Quantifying parameter uncertainty in a three-parameter model of speech and voice adaptation using early- and late-window pitch-shift responsesa).

چکیده اصلی

Sensorimotor adaptation within the Directions Into Velocities of Articulators (DIVA) framework (including DIVA, LaDIVA, and SimpleDIVA) is governed by auditory feedback, somatosensory feedback, and feedforward mechanisms. SimpleDIVA provides a reduced three-parameter formulation that enables direct estimation of auditory and somatosensory feedback control gains, as well as the learning rate of the feedforward command from trial-by-trial adaptation data; however, it provides point estimates without uncertainty information. This limitation becomes critical for subject-specific analyses based on noisy data. We introduce a probabilistic inference framework that estimates posterior distributions and quantifies how parameter uncertainty propagates to predicted trajectories. The method uses particle-based likelihood inference, sampling candidate parameter sets from prior distributions and weighting them according to their likelihood. We compare a late-window-only variant with a joint early-late formulation that treats early-window (feedforward-dominated) and late-window (feedback-engaged) responses as complementary observations. Monte Carlo simulations across eight measurement noise levels evaluate the coverage and width of credible intervals, as well as estimation error. Results show robust estimation of feedback gains under both formulations. The joint early-late approach improves learning-rate inference, yielding narrower intervals, reduced bias, and improved trajectory recovery while maintaining near-nominal coverage at empirically relevant noise levels.

ترجمه فارسی چکیده

تطبیق حسی-حرکتی در چارچوب DIVA (شامل DIVA، LaDIVA و SimpleDIVA) تحت کنترل بازخورد شنوایی، بازخورد حسی-حرکتی و مکانیسم‌های پیش‌فرض است. SimpleDIVA یک فرمول‌بندی سه پارامتری کاهش‌یافته ارائه می‌دهد که امکان برآورد مستقیم ضرایب کنترل بازخورد شنوایی و حسی-حرکتی و همچنین نرخ یادگیری دستور پیش‌فرض را از داده‌های تطبیقی بر اساس آزمایش می‌دهد؛ اما این روش برآوردهای نقطه‌ای بدون اطلاعات عدم قطعیت ارائه می‌دهد. این محدودیت برای تحلیل‌های مبتنی بر داده‌های پر سر و صدا حیاتی است. ما یک چارچوب استنباط احتمالی معرفی می‌کنیم که توزیع‌های پسین را برآورد کرده و میزان انتشار عدم قطعیت پارامترها را به مسیرهای پیش‌بینی شده می‌سنجد. این روش از استنباط درست‌نمایی مبتنی بر ذرات استفاده می‌کند، مجموعه‌های پیشنهادی پارامترها را از توزیع‌های پیشین نمونه‌برداری کرده و آن‌ها را بر اساس درست‌نمایی‌شان وزن‌دهی می‌کند. ما یک نسخه مبتنی بر پنجره پایانی را با یک فرمول‌بندی مشترک اولیه-پایانی مقایسه می‌کنیم که پاسخ‌های پنجره اولیه (غالب پیش‌فرض) و پنجره پایانی (درگیر بازخورد) را به عنوان مشاهدات تکمیلی در نظر می‌گیرد. شبیه‌سازی‌های مونت کارلو در هشت سطح نویز اندازه‌گیری، پوشش و عرض بازه‌های معتبر و همچنین خطای برآورد را ارزیابی می‌کنند. نتایج نشان می‌دهند برآورد قوی ضرایب بازخورد در هر دو فرمول‌بندی. رویکرد مشترک اولیه-پایانی بهبود استنباط نرخ یادگیری را نشان می‌دهد که منجر به بازه‌های باریک‌تر، خطای کمتر و بازیابی بهتر مسیر می‌شود در حالی که پوشش نزدیک به نامتعارف را در سطوح نویز مرتبط تجربی حفظ می‌کند.

متن کامل اصلی