Σάββατο 29 Μαΐου 2021

nn5

 https://www.nature.com/articles/s41598-020-62761-x

 

 

Ανακαλύπτοντας ηλεκτροφυσιολογικές και αγγειακές υπογραφές έμμεσης συναισθηματικής προσώδης

Η ικανότητα διαφοροποίησης μεταξύ διαφόρων συναισθηματικών καταστάσεων στην ομιλία εμφανίζει μια κρίσιμη προϋπόθεση για επιτυχημένες κοινωνικές αλληλεπιδράσεις. Ο στόχος της παρούσας μελέτης ήταν να διερευνήσει νευρικές διεργασίες στις οποίες βασίζεται αυτή η διαφοροποιητική ικανότητα εφαρμόζοντας ταυτόχρονη νευροεπιστημονική προσέγγιση με σκοπό την απόκτηση τόσο ηλεκτροφυσιολογικών (μέσω ηλεκτροεγκεφαλογγραφίας, EEG) όσο και αγγειακών (μέσω λειτουργικών σχεδόν υπέρυθρων-φασματοσκοπιών, fNIRS). Τα ψευδώνυμα που συμμορφώνονται με την θυμωμένη, χαρούμενη και ουδέτερη προδήλωση παρουσιάστηκαν ακουστικά στους συμμετέχοντες χρησιμοποιώντας ένα παθητικό παράδειγμα ακρόασης για να συλλάβουν τους σιωπηρούς μηχανισμούς της συναισθηματικής επεξεργασίας της προσώδης.Τα εγκεφαλικά δυναμικά που σχετίζονται με συμβάντα (ERPs) αποκάλυψαν μεγαλύτερο P200 και αυξημένο όψιμο θετικό δυναμικό (LPP) για χαρούμενη προσώδη, καθώς και μεγαλύτερες αρνητικές αντιδράσεις για θυμωμένη και ουδέτερη πρόωση σε σύγκριση με χαρούμενη prosody περίπου 500 ms. Τα αποτελέσματα του FNIRS έδειξαν αυξημένες ενεργοποιήσεις για θυμωμένη προσώδη σε δεξιές μετωπικές χρονικές περιοχές. Η συσχέτιση μεταξύ της αρνητικότητας στο EEG και της ενεργοποίησης στο fNIRS για θυμωμένη προωδία υποδηλώνει ανάλογες υποκείμενες διαδικασίες που μοιάζουν με προκατάληψη αρνητικότητας. Συνολικά, τα αποτελέσματα δείχνουν ότι υπάρχουν μηχανισμοί συναισθηματικής και φωνολογικής κωδικοποίησης (P200), συναισθηματικής αξιολόγησης (αυξημένη αρνητικότητα), καθώς και συναισθηματικής διέγερσης και συνάφειας (LPP) κατά τη διάρκεια της σιωπηρής επεξεργασίας της συναισθηματικής προωδίας.Η συσχέτιση μεταξύ της αρνητικότητας στο EEG και της ενεργοποίησης στο fNIRS για θυμωμένη προωδία υποδηλώνει ανάλογες υποκείμενες διαδικασίες που μοιάζουν με προκατάληψη αρνητικότητας. Συνολικά, τα αποτελέσματα δείχνουν ότι υπάρχουν μηχανισμοί συναισθηματικής και φωνολογικής κωδικοποίησης (P200), συναισθηματικής αξιολόγησης (αυξημένη αρνητικότητα), καθώς και συναισθηματικής διέγερσης και συνάφειας (LPP) κατά τη διάρκεια της σιωπηρής επεξεργασίας της συναισθηματικής προωδίας.Η συσχέτιση μεταξύ της αρνητικότητας στο EEG και της ενεργοποίησης στο fNIRS για θυμωμένη προωδία υποδηλώνει ανάλογες υποκείμενες διαδικασίες που μοιάζουν με προκατάληψη αρνητικότητας. Συνολικά, τα αποτελέσματα δείχνουν ότι υπάρχουν μηχανισμοί συναισθηματικής και φωνολογικής κωδικοποίησης (P200), συναισθηματικής αξιολόγησης (αυξημένη αρνητικότητα), καθώς και συναισθηματικής διέγερσης και συνάφειας (LPP) κατά τη διάρκεια της σιωπηρής επεξεργασίας συναισθηματικής προωδίας.

Εισαγωγή

Για μια επιτυχημένη διαπροσωπική επικοινωνία, απαιτείται σωστή αναγνώριση και επεξεργασία συναισθηματικών καταστάσεων του ομολόγου κάποιου. Τα συναισθήματα μπορούν να μεταφερθούν μέσω πολλαπλών τρόπων όπως οι εκφράσεις του προσώπου και οι χειρονομίες, αλλά και μέσω της προσώδους του λόγου. Το Prosody, δηλαδή το μελωδικό περίγραμμα μιας λέξης ή φράσης, προέρχεται από την αλληλεπίδραση του βήματος, της έντασης, του ρυθμού, της έντασης και της συχνότητας συγκεκριμένων λεξιλογιών 1 . Οι όροι συναισθηματική ή συναισθηματική προσώδη αναφέρονται σε εκείνα τα διαισθητικά μοτίβα που φέρουν συναισθηματικές καταστάσεις όπως ένα χαρούμενο ή θυμωμένο συναίσθημα 2 , 3. Ενώ η έρευνα σχετικά με τη συναισθηματική επεξεργασία στον οπτικό τομέα (π.χ. εκφράσεις του προσώπου, εικόνες με συναισθηματικό περιεχόμενο) έχει ήδη διεξαχθεί εντατικά, η επεξεργασία συναισθηματικής προσώθησης εξακολουθεί να είναι λιγότερο διερευνημένη. Ο εντοπισμός των συναισθημάτων μέσω της φωνής είναι ιδιαίτερα σχετικός στην καθημερινή ζωή, ακόμη περισσότερο όταν οι οπτικές πληροφορίες δεν είναι διαθέσιμες, καθώς οι ακουστικές παράμετροι έχουν τη δυνατότητα να ταξιδεύουν σε μεγάλες αποστάσεις, ενώ τα οπτικά στοιχεία χρειάζονται πολύ κοντά στον στόχο 4 . Είναι γνωστό ότι με έναν συνδυασμό πολλών τρόπων παροχής συναισθηματικών πληροφοριών, η ταυτοποίηση συναισθημάτων βελτιώνεται, ωστόσο, όταν αντιπαραβάλλουν μονότροπες πληροφορίες, τα συναισθήματα φαίνεται να είναι ευκολότερα αναγνωρίσιμα από την ομιλία από ό, τι τα πρόσωπα 5 , 6. Επιπλέον, η συναισθηματική ακουστική είσοδος είναι σε θέση να κατευθύνει την προσοχή σε συναφή συναισθηματικά ερεθίσματα στο περιβάλλον και παρέχει πρόσθετες κρίσιμες πληροφορίες για τον τρόπο αντίδρασης στις εκφράσεις του προσώπου (π.χ., αναγνώριση διευκόλυνσης των οπτικών ενδείξεων) 7 , 8 , 9 .

Οι νευροεπιστημονικές μελέτες έχουν τη δυνατότητα να παρέχουν βαθύτερη κατανόηση των μηχανισμών που διέπουν τις διαδικασίες συναισθηματικής ταυτοποίησης πέρα ​​από το καθαρό επίπεδο συμπεριφοράς. Ως εκ τούτου, επιλέξαμε μια πολυ-μεθοδολογική προσέγγιση δύο ευαίσθητων νευροεπιστημονικών μεθόδων για να παρέχουμε σημαντικές πληροφορίες τόσο σε χρονικούς όσο και σε χωρικούς μηχανισμούς κατά τη διάρκεια της επεξεργασίας συναισθηματικών προωδικών ενδείξεων. Οι ηλεκτροφυσιολογικές και αγγειακές αποκρίσεις αξιολογήθηκαν ταυτόχρονα με ηλεκτροεγκεφαλογραφία (EEG), συγκεκριμένα η ανάλυση των σχετικών με το συμβάν εγκεφαλικών δυνατοτήτων (ERPs) και της λειτουργικής φασματοσκοπίας σχεδόν υπέρυθρων (fNIRS). Και οι δύο μέθοδοι έχουν αποδειχθεί πολύ ωφέλιμες για τη διερεύνηση των ακουστικών ερεθισμάτων, καθώς και οι δύο είναι χωρίς ήχο, δεν αλληλεπιδρούν μεταξύ τους και παρέχουν μια οικολογικά έγκυρη ρύθμιση 10. Όπως οι προηγούμενες μελέτες σχετικά με τη συναισθηματική προσώδη χρησιμοποίησαν ως επί το πλείστον πραγματικές λέξεις 11 , 12 , 13 , 14 , προτάσεις 15 , 16 , 17 , 18 και συγκεκριμένες εργασίες ή πρόσθετα οπτικά βοηθήματα 16 , 17 , 19 , 20, στοχεύσαμε στη διερεύνηση της σιωπηρής συναισθηματικής επεξεργασίας, υιοθετώντας ένα παθητικό παράδειγμα ακρόασης χρησιμοποιώντας ψευδώνυμα άγνωστα στα θέματα. Οι πραγματικές λέξεις που έχουν σημασιολογικό περιεχόμενο καθαυτές μπορεί να προκαλέσουν σύγχυση στη συναισθηματική επεξεργασία, τουλάχιστον σε επίπεδο επιμέρους θέματος Ομοίως, ένα συναισθηματικό πλαίσιο μπορεί να επηρεάσει τη συναισθηματική επεξεργασία από σημασιολογική άποψη. Επιπλέον, συγκεκριμένες εργασίες θα μπορούσαν να καλύψουν καθαρές διαδικασίες συναισθηματικής ταυτοποίησης κατευθύνοντας την προσοχή σε συγκεκριμένες ενδείξεις ή θα μπορούσαν τουλάχιστον να αλλάξουν τα πρότυπα νευρικής ενεργοποίησης 21 , 22 .

Ενώ τα τμηματικά γλωσσικά χαρακτηριστικά όπως η φωνολογία και η σύνταξη στρατολογούν κυρίως περιοχές του αριστερού ημισφαιρικού εγκεφάλου, τα υπεραριθμολογικά χαρακτηριστικά όπως η prosody υποτίθεται ότι υποστηρίζονται κυρίως από το δεξί ημισφαίριο (π.χ. το Dynamic Dual Pathway Model 23 ή το Dual Stream Model of Speech processing 24 , 25 ). Όσον αφορά τη συναισθηματική επεξεργασία, η υπόθεση του συναισθήματος του δεξιού ημισφαιρίου (RHH) υποδηλώνει μια κατά κύριο λόγο δεξή ημισφαιρική πρόσληψη περιοχών του εγκεφάλου για συναισθηματικά ερεθίσματα 26 , και η έρευνα δείχνει ότι τόσο η γλωσσική όσο και η συναισθηματική πρόωση φαίνεται να μοιράζονται τους ίδιους νευρολογικούς παράγοντες 27. Τα ακουστικά συναισθηματικά ερεθίσματα χαρακτηρίζονται συχνά από ένα υπερβολικό προσδοτικό περίγραμμα, το οποίο μπορεί να εξηγήσει αυτήν την αντίστοιχη δεξιά ημισφαιρική πλευρική. Ένα άλλο μοντέλο, η υπόθεση σθένους-διέγερσης (VH), αναθέτει την επεξεργασία διαφορετικών συναισθημάτων σε διαφορετικά ημισφαίρια. Το VH υποδηλώνει ότι τα αρνητικά συναισθήματα συνοδεύονται από πιο εμπρόσθια δραστηριότητα δεξιάς πλευράς, ενώ τα ευχάριστα συναισθήματα συνδέονται με περισσότερη εμπρόσθια δραστηριότητα 28 , 29 , 30 . Υποστήριξη τόσο για το RHH όσο και για το VH βρέθηκε από αρκετές μελέτες (ανατρέξτε στο 31 για μια επισκόπηση), ωστόσο, μια συνολική δεξιά ημισφαιρική κυριαρχία για συναισθηματική επεξεργασία (prosody) έχει προταθεί και πάλι σε πρόσφατες κριτικές 32 , 33 .

Η βιβλιογραφία του FNIRS σχετικά με τη συναισθηματική επεξεργασία της προσώδους σε ενήλικες είναι πολύ σπάνια. Παρά το ότι παρέχει μια καλή χωρική ανάλυση των φλοιικών ενεργοποιήσεων, το fNIRS δεν φτάνει σε βαθύτερες περιοχές του εγκεφάλου, όπως η αμυγδαλή, η οποία είναι γνωστό ότι εμπλέκεται κυρίως στη συναισθηματική επεξεργασία γενικά 34 , 35 αλλά επίσης και στη συναισθηματική επεξεργασία προσώματος συγκεκριμένα 36 . Ωστόσο, σε αντίθεση με τη λειτουργική απεικόνιση μαγνητικού συντονισμού (fMRI), το fNIRS ως σιωπηλή μέθοδος οπτικής απεικόνισης παρέχει ένα πολύ ευεργετικό περιβάλλον για τη διερεύνηση ακουστικών συναισθηματικών ερεθισμάτων 10 . Frühholz, Trost και Kotz 33προτείνει ένα μοντέλο δικτύου συναισθηματικής επεξεργασίας στον ακουστικό τομέα, που περιλαμβάνει το άκρο του άκρου, τον ακουστικό φλοιό (AC), τον ανώτερο χρονικό φλοιό (STC), το insula, τον τροχιακό μετωπιαίο φλοιό (OFC), τον κατώτερο μετωπιαίο φλοιό (IFC) και τον μέσο μετωπιαίος φλοιός (MFC). Οι συγγραφείς προτείνουν ότι οι συναισθηματικές πληροφορίες τροφοδοτούνται από το STC στο IFC για μια πρώτη γνωστική αξιολόγηση του συναισθηματικού περιεχομένου, ενώ πληροφορίες που αποκωδικοποιούνται από την αμυγδαλή έμμεσα χωρίς προσοχή, αποστέλλονται στο MFC όπου πραγματοποιούνται πρόσθετες συναισθηματικές διαδικασίες αξιολόγησης, αξιολόγησης και ρύθμισης.

Αρκετές μελέτες fMRI σχετικά με τη συναισθηματική προσώδη χρησιμοποιώντας διαφορετικά υλικά (π.χ. προτάσεις 37 , επίθετα 13 και λέξεις που μοιάζουν με λέξεις 38 ) και οι εργασίες αποκάλυψαν ένα αρκετά συνεπές μοτίβο ενεργοποιήσεων κυρίως σε περιοχές δεξιού μετωπιαίου-εγκεφάλου για συναισθηματικά σε σύγκριση με ουδέτερα ερεθίσματα. Χρησιμοποιώντας 4 ψευδώνυμο από τη βάση δεδομένων της Γενεύης Multimodal Emotion Portrayal 39 , μια μελέτη fMRI με αντίθεση ουδέτερης και θυμωμένης προσώδης έδειξε ενεργοποιήσεις για θυμωμένη προσώδη στο δεξιό οπίσθιο STG και σε διμερείς υποπεριφέρειες IFG κατά τη διάρκεια μιας σιωπηρής εργασίας ακρόασης 19 .

Μια μελέτη fNIRS από τους Plichta et al . Το 40 αποκάλυψε ότι τόσο οι ευχάριστοι όσο και οι δυσάρεστοι ήχοι σε σύγκριση με τους ουδέτερους ήχους οδηγούν σε αυξημένη ενεργοποίηση στο AC. Αυτό το φαινόμενο ήταν πιο έντονο στο δεξί ημισφαίριο. Επιπλέον, μια μελέτη fNIRS 41 διαπίστωσε αυξημένη ενεργοποίηση του δεξιού ημισφαιρικού STG όταν ακούει συναισθηματική (φοβισμένη, αηδία) σε σύγκριση με ουδέτερους ήχους. Από όσα γνωρίζουμε, μόνο μία μελέτη fNIRS διερεύνησε συγκεκριμένα τη συναισθηματική επεξεργασία στην ομιλία αντί για απλούς ήχους. Οι Zhang, Zhou και Yuan 42 διαπίστωσαν αυξημένες ενεργοποιήσεις στο STC για συναισθηματική σύγκριση με ουδέτερες ψευδοαισθησίες μανταρινιού κατά τη διάρκεια μιας εργασίας παθητικής ακρόασης με αυξημένη εμπλοκή δεξιού ημισφαιρικού κατά τη διάρκεια της συναισθηματικής αντίληψης της προσώδους.

Όπως φαίνεται εδώ, είναι ενδιαφέρον ότι οι περισσότερες έρευνες που χρησιμοποιούν τεχνικές απεικόνισης στο πλαίσιο της συναισθηματικής προσώδους βρίσκουν διαφορές μεταξύ συναισθηματικών και ουδέτερων ερεθισμάτων, αλλά δεν αποκαλύπτουν διαφορές στην ενεργοποίηση μεταξύ θετικών και αρνητικών προτύπων τονισμού 42 .

Όσον αφορά τις ηλεκτροφυσιολογικές ενδείξεις σχετικά με την επεξεργασία της προσώδους, η βιβλιογραφία έχει βρει αποτελέσματα τόσο στα πρώτα όσο και στα μεταγενέστερα στάδια επεξεργασίας. Έχουν αναφερθεί διαμορφώσεις στο N100 που σχετίζονται με τα χαρακτηριστικά τόνου και έντασης των ερεθισμάτων, καθώς και τα στοιχεία P200 που αντικατοπτρίζουν μια αρχική διαδικασία συναισθηματικής κωδικοποίησης και διέγερσης 43 . Το P200 συχνά ακολουθείται από μια μακροχρόνια θετική πιθανότητα (LPP) με μέγιστο μεταξύ 300 και 1000 ms μετά την έναρξη του ερεθίσματος που υποδεικνύει εκτεταμένους συναισθηματικούς μηχανισμούς επεξεργασίας. Το LPP έχει βρεθεί τόσο στον οπτικό όσο και στον ακουστικό τομέα, συνήθως διανέμεται σε κεντροπαρατολικά ηλεκτρόδια και είναι πιο έντονο όταν η συναισθηματική διέγερση ή η κινητήρια σχέση της αντίστοιχης διέγερσης είναι υψηλότερη 15 , 44 , 45, 46 , 47 . Όσον αφορά τη συναισθηματική διέγερση, η κατεύθυνση των επιδράσεων στα συστατικά P200 μπορεί να προβλέψει τις διαμορφώσεις LPP 14 , 43 .

Οι ηλεκτροφυσιολογικές μελέτες που χρησιμοποιούν ψευδοβόλα στο πλαίσιο της συναισθηματικής προσώδης είναι σπάνιες. Χρησιμοποιώντας ψευδοαισθησίες, ωστόσο, οι μελέτες ERP 15 , 48 διαπίστωσαν αυξημένα LPPs για συναισθηματική σε σύγκριση με ουδέτερη προσώδη. Μία μελέτη 49 με ψευδώνυμο (θυμωμένος έναντι λυπημένης προσώδης) βρήκε επίσης βελτιωμένες θετικές ιδιότητες για τη συναισθηματική προσώδη (δηλαδή, την ταυτοποίηση συναισθημάτων) αλλά όχι για τη γλωσσική προσώδη (δηλ. Αναγνώριση άγχους συλλαβικής λέξης) σε ένα διχωτικό παράδειγμα ακρόασης. Ωστόσο, οι συγγραφείς δεν συνέκριναν τη συναισθηματική προσώδη με την ουδέτερη πρόωση.

Από όσα γνωρίζουμε, μέχρι στιγμής, καμία άλλη νευροεπιστημονική μελέτη δεν διερεύνησε την σιωπηρή επεξεργασία της συναισθηματικής προσώδης (θυμωμένος έναντι ευτυχισμένης έναντι ουδέτερης προσώδης) σε μεμονωμένα ψευδώνυμα, εντελώς διαφορετική από τη μητρική γλώσσα των υποκειμένων για να αποκλείσει μια πιθανή γλωσσική επιρροή. Τα ψευδώνυμα στην παρούσα μελέτη συμμορφώθηκαν με ξένους φωνοτακτικούς κανόνες (δηλαδή, ο συνδυασμός διαφορετικών φωνημάτων 50). Με βάση την προηγούμενη έρευνα, αναμένουμε να βρούμε αυξημένες δεξιές ημισφαιρικές ενεργοποιήσεις για συναισθηματική σε σύγκριση με ουδέτερη προσώδη στο fNIRS, πιθανώς σε περιοχές που περιλαμβάνουν STC, MFC και IFC. Επιπλέον, αναμένουμε να βρούμε μεγαλύτερα LPP για συναισθηματική σε σύγκριση με ουδέτερη προσώδη στο EEG. Καθώς τα μοτίβα ενεργοποίησης του εγκεφάλου ενδέχεται να αλλάξουν λόγω διακυμάνσεων εργασιών, η διερεύνηση της σιωπηρής επεξεργασίας με τους συμμετέχοντες να ακούνε παθητικά την είσοδο ομιλίας χωρίς να εκτελεί συγκεκριμένη εργασία μπορεί επίσης να φέρει το φως να ρίξει φως στις διαφορές όχι μόνο μεταξύ ουδέτερων και συναισθηματικών ερεθισμάτων αλλά και μεταξύ διαφορετικών συναισθηματικών κατηγοριών (π.χ. θυμωμένος εναντίον χαρούμενος). Επί πλέον,Η ταυτόχρονη εφαρμογή δύο νευροεπιστημονικών μεθόδων επιτρέπει τη συσχέτιση ηλεκτροφυσιολογικών και αγγειακών αποκρίσεων των αντίστοιχων ευρημάτων EEG και fNIRS προκειμένου να αποκαλυφθούν μηχανισμοί ισοδύναμοι στη φύση. Παρόμοιες προσεγγίσεις υιοθετήθηκαν με επιτυχία στο EEG-fNIRS51 , 52 καθώς και μελέτες EEG-fMRI 53 .

