NeuroAMP：一种用于个性化助听器的新型端到端通用深度神经放大器
摘要
助听器的普及率正在不断提高。然而，由于传统方法中集成多个模块化组件的复杂性，优化助听器的放大过程仍然具有挑战性。为了应对这一挑战，我们提出了 NeuroAMP，一种专为助听器中的端到端个性化放大而设计的新型深度神经网络。NeuroAMP 同时利用频谱特征和听者的听力图作为输入，我们研究了四种架构：卷积神经网络 (CNN)、长短期记忆网络 (LSTM)、卷积循环神经网络 (CRNN) 和 Transformer。我们还引入了 Denoising NeuroAMP，这是一个集成了降噪与放大功能的扩展版本，旨在提升在真实场景下的性能。为了增强泛化能力，在多样化的语音（TIMIT 和 TMHINT）及音乐（Cadenza Challenge MUSIC）数据集上训练时，采用了全面的数据增强策略。使用助听器语音感知指数 (HASPI)、助听器语音质量指数 (HASQI) 和助听器音频质量指数 (HAAQI) 进行的评估表明，NeuroAMP 中的 Transformer 架构取得了最佳性能，在 TIMIT 上的 SRCC 得分分别为 0.9927 (HASQI) 和 0.9905 (HASPI)，在 Cadenza Challenge MUSIC 数据集上的 HAAQI 得分为 0.9738。值得注意的是，我们的数据增强策略在未见过的数据集（例如 VCTK、MUSDB18-HQ）上仍保持了高性能。此外，Denoising NeuroAMP 在 VoiceBank+DEMAND 数据集上优于传统的 NAL-R+WDRC 方法和两阶段基线方法，其 HASPI (0.90) 和 HASQI (0.59) 得分均提高了 10%。这些结果突显了 NeuroAMP 和 Denoising NeuroAMP 在个性化助听器放大方面实现显著改进的潜力。
引用
@article{arxiv.2502.10822,
title = {NeuroAMP: A Novel End-to-end General Purpose Deep Neural Amplifier for Personalized Hearing Aids},
author = {Shafique Ahmed and Ryandhimas E. Zezario and Hui-Guan Yuan and Amir Hussain and Hsin-Min Wang and Wei-Ho Chung and Yu Tsao},
journal= {arXiv preprint arXiv:2502.10822},
year = {2025}
}
备注
Accepted for publication in IEEE Transactions on Artificial Intelligence