包括EEG记录和分析系统的助听系统技术方案

本申请公开了包括EEG记录和分析系统的助听系统，所述助听系统包括：输入单元；脑电图(EEG)系统，用于记录用户大脑的听觉系统的活动并提供多个EEG信号；及连接到所述输入单元及所述EEG系统的声源选择处理单元，其接收所述电输入声音信号ui和所述EEG信号yj并配置成根据这些信号提供指明用户当前注意的声源Sx的声源选择信号

【技术实现步骤摘要】
包括EEG记录和分析系统的助听系统
本申请涉及包括装置如助听器的助听系统领域。本申请尤其涉及人脑中的语音表示问题及所谓的鸡尾酒会问题，即在有噪声和拥挤背景中听者感兴趣的单一声源与多个声源的分离。
技术介绍
人脑解决鸡尾酒会问题的例行程序隐藏内在的问题复杂性：(1)不同的竞争声源同时发出不同的声音信号；(2)这些信号之后被混合；(3)这些信号的和进入耳朵；(4)其随后被解耦；(5)选择感兴趣的声音信号；及(6)其它声音信号在听觉系统内被不理。尽管鸡尾酒会问题已提出几十年，鸡尾酒会问题解决似乎仍处于未充分发展的领域。关于我们的大脑如何解决该问题，我们依然具有非常少的了解，许多问题仍然没有答案。本申请的专利技术人的多个专利申请和专利涉及使用位于助听器上或者结合助听器的一个或多个电极测量脑电波信号(如EEG信号)，例如参见[16]、[17]、[18]、[23]。以前的研究描述了几种概念上不同的方法来理解大脑怎样解决鸡尾酒会问题。所有这些方法的概要均是认识到不同的声源激发不同的神经反应及大脑活动遵循声音振幅包络。大多数研究致力于刺激重建(SR)方法，即从神经反应即脑信号y(t)到语音u(t)的反向模型。关于刺激重建的文献几乎相当于关于选择性注意的文献。关于SR怎样进行的决定非常主观且通常为不同方面之间折中的结果，所述不同方面包括灵活性、简约、使用目的、记录模态类型、计算成本等。通常，SR归结为执行线性回归(LR)。最近，提出基于深度神经网络(DNN)的更复杂的方法代替LR。DNN被证明更有助于理解语音对大脑活动的影响、其表示及重建，但代价在于复杂性更高因而计算负担更重。应注意，对于SR应用于皮质电图(ECoG)及脑磁图(MEG)数据，获得吸引人的结果，但ECoG和MEG数据具有的使它们不太有吸引力的具体问题在于ECoG需侵入到脑组织及MEG仪器缺乏便携性。代替ECoG和MEG仪器，EEG仪器为非侵入式、便携的且可容易得到的仪器，这使它们更适合和有吸引力(例如对于听力装置如助听器)。此外，已表明用SR可从EEG数据解码注意[21]。每当需要将我们的模型的结果与文献中发现的模型的结果比较时，我们将遵循O’Sullivan等的文章[21]，因为其为关于SR的多项研究、选择性注意及解决鸡尾酒会问题之间的代表性文章。最后，SR为什么有吸引力有三个主要原因：-其可用于在神经反应中找到具有刺激信息的时标；-其可在神经信号处理中使用；-其可一定程度地用于解决鸡尾酒会问题，即获得对语音表示和重建更深的理解并在多讲话者背景下选择所注意的语音流。而不好的一方面在于SR模型对应于反因果模型，及缺点在于在实时实施中缺少对动态效果和困难的了解，这样在实践中从SR可能得不到好处。必须强调的是，在离线应用中，刺激重建(SR)仍可用于数据分析和了解连接体的听觉亚分量(“连接体”为说明神经系统中的相互作用的网络图)。特定的兴趣在于获得可靠的模型以更深地了解听觉注意，尤其是声音在大脑中怎样表示及怎样正确地识别听者当前注意的语音流。该识别优选应实时进行。换言之，声源(称为Si，或者仅i)的识别及听者在时间t注意的对应的声源信号ui不能在较晚的时间t1获得，其中t1>t。另一方面，这是使用SR方法时的情形。
技术实现思路
本申请涉及例如包括一个或多个助听器的助听系统。本申请尤其涉及在包括多个声源(竞争声音)的声环境中(正常听力或听力受损)用户遭遇的问题。本申请具体涉及识别用户有兴趣听多个当前声源中的哪一声源的问题。与使用脑电波信号自动定位声源有关的重要问题在于处理单元识别(并聚焦于)合适EEG通道及合适时间间隔(其中信号例如反映声音诱发的电位)的能力。根据本专利技术的实施例，提出使用稀疏模型解决该问题。然而，应注意，稀疏模型可用于不同于纯粹选择用户(假定)注意的单一声源的其它目的。例如，确定用户是否注意单一声源。“稀疏模型”(或者“稀疏机器学习”)是来自机器学习领域的术语。“稀疏性”表明该方法适合具有有限计算能力的应用，如在便携装置例如助听器中。稀疏机器学习方法目标在于在验配完美和结果的稀疏性之间进行权衡(为了使解释容易，例如参见下面的等式(10)(或者(6)’)中的参数λ)。稀疏机器学习方法的例子例如通过最小平方方法的涉及分类和回归的变型提供，其称为“最小绝对压缩和选择算子”(LASSO)，例如参见[26]。根据本专利技术的方案的实施例的好处在于稀疏结构，及本专利技术实施例的优点在于产生纯噪声(与声源无关联)的电极和时间间隔可从决策模型排除，及稀疏模型需要较少的计算资源和能量。助听系统在本申请的第一方面，提供一种助听系统。该助听系统包括：-用于提供电输入声音信号ui的输入单元，每一电输入声音信号表示来自多个(nu个)声源Si(i＝1,…,nu)的声音信号Ui；-脑电图(EEG)系统，用于记录用户大脑的听觉系统的活动并提供多个(ny个)EEG信号yj(j＝1,…,ny)；及连接到所述输入单元及所述EEG系统的声源选择处理单元，其接收所述电输入声音信号ui和所述EEG信号yj并配置成根据这些信号提供指明用户当前注意的声源Sx的声源选择信号声源选择处理单元配置成：-分析所述电输入声音信号uii＝1,…,nu及多个EEG信号yj,j＝1,…,ny；-使用确定稀疏模型的选择性算法基于使测量(各个)声源和EEG信号之间的相关的成本函数最小化而选择最适宜(最高关联)的EEG电极和时间间隔；及-基于针对多个声源获得的成本函数，确定指明用户当前(主要)注意的声源Sx的声源选择信号在本申请的第二方面，提供一种助听系统。该助听系统包括：-用于提供电输入声音信号ui的输入单元，每一电输入声音信号表示来自多个(nu个)声源Si(i＝1,…,nu)的声音信号Ui；-脑电图(EEG)系统，用于记录用户大脑的听觉系统的活动并提供多个(ny个)EEG信号yj(j＝1,…,ny)；及连接到所述输入单元及所述EEG系统的声源选择处理单元，其接收所述电输入声音信号ui和所述EEG信号yj并配置成根据这些信号提供指明用户当前注意的声源Sx的声源选择信号声源选择处理单元配置成：-分析所述电输入声音信号uii＝1,…,nu及多个EEG信号yj,j＝1,…,ny；-确定从每一声源到每一EEG通道的动态有限脉冲响应(FIR)滤波器；及-基于针对多个声源获得的成本函数，确定指明用户当前(主要)注意的声源Sx的声源选择信号从而可提供改进的助听系统。助听系统或者至少其部分优选适于便携如体戴，例如体现在附着到用户头部和/或由用户佩戴或携带的一个或多个装置中。优选地，用于记录用户大脑的听觉系统的活动的EEG系统适于完全或部分佩戴在用户头上，例如完全或部分佩戴在用户耳朵处或者耳朵中，或者完全或部分植入在用户头中。在实施例中，输入单元或者至少其部分如一个或多个输入变换器(例如传声器)适于便携如体戴，例如完全或部分佩戴在用户头上，例如完全或部分佩戴在用户耳朵处或者耳朵中，或者完全或部分植入在用户头中。在实施例中，声源选择处理单元配置成确定从每一声源到每一EEG通道的动态有限脉冲响应(FIR)滤波器。在第一步骤(例如在助听系统正常使用之前执行)，针对所涉及的用户估计稀疏FIR滤波器中的活动抽头。这具有下面的优本文档来自技高网...

