Уровень шума снип: Допустимые уровни шума в квартире по СНиП и СанПиН

Содержание

СП 51.13330.2011 Защита от шума. Актуализированная редакция СНиП 23-03-2003 (с Изменением N 1)

В настоящем своде правил использованы следующие термины с соответствующими определениями:

3.1 время реверберации Т, с: Время, за которое уровень звукового давления в помещении после выключения источника звука снижается на 60 дБ.

3.2 допустимый уровень шума: Уровень, который не вызывает у человека значительного беспокойства и существенных изменений показателей функционального состояния систем и анализаторов его организма, чувствительных к шуму.

3.3 звуковая мощность, Вт: Количество энергии, излучаемой источником шума в единицу времени.

3.4 звукоизоляция окна R, дБА: Величина, служащая для оценки одним числом изоляции внешнего шума, создаваемого городским транспортом, при передаче его внутрь помещения через окно.

3.5 изоляция воздушного шума (звукоизоляция) R, дБ: Способность ограждающей конструкции уменьшать проходящий через нее звук.

Примечание — В общем виде представляет собой десятикратный десятичный логарифм отношения падающей на ограждение звуковой энергии к энергии, прошедшей через ограждение.

3.6 изоляция ударного шума перекрытием: Величина, характеризующая снижение ударного шума перекрытием.

3.7 индекс изоляции воздушного шума R, дБ: Величина, служащая для оценки одним числом изоляции воздушного шума ограждающей конструкцией.

Примечание — Определяется путем сопоставления частотной характеристики изоляции воздушного шума со специальным оценочным спектром.

3.8 индекс приведенного уровня ударного шума L, дБ: Величина, служащая для оценки одним числом изоляции ударного шума перекрытием.

Примечание — Определяется путем сопоставления частотной характеристики приведенного уровня ударного шума под перекрытием со специальным оценочным спектром.

3.9 коэффициент звукопоглощения : Отношение величины неотраженной поверхностью звуковой энергии к величине падающей энергии.

3.10 максимальный уровень звука, дБА: Уровень звука непостоянного шума, соответствующий максимальному показанию измерительного прямопоказывающего прибора (шумомера) при визуальном отсчете, или уровень звука, превышаемый в течение 1% длительности измерительного интервала при регистрации шума автоматическим оценивающим устройством (статистическим анализатором).

3.11 непостоянный шум: Шум, уровень звука которого изменяется за время оценки более чем на 5 дБА при измерениях на временной характеристике S шумомера по ГОСТ 17187.

3.12 октавный уровень звукового давления, дБ: Уровень звукового давления в октавной полосе частот.

3.13 постоянный шум: Шум, уровень звука которого изменяется за время оценки не более чем на 5 дБА при измерениях на временной характеристике S шумомера по ГОСТ 17187.

3.14 предельно допустимый уровень шума; ПДУ шума: Уровень шума, который при ежедневной (кроме выходных дней) работе, но не более 40 часов в неделю в течение всего рабочего стажа, не должен вызывать заболеваний или отклонений в состоянии здоровья, обнаруживаемых современными методами исследований в процессе работы или в отдаленные сроки жизни настоящего и последующего поколений.

Примечание — Вместе с тем соблюдение ПДУ шума не исключает нарушения здоровья у сверхчувствительных лиц.

3.15 приведенный уровень ударного шума под перекрытием L, дБ: Величина, характеризующая изоляцию ударного шума перекрытием, представляющая собой уровень звукового давления в помещении под перекрытием при работе на перекрытии стандартной ударной машины и условно приведенная к величине эквивалентной площади звукопоглощения в помещении, равной А=10 м.

3.16 проникающий шум: Шум, возникающий вне пространства с расчетными точками и проникающий в него через ограждающие конструкции зданий, системы вентиляции, кондиционирования воздуха, водоснабжения и отопления.

3.17 реверберация: Явление постепенного спада звуковой энергии в помещении после прекращения работы источника звука.

3.18 средний коэффициент звукопоглощения : Отношение суммарной эквивалентной площади звукопоглощения в помещении А (включая поглощение всех поверхностей, оборудования и людей) к суммарной площади всех поверхностей помещения.

3.19 уровень звука, дБА: Энергетическая сумма октавных уровней звукового давления в нормируемом диапазоне частот, откорректированных по частотной характеристике А шумомера по ГОСТ 17187.

3.20 уровень звуковой мощности, дБ: Десятикратный десятичный логарифм отношения звуковой мощности к опорной звуковой мощности (W=10 Вт).

3.21 частотная характеристика изоляции воздушного шума: Величина изоляции воздушного шума R, дБ, в третьоктавных полосах частот в диапазоне 100-3150 Гц (в графической или табличной форме).

3. 22 частотная характеристика приведенного уровня ударного шума под перекрытием: Величина приведенных уровней ударного шума под перекрытием L, дБ, в третьоктавных полосах частот в диапазоне 100-3150 Гц (в графической или табличной форме).

3.23 шумозащитные здания: Жилые здания, к которым относятся:

здания со специальным архитектурно-планировочным решением, предусматривающим ориентацию в сторону источника шума (магистрали) подсобных помещений квартир (кухни, ванные комнаты, санузлы), внеквартирных коммуникаций (лестнично-лифтовые узлы, коридоры), а также не более одной комнаты в квартирах с тремя жилыми комнатами и более;

здания, в которых на фасаде, обращенном в сторону внешнего источника шума, установлены шумозащитные окна, снабженные специальными вентиляционными устройствами с глушителями шума;

здания комбинированного типа, в которых для борьбы с шумом используются одновременно вышеописанные приемы.

3.24 шумозащитные окна: Окна со специальными вентиляционными устройствами, обеспечивающие повышенную звукоизоляцию при одновременном обеспечении нормативного воздухообмена в помещении.

3.25 шумозащитные экраны: Сооружения в виде вертикальных или наклонных стенок различной конструкции, земляных насыпей, выемок, галерей и т.п., установленные вдоль автомобильных и железных дорог в целях снижения шума.

3.26 эквивалентная площадь звукопоглощения (поверхности или предмета), м: Площадь поверхности, полностью поглощающей звук (с коэффициентом звукопоглощения =1), которая поглощает такое же количество звуковой энергии, как и данные поверхность или предмет.

3.27 эквивалентный (по энергии) уровень звука, дБА: Уровень звука постоянного шума, который имеет то же самое среднеквадратическое звуковое давление, что и исследуемый непостоянный шум в течение определенного интервала времени.

