تایپ الگوهای ارتعاش برابر آواز در آزمایشات حنجره خارج از طریق کیموگرافی دیجیتال

نویسنده مسئول: جک جی. جیانگ ، دکتری ، دکتری ، آدرس پستی: 1300 خیابان دانشگاه ، 5745 مرکز علوم پزشکی ، مدیسون ، WI 53706 ، moc. liamg@gnaijjkcaj ، شماره تلفن: 608-265-9854 ، شماره نمابر:608-265-2139

نسخه نهایی ویرایش شده ناشر این مقاله در Ann Otol Rhinol Laryngol در دسترس است

خلاصه

هدف، واقعگرایانه

تایپ سیگنال برای درک الگوهای ارتعاش برابر آواز بسیار مهم است. کیموگرافی دیجیتال (DKG) امکان مشاهده مستقیم از الگوهای ارتعاش برابر آواز را فراهم می کند ، بنابراین ، استفاده از DKG برای تایپ سیگنال ارتعاش ممکن است یک مکمل مفید برای تکنیک های تایپ سیگنال سنتی فراهم کند.

مواد و روش ها

داده های ویدیویی جمع آوری شده از بیست حنجره برداشته شده از سگ های mongrel با استفاده از DKG به منظور یافتن نمونه هایی از الگوهای نوع 1 (تقریباً دوره ای) ، نوع 2 (زیرزمونیک) و نوع 3 (aperiodic) مشاهده شد. سری زمانی ، طیف فرکانس و ابعاد همبستگی برای هر نوع سیگنال محاسبه شد.

نتایج

الگوی نوع 1 یک سری زمانی دوره ای از لبه گلوتال و طیف فرکانس گسسته را نشان داد. الگوی ارتعاش نوع 2 یک سری زمانی از امواج دامنه بالا و پایین متناوب و یک طیف فرکانس را نشان می دهد که شامل یک subharmonic است (F₀/2) مؤلفه فرکانس. الگوهای ارتعاش منظم و متقارن در الگوهای نوع 1 و نوع 2 مشاهده شد. الگوی ارتعاش نوع 3 با یک سری زمانی آپریودیک از لبه گلوتال ، طیف فرکانس پهنای باند و الگوهای ارتعاش نامنظم و نامتقارن مشخص شد. برآورد ابعاد همبستگی از نوع 1 به نوع 2 به نوع 3 افزایش یافته است.

نتیجه گیری

تصویربرداری DKG توانایی اختصاص یک نوع سیگنال را به ارتعاشات حنجره مختلف نشان داد. تکنیک های تایپ سیگنال با استفاده از مشاهدات مستقیم از چین های صوتی می تواند برای تعیین روشهای معتبر برای تجزیه و تحلیل ارتعاشات برابر آواز مفید باشد.

کلمات کلیدی: کیموگرافی دیجیتال ، موج مخاطی ، تایپ سیگنال

معرفی

تجسم ارتعاشات برابر آواز می تواند ابزاری قدرتمند در تشخیص آسیب شناسی حنجره باشد. انواع روشهای تصویربرداری حنجره ، مانند استروبوسکوپی ، کیموگرافی دیجیتال (DKG) و عکاسی با سرعت بالا ، در حال حاضر برای انجام این کار استفاده می شود. استروبوسکوپی یکی از روشهای متداول است ، اما ابزار آن محدود به موارد لرزش دوره ای است. 1-3 به منظور ضبط الگوهای ارتعاش آپریودیک چین های صوتی ، DKG 1-10 و تصویربرداری با سرعت بالا 11-13 به عنوان روش های مؤثر تجسم ظاهر شده اند. DKG به عنوان یک روش تصویربرداری از نظر مالی و کارآمدتر از تصویربرداری با سرعت بالا 1-3 ، 7-10 ، DKG امکان ارزیابی و تجزیه و تحلیل عینی پارامترهای ارتعاش آواز را در یک خط واحد انتخاب شده در سراسر گلوت 1-4 ، 6 فراهم می کند.، 7 - 11 و بنابراین نقش مهمی در درک مکانیسم های تولید صدای بی نظم و تقویت ارزیابی آسیب شناسی حنجره ایفا می کند.

تیتز پیشنهاد کرده است که سیگنال های صوتی صوتی را می توان از لحاظ کیفی به سه نوع طبقه بندی کرد: سیگنال های صوتی تقریباً دوره ای نوع 1 ، سیگنال های نوع 2 حاوی فرکانس های تعدیل کننده قوی یا subharmonic و سیگنال های Apperiodic Type 3. 15 قبلاً ، تایپ سیگنال صداها با استفاده از تجزیه و تحلیل صدای صوتی انجام شده است. 15 - 21 روش آشفتگی سنتی ، مانند لرزش و درخشش ، برای سیگنال های صوتی نوع 1 مناسب است ، اما ممکن است در سیگنال های نوع 2 و 3 اعمال نشود. برای توصیف کمی بیشتر سیگنال های صوتی نوع 2 و 3 ، روشهای پویا غیرخطی مفید هستند. 15 - 21 با این حال ، سیگنال های صوتی صوتی در این مطالعات اطلاعات به دست آمده از نوسانات برابر آواز چپ و راست را مخلوط می کنند و با سایر عوامل خارجی مانند فیلتر کردن دستگاه صوتی و سر و صدای آشفته آیرودینامیکی زوج می شوند. ضبط آکوستیک تفاوت های پویا بین دو طرف چین های صوتی را تبعیض نمی کند و قادر به ارائه اطلاعات مستقیم در مورد پویایی ارتعاش چین های صوتی نیست. اگرچه چندین مطالعه به طور مستقیم لرزش برابر آواز را مشاهده کرده اند ، الگوهای ارتعاش برابر آواز با استفاده از تصویربرداری حنجره به انواع طبقه بندی نشده اند.

