Yüngül koqnitiv pozuntu normal yaşlanmadan kənar koqnitiv geriləmənin görüldüyü, lakin gündəlik həyatın bütün sahələrini ağır şəkildə pozmayan aralıq vəziyyət hesab olunur. Bəzi insanlarda demensiya və ya Alzheimer xəstəliyinə doğru irəliləyə bildiyi üçün erkən aşkar edilməsi vacibdir. Lakin yüngül koqnitiv pozuntunu müəyyənləşdirmək həmişə asan olmur.

Serli Kopar və həmkarlarının hazırladığı bu tədqiqat danışıq yazılarından koqnitiv test balları və yüngül koqnitiv pozuntu barədə ipuclarının çıxarılıb-çıxarıla bilməyəcəyini araşdırır. Tədqiqatçılar alman dilində danışan yaşlı iştirakçı qrupundan əldə edilmiş 5.754 neyropsixoloji qiymətləndirmə qeydindən istifadə edirlər. Keyfiyyətə nəzarət və xaricetmə mərhələlərindən sonra təhlil 593 iştirakçıya aid 959 sessiya üzərindən aparılır.

Tədqiqatın güclü tərəfi yalnız “xəstədir, yoxsa sağlamdır?” kimi ikili təsnifata fokuslanmamasıdır. Bunun əvəzinə koqnitiv qiymətləndirmə ballarını üç səviyyədə araşdırır:

1. Fərdi test balları
2. Koqnitiv sahə balları
3. Ümumi koqnitiv vəziyyət balları və MCI təsnifatı

Nəticələr danışıq xüsusiyyətlərinin koqnitiv ballarla əlaqəli ola biləcəyini göstərir. Lakin bu əlaqə istifadə olunan danışıq tapşırığının növünə və hədəflənən bal səviyyəsinə görə dəyişir. Açıq uclu danışıq tapşırıqları bəzi xüsusi koqnitiv prosesləri güclü şəkildə tuta bildiyi halda, daha strukturlaşdırılmış qısa skrininq tapşırıqları ümumi koqnitiv vəziyyətlə daha uyğun siqnallar verə bilir.

Problem Nədir?

Koqnitiv sağlamlığın qiymətləndirilməsində adətən standart test batareyalarından istifadə olunur. Məsələn, CERAD+ kimi neyropsixoloji testlər dil, yaddaş, icraedici funksiya və vizual-məkan bacarıqlarını ölçməyə çalışır. MMSE kimi daha qısa skrininq testləri isə klinikada sürətli ümumi qiymətləndirmə təmin edir.

Son illərdə danışıq təhlili bu testlərə kömək edə biləcək sahə kimi ön plana çıxır. Çünki danışıq söz tapma, axıcılıq, səs sabitliyi, temp, nəfəsə nəzarət və motor danışıq quruluşu kimi bir çox koqnitiv və fizioloji amili əks etdirə bilər.

Lakin mövcud tədqiqatların mühüm məhdudiyyətləri var:

• Tədqiqatların çoxu Alzheimer xəstəliyi ilə sağlam nəzarət qrupu arasında ikili təsnifata fokuslanır.
• Yüngül koqnitiv pozuntu kimi daha incə və erkən mərhələ dəyişikliklərini tutmaq daha çətindir.
• Tədqiqatlar adətən ingilis dili üstünlük təşkil edən verilənlər dəstlərinə əsaslanır.
• Klinik test balları çox vaxt düz və müstəqil hədəflər kimi nəzərdən keçirilir.
• Halbuki koqnitiv qiymətləndirmə sistemi iyerarxik quruluşa malikdir: fərdi testlər, koqnitiv sahələr və ümumi ballar bir-biri ilə əlaqəlidir.

Bu məqalə danışıq xüsusiyyətlərinin bu iyerarxik quruluşda necə davrandığını anlamağa çalışır.

Metod Nə Təklif Edir?

Tədqiqatçılar alman dilində danışan yaşlı iştirakçılardan alınmış danışıq yazılarından istifadə edirlər. Verilənlər TREND tədqiqatından gəlir və bir MMSE skrininq tapşırığı ilə beş CERAD+ tapşırığını əhatə edir.