Αποτελέσματα

Αποτελέσματα EEG

Σε όλα τα χρονικά παράθυρα, πραγματοποιήθηκε μια τετράδρομη ANOVA (Συνθήκη × Μισά × Ημισφαίριο × Περιοχή). Τα αποτελέσματα αυτών των ANOVA και η κατεύθυνση των εφέ παρέχονται τόσο στο κείμενο όσο και στα Σχ. 1 και 2 , για μια λεπτομερή επισκόπηση των στατιστικών αποτελεσμάτων των post-hoc t- test, ανατρέξτε στον Πίνακα  1 .

Για το χρονικό παράθυρο 100-150 ms, κανένα σημαντικό αποτέλεσμα ή αποτέλεσμα αλληλεπίδρασης δεν έφτασε σε σημασία, ούτε στα πλευρικά ROI ούτε στα ηλεκτρόδια μέσης γραμμής.

Φιγούρα 1
Φιγούρα 1

Τα αποτελέσματα ERP σε όλα τα ηλεκτρόδια για ουδέτερα, θυμωμένα και χαρούμενα ψευδοβόρα. Η αρνητική πολικότητα απεικονίζεται προς τα πάνω. Ένα φίλτρο χαμηλής διέλευσης 8 Hz εφαρμόστηκε μόνο για σκοπούς παρουσίασης.

Σχήμα 2
Σχήμα 2

Τα αποτελέσματα ERP σε αριστερές και δεξιές κεντρικές-παραμετρικές ανώτερες ROI (CPP5H / P3, CPP6H / P4) για ουδέτερα, θυμωμένα και χαρούμενα ψευδώνυμα. Η αρνητική πολικότητα απεικονίζεται προς τα πάνω. Ένα φίλτρο χαμηλής διέλευσης 8 Hz εφαρμόστηκε μόνο για σκοπούς παρουσίασης. Αναλυόμενα χρονικά παράθυρα που αποκάλυψαν σημαντικά αποτελέσματα αναφέρονται στο ηλεκτρόδιο P4 (250–350 ms, 500–550 ms, 600–700 ms, 700–900 ms).

Πίνακας 1 Περίληψη των αποτελεσμάτων EEG με όλες τις σημαντικές δοκιμές t -hoc .

Για χρονικό παράθυρο 250–350 ms, το ANOVA αποκάλυψε μια σημαντική κύρια επίδραση της Συνθήκης [ F (2,94) = 5,772, p  = 0,008] και μια σημαντική αλληλεπίδραση της Συνθήκης × Περιοχής [ F (10,470) = 2,198, p  = 0,049 ] στις πλευρικές ROIs, καθώς και μια σημαντική κύρια επίδραση της Συνθήκης [ F (2,94) = 8,133, p  = 0,001] και μια επίδραση αλληλεπίδρασης του Condition × Electrode [ F (4,188) = 8,301, p  <0,001] στη μέση γραμμή ηλεκτρόδια. Τα post-hoc t- test έδειξαν τάση μεγαλύτερης θετικότητας για χαρούμενους παρά θυμωμένους προδύτες. Επιπλέον, βρέθηκαν μεγαλύτερες θετικές ιδιότητες για ουδέτερη από θυμωμένη προσώδη, καθώς και για ουδέτερη από χαρούμενη προσώδη.

Στο χρονικό παράθυρο 500–550 ms, το ANOVA έδειξε μια σημαντική κύρια επίδραση της συνθήκης [ F (2,94) = 4,852, p  = 0,015] και ένα αποτέλεσμα αλληλεπίδρασης της συνθήκης × Region [ F (10,470) = 4,768, p  <0,001 ] στις πλευρικές ROIs καθώς και ένα φαινόμενο αλληλεπίδρασης του Condition × Electrode [ F (4.188) = 10.786, p  <0.001] στα μεσαία ηλεκτρόδια. Τα post-hoc t- test αποκάλυψαν, κατά κανόνα, μεγαλύτερα αρνητικά για θυμωμένους από χαρούμενους prosody, καθώς και μεγαλύτερες αρνητικές για ουδέτερο από χαρούμενο prosody. Ένα πρόσθετο αποτέλεσμα βρέθηκε μόνο στο ηλεκτρόδιο μεσαίας γραμμής Fz, με αυξημένη αρνητικότητα για ουδέτερο σε σύγκριση με θυμωμένη προσώδη.

Στο χρονικό παράθυρο 600–700 ms, το ANOVA έδειξε μια σημαντική κύρια επίδραση της Συνθήκης [ F (2,94) = 3,966, p  = 0,030] σε πλευρικές ROIs καθώς και ένα φαινόμενο αλληλεπίδρασης του Condition × Electrode [ F (4.188) = 6,409, p  = 0,003] στα ηλεκτρόδια μεσαίας γραμμής. Τα post-hoc t- test αποκάλυψαν μια τάση αυξημένων θετικών θετικών προσόντων σε σύγκριση με τόσο θυμωμένους όσο και ουδέτερους. Μόνο στο ηλεκτρόδιο μέσης γραμμής Fz, οι δοκιμές t έδειξαν αυξημένες θετικές ιδιότητες για χαρούμενους και μια τάση αυξημένων θετικών για θυμωμένη προσώδη σε σύγκριση με ουδέτερη προσώδη.

Στο χρονικό παράθυρο 700-900 ms, το ANOVA έδειξε μια σημαντική κύρια επίδραση της Συνθήκης [ F (2,94) = 7,019, p  = 0,004] και ένα αποτέλεσμα αλληλεπίδρασης της Συνθήκης × Περιοχής [ F (10,470) = 2,9982, p  <0,012 ] στις πλευρικές ROIs καθώς και στην κύρια επίδραση της συνθήκης [ F (4.188) = 3.957, p  = 0.022] στα ηλεκτρόδια μεσαίας γραμμής. Σε πλευρικές περιοχές, τα post-hoc t- test έδειξαν μεγαλύτερες θετικές ιδιότητες για χαρούμενη από θυμωμένη προδία, καθώς και αυξημένα θετικά για χαρούμενη από ουδέτερη προσώδη. Στα ηλεκτρόδια μεσαίας γραμμής, οι δοκιμές t αποκάλυψαν μεγαλύτερες θετικές ιδιότητες για θυμωμένους, καθώς και τάση για αυξημένες θετικές ιδιότητες για χαρούμενη πρόωση σε σύγκριση με την ουδέτερη προσώδη.

Αποτελέσματα fNIRS

Πραγματοποιήθηκε ένα τετράδρομο ANOVA (Συνθήκη × Μισά × Ημισφαίριο × Περιοχή) για [oxy-Hb] και [deoxy-Hb] ξεχωριστά. Αυτό το ANOVA δεν είχε ως αποτέλεσμα σημαντικά αποτελέσματα ή αλληλεπιδράσεις. Για να λάβουμε κάποιες πληροφορίες σχετικά με τους υποκείμενους νευρικούς μηχανισμούς, εκτελέσαμε στη συνέχεια ένα μονόδρομο ANOVA με το συντελεστή συνθήκης (θυμωμένος, χαρούμενος, ουδέτερος) σε κάθε κανάλι. Δεν ελήφθησαν σημαντικά αποτελέσματα για το [deoxy-Hb], αλλά για [oxy-Hb] ένα σημαντικό κύριο αποτέλεσμα για την κατάσταση βρέθηκε στο δεξιό μπροστινό-χρονικό κανάλι RFT [ F (2.1000) = 3.647, p  = 0.039]. Τα post-hoc t- test αποκάλυψαν αυξημένες ενεργοποιήσεις για θυμωμένους σε σύγκριση με τόσο χαρούμενους [ t (43) = 2.043, p  = 0.047] και ουδέτερος [ t (43) = 2.206,p  = 0,033] prosody σε αυτό το κανάλι (βλ. Εικόνα  3 ), ωστόσο δεν επέζησαν της διόρθωσης FDR.

Σχήμα 3
σχήμα3

Αποτελέσματα fNIRS. Μαθήματα χρόνου ( a ) και γραφήματα τιμών Beta, συμπεριλαμβανομένων SEMs ( b ) για [oxy-Hb] για θυμωμένους σε σύγκριση με χαρούμενα και ουδέτερα ψευδώνυμα σε δεξιό μετωπικό-χρονικό κανάλι RFT.

Μετα-hoc συσχετιστική ανάλυση

Μια μετα-hoc συσχετιστική ανάλυση εφαρμόστηκε για να αποκαλυφθούν πιθανές σχέσεις μεταξύ των αποτελεσμάτων EEG και fNIRS. Τόσο το fNIRS όσο και το EEG αποκάλυψαν ένα αντίστοιχο φαινόμενο επεξεργασίας συναισθηματικής προσώδης, δηλαδή την αυξημένη ενεργοποίηση για θυμωμένους σε σύγκριση με την ευτυχισμένη προσώδη. Στο fNIRS, αυτό το φαινόμενο βρέθηκε στο δεξιό μπροστινό-χρονικό κανάλι RFT με αυξημένα επίπεδα [oxy-Hb] για θυμωμένους σε σύγκριση με χαρούμενη πρόωση. Στο EEG, η αυξημένη αρνητικότητα για θυμωμένους σε σύγκριση με την ευτυχισμένη προσώδη βρέθηκε στο χρονικό παράθυρο 500–550 ms σε μετωπικές, κεντροπαρατολικές και βρεγματικές περιοχές καθώς και ηλεκτρόδια μεσαίας γραμμής Fz και Cz.

Οι διαφορές (Δ) μεταξύ θυμωμένης και χαρούμενης προσώδους για τιμές τάσης ERP και fNIRS [oxy-Hb] εισήχθησαν στις αναλύσεις συσχέτισης του Pearson με ένα άκρο Πραγματοποιήσαμε αυτήν τη διαδικασία για όλες τις προαναφερθείσες σημαντικές περιοχές και ηλεκτρόδια στο EEG καθώς και για το κανάλι RFT στο fNIRS.

Αποτελέσματα αποκάλυψε μια σημαντική συσχέτιση μεταξύ της αύξησης του [οξυ-Hb] σχετικά RFT κανάλι και την αύξηση της αρνητικότητας στην EEG στην πρόσθια περιοχή ( r 2  = -0,270, ρ  = 0,042) (Εικ.  4 ). Δεν βρέθηκαν σημαντικές συσχετίσεις για το centro-parietal ( r 2  = −0.015, p  = 0.462) και τις παραμετρικές ανώτερες περιοχές ( r 2  = −0.068, p  = 0.334) καθώς και για τα ηλεκτρόδια μεσαίας γραμμής Fz ( r 2  = −0.200, p  = 0.102) και Cz ( r 2  = -0,055, ρ  = 0,365).

Σχήμα 4
σχήμα 4

Διάγραμμα διασποράς τάσης EEG και διαφορών fNIRS [oxy-Hb] (Δ) μεταξύ θυμού και χαρούμενου προσώματος που δείχνει σημαντική αρνητική συσχέτιση μεταξύ αλλαγής τάσης στην μετωπική περιοχή και αλλαγής στο [oxy-Hb] στο κανάλι RFT.

Συζήτηση

Η παρούσα μελέτη αποσκοπούσε στη διερεύνηση νευρικών μηχανισμών που διέπουν την σιωπηρή επεξεργασία συναισθηματικής προσώδους, παρουσιάζοντας ακουστικά μεμονωμένα ψευδώνυμα σύμφωνα με τα χαρούμενα, θυμωμένα και ουδέτερα πρότυπα προσώδη. Οι ηλεκτροφυσιολογικές και αιμοδυναμικές αποκρίσεις αξιολογήθηκαν με ταυτόχρονη πολυ-μεθοδολογική προσέγγιση χρησιμοποιώντας ηλεκτροεγκεφαλογραφία (EEG) και λειτουργική φασματοσκοπία σχεδόν υπέρυθρων (fNIRS).

ERP

Τα δυναμικά του εγκεφάλου που σχετίζονται με συμβάντα (ERP) αποκάλυψαν σημαντικές διαφορές μεταξύ των τριών κατηγοριών προσώδους σε τέσσερα διαφορετικά χρονικά διαστήματα. Στο χρονικό παράθυρο 250–350 ms, βρέθηκε μια τάση μεγαλύτερων θετικών για χαρούμενη παρά θυμωμένη προδία σε αμφίπλευρες μετωπικές και κεντροπαρατολικές ROI με κυματομορφές πλάτους που αντικατοπτρίζουν ένα στοιχείο P200. Στην έρευνα σχετικά με τη συναισθηματική επεξεργασία προσώματος, τέτοιες μετωπικά κεντρικά κατανεμημένες θετικές αναφορές είχαν προηγουμένως αναφερθεί και φαίνεται να αποτελούν μέρος της μηχανικής αρχικής συναισθηματικής κωδικοποίησης και αναγνώρισης σθένους καθώς και της συναισθηματικής διεγέρσεως 43. Τα αυξημένα συστατικά P200 για χαρούμενα συγκριτικά με θυμωμένα ερεθίσματα υποδηλώνουν συνεπώς αυξημένη αρχική διέγερση για χαρούμενα ψευδοχορδόνια, κάτι που δεν προκαλεί έκπληξη, καθώς η χαρούμενη πρόωση ορίζεται από υψηλότερο βήμα και πλουσιότερο μελωδικό περίγραμμα. Αυξημένες συνιστώσες P200 για χαρούμενη προσώδη σε σύγκριση με άλλα συναισθηματικά πρότυπα έχουν επίσης βρεθεί σε προηγούμενες μελέτες 15 , 54 .

Είναι ενδιαφέρον ότι η παρούσα μελέτη αποκάλυψε περαιτέρω μια ευρέως κατανεμημένη αύξηση των συστατικών P200 για ουδέτερο σε σύγκριση τόσο με τα θυμωμένα (σε μετωπικά, μετωπικά, χρονικά, κεντρικά-parietal και parietal ROIs καθώς και μεσαία ηλεκτρόδια) και χαρούμενα prosody (στα μεσαία ηλεκτρόδια Cz και Pz ). Οι διαμορφώσεις στο P200 μεταξύ συναισθηματικής και ουδέτερης εισόδου συμφωνούν με τη βιβλιογραφία. Ωστόσο, η προηγούμενη έρευνα απεικονίζει ότι τα συναισθηματικά ερεθίσματα προκαλούν συνήθως μεγαλύτερες θετικότητες από τα ουδέτερα ερεθίσματα. Αυτό ισχύει για μελέτες με γνωστές πραγματικές λέξεις 14 , ψευδοαισθησίες 54 και μη λεκτικές φωνήσεις 55. Ένα αυξημένο P200 για ουδέτερα ψευδώνυμα στο πλαίσιο της συναισθηματικής προσώδης δεν φαίνεται να ταιριάζει με το προαναφερθέν μοντέλο εύρους που αυξάνεται με τη συναισθηματική διέγερση, καθώς τα ουδέτερα ψευδοβόρα δεν πρέπει να παρέχουν συναισθηματικό περιεχόμενο.

Το P200 έχει επίσης συσχετιστεί με διαδικασίες που περιλαμβάνουν λεξική πρόσβαση και γλωσσική μνήμη 56 , 57 , 58. Ως εκ τούτου, προτείνουμε ότι τα αυξημένα συστατικά P200 για ουδέτερα ερεθίσματα ενδέχεται να αντικατοπτρίζουν έναν καθαρό γνωστικό μηχανισμό σύγκρισης της ακουστικής εισόδου με παραστάσεις στη γλωσσική μνήμη, καθώς τα ψευδοβόρα που χρησιμοποιούνται στην παρούσα μελέτη συμμορφώνονται με ξένους φωνοτακτικούς κανόνες άγνωστους στα θέματα. Ενώ οι ουδέτερες λέξεις που αποσυνδέονται από τα συναισθηματικά στοιχεία προκαλούν φωνολογικούς μηχανισμούς αναζήτησης, η πρόσθετη συναισθηματική είσοδος (σε αυτήν την περίπτωση μέσω του προσωδικού περιγράμματος) φαίνεται συνεπώς να καλύπτει τέτοιες γνωστικές διαδικασίες. Αυτή η υπόθεση υποστηρίζεται περαιτέρω από το γεγονός ότι κάποια έρευνα έχει βρει αυξημένα συστατικά P200 για ουδέτερο σε σύγκριση με συναισθηματικά ερεθίσματα όταν το υλικό συνίστατο σε πιο περίπλοκες λεξικές προτάσεις με σημασιολογικό περιεχόμενο (π.χ. 54 ).

Η έρευνα σχετικά με τη συναισθηματική επεξεργασία προσώματος δείχνει ότι οι διαμορφώσεις στα συστατικά του P200 προβλέπουν αλλαγές στα θετικά καθυστερημένα δυναμικά (LPPs) που σχετίζονται στενά με την πιο περίπλοκη επεξεργασία συναισθηματικής διέγερσης και συναισθηματικής συνάφειας 14 , 43 , 44 , 46 , 47. Αυτή η ικανότητα πρόβλεψης εμφανίστηκε επίσης στην παρούσα μελέτη. Τα χρονικά παράθυρα 600–700 και 700–900 ms αποκάλυψαν ένα μακροχρόνιο θετικό κύμα για χαρούμενη prosody σε σύγκριση με τόσο ουδέτερα όσο και θυμωμένα ψευδώνυμα. Στο χρονικό παράθυρο 600–700 ms, αυτή η θετικότητα για χαρούμενη προωδία ήταν σημαντική σε όλες τις πλευρικές ROI, ενώ το εφέ έγινε πιο κεντρικά-παραμετρικά κατανεμημένο στο χρονικό παράθυρο 700–900 ms υποδεικνύοντας ότι η τοπογραφική κατανομή του LPP μπορεί να γίνει πιο συμπυκνωμένη ως συναισθηματική διέγερση αναπτύσσονται διαδικασίες. Σε σύγκριση με ουδέτερα ερεθίσματα, συχνά τα αρνητικά καθώς και τα θετικά πρότυπα τονισμού προκαλούν αυξημένα LPPs 15. Η οπτική επιθεώρηση των μεγάλων μέσων όρων της παρούσας μελέτης αποκάλυψε αργά αυξανόμενες θετικές ιδιότητες και για την θυμωμένη προσώδη σε σύγκριση με την ουδέτερη προσώδη σε μεταγενέστερα χρονικά διαστήματα. Αυτό το φαινόμενο έγινε σημαντικό μόνο στο ηλεκτρόδιο Fz (600-700 ms) και σε όλα τα ηλεκτρόδια μεσαίας γραμμής μεταξύ 700-900 ms, γεγονός που υποδηλώνει ότι οι μηχανισμοί συναισθηματικής διέγερσης και συνάφειας ήταν κατά κύριο λόγο ενεργό όταν επεξεργάζονταν ευτυχισμένη συναισθηματική πρόωση.

Είναι ενδιαφέρον ότι οι διαφορές μεταξύ των θυμωμένων και των ουδέτερων ερεθισμάτων σε σύγκριση με τα ευτυχισμένα ψευδοβόρα βρέθηκαν στο χρονικό παράθυρο 500–550 ms που αντικατοπτρίζεται από αυξημένες αρνητικές ικανότητες για θυμωμένη και ουδέτερη προσώδη συνοδευόμενη από μεγαλύτερη θετικότητα για τα ευτυχισμένα ψευδώνυμα. Παρουσιάζοντας πραγματικά αλλά σημασιολογικά ουδέτερα ρήματα στους συμμετέχοντες, Grossmann et al . 11 βρήκαν επίσης αυξημένη αρνητικότητα για θυμωμένους σε σύγκριση με χαρούμενες φωνές μεταξύ 400 και 600 ms έναρξης ερεθίσματος. Οι συγγραφείς δηλώνουν ότι μια αυξημένη αρνητικότητα για θυμωμένα ερεθίσματα σε αυτό το χρονικό πλαίσιο μπορεί να υποδηλώνει μεγαλύτερη προσπάθεια επεξεργασίας ή έλεγχο για θυμωμένες από χαρούμενες φωνές και ως εκ τούτου αντικατοπτρίζει τον μηχανισμό μεροληψίας αρνητικότητας 59. Συνολικά, η μεροληψία αρνητικότητας εξηγείται εξελικτικά καθώς τα αρνητικά ερεθίσματα συμβαδίζουν συχνά με μια πιθανή απειλή και έχει περιγραφεί ως μια γρήγορη ακούσια απόκριση που ξεκινά αυτόματα όταν τα άτομα αντιμετωπίζουν αποτρεπτικά ερεθίσματα στον οπτικό τομέα 60 . Οι ερευνητές εξακολουθούν να συζητούν σε ποιο βαθμό τέτοιες απαντήσεις είναι ανεξάρτητες από την εστίαση (οπτική) προσοχή στο ερέθισμα 61 , 62 , 63. Η εύρεση ενός τέτοιου αποτελέσματος κατά τη διάρκεια της σιωπηρής επεξεργασίας συναισθηματικής προσώδης, εντούτοις, ενισχύει την υπόθεση ότι μια προκατάληψη αρνητικότητας - τουλάχιστον στον ακουστικό τομέα - λειτουργεί αυτόματα καθώς δεν δόθηκε ρητή εργασία στην παρούσα μελέτη που θα μπορούσε να τραβήξει την προσοχή σε μια συγκεκριμένη συναισθηματική κατηγορία . Επομένως, τα πρώιμα αρνητικά ERP θα μπορούσαν να αντικατοπτρίζουν έναν φυσικό μηχανισμό προστασίας με τη μορφή μιας διαδικασίας συναισθηματικής αναγνώρισης σθένους και αξιολόγησης απειλών εστιάζοντας έμμεσα στα αποτρεπτικά ερεθίσματα στην αρχή.

