通过分类响度缩放进行移动听力测试的校准偏移估计
医学物理
2026-05-11 v1
摘要
目的：通过开发使用分类响度缩放（CLS）估计设备校准偏移的方法，实现可靠的基于智能手机的听力评估。设计：校准偏移从高斯分布中模拟生成。两种预测模型——贝叶斯回归模型和最近邻模型——使用 CLS 衍生参数和奥尔登堡听力健康库（OHHR）的数据进行了训练。选择 CLS 是因为它提供了与电平无关的测量（例如动态范围），这些测量在校准误差下依然稳健。研究样本：数据集包含 N = 847 名参与者的 CLS 结果，平均年龄为 70.0 岁（SD = 8.7），包括 556 名男性和 291 名女性听者，具有多样化的听力特征。结果：贝叶斯回归模型在估计校准偏移与真实校准偏移之间实现了高达 0.81 的相关性，能够实现准确的个体层面校正。与基于阈值的方法相比，校准不确定性降低了 0.41 至 0.79 倍，在不受控环境中表现出更强的稳健性。结论：基于 CLS 的模型可以有效补偿移动听力评估中缺失的校准。该方法为基于阈值的方法提供了实用的替代方案，支持在实验室环境之外使用基于智能手机的测试，并扩展了在日常和资源受限环境中获得可靠听力医疗保健的途径。
引用
@article{arxiv.2508.14824,
title = {Calibration offset estimation in mobile hearing tests via categorical loudness scaling},
author = {Chen Xu and Birger Kollmeier},
journal= {arXiv preprint arXiv:2508.14824},
year = {2026}
}