DKG ممکن است یک راه حل ارائه دهد زیرا برخلاف ضبط آکوستیک ، می تواند به طور مستقیم ارتعاشات آواز را تصویر کند و به طور موثری ارتعاشات دوره ای و آپریودیک را تجسم کند. برخی از مطالعات قبلی از الگوهای ارتعاش تقریباً دوره ای برای تعیین کمیت دامنه و فرکانس موکوزال از طریق تجزیه و تحلیل اتصالات منحنی استفاده می کردند ، اما از اتصالات منحنی نمی توان برای تجزیه و تحلیل الگوهای آپریودیک استفاده کرد. 2 - 7 Wurzbacher 22 - 24 و Schwarz 25 پارامترهای بیومکانیکی مدل برابر صوتی را برای اندازه گیری تقریباً دوره ای منطقه گلوتال که توسط ضبط های سرعت بالا ساخته شده است ، تخمین زده اند. با این حال ، این مطالعات ممکن است برای ارتعاشات برابر آواز یا هرج و مرج قابل استفاده نباشد. در مطالعات دیگر ، الگوهای ارتعاش نامنظم مشاهده شده است ، اما تایپ الگوی ارتعاشی چین های صوتی انجام نشده است. 26 - 28 معرفی مفهوم تایپ سیگنال به DKG برای تعیین روشهای معتبر برای تجزیه و تحلیل تصویر DKG و بررسی روشهای تجزیه و تحلیل جدید که به طور بالقوه ارزشمند هستند ، مطلوب است. تجسم مستقیم از چین های صوتی از طریق DKG می تواند برخی از محدودیت های مرتبط با تکنیک های تجزیه و تحلیل داده های صوتی را از بین ببرد. بنابراین ، هدف از این مطالعه توسعه مفهوم تایپ کردن سیگنال صوتی تیتز در تایپ الگوی ارتعاش برابر با آواز و بررسی سه نوع الگوی ارتعاش آواز از طریق تصویربرداری DKG در آزمایشات حنجره خارج شده است: تقریباً دوره ای نوع 1 ، نوع زیرزمینیک نوع 2 و آپریوودیکنوع 3. خصوصیات زمانی و فرکانس این سه نوع الگوی ارتعاش چین های آواز چپ و راست شرح داده شده است. تجزیه و تحلیل پویا غیرخطی برای تعیین کمیت این سه نوع الگوی ارتعاش انجام می شود. DKG به عنوان یک روش مفید برای سیگنال ارتعاشات برابر آواز ایجاد می شود.

مواد و روش ها

راه اندازی حنجره برداشته شده

تنظیم آزمایشی حنجره حنجره در شکل 1 (a) نشان داده شده است. در آزمایشات از بیست حنجره خارج شده برداشت شده از سگهای منگلر شده برای اهداف غیر تحقیق استفاده شد. با استفاده از گیره شیلنگ ، بخشی از نای پایین از حنجره به یک لوله ایمن شد. از یک کمپرسور هوای معمولی Ingersoll (نوع 30) برای تولید جریان هوا استفاده شد. قبل از عبور از حنجره ، هوا با استفاده از دو بخاری Conchatherm III (Fisher & Paykel Healthcare Inc. ، لاگونا هیلز ، کالیفرنیا) به صورت سری به 35-38 درجه سانتیگراد و 95 ٪ -100 ٪ رطوبت نسبی شرط بندی شد. از میکرومتر سه جانبه برای تأمین غضروف آریتنوئید و کنترل افزودنی و آدم ربایی استفاده شد. با استفاده از کمپرسور هوا ، فشار Subglottal P_sبه تدریج افزایش یافت تا زمانی که آوایی رخ دهد.

(الف) نمونه ای از تنظیم حنجره خارج شده.(ب) تصویری از قرار دادن خط اسکن در وسیع ترین بخش Glottis.