Δυστυχώς, στη μελέτη των Grossmann et al . 11, συναισθηματικές φωνές όπου δεν συγκρίνονται άμεσα με ουδέτερα ερεθίσματα και ερμηνείες για τους οποίους τα ουδέτερα ψευδώνυμα στην παρούσα μελέτη προκαλούν παρόμοια αρνητικότητα με τα θυμωμένα ψευδώνυμα παραμένουν κερδοσκοπικά. Λάβετε υπόψη ότι οι διαφορές μεταξύ ουδέτερων και χαρούμενων ερεθισμάτων μπορεί να οφείλονται σε μεγαλύτερη θετικότητα που βρέθηκε για τα χαρούμενα ψευδοβράδια παρά από αυξημένες αρνητικές ικανότητες για ουδέτερα ερεθίσματα τουλάχιστον σε περισσότερες οπίσθιες θέσεις ηλεκτροδίων. Παρ 'όλα αυτά, προτείνουμε ότι οι μεγαλύτερες αρνητικές ιδιότητες που βρέθηκαν για θυμωμένη και ουδέτερη προσώδη σε σύγκριση με χαρούμενα ερεθίσματα ενδέχεται να αντανακλούν και τους δύο μηχανισμούς αυξημένης προσπάθειας επεξεργασίας, όπως συμβαίνουν στο ίδιο χρονικό παράθυρο. Ωστόσο, η τοπογραφική κατανομή των αποτελεσμάτων διέφερε σαφώς, αντικατοπτρίζοντας πιθανώς διαφορετικές κινητήριες δυνάμεις. Οι διαφορές μεταξύ ουδέτερης και ευτυχισμένης προσώδης εντοπίστηκαν κυρίως σε μετωπικές και μετωπικές χρονικές περιοχές,ενώ η αυξημένη αρνητικότητα για την θυμωμένη προσώδη περιελάμβανε μετωπικές, κεντροπαρατολικές και βρεγματικές περιοχές του εγκεφάλου. Προτείνουμε ότι οι θυμωμένοι προσδικοί χαρακτήρες κατηγοριοποιούνται σαφώς ως απειλητικοί, οδηγώντας έτσι σε αυξημένες συναισθηματικές διεργασίες (δηλ. Αξιολόγηση απειλών). Τα ουδέτερα ψευδώνυμα που δεν φέρουν καμία απολύτως πληροφορία, ούτε συναισθηματικά ούτε σημασιολογικά, θα μπορούσαν να αποτελέσουν την αυξημένη προσπάθεια επεξεργασίας λόγω μιας προσπάθειας ταυτότητας συναισθηματικού σθένους, καθώς ο εγκέφαλος δεν ξέρει πώς να τα αντιμετωπίσει στην αρχή, επειδή δεν ταιριάζει σε μια συναισθηματική κατηγορία . Γνωρίζουμε το γεγονός ότι αυτή η τελευταία αναφερόμενη ερμηνεία παραμένει κερδοσκοπική και απαιτεί περαιτέρω έρευνα.Προτείνουμε ότι οι θυμωμένοι προσδικοί χαρακτήρες κατηγοριοποιούνται σαφώς ως απειλητικοί, οδηγώντας συνεπώς σε αυξημένες συναισθηματικές διεργασίες (δηλαδή, αξιολόγηση απειλών). Τα ουδέτερα ψευδώνυμα που δεν φέρουν καμία απολύτως πληροφορία, ούτε συναισθηματικά ούτε σημασιολογικά, θα μπορούσαν να αποτελέσουν την αυξημένη προσπάθεια επεξεργασίας λόγω μιας προσπάθειας ταυτότητας συναισθηματικού σθένους, καθώς ο εγκέφαλος δεν ξέρει πώς να τα αντιμετωπίσει στην αρχή, επειδή δεν ταιριάζει σε μια συναισθηματική κατηγορία . Γνωρίζουμε το γεγονός ότι αυτή η τελευταία αναφερόμενη ερμηνεία παραμένει κερδοσκοπική και απαιτεί περαιτέρω έρευνα.Προτείνουμε ότι οι θυμωμένοι προσδικοί χαρακτήρες κατηγοριοποιούνται σαφώς ως απειλητικοί, οδηγώντας συνεπώς σε αυξημένες συναισθηματικές διεργασίες (δηλαδή, αξιολόγηση απειλών). Τα ουδέτερα ψευδώνυμα που δεν φέρουν καμία απολύτως πληροφορία, ούτε συναισθηματικά ούτε σημασιολογικά, θα μπορούσαν να αποτελέσουν την αυξημένη προσπάθεια επεξεργασίας λόγω μιας προσπάθειας ταυτότητας συναισθηματικού σθένους, καθώς ο εγκέφαλος δεν ξέρει πώς να τα αντιμετωπίσει στην αρχή, επειδή δεν ταιριάζει σε μια συναισθηματική κατηγορία . Γνωρίζουμε το γεγονός ότι αυτή η τελευταία αναφερόμενη ερμηνεία παραμένει κερδοσκοπική και απαιτεί περαιτέρω έρευνα.μπορεί να βασίζεται σε αυξημένη προσπάθεια επεξεργασίας λόγω μιας προσπάθειας ταυτότητας συναισθηματικού σθένους, καθώς ο εγκέφαλος δεν ξέρει πώς να τα αντιμετωπίσει στην αρχή, επειδή δεν ταιριάζει σε μια συναισθηματική κατηγορία. Γνωρίζουμε το γεγονός ότι αυτή η τελευταία αναφερόμενη ερμηνεία παραμένει κερδοσκοπική και απαιτεί περαιτέρω έρευνα.μπορεί να βασίζεται σε αυξημένη προσπάθεια επεξεργασίας λόγω μιας προσπάθειας ταυτότητας συναισθηματικού σθένους, καθώς ο εγκέφαλος δεν ξέρει πώς να τα αντιμετωπίσει στην αρχή, επειδή δεν ταιριάζει σε μια συναισθηματική κατηγορία. Γνωρίζουμε το γεγονός ότι αυτή η τελευταία αναφερθείσα ερμηνεία παραμένει κερδοσκοπική και απαιτεί περαιτέρω έρευνα.

Συνολικά, τα αποτελέσματα του EEG υποδηλώνουν ότι κατά την επεξεργασία σιωπηρά συναισθηματικών ψευδώνυμων, τα θυμωμένα ερεθίσματα εξακολουθούν να προκαλούν LPPs μετά από μια σύντομη αξιολόγηση απειλών, καθώς παρέχουν περισσότερες συναισθηματικές πληροφορίες από τα ουδέτερα ψευδώνυμα, αλλά τα LPP μειώνονται σε σύγκριση με τα χαρούμενα ερεθίσματα, καθώς η συναισθηματική σχετικότητα είναι ελάχιστη για την τρέχουσα κατάσταση. Τα ουδέτερα ψευδώνυμα υπόκεινται επίσης σε μια αρχική μορφή προσπάθειας αναγνώρισης σθένους, αλλά δεν ακολουθούνται από LPP επειδή η συναισθηματική συνάφεια και η διέγερση είναι ανύπαρκτες. Επιπλέον, τα χαρούμενα ερεθίσματα δεν χρειάζονται πρόσθετες διαδικασίες ταυτοποίησης σθένους, καθώς μπορούν εύκολα να ταξινομηθούν ως θετικά και μη απειλητικά λόγω του μοναδικού προσωδιακού τους περιγράμματος (επομένως δεν υπάρχουν αρνητικά πλάτη), αλλά ακόμη πιο διεγερτικά σε σύγκριση με τα άλλα ερεθίσματα ομιλίας που υποδεικνύονται από πολύ έντονα LPP.Τέτοιες αλληλουχίες ERP κατά τη διάρκεια της συναισθηματικής επεξεργασίας προσώματος μπορεί να εμφανιστούν μόνο όταν η είσοδος ομιλίας είναι μικρή (δηλαδή, μεμονωμένες λέξεις), δεν διαθέτει πρόσθετες σημασιολογικές πληροφορίες και δεν δίνονται ρητά καθήκοντα που θα μπορούσαν ενδεχομένως να αλλάξουν νευρικές αποκρίσεις.

fNIRS

Οι μελέτες νευροαπεικόνισης συχνά δεν βρίσκουν διαφορές μεταξύ ερεθισμάτων με θετικό ή αρνητικό σθένος και συνήθως αποκαλύπτουν διαφορές μεταξύ συναισθηματικών και ουδέτερων καταστάσεων (π.χ. 40 , 41 , 42 ). Βρήκαμε ένα σημαντικό αποτέλεσμα για θυμωμένους σε σύγκριση με την ευτυχισμένη και την ουδέτερη προσώδη σε ένα δεξιό μετωπικό κανάλι NIRS (RFT). Είναι ενδιαφέρον ότι η μεγαλύτερη ενεργοποίηση των θυμωμένων ψευδώνυμων (δηλαδή, η αύξηση του [oxy-Hb]) φαίνεται να οφείλεται σε μεγαλύτερη μείωση του [oxy-Hb] για χαρούμενα και ουδέτερα ερεθίσματα. Τέτοιες αντίστροφες αιμοδυναμικές αποκρίσεις (δηλ. Αύξηση του [deoxy-Hb] ή μείωση του [oxy-Hb]) βρέθηκαν λόγω της πολυπλοκότητας των ερεθισμάτων 64 , 65. Αυτό φαίνεται να είναι μια ενδεχομένως κατάλληλη εξήγηση για τα αποτελέσματά μας, καθώς τα ψευδοβόρα αποτελούνται από σλοβακικούς φωνοτακτικούς κανόνες εντελώς νέους και άγνωστους στους μονόγλωσσους γερμανούς μεγάλους συμμετέχοντες και επομένως θα μπορούσαν πράγματι να ερμηνευθούν ως πιο περίπλοκα ερεθίσματα. Μια περαιτέρω, πιο μεθοδολογικά προσανατολισμένη εξήγηση είναι η εφαρμογή ακατάλληλων βασικών γραμμών κατά τη διάρκεια των δεδομένων κατά μέσο όρο 66 , ειδικά σε σχετιζόμενα με συμβάντα σχέδια με σύντομα ερεθίσματα όπως εφαρμόζονται στη μελέτη μας. Ωστόσο, μια προσέγγιση GLM μπορεί να αντιμετωπίσει τέτοια φαινόμενα 65 , 66 και είχε ήδη εγκριθεί επιτυχώς από την ερευνητική μας ομάδα 67 . Η υπόθεση «νευρωνική αναστολή» 68 , 69 και η υπόθεση «αγγειακή κλοπή» 66, 70 παρέχουν μια άλλη εξήγηση για ανεστραμμένες αποκρίσεις αποδίδοντας μια μείωση στην ενεργοποίηση στην επανάληψη του ερεθίσματος και το πιο σημαντικό σε μια προσεκτική μετατόπιση. Η μεγαλύτερη προσοχή σε ορισμένα ερεθίσματα οδηγεί σε αυξημένη ενεργοποίηση σε εμπλεκόμενες περιοχές και απενεργοποίηση σε μη εμπλεκόμενες γειτονικές περιοχές. Υποθέτοντας ότι μια τέτοια εξήγηση για την ανεστραμμένη απόκριση στη μελέτη μας είναι μάλλον κερδοσκοπική καθώς βρίσκουμε την ενεργοποίηση για όλα τα συναισθήματα στην ίδια περιοχή του εγκεφάλου. Ωστόσο, αυτό θα μπορούσε να σημαίνει ότι τα θυμωμένα ερεθίσματα δείχνουν ισχυρότερες ενεργοποιήσεις σε μια περιοχή του δεξιού μετωπιαίου εγκεφάλου λόγω της νευρικής απενεργοποίησης κατά τη διάρκεια της παρουσίασης ευτυχισμένων και ουδέτερων ψευδώνυμων. Φαίνεται σαφές ότι απαιτούνται περισσότερες φυσιολογικές και γνωστικές μελέτες που ασχολούνται άμεσα με το ζήτημα των ανεστραμμένων αιμοδυναμικών σημάτων.

Το κανάλι RFT περιλαμβάνει παρακείμενες περιοχές του εγκεφάλου τόσο του δεξιού κατώτερου μετωπιαίου φλοιού (IFC) όσο και του δεξιού μεσαίου μετωπιαίου φλοιού (MFC) 71 . Οι ενεργοποιήσεις στο δεξί ημισφαίριο κατά τη διάρκεια της συναισθηματικής επεξεργασίας είναι συχνές στη βιβλιογραφία 26 , 32 . Σε ένα πρόσφατο μοντέλο δικτύου για συναισθηματική επεξεργασία, και οι δύο περιοχές έχουν συσχετιστεί με διαδικασίες αξιολόγησης του συναισθηματικού ερεθίσματος. Ειδικότερα, η IFC έχει εκχωρηθεί σε γνωστικές διαδικασίες αξιολόγησης της συναισθηματικής πληροφορίες που αποστέλλονται από την ανώτερη κροταφικό φλοιό (STC), ενώ το MFC φαίνεται να εμπλέκεται κυρίως κατά τη διάρκεια της αξιολόγησης συγκίνηση, διεργασίες αξιολόγησης και ρύθμιση των πληροφοριών που αποστέλλονται από την αμυγδαλή 33. Για να προχωρήσουμε ακόμη περισσότερο, τόσο το σωστό MFC όσο και το σωστό IFC φαίνεται να εμπλέκονται στην ενεργητική κρίση της συναισθηματικής προσώδης 72 , 73 , 74 . Μελέτες απεικόνισης σχετικά με τη συναισθηματική προσώδη συχνά δεν βρίσκουν διαφορές στην ενεργοποίηση μεταξύ θετικών και αρνητικών προτύπων τονισμού 42 . Μελέτες που βρίσκουν διαφορές μεταξύ συναισθηματικών κατηγοριών είναι δύσκολο να συγκριθούν λόγω παραλλαγών του σχεδιασμού της μελέτης και των υλικών που χρησιμοποιούνται, αλλά δείχνουν την τάση αυξημένων ενεργοποιήσεων για ευτυχισμένη προσώδη στην αριστερή μετωπική μετωπική γύρο και διμερείς ενεργοποιήσεις ή ακόμη πιο δεξιά ημισφαιρική ενεργοποίηση στο STC, orbitofrontal φλοιός (OFC) και MFC για θυμωμένη προσώδη σε σύγκριση με την ουδέτερη προσώδη 38 , 42 , 74. Η εύρεση ενεργοποιήσεων για θυμωμένους σε σύγκριση με χαρούμενη και ουδέτερη προσώδη στο σωστό IFC και MFC, επομένως, δεν έρχεται σε αντίθεση με προηγούμενες έρευνες. Τα θυμωμένα ερεθίσματα φαίνεται να προκαλούν διαδικασίες αξιολόγησης συναισθημάτων στο fNIRS που συμβαδίζουν με την επίδραση αρνητικότητας μεταξύ 500 και 550 ms που βρέθηκε στο EEG, υποδηλώνοντας μια εξελικτική επεξηγούμενη προκατάληψη αρνητικότητας. Αυτό υποστηρίχθηκε από μια post-hoc συσχετιστική ανάλυση που αποκαλύπτει μια σημαντική συσχέτιση μεταξύ της αύξησης της αρνητικότητας ERP καθώς και της αύξησης του [oxy-Hb] για θυμωμένους σε σύγκριση με την ευτυχισμένη prosody.

Δυστυχώς, ωστόσο, το εφέ fNIRS που βρέθηκε είναι μάλλον μικρό καθώς δεν επέζησε της διόρθωσης FDR. Αυτό θα μπορούσε να οφείλεται στο γεγονός ότι το fNIRS μετρά ως επί το πλείστον φλοιώδη στρώματα του εγκεφάλου, χωρίς να φτάνει σε βαθύτερες δομές όπως η αμυγδαλή, η οποία είναι γνωστό ότι εμπλέκεται κυρίως στη συναισθηματική επεξεργασία γενικά 35 , αλλά και στη συναισθηματική επεξεργασία προσώματος συγκεκριμένα 36 . Παρ 'όλα αυτά, οι μελέτες fMRI έδειξαν ότι ο φλοιός εμπλέκεται επίσης όταν πρόκειται για συναισθηματική επεξεργασία (prosody) 13 , 33 , 37 και επιδράσεις βρέθηκαν επίσης σε προηγούμενες μελέτες fNIRS 20 , 40 , 41 , 42. Ωστόσο, επίσης σε αυτές τις μελέτες fNIRS, τα αποτελέσματα αναφέρονται μερικές φορές ως απλές τάσεις, καθώς οι στατιστικές αναλύσεις αποκαλύπτουν μόνο οριακά σημαντικά αποτελέσματα. Αυτό συμβαίνει ακόμη και όταν εφαρμόζεται το fNIRS ως μία μόνο μέθοδος - η οποία έχει τη δυνατότητα να αξιολογεί τις περιοχές του εγκεφάλου με πιο λεπτομερή τρόπο χρησιμοποιώντας περισσότερα κανάλια από όσα μπορούσαμε κατά τη διάρκεια της πολυ-μεθοδολογικής προσέγγισής μας λόγω του περιορισμένου χώρου στο EEG καπάκι. Το fNIRS θα μπορούσε επομένως να ενδείκνυται καλύτερα για σχέδια μελέτης που διερευνούν διαδικασίες που περιλαμβάνουν κυρίως φλοιώδεις δομές όπως γλωσσικούς μηχανισμούς, όπου έχει εφαρμοστεί επιτυχώς πολλές φορές 10 .

Συμπεράσματα

Συνολικά, τα αποτελέσματα της παρούσας μελέτης δείχνουν ότι τα θετικά και αρνητικά συναισθήματα μπορούν να διακριθούν μεταξύ τους καθώς και από ουδέτερη προσώδη σε νευρικό επίπεδο, ακόμη και όταν η είσοδος ομιλίας δεν παρέχει κανένα σημασιολογικό περιεχόμενο και δεν δίδεται ρητή εργασία διάκρισης. Η σιωπηρή επεξεργασία της συναισθηματικής προσώδους φαίνεται να καθοδηγείται κυρίως από μηχανισμούς συναισθηματικής και φωνολογικής κωδικοποίησης (δηλαδή, P200), καθώς και από συναισθηματική αναγνώριση σθένους (δηλ. Αυξημένη αρνητικότητα) στην αρχή, ακολουθούμενη από διαδικασίες συναισθηματικής διέγερσης και συνάφειας (δηλαδή, LPP) της αντίστοιχης εισόδου. Στο EEG, βρήκαμε μεγαλύτερα LPPs για συναισθηματική (θυμωμένη και χαρούμενη) prosody σε σύγκριση με την ουδέτερη prosody, πιο έντονη για χαρούμενη prosody λόγω συγκεκριμένων προτύπων τονισμού (π.χ. υψηλότερο βήμα, πλουσιότερο μελωδικό περίγραμμα κ.λπ.) που προκαλεί αυξημένη συναισθηματική διέγερση.Σε παλαιότερα στάδια επεξεργασίας, ωστόσο, βρήκαμε μεγαλύτερες αρνητικές επιδράσεις για θυμωμένη προσώδη στο EEG, σύμφωνα με αυξημένες ενεργοποιήσεις στο fNIRS που υποδηλώνουν έμμεση εστίαση σε θυμωμένα και συνεπώς απειλητικά ερεθίσματα που αντικατοπτρίζουν έναν μηχανισμό αξιολόγησης απειλών υπό την έννοια μιας προκατάληψης αρνητικότητας. Ο εντοπισμός πολλών σταδίων συναισθηματικής επεξεργασίας σε υγιή άτομα είναι ζωτικής σημασίας για τη διερεύνηση ομάδων ψυχιατρικών ασθενών (π.χ., που υποφέρουν από άγχος, διαταραχή μετατραυματικού στρες, κατάθλιψη) που εμφανίζει ελλείμματα συναισθηματικής ρύθμισης.Ο εντοπισμός πολλών σταδίων συναισθηματικής επεξεργασίας σε υγιή άτομα είναι ζωτικής σημασίας για τη διερεύνηση ομάδων ψυχιατρικών ασθενών (π.χ., που πάσχουν από άγχος, μετατραυματική διαταραχή στρες, κατάθλιψη) που εμφανίζει συναισθηματικά ελλείμματα.Ο εντοπισμός πολλών σταδίων συναισθηματικής επεξεργασίας σε υγιή άτομα είναι ζωτικής σημασίας για τη διερεύνηση ομάδων ψυχιατρικών ασθενών (π.χ., που πάσχουν από άγχος, μετατραυματική διαταραχή στρες, κατάθλιψη) που εμφανίζει συναισθηματικά ελλείμματα.

Το πιο αξιοσημείωτο, αυτή η μελέτη υπογραμμίζει το πλεονέκτημα μιας ταυτόχρονης προσέγγισης EEG / fNIRS, καθώς και οι δύο νευροεπιστημονικές μέθοδοι έχουν τη δυνατότητα να αλληλοσυμπληρώνονται για τη λήψη ουσιαστικών και βαθιών πληροφοριών σχετικά με τους μηχανισμούς του εγκεφάλου που διέπουν συγκεκριμένες διαδικασίες. Τα αντίστοιχα αποτελέσματα μεταξύ των δύο μεθόδων επιβεβαιώνουν την υπόθεση ότι τα ηλεκτροφυσιολογικά και αγγειακά σήματα είναι τουλάχιστον εν μέρει αλληλοσυνδεόμενα.

Υλικό και μέθοδοι

Συμμετέχοντες

Συνολικά, πενήντα υγιείς ενήλικες (22 άνδρες) συμμετείχαν στην παρούσα μελέτη. Λόγω των υπερβολικά μολυσμένων καναλιών EEG κατά την απόρριψη τεχνουργημάτων, δύο άτομα έπρεπε να αποκλειστούν από τις αναλύσεις EEG. Δεδομένα τεσσάρων ατόμων (διαφορετικά από αυτά που εξαιρούνται στο EEG) έπρεπε να αποκλειστούν από τις αναλύσεις fNIRS λόγω τεχνικών προβλημάτων κατά τη διάρκεια των μετρήσεων. Και οι 50 συμμετέχοντες ήταν 33,48 ετών κατά μέσο όρο (εύρος: 19-51 ετών). Όλα ήταν υγιή, δεν είχαν νευρολογικές διαταραχές, δεν υπέφεραν από προβλήματα ακοής ή όρασης και δεν συμπεριλήφθηκαν πρόωρα γεννημένα άτομα στη μελέτη (ανατρέξτε στην Εικ.  5 για τη διαδικασία συμμετοχής των συμμετεχόντων).

Σχήμα 5
σχήμα 5

Επισκόπηση της διαδικασίας ελέγχου και συμπερίληψης των συμμετεχόντων.

