Background The gold standard in dysarthria assessment involves subjective analysis by a speech–language pathologist (SLP). We aimed to investigate the feasibility of dysarthria assessment using automatic speech recognition. Methods We developed an automatic speech recognition based software to assess dysarthria severity using hidden Markov models (HMMs). Word-specific HMMs were trained using the utterances from one hundred healthy individuals. Twenty-eight patients with dysarthria caused by neurological disorders, including stroke, traumatic brain injury, and Parkinson's disease were participated and their utterances were recorded. The utterances of 37 words from the Assessment of Phonology and Articulation for Children test were recorded in a quiet control booth in both groups. Patients were asked to repeat the recordings for evaluating the test–retest reliability. Patients' utterances were evaluated by two experienced SLPs, and the consonant production accuracy was calculated as a measure of dysarthria severity. The trained HMMs were also employed to evaluate the patients' utterances by calculating the averaged log likelihood (aLL) as the fitness of the spoken word to the word-specific HMM. Results The consonant production accuracy reported by the SLPs strongly correlated (r = 0.808) with the aLL, and the aLL showed excellent test–retest reliability (intraclass correlation coefficient, 0.964). Conclusion This leads to the conclusion that dysarthria assessment using a one-word speech recognition system based on word-specific HMMs is feasible in neurological disorders.

中文翻译：

---

使用带有隐马尔可夫模型的单字语音识别评估构音障碍

背景 构音障碍评估的金标准包括由语言病理学家 (SLP) 进行的主观分析。我们旨在研究使用自动语音识别进行构音障碍评估的可行性。方法 我们开发了一种基于自动语音识别的软件，以使用隐马尔可夫模型 (HMM) 评估构音障碍的严重程度。使用来自 100 个健康个体的话语来训练特定于单词的 HMM。28 名因神经系统疾病（包括中风、外伤性脑损伤和帕金森病）引起的构音障碍患者参与并记录了他们的话语。两组在安静的控制室中记录了来自儿童语音和发音评估测试的 37 个单词的发音。要求患者重复录音以评估重测信度。患者的话语由两名有经验的 SLP 评估，辅音产生的准确性被计算为构音障碍严重程度的衡量标准。受过训练的 HMM 还用于通过计算平均对数似然 (aLL) 作为口语单词对特定单词 HMM 的适合度来评估患者的话语。结果 SLP 报告的辅音产生准确度与 aLL 密切相关 (r = 0.808)，并且 aLL 显示出极好的重测可靠性（组内相关系数，0.964）。结论由此得出的结论是，使用基于词特定 HMM 的单词语音识别系统进行构音障碍评估在神经系统疾病中是可行的。发音由两个有经验的 SLP 评估，辅音产生的准确性被计算为构音障碍严重程度的衡量标准。受过训练的 HMM 还用于通过计算平均对数似然 (aLL) 作为口语单词对特定单词 HMM 的适合度来评估患者的话语。结果 SLP 报告的辅音产生准确度与 aLL 密切相关（r = 0.808），并且 aLL 显示出极好的重测可靠性（组内相关系数，0.964）。结论由此得出的结论是，使用基于词特定 HMM 的单词语音识别系统进行构音障碍评估在神经系统疾病中是可行的。发音由两个有经验的 SLP 评估，辅音产生的准确性被计算为构音障碍严重程度的衡量标准。受过训练的 HMM 还用于通过计算平均对数似然 (aLL) 作为口语单词对特定单词 HMM 的适合度来评估患者的话语。结果 SLP 报告的辅音产生准确度与 aLL 密切相关（r = 0.808），并且 aLL 显示出极好的重测可靠性（组内相关系数，0.964）。结论由此得出的结论是，使用基于词特定 HMM 的单词语音识别系统进行构音障碍评估在神经系统疾病中是可行的。受过训练的 HMM 还用于通过计算平均对数似然 (aLL) 作为口语单词对特定单词 HMM 的适合度来评估患者的话语。结果 SLP 报告的辅音产生准确度与 aLL 密切相关（r = 0.808），并且 aLL 显示出极好的重测可靠性（组内相关系数，0.964）。结论由此得出的结论是，使用基于词特定 HMM 的单词语音识别系统进行构音障碍评估在神经系统疾病中是可行的。受过训练的 HMM 还用于通过计算平均对数似然 (aLL) 作为口语单词对特定单词 HMM 的适合度来评估患者的话语。结果 SLP 报告的辅音产生准确度与 aLL 密切相关（r = 0.808），并且 aLL 显示出极好的重测可靠性（组内相关系数，0.964）。结论由此得出的结论是，使用基于词特定 HMM 的单词语音识别系统进行构音障碍评估在神经系统疾病中是可行的。并且 aLL 显示出极好的重测信度（类内相关系数，0.964）。结论由此得出的结论是，使用基于词特定 HMM 的单词语音识别系统进行构音障碍评估在神经系统疾病中是可行的。并且 aLL 显示出极好的重测信度（类内相关系数，0.964）。结论由此得出的结论是，使用基于词特定 HMM 的单词语音识别系统进行构音障碍评估在神经系统疾病中是可行的。