ارتعاشات برابر آواز سپس در فشارهای فرعی 8 سانتی متر ساعت ضبط شد₂o ، 30 سانتی متر ساعت₂o ، و 40 سانتی متر ساعت₂o با استفاده از یک دوربین دیجیتال با سرعت بالا (FastCam-utma APX) که بر روی یک سیستم مسیر بالاتر از حنجره نصب شده است. اگرچه فشارهای فرعی 40 سانتی متر H2O ممکن است برای رسیدن به انسان دشوار باشد ، اما به راحتی برای حنجره های خارج شده قابل استفاده هستند. مطالعه قبلی ما نشان داده است که یک فشار فرعی بسیار بالا ممکن است باعث لرزش برابر صوتی صوتی نامنظم شود. 20 ، 29 دوربین لرزش برابر آواز را با سرعت 4000 فریم در ثانیه با وضوح 512 × 256 پیکسل ضبط کرد. یک خط واحد در میانه برابر آواز برای ایجاد یک تصویر kymographic انتخاب شد ، همانطور که در شکل 1 (b) نشان داده شده است. یک روش تقسیم بندی آستانه به منظور استخراج لبه های گلوتال از تصویر کیموگرافی استفاده شد. آستانه ای به گونه ای انتخاب شد که شدت پیکسل در گلوت در زیر آستانه قرار داشت و شدت پیکسل بافت تاشو در بالای آن قرار داشت. بر اساس لبه های گلوتال شناسایی شده از سری تصویر ، الگوهای ارتعاش x_α(t) ، جایی که α =

تجزیه و تحلیل داده های DKG

سری زمانی ارتعاش X_α(T) و طیف فرکانس مربوط به تصاویر Kymographic از چین های صوتی چپ و راست به دست آمد. تصویر Kymographic برای تعیین اینکه آیا الگوی ارتعاش باید به عنوان نوع 1 ، نوع 2 یا نوع 3 طبقه بندی شود ، مورد تجزیه و تحلیل قرار گرفت. این طبقه بندی های نوع ارتعاش برابر آواز از طبقه بندی تنالیسم تناوب در تایپ سیگنال آکوستیک تهیه شده است. 15 الگوهای ارتعاشی که حرکات تقریباً دوره ای از چین های صوتی چپ و راست را نشان می دهند و اجزای فرکانس اساسی بسیار بالاتر از سایر اجزای فرکانس به عنوان نوع 1 طبقه بندی می شوند. نمایش حرکات aperiodic و طیف پهنای باند به عنوان نوع 3 در نظر گرفته شد.

به منظور توصیف کمی بیشتر پویایی این الگوهای ارتعاش ، تجزیه و تحلیل پویا غیرخطی انجام شد. توضیحات مفصل از تجزیه و تحلیل پویا غیرخطی را می توان در ادبیات یافت. 16 ، 18 ، 21 ، 29 - 33 بازسازی فضای فاز و محاسبات ابعاد همبستگی بر اساس الگوریتم های عددی که برای تجزیه و تحلیل آوازهای حنجره برداشته شده 20 و صداهای انسانی 16 ، 18 ، 21 استفاده شده است. به طور خلاصه ، یک فاز می تواند با بردار تأخیر زمان ، 34 بازسازی شود

ایکس_{من ، α}= x_α(_من)، ایکس_α(_من- τ) ، ⋯ ، x_α(_من − ( m − 1)τ)>,

جایی که τ تأخیر زمان و m بعد تعبیه است. تأخیر زمانی τ با استفاده از روش اطلاعات متقابل برآورد شد. 35 بعد همبستگی را می توان با توجه به تعریف آن محاسبه کرد ، 36

D 2 α = lim r → 0 log 2 c α (r) log 2 r ،

جایی که r شعاع در اطراف x است_{i , α}و همبستگی انتگرال C α (W ، N ، R) = 2 (N + 1 - W) (N - W) ∑ N = W N - 1 ∑ I = 0 N - 1 - N θ (R - | | x I، α - x i + n ، α | |) محاسبه می شود. 37 توضیحات دقیق تر از R توسط مطالعات قبلی ما ارائه شده است. 38 W تنظیم شد تا تأخیر زمانی τ و θ (x) θ (x) را برآورده کند =<1 x>0 0 x ≤ 0. به دلیل طول سیگنال محدود و دقت اندازه گیری محدود ، یک منطقه محدود در منحنی ورود به سیستم وجود دارد₂ C_α(W ، N ، R) در مقابل log r که در آن دامنه های ورود به سیستم₂ C_α(W ، N ، R) در مقابل منحنی های Log R در ابتدا افزایش می یابد اما در نهایت با افزایش M همگرا می شوند. 36 ، 37 ما برآورد ابعاد و انحراف استاندارد آن را به دست آوردیم (<5%) using linear curve-fitting of the curve of log₂ C_α(R) در مقابل ورود به سیستم₂R در این منطقهبعد همبستگی d₂تعداد درجه های آزادی مورد نیاز برای توصیف یک سیستم را مشخص می کند. تخمین D₂سر و صدای سفید تصادفی با افزایش m همگرا نمی شود ، در حالی که d₂یک سیستم قطعی با افزایش m به یک مقدار محدود همگرا می شود. بعد همبستگی این سه نوع الگوی ارتعاش را می توان پس از آن به دست آورد که بعد تعبیه M از نظر قابل ملاحظه ای بزرگ باشد.