Καθώς η παρούσα έρευνα περιείχε γλωσσικά ερεθίσματα, διερευνήθηκε το γλωσσικό υπόβαθρο όλων των θεμάτων. Ορισμένες μελέτες έδειξαν ότι η αύξηση της δίγλωσσης από τη γέννηση μεταβάλλει την ανάπτυξη του εγκεφάλου και επηρεάζει ιδιαίτερα τις γνωστικές ικανότητες που σχετίζονται με την επεξεργασία γλωσσικών ερεθισμάτων (π.χ. 75 ). Όλοι οι συμμετέχοντες ανατράφηκαν μονογλωσσικά με τη γερμανική ως μητρική τους γλώσσα. Είναι σημαντικό ότι τα θέματα δεν γνώριζαν τις σλαβικές γλώσσες. Αυτό ελέγχθηκε αυστηρά διότι το υλικό ερεθίσματος περιλάμβανε γλωσσικές ενδείξεις της σλοβακικής γλώσσας που θα έπρεπε να είναι άγνωστες στους συμμετέχοντες.

Αξιολογήσαμε την ευθυμία σε όλα τα θέματα χρησιμοποιώντας το Oldfield Handedness Inventory 76 . Όλοι οι συμμετέχοντες ήταν δεξιόχειρες με μέση βαθμολογία 84,44 (εύρος: 41,7-100). Το επίπεδο εκπαίδευσης ήταν αρκετά υψηλό στην παρούσα μελέτη (πτυχίο πανεπιστημίου: n = 34, γυμνάσιο: n = 10, γενική εκπαίδευση: n = 6).

Υλικό

Ο στόχος της παρούσας μελέτης ήταν να διερευνήσει την σιωπηρή επεξεργασία καθαρής συναισθηματικής προσώδης. Ως εκ τούτου, κατασκευάστηκαν 30 ψευδοβόρες χωρίς σημασιολογικό περιεχόμενο, καθώς οι πραγματικές λέξεις με νόημα καθ 'εαυτές θα μπορούσαν να συγχέουν τη συναισθηματική επεξεργασία σε κάθε επίπεδο. Όλα τα ψευδοβόρα αποτελούνται από συνδυασμούς CCVCV (consonant-consonant-vowel-consonant-vowel). Τα εναρμονισμένα συστάδες συμμόρφωσης συμμορφώθηκαν με τους φωνοτακτικούς κανόνες της σλοβακικής γλώσσας, που ανήκει στις σλαβικές γλώσσες. Η σλοβακική γλώσσα έχει αποδειχθεί ότι είναι πολύ κατάλληλη για σχέδια γλωσσικής μελέτης με γερμανούς γηγενείς ομιλητές, δεδομένου ότι παρέχει μεγαλύτερη μεταβλητότητα συνδυασμών συνώνων σε onsets λέξεων από τη γερμανική γλώσσα 77 , 78. Έτσι, οι γλωσσικοί κανόνες των ψευδώνυμων ήταν άγνωστοι σε όλους τους συμμετέχοντες και με αυτόν τον τρόπο καταφέραμε να ελαχιστοποιήσουμε τον κίνδυνο επιπτώσεων των ατομικών εμπειριών με την αντίστοιχη ομιλία.

Και για τα 30 ψευδοβόρα, επελέγησαν τα ακόλουθα σύμφωνα σύμφωνου έναρξης τυπικά για σλαβικές γλώσσες και ανύπαρκτα στα γερμανικά: / bd /, / dw /, / tm /, / fp /, / fn /. Έξι δισυλβικά ψευδοβόλια σχηματίστηκαν ανά συστάδα έναρξης (π.χ. fpogo, bdafa, tmipi), ενώ ταυτόχρονα διασφαλίζει ότι η συχνότητα των φωνηέντων και των συμφώνων σε όλα τα ψευδοβόρα κατανέμεται εξίσου.

Οι φωνητικές ηχογραφήσεις πραγματοποιήθηκαν σε έναν θάλαμο ανύχωσης (Εργαστήριο Ψυχοακουστικής στο Τμήμα Ακοής, Ομιλίας και Διαταραχών Φωνής του Ιατρικού Πανεπιστημίου του Ίνσμπρουκ) και πραγματοποιήθηκαν από μια γυναίκα επιστήμονα ομιλίας. Και τα 30 ψευδομάρδοι μίλησαν με βάση φανταστικές αλληλεπιδράσεις με έναν συνεργάτη συνομιλίας, καθεμία με ουδέτερα, χαρούμενα και θυμωμένα πρότυπα τονισμού. Επιπρόσθετα, όλα τα ψευδομάχη μιλήθηκαν με ένα μοτίβο στρες trochee στην πρώτη συλλαβή που αντιστοιχεί στο πιο συχνό μοτίβο στρες στα γερμανικά και, επομένως, δεν εισάγουν περαιτέρω έναν άλλο παράγοντα ξένης γλώσσας στο υλικό. Όλα τα ερεθίσματα καταγράφηκαν στα 44 kHz και στο ρυθμό δειγματοληψίας 16 bit. Στη συνέχεια, τα ακουστικά ερεθίσματα επεξεργάστηκαν χρησιμοποιώντας το πρόγραμμα επεξεργασίας Audacity ( www.audacityteam.org). Αυτή η διαδικασία περιελάμβανε κυρίως κοπή, εισαγωγή μικρής περιόδου σιωπής 30 ms κατά την έναρξη και την μετατόπιση κάθε ψευδοκορδού και ομαλοποίηση της έντασης. Οι στατιστικές αναλύσεις αποκάλυψαν ότι όλες οι λέξεις διαφορετικών συναισθηματικών κατηγοριών δεν διέφεραν στον όγκο [ F (2,58) = 0,444, p  = 0,574] και τη μέση διάρκεια [ F (2,58) = 0,724, p  = 0,402], αλλά στο μέσο όρο βήμα [ F (2,58) = 634,406, p  <0,001]. Οι ευτυχείς ψευδοκορδίες ήταν σημαντικά υψηλότεροι στο μέσο όρο από ότι και οι δύο ουδέτερες [ t (29) = 29,431, p  <0,001] και θυμωμένος [ t (29) = −24,398, p <0,001] ψευδώνυμοι. Προκειμένου να διασφαλιστεί ότι όλα τα προωδικά στυλ αντικατοπτρίζουν πράγματι την αντίστοιχη συναισθηματική προσώδη, οι συμμετέχοντες της παρούσας μελέτης κλήθηκαν να αξιολογήσουν όλα τα ερεθίσματα σε ένα ξεχωριστό πείραμα συμπεριφοράς. Συνολικά, το 77% των θυμωμένων, το 90% των ευτυχισμένων και το 96% των ουδέτερων ερεθισμάτων ταυτοποιήθηκαν σωστά. Ζητήθηκε επίσης από τους συμμετέχοντες να αξιολογήσουν την αντιληπτή απειλή από όλα τα ψευδώνυμα για τη μέτρηση του συναισθηματικού περιεχομένου της εισόδου ομιλίας σε κλίμακα likert 1 έως 8 πόντων. Όπως ήταν αναμενόμενο, οι θυμωμένοι ψευδοβόλοι προκάλεσαν τη μεγαλύτερη απειλή (M = 4,72) σε σύγκριση με τους ευτυχισμένους (M = 1,88) και τους ουδέτερους (M = 2,34) ψευδοβόρες.

Διαδικασία

Η νευρική δραστηριότητα αξιολογήθηκε ταυτόχρονα με ηλεκτροεγκεφαλογραφία (EEG) και λειτουργική φασματοσκοπία σχεδόν υπέρυθρων (fNIRS). Η προηγούμενη μέθοδος παρακολουθεί άριστα μηχανισμούς γρήγορης επεξεργασίας στο εύρος των χιλιοστών του δευτερολέπτου, ενώ η τελευταία παρέχει μια καλή χωρική ανάλυση που δείχνει τις περιοχές εγκεφάλου που έχουν στρατολογηθεί. Αυτή η πολυ-μεθοδολογική προσέγγιση έχει αποδειχθεί εξαιρετικά επωφελής για τη διερεύνηση ακουστικών ερεθισμάτων, καθώς και οι δύο μέθοδοι είναι ακουστικές, δεν αλληλεπιδρούν μεταξύ τους και παρέχουν ένα αρκετά φυσικό περιβάλλον 10 .

Η μελέτη εγκρίθηκε από την επιτροπή δεοντολογίας του Ιατρικού Πανεπιστημίου του Ίνσμπρουκ (Αυστρία). Το πείραμα πραγματοποιήθηκε σύμφωνα με τις σχετικές οδηγίες και κανονισμούς (Δήλωση του Ελσίνκι) και ελήφθη γραπτή ενημερωμένη συγκατάθεση από όλους τους συμμετέχοντες πριν από τις μετρήσεις. Κατά τη διάρκεια των πειραμάτων, τα άτομα κάθονταν σε μια καρέκλα 1 μ. Μπροστά από μια οθόνη υπολογιστή. Για να είναι δυνατή η ταυτόχρονη μέτρηση και των δύο μεθόδων, τα άτομα φορούσαν ελαστικά καπάκια EEG (EasyCap GmbH, Herrsching, Γερμανία) στα οποία ενσωματώθηκαν και τα δύο ηλεκτρόδια EEG καθώς και τα οπτικά fNIRS. Τα ψευδοβόρα παρουσιάστηκαν ακουστικά μέσω ηχείων σε ένταση περίπου 70 dB. Καθώς θέλαμε να διερευνήσουμε την σιωπηρή συναισθηματική επεξεργασία, δεν εφαρμόστηκε συγκεκριμένη εργασία και οι συμμετέχοντες άκουγαν παθητικά τα ερεθίσματα.

Η παρουσίαση κάθε ψευδοκόρδου διήρκεσε 2 δευτερόλεπτα ακολουθούμενη από ένα μεταβλητό διάστημα μεταξύ ερεθίσματος (ISI) (μέση διάρκεια: 10 s, εύρος: 6–14 s). Με την εισαγωγή αυτής της μεταβλητής ISI, ο πειραματικός σχεδιασμός προσαρμόστηκε στις απαιτήσεις της μάλλον αργής αιμοδυναμικής απόκρισης που μετρήθηκε από το fNIRS. Συνήθως, αγγειακές αποκρίσεις φθάνουν στο μέγιστο τους σε περίπου 5 s μετά την παρουσίαση ερέθισμα με η ενεργοποίηση επιστρέφοντας στην αρχική της μετά από 15-20 s 79. Επομένως, οι μεταβλητές ISI αποτρέπουν συστηματικά την επικάλυψη αιμοδυναμικών αποκρίσεων. Επιπλέον, όλα τα ψευδοβόρα παρουσιάστηκαν με ψευδοτυχαιοποιημένο τρόπο με τα ακόλουθα κριτήρια: (1) το πολύ τρία διαδοχικά ψευδοκορδία της ίδιας και της ίδιας συναισθηματικής κατηγορίας, (2) τουλάχιστον τρία διαφορετικά ψευδομάχη μεταξύ λέξεων με τις ίδιες συστάδες έναρξης και (3) ίση κατανομή όλων των συναισθημάτων μεταξύ των μισών του πειράματος Συνολικά, χρησιμοποιήθηκαν 4 εκδόσεις ψευδοτυχαιοποίησης σε όλες τις μετρήσεις. Το πείραμα διήρκεσε 18 λεπτά. Ανατρέξτε στο Σχ.  6 για μια απεικόνιση του πειραματικού σχεδιασμού.

Σχήμα 6
σχήμα6

Πειραματικό σχέδιο.

Ηχογραφήσεις EEG

EEG καταγράφηκε από 32 AgAgCl ενεργά ηλεκτρόδια (BrainProducts GmbH, Gilching, Γερμανία) τοποθετούνται εντός ενός ελαστικού πώματος EEG στις ακόλουθες θέσεις του συστήματος 10-20 80 : F5, F3, FT7, Fc5, FC3, Τ7, C5, C3, CP3, CPP5H, P7, P5, P3, F4, F6, FC4, FC6, FT8, C4, C6, T8, CP4, CPP6H, P4, P6, P8, Fz, Pz και Cz (βλέπε σχήμα  7). Κατακόρυφο και οριζόντιο ηλεκτροκολλόγραμμα καταγράφηκαν πάνω και δίπλα στο δεξί μάτι με ηλεκτρόδια FP2 και F10. Ένα ηλεκτρόδιο (ΤΡ9) στο αριστερό μαστοειδές χρησίμευσε ως ηλεκτρονική αναφορά, ενώ ένα ηλεκτρόδιο στο δεξιό μαστοειδές (ΤΡ10) καταγράφηκε για περαιτέρω παραπομπή κατά τη διάρκεια αναλύσεων εκτός σύνδεσης. Η θέση AFz χρησίμευσε ως ηλεκτρόδιο γείωσης. Η σύνθετη αντίσταση ηλεκτροδίου διατηρήθηκε κάτω από 10 kΩ (actiCAP Control, Brain Products GmbH, Gilching, Γερμανία). Το σήμα EEG μετρήθηκε μέσω λογισμικού BrainVision Recorder (Brain Products GmbH, Gilching, Germany) με συχνότητα δειγματοληψίας 1000 Hz (ενισχυμένη μεταξύ 0,016-450 Hz) και φιλτραρίστηκε πριν από την ψηφιοποίηση μέσω του αναλογικού / ψηφιακού μετατροπέα με άνω αποκοπή 450 Hz (24 db / oct) για να αποφευχθεί το ψευδώνυμο.

Σχήμα 7
σχήμα7

Ταυτόχρονη τοποθέτηση ηλεκτροδίου EEG και καναλιού fNIRS. ( α) Διαμόρφωση ηλεκτροδίου EEG συμπεριλαμβανομένων περιοχών ενδιαφέροντος (ROIs). ( β) ρύθμιση καναλιού fNIRS συμπεριλαμβανομένων των ROI: τα αστέρια υποδεικνύουν 8 πομπούς φωτός fNIRS. Οι κουκκίδες υποδηλώνουν 8 ανιχνευτές fNIRS. Οι ελλείψεις υποδεικνύουν κανάλια fNIRS. Τα κανάλια καλύπτουν prefrontal inferior (PFi), prefrontal superior (PFs), frontal (F), fronto-temporal (FT), temporal inferior (Ti), temporal superior (Ts), temporo-parietal inferior (TPi) και temporo-parietal ανώτερες (TP) εγκεφαλικές περιοχές, και για τα δύο ημισφαίρια αντίστοιχα. Επιπλέον, και τα 8 αριστερά ημισφαιρικά κανάλια fNIRS επισημαίνονται με L. Και τα 8 κανάλια δεξιού ημισφαιρικού fNIRS επισημαίνονται με R.

Ηχογραφήσεις fNIRS

Οι αγγειακές αλλαγές μετρήθηκαν μέσω λειτουργικής φασματοσκοπίας σχεδόν υπέρυθρων. Με αυτήν τη μέθοδο, οι μεταβολές της συγκέντρωσης τόσο οξυγονωμένου [oxy-Hb] όσο και αποοξυγονωμένης αιμοσφαιρίνης [δεοξυ-Hb] σε περιοχές του φλοιού του εγκεφάλου μπορούν να εκτιμηθούν με εκπομπή φωτός στο φάσμα σχεδόν υπέρυθρων στον βιολογικό ιστό. Οι υπολογισμοί των μεταβολών της συγκέντρωσης και στις δύο αιμοσφαιρίνες βασίζονται σε έναν τροποποιημένο νόμο Beer-Lambert 81 . Η φυσιολογική βάση του fNIRS είναι η νευροαγγειακή σύζευξη: μια αυξημένη ενεργοποίηση σε μια εγκεφαλική περιοχή οδηγεί σε διάφορες αγγειακές και μεταβολικές αλλαγές. Είναι γνωστό ότι η αγγειοδιαστολή οδηγεί σε τοπική αύξηση του όγκου του αίματος απαιτώντας περισσότερο οξυγόνο και γλυκόζη, η οποία με τη σειρά της οδηγεί σε αύξηση της περιφερειακής εγκεφαλικής ροής αίματος και σε αύξηση της περιφερειακής ταχύτητας ροής του αίματος 82. Κατά συνέπεια, το χρώμα του αίματος αλλάζει. Η αύξηση της ροής του αίματος αντισταθμίζει την κατανάλωση οξυγόνου και προκαλεί εστιακή υπεροξυγόνωση με αποτέλεσμα αύξηση της οξυγονωμένης αιμοσφαιρίνης [oxy-Hb] καθώς και μείωση της αποοξυγονωμένης αιμοσφαιρίνης [deoxy-Hb] 83 . [Deoxy-Hb] αντιστρόφως συσχετίζεται με το σήμα BOLD που μετράται με λειτουργική απεικόνιση μαγνητικού συντονισμού (fMRI) (για περισσότερες λεπτομέρειες βλ. 84 ).

Το χρησιμοποιημένο σύστημα fNIRS (NIRScout, NIRx Medizintechnik GmbH, Berlin) στέλνει μήκη κύματος στα 760 και 850 nm σε λειτουργία cw και καταγράφονται δεδομένα με ρυθμό δειγματοληψίας 7,81 Hz. Συνολικά, χρησιμοποιήθηκαν οκτώ εκπομποί φωτός και οκτώ ανιχνευτές φωτός για την αξιολόγηση των ενεργοποιήσεων σε διμερείς περιοχές εγκεφάλου μετωπικού-temporo-parietal. Η απόσταση της ενδοτροπίας ήταν 3,5 cm. Αυτή η διαμόρφωση ανιχνευτή πομπού επέτρεψε την εκτίμηση 8 καναλιών ανά ημισφαίριο, που καλύπτει το προμετωπικό κατώτερο (PFi), το προμετωπικό ανώτερο (PFs), το μετωπικό (F), το μετωπικό-χρονικό (FT), το χρονικό κατώτερο (Ti), το χρονικό ανώτερο (Ts) , temporo-parietal inferior (TPi) και temporo-parietal superior (TPs) εγκεφαλικές περιοχές. Η τοποθέτηση των πομπού και ανιχνευτών φωτός fNIRS βασίστηκε στο τυπικό σύστημα τοποθέτησης ηλεκτροδίου EEG 10–20 80 , 85. Πρόσφατες μελέτες σε ενήλικες 71 χρησιμοποίησαν αυτήν την τοποθέτηση ηλεκτροδίου για να προβάλουν σε υποκείμενες ανατομικές δομές προκειμένου να παρέχουν καλύτερη χαρτογράφηση σημάτων που αξιολογούνται από το τριχωτό της κεφαλής.

Αναλύσεις δεδομένων

Δεδομένα EEG

Τα δεδομένα EEG φιλτραρίστηκαν εκτός σύνδεσης με φίλτρο μηδενικής φάσης Butterworth χαμηλής διέλευσης 30 Hz (υψηλή αποκοπή: 30 Hz, κλίση: 12 dB / oct). Τα δεδομένα στη συνέχεια κατατμήθηκαν από −200 ms σε 1500 ms με 0 ms που αντιπροσωπεύουν το χρονικό σημείο της έναρξης του ψευδοβόρου. Οφθαλμική διόρθωση με βάση τον αλγόριθμο Gratton & Coles 86εφαρμόστηκε για να διορθώσει τα αντικείμενα κάθετης κίνησης των ματιών. Τα υπερβολικά μολυσμένα κανάλια απορρίφθηκαν χειροκίνητα από κάθε τμήμα με επιθεώρηση κάθε τμήματος οπτικά για αντικείμενα. Μόνο άτομα στα οποία τουλάχιστον 2/3 όλων των τμημάτων ανά κατάσταση (θυμωμένος έναντι χαρούμενος έναντι ουδέτερου) σε τουλάχιστον 15 από τα 29 ηλεκτρόδια τριχωτού της κεφαλής επέζησαν από αυτήν τη διαδικασία συμπεριλήφθηκαν στις τελικές αναλύσεις. Αυτό το κριτήριο εφαρμόστηκε σε 48 από τα 50 θέματα. Στα επόμενα στάδια, τα δεδομένα αναφέρθηκαν σε μέσο όρο μαστοειδή (ΤΡ9, ΤΡ10) και εφαρμόστηκε μια γραμμή αναφοράς προ-ερεθίσματος 200 ms.

Τα εγκεφαλικά δυναμικά που σχετίζονται με συμβάντα (ERPs) εξήχθησαν κατά μέσο όρο των τμημάτων για κάθε θέμα και για κάθε κατάσταση (θυμωμένη prosody, ευτυχισμένη prosody, ουδέτερη prosody). Επιπλέον, πραγματοποιήθηκε ανάλυση 50 ms προκειμένου να επιλεγούν τα χρονικά διαστήματα για τελικές στατιστικές αναλύσεις. Αυτή η ανάλυση περιελάμβανε ANOVA σε κάθε ηλεκτρόδιο σε διαδοχικά βήματα 50 ms μεταξύ 100 και 1500 ms με τον συντελεστή συνθήκης για πειραματικά μισά ξεχωριστά. Αποφασίσαμε να συμπεριλάβουμε τα μισά του παράγοντα σε όλες τις στατιστικές αναλύσεις, καθώς θέλαμε να ελέγξουμε τα αποτελέσματά μας για πιθανές επιπτώσεις συνηθειών / επανάληψης κατά τη διάρκεια του πειράματος. Τα αποτελέσματα από την ανάλυση 50 ms καθώς και η οπτική επιθεώρηση των μεγάλων μέσων όρων αποκάλυψαν 100-150 ms, 250–350 ms, 500–550 ms, 600–700 ms, και 700–900 ms ως τα χρονικά παράθυρα που δείχνουν διαφορές μεταξύ συνθηκών,που επιλέχθηκαν επομένως για να πραγματοποιήσουν περαιτέρω στατιστικές αναλύσεις στις.