Раздел 3. (Измененная редакция, Изм. N 1).

Институт стоимостного инжиниринга и контроля качества строительства

Вопрос определения сметной стоимости, сметного нормирования, ценообразования работ и затрат в строительстве.

При определении сметной стоимости работ с применением сметных нормативов 2020 г., столкнулись с проблемой — обнаружили, что из нормативов исключили эксплуатацию инструмента, имеющего электропривод. …

Аналоговый метод расчета смет на ПИР. Подбор аналогов. Часть 2.
Аналоговый метод расчета смет на ПИР. Общие правила применения метода для смет на ПИР. Часть 1.
Применение поправочных коэффициентов. Коэффициенты К9-К16. Составление сметы на проектирование АСУ. Определение базовой цены на разработку проекта АСУ. Часть 6.

В Екатеринбурге представили современные методики работы по составлению и проверке технической и проектной документации в строительстве

Сибирским межрегиональным учебным центром (СМУЦ) при поддержке Института стоимостного инжиниринга и контроля качества строительства (ИСИИККС), в Екатеринбурге, были организованы курсы повышения . ..

Учет в определении стоимости проектных работ разного состава проекта по нормативам различных лет
Особенности подготовки задания на проектирование объектов капитального строительства
Нормативное, информационное и программное обеспечение BIM — технологий

Всероссийская Неделя сметчика в Москве – шаг на встречу BIM технологиям

На прошедшей неделе, с 22 по 26 ноября, в Москве, состоялось крупное отраслевое мероприятие для инженеров-сметчиков. Важным моментом в обсуждении, стал вопрос использования BIM технологий в . ..

100 вопросов сметчика — принципиально новый формат образовательной площадки
«100 вопросов сметчика» — новый формат образовательной площадки.
Практика работы с изменениями в законодательстве была озвучена на Неделе сметчика в Красноярске

Реализация строительства

В Екатеринбурге представили со…
Реализация строительства
Учет в определении стоимости п…
Проектная документация
Особенности подготовки задания. ..
Проектная документация
Нормативное, информационное и…
Проектная документация
Энергосбережение и альтернатив…
Организация строительства
Методы приближенного расчета п…
Проектная документация

Машинное обучение на голосе: нежное введение в Snips Personal Wake Word Detector | Тибо Гиссельбрехт | Блог Snips

Тибо Гиссельбрехт

Опубликовано в

13 минут чтения

2 мая 2018 г.

Автор: Тибо Гиссельбрехт и Жозеф Дюро

Слово пробуждения — это слово, которое вы используете, чтобы начать разговор с голосовым помощником. Внутри каждого устройства, в которое встроен голосовой помощник, крошечный процесс продолжает слушать, ожидая, чтобы обнаружить пробуждающее слово из непрерывного аудиопотока. Процесс, о котором идет речь, является типичным для того, как голос обычно преобразуется для подачи модели машинного обучения, и довольно простым с точки зрения машинного обучения. Мы возьмем этот пример в качестве иллюстрации того, как машинное обучение выполняется с помощью голоса.

Персональный детектор пробуждающих слов — это новая функция голосовой платформы Snips, которую мы выпускаем в ответ на большой спрос со стороны сообщества. Это позволяет любому выбрать любое слово пробуждения, которое он хочет использовать для вызова своего голосового помощника. Перейдите прямо к учебнику, если вы хотите начать играть с ним. Чтобы понять, как работает этот детектор и как голос обрабатывается во многих других приложениях машинного обучения, продолжайте читать!

Существует два типа детекторов пробуждающих слов: Универсальный и Персональный .

Универсальные детекторы пробуждающих слов обучаются на большом количестве голосов. Базовая модель, как правило, представляет собой алгоритм глубокого обучения, который обучен определять, когда кто-либо произносит слово пробуждения.

С другой стороны, персональный детектор пробуждающих слов обучается локально на вашем устройстве с помощью небольшого количества предоставленных вами образцов голоса. Этот вариант гораздо более универсален по сравнению с универсальным, так как позволяет использовать любое произвольное слово пробуждения. Разница только в том, что это не должно работать, когда кто-то другой произносит слово пробуждения.

Общим для обоих типов детекторов является то, как голос преобразуется до того, как он будет передан в модель машинного обучения. Эта предварительная обработка фактически используется многими другими приложениями машинного обучения с голосом, такими как распознавание речи или идентификация говорящего. Просто оказывается, что результаты, полученные с этим этапом предварительной обработки, часто лучше, чем без него, хотя начинают возникать исключения.

Давайте посмотрим, как работает этот персональный детектор пробуждающих слов с точки зрения обучения, логического вывода и производительности.

Обрезка звука

Принцип работы персонального детектора слов пробуждения заключается в сравнении входящего аудиопотока с набором шаблонов слов пробуждения, записанных пользователем. Это логика ближайшего соседа. Следовательно, первым шагом является приобретение этих шаблонов. На практике, поскольку мы не знаем, как долго будут длиться слова пробуждения, для их записи берется запас. В нашем случае мы даем пользователю 2 секунды на запись каждого шаблона (см. документацию здесь). Частота дискретизации, используемая для получения звука, установлена на 16000 сэмплов в секунду. Каждая запись затем первоначально состоит из 32000 выборок.

Естественно, то, что идет до и после слова пробуждения в записи, не имеет значения. Если запись происходит в тихой обстановке, что мы настоятельно рекомендуем, до и после записи будет тишина. Чтобы удалить эти паузы и сохранить только значимую часть каждого шаблона, применяется процесс, называемый обрезкой. Этот процесс состоит из:

Разделения сигнала на небольшие фрагменты (кадрирования)
Вычисления энергии каждого кадра
Удаление каждого кадра, энергия которого ниже заданного порога.

Например, 65-миллисекундный сигнал может быть разделен на 5 кадров по 0,025 секунды с перекрытием 0,01 секунды между кадрами. На рисунке ниже показан процесс кадрирования короткого аудиосигнала.

5 кадров по 0,025 секунды с перекрытием 0,01 секунды

Энергия кадра представляет собой среднее значение квадратов сигнала. Классический подход состоит в том, чтобы вычислить энергию каждого кадра и сравнить ее с предопределенным порогом, чтобы классифицировать кадр как тишину или нет.

Чтобы повысить надежность, мы применяем несколько иной подход. Мы устанавливаем порог отношения энергий между энергией каждого кадра и энергией кадра с наибольшей энергией. Если это отношение ниже 20 децибел, кадр классифицируется как тишина. Порог можно настроить вручную на платформе Snips.