نتایج

شکل 2 (الف) ، (ب) و (ج) الگوهای لرزشی داده های نوع 1 ، 2 و 3 کیموگرافی از حنجره شماره را نشان می دهد. 16 ، به ترتیب. برای 8 سانتی متر ساعت₂o از فشار زیر بند P_s، الگوی نوع 1 به وضوح یک منطقه گلوتال منظم و دوره ای را نشان می دهد. الگوی نوع 2 در P بوجود می آید_s= 30 سانتی متر ساعت₂O ، باز کردن مضاعف را نشان می دهد ، و بین دامنه موج مخاطی کوچک و بزرگ متناوب می شود. در مقایسه با الگوهای ارتعاش نوع 1 و 2 ، الگوی نوع 3 در P بوجود می آید_s= 40 سانتی متر ساعت₂o و هیچ تناوبی ظاهری ندارد. هر 20 حنجره ثبت شده الگوهای DKG کیفی مشابه را نشان دادند. بنابراین ، زیرا حنجره نه. 16 نمایش معمولی از گروه است ، فقط نتایج این حنجره در اینجا آورده شده است.

(الف) توالی تصویر DKG از ارتعاشات برابر آواز نوع 1.(ب) توالی تصویر DKG از ارتعاشات برابر آواز نوع 2.(ج) توالی تصویر DKG از ارتعاشات برابر آواز 3.

از لبه های گلوتال شناسایی شده ، شکل 3 (a) ، (b) و (c) سری زمانی سه نوع داده کیموگرافی چین های آواز چپ و راست را نشان می دهد. شکل 4 (الف) از طریق (ج) طیف فرکانس مربوط به این الگوهای ارتعاش را نشان می دهد. سری زمانی X_α(T) و طیف فرکانس تصاویر DKG به وضوح سه نوع مختلف از الگوهای ارتعاش را متمایز می کند. لرزش نوع 1 یک سری زمانی دوره ای را نشان می دهد ، و طیف فرکانس یک فرکانس اساسی گسسته f را نشان می دهد₀؛لرزش نوع 2 اوج متناوب و فرکانس های زیرزمینی f را نشان می دهد₀/2 ، به ترتیب ؛سرانجام ، لرزش نوع 3 یک سری زمانی آپریودیک و یک طیف فرکانس پهنای باند را نشان می دهد.

سری زمانی ارتعاشات نوع 1 از چین های آوازی چپ و راست.(ب) سری زمانی ارتعاشات نوع 2 از چین های آوازی چپ و راست.(ج) سری زمانی ارتعاشات نوع 3 از چین های صوتی چپ و راست.

طیف فرکانس ارتعاشات نوع 1 چین های آوازی چپ و راست.(ب) طیف فرکانس ارتعاشات نوع 2 چین های آوازی چپ و راست.(ج) طیف فرکانس ارتعاشات نوع 3 چین های آوازی چپ و راست.

شکل 5 (الف) و (ب) ورود به سیستم همبستگی را نشان می دهد₂ C_α(R) در مقابل ورود به سیستم₂(R) از داده های DKG نوع 1 از چین های آواز چپ و راست ، که در آن منحنی ها از بالا به پایین با بعد تعبیه M = 1،2 ، · · · 10 مطابقت دارند. دامنه این منحنی ها با M و اشباع رویکرد افزایش می یابد و تخمین های ابعادی از ارتعاشات نوع 1 چین های صوتی چپ و راست را به ترتیب 0. 01 1. 15 1. 15 و 0. 01 ± 1. 12 به ترتیب می بخشد. شکل 6 دامنه های تخمین زده شده در مقابل m از سیگنال ها را در شکل 3 نشان می دهد. متفاوت از بعد بی نهایت نویز سفید ، ابعاد تخمین زده شده d_{2 α}از ارتعاشات نوع 2 چین های آوازی چپ و راست به ترتیب 0. 01 98 98 و 0. 04 ± 1. 86 بود. د_{2 α}از ارتعاشات نوع 3 چین های آوازی چپ و راست به ترتیب 0. 01 ± 95/9 و 0. 03 ± 3. 17 بود. این داده ها نشان می دهد که بعد همبستگی از سیگنال های نوع 1 به نوع 3 افزایش می یابد.

(الف) ورود به سیستم همبستگی₂ C_α(R) در مقابل ورود به سیستم₂(R) از داده های ارتعاش نوع 1 از چین های آواز سمت چپ.(ب) ورود به سیستم همبستگی₂ C_α(R) در مقابل ورود به سیستم₂(R) از داده های ارتعاش نوع 1 از چین های صوتی راست.

ابعاد تخمین زده شده در مقابل M از سیگنال های نوع 1 ، 2 و 3 از چین های آوازی چپ و راست.

بحث

سه نوع الگوی ارتعاش با استفاده از تکنیک های تصویربرداری DKG ثبت شد و با استفاده از سری زمانی ، طیف فرکانس و دینامیک غیرخطی مورد تجزیه و تحلیل قرار گرفت. همانطور که در شکل 2 (a) ، 3 (a) و 4 (a) نشان داده شده است ، ارتعاشات نوع 1 برابر آواز چپ و راست یک سری لبه های گلوتال دوره ای و طیف فرکانس گسسته را نشان می دهد. روش پویا غیرخطی به طور موثری ارتعاشات نوع 1 را در تصویربرداری DKG اندازه گیری کرد ، همانطور که در شکل 5 نشان داده شده است. ابعاد تخمین زده شده از ارتعاشات نوع 1 در شکل 6 نزدیک به 1 بود تا نشان دهد که لبه های گلوتال چپ و راست توسط ارتعاشات متقارن یک بعدی حاکم است. نتایج این مطالعه یافته های چندین مطالعه قبلی را با استفاده از سگ های حکیم شده و داخل بدن انسان ، نشان می دهد که ارتعاشات برابر آواز نوع 1 توسط چند سفارش اول اجزای هارمونیک حاکم است. 5 ، 7 ، 18

