不同频段时域包络在普通话语句识别中的相对权重△

文锦昌 李可意 郭洋 夏俍 肖丽丽 柳铖棋 郑重

言语信号中包含丰富的信息，可将其分为时域信息和频域信息两种,时域信息指随时间变化不同波动速率的言语信号中的信息。根据不同的波动速率，可将时域信息分为时域包络(temporal envelope，TE)信息、周期性波动信息和时域精细结构信息，对应的频率范围分别是2～50、50～500及500～10 000 Hz(Rosen等，1992)。既往关于TE信息的研究报道了言语识别主要依赖于低于16到20 Hz的时域信息，揭示了TE信息中的调幅信息对言语识别起到了至关重要的作用(Drullman等，1994;Shannon等，1995)。近年来，许多听力学家通过各种方法研究不同频段TE信息对言语识别的相对重要性,Shannon等[1]通过去除特定频段的TE信息来研究不同频段TE信息对安静时言语识别的影响，结果显示去除中、高频段TE信息比去除低频段TE信息的影响要低，揭示了低频段TE信息在言语识别中的重要性;Apoux等[2]采用去除特定频段和相关性分析的方法来研究不同频段TE信息的相对权重，发现较高频段(>2 500 Hz)的TE信息对噪声环境中的言语识别更为重要;Ardoint等[3]通过高通和低通滤过的方法对TE信息进行研究，结果表明1 000～2 000 Hz频段的TE信息对于单音节词的识别更为重要。既往关于TE信息的研究多基于英语等非声调语言，而关于普通话的研究很少。

目前对于重度及以上程度感音神经性聋的人工耳蜗(CI)言语处理策略是基于英语等非声调语言的特点设计的，没有考虑普通话言语的特点。Guo等[4]研究发现频段1(80～502 Hz)和频段3(1 022～1 913 Hz)的TE信息对于普通话语句识别比其它频段更为重要，但这与Ardoint等[5]的研究差异较大，后者的研究认为对英语识别来说，1 800～7 300 Hz频段的TE信息对英语识别较其他频段更为重要。关于两项研究出现差异的原因，除了语言不同之外，还有提取TE信息方式的不同。为揭示提取TE信息的带宽不同是否会导致言语识别差异，本研究在以往研究的基础上，提取了不同带宽的TE信息，并将提取的TE信息合成5个频段，评估不同带宽TE信息的不同频段在普通话语句识别中的相对权重。

1 资料与方法

1.1研究对象及分组 本研究共招募了20例来自上海交通大学的正常听力受试者(男、女各10例)，年龄21～28岁，平均24.40±2.07岁；所有受试者均以普通话为母语，既往无耳科疾病史。所有受试者在入组前均完善了纯音听阈测试，250～8 000 Hz双耳纯音气导听阈均≤15 dB HL；所有受试者在受试之前均没有接触过言语测试的语句材料，每位受试者的测试时长在1.5至2小时左右。将招募的20例受试者随机分成2组，每组10例，分别接受1.5和3个等效矩形带宽(equivalent rectangular bandwidth, ERB)提取的TE信息的言语测试。

本研究获得上海交通大学附属第六人民医院伦理委员会批准。所有受试者同意参与本次研究并签署知情同意书。

1.2言语测试材料及信号处理 采用House耳研所研发的普通话噪声下言语测试词表(Mandarin hearing in noise test，MHINT)作为言语测试材料[6]，MHINT包含15个词表，每个词表有20个语句，每句话有10个关键字,每个词表的难易度都经过了等效平衡。首先将原始言语信号经过傅里叶变换，转换后的频域信息按照1.5和3个ERB经过带通滤波器分成不同频带，每个频带经过Hilbert转换提取TE信息，将不同频带的TE信息按照截止频率合并组成5个频段(表1)。带通滤波80～7 562 Hz，通过Hilbert转换提取每个频带的 TE 信息，并将其低通处理，低通滤波器截止频率设置在64 Hz，斜率为62 dB/倍频程。用TE调制窄带噪声重构声音信号，同时为了防止受试者利用相邻频段的TE信息[7]，将不含有TE信息的频段填补信噪比为+16 dB的白噪声，白噪声也通过相同的带通滤波器，分成对应频段掩蔽白噪声，以起到掩蔽作用；例如，频段1条件的刺激声包含频段1的TE信息以及剩余频段(频段2～5)的白噪声；类似的，频段1+2条件的刺激声包含频段1和频段2的TE信息以及剩余频段(频段3～5)的白噪声；频段1～5条件的刺激声包含所有频段的TE信息，没有白噪声。本研究中的测试条件包括单频段(5个测试条件)、双频段(10个测试条件)、全频段(1个测试条件)，与既往研究[4]相同。在每个条件下对受试者进行言语识别测试，得到每个测试条件下的言语识别率。

