对数字助听器的关键算法的研究
*
来源
:
*
作者
:
admin
*
发表时间
:
2022-01-25 10:33:28
*
浏览
:
192
要想从算法角度来提升助听器性能，我们需要从信息的角度来理解听力损失，主要包含几个方面：
频率分量缺失：在言语识别过程中，听力障碍者可能听不到某些频率的声音，因此在理解言语上存在困难。如果不能针对患者缺失的频率分量进行放大，听障患者往往觉得很吵闹，但是依然听不清语音。
动态范围减小：听力动态范围是指人耳能够听到的最小声和不能忍受的最大声之间的差，即不适阈与接受阈的差值。尤其对感音神经性听损患者来说，其接受阈的变化远比不适阈的变化明显，从而导致此类患者的动态范围小于正常人。
频率解析度降低：正常人耳蜗的不同位置解析不同频率的声音，使得听觉中枢可以精确区分声音的频率。由于听损患者的外耳毛细胞丧失了部分功能，导致耳蜗对声音的频率解析度降低，听障患者往往不能区分频率较为接近的语音分量与噪声，从而使大脑无法获得足够的信息区分语音与噪声。
时间解析度降低：正常人耳可以利用在噪声低时听到的语音片段理解语言。而听损患者对声音的时间解析能力下降，导致噪声对语音的掩蔽效应持续时间更长，患者无法得到噪声间隙中的语音信号，从而降低患者的语言理解度。对这种情况，助听器应能快速跟踪语音信号，当语音分量弱时及时进行放大，从而减小噪声掩蔽语音的情况。
人工智能技术大大提升语音降噪效果，从而打破噪声环境下的听障患者言语识别率低的瓶颈。一个完整的数字助听器涉及的核心算法通常包括啸叫检测与抑制、非线性响度补偿、语音降噪和自适应回声消除。
非线性响度补偿算法：由于听损患者对声音的敏感程度随频率变化而不同，故数字助听器应针对不同频率的听力损失和输入信号的强度计算不同的信号增益。涉及的核心技术包括滤波器分解和助听器处方公式等。
语音降噪算法：降噪在语音研究领域是一个永恒的话题，提升患者在噪声环境下的言语理解度是影响患者助听器满意度的关键指标。时域降噪方法包括增益衰减和噪声估计；频域方法常见的有维纳滤波法和谱减法；
啸叫检测与抑制算法：数字助听器在使用时，其受话器输出的语音可能通过耳道、助听器外壳和外界环境返回被麦克风接收，从而形成闭环回路。当整个系统的闭环增益上升并形成正反馈时，回声产生。回声是助听器使用中的一个普遍问题，轻则影响语音质量，严重时产生啸叫，损害患者的残余听力和硬件设备。常见的啸叫检测方法多基于信号特征进行判断，比如基于峰值-均值功率比，峰值-谐波功率比，峰值-邻值功率比等，而采用抑制方法包括增益衰减与陷波器等。
自适应回声消除算法：啸叫检测和抑制更多的是一种补救策略，而更有效的方法应该是在啸叫出现前进行抑制，而自适应回声消除基于此策略而设计的。回声消除算法能自适应地估计出回声路径，进而估计出回声信号，达到消除回声、提高助听器最大增益的目的。但是对于助听器来说，由于期望信号和输入信号的相关性，使得传统自适应算法无法产生较好效果。通常的处理策略是进行信号去相关，包括延时，移频，引入全通滤波器等。
现代化的数字助听器一些代表性算法如下：
场景识别算法：场景识别算法通过对音频环境进行检测并识别，从而使助听器能根据不同场景进行参数切换。早期分类包含安静、语音、噪声、语音+噪声、音乐四类，而一些助听器厂家在此基础上会进行延伸。主要有基于特征（振幅调制、频谱包络、音高、振幅起点等…）和基于机器学习的两类方法。
方向性增强算法：数字助听器的方向性语音增强主要利用麦克风阵的空间信息和声源位置减小特定方向的噪声和干扰声，从而提高助听器使用者的言语理解度。
移频助听算法：大部分的听损患者高频听力损失都比较严重，这就意味患者可以很好的感知低频声音，而对高频听的很少甚至根本听不到。而高频增益会受声反馈，功率和耳蜗死区限制，不能过大，因此移频技术被设计来解决该问题。常用的移频方法主要包含慢放、声码器、频移和频率压缩四类，目前常用的移频方法主要是后两类。
自验配算法：传统助听器依靠听力专家的验配经验和专业技能来调配算法参数以尽可能达到最佳的工作状态。这种完全依靠专家水平的验配方法低效且难以有效传承，具有一定局限性。改善这一情况的策略之一是研究一种可以辅助听力专家进行助听器调配的方法，根据患者情况，自动评估或患者反馈语音质量，从而自动更新算法参数。目前自验配策略有问题引导式和远程验配助听器两种。
关闭返回