Процесс обрезки показан ниже. Слева сигнал записан в чистом виде (без шума), а обрезанный сигнал строго фиксирует слово пробуждения. Справа пример с фоновым шумом, записанным после слова пробуждения. Этот пример показывает, как шум может нарушить процесс обрезки.

Процесс обрезки в различных условиях записи

Извлечение признаков

Вторым этапом процесса обучения является извлечение краткого и значимого представления каждого шаблона для подачи простой модели машинного обучения. Этот процесс называется извлечением признаков .

Mel Частотные кепстральные коэффициенты (MFCC) широко используются в приложениях автоматического распознавания речи. Это преобразование пытается имитировать некоторые части восприятия человеческой речи, воспроизводя логарифмическое восприятие громкости человеческим ухом. Для получения полного руководства о том, как работают MFFC, перейдите по этой ссылке. Процесс получения MFCC из аудиосигнала следующий:

а. Предыскажение (дополнительно). Этот шаг направлен на усиление высоких частот, чтобы сбалансировать сигнал и улучшить общее отношение сигнал/шум. На практике мы используем коэффициент предыскажения, если он равен 0,97.

б. Каркас. Сигнал разбивается на слайсы фиксированного размера (обычно длиной от 20 мс до 40 мс) с предопределенной степенью перекрытия между каждым слайсом. Этот шаг аналогичен шагу, описанному в начальном шаге обрезки, но размеры окна и перекрытия могут быть другими. Обозначим nFrames количество кадров, полученных из исходного сигнала.

в. Окно. Оконная функция Povey применяется к каждому кадру для уменьшения боковых лепестков. Функция окна Povey аналогична функции окна Hamming , но равна нулю по краям.

Оконные рамы.

В этот момент оригинал был предварительно выделен, обрамлен и снабжен окнами, что мы проиллюстрировали на рисунке ниже.

Подчеркнутый сигнал с рамкой и окном.

д. Трансформация. Сначала мы вычисляем дискретное преобразование Фурье для каждого кадра с предопределенным числом компонентов (здесь 512). Затем мы вычисляем квадрат модуля каждого коэффициента, чтобы получить распределение энергии сигнала по частотам. На данном этапе каждый кадр представлен 512 значениями, представляющими энергию сигнала на разных частотах. i-е значение этого сигнала соответствует частоте i*16000/(2*512).

Мы проиллюстрируем это на примере наших игрушек ниже.

эл. Масштабное отображение MEL. Мы отображаем каждый компонент на мел-шкале с помощью треугольных фильтров: это преобразование направлено на то, чтобы отразить то, как человеческое ухо воспринимает звуки. Количество фильтров, отмеченное как nFilters, является параметром алгоритма. В этот момент каждый кадр поставляется с вектором размером nFilters. Затем мы берем журнал каждого компонента, чтобы получить банки фильтров журналов.

ф. Нормализация . Наконец, мы применяем дискретное косинусное преобразование (DCT) и нормализуем каждый компонент, удаляя их среднее значение. Этот последний шаг предназначен для декорреляции банка лог-фильтров.

На данный момент наш аудио образец был преобразован в матрицу признаков размером nFrames × nFilters , где nFrames — это количество кадров, полученных в результате второго шага выше, а nFilters — выбранное количество коэффициентов мела в последний шаг. На рисунке ниже показана матрица признаков обрезанного аудиосигнала из предыдущего раздела.

Процесс извлечения признаков

В следующем разделе мы объясним, как мы используем эти преобразованные шаблоны в нашем алгоритме обнаружения пробуждающих слов.

Динамическое искажение времени

Теперь, когда у нас есть четкое представление звуковых шаблонов, наша цель — сравнить входящий поток аудио с этими шаблонами, чтобы решить, присутствует ли пробуждающее слово или нет в аудиопотоке.

Чтобы упростить задачу, давайте пока рассмотрим, что доступен только один звуковой шаблон. Конкретно, живой аудиопоток нарезается на окна с размером, равным шаблону, и определенным перекрывающимся сдвигом. Затем каждое окно обрабатывается экстрактором признаков и, наконец, сравнивается с шаблоном. Чтобы выполнить это сравнение и вывести решение, мы используем Dynamic Time Warping, который измеряет сходство между двумя временными рядами (см. эту ссылку для полного ознакомления с методами DTW).

Рассмотрим два временных ряда соответствующих размеров N × K и M × K , где N и M — временные измерения, а K — размерность пространства признаков. В нашем приложении N=nFrames[Template] , M=nFrames[Stream] и K=nFilters .
Первым шагом для вычисления DTW между этими рядами является оценка связанной матрицы парных стоимостей элементов. Метрика, используемая для вычисления этой матрицы, может меняться в зависимости от необходимости, для нашего алгоритма мы выбрали косинусное сходство . Каждый элемент этой матрицы определяется как:

После этого шага мы получаем матрицу размера (N,M) , называемую матрицей затрат . Цель DTW состоит в том, чтобы найти путь, идущий от первого элемента (с координатами (1,1) ) к последнему элементу (с координатами (N,M) ) матрицы затрат с минимальным накопленным расходы. Этот путь называется оптимальным путем деформации , и его общая стоимость определяет расстояние DTW между обоими сигналами.

На рисунке ниже слева представлена матрица затрат между двумя сериями вместе с соответствующим оптимальным путем деформации. Интуитивно, путь деформации имеет тенденцию выравнивать точки двух временных рядов вместе с ограничением, согласно которому каждая точка из последовательности 1 (соответственно последовательности 2) должна быть сопоставлена по крайней мере с одной точкой последовательности 2 (соответственно последовательности 1). В нашем конкретном случае, поскольку слово пробуждения всегда произносится в относительно постоянном темпе и поскольку все его слоги всегда произносятся в одном и том же порядке, можно отбросить некоторый путь искажения. Это ограничение может быть закодировано непосредственно в матрица стоимости , установив бесконечную стоимость для каждого элемента в области, которую мы хотим отбросить. Для нашего алгоритма обнаружения слова пробуждения мы используем диагональное ограничение (см. рисунок ниже слева).

Динамическое искажение времени

Эталонное расстояние и предсказание

На этом этапе мы можем сравнить живой аудиопоток с каждым шаблоном, вычислив соответствующие DTW. Формально, если у нас есть 3 шаблона и мы рассматриваем окно из аудиопотока, мы можем вычислить 3 связанных DTW, обозначенных DTW ₁, DTW ₂ и DTW ₃. На практике продолжительность окна аудиопотока устанавливается равной средней длительности трех шаблонов.