Araşdırılan tapşırıqlar bunlardır:

• MMSE: Mini Mental State Examination, qısa koqnitiv skrininq
• RW: Word List Recognition, söz siyahısının tanınması
• BNT: Boston Naming Test, obyekt/şəkil adlandırma
• RL: Word List Recall, söz siyahısının xatırlanması
• VF: Verbal Fluency, verbal axıcılıq
• PF: Phonemic Fluency, fonemik axıcılıq

Tədqiqatçılar bu tapşırıqlardan əldə edilən danışıq yazılarından iki əsas növ xüsusiyyət çıxarırlar:

1. Əl ilə hazırlanmış akustik xüsusiyyətlər
Bunlar eGeMAPS adlanan və səs tədqiqatlarında istifadə olunan şərh edilə bilən akustik xüsusiyyətlərdir. Səs tonu, səs sabitliyi, spektral meyl, formant zolaq eni və buna bənzər ölçmələri əhatə edə bilər.

2. Özünənəzarətli öyrənmə təmsilləri
wav2vec 2.0 və HuBERT kimi böyük səs modellərindən çıxarılan daha abstrakt danışıq təmsillərindən istifadə olunur. Bu modellər səs siqnalından daha mürəkkəb nümunələri öyrənə bilər.

Məqalə daha sonra bu danışıq xüsusiyyətlərini üç səviyyədə koqnitiv hədəflərlə əlaqələndirir:

Səviyyə 1 – Fərdi test balları
Məsələn, fonemik axıcılıq testindəki keçərli söz sayı.

Səviyyə 2 – Koqnitiv sahə balları
Dil, yaddaş, icraedici funksiya və vizual-məkan bacarığı kimi birləşdirilmiş sahələr.

Səviyyə 3 – Ümumi koqnitiv vəziyyət
CERAD+ ümumi balı, həddə əsaslanan CERAD+ nəticəsi və yüngül koqnitiv pozuntu vəziyyəti.

Beləliklə, tədqiqatçılar bu suala daha ətraflı cavab axtarırlar:

Danışıq xüsusiyyətləri yalnız bir test balınımı əks etdirir, yoxsa ümumi koqnitiv sağlamlıq barədə də məlumat daşıyır?

Formullar Nəyi İzah Edir?

Məqalə sıx riyazi formullara əsaslanan tədqiqat deyil. Daha çox verilənlərin emalı, xüsusiyyət çıxarılması, modelləşdirmə və doğrulama axını üzərində qurulub.

Oxucu baxımından əsas ölçmə məntiqi belədir:

Pearson korrelyasiyası
Davamlı bal proqnozlarında modelin proqnozlaşdırdığı dəyərlə həqiqi koqnitiv test balı arasındakı əlaqə ölçülür. Dəyər artdıqca modelin balların sıralamasını daha yaxşı tutduğu qəbul edilir.

Balanced accuracy
İkili təsnifatlarda, məsələn MCI var/yox ayrımında istifadə olunur. Bu ölçü siniflər balanssız olduqda daha ədalətli performans göstəricisi ola bilər.

Nested cross-validation
Model seçiminin və performans ölçümünün eyni verilənlərə həddindən artıq uyğunlaşmaması üçün iç-içə çarpaz doğrulamadan istifadə olunur. Bundan əlavə, iştirakçıların təlim və test hissələrinə qarışmaması üçün subject-disjoint, yəni şəxs əsaslı ayrıq bölgü aparılıb. Bu vacibdir; çünki eyni şəxsin qeydləri həm təlimdə, həm də testdə olsaydı, model şəxsə məxsus səs xüsusiyyətlərini öyrənərək yanıltıcı dərəcədə yaxşı görünə bilərdi.

Bu metodların əsas mesajı budur:

Tədqiqat yalnız bir model öyrədib nəticəni bildirmir; iştirakçı ayrımı, keyfiyyətə nəzarət və müstəqil hold-out test dəsti ilə nəticələrin ümumiləşdirilə bilməsini yoxlamağa çalışır.

Qrafik / Cədvəl / Sxemin Əsas Mesajı

Şəkil 1 – Tədqiqat axını və koqnitiv bal iyerarxiyası
Məqalədəki ilk sxem danışıq yazılarının necə emal edildiyini və üçsəviyyəli koqnitiv hədəflərlə necə əlaqələndirildiyini göstərir. Verilənlərin toplanması, ilkin emal, diarization, xüsusiyyət çıxarılması və iyerarxik bal proqnozu mərhələləri vizuallaşdırılıb. Əsas mesaj budur: Danışıq xüsusiyyətləri tək bir diaqnostik etiket üçün deyil, klinik qiymətləndirmə iyerarxiyasının müxtəlif səviyyələri üçün ayrıca sınaqdan keçirilir.