ارتعاشات نوع 2 و نوع 3 به دلیل دشواری در کمیت این الگوهای ارتعاش پیچیده تر ، در ادبیات به همان اندازه سیگنال های نوع 1 توجه نکرده اند. 15 ، 17 به همین دلیل ، ارتعاشات Subharmonic که نشان می دهند دو برابر دوره در این مطالعه با استفاده از تکنیک های دینامیک غیرخطی اندازه گیری شد. همانطور که در شکل 2 (b) نشان داده شده است ، حرکت برابر آواز زیرزمینی که با دو برابر شدن دوره مشخص می شود ، می تواند در الگوی ارتعاش سیگنال نوع 2 مشاهده شود. این سیگنال یک سری زمانی تولید می کند که با امواج دامنه بالا و پایین متناوب مشخص می شود ، در حالی که طیف فرکانس یک مؤلفه فرکانس subharmonic را در شکل 4 (b) نشان داد. نتیجه تخمین بعد از الگوی نوع 2 در شکل 6 کمتر از 2 و بیشتر از 1 است ، نشان می دهد که 2 متغیر مستقل یا درجه آزادی برای توصیف پویایی آن مورد نیاز هستند.

الگوی نوع 3 نشان داده شده در شکل 2 (c) ارتعاشات aperiodic و نامتقارن را بدون هیچ الگوی مشخصی در دامنه یا فرکانس نشان می دهد (شکل 3 (c) و 4 (c)). برای چنین سیگنالی از تصویربرداری DKG ، تکنیک های آشفتگی سنتی ممکن است کاربردی نباشد ، زیرا تجزیه و تحلیل آشفتگی معمولی نمی تواند برای یک سری زمانی منطقه گلوتال آپریودیک اعمال شود. 15 ، 16 گاهی اوقات امکان تشخیص کیفی تصویر kymographic یک الگوی ارتعاش نوع 2 از یک نوع 3 به سادگی با بررسی تصاویر kymographic برای تکرار الگوهای ممکن است ، که نشان دهنده سیگنال نوع 2 است. با این حال ، با پیچیده تر شدن زیرمجموعه ها ، چنین تمایزی دشوارتر می شود (به عنوان مثال سیگنال هایی که با سه برابر دوره ، چهار گوش ، چهار برابر شدن و غیره مشخص می شوند). برای سیگنالهایی مانند این ، تکنیک های تجزیه و تحلیل پویا غیرخطی می توانند اطلاعات ارزشمندی در مورد ماهیت الگوی ارتعاش ارائه دهند. همانطور که در شکل 6 نشان داده شده است ، D_{2 α}از سه سیگنال با افزایش پیچیدگی سیگنال ها افزایش می یابد ، با لرزش نوع 3 به وضوح D بالاتر را نشان می دهد_{2 α}از سیگنال نوع 2 ، که به نوبه خود D بالاتر را نمایش می دهد_{2 α}از الگوی ارتعاش ساده نوع 1. چنین روشهای تجزیه و تحلیل کمی علاوه بر تمایز تصویر کیفی DKG بین الگوهای نوع 2 و نوع 3 ، در تمایز الگوهای ارتعاش نوع 2 و 3 نیز ارزشمند هستند.

استفاده از تایپ سیگنال در تصویربرداری DKG ممکن است به تعیین اینکه کدام تکنیک های تجزیه و تحلیل مناسب ترین است ، کمک کند. به عنوان مثال ، اگر یک تصویر حرکت منظم و دوره ای یک الگوی نوع 1 را نشان دهد ، اتصالات منحنی موج مخاطی سنتی قابل استفاده است. 4 - 7 ، 11 ، 12 با این حال ، برای یک سیگنال که الگوی پیچیده تری را نشان می دهد ، مانند ویژگی های ارتعاشات نوع 2 و نوع 3 ، چنین تکنیک های تجزیه و تحلیل ممکن است نیاز به بهبود داشته باشد. تجزیه و تحلیل پویا غیرخطی یکی از ابزارهای انجام این کار است. SVEC نشان داده است که شناخت بی نظمی در فعالیت گلوتال بر اساس تصاویر کیموگرافی ممکن است به فرد امکان تشخیص بیماری های خاص را بدهد. 14 عدم تقارن چپ راست در دامنه موج مخاطی و سرعت مرتبط با تنش برابر صوتی نامتقارن ممکن است فلج حنجره را نشان دهد. 6 ، 14 به طور مشابه ، اگر بسته شدن ناقص گلوتال و ارتعاشات برابر صوتی هرج و مرج در الگوی DKG مشاهده شود ، ممکن است ضایعه جرم صوتی مانند گره های صوتی و پولیپ تشخیص داده شود. تجزیه و تحلیل کمی معتبر از تصاویر DKG حاصل از تایپ سیگنال پتانسیل ارائه یک ابزار ارزشمند برای ارزیابی آسیب شناسی حنجره را دارد.

