基于无监督、监督和可解释机器学习技术的标准听力ogram分类——来自响度标度数据的无校准适应分类听力模型
声音
2026-04-07 v1 医学物理
摘要
为解决远程听力评估中固有的校准和程序挑战本研究探讨了校准无关的自适应分类响度标度（ACALOS）数据能否用于通过机器学习将听者分类为标准Bisgaard听力ogram类型。本文评估了三类机器学习方法——无监督、监督和可解释方法。对进行主成分分析（PCA），提取前两个主成分，其合计解释方差超过50%。在包含ACALOS数据的大型听觉参考数据库中（N=847）进行模型开发与评估。PCA因子图显示听者之间存在显著重叠，表明仅凭响度模式难以将受试者清晰划分为六个Bisgaard类别。尽管如此，模型表现出合理的分类性能，其中逻辑回归在监督方法中达到最高准确率。这些发现表明，机器学习模型可在特定限制下，从校准无关的响度感知数据预测标准Bisgaard听力ogram类型，支持在无需传统听力ogram的情况下在远程或资源受限环境中的潜在应用。
引用
@article{arxiv.2512.04616,
title = {Standard audiogram classification from loudness scaling data using unsupervised, supervised, and explainable machine learning techniques},
author = {Chen Xu and Lena Schell-Majoor and Birger Kollmeier},
journal= {arXiv preprint arXiv:2512.04616},
year = {2026}
}