Δεδομένου ότι ο τοπογραφικός εντοπισμός του EEG είναι μόνο τραχύς, αποφασίσαμε να πραγματοποιήσουμε τελικές στατιστικές αναλύσεις σε 12 περιοχές ενδιαφέροντος (ROI). Συμπεριλήφθηκαν οι ακόλουθες πλευρικές ROI: αριστερή μετωπική (F3, FC3), δεξιά μετωπική (F4, FC4), αριστερή μετωπική-χρονική ανώτερη (FC5, C5), δεξιά μετωπική-χρονική ανώτερη (FC6, C6) αριστερή μετωπική-χρονική κατώτερη ( FT7, T7), δεξιό μπροστινό-χρονικό κατώτερο (FT8, T8), αριστερό κεντροπαρυλικό (C3, CP3), δεξιό κεντροπαρατολικό (C4, CP4), αριστερό βρεγματικό ανώτερο (CPP5H, P3), δεξιό βρεγματικό ανώτερο (CPP6H , P4), αριστερό βρεγματικό κατώτερο (P5, P7), και δεξιό βρεγματικό κατώτερο (P6, P8) (βλέπε σχήμα  7). Τα ηλεκτρόδια μεσαίας γραμμής (Fz, Cz, Pz) αναλύθηκαν χωριστά. Στη συνέχεια πραγματοποιήσαμε μια ANOVA τεσσάρων κατευθύνσεων επαναλαμβανόμενων μετρήσεων για πλευρικούς ROI με τους παράγοντες εντός του θέματος Κατάσταση (θυμωμένος έναντι χαρούμενος έναντι ουδέτερου), Μισά (ημίχρονο πρώτου πειράματος έναντι δεύτερου μισού πειράματος), Ημισφαίριο (αριστερό ημισφαίριο έναντι δεξιού ημισφαίριο), και Περιοχή (μετωπικά έναντι μετωπικά-χρονικά ανώτερα έναντι μετωπικά-χρονικά κατώτερα έναντι κεντρο-παραριακά εναντίον βρεγματικά έναντι ανώτερου έναντι παραμέτρου) για όλα τα χρονικά παράθυρα, αντίστοιχα. Για ηλεκτρόδια μεσαίας γραμμής, πραγματοποιήθηκαν ANOVA με τους παράγοντες Κατάσταση, Μισά και Ηλεκτρόδιο (Fz έναντι Cz έναντι Pz). Κάθε φορά που ένα κύριο αποτέλεσμα της Κατάστασης ή μία αλληλεπίδραση με Condition έφθασε σημασία, post-hoc t -ΜΕΛΕΤΕΣ στη συνέχεια πραγματοποιήθηκαν. Το επίπεδο σημασίας ορίστηκε σε σ ≤ 0,050 και προσαρμόστηκε με τη διαδικασία False Discovery Rate (FDR) 87 . Η διορθωμένη σημασία σύμφωνα με το Greenhouse-Geißer 88 εφαρμόζεται κάθε φορά που οι βαθμοί ελευθερίας ξεπερνούσαν το 1.

δεδομένα fNIRS

Προκειμένου να αναλυθούν μεταβολές συγκέντρωσης (mmol / l) [oxy-Hb] και [deoxy-Hb], το συλλεγόμενο ανακλώμενο φως μετασχηματίστηκε μέσω της τροποποιημένης συνάρτησης Beer-Lambert 81 . Ο αποκλεισμός των τεχνουργημάτων (π.χ. απότομες αλλαγές, κυρίως λόγω των κινήσεων της κεφαλής) κάθε συμμετέχοντος πραγματοποιήθηκε χειροκίνητα. Τα τεχνουργήματα αφαιρέθηκαν με μια προσέγγιση γραμμικής παρεμβολής spline η οποία έχει χρησιμοποιηθεί συχνά (π.χ. 67 ,) και προτιμάται σε σύγκριση με μεθόδους απόρριψης τεμαχίων 89 , 90 που έχουν μολυνθεί από αντικείμενα , καθώς επιτρέπει τη διατήρηση μεγάλου όγκου δεδομένων 89. Εφαρμόστηκε ένα φίλτρο χαμηλής διέλευσης 0,4 Hz (Butterworth, τρίτης τάξης) για την εξασθένιση αντικειμένων υψηλής συχνότητας που προέρχονται κυρίως από καρδιακό παλμό. Εφαρμόσαμε ένα γενικό-γραμμικό μοντέλο (GLM) αντί για μέσο όρο δεδομένων καθώς μπορεί να περιγράψει καλύτερα τη σύνθετη συνάρτηση αιμοδυναμικής απόκρισης (hrf). Επιπλέον, τα αποτελέσματα είναι πιο συγκρίσιμα με τα υπάρχοντα δεδομένα fMRI όπου η χρήση GLM είναι τυπική διαδικασία. Ένα GLM επιτρέπει καλύτερο χειρισμό μερικής επικάλυψης hrfs που συμβαίνει λόγω των σχετικά σύντομων ερεθισμάτων και των ISI ως μέρος ενός σχεδιασμού που σχετίζεται με ένα συμβάν (π.χ. 65). Για το GLM, τα δεδομένα συσχετίστηκαν με έναν προγνωστικό παράγοντα που δημιουργήθηκε με τη συνέχιση της συνάρτησης boxcar του σχεδιασμού ερεθίσματος, συμπεριλαμβανομένων 6 διαφορετικών συνθηκών (θυμωμένος μισό πρώτο πείραμα, μισό θυμωμένο δεύτερο πείραμα, χαρούμενο πρώτο μισό πειράματος, χαρούμενο δεύτερο μισό πειράματος, ουδέτερο μισό πρώτο πείραμα ουδέτερο δεύτερο μισό πείραμα) με την κανονική ώρα 91 . Κατά τη διάρκεια αυτής της μοντελοποίησης, ελήφθη μια περίοδος διέγερσης 2 δευτερολέπτων (δηλαδή, σε κατάσταση κατάστασης) και περιόδου ανάπαυσης (δηλαδή εκτός λειτουργίας · σιωπή) που προέκυψε από ISI και ένα φίλτρο υψηλής διέλευσης των 20 δευτερολέπτων για την απομάκρυνση κινήσεων και αργών διακυμάνσεων εφαρμόστηκε (για παρόμοιες διαδικασίες, βλ. 67 , 92 ).

Διεξήχθησαν στατιστικές αναλύσεις στις τιμές βήτα τόσο του [oxy-Hb] όσο και του [deoxy-Hb] που παρέχονται από το GLM. Σημειώστε ότι τόσο η μείωση του [δεοξυ-Ηβ] όσο και η αύξηση του [οξυ-Ηβ] θεωρούνται αντανακλάσεις της αυξημένης ενεργοποίησης, επομένως αναφέρουμε και τις δύο αιμοσφαιρίνες ξεχωριστά 84 , 93 . Στη συνέχεια, κάθε δύο γειτονικά κανάλια συγχωνεύθηκαν με αποτέλεσμα τις ακόλουθες 4 περιοχές ενδιαφέροντος (ROIs) (αριστερά (L) και δεξιά (R) ημισφαίριο αντίστοιχα): προμετωπιαία (LPFi, LPFs, RPFi και RPFs), fronto-temporal (LF, LFT, RF και RFT), temporo-parietal superior (LTs, LTPs, RTs, and RTPs) και temporo-parietal inferior (LTi, LTPi, RTi και RTPi) (βλ. Εικόνα  7). Πραγματοποιήσαμε ένα ANOVA τεσσάρων κατευθύνσεων επαναλαμβανόμενων μετρήσεων με τους παράγοντες εντός του θέματος Κατάσταση (θυμωμένος έναντι χαρούμενος εναντίον και ουδέτερος), Μισά (πρώτο μισό έναντι δεύτερου πειράματος μισό), Ημισφαίριο (αριστερό ημισφαίριο έναντι δεξιού ημισφαιρίου), και περιοχή (μετωπική έναντι μετωπική-χρονική έναντι temporo-parietal superior έναντι temporo-parietal inferior) για [oxy-Hb] και [deoxy-Hb], ξεχωριστά. Κάθε φορά που ένα κύριο αποτέλεσμα της Κατάστασης ή μία αλληλεπίδραση με Condition έφθασε σημασία, post-hoc t -ΜΕΛΕΤΕΣ στη συνέχεια πραγματοποιήθηκαν. Το επίπεδο σημασίας ορίστηκε σε p  ≤ 0,050 και προσαρμόστηκε με τη διαδικασία False Discovery Rate (FDR) 87 .

Συσχετιστικές αναλύσεις μεταξύ σημάτων EEG και fNIRS

Σε περίπτωση αντίστοιχων ευρημάτων σε EEG και fNIRS ως μεμονωμένες μεθόδους, πραγματοποιούμε αναλύσεις συσχέτισης για να επαληθεύσουμε εάν τα ηλεκτροφυσιολογικά και αγγειακά σήματα δείχνουν τις ίδιες υποκείμενες διαδικασίες. Για το σκοπό αυτό, οι διαφορές (Δ) μεταξύ των σχετικών επιδιωκόμενων επιδράσεων για την τάση ERP και τις τιμές beta του fNIRS θα υποβληθούν σε αναλύσεις συσχέτισης του Pearson με ένα άκρο. Παρόμοιες διαδικασίες συσχέτισης ηλεκτροφυσιολογικών και αιμοδυναμικών αποκρίσεων έχουν ήδη υιοθετηθεί με επιτυχία από άλλες ερευνητικές ομάδες 51 , 52 .

βιβλιογραφικές αναφορές

  1. 1.

    Cutler, A., Dahan, D. & van Donselaar, W. Prosody in the κατανόηση της προφορικής γλώσσας: Μια κριτική βιβλιογραφίας. Lang Speech 40 , 141–201 (1997).

    Αρθρο PubMed PubMed Central Μελετητής Google 

  2. 2.

    Scherer, KR Vocal επηρεάζουν την έκφραση: Μια ανασκόπηση και ένα μοντέλο για μελλοντική έρευνα. Ψυχολογικό Δελτίο 99 , 143–165 (1986).

    Αρθρο CAS PubMed PubMed Central Μελετητής Google 

  3. 3.

    Hammerschmidt, K. & Jürgens, U. Acoustical Correlates of Affective Prosody. Εφημερίδα της Φωνής 21 , 531–540 (2007).

    Αρθρο PubMed PubMed Central Μελετητής Google 

  4. 4.

    Hawk, ST, van Kleef, GA, Fischer, AH & van der Schalk, J. «Αξίζει χίλιες λέξεις»: Απόλυτη και σχετική αποκωδικοποίηση μη γλωσσικών επιδράσεων. Συναίσθημα 9 , 293–305 (2009).

    Αρθρο PubMed PubMed Central Μελετητής Google 

  5. 5.

    Mansoorizadeh, M. & Moghaddam Charkari, N. Πολυτροπική εφαρμογή σύντηξης πληροφοριών για την αναγνώριση ανθρώπινου συναισθήματος από πρόσωπο και ομιλία Multimed Tools Appl 49 , 277–297 (2010).

    Αρθρο Μελετητής Google 

  6. 6.

    Castellano, G., Kessous, L. & Caridakis, G. Αναγνώριση συναισθημάτων μέσω πολλαπλών τρόπων: Πρόσωπο, Κίνηση σώματος, Ομιλία. In Affect and Emotion in Human-Computer Interaction: From Theory to Applications (επιμ. Peter, C. & Beale, R.) 92–103, https://doi.org/10.1007/978-3-540-85099-1_8 (Springer Berlin Χαϊδελβέργη, 2008).

  7. 7.

    Rigoulot, S. & Pell, MD Βλέποντας το συναίσθημα με τα αυτιά σας: Συναισθηματική Prosody σιωπηρά καθοδηγεί την οπτική προσοχή στα πρόσωπα. PLOS ONE 7 , e30740 (2012).

    Αρθρο ΔΙΑΦΗΜΙΣΕΙΣ CAS PubMed PubMed Central Μελετητής Google 

  8. 8.

    Rigoulot, S. & Pell, MD Το συναίσθημα στη φωνή επηρεάζει τον τρόπο σάρωσης συναισθηματικών προσώπων. Επικοινωνία ομιλίας 65 , 36–49 (2014).

    Αρθρο Μελετητής Google 

  9. 9.

    Paulmann, S., Titone, D. & Pell, MD Πώς η συναισθηματική προσώδη καθοδηγεί το δρόμο σας: Απόδειξη από τις κινήσεις των ματιών. Speech Communication 54 , 92–107 (2012).

    Αρθρο Μελετητής Google 

  10. 10.

    Rossi, S., Telkemeyer, S., Wartenburger, I. & Obrig, H. Που φωτίζει τις λέξεις και τις προτάσεις: Φασματοσκοπία σχεδόν υπέρυθρων στη γλωσσική έρευνα. Brain and Language 121 , 152–163 (2012).

    Αρθρο Μελετητής Google 

  11. 11.

    Grossmann, Τ. Et al . Συναισθηματική επεξεργασία φωνής: Διερεύνηση του ρόλου της γενετικής παραλλαγής στον μεταφορέα σεροτονίνης σε όλη την ανάπτυξη PLOS ONE 8 , e68377 (2013).

    Αρθρο ΔΙΑΦΗΜΙΣΕΙΣ CAS PubMed PubMed Central Μελετητής Google 

  12. 12.

    Iredale, JM, Rushby, JA, McDonald, S., Dimoska-Di Marco, A. & Swift, J. Emotion σε φωνητικά θέματα: Οι νευρικοί συσχετισμοί της συναισθηματικής αντίληψης της προσώδης International Journal of Psychophysiology 89 , 483–490 (2013).

    Αρθρο Μελετητής Google 

  13. 13.

    Ethofer, Τ. Et al . Εγκεφαλικά μονοπάτια στην επεξεργασία της συναισθηματικής προσώδης: Μια δυναμική μελέτη αιτιώδους μοντελοποίησης. NeuroImage 30 , 580–587 (2006).

    Αρθρο Μελετητής Google 

  14. 14.

    Schirmer, A., Chen, C.-B., Ching, A., Tan, L. & Hong, RY Τα φωνητικά συναισθήματα επηρεάζουν τη λεκτική μνήμη: Οι νευρικές συσχετίσεις και οι διατομικές διαφορές. Cogn Affect Behav Neurosci 13 , 80–93 (2013).

    Αρθρο PubMed PubMed Central Μελετητής Google 

  15. 15.

    Paulmann, S., Bleichner, M. & Kotz, SAE Valence, διέγερση και επιδράσεις στην επεξεργασία συναισθηματικής προσώδης. Εμπρός. Ψυχολ . 4 (2013).

  16. 16.

    Pell, MD et αϊ . Προτιμησιακή αποκωδικοποίηση του συναισθήματος από ανθρώπινες μη γλωσσικές φωνητικές φωνές έναντι της ομιλίας. Βιολογική Ψυχολογία 111 , 14–25 (2015).

    Αρθρο CAS PubMed PubMed Central Μελετητής Google 

  17. 17.

    Wickens, S. & Perry, C. Τι εννοείς με αυτό ;! Ηλεκτροφυσιολογική Μελέτη Συναισθηματικής και Σωματικής Προσώδους. PLOS ONE 10 , e0132947 (2015).

    Αρθρο CAS PubMed PubMed Central Μελετητής Google 

  18. 18.

    Kotz, SA et αϊ . Σχετικά με την πλευρική συναισθηματική προσώδη: Μια λειτουργική έρευνα MR που σχετίζεται με το γεγονός Brain and Language 86 , 366–376 (2003).

    Αρθρο Μελετητής Google 

  19. 19.

    Frühholz, S., Ceravolo, L. & Grandjean, D. Ειδικά εγκεφαλικά δίκτυα κατά τη διάρκεια της ρητής και σιωπηρής αποκωδικοποίησης της συναισθηματικής Prosody. Cereb Cortex 22 , 1107–1117 (2012).

    Αρθρο Μελετητής Google 

  20. 20.

    Takeda, Τ. Et al . Επίδραση ευχάριστων και δυσάρεστων ακουστικών ερεθισμάτων στη εγκεφαλική ροή αίματος και φυσιολογικές αλλαγές στα φυσιολογικά άτομα. In Oxygen Transport to Tissue XXXVII (εκδόσεις Elwell, CE, Leung, TS & Harrison, DK) 303–309 (Springer New York, 2016).

  21. 21.

    Frühholz, S. & Grandjean, D. Πολλαπλές υποπεριοχές σε ανώτερο χρονικό φλοιό είναι διαφορικά ευαίσθητες στις φωνητικές εκφράσεις: Μια ποσοτική μετα-ανάλυση. Neuroscience & Biobehavioral Reviews 37 , 24–35 (2013).

    Αρθρο Μελετητής Google 

  22. 22.

    Herrmann, MJ, Ehlis, A.-C. & Fallgatter, AJ Προμετωπική ενεργοποίηση μέσω απαιτήσεων εργασίας συναισθηματικής επαγωγής που μετράται με NIRS. Βιολογική Ψυχολογία 64 , 255–263 (2003).

    Αρθρο CAS Μελετητής Google 

  23. 23.

    Friederici, AD & Alter, K. Πλευρική πλατφόρμα λειτουργιών ακουστικής γλώσσας: Ένα δυναμικό μοντέλο διπλού μονοπατιού. Brain and Language 89 , 267–276 (2004).

    Αρθρο Μελετητής Google 

  24. 24.

    Hickok, G. & Poeppel, D. Η φλοιική οργάνωση της επεξεργασίας λόγου. Nature Reviews Neuroscience 8 , 393–402 (2007).

    Αρθρο CAS Μελετητής Google 

  25. 25.

    Hickok, G. & Poeppel, D. Κεφάλαιο 8 - Νευρική βάση της αντίληψης του λόγου. Στο Εγχειρίδιο Κλινικής Νευρολογίας (επιμ. Aminoff, MJ, Boller, F. & Swaab, DF) 129 , 149-160 (Elsevier, 2015).

  26. 26.

    Borod, JC et αϊ . Συναισθηματική αντίληψη του δεξιού ημισφαιρίου: Στοιχεία σε πολλά κανάλια. Νευροψυχολογία 12 , 446-458 (1998).

    Αρθρο CAS Μελετητής Google 

  27. 27.

    Wildgruber, D., Ackermann, H., Kreifelts, B. & Ethofer, T. Εγκεφαλική επεξεργασία γλωσσολογικής και συναισθηματικής προσώδους: μελέτες fMRI. in Progress in Brain Research (επιμ. Anders, S., Ende, G., Junghofer, M., Kissler, J. & Wildgruber, D.) 156 , 249–268 (Elsevier, 2006).

  28. 28.

    Davidson, RJ Εγκεφαλική ασυμμετρία, συναίσθημα και συναισθηματικό στυλ. In Brain asymmetry (επιμ. Davidson, RJ & Hugdahl, K.) 361–387 (MIT Press, 1993).

  29. 29.

    Heller, W. Η νευροψυχολογία του συναισθήματος: Αναπτυξιακά πρότυπα και επιπτώσεις στην ψυχοπαθολογία. Σε ψυχολογικές και βιολογικές προσεγγίσεις στο συναίσθημα (επιμ. Stein, Ν., Leventhal, BL & Trabasso, Τ.) 167-211 (Lawrence Erlbaum Associates Inc., 1990).

  30. 30.

    Heller, WHJB & Nitschke, J. Το παζλ της περιφερειακής δραστηριότητας εγκεφάλου και άγχους: Η σημασία των υποτύπων και της συννοσηρότητας. Cognition and Emotion 12 , 421–447 (1998).

    Αρθρο Μελετητής Google 

  31. 31.

    Killgore, WDS & Yurgelun-Todd, DA Το υπόθεμα του ημισφαιρίου και του σθένους: θα μπορούσαν και οι δύο να είναι σωστοί (και μερικές φορές αριστερά); Soc Cogn Affect Neurosci 2 , 240-250 (2007).

    Αρθρο PubMed PubMed Central Μελετητής Google 

  32. 32.

    Gainotti, G. Μια ιστορική ανασκόπηση των ερευνών σχετικά με την πλευρική συγκίνηση στον ανθρώπινο εγκέφαλο. Εφημερίδα της Ιστορίας των Νευροεπιστημών 28 , 23–41 (2019).

    Αρθρο PubMed PubMed Central Μελετητής Google 

  33. 33.

    Frühholz, S., Trost, W. & Kotz, SA Ο ήχος των συναισθημάτων - Προς μια ενοποιημένη προοπτική του νευρικού δικτύου της συναισθηματικής επεξεργασίας ήχου. Neuroscience & Biobehavioral Reviews 68 , 96–110 (2016).

    Αρθρο Μελετητής Google 

  34. 34.

    Sah, P., Faber, ESL, Lopez De Armentia, M. & Power, J. The Amygdaloid Complex: Ανατομία και φυσιολογία. Φυσιολογικές κριτικές 83 , 803-834 (2003).

    Αρθρο CAS PubMed PubMed Central Μελετητής Google 

  35. 35.

    Zald, DH Η ανθρώπινη αμυγδαλή και η συναισθηματική αξιολόγηση των αισθητήριων ερεθισμάτων. Brain Research Reviews 41 , 88–123 (2003).

    Αρθρο PubMed PubMed Central Μελετητής Google 

  36. 36.

    Frühholz, S. et al . Ασυμμετρικές επιδράσεις μονομερούς δεξιάς ή αριστεράς αμυγδαλής βλάβης στην ακουστική φλοιική επεξεργασία των φωνητικών συναισθημάτων. PNAS 112 , 1583–1588 (2015).

    Αρθρο ΔΙΑΦΗΜΙΣΕΙΣ CAS PubMed PubMed Central Μελετητής Google 

  37. 37.

    Wildgruber, D. et αϊ . Προσδιορισμός συναισθηματικού τονισμού που αξιολογείται από fMRI. NeuroImage 24 , 1233–1241 (2005).

    Αρθρο CAS PubMed PubMed Central Μελετητής Google 

  38. 38.

    Grandjean, D. et al . Οι φωνές της οργής: εγκεφαλικές αντιδράσεις στην θυμωμένη προσώδη σε άσκοπη ομιλία. Nature Neuroscience 8 , 145–146 (2005).

    Αρθρο CAS PubMed PubMed Central Μελετητής Google 

  39. 39.

    Bänziger, T. & Scherer, K. Παρουσιάζοντας το σώμα της Γενεύης Multimodal Emotion Portrayal (GEMEP) . (OUP Οξφόρδη, 2010).

  40. 40.