Наша цель состоит в том, чтобы классифицировать окно аудиопотока как содержащее слово пробуждения, если его DTW относительно хотя бы одного шаблона меньше предопределенного порога. Оптимальное значение этого порога может быть найдено опытным путем для каждого конкретного слова пробуждения. Тем не менее, это значение будет сильно зависеть от размера шаблонов. Чем больше количество кадров, тем длиннее путь и, следовательно, выше DTW. Чтобы противодействовать этому эффекту и иметь возможность определить универсальный порог (например, не зависящий от слова пробуждения), каждый DTW нормализуется на сумму временного измерения обоих входов.

Наконец, если мы назовем порог принятия решения 𝜏 и рассмотрим входную последовательность из аудиопотока, детектор сработает, если любая из нормализованных версий DTW ₁, DTW ₂ и DTW ₃ меньше, чем 𝜏.

Давайте теперь посмотрим, как мы определили хорошее значение по умолчанию для 𝜏.

Доверие

Проблема обнаружения пробуждающего слова может рассматриваться как проблема бинарной классификации. Окно аудиопотока либо содержит, либо не содержит слово пробуждения. Для настройки такого рода задач особенно полезно иметь возможность выводить вероятность принадлежности к каждому классу (в нашем случае быть или не быть бодрствующим словом). С этой целью мы искусственно определяем 3 достоверности, относящиеся к каждой входной выборке:

, где и — индекс шаблона. Обратите внимание, что если DTW ᵢ меньше 𝜏, то вероятность будет больше 0,5 и будет увеличиваться по мере того, как DTW ᵢ становится меньше, как и ожидалось. Наконец, порог вероятности, выше которого сработает детектор, — это параметр, который мы предоставляем пользователю (см. туториал). Мы называем это чувствительностью. Чем выше чувствительность, тем выше количество ложных тревог и меньше количество пропущенных слов пробуждения.

Следующий раздел посвящен анализу производительности нашего алгоритма и его ограничений.

Поиск приемлемого эталонного расстояния 𝜏

Мы искали приемлемое универсальное значение для 𝜏. Для этого мы эмпирическим путем записали разные шаблоны слов для пробуждения для разных людей, языков и длины слова для пробуждения. Для каждого из них мы вычислили нормализованные DTW по отношению к следующему набору звуковых образцов:

Другие шаблоны, не зашумленные: для каждого слова пробуждения и каждого шаблона этого слова пробуждения, это набор всех других шаблонов слов пробуждения того же слова пробуждения, кроме рассматриваемого. В идеале все DTW относительно исследуемого шаблона должны быть ниже 𝜏.
Прочие шаблоны, зашумленные (20дб): аналогично, для каждого шаблона каждого пробуждающего слова, это набор шаблонов одного и того же пробуждающего слова, кроме рассматриваемого, дополненного фоновым шумом, с сигналом к шуму соотношение 20 децибел. В идеале все DTW относительно исследуемого шаблона должны быть ниже 𝜏.
Голоса: это набор аудиозаписей, состоящих из людей, произносящих случайный текст. Всего этот набор длится около 10 часов. В идеале все DTW по отношению к шаблонам слов пробуждения должны быть больше, чем 𝜏.
Шумы: это набор записей фонового шума. В идеале все DTW по отношению к шаблонам слов пробуждения должны быть больше, чем 𝜏.

Мы повторили этот процесс для каждого шаблона слова пробуждения, для разных слов пробуждения и агрегировали результаты. На рисунке ниже представлено нормализованное распределение DTW для каждого из наборов, определенных выше. Глядя на эти цифры, можно получить первое представление о пороге расстояния, который можно было бы использовать. Похоже, что установка его на уровне 0,22 приведет к хорошему разделению между записями слов пробуждения и слов без пробуждения, как с фоновым шумом, так и без него.

Чтобы подтвердить эту интуицию, мы вычислили частоту ложных тревог в час (FAH) для набора данных Voices , который является самым сложным, и частоту ложных отклонений (FRR) для реальных шаблонов, как в шумном, так и в шумном режиме. без шума, с порогом расстояния 0,22 . FAH определяет количество случайных срабатываний детектора каждый час, а секунды определяют скорость пропуска слова пробуждения. Обе меры наиболее часто используются в литературе для этой задачи.

Для голосовых Частота ложных срабатываний в час составляет 2,06, что означает, что если люди постоянно разговаривают рядом с ним, Детектор слова пробуждения будет срабатывать примерно два раза в час с настройками по умолчанию. Улучшение характеристик может быть достигнуто за счет настройки параметров принятия решений в каждом конкретном случае. False Rejection rate составляет 0% без фонового шума и 0,3% в шумных условиях.

Ограничения подхода

Чтобы продолжить исследование, мы увеличиваем уровень шума в тестовых наборах данных. Мы создали первый набор данных с отношением сигнал/шум 10 децибел, что ниже исходных 20 дБ, а второй – с отношением сигнал/шум 5 децибел. Интуитивно понятно, что производительность алгоритма должна уменьшаться при уменьшении отношения сигнал/шум, поскольку слово пробуждения становится труднее обнаружить.

Те же графики, что и в предыдущем разделе, показаны с 10 децибелами слева и 5 децибелами справа. Как и ожидалось, в обоих случаях граница между положительными и отрицательными образцами становится более размытой по мере уменьшения отношения сигнал/шум.

Сохраняя опорное значение расстояния до значения 0,22, False Rejection rate соответственно увеличиваются до 2,8% и 20,4% при соотношении сигнал/шум 10 и 5 децибел.

Конечно, как упоминалось ранее, это средние характеристики, полученные с порогом чувствительности по умолчанию. Улучшения производительности можно добиться, адаптировав чувствительность для каждого слова пробуждения.

Чтобы повысить надежность системы, мы в настоящее время работаем над двумя подходами:

Добавление аудиоинтерфейса для искусственного уменьшения окружающего шума (шумоподавление)
Подходы к глубокому обучению, которые доказали свою эффективность более устойчивы к шуму и передаче знаний между всеми словами пробуждения.

Теперь, когда вы понимаете, как звук очищается, преобразуется и обрабатывается, чтобы определить, было ли произнесено слово пробуждения, попробуйте! Полное руководство доступно здесь. Чтобы поэкспериментировать дальше, вы сможете поиграть со всеми параметрами, определенными в этой статье, для обрезки, извлечения признаков и т. д. в script_recording.py файл .