【技术保护点】
一种助听系统，包括：‑用于提供电输入声音信号ui的输入单元，每一电输入声音信号表示来自多个(nu个)声源Si(i＝1,…,nu)的声音信号Ui；‑脑电图(EEG)系统，用于记录用户大脑的听觉系统的活动并提供多个(ny个)EEG信号yj(j＝1,…,ny)；及‑连接到所述输入单元及所述EEG系统的声源选择处理单元，其接收所述电输入声音信号ui和所述EEG信号yj并配置成根据这些信号提供指明用户当前注意的声源Sx的声源选择信号

【技术特征摘要】
2016.07.08 EP 16178536.51.一种助听系统，包括：-用于提供电输入声音信号ui的输入单元，每一电输入声音信号表示来自多个(nu个)声源Si(i＝1,…,nu)的声音信号Ui；-脑电图(EEG)系统，用于记录用户大脑的听觉系统的活动并提供多个(ny个)EEG信号yj(j＝1,…,ny)；及-连接到所述输入单元及所述EEG系统的声源选择处理单元，其接收所述电输入声音信号ui和所述EEG信号yj并配置成根据这些信号提供指明用户当前注意的声源Sx的声源选择信号其中所述声源选择处理单元配置成：-分析所述电输入声音信号uii＝1,…,nu及多个EEG信号yj,j＝1,…,ny；-确定从每一声源到每一EEG通道的动态有限脉冲响应(FIR)滤波器；及-基于针对多个声源获得的成本函数，确定指明用户当前注意的声源Sx的声源选择信号2.根据权利要求1所述的助听系统，其中所述声源选择处理单元配置成使用刺激重建(SR)方法估计从EEG信号到声源的FIR反向模型。3.根据权利要求2所述的助听系统，其中所述声源选择处理单元配置成使用稀疏模型对从每一声源到每一EEG通道的线性脉冲反应(FIR)滤波器进行建模。4.根据权利要求2或3所述的助听系统，其中所述声源选择处理单元配置成使用交替方向乘子算法(ADMM)方法学将优化问题重新表示为在成本函数中具有不同的B向量的另一形式。5.根据权利要求1所述的助听系统，其中所述声源选择处理单元配置成分析所述电输入声音信号uii＝1,…,nu和多个EEG信号yj,j＝1,…,ny，其基于-确定稀疏模型的选择性算法，该算法基于使测量(各个)声源和EEG信号之间的相关的成本函数最小化而选择最适宜的EEG电极和时间间隔；-每一电输入声音信号ui的全FIR单输入多输出(SIMO)模型，该模型基于所述电输入声音信号ui和所述EEG信号yj；-交替方向乘子算法(ADMM)以从所述全FIR单输入多输出(SIMO)模型提供稀...

【专利技术属性】
技术研发人员：T·卢纳，F·古斯塔夫森，C·格拉弗森，E·阿里考维克，
申请(专利权)人：奥迪康有限公司，
类型：发明
国别省市：丹麦,DK