    Plichta, MM et αϊ . Η ενεργοποίηση του ακουστικού φλοιού διαμορφώνεται από το συναίσθημα: Μια λειτουργική φασματοσκοπία σχεδόν υπέρυθρων (fNIRS). NeuroImage 55 , 1200–1207 (2011).

    Αρθρο CAS Μελετητής Google 

  41. 41.

    Köchel, A., Schöngassner, F. & Schienle, A. Φλοιώδης ενεργοποίηση κατά την ακουστική πρόκληση φόβου και αηδίας: Μια μελέτη φασματοσκοπίας σχεδόν υπέρυθρης ακτινοβολίας (NIRS). Neuroscience Letters 549 , 197–200 (2013).

    Αρθρο CAS PubMed PubMed Central Μελετητής Google 

  42. 42.

    Zhang, D., Zhou, Y. & Yuan, J. Prosodies Speech of διαφορετικές συναισθηματικές κατηγορίες Ενεργοποίηση διαφορετικών περιοχών εγκεφάλου στον ενήλικο φλοιό: μια μελέτη fNIRS. Sci Rep 8 , 1–11 (2018).

    Αρθρο ΔΙΑΦΗΜΙΣΕΙΣ CAS Μελετητής Google 

  43. 43.

    Paulmann, S. Κεφάλαιο 88 - Η νευρογνωσία της Prosody. στο Neurobiology of Language (επιμ. Hickok, G. & Small, SL) 1109–1120, https://doi.org/10.1016/B978-0-12-407794-2.00088-2 (Academic Press, 2016).

  44. 44.

    Δυνατότητες εγκεφάλου Cuthbert, BN, Schupp, HT, Bradley, MM, Birbaumer, N. & Lang, PJ. Βιολογική Ψυχολογία 52 , 95–111 (2000).

    Αρθρο CAS PubMed PubMed Central Μελετητής Google 

  45. 45.

    Duval, ER, Moser, JS, Huppert, JD & Simons, RF Τι υπάρχει σε ένα πρόσωπο; Εφημερίδα της Ψυχοφυσιολογίας 27 , 27–38 (2013).

    Αρθρο Μελετητής Google 

  46. 46.

    Schupp, HT et al . Επεξεργασία συναισθηματικής εικόνας: Το όψιμο θετικό δυναμικό διαμορφώνεται από την κινητήρια συνάφεια. Ψυχοφυσιολογία 37 , 257–261 (2000).

    Αρθρο CAS PubMed PubMed Central Μελετητής Google 

  47. 47.

    Fields, EC & Kuperberg, GR Είναι όλα για σένα: Μια μελέτη ERP για το συναίσθημα και την αυτοσυνέπεια στη συζήτηση. NeuroImage 62 , 562–574 (2012).

    Αρθρο PubMed PubMed Central Μελετητής Google 

  48. 48.

    Paulmann, S., Pell, MD & Kotz, SA Λειτουργικές συνεισφορές των βασικών γαγγλίων στη συναισθηματική προσώδη: Στοιχεία από ERP. Brain Research 1217 , 171–178 (2008).

    Αρθρο CAS PubMed PubMed Central Μελετητής Google 

  49. 49.

    Witteman, J. et αϊ . Η φύση της ημισφαιρικής εξειδίκευσης για την αντίληψη της προσώδης. Cogn Affect Behav Neurosci 14 , 1104–1114 (2014).

    PubMed PubMed Central Μελετητής Google 

  50. 50.

    Trask, RL Ένα Λεξικό Φωνητικής και Φωνολογίας ., Https://doi.org/10.4324/9780203695111 (Routledge, 2004).

  51. 51.

    Näsi, Τ. Et al . Συσχέτιση των οπτικών αιμοδυναμικών αποκρίσεων και δυνατοτήτων στον ανθρώπινο εγκέφαλο. Exp Brain Res 202 , 561–570 (2010).

    Αρθρο Μελετητής Google 

  52. 52.

    Zama, T. & Shimada, S. Ταυτόχρονη μέτρηση ηλεκτροεγκεφαλογραφίας και φασματοσκοπίας σχεδόν υπέρυθρων ακτίνων κατά τη διάρκεια της εθελοντικής προετοιμασίας κινητήρα. Sci Rep 5 , 1–9 (2015).

    Αρθρο CAS Μελετητής Google 

  53. 53.

    Meir-Hasson, Y., Kinreich, S., Podlipsky, I., Hendler, T. & Intrator, N. An EEG Finger-Print της fMRI βαθιάς περιοχής ενεργοποίησης NeuroImage 102 , 128–141 (2014).

    Αρθρο Μελετητής Google 

  54. 54.

    Paulmann, S., Seifert, S. & Kotz, SA Οι μετωπικές βλάβες προκαλούν βλάβη κατά τη διάρκεια της καθυστερημένης αλλά όχι πρώιμης συναισθηματικής προσώδους επεξεργασίας Κοινωνική Νευροεπιστήμη 5 , 59-75 (2010).

    Αρθρο Μελετητής Google 

  55. 55.

    Sauter, DA & Eimer, M. Ταχεία ανίχνευση συγκίνησης από ανθρώπινες φωνητικές εντολές. Journal of Cognitive Neuroscience 22 , 474–481 (2009).

    Αρθρο Μελετητής Google 

  56. 56.

    Evans, KM & Federmeier, KD Η μνήμη που είναι σωστή και η μνήμη που απομένει: Οι δυνατότητες που σχετίζονται με συμβάντα αποκαλύπτουν ημισφαιρικές ασυμμετρίες στην κωδικοποίηση και διατήρηση των λεκτικών πληροφοριών. Νευροψυχολογία 45 , 1777–1790 (2007).

    Αρθρο PubMed PubMed Central Μελετητής Google 

  57. 57.

    Liu, B., Jin, Z., Qing, Z. & Wang, Z. Η επεξεργασία φωνολογικών, ορθογραφικών και λεξικών πληροφοριών κινέζικων χαρακτήρων σε πλαίσια προτάσεων: Μια μελέτη ERP. Brain Research 1372 , 81–91 (2011).

    Αρθρο CAS Μελετητής Google 

  58. 58.

    Stuellein, N., Radach, RR, Jacobs, AM & Hofmann, MJ Κανένα απλό εισιτήριο από την ορθογραφία στην σημασιολογία στη μνήμη αναγνώρισης: Εφέ N400 και P200 των συσχετίσεων. Brain Research 1639 , 88–98 (2016).

    Αρθρο CAS Μελετητής Google 

  59. 59.

    Vaish, A., Grossmann, T. & Woodward, A. Δεν δημιουργούνται όλα τα συναισθήματα ίσα: Η προκατάληψη αρνητικότητας στην κοινωνική-συναισθηματική ανάπτυξη. Psychol Bull 134 , 383–403 (2008).

    Αρθρο PubMed PubMed Central Μελετητής Google 

  60. 60.

    Globisch, J., Hamm, AO, Esteves, F. & Öhman, A. Ο φόβος εμφανίζεται γρήγορα: Χρονική πορεία ενίσχυσης του εκπληκτικού αντανακλαστικού σε άτομα που φοβούνται τα ζώα. Ψυχοφυσιολογία 36 , 66–75 (1999).

    Αρθρο CAS Μελετητής Google 

  61. 61.

    Pessoa, L. Σε ποιο βαθμό υφίστανται επεξεργασία συναισθηματικών οπτικών ερεθισμάτων χωρίς προσοχή και επίγνωση; Τρέχουσα γνώμη στη Νευροβιολογία 15 , 188–196 (2005).

    Αρθρο CAS Μελετητής Google 

  62. 62.

    Pessoa, L., McKenna, M., Gutierrez, E. & Ungerleider, LG Η νευρική επεξεργασία συναισθηματικών προσώπων απαιτεί προσοχή. PNAS 99 , 11458–11463 (2002).

    Αρθρο ΔΙΑΦΗΜΙΣΕΙΣ CAS Μελετητής Google 

  63. 63.

    Maratos, FA & Pessoa, L. Τι οδηγεί σε προτεραιότητα την οπτική επεξεργασία; Ένας παρακινητικός λογαριασμός σχετικότητας. Επαιτώ. Brain Res. 247 , 111–148 (2019).

    Αρθρο Μελετητής Google 

  64. 64.

    Benavides-Varela, S., Hochmann, J.-R., Macagno, F., Nespor, M. & Mehler, η εγκεφαλική δραστηριότητα του J. Newborn σηματοδοτεί την προέλευση των αναμνηστικών λέξεων. PNAS 109 , 17908–17913 (2012).

    Αρθρο ΔΙΑΦΗΜΙΣΕΙΣ Μελετητής Google 

  65. 65.

    Issard, C. & Gervain, J. Μεταβλητότητα της αιμοδυναμικής απόκρισης στα βρέφη: Επίδραση του πειραματικού σχεδιασμού και της πολυπλοκότητας του ερεθίσματος. Αναπτυξιακή γνωστική νευροεπιστήμη 33 , 182–193 (2018).

    Αρθρο PubMed PubMed Central Μελετητής Google 

  66. 66.

    de Roever, Ι. et al . Διερεύνηση του προτύπου της αιμοδυναμικής απόκρισης, όπως μετράται από μελέτες λειτουργικής φασματοσκοπίας εγγύς υπέρυθρου (fNIRS) σε νεογέννητα, ηλικίας κάτω του μήνα: Μια συστηματική ανασκόπηση. Front Hum Neurosci 12 (2018).

  67. 67.

    Obrig, Η. Et al . Αντίκτυπος της συναφούς εκμάθησης λέξεων στη φωνοτακτική επεξεργασία σε βρέφη 6 μηνών: Μια συνδυασμένη μελέτη EEG και fNIRS. Αναπτυξιακή γνωστική νευροεπιστήμη 25 , 185–197 (2017).

    Αρθρο Μελετητής Google 

  68. 68.

    Bressler, D., Spotswood, N. & Whitney, D. Αρνητική απόκριση BOLD fMRI στο Visual Cortex φέρει συγκεκριμένες ειδικές πληροφορίες για το ερέθισμα. PLOS ONE 2 , e410 (2007).

    Αρθρο ΔΙΑΦΗΜΙΣΕΙΣ CAS PubMed PubMed Central Μελετητής Google 

  69. 69.

    Mullinger, KJ, Mayhew, SD, Bagshaw, AP, Bowtell, R. & Francis, ST Απόδειξη ότι η αρνητική απόκριση BOLD είναι νευρωνικής προέλευσης: Μια ταυτόχρονη μελέτη EEG-BOLD – CBF σε ανθρώπους. NeuroImage 94 , 263–274 (2014).

    Αρθρο CAS Μελετητής Google 

  70. 70.

    Maggioni, Ε. Et αϊ . Διερεύνηση αρνητικών BOLD αποκρίσεων στον ανθρώπινο εγκέφαλο μέσω της τεχνικής NIRS. Μια μελέτη οπτικής διέγερσης. NeuroImage 108 , 410–422 (2015).

    Αρθρο Μελετητής Google 

  71. 71.

    Okamoto, Μ. Et αϊ . Τρισδιάστατη πιθανολογική ανατομική κρανιο-εγκεφαλική συσχέτιση μέσω του διεθνούς συστήματος 10-20 προσανατολισμένο για διακρανιακή λειτουργική χαρτογράφηση εγκεφάλου. NeuroImage 21 , 99–111 (2004).

    Αρθρο PubMed PubMed Central Μελετητής Google 

  72. 72.

    Ethofer, Τ. Et al . Διαφορικές επιρροές του συναισθήματος, του έργου και της καινοτομίας στις περιοχές του εγκεφάλου που διέπουν την επεξεργασία της μελωδίας ομιλίας. Journal of Cognitive Neuroscience 21 , 1255–1268 (2008).

    Αρθρο Μελετητής Google 

  73. 73.

    Schirmer, A. & Kotz, SA Πέρα από το δεξί ημισφαίριο: μηχανισμοί εγκεφάλου που μεσολαβούν στη φωνητική συναισθηματική επεξεργασία. Trends in Cognitive Sciences 10 , 24–30 (2006).

    Αρθρο Μελετητής Google 

  74. 74.

    Kotz, SA, Kalberlah, C., Bahlmann, J., Friederici, AD & Haynes, J.-D. Πρόβλεψη εκφράσεων φωνητικών συναισθημάτων από τον ανθρώπινο εγκέφαλο. Ανθρώπινη εγκεφαλική χαρτογράφηση 34 , 1971-1981 (2013).

    Αρθρο Μελετητής Google 

  75. 75.

    Schweizer, TA, Ware, J., Fischer, CE, Craik, FIM & Bialystok, E. Η δίγλωσση ως συνεισφέρων στο γνωστικό αποθεματικό: Στοιχεία από την ατροφία του εγκεφάλου στη νόσο του Αλτσχάιμερ. Cortex 48 , 991–996 (2012).

    Αρθρο Μελετητής Google 

  76. 76.

    Oldfield, RC Η εκτίμηση και η ανάλυση της ευθυμίας: Η απογραφή του Εδιμβούργου Νευροψυχολογία 9 , 97–113 (1971).

    Αρθρο CAS Μελετητής Google 

  77. 77.

    Hanulíková, A. Συλλαβισμός και ο ρόλος της στη λεξική τμηματοποίηση γερμανικών και σλοβακικών. Σε ορισμένες πτυχές του Speech and the Brain (eds. Fuchs, S., Loevenbruck, H., Pape, D. & Perrier, P.) 331–361 (Peter Lang Verlag, 2009).

  78. 78.

    Rossi, S. et al . Σιωπηρή επεξεργασία φωνοτακτικών συνθηκών: Απόδειξη από ηλεκτροφυσιολογικές και αγγειακές αποκρίσεις. Journal of Cognitive Neuroscience 23 , 1752–1764 (2011).

    Αρθρο ΔΙΑΦΗΜΙΣΕΙΣ PubMed PubMed Central Μελετητής Google 

  79. 79.

    Huettel, S & McCarthy. Λειτουργική απεικόνιση μαγνητικού συντονισμού . (Sinauer Associates, 2009).

  80. 80.

    Οι Sharbrough et al . Οδηγίες της Αμερικανικής Ηλεκτροεγκεφαλογραφικής Εταιρείας για τυπική ονοματολογία θέσης ηλεκτροδίου. Journal of Clinical Neurophysiology 8 , 200–202 (1991).

    Αρθρο Μελετητής Google 

  81. 81.

    Cope, M., Delpy, DT, Wray, S., Wyatt, JS & Reynolds, EOR A CCD φασματοφωτόμετρο για τον ποσοτικό προσδιορισμό της συγκέντρωσης των χρωμοφόρων στο ζωντανό ιστό που χρησιμοποιεί την κορυφή απορρόφησης νερού στα 975 nm. In Oxygen Transport to Tissue XI (εκδόσεις Rakusan, K., Biro, GP, Goldstick, TK & Turek, Z.) 33–40, https://doi.org/10.1007/978-1-4684-5643-1_4 (Springer US, 1989).

  82. 82.

    Uludağ, Κ. Et αϊ . Σύζευξη της εγκεφαλικής ροής αίματος και κατανάλωσης οξυγόνου κατά τη διάρκεια φυσιολογικής ενεργοποίησης και απενεργοποίησης που μετράται με fMRI. NeuroImage 23 , 148-155 (2004).

    Αρθρο Μελετητής Google 

  83. 83.

    Fox, PT & Raichle, ME Εστιακή φυσιολογική αποσύνδεση της εγκεφαλικής ροής του αίματος και του οξειδωτικού μεταβολισμού κατά τη διάρκεια σωματοαισθητικής διέγερσης σε ανθρώπους. PNAS 83 , 1140–1144 (1986).

    Αρθρο ΔΙΑΦΗΜΙΣΕΙΣ CAS Μελετητής Google 

  84. 84.

    Obrig, H. & Villringer, A. Πέρα από το ορατό - απεικόνιση του ανθρώπινου εγκεφάλου με το φως. J Cereb Blood Flow Metab 23 , 1–18 (2003).

    Αρθρο Μελετητής Google 

  85. 85.

    Jasper, HH Το σύστημα ηλεκτροδίων δέκα-είκοσι της Διεθνούς Ομοσπονδίας. Ηλεκτροεγκεφαλογραφία και Κλινική Νευροφυσιολογία 10 , 371–375 (1958).

    Μελετητής Google 

  86. 86.

    Gratton, G., Coles, MG & Donchin, E. Μια νέα μέθοδος για την απομάκρυνση του οφθαλμικού αντικειμένου εκτός σύνδεσης. Electroencephalogr Clin Neurophysiol 55 , 468–484 (1983).

    Αρθρο CAS PubMed PubMed Central Μελετητής Google 

  87. 87.

    Benjamini, Y. & Hochberg, Y. Έλεγχος του False Discovery Rate: μια Πρακτική και Ισχυρή Προσέγγιση Πολλαπλών Δοκιμών. Σε, https://doi.org/10.1111/j.2517-6161.1995.tb02031.x (1995).

  88. 88.

    Greenhouse, SW & Geisser, S. Με μεθόδους ανάλυσης δεδομένων προφίλ. Psychometrika 24 , 95–112 (1959).

    Αρθρο MathSciNet ΜΑΘΗΜΑΤΙΚΑ Μελετητής Google 

  89. 89.

    Brigadoi, S. et al . Τεχνικά κινήσεων σε λειτουργική φασματοσκοπία εγγύς υπέρυθρων: Μια σύγκριση τεχνικών διόρθωσης κίνησης που εφαρμόζονται σε πραγματικά γνωστικά δεδομένα. NeuroImage 85 , 181–191 (2014).

    Αρθρο PubMed PubMed Central Μελετητής Google 

  90. 90.

    Di Lorenzo, R. et al . Συστάσεις για τη διόρθωση κίνησης των δεδομένων βρεφών fNIRS που εφαρμόζονται σε πολλά σύνολα δεδομένων και συστήματα απόκτησης. NeuroImage 200 , 511–527 (2019).

    Αρθρο Μελετητής Google 

  91. 91.

    Boynton, GM, Engel, SA & Heeger, DJ Γραμμική ανάλυση συστημάτων του σήματος fMRI. NeuroImage 62 , 975–984 (2012).

    Αρθρο PubMed PubMed Central Μελετητής Google 

  92. 92.

    Altvater-Mackensen, Ν. & Grossmann, Τ. Ανεξάρτητα από την πρόσληψη κατώτερου μετωπιαίου φλοιού κατά την επεξεργασία ομιλίας σε ανθρώπινα βρέφη. Αναπτυξιακή γνωστική νευροεπιστήμη 34 , 130–138 (2018).

    Αρθρο PubMed PubMed Central Μελετητής Google 

  93. 93.

    Lloyd-Fox, S., Blasi, A. & Elwell, CE Φωτίζει τον αναπτυσσόμενο εγκέφαλο: Το παρελθόν, το παρόν και το μέλλον της λειτουργικής φασματοσκοπίας σχεδόν υπέρυθρων. Neuroscience & Biobehavioral Reviews 34 , 269–284 (2010).