Удачного взлома! Не стесняйтесь делиться своими отзывами и новыми идеями!

Если вам понравилась эта статья и вы заботитесь о конфиденциальности, нажмите кнопку хлопка, а затем твитните всем 👉👉 tibo_gissel , jodureau и snips 900 20 !

Также весьма вероятно, что у нас есть для вас работа в Snips 🤩 ! Мы являемся крупнейшим голосовым стартапом в Европе и набираем сотрудников в области машинного обучения, разработки программного обеспечения, блокчейна, продаж, продуктов, маркетинга и т. д.

Биотипы психозов: воспроизведение и проверка от Консорциума B-SNIP

1. Бидерманн Ф., Флейшхакер В.В. Психотические расстройства по DSM-5 и МКБ-11. Спектр ЦНС. 2016;21(4):349–354. [PubMed] [Google Scholar]
2. Американская психиатрическая ассоциация., Американская психиатрическая ассоциация. Целевая группа DSM-5. Диагностическое и статистическое руководство по психическим расстройствам: DSM-5. 5-е изд. Американская психиатрическая ассоциация; 2013:хлив; 947 с. [Google Scholar]
3. First MB, Reed GM, Hyman SE, Saxena S. Разработка клинических описаний и рекомендаций по диагностике психических и поведенческих расстройств МКБ-11. Мировая психиатрия. 2015;14(1):82–90. [Бесплатная статья PMC] [PubMed] [Google Scholar]
4. Хайман С.Е. Диагностика психических расстройств: проблема овеществления. Annu Rev Clin Psychol. 2010;6:155–179. [PubMed] [Google Scholar]
5. Прайс ND, Magis AT, Earls JC и др.. Исследование здоровья 108 человек с использованием личных плотных динамических облаков данных.
Нац биотехнолог. 2017;35(8):747–756. [Бесплатная статья PMC] [PubMed] [Google Scholar]
6. Мактиг Л.М., Гудкайнд М.С., Эткин А. Трансдиагностическое нарушение когнитивного контроля при психических заболеваниях. J Psychiatr Res. 2016; 83:37–46. [Бесплатная статья PMC] [PubMed] [Google Scholar]
7. Мактиг Л.М., Хьюмер Дж., Карреон Д.М., Цзян И., Эйкхофф С.Б., Эткин А. Выявление общих нарушений нейронной цепи в когнитивном контроле при психических расстройствах. Am J Психиатрия. 2017;174(7):676–685. [Бесплатная статья PMC] [PubMed] [Google Scholar]
8. Кнехель С., Рейтер Дж., Райнке Б. и др.. Истончение коры при биполярном расстройстве и шизофрении. Шизофр Рез. 2016;172(1-3):78–85. [PubMed] [Google Scholar]
9. Вайнберг Д., Ленрут Р., Джейкомб И. и др.. Когнитивные подтипы шизофрении, характеризующиеся дифференциальным уменьшением объема мозга и снижением когнитивных функций. Джама Психиатрия. 2016;73(12):1251–1259.. [PubMed] [Google Scholar]

