延迟听觉反馈的干扰效应同时取决于反馈信号的节奏与内容

《Frontiers in Human Neuroscience》：The effects of delayed auditory feedback depend on both the rhythm and content of the feedback signal

　　

目的： 延迟听觉反馈（DAF）长期以来已知会干扰流畅言语，但其潜在机制仍存在争议。部分研究者假设干扰源于感觉与运动节律的异步性，而与听觉输入的具体内容无关。本研究旨在比较经典DAF与延迟包络调制噪声（EMN）的效应，后者保留了语音包络但去除了其他言语内容。研究人员假设经典DAF比延迟EMN对言语的干扰更强，从而揭示言语相关频谱内容在反馈驱动的言语干扰中发挥重要作用。 方法： 38名无言语、语言或听力障碍病史的神经健康成年人，在五种听觉反馈条件下（最小延迟或200 ms延迟的言语反馈、最小延迟或200 ms延迟的EMN反馈，以及恒定言语整形噪声）产出两类言语材料（非词汇三音节序列和句子）。主要结局指标为言语速率和错误概率，次要指标包括基频、强度及二者的试验内调制。对音频录音进行转写，并使用混合效应模型对每项结局指标和刺激类型进行分析。 结果： 对于每项结局指标和刺激类型，延迟效应在SPEECH与EMN条件之间存在显著差异。200 ms延迟的言语反馈引起言语速率大幅下降（约0.8–0.9音节/秒）和错误概率大幅上升（约31–44%），且在不同刺激类型间保持一致。相比之下，200 ms延迟的EMN仅引起较小效应，言语速率略有增加（约0.13–0.14音节/秒），错误率无显著变化。延迟言语还导致强度和强度调制增加、音高调制降低，而延迟EMN的结果一致性较差。 结论： 这些发现表明，听觉反馈信号中言语相关频谱内容的存在，超出言语节律异步性本身，是引发DAF完整干扰效应所必需的。研究人员在同时涵盖节律异步性和反馈内容作用的理论框架内描述了研究结果。

论文解读文章

一、研究背景与问题

言语产生涉及听觉系统与运动系统的持续耦合——说话者实时听到自身发声的声学信号，这一感觉-运动回路在正常条件下能高效支持流畅言语，并在嘈杂环境或多说话者情境中实现错误检测与修正。延迟听觉反馈（Delayed Auditory Feedback, DAF）是一种经典的实验操控手段，将自产听觉反馈信号人为延迟（通常为100–200 ms）后再经耳机传回给说话者。DAF会显著破坏言语的多个层面，包括诱发不流畅、音节重复、发音错误、音强与音高改变，以及言语速率下降和音高变异减少等。

尽管DAF已被研究数十年，其具体干扰机制仍未完全阐明。一个长期存在的假说是“位移节律假说”（Displaced Rhythm Hypothesis, DRH），认为DAF导致的言语干扰并非源于说话者对反馈内容进行主动监测或利用信号进行反馈控制，而是源于说话者的节律性言语输出与第二个节律性但时间上延迟的听觉输入信号之间的干扰。DRH主张驱动干扰的只是“音节单元的节律属性，而非其身份”。

支持DRH的实验证据包括：Howell等人（1983）使用门控言语反馈发现2 Hz门控信号引起最大干扰；Howell和Archer（1984）用500 Hz方波调制语音包络替代语音内容，发现其干扰效应与标准DAF相当；Kaspar和Rübeling（2011）发现节律性刺激对的阅读时间延长幅度大于非节律性刺激对。然而，这些研究存在局限：部分研究样本量极小，且缺乏在同一批参与者中对言语与非言语反馈信号进行直接比较的研究。反馈信号中语音特异性内容（相对于纯节律）的相对重要性仍缺乏系统研究。

基于此，本研究旨在更直接地检验DRH，通过在同一批参与者中比较经典DAF与延迟包络调制噪声（Envelope Modulated Noise, EMN）的效应，考察反馈信号的节律异步性与频谱内容在言语干扰中的相对贡献。

二、研究设计与主要技术方法

本研究为一项更大规模DAF研究（Heyne et al., 2025）的组成部分。38名神经健康成人（10名男性，年龄18–60岁，平均30.8岁）参与实验，均为母语为美式英语者，通过纯音听力筛查，无言语、语言或听力障碍史。研究经匹兹堡大学机构审查委员会批准。