    Αρθρο CAS Μελετητής Google

Πέμπτη 27 Μαΐου 2021

nn7

 Αναγνώριση συναισθημάτων ομιλίας σε νευρολογικά διαταραχές που χρησιμοποιούν το Convolutional Neural Network

 Ο εντοπισμός συναισθημάτων από την ομιλία είναι ένα από τα αναδυόμεναερευνητικοί τομείς στον τομέα της επεξεργασίας πληροφοριών για τον άνθρωπο. Εκφράζονταςτο συναίσθημα είναι ένα πολύ δύσκολο έργο για ένα άτομο με νευρολογική διαταραχή.Ως εκ τούτου, ένα σύστημα αναγνώρισης συναισθημάτων ομιλίας (SER) μπορεί να το λύσει αυτόεξασφαλίζοντας μια επικοινωνία χωρίς εμπόδια. Έχουν διεξαχθεί διάφορες έρευνεςέξω στην περιοχή του SER. Ως εκ τούτου, ο κύριος στόχος αυτής της έρευναςείναι να αναπτύξουμε ένα σύστημα που να αναγνωρίζει το συναίσθημα από την ομιλία τουένα νευρολογικά διαταραγμένο άτομο. Από το συνελικτικό νευρικό δίκτυο(CNN) είναι μια αποτελεσματική μέθοδος, έχει θεωρηθεί ότι αναπτύσσει τοΣύστημα. Το σύστημα χρησιμοποιεί τονικές ιδιότητες όπως τα MFCC. RAVDESS au-dio βάσεις δεδομένων ομιλίας και τραγουδιών για εκπαίδευση και δοκιμές. Επιπλέον, απροσαρμοσμένο τοπικό σύνολο δεδομένων που αναπτύχθηκε για την υποστήριξη περαιτέρω εκπαίδευσης και δοκιμών.Η απόδοση του προτεινόμενου συστήματος σε σύγκριση με το παραδοσιακόμοντέλα μηχανικής μάθησης, καθώς και με τα προ-εκπαιδευμένα μοντέλα CNNσυμπεριλαμβανομένων των VGG16 και VGG19. Τα αποτελέσματα δείχνουν ότι το CNNμοντέλο που προτάθηκε σε αυτήν την έρευνα είχε καλύτερη απόδοση από τα αναφερόμενατεχνικές μηχανικής μάθησης. Αυτό το σύστημα επιτρέπει την ταξινόμηση ενόςοκτώ συναισθήματα νευρολογικά διαταραγμένου ατόμου συμπεριλαμβανομένης της ηρεμίας, τηςφοβισμένος, αηδία, χαρούμενος, έκπληξη, ουδέτερος και λυπημένος.Λέξεις-κλειδιά: CNN · συγκίνηση ομιλίας · RAVDESS · MFCC · αύξηση δεδομένωνκαθοδήγηση.1. ΕισαγωγήΤο συναίσθημα είναι μια ψυχική κατάσταση που σχετίζεται με το νευρικό σύστημα. Είναι τι αΤο άτομο αισθάνεται μέσα ως τις επιπτώσεις του περιβάλλοντος της γύρω περιοχής του.Τα συναισθήματα ενός ατόμου μπορούν να ανιχνευθούν με πολλούς τρόπους. Μερικά από αυτά μπορεί να είναιαναλύεται με τονικές ιδιότητες, έκφραση του προσώπου και χειρονομία σώματος. Ο υπολογιστήςή η ταξινόμηση του συναισθήματος από την ομιλία ή την έκφραση του προσώπου αποτελεί σημαντικήμέρος της επεξεργασίας πληροφοριών του ανθρώπου. Πρέπει να κατανοήσουμε τα συναισθήματα του

 

να νευρολογικά διαταραγμένο άτομο και αντιδρά ανάλογα. Αυτό το σύστημα μπορεί ναικανό ένα νευρολογικά διαταραγμένο άτομο να εκφράσει τα συναισθήματά του και να αλληλεπιδράσειμαζί μας. Ο σκοπός αυτής της έρευνας συνίσταται στην ανάπτυξη ενός συστήματος ικανούνα αναγνωρίζει αυτόματα οκτώ διαφορετικά συναισθήματα από την ομιλία ενόςάτομο με αναλογική διαταραχή. Αυτός ο σκοπός μπορεί να επιτευχθεί με την εκπαίδευση ανευρωνικό δίκτυο που αναπτύχθηκε με μεθοδολογία βαθιάς μάθησης [1, 7, 14] χρησιμοποιώνταςδύο βάσεις δεδομένων, το σύνολο δεδομένων RAVDESS και ένα προσαρμοσμένο τοπικό σύνολο δεδομένων. Τέλος,αποδεικνύοντας την ακρίβεια επικύρωσης σε σύγκριση με άλλα υπάρχοντα συστήματα και συντήρησηΜια αξιόλογη ακρίβεια για κάθε τάξη είχε επίσης αντιμετωπιστεί. Στο επόμενο δευτερόλεπτοΗ σχετική μελέτη σχετικά με την αναγνώριση συναισθημάτων από την ομιλία είναι σημαντικήπαρουσιάζονται.2 Σχετική εργασίαΤο συναίσθημα από την αναγνώριση ομιλίας έχει γίνει ένας δημοφιλής τομέας έρευνας. ΑρκετάΟι ερευνητές έχουν αναλύσει διάφορους τρόπους για καλύτερη βελτίωση αυτού του τομέα. Ρ.Ο Aloufi [3] εξήγαγε τον μετρητή F0, το φασματικό φάκελο και τις περιοδικές πληροφορίεςστην επεξεργασία ομιλίας. Ταξινόμησαν επτά συναισθήματα όπως ηρεμία, θυμωμένος, λυπημένος,χαρούμενος, φοβισμένος, αηδία και έκπληκτος χρησιμοποιώντας το σύνολο δεδομένων RAVDESS. Ως εκ τούτου,πέτυχαν ποσοστό αναγνώρισης συναισθημάτων 5%, ποσοστό αναγνώρισης ομιλίας65% και ποσοστό αναγνώρισης ηχείου 92%. Ο Μ. Bojanic [4] εφάρμοσε το LinearDiscriminant Classifiers (LDC) και k-Nearest Neighbor (kNN) στο GEES corpus.Η ακρίβεια του θυμού ήταν 88,8%, ο φόβος ήταν 92,5%, η χαρά ήταν 84,2%, η ουδέτερη ήταν97,1% και η θλίψη ήταν 94,8% στο μοντέλο LDC. Στο kNN, ο θυμός έγινε 86,8%, ο φόβοςέγινε 93,7%, η χαρά έγινε 83,6%, η ουδέτερη έγινε 95,9% και η θλίψη έγινε96,3%. Ο M. Ghai [8] επέλεξε τα δείγματα καρέ των ηχητικών σημάτων στα 16000Hzκαι η διάρκεια επιλογής 0,25 δευτερόλεπτα κάθε καρέ για εξαγωγή χαρακτηριστικών. ΕΝΑ.Ο Iqbal [13] εξήγαγε 34 δυνατότητες ήχου από δύο σύνολα δεδομένων (RAVDESS και SAVEE)και επιλεγμένο μέγεθος πλαισίου 0,05s και μέγεθος βήματος 0,025s. Εφαρμόζουν το GradientΜέθοδος ενίσχυσης και ταξινόμηση τεσσάρων εκφράσεων. Πέτυχαν ακρίβεια 33%για θυμό, 66% για ευτυχία, 67% για θλίψη και 50% για ουδέτερο στο RAVDESSγυναικείο σύνολο δεδομένων. Στο αρσενικό σύνολο δεδομένων RAVDESS, η ακρίβεια για θυμό έγινε 87%,η ευτυχία έγινε 87%, η θλίψη έγινε 67% και η ουδέτερη έγινε 66%. Το ac-Η περιέργεια ήταν 56% για τον θυμό, 78% για την ευτυχία, 100% για τη θλίψη και 78% για την οργήουδέτερο μετά τη χρήση του συνόλου δεδομένων SAVEE. Ο S. Rovetta [20] επέλεξε τα τελικά χαρακτηριστικάχρησιμοποιώντας δοκιμή Ανάλυσης διακύμανσης (ANOVA) ή αμοιβαίων πληροφοριών (MI). Αυτοίταξινόμησε επίσης επτά συναισθήματα (θυμός, ουδέτερη, αηδία, θλίψη, πλήξη, φόβος,και χαρά) εφαρμόζοντας το σύνολο δεδομένων EMO-DB στη μέθοδο fuzzy clustering. Αυτοίπέτυχε 35,157% ακρίβεια για ουδέτερο, 60,757% για θυμό, 17,629% για πλήξη,12,751% για αηδία, 35,061% για φόβο, 18,743% για χαρά και 25,485% για θλίψη.Ο Π. Τζιράκης [22] επαναπροσδιορίστηκε το σύνολο δεδομένων RECOLA με ρυθμό καρέ 40ms. Αυτοίπρότεινε ένα νέο μοντέλο Deep Neural Network (DNN) συνδυάζοντας CNN και(Long ShortTerm Memory) δίκτυο LSTM. Η ακρίβεια της διέγερσης ήταν 78,7%και το σθένος ήταν 44%. Ο N. Yang [23] εφάρμοσε το σύνολο δεδομένων EMO-DB σε BPNN, ELM,Μοντέλο PNN και SVM. Πέτυχαν ακρίβεια 77,8% στο BPNN, 78,4%
Σελίδα 3
Αναγνώριση συναισθημάτων από την ομιλία3Racy σε ELM, 81% ακρίβεια σε PNN και 92,4% σε SVM. Z. Zhao [25] χρησιμοποιείταιτη λειτουργία Hamming Window για τη δημιουργία φασματογραφημάτων χρησιμοποιώντας το ShortTimeΜετασχηματισμός Fourier (STFT) με μήκος καρέ 25ms με ρυθμό 10ms. Αυτοίχρησιμοποίησε το σύνολο δεδομένων IEMOCAP και εφάρμοσε το μοντέλο Attention-BLSTM-FCN.Η σταθμισμένη ακρίβεια ήταν 68,1% και η σταθμισμένη ακρίβεια ήταν 67%μοντέλο. Διαφορετικά μεγέθη πλαισίου 10-20 ms [6,8], κ.λπ., επιλέχθηκαν σε διαφορετικάέργα. Εντροπία, φασματική εντροπία, MFCC, ZCR (ρυθμός μηδενικής διέλευσης), βήμα, en-η ενέργεια, κ.λπ., ήταν τα κοινά χαρακτηριστικά για τα δεδομένα ήχου. Οι περισσότεροι από τους ερευνητέςχρησιμοποιημένο βήμα και ενέργεια [6,19,24] για επεξεργασία ήχου. Τα περισσότερα από αυτά υπολογίστηκανστατιστικά χαρακτηριστικά όπως μέση, τυπική απόκλιση, κ.λπ., για τη βελτίωση της απόδοσηςλίπασμα. Προηγούμενοι ερευνητές ανέπτυξαν επίσης διαφορετικές μεθόδους μηχανικής μάθησηςόπως Gradient Boosting, Support Vector Machine (SVM), K-Nearest Neighbor(KNN), Neural Network, Random Forest κ.λπ. για να ταξινομήσετε τα συναισθήματα από την ομιλία.Χρησιμοποίησαν πολλές ομιλίες συναισθηματικές βάσεις δεδομένων, όπως EMO-DB, BHUDES,RAVDESS, SUSAS, AIBO, SAVEE κ.λπ. για την κατασκευή των συστημάτων τους.3 ΜεθοδολογίαΣε αυτήν την έρευνα, το Convolution Neural Network (CNN) με αύξηση δεδομένωνχρησιμοποιήθηκε για την ανάπτυξη του συστήματος. Το Σχ. 1 απεικονίζει το διάγραμμα ροής αυτού του συστήματος.Σύμφωνα με το διάγραμμα ροής, το μοντέλο παίρνει πρώτα δεδομένα ήχου από το σύνολο δεδομένων καιΣύνολο δεδομένωνΠροεπεξεργασίαΕξαγωγή χαρακτηριστικώνΟμαλοποίησηΠροτεινόμενο μοντέλοΤάξηΣχ. 1. Διάγραμμα ροής συστήματοςξεκινά την προεπεξεργασία. Μετά την ολοκλήρωση της προεπεξεργασίας, εξάγει το MFCCχαρακτηριστικό χρησιμοποιώντας τη λειτουργία mfcc που προσφέρεται από το Librosa API. Τότε τα χαρακτηριστικά είναιομαλοποιείται με αλλαγή σχήματος. Ο θόρυβος αυξάνεται από τη λειτουργία NoiseAugαπό τη βιβλιοθήκη Nlpaug. Τέλος, τα επαυξημένα δεδομένα τροφοδοτούνται στη συνέχεια στα προτεινόμεναμοντέλο πρόβλεψης συγκινήσεων. Υπάρχουν τέσσερα επίπεδα συνελεύσεων σε αυτό το μοντέλομε φίλτρα 16, 32, 64 και 128 και το μέγεθος του πυρήνα για κάθε επίπεδο είναι 2 * 2. ΔιορθωμένοΗ Γραμμική Μονάδα (ReLU) χρησιμοποιείται ως λειτουργία ενεργοποίησης σε κάθε επίπεδο συνέλιξης ωςφαίνεται (1).ReLU (y) = μέγ. (0, y)(1)
Σελίδα 4
4Οι Zisad et al.Το μοντέλο διαθέτει δεδομένα ήχου 16000Hz ως είσοδο. Εισαγωγήτο σχήμα του συνόλου δεδομένων RAVDESS είναι (100, 196, 1), όπου το 100 αναφέρεται στον αριθμόαπό τις δυνατότητες MFCC που εξήχθησαν, το 196 είναι ο αριθμός των καρέ που λαμβάνουνλογαριασμού και 1 που σημαίνει ότι ο ήχος είναι μονοφωνικός. Το μοντέλο για το τοπικό σύνολο δεδομένωνχρησιμοποιεί το σχήμα εισόδου (100, 3200, 1). Μετά το επίπεδο της συνέλιξης, υπάρχει έναμέγιστο επίπεδο συγκέντρωσης όπου το μέγεθος της πισίνας είναι 2 * 2. Επιλέγει τη μεγαλύτερη τιμή απόο διορθωμένος χάρτης χαρακτηριστικών και μειώνει το μέγεθος των δεδομένων, οπότε ο αριθμός τωνοι παράμετροι μειώνονται. Όπως το επίπεδο της συνέλιξης, το ReLU έχει εφαρμοστεί ωςμια λειτουργία ενεργοποίησης σε κρυμμένα επίπεδα. Ένα στρώμα εγκατάλειψης εισάγεται επίσης μεη τιμή εγκατάλειψης 0,2 που απενεργοποιεί τυχαία 20% νευρώνες για νατοποθέτηση [21]. Στο τελευταίο κρυφό επίπεδο, ένα επίπεδο Global Average Pooling ήτανπροστέθηκε που παίρνει το μέσο όρο που είναι κατάλληλο για τροφοδοσία της πυκνής παραγωγής μαςστρώμα. Το επίπεδο εξόδου αυτού του μοντέλου αποτελείται από οκτώ κόμβους καθώς έχει οκτώ κλάσεις.Ως λειτουργία ενεργοποίησης, το Softmax έχει εφαρμοστεί όπως φαίνεται (2) σε αυτό το επίπεδο.Softmax (y) =e iΠ jε ι(2)Ως μοντέλο βελτιστοποίησης, το Adam [5] έχει χρησιμοποιηθεί. Η κατηγοριοποιημένη Crossentropy έχειέχει χρησιμοποιηθεί ως λειτουργία απώλειας. Περιλαμβάνονται το ModelCheckpoint και το EarlyStoppingως επιστροφές στο μοντέλο. Το ModelCheckpoint θα αποθηκεύσει το καλύτερο μοντέλο στοτοπική αποθήκευση ενώ το EarlyStopping θα διακόψει τη διαδικασία προπόνησης εάν δεν υπάρχειβελτίωση στην ελαχιστοποίηση της τιμής απώλειας μετά από 5 εποχές. Η επισκόπηση του CNNΗ αρχιτεκτονική που σχεδιάστηκε για αυτό το μοντέλο απεικονίζεται στον Πίνακα 1.4 βάσεις δεδομένων4.1 Βάση δεδομένων RAVDESSΗ οπτικοακουστική βάση δεδομένων Ryerson της συναισθηματικής ομιλίας και τραγουδιού (RAVDESS)είναι μια επικυρωμένη βάση δεδομένων συναισθηματικής ομιλίας και τραγουδιού [18]. Περιέχει 7356 αρχείασυμπεριλαμβανομένων 8 συναισθημάτων όπως θυμός, ευτυχία, ηρεμία, ουδέτερη, έκπληξη, λυπημένος, φόβος,και αηδία. Υπήρχαν 24 επαγγελματίες ηθοποιοί όπου 12 ήταν γυναίκες και 12 ήτανάνδρες ηθοποιοί φωνάζουν δύο δηλώσεις, «Τα παιδιά μιλούν από την πόρτα» και «Τα σκυλιάκάθονται δίπλα στην πόρτα με μια ουδέτερη προφορά της Βόρειας Αμερικής. Έχει ομιλία καιαρχεία τραγουδιών με τρεις μορφές μορφής: Μόνο ήχος (16bit, 48kHz .wav), Ήχος-Βίντεο (720p H.264, AAC 48kHz, .mp4) και μόνο βίντεο (χωρίς ήχο). Υπάρχουνκανένα αρχείο τραγουδιού για τον Ηθοποιό 18. Όλες οι ηχογραφήσεις είναι στα Αμερικανικά Αγγλικά.4.2 Τοπικό σύνολο δεδομένωνΑυτό το σύνολο δεδομένων δημιουργείται καταγράφοντας φωνές από 25 ασθενείς από το Chittagong,Μπαγκλαντές. Δέκα από αυτούς είναι ασθενείς με εγκεφαλικό επεισόδιο, οκτώ από αυτούς πάσχουν απόάνοια, τέσσερις από αυτούς έχουν επιληψία και οι υπόλοιποι έχουν ημικρανία.Κάθε έκφραση παράγεται φωνητικά δύο δηλώσεις «Τα παιδιά μιλούν από τοπόρτα »και« Τα σκυλιά κάθονται δίπλα στην πόρτα »με μπαγκλαντές προφορά. Υπάρχουν 400αρχεία ήχου σε 8 συναισθήματα.
Σελίδα 5
Αναγνώριση συναισθημάτων από την ομιλία5Πίνακας 1. Αρχιτεκτονική συστήματοςΠεριεχόμενοΛεπτομέριεςΠρώτο στρώμα Convolution16 φίλτρα μεγέθους 2x2, ReLU,μέγεθος εισόδου 100 * 196 * 1 για RAVDESS και100 * 3200 * 1 για τοπικό σύνολο δεδομένωνΠρώτο Max Pooling LayerΜέγεθος συγκέντρωσης 2x2Επίπεδο εγκατάλειψηςΕξαιρούνται 20% νευρώνες τυχαίαΔεύτερο στρώμα Convolution32 φίλτρα μεγέθους 2x2, ReLUΔεύτερο Max Pooling LayerΜέγεθος συγκέντρωσης 2x2Επίπεδο εγκατάλειψηςΕξαιρούνται 20% νευρώνες τυχαίαΤρίτο στρώμα Convolution64 φίλτρα μεγέθους 2x2, ReLUΤρίτο Max Pooling LayerΜέγεθος συγκέντρωσης 2x2Επίπεδο εγκατάλειψηςΕξαιρούνται 20% νευρώνες τυχαίαΤέταρτο στρώμα Convolution128 φίλτρα μεγέθους 2x2, ReLUΤέταρτο Max Pooling LayerΜέγεθος συγκέντρωσης 2x2Επίπεδο εγκατάλειψηςΕξαιρούνται 20% νευρώνες τυχαίαΠαγκόσμιος μέσος όρος συγκεντρωτικού επιπέδου N / AΕπίπεδο εξόδου8 κόμβοι για 8 τάξεις, SoftMaxΛειτουργία βελτιστοποίησηςΑδάμΕπιστροφή κλήσηςΜοντέλο Checkpoint4.3 ΠροεπεξεργασίαΥπάρχουν μόνο 2452 αρχεία ήχου στο σύνολο δεδομένων ήχου και τραγουδιού RAVDESS.Ως εκ τούτου, για να αυξήσουμε τα σύνολα δεδομένων μας και να βελτιώσουμε την απόδοση του μοντέλου, χρησιμοποιήσαμε επίσηςΔείγματα τραγουδιών ήχου. Όλα τα αρχεία χρησιμοποιούνται με ρυθμό δειγματοληψίας 16KHz χρησιμοποιώντας τοπαράμετρος 'sr = 16000' στη λειτουργία φόρτωσης της βιβλιοθήκης Librosa. Για χαρακτηριστικόΕξαγωγή, χρησιμοποιείται η συνάρτηση Mfcc της βιβλιοθήκης Librosa. Το ποσοστό δείγματος είναι16KHz για κάθε αρχείο ήχου. Ο αριθμός των MFCC που εξάγονται είναι 100. Το σχήμα τουτα εξαγόμενα χαρακτηριστικά δεν θα ήταν τα ίδια και το εύρος δεν θα ήταν συγκεκριμένοχωρίς κανονικοποίηση. Το μη δομημένο χαρακτηριστικό μπορεί να μειώσει την ακρίβεια καιποσοστό αναγνώρισης. Σε αυτήν την έρευνα, μετά την εξαγωγή χαρακτηριστικών από κάθε αρχείο, εμείςομαλοποιήθηκαν αφαιρώντας κάθε χαρακτηριστικό από το μέγιστο που θα κάνειτο ίδιο σχήμα. Μετά την ομαλοποίηση, αυτά τα δεδομένα χρησιμοποιούνται για την εκπαίδευση και τον έλεγχοτο σύστημα. Η επαύξηση στη βάση δεδομένων ήχου δημιουργεί συνήθως επιπλέοναρχεία ήχου εφαρμόζοντας κάποια ειδική λειτουργία στην αρχική βάση δεδομένων, όπωςόπως η έγχυση θορύβου, η ρύθμιση του βήματος, η αλλαγή της φωνητικής οδού, η ρύθμιση της ταχύτητας κ.λπ.Σε αυτήν την εργασία, όλα τα αρχεία αυξάνονται με την έγχυση θορύβου χρησιμοποιώντας τοΛειτουργία NoiseAug από τη βιβλιοθήκη nlpaug.
Σελίδα 6
6Οι Zisad et al.5 ΠείραμαΥπάρχουν 1440 αρχεία ομιλίας ήχου και 1012 αρχεία τραγουδιών στη βάση δεδομένων RAVDESS.Κάθε τάξη έχει 192 αρχεία εκτός από ουδέτερα σε αρχεία ομιλίας ήχου και την ουδέτερη τάξηπεριέχει 96 αρχεία. Από την άλλη πλευρά, θυμωμένος, ήρεμος, φοβισμένος, χαρούμενος, λυπημένος περιέχει184 αρχεία σε κάθε τάξη σε αρχεία τραγουδιού ήχου και η κατηγορία Neutral περιέχει 96 αρχεία.Δεν υπάρχουν αρχεία τραγουδιών για την αηδία και την έκπληξη της τάξης. Για να επιτύχετε το καλύτεροαπόδοση από το μοντέλο, είναι απαραίτητο να εμπλουτιστεί η βάση δεδομένων με σχετικήαρχεία ήχου. Για το σκοπό αυτό, εισάγεται θόρυβος στην υπάρχουσα βάση δεδομένων. ΜετάΑύξηση, η βάση δεδομένων γίνεται διπλάσιο από το προηγούμενο. Εκείείναι 4904 αρχεία ήχου και τραγουδιού μετά την αύξηση. Ομοίως, υπάρχουν μόνο400 αρχεία στο τοπικό σύνολο δεδομένων όπου κάθε τάξη περιέχει μόνο 50 αρχεία. Έτσι κάθε τάξημπορεί να έχει 100 αρχεία μετά την αύξηση. Το σύνολο δεδομένων χωρίστηκε σε εκπαιδευτικό σύνολο,σύνολο επικύρωσης και σύνολο δοκιμών. Το εκπαιδευτικό σετ και το σετ επικύρωσης χρησιμοποιήθηκαν για την προπόνησητο μοντέλο. Το σετ δοκιμής χρησιμοποιήθηκε για τη δοκιμή της απόδοσης του μοντέλου. Αυτό το μοντέλοεκπαιδεύτηκε χρησιμοποιώντας πολλαπλές αναλογίες διαίρεσης (70:20:10, 75:15:10, 80:10:10), ενεργοποίησηλειτουργίες (relu, sigmoid, softmax, softplus) και βελτιστοποιητές (adadelta, adagrad,adamax, adam, nadam, sgd). Κατά τη διάρκεια της μαθησιακής διαδικασίας, η απόδοση τουαυτό το μοντέλο ήταν το καλύτερο όταν η αναλογία διαχωρισμού 75:15:10, η λειτουργία ενεργοποίησης softmax καιΤο adam optimizer χρησιμοποιήθηκε με πέντε φορές πολλαπλή επικύρωση.6 ΥλοποίησηΤο σύστημα έχει αναπτυχθεί στο Spyder IDE χρησιμοποιώντας το Python ως πρόγραμμα-γλωσσική γλώσσα. Το μοντέλο εκπαιδεύτηκε χρησιμοποιώντας το google συνεργατικό. Τα απαιτούμεναβιβλιοθήκες για αυτό το πείραμα ήταν: Keras, Tensorflow, NumPy, Librosa, sklearn,nlpaug, matplotlib, κ.λπ. Το Keras χρησιμοποιήθηκε για την ανάπτυξη του μοντέλου με την εφαρμογή-με ορισμένες ενσωματωμένες λειτουργίες όπως επίπεδα, βελτιστοποιητές, λειτουργίες ενεργοποίησης κ.λπ.Το Tensorflow υποστηρίζεται στο πίσω μέρος του συστήματος. Η βιβλιοθήκη Numpy χρησιμοποιήθηκε γιααριθμητική ανάλυση. Η φόρτωση αρχείων ήχου χρησιμοποιώντας συγκεκριμένο ρυθμό δειγματοληψίας ήτανσχηματίστηκε από τη βιβλιοθήκη librosa, όπου η βιβλιοθήκη sklearn δημιούργησε πίνακα σύγχυσης,διαχωρισμός δεδομένων αμαξοστοιχίας και δοκιμών, λειτουργία επιστροφής σημείου ελέγχου μοντέλου, κ.λπ. Τα δεδομένα ήταναυξήθηκε χρησιμοποιώντας το API nlpaug όπου χρησιμοποιήθηκε η βιβλιοθήκη matplotlib για γραφικάυπολογιστική αναπαράσταση, όπως πίνακας σύγχυσης, γράφημα ακρίβειας έναντι εποχών, απώλεια έναντιγράφημα εποχών κ.λπ.7 Αποτέλεσμα και συζήτησηΣτο σύνολο δεδομένων RAVDESS, υπήρχαν 2452 αρχεία (ηχητική ομιλία και τραγούδι) πρινΑύξηση όπου χρησιμοποιήθηκαν 1839 αρχεία για εκπαίδευση, 368 αρχεία χρησιμοποιήθηκαν γιαεπικύρωση, και 245 αρχεία χρησιμοποιήθηκαν για τη δοκιμή του συστήματος. Η καλύτερη ακρίβεια γιαεκπαίδευση, δοκιμές και επικύρωση ήταν 0,857, 0,743 και 0,756 αντίστοιχα. οΟ μέσος όρος εκπαίδευσης, δοκιμών και ακρίβειας επικύρωσης ήταν 0,841, 0,740 και 0,744αντίστοιχα. Μετά τη χρήση της αύξησης δεδομένων, το σύνολο δεδομένων γίνεται διπλάσιο από τομεγάλο μέγεθος με συνολικά 4904 αρχεία στο σύνολο δεδομένων όπου χρησιμοποιήθηκαν 3679 αρχεία
Σελίδα 7
Αναγνώριση συναισθημάτων από την ομιλία7εκπαίδευση, 736 αρχεία χρησιμοποιήθηκαν για επικύρωση και 491 αρχεία χρησιμοποιήθηκαν για δοκιμήτο σύστημα. Το αποτέλεσμα της πενταπλής διασταυρούμενης επικύρωσης για αυτό το αυξημένο σύνολο δεδομένων είναιφαίνεται στον Πίνακα 2. Σύμφωνα με τον Πίνακα 2, επιτεύχθηκε η καλύτερη ακρίβεια δοκιμώνΠίνακας 2. Αποτελέσματα πολλαπλής επικύρωσης του αυξημένου συνόλου δεδομένων RAVDESS.Εκπαίδευση Ακρίβεια Επικύρωσης ΑκρίβειαΔοκιμή ακρίβειαςΔιπλώστε-10,9150,8070,787Διπλώστε-20,9370,8220,823Διπλώστε-30,9210,8200,807Διπλώστε-40.8930,8250,825Διπλώστε-50,8980,8110,821Μέση τιμή0,9130,8170,813Καλύτερος0,9370,8250,825στην τέταρτη πτυχή και ήταν 0,825. Η καλύτερη ακρίβεια για εκπαίδευση και επικύρωσηήταν 0,937 και 0,825. Η μέση ακρίβεια δοκιμών έγινε 0,813 όπου ο μέσος όροςη ακρίβεια εκπαίδευσης και επικύρωσης έγινε 0,913 και 0,817. Πίνακας σύγχυσης τουΤο αυξημένο σύνολο δεδομένων RAVDESS με αυτό το καλύτερο αποτέλεσμα παρουσιάζεται στον Πίνακα 3. ΜερικάΠίνακας 3. Πίνακας σύγχυσης του αυξημένου συνόλου δεδομένων RAVDESS.Angry Calm DisgustFearful Happy Neutral Sad Sad ΈκπληκτοςΘυμωμένος650201321Ηρεμία367021022Αηδία103410202Φοβερός322603424Χαρούμενος423252242Ουδέτερος010104001Λυπημένος242310581Εκπληκτος112010129υπάρχοντες αλγόριθμοι μηχανικής εκμάθησης όπως το Support Vector Machine (SVM)Random Forest, Gradient Boosting, K Nearest Neighbor (KNN), ΑπόφασηClassifier κ.λπ. και κάποιο προ-εκπαιδευμένο μοντέλο CNN όπως VGG16, VGG19 κ.λπ.εκπαιδεύτηκαν επίσης χρησιμοποιώντας RAVDESS αυξημένο σύνολο δεδομένων Μια σύγκριση μεταξύΑυτά τα μοντέλα και το προτεινόμενο μοντέλο μας παρουσιάζονται στον Πίνακα 4. Από αυτόν τον πίνακα, μπορείνα παρατηρηθεί εύκολα ότι η απόδοση του προτεινόμενου μοντέλου μας είναι καλύτερη απόάλλα μοντέλα επειδή πέτυχε μεγαλύτερη ακρίβεια, ακρίβεια, ανάκληση και βαθμολογία f1από άλλους. Και πάλι στο τοπικό σύνολο δεδομένων, υπάρχουν 400 αρχεία πριν από την αύξησηόπου 300 αρχεία χρησιμοποιήθηκαν για εκπαίδευση, 60 αρχεία χρησιμοποιήθηκαν για επικύρωση και 40αρχεία χρησιμοποιήθηκαν για τη δοκιμή του συστήματος. Επιτεύχθηκε η καλύτερη ακρίβεια δοκιμώνστην τρίτη πτυχή και ήταν 0,375. Η καλύτερη ακρίβεια για εκπαίδευση και επικύρωσηήταν 0,477 και 0,375. Η μέση ακρίβεια των δοκιμών έγινε 0,372 όπου ο μέσος όρος
Σελίδα 8
8Οι Zisad et al.Πίνακας 4. Σύγκριση μοντέλων χρησιμοποιώντας σύνολο δεδομένων RAVDESSΜοντέλοΑκρίβειαΑκρίβειαΑνάκλησηF1-ΒαθμολογίαSVM0,77910,7960,77910,792Τυχαίο δάσος0,6340.6560,6340,630Ενίσχυση κλίσης0,6160,6230,6160,617ΚΝΝ0,4430,4600,4430,445Δέντρο απόφασης0,3420.3460,3420,342VGG160,7470,7470,7470,747VGG190,7630,7680,7630,768Προτεινόμενο μοντέλο0,8250,8310,8250,828η ακρίβεια εκπαίδευσης και επικύρωσης έγινε 0,470 και 0,371. Μετά από δεδομέναο αριθμός των αρχείων ήταν 800 στο σύνολο δεδομένων όπου χρησιμοποιήθηκαν 600 αρχείαεκπαίδευση, 120 αρχεία χρησιμοποιήθηκαν για επικύρωση, και 80 αρχεία χρησιμοποιήθηκαν για τη δοκιμή τουΣύστημα. Το αποτέλεσμα της πενταπλής διασταυρούμενης επικύρωσης για αυτό το σύνολο δεδομένων εμφανίζεται στο Ta-5. Σύμφωνα με τον πίνακα, η καλύτερη ακρίβεια δοκιμών επιτεύχθηκε στο τρίτοΠίνακας 5. Αποτελέσματα πολλαπλής επικύρωσης τοπικού επαυξημένου συνόλου δεδομένων.Εκπαίδευση Ακρίβεια Επικύρωσης ΑκρίβειαΔοκιμή ακρίβειαςΔιπλώστε-10,6850,6220,611Διπλώστε-20.6790,6180,610Διπλώστε-30,6830,6070,612Διπλώστε-40,6710,6210,611Διπλώστε-50.6820,6250,605Μέση τιμή0,6800,6190,610Καλύτερος0,6850,6250,612φορές και ήταν 0,612. Η καλύτερη ακρίβεια για εκπαίδευση και επικύρωση ήταν 0,685και 0,625. Η μέση ακρίβεια των δοκιμών έγινε 0,610 όπου η μέση προπόνησηκαι η ακρίβεια επικύρωσης έγινε 0,680 και 0,619. Η μήτρα σύγχυσης τουΤο τοπικό επαυξημένο σύνολο δεδομένων με αυτό το καλύτερο αποτέλεσμα παρουσιάζεται στον Πίνακα 6.8 ΣυμπέρασμαΟ στόχος αυτής της έρευνας ήταν να βρει το εύρος βελτίωσης των υπαρχόντωνσύστημα αναγνώρισης συγκίνησης ομιλίας. Το προτεινόμενο μοντέλο μας, CNN με τα δεδομέναΗ μέθοδος αύξησης έχει αποδειχθεί πιο αποτελεσματική σε σύγκριση με άλλεςμοντέλα σε αυτόν τον τομέα. Αν και αυτό το μοντέλο είχε καλύτερη απόδοση, χρειάζεται μερικάβελτιώσεις σε ορισμένους τομείς, όπως: Το σύνολο δεδομένων πρέπει να αυξηθεί. Περισσότερα δεδομέναθα πρέπει να προστεθεί σε κάθε τάξη για καλύτερη απόδοση. Μείωση θορύβουΓορίθος μπορεί να εφαρμοστεί για βελτίωση μοντέλου. Επικύρωση σε πραγματικό χρόνο χρησιμοποιώντας αυτότο μοντέλο πρέπει να βελτιωθεί. Τέλος, αυτό το σύστημα μπορεί να επεκταθεί σε ένα ολοκληρωμένο
Σελίδα 9
Αναγνώριση συναισθημάτων από την ομιλία9Πίνακας 6. Πίνακας σύγχυσης τοπικού επαυξημένου συνόλου δεδομένων.Angry Calm DisgustFearful Happy Neutral Sad Sad ΈκπληκτοςΘυμωμένος81100210Ηρεμία17012101Αηδία11601011Φοβερός01040011Χαρούμενος01105100Ουδέτερος10110710Λυπημένος01001030Εκπληκτος10100119πλαίσιο με οποιαδήποτε εξελιγμένη μεθοδολογία όπως το BRB [2, 9–12, 15–17]. Περισσότερο-οι ερευνητές μπορούν να προσπαθήσουν να βελτιώσουν αυτό το μοντέλο πιο αποτελεσματικά στο μέλλονέτσι ώστε ένα πιο τυπικό σύστημα αναγνώρισης συναισθημάτων ομιλίας για νευρολογικάάτομα με διαταραχές μπορούν να παραδοθούν.βιβλιογραφικές αναφορές1. Ahmed, TU, Hossain, MS, Alam, MJ, Andersson, Κ .: Ένα ολοκληρωμένο cnn-rnnπλαίσιο για την αξιολόγηση των οδικών ρωγμών. Το: 22ο Διεθνές Συνέδριο 2019 για τιςτεχνολογίας πληροφοριών και πληροφοριών (ICCIT). σελ. 1-6. IEEE (2019)2. Alharbi, ST, Hossain, MS, Monrat, AA: Ένα σύστημα εμπειρογνωμόνων βασισμένο σε κανόνες πεποίθησηςνα αξιολογήσει τον αυτισμό υπό αβεβαιότητα. Σε: Πρακτικά του Παγκόσμιου Συνεδρίου στιςΜηχανική και Επιστήμη Υπολογιστών. τομ. 1 (2015)3. Aloufi, R., Haddadi, H., Boyle, D .: Emotionless: Ανάλυση ομιλίας που διατηρεί το απόρρητογια βοηθούς φωνής. arXiv preprint arXiv: 1908.03632 (2019)4. Bojanic, M., Delic, V., Karpov, Α .: Αναδιανομή κλήσεων για ένα τηλεφωνικό κέντρο με βάσηαναγνώριση συναισθημάτων ομιλίας. Εφαρμοσμένες Επιστήμες 10 (13), 4653 (2020)5. Bottou, L .: Μηχανική εκμάθηση μεγάλης κλίμακας με στοχαστική κλίση. Σε: Pro-πρακτικά της COMPSTAT'2010, σελ. 177–186. Springer (2010)6. Chernykh, V., Prikhodko, P .: Αναγνώριση συναισθημάτων από την ομιλία με επαναλαμβανόμεναδίκτυα. arXiv preprint arXiv: 1701.08071 (2017)7. Chowdhury, RR, Hossain, MS, ul Islam, R., Andersson, K., Hossain, S .: Banglaαναγνώριση χειρόγραφου χαρακτήρα χρησιμοποιώντας συνελικτικό νευρωνικό δίκτυο με δεδομένααύξηση. Σε: 2019 Κοινό 8ο Διεθνές Συνέδριο Πληροφορικής, Elec-τρονικά και όραμα (ICIEV). σελ. 318–323. IEEE (2019)8. Ghai, M., Lal, S., Duggal, S., Manik, S .: Αναγνώριση συναισθημάτων στα σήματα ομιλίαςχρησιμοποιώντας μηχανική μάθηση. Σε: Διεθνές συνέδριο 2017 για τα μεγάλα αναλυτικά δεδομένακαι υπολογιστική νοημοσύνη (ICBDAC). σελ. 34–39. IEEE (2017)9. Hossain, MS, Habib, IB, Andersson, Κ .: Ένα σύστημα εμπειρογνωμόνων βασισμένο σε κανόνες πεποίθησηςδιάγνωση του δάγκειου πυρετού υπό αβεβαιότητα. Σε: Διάσκεψη υπολογιστών 2017. σελ. 179–186. IEEE (2017)10. Hossain, MS, Hossain, E., Khalid, S., Haque, MA: Ένας κανόνας πεποίθησης βασισμένος (brb)σύστημα υποστήριξης αποφάσεων για την αξιολόγηση της υποψίας κλινικού άσθματος. Σε: Σκανδιναβική Con-έμφαση στην Πληροφορική για την Υγεία · 22 Αυγούστου 2014; Γκρίμσταντ; Νορβηγία. σελ. 83–89.102, Πανεπιστήμιο Linköping Electronic Press (2014)
Σελίδα 10
10Οι Zisad et al.11. Hossain, MS, Rahaman, S., Kor, AL, Andersson, K., Pattinson, C .: Μια πεποίθησηΣύστημα εμπειρογνωμόνων βάσει κανόνα για πρόβλεψη pue στο κέντρο δεδομένων υπό αβεβαιότητα. ΙΕΕΕΣυναλλαγές στον Αειφόρο Υπολογισμό 2 (2), 140–153 (2017)12. Hossain, MS, Sultana, Z., Nahar, L., Andersson, Κ .: Ένα έξυπνο σύστημα γιαδιάγνωση chikungunya υπό αβεβαιότητα. Περιοδικό ασύρματων κινητών δικτύων,Ubiquitous Computing, and Dependable Applications 10 (2), 37–54 (2019)13. Iqbal, A., Barua, Κ .: Μια αναγνώριση συναισθήματος σε πραγματικό χρόνο από την ομιλία με κλίσηενίσχυση. Σε: Διεθνές Συνέδριο 2019 για Ηλεκτρικά, Ηλεκτρονικούς Υπολογιστές καιΜηχανική Πληροφοριών (ECCE). σελ. 1-5. IEEE (2019)14. Ισλάμ, MZ, Hossain, MS, ul Islam, R., Andersson, Κ .: Αναγνώριση στατικής χειρονομίαςχρησιμοποιώντας συνελικτικό νευρωνικό δίκτυο με αύξηση δεδομένων. Σε: 2019 Joint8ο Διεθνές Συνέδριο Πληροφορικής, Ηλεκτρονικής & Οράματος (ICIEV). σελ.324–329. IEEE (2019)15. Ισλάμ, RU, Ruci, X., Hossain, MS, Andersson, K., Kor, AL: Διαχείριση ικανοτήτων-χρήση κέντρων δεδομένων υψηλής κλίμακας χρησιμοποιώντας προγνωστικά μοντέλα. Ενέργειες 12 (18), 3438(2019)16. Kabir, S., Islam, RU, Hossain, MS, Andersson, Κ .: Μια ολοκληρωμένη προσέγγιση τουβάση κανόνα πεποίθησης και βαθιά μάθηση για την πρόβλεψη της ατμοσφαιρικής ρύπανσης. Αισθητήρες 20 (7), 1956(2020)17. Karim, R., Andersson, K., Hossain, MS, Uddin, MJ, Meah, MP: Ένας κανόνας πίστηςβασισμένο σε ειδικό σύστημα για την αξιολόγηση της υποψίας κλινικής βρογχοπνευμονίας. Σε: 2016 FutureΔιάσκεψη τεχνολογιών (FTC). σελ. 655–660. IEEE (2016)18. Livingstone, SR, Russo, FA: Η οπτικοακουστική βάση δεδομένων του συναισθηματικού ryersonομιλία και τραγούδι (ravdess): Ένα δυναμικό, πολυτροπικό σύνολο προσώπων και φωνητικώνsions στα αγγλικά της Βόρειας Αμερικής. PloS one 13 (5) (2018)19. Martınez, BE, Jacobo, JC: Μια βελτιωμένη μεθοδολογία χαρακτηρισμούαντιμετωπίστε με προσοχή το πρόβλημα αναγνώρισης συναισθημάτων ομιλίας. Σε: 2017 IEEE Interna-Φθινοπωρινή συνάντηση για τη δύναμη, την ηλεκτρονική και τον υπολογιστή (ROPEC). σελ. 1-6.IEEE (2017)20. Rovetta, S., Mnasri, Z., Masulli, F., Cabri, Α .: Αναγνώριση συναισθήματος από την ομιλία sig-χρησιμοποιώντας ασαφή ομαδοποίηση. Σε: 2019 Συνέδριο των Διεθνών Ασαφών ΣυστημάτωνΈνωση και Ευρωπαϊκή Εταιρεία Ασαφούς Λογικής και Τεχνολογίας (EUSFLAT2019). Atlantis Press (2019)21. Srivastava, Ν., Hinton, G., Krizhevsky, A., Sutskever, I., Salakhutdinov, R.:Εγκατάλειψη: ένας απλός τρόπος για να αποφευχθεί η υπερβολική τοποθέτηση των νευρικών δικτύων. Το περιοδικό τουέρευνα μηχανικής μάθησης 15 (1), 1929–1958 (2014)22. Tzirakis, P., Zhang, J., Schuller, BW: Αναγνώριση συγκίνησης από άκρο σε άκροχρησιμοποιώντας βαθιά νευρωνικά δίκτυα. Σε: 2018 Διεθνές Συνέδριο Ακουστικής IEEE,Επεξεργασία Ομιλίας και Σήματος (ICASSP). σελ. 5089–5093. IEEE (2018)23. Yang, N., Dey, N., Sherratt, RS, Shi, F.: Αναγνώριση βασικών συναισθηματικών καταστάσεων στην ομιλίαμε τεχνικές μηχανικής εκμάθησης με τη χρήση χαρακτηριστικών συντελεστών με συχνότητα mel.Journal of Intelligent & Fuzzy Systems (Preprint), 1–12 (2020)24. Zhang, M., Liang, Y., Ma, H .: Συναισθηματική λογική γραφή με βάση το συναίσθημα για emo-αναγνώριση. Σε: 2019 Διεθνές Συνέδριο IEEE για Πολυμέσα και Έκθεση(ICME). σελ. 151–156. IEEE (2019)25. Zhao, Z., Bao, Z., Zhao, Y., Zhang, Z., Cummins, N., Ren, Z., Schuller, Β .: Ex-διερεύνηση αναπαραστάσεων βαθύ φάσματος μέσω επαναλαμβανόμενων και συνομιλιών με βάση 