10. Патель И. , Паркер Н., Шин Дж. и др.. Виртуальная гистология толщины коры и общая нейробиология при 6 психических расстройствах. Джама Психиатрия. 2021;78(1):47–63. [Бесплатная статья PMC] [PubMed] [Google Scholar]
11. Rolls ET, Loh M, Deco G, Winterer G. Вычислительные модели шизофрении и модуляции дофамина в префронтальной коре. Нат Рев Нейроски. 2008;9(9):696–709. [PubMed] [Google Scholar]
12. Спенсер КМ. Время быть спонтанным: возрождение внутренней активности мозга в исследованиях психозов? Биол психиатрия. 2014;76(6):434–435. [PubMed] [Академия Google]
13. Джавитт, округ Колумбия, Сладкий Р.А. Слуховая дисфункция при шизофрении: интеграция клинических и основных признаков. Нат Рев Нейроски. 2015;16(9):535–550. [Бесплатная статья PMC] [PubMed] [Google Scholar]
14. Салливан П.Ф., Агравал А., Булик С.М. и др.; Консорциум психиатрической геномики. Психиатрическая геномика: обновление и повестка дня. Am J Психиатрия. 2018;175(1):15–27. [Бесплатная статья PMC] [PubMed] [Google Scholar]
15. Холл М.Х., Смоллер Дж.В., Кук Н.Р. и др.. Паттерны дефицита функции мозга при биполярном расстройстве и шизофрении: кластерное аналитическое исследование. Психиатрия рез. 2012;200(2-3):272–280. [Бесплатная статья PMC] [PubMed] [Google Scholar]
16. Sponheim SR, Iacono WG, Thuras PD, Beiser M. Использование биологических индексов для классификации шизофрении и других психотических пациентов. Шизофр Рез. 2001;50(3):139–150. [PubMed] [Google Scholar]
17. Джон Э.Р., Причеп Л.С., Альпер К.Р. и др.. Количественные электрофизиологические характеристики и субтипирование шизофрении. Биол психиатрия. 1994;36(12):801–826. [PubMed] [Google Scholar]
18. Клементц Б.А., Суини Дж.А., Хэмм Дж.П. и др.. Идентификация различных биотипов психоза с использованием биомаркеров головного мозга. Am J Психиатрия. 2016;173(4):373–384. [Бесплатная статья PMC] [PubMed] [Google Scholar]
19. Cronbach LJ, Meehl PE. Построить валидность в психологических тестах. Психологический бык. 1955; 52 (4): 281–302. [PubMed] [Google Scholar]
20. Иоаннидис Дж.П. Почему большинство опубликованных результатов исследований являются ложными. ПЛОС Мед. 2005;2(8):e124. [Бесплатная статья PMC] [PubMed] [Google Scholar]
21. Пашлер Х., Вагенмакерс Э.Дж. Предисловие редакторов к специальному разделу о воспроизводимости в психологии: кризис доверия? Перспектива Psychol Sci. 2012;7(6):528–530. [PubMed] [Академия Google]
22. Пайпер С.К., Гриттнер У., Рекс А. и др.. Точная репликация: основа науки или азартная игра? PLoS биол. 2019;17(4):e3000188. [Бесплатная статья PMC] [PubMed] [Google Scholar]
23. Бздок Д., Вароко Г., Штейерберг Э.В. Предсказание, а не ассоциация, прокладывает путь к точной медицине. Джама Психиатрия. 2021;78(2):127–128. [PubMed] [Google Scholar]
24. Клеменц Б.А., Тротти Р.Л., Перлсон Г.Д. и др.. Тестирование фенотипов психозов из сети биполярной шизофрении на наличие промежуточных фенотипов для клинического применения: характеристики биотипов и мишени. Biol Psychiatry Cogn Neurosci Neuroimaging. 2020;5(8):808–818. [PubMed] [Академия Google]
25. Хилл С.К., Рейли Д.Л., Киф Р.С. и др.. Нейропсихологические нарушения при шизофрении и психотическом биполярном расстройстве: результаты исследования Сети биполярной шизофрении по промежуточным фенотипам (B-SNIP). Am J Психиатрия. 2013;170(11):1275–1284. [Бесплатная статья PMC] [PubMed] [Google Scholar]
26. Рейли Дж.Л., Франкович К., Хилл С. и др.. Повышенная частота ошибок антисаккад как промежуточный фенотип психоза по диагностическим категориям. Шизофр Булл. 2014;40(5):1011–1021. [Бесплатная статья PMC] [PubMed] [Google Scholar]
27. Этридж Л.Э., Суйе М., Наконезный П.А. и др.. Торможение поведенческих реакций при психотических расстройствах: диагностическая специфичность, семейность и связь с генерализованным когнитивным дефицитом. Шизофр Рез. 2014;159(2-3):491–498. [Бесплатная статья PMC] [PubMed] [Google Scholar]
28. Этридж Л.Э., Хэмм Дж.П., Перлсон Г.Д. и др.. Связанный с событием потенциал и частотно-временные эндофенотипы для шизофрении и психотического биполярного расстройства. Биол психиатрия. 2015;77(2):127–136. [Бесплатная статья PMC] [PubMed] [Google Scholar]
29. Hamm JP, Ethridge LE, Boutros NN и др.. Диагностическая специфичность и фамильярность ранних и поздних вызванных потенциалов на слуховые парные стимулы в спектре шизофрении-биполярного психоза. Психофизиология. 2014;51(4):348–357. [Бесплатная статья PMC] [PubMed] [Google Scholar]
30. Готра М.Ю., Хилл С.К., Гершон Э.С. и др.. Различение моделей нарушений тормозного контроля и общих когнитивных способностей при биполярном расстройстве с психозом и без него, шизофрении и шизоаффективном расстройстве. Шизофр Рез. 2020; 223: 148–157. [Бесплатная статья PMC] [PubMed] [Google Scholar]
31. Хуан Л., Джексон Б., Родриг А. и др.. Частота антисаккадных ошибок и эффекты разрыва при синдромах психоза от B-SNIP2. Психомед. 2021; в печати [PubMed] [Google Scholar]
32. Паркер Д.А., Тротти Р.Л., Макдауэлл Дж.Е. и др.. Слуховые ответы на парные стимулы при психозе и биполярном спектре и их связь с клиническими признаками. Биомаркеры Нейропсихология. 2020;3:100014. [Google Scholar]
33. Паркер Д., Тротти Р., Макдауэлл Дж. и др.. Слуховые необычные реакции в шизофренико-биполярном спектре и их связь с когнитивными и клиническими особенностями. Am J Психиатрия. 2021; в печати [PubMed] [Google Scholar]
34. Тамминга С.А., Ивлева Е.И., Кешаван М.С. и др.. Клинические фенотипы психоза в сети биполярной шизофрении по промежуточным фенотипам (B-SNIP). Am J Психиатрия. 2013;170(11):1263–1274. [PubMed] [Google Scholar]
35. Американская психиатрическая ассоциация. Диагностические критерии из DSM-IV-TR. Вашингтон, округ Колумбия: Американская психиатрическая ассоциация; 2000: xii: 370 стр. [Google Scholar]
36. Берчвуд М., Смит Дж., Кокрейн Р., Веттон С., Копестейк С. Шкала социального функционирования. Разработка и валидация новой шкалы социальной адаптации для использования в программах семейного вмешательства с больными шизофренией. Бр Дж. Психиатрия. 1990;157:853–859. [PubMed] [Google Scholar]
