Somnologie - Prof. Dr. Jarek Krajewski

Weitere Magazine

Empfehlungen

Info

Originalien Somnologie 2010 · 15:24–31 DOI 10.1007/s11818-010-0497-2 Eingegangen: 4. Juni 2010 Angenommen: 10. September 2010 Online publiziert: 14. Oktober 2010 © Springer-Verlag 2010 J. Krajewski 1 · M. Sauerland 2 · D. Sommer 3 · M. Golz 3 1 Experimentelle Wirtschaftspsychologie, Universität Wuppertal 2 Psychologie der Arbeit, Universität Landau 3 Neuroinformatik und Signalverarbeitung, Fachhochschule Schmalkalden Phonetisch-akustische Schläfrigkeitsdetektion Eine Pilotstudie Musterkennungsbasierte Verfahrensentwicklung In der Vergangenheit wurden vielfältige Anstrengungen unternommen, Verfahren zu entwickeln, die Schläfrigkeitszustände objektiv und automatisiert quantifizieren können. Die auf ein Schläfrigkeitsmonitoring abzielenden Systeme beinhalten hauptsächlich Messkanäle wie die Instabilität der Pupillengröße [30], Lidschlüsse [12], posturographisches Gleichgewichtsverhalten [24], motorisches Verhalten [16] sowie kardiovaskuläre [11] und elektroenzephalographische Aktivität [6, 26]. Bisher ungenutzt blieben die schläfrigkeitsbezogenen Informationen aus dem stimmlichen Ausdruck. Anders als die stimmakustische Schläfrigkeitsdetektion weckte die Emotionsdetektion in den letzten Jahren ein reges Forschungsinteresse. Gründe für die wachsende Beschäftigung mit phonetisch-akustischen Stimmanalysen ist die zunehmende Präsenz von sprachlicher Mensch-Maschine- Interaktion (MMI) sowie die Entwicklung der notwendigen Prozessorleistungen und Speicherkapazitäten. Vorzüge akustischer Schläfrigkeitsmessverfahren Aus der Anwendungsperspektive laborund feldexperimenteller Schläfrigkeitsforschung besitzen akustische Messansätze prinzipiell eine Reihe von Vorzügen gegenüber bisherigen Messansätzen. Dies ↓ Vokaltraktspannung (“yielding wall effect”) ↑ Velumabsenkung (Verbindung zum Nasaltrakt) ↓ Wärmeabstrahlung (↓ Reibungs- u. Turbulenzphänomene) ↓ Stimmlippenspannung, - steifigkeit und -viskosität ↓ Atemtiefe u. -frequenz gilt v. a. für ihren Einsatz als Fit-for-Duty- Schnelltest, d. h. die Primärtätigkeit wird unterbrochen und eine isolierte Testsituation hergestellt. Im Gegensatz zu elektrophysiologischen Ansätzen bietet der akustische Stimmanalyseansatz die Vorzüge eines berührungsfreien Messzugangs, der ohne die Applikation von Elektroden auskommt. Gegenüber (infrarot)kamerabasierten Systemen erlauben mikrophonbasierte Systeme einen kostengünstigen, von widrigen, wechselnden Licht- und Probandenbedingungen (Gesichtsbehaarung, schmale Lidspalten, Brille, Bildokklusionen) unbeeinflussten Messzugang. Ein weiterer Vorzug gegenüber bisherigen Fit-for-Duty-Testsystemen (z. B. Psychomotorischer Vigilanztest oder Pupillographischer Schläfrigkeitstest, 11 min Messdauer) wäre die kurze – maximal einminütige – Messstrecke. Anwendungen Im Bereich des kontinuierlichen Schläfrigkeitsmonitorings bieten sich für die akustische Schläfrigkeitsanalyse v. a. Tätigkeiten mit regelmäßigen Spracheingaben an, wie sie Z. B. im Flugverkehrskontext vorliegen. Denkbar sind darüber hinaus auch Anwendungen im Rahmen von sprachgesteuerten Mensch-Maschine-Interaktionen (MMI; z. B. Telecare- Anwendungen oder Fahrerassistenzsysteme). Zu diesem Zweck würden Fahrzeugführer im stündlichen Rhythmus zu einer kurzen Spracheingabe aufgefordert werden. Ferner könnten phonetisch-akus- zentralisierte Zungenposition, ↓ Fluidität der Zungenbewegung ↑ eingefallene Körperhaltung (Vokaltraktverkürzung) ↓ feinmotorische Ansteuerung der Artikulatoren ↓ Veränderung des Zahnreihenabstands ↓ Lächeln, ↓ Lippenspreizung und -stülpung Abb. 1 8 Mögliche schläfrigkeitsbedingte Veränderungen des Sprachproduktionssystems 24 | Somnologie - Schlafforschung und Schlafmedizin 1 · 2011