因为MHINT包含15个词表，但测试需要16个词表，练习需要4个词表，研究时将词表1～5在一例受试者分别测试单频段和双频段两个不同的条件。预实验中分别测试了2组各10例受试者，一组先使用词表1～5进行单频段测试，接着使用词表1～5进行双频段测试；另一组用词表1～5仅进行相邻双频段测试，使用独立样本t检验进行统计分析，两组受试者的相邻双频段的言语识别率差异无统计学意义(P>0.05)，这是因为单频段所提供的TE信息极少，并不对同一受试者之后再次使用造成学习效应。所以使用词表1～5测试单频段的5个受试条件、词表1～10测试双频段的10个受试条件、词表11测试全频段的1个受试条件，词表12～15用作正式测试前的练习材料。

表1 不同带宽提取TE信息5个频段各频带截止频率

1.3测试步骤 所有测试圴在标准隔声室内进行，使用森海塞尔HD 205 II耳罩式耳机播放测试声，给声强度根据受试者最舒服的声强而定，一般在65 dB SPL左右。正式测试前，先进行30 min左右的练习，练习的刺激声从MHINT的4个词表(词表12～15)中选取，首先让受试者听取全频段的声音，然后播放只含有测试条件下的声音；练习时给予受试者正确答案的反馈。为了让受试者更加熟悉测试材料，可以对同一句话反复多次试听，直到觉得自己进入稳定状态后，再进入下一句话的试听。

正式测试时，随机选取不同条件的测试声进行测试，并允许受试者多次听取同一句测试声，受试者需要尽可能准确重复语句里关键字，可以猜测，不给予受试者任何测试结果的反馈。受试者可以随时休息，个体测试时长1.5～2小时。

1.4统计学方法 采用SPSS 22.0对实验数据进行分析，使用单因素方差分析不同带宽切割下的TE信息的组内差异及不同频段平均权重的差异，两两比较采用Tukey检验。使用t检验分析不同带宽切割下TE信息的组间差异及两组TE信息的不同频段在普通话语句识别中相对权重的差异。使用最小二乘法[8]计算不同带宽下不同频段TE信息在普通话语句识别中的相对权重。首先，将每个频段定义为一个二进制值，该二进制值是0或者1取决于该频段的包络信息是否呈现给受试者；然后将每个频段进行的线性组合来预测受试者言语识别率，通过最小化所有预测误差的平方和来计算各频段的权重。每个受试者的五个频段的原始权重进行归一化，即每个频段的相对权重表示为原始权重除以这个所有频段权重之和，因此，五个频段的权重之和等于1。

2 结果

2.1不同带宽下单频段TE信息的言语识别率(图1) 在1.5ERB切割条件下的TE信息以单频段条件给声时，言语识别率为3.90%～4.60%，组间无显著差异〔F(4，45)=0.279，P=0.89〕。在3ERB切割条件下的TE信息以单频段条件给声时，言语识别率为4.00%～4.80%，组间无显著差异〔F(4，45)=0.781，P=0.54〕。t检验1.5ERB和3ERB切割提取的TE信息以单频段呈现时的言语识别率均无显著差异(P>0.05)。

2.2不同带宽下双频段和全频段TE信息的言语识别率(图2) 在1.5ERB切割条件下的TE信息以双频段条件给声时，言语识别率为32.50%～85.40%，组间存在显著性差异[F(9，90)=25.567，P<0.05]；进一步采用Tukey检验进行组间比较，发现频段2+3、频段2+5得分均显著小于其它组，频段1+5、频段1+3、频段3+4和频段1+4得分均显著高于其它组。在3ERB切割条件下的TE信息以双频段条件给声时，言语识别率为22.60%～82.50%，组间存在明显差异[F(9，90)=41.095，P<0.05]；进一步采用Tukey检验进行组间比较，发现频段2+5、频段4+5和频段2+4得分均显著小于其它组，频段1+3和频段3+4得分均显著高于其它组。t检验示，不同带宽下的TE信息以双频段呈现时的言语识别率除了频段2+3、频段3+4和频段3+5无显著差异外(P>0.05)，其它所有的频段组合中以1.5ERB切割TE信息的言语识别率均高于以3ERB切割TE信息的言语识别率(P<0.05)。当测试声以全频段TE信息呈现时，无论是以1.5ERB切割还是以3ERB切割，言语识别率均为100%。

图1 1.5ERB和3ERB切割下单频段TE信息的言语识别率

图2 1.5ERB和3ERB切割下双频段和全频段TE信息的言语识别率

2.3不同带宽下不同频段TE信息在普通话语句识别中的相对权重(图3) 在1.5ERB切割TE信息中，频段1～5的平均权重分别为0.28、0.08、0.21、0.25和0.18，单因素方差分析提示组间有显著差异[F(4，45)=57.476，P<0.05]，Tukey检验提示频带1、3、4的权重显著高于频带2和5。在3ERB切割TE信息中，频段1～5的平均权重分别为0.29、0.05、0.32、0.21和0.14，单因素方差分析提示组间有显著差异[F(4，45)=105.037，P<0.05]，Tukey检验提示频带1、3、4的权重显著高于频带2和5。使用t检验比较两组TE信息的不同频段在普通话语句识别中的相对权重，除了频段1的权重无显著性差异(P>0.05)，其他频段的权重均存在显著性差异(P<0.05)。