Τετάρτη 26 Μαΐου 2021

nn8

 


Πώς διαγιγνώσκονται οι διαταραχές της ομιλίας;

Υπάρχουν πολλές δοκιμές για τη διάγνωση διαταραχών της ομιλίας.

Denver articulation screening exam


Εξέταση διαλογής άρθρωσης Ντένβερ

Η εξέταση διαλογής αρθρώσεων του Ντένβερ (DASE) είναι ένα συνηθισμένο σύστημα δοκιμών για τη διάγνωση διαταραχών αρθρώσεων. Αυτή η δοκιμή αξιολογεί τη σαφήνεια στην προφορά σε παιδιά ηλικίας 2 έως 7 ετών. Αυτή η δοκιμή πέντε λεπτών χρησιμοποιεί διάφορες ασκήσεις για την αξιολόγηση της ομιλίας του παιδιού.


Early language milestones scale 2

Κλίμακα πρώιμων γλωσσών κλίμακα 2

Αυτό το τεστ, που δημιουργήθηκε από τον νευροαναπτυξιακό παιδίατρο James Coplan, καθορίζει τη γλωσσική ανάπτυξη ενός παιδιού. Αυτό το τεστ μπορεί να εντοπίσει γρήγορα καθυστερημένες διαταραχές λόγου ή γλώσσας.

Peabody picture vocabulary test, revised


Αναθεώρηση λεξιλογίου εικόνων Peabody

Αυτό το τεστ μετρά το λεξιλόγιο και την ικανότητα ενός ατόμου να μιλά. Το άτομο θα ακούσει διάφορες λέξεις και θα επιλέξει φωτογραφίες που περιγράφουν τις λέξεις. Άτομα με σοβαρή διανοητική αναπηρία και τυφλοί δεν θα μπορούν να λάβουν αυτήν την αξιολόγηση. Το τεστ λεξιλογίου Peabody έχει αναθεωρηθεί πολλές φορές από την πρώτη του έκδοση το 1959.