Şəkil 2 – Fərdi test ballarının proqnozu
Bu istilik xəritəsi müxtəlif danışıq xüsusiyyətlərinin MMSE və CERAD+ alt test ballarını nə dərəcədə yaxşı proqnozlaşdırdığını göstərir. Əsas mesaj budur: HuBERT kimi özünənəzarətli öyrənmə təmsilləri fərdi test ballarında ümumiyyətlə əl ilə hazırlanmış akustik xüsusiyyətlərdən daha yaxşı nəticə verir. Bundan əlavə, daha açıq uclu tapşırıqlarda, xüsusilə fonemik axıcılıq kimi tapşırıqlarda proqnoz gücü artır.

Şəkil 3 – Koqnitiv sahə ballarının proqnozu
Bu qrafik dil, yaddaş, icraedici funksiya və vizual-məkan sahələrinin danışıq xüsusiyyətləri ilə nə dərəcədə proqnozlaşdırıla bildiyini göstərir. Dil və yaddaş kimi danışıqla daha birbaşa əlaqəli sahələrdə nəticələr daha güclü görünür. Vizual-məkan və icraedici funksiya kimi rəsm çəkməyə əsaslanan sahələrdə performans azalır; lakin bəzi danışıq tapşırıqları yenə də bu sahələrlə məhdud səviyyədə əlaqə daşıyır.

Şəkil 4 – İyerarxik səviyyələr arasında performans dəyişikliyi
Bu qrafik fərdi testdən sahə balına və ümumi bala doğru keçdikcə performansın necə dəyişdiyini göstərir. Əsas mesaj çox vacibdir: Açıq uclu tapşırıqlar xüsusi koqnitiv prosesləri yaxşı tutur, lakin ümumi bala doğru keçdikcə təsirləri zəifləməyə meyl edir. Bunun əksinə, daha strukturlaşdırılmış tapşırıqlar ümumi bal səviyyəsində daha güclü ola bilir.

Şəkil 5 – MCI təsnifatında vacib səs xüsusiyyətləri
Bu qrafik ən yaxşı MCI təsnifat modelində hansı akustik xüsusiyyətlərin təsirli olduğunu göstərir. MCI ilə əlaqəli tərəfdə aşağı tezlikli spektral meyl dəyişkənliyi və F0, yəni əsas tezlik qeyri-sabitliyi önə çıxır. Bu, yüngül koqnitiv pozuntuda səs motor nəzarəti və fonasiya sabitliyi ilə əlaqəli əlamətlərin rol oynaya biləcəyini düşündürür.

Cədvəl 2 – Ən yaxşı modellərin hold-out performansı
Cədvəl ən yaxşı modellərin inkişaf dəstindəki performansının müstəqil hold-out dəstində də böyük ölçüdə qorunduğunu göstərir. Məsələn, fonemik axıcılıq balında PF + HuBERT modeli inkişaf dəstində 0.85, hold-out dəstində 0.80 korrelyasiya verir. MCI təsnifatında isə MMSE qeydlərindən çıxarılan eGeMAPS All xüsusiyyətləri inkişaf dəstində təxminən 0.62, hold-out dəstində 0.63 balanced accuracy təmin edir.

Təcrübələr Necə Aparılıb?

Tədqiqatda başlanğıcda 5.754 alman dilində neyropsixoloji qiymətləndirmə qeydindən istifadə olunub. Keyfiyyətə nəzarət mərhələsində ana dili alman dili olmayanlar, natamam profillər, diaqnostik uyğunsuzluqlar və akustik keyfiyyət problemləri filtrlənib. Son təhlil 593 iştirakçıdan gələn 959 sessiya üzərindən aparılıb.

Tədqiqatçılar qeyd keyfiyyəti üçün müddət, enerji, rəqəmsal kəsilmə və siqnal-küy nisbəti kimi ölçülərdən istifadə ediblər. Bundan əlavə, danışanların ayrılması və ilkin emal üçün optimallaşdırılmış pipeline qurulub.

Xüsusiyyət çıxarılması iki fərqli səs axını üzərindən aparılıb:

Prosody-Preserved axını
Zamanlama və danışıq quruluşunu qorumaq üçün istifadə olunub. Prozodi xüsusiyyətləri buradan çıxarılıb.

Concatenated axını
İştirakçının danışıq hissələri birləşdirilib. Səs keyfiyyəti xüsusiyyətlərinin daha sıx şəkildə çıxarılmasına imkan verib.