图3 不同带宽下不同频段TE信息在普通话语句识别中的相对权重

3 讨论

本研究测试了安静环境下不同带宽TE信息在不同条件下的言语识别率，当TE信息以单频段呈现给受试者时，两组受试者的言语识别分数为3.90%～4.80%；然而，当双频段的TE信息组合在一起呈现给受试者时，其言语识别率为22.60%～85.40%，这比分别单独展现这两个频段的言语识别率相加之和还要高，这种协同作用在言语识别中很早就已经被发现了[4,9]，本研究也再次证明在声调语言汉语中也存在协同作用。Healy等[9]发现结合两个单一频段的TE信息，会让原先不能理解的言语变得可以理解，这种作用与人工耳蜗非常类似，当人工耳蜗从单通道变成双通道时，就会提升其听辨效果。本研究发现1.5ERB和3ERB切割提取的TE信息以单频段呈现时的言语识别率约为4%，组间均无显著性差异，然而当TE信息以双频段呈现时，随着切割宽度的增大，言语识别率呈下降趋势，可能是由于TE信息的减少导致。当TE信息以全频段的形式呈现给受试者的时候，所有的受试者在此测试条件下的语句识别都非常好。这项结果与既往研究一致，在安静环境下TE信息能帮助听者获得足够的言语理解度(Shccnnon等，1995;zeng等，2004)。

本研究通过最小二乘法计算了不同频宽TE信息的对于汉语普通话识别的相对权重，结果示频段1(80～585 Hz)的权重显著高于其他频段，说明低频段的TE信息对于汉语普通话识别是非常重要的，与Guo等[4]的研究结果一致。原因是频段1的TE信息和其他频段的TE信息结合时，协同效应最明显。同时，汉语作为声调语言，声调在汉语言识别中贡献巨大，因为单音节间的不同声调可以包含不同的词汇意义[10]，而声调识别主要依靠的是基频(F0)信息的变化(Whalen等，1992;Yuan等，2009)。Kuo等[11]发现F0信息存在时，听者可以连续获得大于90%的音调识别正确率。考虑到基频信息的频率(<180 Hz)主要是在低频段，其在声调识别中具有重要作用，并且声调识别对于汉语普通话的言语识别也非常重要，因此，低频段的TE信息在普通话语句的识别中应该占有更高的权重。

本研究结果显示频段3(894～1 913 Hz)的TE信息对于普通话的言语识别较为重要，与之前研究结果也一致，Kasturi等[8]通过去除特定频段方法发现当移除中心频率在1 685 Hz频段的TE信息时，元音和辅音的识别都会下降；一项关于TE信息交叉频率的研究发现男生的交叉频率在1 421 Hz，女声的交叉频率在1 329 Hz，表明1 500 Hz左右频段的TE信息对言语识别更为重要[3]。另外，频段4(1 913～3 856 Hz)的TE信息对于普通话的言语识别也较为重要。既往研究发现，高频段(1 800～7 300 Hz)的TE信息对于辅音的识别贡献最大[12]，辅音的特点是快速、瞬时的振幅变化[13]。高频TE对于辅音线索识别可能是特别重要的[14]，Ardoint等[5]研究发现高频段(1 845～3 726 Hz)与其他频段TE信息结合时的语句识别率更高，表明高于1 800 Hz频段的TE信息在言语识别中起到重要的作用，这可能解释频段4对普通话语句识别的重要作用。

Guo等[4]研究发现在1ERB切割下的TE信息中频带1～5的权重分别是0.25、0.18、0.22、0.20和0.15。本研究中1.5ERB和3ERB切割下的TE信息中频带1、3和4对于言语识别贡献均较大；随着切割宽度增加，频带2的权重逐渐减少，这可能是由于频带2所包含的频率信息比其他带宽少，切割方式对其影响最显著。

知晓不同带宽提取的低频、高频TE信息对于正常听力人群的言语识别较为重要，有助于修正人工耳蜗的编码策略，可以利用这些权重更高的频段的言语信号，调整人工耳蜗的对应电极，在有限电极内排布对言语识别贡献最多的频段，改善其最佳使用效果。本研究存在一定的局限性：仅聚焦于正常听力人群的言语识别，对于听力损失人群的TE信息不同频段的权重尚未知晓。感音神经性聋患者一般都缺乏分辨声音频率的能力[15]，对于不同频段的时域信息的整合能力有限[16]，所以人工耳蜗植入患者与听力正常人群的不同频段TE信息的相对权重可能存在一定的差异，需要进一步对听力受损人群进行研究。