Zusammenfassung · Abstract tische Messkanäle zum Aufbau von (vielfach geforderten) multimodalen Messsystemen beitragen, indem sie elektrophysiologische (z. B. Elektroenzephalographie, EEG; Elektrookulographie, EOG; elektrodermale Aktivität, EDA; Elektromyographie, EMG) oder kamerabasierte Schläfrigkeitssysteme mit zusätzlichen Informationen versorgen. Schläfrigkeit und Sprachveränderungen Kognitiv-phonetisches Mediatormodell Das kognitiv-phonetische Mediatormodell verknüpft F schläfrigkeitsinduzierte kognitive Beeinträchtigungen mit F Sprachproduktionsmodellen und vermuteten Veränderungen der Stimme zu F einem Erklärungsmodell schläfrigkeitsinduzierter Sprachveränderungen [14, 15]. Diese im Hypothesenkomplex des kognitiv-phonetischen Mediatormodells schläfrigkeitsinduzierter Sprachveränderung zusammengefassten kognitiven Wirkpfade haben ihren Ursprung im Sprachproduktionsmodell Levelts [18]. Parallel zu diesen kognitiven Prozessen werden auch eine Reihe physiologischer Komponenten der Sprachproduktion durch Schläfrigkeit beeinflusst (. Abb. 1). So ist wachsende Schläfrigkeit mit einer Abnahme der zentralnervösen und autonomen sympathischen Aktivierung verbunden. Damit assoziiert nehmen Herzfrequenz sowie Atemfrequenz und -tiefe ab, der Blutdruck sinkt, die Körpertemperatur fällt, und der Muskeltonus wird schwächer. Die Respirationsphase der Sprachproduktion wird daher beeinträchtigt. Dies wird über eine reduzierte Aktivität der Brustraummuskeln (Diaphragma und Mm. intercostales externi) vermittelt, die zu einem reduzierten Atemzugvolumen und einem verringerten subglottalen Druck führt [21]. In der nächsten Phase der Sprachproduktion, der Phonation, führt der reduzierte Muskeltonus der Stimmlippenmuskulatur zu einer Abnahme der Spannung Somnologie 2010 · 15:24–31 © Springer-Verlag 2010 DOI 10.1007/s11818-010-0497-2 J. Krajewski · M. Sauerland · D. Sommer · M. Golz Phonetisch-akustische Schläfrigkeitsdetektion. Eine Pilotstudie Zusammenfassung Das Ziel des vorliegenden Beitrags ist die Darstellung der Entwicklung und Validierung eines phonetisch-akustischen Messverfahrens zur stimmbasierten Schläfrigkeitsdetektion. Der Vorzug dieses automatisierten Mess ansatzes liegt in der belästigungsarmen, sensorapplikationsfreien Handhabung. Das hier gewählte Stimmanalyseprozedere folgt dem aus der Sprachemotionserkennung entlehnten Standardvorgehen: (1) Aufnahme des Testsatzes, (2) Berechnung von 170 Prosodie, Artikulation und Stimmqualität beschreibenden Kennzahlen, (3) maschinelles Lernen und (4) Evaluation. In einer Schlafdeprivationsstudie (n=32; 20.00–04.00 Uhr) wurden insgesamt 380 simulierte Fahrerassistenzsätze aufgezeichnet. Als externer Validierungsanker diente der aus einem Selbstund 2 Fremdberichten gemittelte Karolinska- Schläfrigkeitsskala (KSS) Schläfrigkeitswert. Als besonders schläfrigkeitssensitiv erwiesen sich die Merkmalsfamilien der Cepstrum- Koeffizienten, Formantbandbreiten, Intensitäten und spektralen Kenngrößen. Das beste multivariate Verfahren, die „support vector machine“, erreichte eine signifikante Validitätskorrelation von r=0,46 in der Vorhersage von Schläfrigkeit auf ungesehene Sprecher. Schlüsselwörter Phonetik · Sprachakustik · Maschinelles Lernen · Schläfrigkeit · „Support vector machine“ Phonetic–acoustic sleepiness detection. A pilot study Abstract This paper describes the development and validation of a phonetic–acoustic measurement procedure for a speech-based detection of sleepiness. The advantages of this automatic real-time approach are that obtaining speech data is unobtrusive and free from sensor application and calibration efforts. The chosen measurement process follows the speech-adapted steps of pattern recognition: (1) recording speech, (2) computation of 170 features describing prosody, articulation, and voice quality, (3) machine learning, and (4) evaluation. In a sleep deprivation study, a total of 380 simulated driver assistance samples (n=32; 8:00 p.m.–4:00 a.m.) were recorded. One self and two observer assessments were used to obtain a Karolinska Sleepiness Scale (KSS) value, which served as an external validation reference. Features that proved to be especially sensitive to sleepiness are cepstral coefficients, formant bandwidth, intensity, and spectral measures. The best machine learning method, the support vector machine (SVM), achieved a significant validation correlation of r=0.46 in predicting sleepiness on unseen speakers. Keywords Phonetics · Speech acoustics · Machine learning · Sleepiness · Support vector machine Somnologie - Schlafforschung und Schlafmedizin 1 · 2011 | 25
Seite 1: Somnologie Schlafforschung und Schl
Seite 5 und 6: effizienten, die einen redundanzarm
Seite 8 und 9: Originalien KSS: Referenz 10 9 8 7

Somnologie - Prof. Dr. Jarek Krajewski

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?