASR模型最适用于可懂度建模和自动化测试开发;机制性听觉模型更适合关于潜在听觉过程的问题。潜在应用还延伸至个性化助听器和人工耳蜗处理以及感知知情的ASR系统。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号