Xüsusiyyət dəstləri bunlardır:

• EG Prosody
• EG V-Qual
• EG All
• wav2vec 2.0
• HuBERT

Modelləşdirmə üçün Ridge regression, SVM/SVR və XGBoost kimi üsullar sınaqdan keçirilib. İnkişaf dəstində 5 × 3 nested cross-validation istifadə olunub. Sonda seçilən modellər müstəqil hold-out dəstində sınaqdan keçirilib.

Nəticələr Nəyi Göstərir?

Tədqiqatın nəticələrini tək bir sadə nəticəyə endirmək mümkün deyil; çünki performans həm danışıq tapşırığının növünə, həm də hədəf bal səviyyəsinə görə dəyişir.

Fərdi test səviyyəsində HuBERT önə çıxır. Xüsusilə açıq uclu tapşırıqlarda güclü nəticələr görünür. Fonemik axıcılıq tapşırığında HuBERT ilə korrelyasiya inkişaf dəstində təxminən 0.85-ə, hold-out dəstində 0.80-ə çatır.

Koqnitiv sahə səviyyəsində HuBERT yenə güclü görünür. Dil sahəsi üçün fonemik axıcılıq qeydləri ilə HuBERT modeli inkişaf dəstində təxminən 0.70, hold-out dəstində 0.68 korrelyasiya verir. Bu, danışıq təmsillərinin xüsusilə dillə əlaqəli koqnitiv sahələrlə əlaqə qura bildiyini göstərir.

Ümumi koqnitiv bal səviyyəsində nəticələr tapşırıq növünə görə fərqlənir. Fonemik və verbal axıcılıq kimi açıq uclu tapşırıqlar fərdi test səviyyəsində güclü olsa da, ümumi bala doğru keçdikcə performansları azala bilər. Tədqiqatçılar bunu “specialist”, yəni ixtisaslaşmış tapşırıq davranışı kimi şərh edirlər. Bu tapşırıqlar müəyyən koqnitiv prosesi yaxşı tutur; lakin ümumi koqnitiv sağlamlıq çoxsahəli olduğu üçün siqnal zəifləyir.

Bunun əksinə, MMSE və söz tanıma kimi daha strukturlaşdırılmış tapşırıqlarda ümumi səviyyəyə keçdikcə performans arta bilər. Bu da “generalist”, yəni ümumiləşdirici tapşırıq davranışı kimi şərh olunur. Bu tapşırıqlar bir xüsusi prosesi çox güclü tutmasa da, ümumi koqnitiv vəziyyətlə daha geniş əlaqə daşıya bilər.

MCI təsnifatında maraqlı bir tərs dönüş var. Aşağı səviyyələrdə HuBERT kimi SSL təmsilləri daha güclü göründüyü halda, MCI təsnifatında ən yaxşı nəticə MMSE qeydlərindən çıxarılan eGeMAPS All xüsusiyyətləri ilə əldə olunur. Bu model inkişaf dəstində təxminən 0.62, hold-out dəstində 0.63 balanced accuracy verir.

Bu nəticə şərh edilə bilən akustik xüsusiyyətlərin klinik təsnifat tərəfində hələ də dəyərli ola biləcəyini göstərir.

Bu Niyə Vacibdir?

Bu tədqiqat danışıq təhlilinin koqnitiv sağlamlığın qiymətləndirilməsində yalnız “xəstədir, yoxsa sağlamdır?” sualına endirilməməli olduğunu göstərir.

Şəxsin danışığındakı akustik xüsusiyyətlər bəzi tapşırıqlarda söz istehsalı, bəzi tapşırıqlarda yaddaş, bəzi tapşırıqlarda isə ümumi koqnitiv vəziyyət barədə fərqli səviyyələrdə ipucu verə bilər. Buna görə hansı danışıq tapşırığının hansı koqnitiv hədəflə əlaqəli olduğunu bilmək vacibdir.

Tədqiqatın mühüm töhfələrindən biri danışıq tapşırıqlarını iki fərqli xarakterdə nəzərdən keçirməsidir:

İxtisaslaşmış tapşırıqlar
Açıq uclu və yaradıcı tapşırıqlardır. Məsələn, fonemik axıcılıq. Müəyyən koqnitiv prosesləri güclü tuta bilər; lakin ümumi bala keçdikcə təsiri azala bilər.

Ümumiləşdirici tapşırıqlar
Daha strukturlaşdırılmış və qısa skrininq tapşırıqlarıdır. Fərdi səviyyədə çox güclü görünməyə bilər; lakin ümumi koqnitiv vəziyyətlə daha sabit əlaqə verə bilər.

