智能听力器的进展：深度学习方法在选择性噪声消除方面的应用

人工智能在听力助理中的集成标志着从传统基于放大的系统向智能、情境感知的音频处理范式的转变。本系统性文献综述评估了人工智能驱动的选择性噪声消除（SNC）在听力器中的最新进展，突出技术演变、实施挑战以及未来研究方向。我们综合了深度学习架构、硬件部署策略、临床验证研究以及以用户为中心的设计。综述追溯了从早期机器学习模型到最先进深度网络的进展，包括用于实时推断的卷积循环网络（CRNN）以及用于高精度分离的 Transformer-based 架构。关键发现表明，近期模型在噪声-回声基准测试中实现了最高可达 18.3 dB SI-SDR 的显著提升，同时实现亚 10 ms 的实时部署并显示出有前景的临床结果。然而，在将实验室级模型与实际部署之间仍存在挑战——特别是关于功耗约束、环境变异性和个性化。我们识别出的研究空白包括硬件-软件协同设计、标准化评估协议以及面向 AI 增强听力设备的监管考量。未来的工作必须优先考虑轻量级模型、持续学习、基于情境的分类以及临床转化，以实现为数百万全球用户提供变革性听力解决方案。