Neurolexi EN
Forschung

Objektive Benennlatenz — wissenschaftlich validiert.

Neurolexi misst den Sprechbeginn nach einem Bild automatisch und präzise. Das Verfahren ist anlaut-basiert, läuft ohne aufwändige Frequenzanalyse und wurde in mehreren peer-reviewten Arbeiten mit der FHNW belegt.

±15 ms
innerhalb menschlicher Beurteiler-Übereinstimmung
9'029
analysierte Aufnahmen
16
untersuchte Anlaute
4
peer-reviewte Publikationen

Datengrundlage: 9'029 Aufnahmen in Schweizer- und Standarddeutsch · 134 gesunde und 31 Aphasie-Betroffene · 16 Anlaute mit je ≥ 100 Aufnahmen (Rickert et al. 2026).

Wie es funktioniert

Präziser am Sprechbeginn — auch bei schwachen Anlauten

  • 2×–4× präziserNäher am Sprechbeginn als etablierte Werkzeuge wie Kaldi und Chronset.
  • ±15 ms zur ReferenzIm Bereich der Übereinstimmung menschlicher Beurteiler:innen.
  • Anlaut-spezifischLöst auch das Problem energiearmer, stimmloser Anlaute zuverlässig.
  • Ohne FrequenzanalyseSechs optimierte Merkmale mit Referenzzeit und Detektionsfenster — keine aufwändige Spektralanalyse nötig.
Neurolexi misst die Benennlatenz
Klinische Forschung

Aufgebaut auf Jahren peer-reviewter Forschung

2026ARTICLE
Can an initial phoneme-based algorithm improve automatic naming latency detection during picture naming tasks? A feasibility study
Rickert E., Altermatt S. et al. — Biomedical Signal Processing and Control, Vol. 113, Part B, 2026, 108851.
FHNW_NL-Algorithmus, validiert an 9'029 Aufnahmen (Schweizer- & Standarddeutsch; 134 gesunde und 31 Aphasie-Betroffene): mittlere Abweichung zur manuellen Goldstandard-Messung innerhalb von ±15 ms — 2× bzw. 4× kleiner als bei Kaldi und Chronset.
Publikation →
2021EMBC
Evaluation of the potential of automatic naming latency detection for different initial phonemes during picture naming task
Park S., Altermatt S. et al. — 43rd Annual Int. Conf. of the IEEE EMBS (EMBC), 2021, pp. 945–950.
Zeigt eine starke positive Korrelation zwischen automatischer und manueller Latenz und dass die Genauigkeit vom Anlaut (stimmhaft/stimmlos) abhängt — die Grundlage für die anlautspezifische Optimierung.
Publikation →
2020EMBEC
Automatic detection of naming latency from aphasia patients – using an extended threshold-based method
Altermatt S., Kuntner K., Rickert E. et al. — Conf. Proc. EMBEC, Nov 2020, p. 71.
Erstes Schwellenwert-Verfahren zur automatischen Benennlatenz-Messung; an 272 AAT-Aufnahmen von 8 Aphasie-Betroffenen gegen den manuellen Goldstandard geprüft.
Conference paper
2020EMBEC
Patient-friendly speech recognition feedback for aphasia patients
Wyss S., Rickert E., Altermatt S. et al. — Conf. Proc. EMBEC, Nov 2020, p. 283.
Patientenfreundliches Wort-Feedback per Spracherkennung — senkt die Wortfehlerrate von 4,39 % auf rund 2,0 % und steckt hinter der Live-Prüfung des genannten Wortes in der App.
Conference paper

Mit uns forschen oder validieren?

Wir arbeiten mit Kliniken und Forschungspartnern an der prospektiven Validierung. Sprechen Sie uns an.

Kontakt aufnehmen →