37. Монтгомери С.А., Асберг М. Новая шкала депрессии, разработанная с учетом изменений. Бр Дж. Психиатрия. 1979; 134: 382–389. [PubMed] [Google Scholar]
38. Lançon C, Auquier P, Nayt G, Reine G. Стабильность пятифакторной структуры шкалы положительных и отрицательных синдромов (PANSS). Шизофр Рез. 2000;42(3):231–239. [PubMed] [Google Scholar]
39. Янг Р.С., Биггс Дж.Т., Зиглер В.Е., Мейер Д.А. Шкала оценки мании: надежность, валидность и чувствительность. Бр Дж. Психиатрия. 1978;133:429–435. [PubMed] [Google Scholar]
40. Андреасен Н.К., Райс Дж., Эндикотт Дж., Райх Т., Кориелл В. Подход семейной истории к диагностике. Насколько это полезно? Арх генерал психиатрия. 1986;43(5):421–429. [PubMed] [Google Scholar]
41. Тамминга К.А., Перлсон Г.Д., Стэн А.Д. и др.. Стратегии продвижения определения болезни с использованием биомаркеров и генетики: сеть биполярного расстройства и шизофрении для промежуточных фенотипов. Biol Psychiatry Cogn Neurosci Neuroimaging. 2017;2(1):20–27. [PubMed] [Академия Google]
42. Готтесман II, Гулд ТД. Понятие эндофенотипа в психиатрии: этимология и стратегические интенции. Am J Психиатрия. 2003;160(4):636–645. [PubMed] [Google Scholar]
43. Киф Р.С., Харви П.Д., Голдберг Т.Э. и др.. Нормы и стандартизация Краткой оценки познания при шизофрении (BACS). Шизофр Рез. 2008; 102 (1- 3): 108–115. [PubMed] [Google Scholar]
44. Keefe RS, Goldberg TE, Harvey PD, Gold JM, Poe MP, Coughenour L. Краткая оценка познания при шизофрении: надежность, чувствительность и сравнение со стандартной нейрокогнитивной батареей. Шизофр Рез. 2004; 68 (2- 3): 283–297. [PubMed] [Google Scholar]
45. Макдауэлл Дж. Э., Клементц Б. А. Поведенческие и визуализирующие исследования саккад при шизофрении. Биол Психол. 2001; 57 (1- 3): 5–22. [PubMed] [Google Scholar]
46. Рейли Дж. Л., Харрис М. С., Хайн Т. Т., Кешаван М. С., Суини Дж. А. Снижение вовлеченности внимания способствует дефициту префронтального тормозного контроля при шизофрении. Биол психиатрия. 2008;63(8):776–783. [Бесплатная статья PMC] [PubMed] [Google Scholar]
47. Халлетт П.Э., Адамс Б.Д. Предсказуемость латентности саккад в новой произвольной глазодвигательной задаче. Видение Рез. 1980;20(4):329–339. [PubMed] [Google Scholar]
48. Липшиц Дж., Шахар Р. Тормозной контроль и психопатология: метаанализ исследований с использованием задачи стоп-сигнала. J Int Neuropsychol Soc. 2010;16(6):1064–1076. [PubMed] [Google Scholar]
49. Адлер Л.Э., Пахтман Э., Франкс Р.Д., Пецевич М., Уолдо М.К., Фридман Р. Нейрофизиологические доказательства дефекта нейронных механизмов, участвующих в сенсорных воротах при шизофрении. Биол психиатрия. 1982;17(6):639–654. [PubMed] [Академия Google]
50. Фридман Р., Адлер Л.Э., Герхардт Г.А. и др.. Нейробиологические исследования сенсорных ворот при шизофрении. Шизофр Булл. 1987;13(4):669–678. [PubMed] [Google Scholar]
51. Линден ДЭ. P300: где в мозгу он вырабатывается и что он нам говорит? Нейробиолог. 2005;11(6):563–576. [PubMed] [Google Scholar]
52. Полич Дж. Обновление P300: интегративная теория P3a и P3b. Клин Нейрофизиол. 2007;118(10):2128–2148. [Бесплатная статья PMC] [PubMed] [Google Scholar]
53. Турецкий Б.И., Гринвуд Т.А., Олинси А. и др.. Аномальная слуховая амплитуда N100: наследственный эндофенотип у ближайших родственников пробандов с шизофренией. Биол психиатрия. 2008;64(12):1051–1059. [Бесплатная статья PMC] [PubMed] [Google Scholar]
54. Брамон Э., Рабе-Хескет С., Шам П., Мюррей Р. М., Франгоу С. Мета-анализ сигналов P300 и P50 при шизофрении. Шизофр Рез. 2004;70(2-3):315–329. [PubMed] [Google Scholar]
55. Холл М.Х., Шульце К., Рейсдейк Ф. и др.. Наследуемость и надежность P300, P50 и отрицательность несоответствия длительности. Поведение Жене. 2006;36(6):845–857. [PubMed] [Академия Google]
56. Паттерсон Дж.В., Хетрик В.П., Бутрос Н.Н. и др.. Соотношения сенсорных ворот P50 у шизофреников и контрольной группы: обзор и анализ данных. Психиатрия рез. 2008;158(2):226–247. [PubMed] [Google Scholar]
57. Йоханнесен Дж. К., О’Доннелл Б. Ф., Шекхар А., МакГрю Дж. Х., Хетрик В. П. Диагностическая специфичность нейрофизиологических эндофенотипов при шизофрении и биполярном расстройстве. Шизофр Булл. 2013;39(6):1219–1229. [Бесплатная статья PMC] [PubMed] [Google Scholar]
58. Ченг Ч., Чан П.С., Лю С.И., Хсу С.К. Слуховые сенсорные ворота у пациентов с биполярными расстройствами: метаанализ. J Аффективное расстройство. 2016;203:199–203. [PubMed] [Google Scholar]
59. Томас М.Л., Грин М.Ф., Хеллеманн Г. и др.. Моделирование дефицита от ранней обработки слуховой информации до психосоциального функционирования при шизофрении. Джама Психиатрия. 2017;74(1):37–46. [Бесплатная статья PMC] [PubMed] [Google Scholar]
60. Турецкий Б.И., Билкер В.Б., Сигель С.Дж., Колер К.Г., Гур Р.Е. Профиль дефицита обработки слуховой информации при шизофрении. Психиатрия рез. 2009; 165 (1- 2): 27–37. [Бесплатная статья PMC] [PubMed] [Google Scholar]
61. Турецкий Б.И., Платье Е.М., Брафф Д.Л. и др.. Полезность P300 в качестве эндофенотипа шизофрении и прогностического биомаркера: клинические и социально-демографические модуляторы в COGS-2. Шизофр Рез. 2015;163(1− 3): 53–62. [Бесплатная статья PMC] [PubMed] [Google Scholar]
62. Перлман Г., Фоти Д., Джексон Ф., Котов Р., Константино Э., Хайчак Г. Клиническое значение субкомпонентов слуховой мишени P300 при психозе: дифференциальный диагноз, профили симптомов и течение. Шизофр Рез. 2015;165(2− 3): 145–151. [Бесплатная статья PMC] [PubMed] [Google Scholar]
63. Вада М., Куросе С., Миядзаки Т. и др.. Потенциал, связанный с событием P300, при биполярном расстройстве: систематический обзор и метаанализ. J Аффективное расстройство. 2019; 256: 234–249. [PubMed] [Google Scholar]