تجزیه و تحلیل صوتی به عنوان یک روش قابل اعتماد و دقیق برای اختصاص انواع سیگنال به صداها ایجاد شده است. 15 ، 17 ، 21 با این حال ، تایپ سیگنال آکوستیک محدودیت های خود را دارد ، مانند مخلوط کردن اطلاعات از چین های صوتی چپ و راست ، علاوه بر مشکلات مرتبط با عوامل خارجی ، مانند تداخل در فیلتر دستگاه صوتی و سر و صدای آشفتگی آیرودینامیکی. DKG در تایپ سیگنال ابزار نشان داده است و با تجسم مستقیم حرکت هر دو چین صوتی ، می تواند بر این مشکلات غلبه کند. از طریق تجسم مستقیم در شکل 2 ، DKG الگوی هر دو چین های آواز چپ و راست را بدون مخلوط کردن آنها نشان می دهد ، زیرا آنها در یک شکل موج صوتی قرار دارند. DKG در برابر خطاهای ایجاد شده توسط فیلتر تراکت صوتی و سر و صدای آشفتگی آیرودینامیکی آسیب پذیر نیست ، زیرا چین های صوتی را از یک نمای بدون مانع مشاهده می کند ، در حالی که در تجزیه و تحلیل آکوستیک صدا باید از چین های صوتی ، از طریق حلق و از طریق حفره شفاهی حرکت کند. قبل از ضبط. همچنین ، DKG و داده های بصری که جمع می کند تحت تأثیر سر و صدای محیط یا عوامل محیطی که ممکن است بر داده های صوتی تأثیر بگذارد ، تحت تأثیر قرار نمی گیرند. با این حال ، DKG بدون محدودیت های خاص خود نیست. تنظیم موقعیت های اسکن خط مورد استفاده برای ایجاد تصاویر DKG به طور بالقوه می تواند در تفاوت در ظاهر کیموگرام حاصل شود. 5 علیرغم محدودیت های آنها ، الگوهای ارتعاش تاشو آواز نوع 1 ممکن است با سیگنال های صوتی نوع 1 ارتباط داشته باشد زیرا الگوهای ارتعاش تقریباً دوره ای ممکن است در اکثر موارد منجر به صدای تقریباً دوره ای شود. با این حال ، دو نوع سیگنال به روش بسیار متفاوتی اندازه گیری می شوند ، و روش های آکوستیک باعث می شود سایر عوامل غیر گلوتال مانند دستگاه صوتی و نویز آیرودینامیکی بر نوع سیگنال آکوستیک تأثیر بگذارند. در بعضی موارد ، تایپ سیگنال VKG ممکن است نتیجه متفاوتی نسبت به تایپ سیگنال آکوستیک نشان دهد. به عنوان مثال ، در برخی از صداهای نفس گیر ، چین های صوتی ممکن است الگوهای ارتعاش آواز "نوع 1" به طور منظم و دوره ای را نشان دهند ، اما بسته شدن ناقص گلوتال ممکن است باعث ایجاد نویز باند پهن و سیگنال صوتی آپروودیک شود ، که می تواند به عنوان آکوستیک "نوع 3" طبقه بندی شود. علامت. بنابراین ، استفاده از روشهای صوتی سنتی در رابطه با DKG ممکن است یک روش بهبود یافته از تایپ سیگنال را نشان دهد ، مشکلات فردی مرتبط با این دو روش را کاهش داده و امکان مقایسه برای اطمینان از استخراج دقیق داده ها را فراهم می کند ، و در نتیجه تصویری کامل تر از آواز به وجود می آیدارتعاشات برابر

نتیجه

سه نوع ارتعاشات برابر آواز به طور مستقیم بر اساس تصویربرداری DKG در آزمایشات حنجره خارج شده و سری زمانی ، طیف فرکانس و روشهای تجزیه و تحلیل پویا غیرخطی مشاهده و اندازه گیری شد. این تکنیک ها به طور مؤثر پویایی این سه نوع الگوی ارتعاش DKG را توصیف می کنند. تکنیک تجزیه و تحلیل پویا غیرخطی برآورد ابعاد همبستگی به طور موثری بین الگوهای ارتعاش نوع 2 و نوع 3 متمایز می شود ، نشان می دهد که چنین تکنیک هایی ممکن است یک راه حل در تمایز این الگوهای ارتعاش آواز غالباً مبهم ارائه دهد. DKG ثابت شد که یک روش دقیق برای تایپ الگوهای ارتعاش برابر آواز است. استفاده از آن در رابطه با سایر روشهای تایپ سیگنال صوتی که قبلاً ایجاد شده است ممکن است نمایش کاملی از ارتعاشات برابر آواز را فراهم کند و قابلیت اطمینان تایپ سیگنال را افزایش دهد.

تصدیق

این تحقیق توسط NIH Grant شماره 1-R01 DC05522 از انستیتوی ملی ناشنوایی و سایر اختلالات ارتباطی پشتیبانی شد.

