面向听力设备的听觉场景识别数据集与模型：AHEAD-DS与OpenYAMNet
声音
2026-01-14 v5 音频与语音处理
摘要
场景识别对听力设备至关重要，然而这具有挑战性，部分原因是现有数据集的局限性。数据集往往缺乏公共可访问性、完整性或听力学相关的标签，阻碍了机器学习模型的系统性比较。在资源受限的边缘设备上部署此类模型则带来了另一个挑战。我们提出的解决方案包含两个方面：一是对多个开源数据集进行重新打包和精炼，以创建AHEAD-DS，一个专为听力设备听觉场景识别设计的数据集；二是引入OpenYAMNet，一个声音识别模型。AHEAD-DS旨在提供一个标准化、公开可用的数据集，具有与助听器相关的一致标签，以促进模型比较。OpenYAMNet专为部署在连接听力设备（如助听器和具有助听功能的无线耳机）的智能手机等边缘设备上而设计，作为基于声音的场景识别的基线模型。在AHEAD-DS测试集上，OpenYAMNet在14个与听觉场景识别相关的类别中取得了0.86的平均精度均值和0.93的准确率。通过将OpenYAMNet部署到安卓智能手机上，展示了在边缘设备上进行实时声音场景识别的能力。即使是使用2018年发布的、规格一般的谷歌Pixel 3手机，该模型处理音频的延迟约为加载模型50毫秒，且每1秒音频近似线性增加30毫秒。项目网站包含代码、数据和模型的链接：https://github.com/Australian-Future-Hearing-Initiative
引用
@article{arxiv.2508.10360,
title = {A dataset and model for auditory scene recognition for hearing devices: AHEAD-DS and OpenYAMNet},
author = {Henry Zhong and Jörg M. Buchholz and Julian Maclaren and Simon Carlile and Richard Lyon},
journal= {arXiv preprint arXiv:2508.10360},
year = {2026}
}