64. Лундин Н.Б., Бартоломео Л.А., О’Доннелл Б.Ф., Хетрик В.П. Снижение ответов электроэнцефалограммы на стандартные и целевые слуховые стимулы при биполярном расстройстве и влияние психотических особенностей: анализ связанных с событием потенциалов, спектральной мощности и межпробной когерентности. Биполярное расстройство. 2018;20(1):49–59. [Бесплатная статья PMC] [PubMed] [Google Scholar]
65. Ингельссон Э., Ноулз Дж.В. Использование генетики человека для понимания связи холестерина ЛПНП с диабетом 2 типа. Клин Хим. 2017;63(7):1187–1189. [Бесплатная статья PMC] [PubMed] [Google Scholar]
66. Рубио-Перес С., Гани Э., Агилар Д. и др.. Генетическая и функциональная характеристика ассоциаций заболеваний объясняет коморбидность. Научный доклад 2017; 7 (1): 6207. [Бесплатная статья PMC] [PubMed] [Google Scholar]
67. Макдауэлл Дж. Э., Клементц Б. А. Влияние манипуляций с условиями фиксации на эффективность антисаккад при шизофрении: исследования диагностической специфичности. Опыт Мозг Res. 1997;115(2):333–344. [PubMed] [Google Scholar]
68. Кэрролл К.А., Киффабер П.Д., Вос Дж.Л., О’Доннелл Б.Ф., Шекхар А., Хетрик В.П. Вклад спектрально-частотного анализа в изучение амплитуды и подавления ERP P50 при биполярном расстройстве с психозом в анамнезе или без него. Биполярное расстройство. 2008;10(7):776–787. [PubMed] [Google Scholar]
69. Дьен Дж., Хоу В., Мангун Г.Р. Оценка PCA и ICA смоделированных ERP: ротации promax и infomax. Hum Brain Map. 2007;28(8):742–763. [Бесплатная статья PMC] [PubMed] [Google Scholar]
70. Дин С, Хе Х.. Кластеризация K-средних с помощью анализа главных компонентов. представлено на: Материалы двадцать первой международной конференции по машинному обучению; 2004 г.; Банф, Альберта, Канада. [Google Scholar]
71. Хедекер Д.Р., Гиббонс Р.Д. Продольный анализ данных. Ряды Wiley в теории вероятностей и статистике. Хобокен, Нью-Джерси: Wiley-Interscience; 2006;xx: 337 стр. [Google Scholar]
72. Томас О., Паркер Д., Тротти Р. и др.. Различия внутренней нервной активности в биотипах психоза: результаты консорциума Сети биполярной шизофрении по промежуточным фенотипам (B-SNIP). Биомаркеры Нейропсихология. 2019;1:100002. [Google Scholar]
73. Паркер Д.А., Хэмм Дж.П., Макдауэлл Дж.Е. и др. . Слуховой устойчивый ответ ЭЭГ в шизобиполярном спектре. Шизофр Рез. 2019;209:218–226. [Бесплатная статья PMC] [PubMed] [Google Scholar]
74. Пиктон Т.В., Джон М.С., Димитриевич А., Перселл Д. Слуховые устойчивые реакции человека. Int J Audiol. 2003;42(4):177–219. [PubMed] [Google Scholar]
75. Хэмм Дж. П., Гилмор К. С., Клементц Б. А. Расширенные слуховые устойчивые ответы гамма-диапазона: поддержка гипофункции NMDA при шизофрении. Шизофр Рез. 2012;138(1):1–7. [Бесплатная статья PMC] [PubMed] [Google Scholar]
76. Холм С. Простая последовательно-отклоняющая множественная процедура тестирования. Scand J Stat. 1979;6(2):65–70. [Google Scholar]
77. Тибширани Р., Вальтер Г., Хасти Т. Оценка количества кластеров в наборе данных с помощью статистики пробелов. J Roy Stat Soc B-Stat Methodol. 2001; 63: 411–423. [Google Scholar]
78. Норусис М.Дж. Компаньон по расширенным статистическим процедурам SPSS 15.0. Река Аппер-Сэдл, Нью-Джерси: Прентис-холл; 2007: xiv: 418 стр. [Google Scholar]
79. Ткачинский А. Сегментация с использованием двухэтапного кластерного анализа. В: Дитрих Т., Рандл-Тиле С., Кубацки К., ред. Сегментация в социальном маркетинге: процесс, методы и применение. Сингапур: Спрингер; 2017;109–125. [Google Академия]
80. Лема Ю.Ю., Гамо Н.Дж., Ян К., Ишизука К. Признаки и биомаркеры состояния психических расстройств: важность инфраструктуры для преодоления разрыва между фундаментальными и клиническими исследованиями и промышленностью. Психиатрия Clin Neurosci. 2018;72(7):482–489. [PubMed] [Google Scholar]
81. Совет НР. На пути к точной медицине: создание сети знаний для биомедицинских исследований и новой таксономии болезней. На пути к точной медицине: создание сети знаний для биомедицинских исследований и новой таксономии болезней. Река Аппер-Сэдл, Нью-Джерси: Издательство национальных академий; 2011. Сборник национальных академий: отчеты, финансируемые Национальными институтами здравоохранения. [PubMed] [Академия Google]
82. Кроули К.Е., Колрейн И.М. Обзор доказательств того, что P2 является независимым компонентным процессом: возраст, сон и модальность. Клин Нейрофизиол. 2004;115(4):732–744. [PubMed] [Google Scholar]
83. Эллисон Б.З., Полич Дж. Оценка рабочей нагрузки компьютерных игр с использованием потенциальной парадигмы, связанной с событием с одним стимулом. Биол Психол. 2008;77(3):277–283. [Бесплатная статья PMC] [PubMed] [Google Scholar]
84. Горат С.К., Херрманн Ф.Р., Фавр Г. и др.. Оценка умственной нагрузки: новый электрофизиологический метод, основанный на внутриблоковом усреднении амплитуд ССП. Нейропсихология. 2016; 82:11–17. [PubMed] [Академия Google]
85. Клеменц Б.А. Время перемен в исследованиях психозов. В: Тамминга С., Ивлева Э., Райнингхаус У., ван Ос Дж., ред. Психотические расстройства: комплексная концептуализация и лечение. Нью-Йорк, штат Нью-Йорк: Издательство Оксфордского университета; 2020. [Google Scholar]
86. Hudgens-Haney ME, Ethridge LE, McDowell JE и др. . Подгруппы психозов различаются внутренней нервной активностью, но не обработкой конкретных задач. Шизофр Рез. 2018;195:222–230. [Бесплатная статья PMC] [PubMed] [Google Scholar]
87. Хадженс-Хейни М.Э., Этридж Л.Э., Найт Дж.Б. и др.. Различия внутренней нервной активности при психотических заболеваниях. Психофизиология. 2017;54(8):1223–1238. [Бесплатная статья PMC] [PubMed] [Google Scholar]
88. Ивлева Е.И., Клеменц Б.А., Датчер А.М. и др.. Биомаркеры структуры мозга в биотипах психоза: данные сети биполярной шизофрении для промежуточных фенотипов. Биол психиатрия. 2017;82(1):26–39. [Бесплатная статья PMC] [PubMed] [Google Scholar]
89. Гимонд С. и др.. Сравнение диагноза и биотипа по всему спектру психозов: исследование различий в объеме и форме миндалевидного тела и гиппокампа по данным исследования B-SNIP. Шизофр Булл. 2021. [Бесплатная статья PMC] [PubMed] [Google Scholar]
90. Андреасен, Северная Каролина. Диагноз шизофрения. Шизофр Булл. 1987;13(1):9–22.