منابع

1. SVEC JG ، SCHUTTE HK. VideokyMography: اسکن خط با سرعت بالا از لرزش برابر آواز. J Voice. 1996 ؛10: 201-5.[PubMed] [Google Scholar]

2. SVEC JG ، SCHUTTE HK ، SRAM F. VideokyMography: یک روش جدید با سرعت بالا برای بررسی ارتعاشات صوتی. Otorinolaryngol (پراگ) 1999 ؛48: 155-62.[Google Scholar]

3. Schutte HK ، SVEC JG ، SRAM F. اولین نتایج از کاربرد بالینی ویدیویوگرافی. حنجره. 1998 ؛108: 1206-10.[PubMed] [Google Scholar]

4. Jiang JJ ، Chang CB ، Raviv JR ، Gupta S ، Banzali FM ، Hanson DG. مطالعه کمی موج مخاطی از طریق ویدیویوگرافی در حنجره های سگ. حنجره. 2000 ؛110: 1567-73.[PubMed] [Google Scholar]

5. Larsson H ، Hertegard S ، Lindestad P ، Hammarberg B. ارتعاشات برابر آواز: تصویربرداری با سرعت بالا ، کیموگرافی و تجزیه و تحلیل آکوستیک: یک گزارش اولیه. حنجره. 2000 ؛110: 2217 2122.[PubMed] [Google Scholar]

6. Qiu Q ، Schutte HK ، Gu L ، Yu Q. یک روش اتوماتیک برای تعیین کمیت خصوصیات لرزش چین های صوتی انسانی از طریق VideoKymography. Folia phoniatr logop. 2003 ؛55: 128-36.[PubMed] [Google Scholar]

7. Jiang JJ ، Zhang Y ، Kelly MP ، Bieging ET ، Hoffman MR. یک روش اتوماتیک برای تعیین کمیت امواج مخاطی از طریق ویدیوکیموگرافی. حنجره. 2008 در مطبوعات.[مقاله رایگان PMC] [PubMed] [Google Scholar]

8. Deliyski DD ، Petrushev PP ، Bonilha HS ، Gerlach TT ، Martin-Harris B ، Hillman RE. اجرای بالینی ویدیویوسکوپی با سرعت بالا حنجره: چالش ها و تکامل. Folia phoniatr logop. 2008 ؛60: 33-44.[PubMed] [Google Scholar]

9. Bonilha HS ، Deliyski DD. بی نظمی های دوره و عرض گلوتال در بلندگوهای صوتی معمولی. J Voice. 2008 ؛22: 699-708.[PubMed] [Google Scholar]

10. Tigges M ، Wittenberg T ، Mergell P ، Eysholdt U. تصویربرداری از لرزش برابر آواز: کیموگرافی با سرعت بالا Digital Multislice. J Voice. 2000 ؛14: 422-42.[PubMed] [Google Scholar]

11. Hirose H. تصویربرداری دیجیتالی با سرعت بالا از لرزش برابر آواز. Acta otolagol sup. 1988 ؛458: 151-53.[PubMed] [Google Scholar]

12. ژانگ Y ، Bieging E ، Tsui H ، Jiang JJ. استخراج کارآمد و مؤثر از الگوهای ارتعاش برابر آواز از تصویربرداری دیجیتال با سرعت بالا. J Voice. 2008 در مطبوعات.[مقاله رایگان PMC] [PubMed] [Google Scholar]

13. Olthoff A ، Woywod C ، Kruse E. Stroboscopy در مقابل گلوتوگرافی با سرعت بالا: یک مطالعه مقایسه ای. حنجره. 2007 ؛117: 1123-26.[PubMed] [Google Scholar]

14. SVEC JG ، Sram F ، Schutte HK. VideokyMography در اختلالات صوتی: به دنبال چه چیزی باید جستجو کنید؟آن اوتول ، رینول و لارنگول. 2007 ؛116: 172-80.[PubMed] [Google Scholar]

15. Titze IR. کارگاه تجزیه و تحلیل صدای صوتی: بیانیه خلاصه. دنور ، CO: مرکز ملی صدا و گفتار ؛1995. [Google Scholar]

16. ژانگ Y ، Jiang JJ ، Wallace SM ، Zhou L. مقایسه روش های پویا غیرخطی و روش های آشفتگی برای تجزیه و تحلیل صدا. J Acoust Soc Am. 2005 ؛118: 2551-60.[PubMed] [Google Scholar]

17. Behrman A ، Agresti CJ ، Blumstein E ، Le N. داده های میکروفون و الکتروگلوگرافیک از بیماران دیسفونیک: سیگنال نوع 1 ، 2 و 3. J Voice. 1998 ؛12: 249-60.[PubMed] [Google Scholar]

18. ژانگ Y ، McGilligan C ، Zhou L ، Vig M ، Jiang JJ. تجزیه و تحلیل پویا غیرخطی صداها قبل و بعد از برداشتن جراحی پولیپ های صوتی. J Acoust Soc Am. 2004 ؛115: 2270-77.[PubMed] [Google Scholar]

19. نماینده کارنل ، چانگ A ، اسمیت A ، هافمن H. تأثیر نوع سیگنال بر اعتبار اقدامات آشفتگی صدا. وضعیت NCVS و گزارش پیشرفت. 1997 ؛11: 91-4.[Google Scholar]

20. Jiang JJ ، Zhang Y ، Ford CN. دینامیک غیرخطی آوایی ها در آزمایشات حنجره خارج شده. J Acoust Soc Am. 2003 ؛114: 2198 2205.[PubMed] [Google Scholar]

