用于个性化听力损失补偿设计的神经网络框架
音频与语音处理
2023-06-21 v3 信号处理
摘要
人类听觉系统中的声音处理复杂且高度非线性，而助听器（HAs）仍依赖简化的听觉处理或听力损失描述来恢复听力。尽管标准 HA 放大策略成功恢复了微弱声音的可听度，但仍未能针对复杂的感音神经性缺陷与不利聆听条件提供定向治疗。当前 HA 设备的这些缺陷表明，需要能够切实利用听觉系统非线性特征的先进听力损失补偿策略。在此，我们提出一个可微深度神经网络（DNN）框架，可用于基于正常听力与听力受损系统间生物物理听觉处理差异来训练基于 DNN 的 HA 模型。我们研究不同的损失函数以准确补偿包括外毛细胞（OHC）损失与耳蜗突触病变（CS）在内的损伤，并评估我们所训练的基于 DNN 的 HA 模型在安静与噪声下语音处理中的益处。结果显示，所有考虑的听力损失案例均可实现听觉处理增强，且 OHC 损失比 CS 更易补偿。我们考量了若干客观指标来估计处理后预期的语音可懂度，这些仿真有望为使用我们基于 DNN 的 HA 处理的听力受损听者带来改善的噪声中言语理解。由于我们的框架可针对个体听者的听力损失画像调节，我们正进入一个可开发并实验验证真正个性化、基于 DNN 的听力恢复策略的时代。
引用
@article{arxiv.2207.07091,
title = {A Neural-Network Framework for the Design of Individualised Hearing-Loss Compensation},
author = {Fotios Drakopoulos and Sarah Verhulst},
journal= {arXiv preprint arXiv:2207.07091},
year = {2023}
}