Bu fərq gələcəkdə danışığa əsaslanan koqnitiv monitorinq sistemləri hazırlanarkən vacib ola bilər. Tək bir səs qeydindən qəti diaqnoz gözləmək əvəzinə, hansı tapşırığın hansı koqnitiv səviyyəni daha yaxşı əks etdirdiyi nəzərə alınmalıdır.

Diqqət Edilməli Məqamlar

Bu tədqiqat ümidverici olsa da, birbaşa klinik diaqnostika vasitəsi kimi şərh edilməməlidir.

Birincisi, tədqiqat yalnız alman dilində danışan bir kohortla məhdudlaşır. Nəticələrin Azərbaycan, türk, ingilis və ya başqa dillərdə eyni şəkildə keçərli olub-olmadığı ayrıca sınaqdan keçirilməlidir.

İkincisi, sosial-demoqrafik və həyat tərzi dəyişənləri tədqiqata tam şəkildə daxil edilməyib. Təhsil səviyyəsi, sağlamlıq vəziyyəti, yaşayış şəraiti, regional aksentlər və danışıq vərdişləri səs xüsusiyyətlərinə təsir edə bilər.

Üçüncüsü, MCI təsnifat performansı məhduddur. Hold-out dəstində 0.63 balanced accuracy tədqiqat baxımından mənalı siqnal ola bilər; lakin təkbaşına klinik qərar vermək üçün kifayət deyil.

Dördüncüsü, səs xüsusiyyətlərinə koqnitiv vəziyyətdən başqa bir çox amil təsir edə bilər: yaş, səs telləri, tənəffüs, stress, yorğunluq, dərman istifadəsi, mikrofon keyfiyyəti və qeyd mühiti kimi.

Beşincisi, danışıq verilənləri həssas sağlamlıq məlumatı kimi nəzərdən keçirilməlidir. Belə sistemlərdə açıq razılıq, məlumat təhlükəsizliyi, anonimləşdirmə və klinik məsuliyyət çərçivəsi tələb olunur.

Nəticə

Bu məqalə danışıq qeydlərinin yüngül koqnitiv pozuntu və koqnitiv test balları ilə əlaqəli siqnallar daşıya biləcəyini göstərir. Lakin bu əlaqə sadə deyil. Danışıq tapşırığının açıq uclu və ya strukturlaşdırılmış olması, hədəfin fərdi test balı, yoxsa ümumi koqnitiv vəziyyət olması və istifadə olunan xüsusiyyət növü nəticəyə ciddi təsir edir.

HuBERT kimi özünənəzarətli səs təmsilləri xüsusilə fərdi test və bəzi koqnitiv sahə ballarında güclü performans göstərir. Bunun əksinə, MCI təsnifatında şərh edilə bilən eGeMAPS xüsusiyyətləri daha yaxşı nəticə verir. Bu da klinik danışıq təhlilində həm güclü süni intellekt təmsillərinin, həm də izah edilə bilən akustik ölçülərin birlikdə nəzərə alınmalı olduğunu göstərir.

Verianla baxımından məqalənin əsas mesajı budur:

Səsimiz koqnitiv sağlamlığımız barədə ipucları daşıya bilər; lakin bu ipucları diaqnoz qoymaq üçün deyil, klinik qiymətləndirməni dəstəkləyə biləcək diqqətli və doğrulanmış köməkçi siqnallar kimi görülməlidir.

Mənbə və Metod Qeydi

Bu məzmun Serli Kopar, Roshan Prakash Rane, Christian Mychajliw, Lydia Federmann, Gerhard Eschweiler, Daniela Berg, Sam Gijsen, Paula Andrea Perez-Toro və Kerstin Ritter tərəfindən hazırlanmış “Beyond Binary: Speech Representations Across the Cognitive Score Hierarchy” adlı akademik tədqiqatdan istifadə edilərək Verianla redaksiya formatında orijinal şəkildə hazırlanıb.

Bu yazı sözbəsöz tərcümə deyil; məqalədəki metod, verilənlər dəsti, qrafiklər, cədvəllər, modelləşdirmə yanaşması və nəticələr sadələşdirilərək Azərbaycan dilli oxucu üçün yenidən izah olunub. Məzmun məlumatlandırma və təhsil məqsədi daşıyır. Yüngül koqnitiv pozuntu, Alzheimer xəstəliyi, demensiya və ya başqa nevroloji vəziyyətin diaqnozu üçün mütəxəssis həkim qiymətləndirməsi və standart klinik testlər tələb olunur.