21. ژانگ Y ، جیانگ جی جی. تجزیه و تحلیل پویا غیرخطی در تایپ سیگنال صداهای آسیب شناختی انسان. الکترونی لت. 2003 ؛39: 1021 23.[Google Scholar]

22. Wurzbacher T ، Dollinger M ، Schwarz R ، Hoppe U ، Eysholdt U ، Lohscheller J. طبقه بندی فضایی دینامیک برابر آواز توسط یک مدل چند منظوره شامل پارامترهای وابسته به زمان. J Acoust Soc Am. 2008 ؛123: 2324-34.[PubMed] [Google Scholar]

23. Wurzbacher T ، Schwarz R ، Dollinger M ، Hoppe U ، Eysholdt U ، Lohscheller J. طبقه بندی مبتنی بر مدل از ارتعاشات برابر آواز غیر استایل. J Acoust Soc Am. 2006 ؛120: 1012 27.[PubMed] [Google Scholar]

24. Wurzbacher T ، Schwarz R ، et al. یک مدل چند منظوره وابسته به زمان برای شبیه سازی ارتعاشات برابر صوتی غیر ثابت. هفتمین کنفرانس بین المللی پیشرفت در لارنگولوژی کمی ، تحقیقات صدا و گفتار ؛Gröningen ، هلند: دانشگاه Gröningen ؛2006. [Google Scholar]

25. Schwarz R ، Döllinger M ، Wurzbacher T ، Eysholdt U ، Lohscheller J. کمیت فضایی-زمانی ارتعاشات برابر آواز با استفاده از ویدیویی با سرعت بالا و یک مدل بیومکانیکی. J Acoust Soc Am. 2008 ؛123: 2717-32.[PubMed] [Google Scholar]

26. Neubauer J ، Mergell P ، Eysholdt U ، Herzel H. تجزیه و تحلیل فضایی-زمانی نوسانات برابر صوتی نامنظم: دوفوناسیون به دلیل عدم هماهنگ سازی حالت های مکانی. J Acoust Soc Am. 2001 ؛110: 3179-92.[PubMed] [Google Scholar]

27. ژانگ Y ، جیانگ جی جی. هرج و مرج مکانی نامتقارن ایجاد شده توسط یک توده پولیپوئید در حنجره خارج شده. آشوب. 2008 ؛18: 043102.[مقاله رایگان PMC] [PubMed] [Google Scholar]

28. SVEC JG ، Sram F ، Schutte HK. VideokyMography در اختلالات صوتی: به دنبال چه چیزی باید جستجو کنید؟آن اوتول رینول لارنگول. 2007 ؛116: 172-80.[PubMed] [Google Scholar]

29. Jiang JJ ، Zhang Y ، Ste J. مدل سازی ارتعاشات هرج و مرج در چین های صوتی متقارن. J Acoust Soc Am. 2001 ؛110: 2120 28.[PubMed] [Google Scholar]

30. Hertrich I ، Lutzenberger W ، Spieker S ، Ackermann H. ابعاد فراکتال از تولیدات واکه پایدار در دیفونیای عصبی: یک تجزیه و تحلیل آکوستیک و الکتروگلوگرافی. J Acoust Soc Am. 1997 ؛102: 652-54.[PubMed] [Google Scholar]

31. جیانگ جی جی ، ژانگ ی. J Acoust Soc Am. 2002 ؛112: 2127-33.[PubMed] [Google Scholar]

32. AV Kaaukhov ، Kaaukhova EV ، Williamson Jr. روش ماتریس عددی برای شناسایی سیستم غیرخطی و توصیف دینامیک شبکه های واکنش بیوشیمیایی. Biophys J. 2007 ؛92: 3459-73.[مقاله رایگان PMC] [PubMed] [Google Scholar]

33. Giovanni A، Ouaknine M، Triglia JM. تعیین بزرگترین نماهای لیاپانوف سیگنال صوتی: کاربرد در فلج حنجره یک طرفه. صدای جی. 1999; 13:341-54.[PubMed] [Google Scholar]

34. Packard NH، Crutchfield JP، Farmer JD، Shaw RS. هندسه از یک سری زمانی. Phys Rev Lett. 1980; 45:52-60.[Google Scholar]

35. Fraser AM، Swinney HL. مختصات مستقل برای جاذبه های عجیب و غریب از اطلاعات متقابل. Phys Rev A. 1986; 33:1134-40.[PubMed] [Google Scholar]

36. Grassberger P، Procaccia I. اندازه گیری عجیب بودن جاذبه های عجیب. Physica D. 1983; 9:189-208.[Google Scholar]

37. Theiler J. بعد کاذب از الگوریتم های همبستگی اعمال شده برای داده های سری زمانی محدود. Phys Rev A. 1986; 34:2427-32.[PubMed] [Google Scholar]

38. Zhang Y، Jiang JJ، Biazzo L، Jorgensen M. آشفتگی و تجزیه و تحلیل دینامیک غیرخطی صداها از بیماران مبتلا به فلج حنجره یک طرفه. صدای جی. 2005; 19:519-28.[PubMed] [Google Scholar]