主要技术方法包括：使用头戴式电容麦克风（Shure MX153）采集语音，经RME Fireface UFX+音频设备处理，通过自定义MATLAB代码（基于PsychPortAudio和ASIO驱动协议）实现精确的反馈延迟控制。EMN条件通过提取麦克风信号的均方根（RMS）包络（256样本即5.33 ms移动窗口）并乘以言语整形噪声（Speech-Shaped Noise, SSN）样本生成，从而保留语音包络但去除所有语音特异性频谱内容。实验包含两类刺激：非词汇三音节序列（3SYL）和TIMIT语料库句子（SENT），五种反馈条件：SPEECH0（最小延迟约12 ms）、SPEECH200（200 ms延迟）、EMN25（25 ms延迟）、EMN200（200 ms延迟）和NOISE（恒定SSN）。音频由11名训练有素的听者进行转写标注，使用Gwet's AC1评估标注者间信度。统计分析采用线性混合效应模型和广义线性混合效应模型（logistic回归），主要检验条件（SPEECH vs. EMN）与延迟（最小 vs. 200 ms）的交互效应。

三、研究结果

3.1 言语速率

两种刺激类型均显示条件与延迟之间存在显著交互效应（3SYL: t(4474.0)=28.699, p<0.001; SENT: t(3639.1)=20.594, p<0.001）。SPEECH200相比SPEECH0导致言语速率大幅下降（3SYL: ?0.776音节/秒；SENT: ?0.887音节/秒，均p<0.0001）；而EMN200相比EMN25反而导致言语速率轻微增加（3SYL: +0.142音节/秒，p=0.027；SENT: +0.128音节/秒，p=0.047）。SENT刺激中，EMN200相比SPEECH0言语速率略高（+0.121音节/秒，p=0.047）。

3.2 标注者一致性

Gwet's AC1显示各条件下标注者间信度良好至极好（3SYL: 0.664–0.805；SENT: 0.749–0.823），SPEECH与EMN条件间的AC1差异经bootstrap检验不显著（3SYL 95% CI: [?0.120, 0.064]；SENT 95% CI: [?0.152, 0.023]），支持了错误标注方法的可靠性。

3.3 错误率

两种刺激类型均显示条件与延迟的显著交互效应（3SYL: z=?6.699, p<0.001; SENT: z=?10.593, p<0.001）。SPEECH200相比SPEECH0错误概率大幅上升（3SYL: +31.07%；SENT: +44.05%，均p<0.0001）。EMN200相比EMN25在3SYL中错误率增加6.08%但未达显著性（p=0.100），SENT中无显著变化。3SYL中EMN200相比SPEECH0错误率显著增加6.14%（p=0.037）。

3.4 基频（F?）

所有模型均显示条件与延迟的显著交互效应，但校正多重比较后，SPEECH200 vs. SPEECH0和EMN200 vs. EMN25的F?差异均未达显著。F?调制（试验内标准差）方面，SPEECH200相比SPEECH0显著降低（3SYL: ?3.547 Hz, p=0.0002；SENT: ?3.620 Hz, p=0.0006），EMN200 vs. EMN25无显著变化。

3.5 强度

条件与延迟的交互效应在平均强度和强度调制上均显著。SPEECH200相比SPEECH0在SENT中强度显著增加（+1.52 dB, p<0.0001），3SYL中趋势未达显著（+0.485 dB, p=0.070）。EMN200 vs. EMN25强度无显著变化。EMN200和NOISE条件均导致强度显著高于SPEECH0。强度调制方面，SPEECH200相比SPEECH0显著增加（3SYL: +0.590 dB, p=0.0003；SENT: +0.401 dB, p=0.0006），EMN200 vs. EMN25在SENT中显著降低（?0.281 dB, p=0.0436）。

四、讨论与结论

研究结果显示，SPEECH200与EMN200反馈条件具有几乎相同的节律性包络结构，但二者在各项言语结局指标上表现出显著差异。经典DAF（SPEECH200）引起言语速率大幅下降、错误率大幅上升、F?调制降低、强度和强度调制增加；而延迟EMN仅产生微小效应，甚至在某些指标上方向相反。这一发现强有力地反驳了DRH的核心主张——即反馈信号的节律异步性是DAF干扰的唯一驱动因素。

研究结果表明，反馈信号中言语相关频谱内容的存在，超出节律异步性本身，是引发DAF完整干扰效应所必需的。研究人员在理论框架中将节律异步性和反馈内容的作用整合起来：位移节律（运动信号与听觉输入间的相位关系）导致反馈在听觉皮层异常兴奋性时间窗内到达，但听觉输入的内容对于触发特定言语错误和在言语运动规划与执行过程中增加干扰至关重要。

研究结论： 这些发现表明，听觉反馈信号中言语相关频谱内容的存在，超出言语节律的异步性本身，是引发DAF完整干扰效应的必要条件。研究人员在同时涵盖节律异步性和反馈内容作用的理论框架内描述了研究结果，为理解DAF的神经机制提供了重要证据，并对DRH提出了实质性修正。