Исследование топологической структуры речевых признаков: верификация моделей Pravdalist.ai методами топологического анализа данных

При анализе речевых аномалий и детекции скрытых психоэмоциональных состояний классические методы математической статистики часто сталкиваются с ограничениями, вызванными высокой размерностью и нелинейной природой распределения признаков. В рамках валидации исследовательских подходов платформы Pravdalist.ai было проведено изучение геометрии речевых признаков с помощью топологического анализа данных (TDA).

Целью исследования являлась проверка гипотезы: существует ли устойчивая, независимая от координатного шума и типа аппаратуры геометрическая структура данных, согласующаяся с базовыми состояниями «Истина» (True), «Обман» (False) и «Страх» (Fear).

Подготовка пространства признаков

Для обеспечения корректности анализа исходный массив данных был подвергнут строгому аудиту. Из пространства признаков были полностью исключены дублирующие и явно коллинеарные метрики (например, избыточные дублирующие параметры паузации).

В результате пространство признаков было очищено от выраженной коллинеарности, что позволило сформировать базис из 24 относительно независимых параметров. На этом пространстве для корпуса из 77 020 записей был запущен алгоритм Ripser — признанный стандарт вычисления устойчивых когомологий, работающий в автоматическом режиме без предварительной разметки классов (unsupervised).

Математический аппарат: Комплекс Вьеториса — Рибса

Алгоритм Ripser строит над дискретным облаком точек речевых параметров абстрактное симплициальное многообразие — комплекс Вьеториса — Рибса (Vietoris–Rips complex).

Математически, пусть \(X\) — подмножество точек в метрическом пространстве \(\mathbb{R}^{24}\), представляющее наши речевые записи. Для заданного параметра фильтрации (радиуса близости) \(\epsilon \ge 0\) симплициальный комплекс \(VR(X, \epsilon)\) определяется как:

Где \(d(x_i, x_j)\) — евклидово расстояние между векторами признаков. При плавном увеличении \(\epsilon\) алгоритм фиксирует моменты рождения (birth) и смерти (death) топологических объектов разной размерности: компонентов связности (кластеров, размерность \(H_0\)) и одномерных петель/дыр (размерность \(H_1\)).

Методика извлечения значимых признаков (Feature Attribution)

Поскольку сам по себе алгоритм Ripser возвращает только абстрактные персистентные пары \((birth, death)\), для связи топологических объектов с физическими параметрами речи был применен двухэтапный алгоритм обратного декодирования (Feature Attribution):

1. Для размерности \(H_1\) (петли): Выделялись коциклы (cocycles) с наибольшим временем жизни (\(Lifetime = death - birth\)). Алгоритм извлекал индексы вершин (записей), образующих замкнутую многомерную петлю вокруг топологической пустоты. На полученном подмножестве точек вычислялась дисперсия по каждому из 24 параметров. Параметры с максимальной изменчивостью определялись как структурообразующие оси данного цикла.

2. Для размерности \(H_0\) (кластеры): Так как базовый алгоритм оптимизирован под когомологии и не сохраняет индексы для \(H_0\), порядок слияния кластеров реконструировался через построение Минимального Остовного Дерева (MST). Значения \(death\) синих точек сопоставлялись с весами ребер MST, что позволило изолировать конкретные аномальные записи, формирующие долгоживущие компоненты связности.

Ключевые результаты: Конвергенция структур \(H_0\) и \(H_1\)

В ходе анализа подвыборок было обнаружено важное свойство данных: наборы параметров, определяющие изоляцию критических кластеров (\(H_0\)), продемонстрировали высокую сходимость с параметрами, формирующими макро-петли (\(H_1\)).

При исследовании наиболее персистентных топологических объектов было зафиксировано четкое включение базовых профильных параметров, отвечающих за ключевые целевые состояния модели — True, False и Fear. Данные профильные параметры вышли в топ по уровню дисперсии внутри геометрических структур.

Это позволяет сделать следующие выводы:

• Наблюдаемая многомерная топология независимо согласуется с гипотезой о существовании устойчивых психофизиологических состояний, отражающихся на речевом аппарате.

• В пространстве речевых признаков существуют устойчивые области концентрации состояний. Когда человек испытывает выраженный стресс или когнитивную нагрузку при попытке скрыть истину, параметры его речи меняются не хаотично, а движутся вдоль стабильных, геометрически верифицируемых траекторий, закручиваясь вокруг базовых маркеров и вовлекая сопутствующую физиологию звука (изменения микронестабильности, темпа и структуры пауз).

Выводы и научное значение

На данном этапе устойчивые топологические структуры надежно верифицированы для базовых макро-состояний человека (True, False, Fear). Выделение параметров для более тонких или смешанных эмоций из расширенной палитры классов требует дальнейших исследований, так как их топологические сигнатуры имеют свойство накладываться друг на друга в 24-мерном пространстве.

Главная ценность проведенного эксперимента заключается в том, что он был реализован в рамках unsupervised-подхода. Мы не использовали предварительную разметку классов, взяли очищенное от избыточной коллинеарности пространство признаков и применили строгий математический аппарат TDA. Обнаружение устойчивых топологических структур, параметры которых независимо совпали с ключевыми состояниями нашей модели, обеспечивает надежное математическое подтверждение стабильности всей структуры данных, лежащей в основе платформы Pravdalist.ai.

© Pravdalist.ai