Training-Free Cross-Lingual Dysarthria Severity Assessment via Phonological Subspace Analysis in Self-Supervised Speech Representations

Título: Evaluación de la Severidad de la Disartria Multilingüe sin Entrenamiento mediante Análisis de Subespacios Fonológicos en Representaciones de Voz Auto-supervisadas

1. El Problema

La evaluación clínica de la severidad de la disartria (trastornos motores del habla causados por daño neurológico) depende actualmente de la juicio perceptual de patólogos del habla entrenados. Este proceso es subjetivo, consume mucho tiempo y no está disponible en muchos entornos de atención médica o de telemedicina.

Los enfoques automatizados existentes presentan dos limitaciones fundamentales:

1. Dependencia de datos etiquetados: Requieren grandes conjuntos de datos de habla disárquica etiquetados para el entrenamiento, los cuales son escasos para la mayoría de los idiomas y etiologías.
2. Falta de interpretabilidad: Los modelos de "caja negra" producen puntuaciones de severidad opacas que no informan a los clínicos sobre qué subsistemas articulatorios específicos (ej. nasalidad, fonación, estridencia) se están degradando, información crucial para la planificación del tratamiento.

2. Metodología

El artículo propone un método sin entrenamiento (training-free) que cuantifica la severidad de la disartria midiendo la degradación de los subespacios de características fonológicas dentro de representaciones de voz congeladas (frozen) de un modelo auto-supervisado (HuBERT).

Flujo del proceso:

1. Alineación Forzada: Se utiliza el Montreal Forced Aligner (MFA) para obtener límites temporales a nivel de fonema en grabaciones de habla.
2. Extracción de Embeddings: Se extraen las representaciones de la última capa oculta (768 dimensiones) del modelo HuBERT-base-ls960 (pre-entrenado en inglés) para cada intervalo de fonema. El modelo se mantiene congelado; no se realiza ajuste fino (fine-tuning) con datos patológicos.
3. Cálculo de Direcciones Fonológicas: Las direcciones de las características fonológicas (nasalidad, sonoridad, estridencia, etc.) se calculan exclusivamente a partir de datos de hablantes sanos (controles) del idioma objetivo. Esto define un "espacio de referencia" saludable.
4. Métrica de Severidad ($d'$): Para cada hablante disárquico, se proyectan sus embeddings de fonemas en las direcciones de referencia y se calcula el índice de sensibilidad de la teoría de detección de señales, $d'$ (d-prime).
   • Un $d'$ alto indica que el modelo distingue claramente entre clases fonológicas (ej. consonantes nasales vs. orales).
   • Un $d'$ bajo indica que las clases se superponen, reflejando una pérdida de contraste articulatorio debido a la disartria.
5. Perfil Fonológico: Se construye un vector de 12 dimensiones por hablante que incluye:
   • 5 métricas $d'$ para consonantes (nasalidad, sonoridad, fonación, estridencia, modo).
   • 4 métricas $d'$ para vocales (altura, apertura, retrocedencia, redondeo).
   • 3 métricas estructurales (nitidez de límites, similitud coseno cruzada, área del triángulo vocálico).

3. Contribuciones Clave

• Método sin entrenamiento: No requiere datos de habla disárquica etiquetada para entrenar un modelo de severidad. Solo necesita un modelo de alineación (MFA) y un conjunto pequeño de controles sanos en el idioma objetivo.
• Generalización multilingüe: Se valida en 5 idiomas (Inglés, Español, Holandés, Mandarín, Francés) utilizando un modelo base pre-entrenado solo en inglés, demostrando que la estructura de degradación fonológica es transferible.
• Interpretabilidad clínica: Proporciona un perfil descompuesto de 12 dimensiones que identifica qué subsistemas articulatorios específicos están fallando, imitando la evaluación clínica humana.
• Validación exhaustiva: Incluye análisis de robustez contra confusores como el número de tokens, calidad de alineación, y heterogeneidad de corpus mediante meta-análisis de efectos aleatorios.

4. Resultados

El estudio evaluó a 890 hablantes de 10 corpus, cubriendo 3 etiologías principales (Enfermedad de Parkinson, Parálisis Cerebral, Esclerosis Lateral Amiotrófica).

• Correlación con Severidad: Las 5 características de consonantes ($d'$) mostraron correlaciones negativas significativas con la severidad clínica (meta-análisis de efectos aleatorios: $\rho = -0.50$ a $-0.56$, $p < 2 \times 10^{-4}$). A medida que aumenta la severidad, disminuye la capacidad del modelo para distinguir contrastes fonológicos.
• Consistencia Translingüística: La degradación de $d'$ se replicó en todos los idiomas probados, incluso en el Mandarín (distinto tipológicamente del inglés), con correlaciones dentro de corpus muy fuertes (ej. Mandarín $\rho \approx -0.92$).
• Discriminación de Grupos: Todas las 12 características distinguieron significativamente a los controles de los hablantes con disartria severa ($p < 0.001$). La estridencia ($d'$) mostró la mayor capacidad de separación.
• Perfiles por Etiología:
  • Parálisis Cerebral (CP): Mostró la degradación más uniforme y fuerte en todas las características.
  • Enfermedad de Parkinson (PD): Mostró una degradación difusa moderada, con una reducción significativa en el área del triángulo vocálico.
  • ELA: Mostró tendencias fuertes en la degradación de la nasalidad y sonoridad, consistentes con la debilidad velofaríngea.
• Robustez: Los resultados sobrevivieron a correcciones FDR, análisis de "leave-one-corpus-out" y controles de calidad de alineación. El análisis de sensibilidad confirmó que el número de tokens no es el motor principal de la correlación.

5. Significado e Impacto

• Herramienta de Screening y Biomarcador: El método actúa como una herramienta de cribado clínico y biomarcador de investigación que puede monitorear la degradación del habla de forma longitudinal y objetiva, sin necesidad de especialistas en cada punto de atención.
• Escalabilidad Global: Al eliminar la necesidad de datos patológicos etiquetados, el método es escalable a cualquier idioma donde exista un modelo de alineación (actualmente 29 idiomas) y un pequeño conjunto de controles sanos.
• Interpretabilidad para la Clínica: A diferencia de los clasificadores de caja negra, este enfoque ofrece a los clínicos un desglose cuantitativo de los déficits articulatorios (ej. "la nasalidad ha caído un 30% mientras la fonación se mantiene"), lo cual es vital para el diagnóstico diferencial y el seguimiento de la progresión de la enfermedad.
• Reproducibilidad: El código completo, las configuraciones de características fonológicas para 6 idiomas y los scripts de análisis se han liberado como código abierto, permitiendo la replicación independiente sin necesidad de acceder a los datos de audio crudos.

En resumen, el artículo demuestra que la degradación de la estructura fonológica en representaciones auto-supervisadas congeladas es una medida robusta, interpretable y libre de entrenamiento para evaluar la severidad de la disartria a través de múltiples idiomas y etiologías.