基于深度学习网络的助听器自验配方法组成比例

本发明专利技术公开了一种基于深度学习网络的助听器自验配方法，通过构建患者综合信息库，通过对患者和验配过程的深入分析，发现验配过程中有效的策略，从而构建新的智能助听器自验配模型，提高验配效率；引入深度学习网络，通过大量的数据训练，使网络具有人工智能，能根据患者的基本信息快速生成符合患者听损特性的语音信息，同时还能根据患者的评价反馈，自动调节输入增益，大大缩短验配时间，改善用户满意度。

【技术实现步骤摘要】
基于深度学习网络的助听器自验配方法
本专利技术涉及音频信号处理
，具体涉及一种基于深度学习网络的助听器自验配方法。
技术介绍
我们知道，听力损失会严重影响听障患者的身心健康，佩戴助听器是目前听障患者改善听力最有效的手段。在中国，由于庞大的老龄听损人口、落后的助听器技术、以及汉语与英语本身的差异性，都使得汉语数字助听器技术研究面临严峻的挑战。传统的助听器验配主要依靠听力专家对患者问题的解读，然后转化为正确的助听器电声特征。由于，助听器的类型及其信号处理的参数数量不断增加，对听力专家的技能要求越来越高，已成为制约助听器使用的重要因素之一。当前，使用人工智能算法来替代听力专家的作用成为一种研究趋势，如基于遗传算法对谱增强算法参数和多通道补偿算法参数的优化，但是该遗传算法的收敛速度慢，稳定性差，影响了算法的实用性。而且，由于缺乏有效的认知评估方法，基于认知的参数优化算法的研究进展缓慢，近年来，有些专家提出一种自验配的助听器参数优化算法，即通过患者的反馈利用智能算法取代听力专家的工作，从而变相的引入认知因素。但是上述的算法，仍然没有充分利用患者的综合性信息，比如认知能力，验配过程，因此，如何基于这些数据构建新的自验配模型改善言语增强效果有待进一步研究。为了解决助听器验配方法存在的问题，相关领域技术人员莫不费尽心思来谋求解决之道，但长久以来一直未见适用的方法被发展完成，如何解决上述的问题，是当前急需实现的。
技术实现思路
本专利技术的目的是解决传统的助听器验配过程，没有充分利用患者的综合性信息，验配方法效率低下、精确度低，难以满足患者需求的问题。本专利技术的基于深度学习网络的助听器自验配方法，通过构建患者综合信息库，通过对患者和验配过程的深入分析，发现验配过程中有效的策略，从而构建新的智能助听器自验配模型，提高验配效率；引入深度学习网络，通过大量的数据训练，使网络具有人工智能，能根据患者的基本信息快速生成符合患者听损特性的语音信息，同时还能根据患者的评价反馈，自动调节输入增益，大大缩短验配时间，改善用户满意度。为了达到上述目的，本专利技术所采用的技术方案是：一种基于深度学习网络的助听器自验配方法，包括以下步骤，步骤(A)，建立患者综合信息数据库；步骤(B)，构建深度学习网络，并基于患者综合信息数据库内的信息进行训练；步骤(C)，根据训练后的深度学习网络，结合患者的评价反馈，对助听器进行自验配测试。前述的基于深度学习网络的助听器自验配方法，步骤(A)，建立患者综合信息数据库，所述患者综合信息数据库，包括(A1)，患者基本信息库，包含年龄，性别，听力图以及听障年限；(A2)，认知能力指标库，包括空间听觉测量、场景分析能力测量、一心多用时的动态听觉测量、听觉记忆容量测量、听觉注意测量、疲劳与耐受力测量；(A3)，验配过程信息库，包括验配所用语音，每次参数变化情况、每次调整生成的语音患者的反馈情况。前述的基于深度学习网络的助听器自验配方法，步骤(B)，构建深度学习网络，并基于患者综合信息数据库内的信息进行训练，包括以下步骤，(B1)，根据解码器层、编码器层和输出层架构，构建卷积长短期记忆网络，同时增加增益调节层来反馈患者的评价；(B2)，通过编码器层对接收加权的输入语音，并进行编码处理，输出给解码器层；(B3)，通过解码器层对编码器层的输出进行解码，并将解码数据送入输出层进行输出；(B4)，通过输出层将解码器层输出的多通道语音进行合并，输出并反馈给患者；(B5)，将输出层的隐层状态、编码层的隐层状态与患者的评价共同输入增益调节层来生成优化后的输入参数增益。前述的基于深度学习网络的助听器自验配方法，步骤(C)，根据训练后的深度学习网络，结合患者的评价反馈，对助听器进行自验配测试，包括以下步骤，(C1)，将多通道语音输入步骤(B)深度学习网络，生成的测试声音提供给当前患者；(C2)，当前患者对声音质量进行满意度评估，若当前患者对声音质量不满意，则将输出层的隐层状态、编码层的隐层状态与患者的评价共同输入增益调节层来生成优化后的新输入参数增益，并作用给多通道语音，返回(C1)，并重新进行当前助听器声音测试，直到患者对声音质量满意，则结束验配；若当前患者对声音质量满意，则结束验配。前述的基于深度学习网络的助听器自验配方法，(B1)，所述编码器层、解码器层均含有2层卷积长短期记忆学习单元，位于最顶层的卷积长短期记忆学习单元是将多通道数据融合成固定长度的语音输出；所述增益调节层含有1层卷积长短期记忆学习单元，该卷积长短期记忆学习单元，通过编码器层、解码器层的隐层状态以及患者的评价反馈信息共同产生一组权重的概率分布值，将该概率权重作用于不同的通道上。前述的基于深度学习网络的助听器自验配方法，所述卷积长短期记忆学习单元，由智能调节器、输出控制、细胞更新处理、激活函数、乘法器组成，当前时刻t的输出都受到前一时刻t-1的细胞状态和隐层状态的影响，所述卷积长短期记忆学习单元，表达式如式(1)所示，其中，Gt是智能调节器输出针对候选细胞状态与前一时刻细胞状态的加权值，通过softmax将一组向量映射成另一组取值在0-1之间的常数，并获得相应的概率值，其中sigmoid函数表示将一组向量映射成一个取值在0-1之间的常数；为当前时刻状态信息的候选值；Ct和Ct-1为t时刻和t-1时刻的细胞状态；ot是当前输出控制量；ht和ht-1为t时刻和t-1时刻的隐层状态输出；与ot的计算中均采用卷积操作，用来挖掘多通道数据内在关系；Wa、与Wo分别为智能调节器、状态信息和输出控制门的权值，与bo分别代表状态信息和输出控制门的偏置；xt和xt-1分别为t时刻和t-1时刻的输入。前述的基于深度学习网络的助听器自验配方法，所述患者的评价是根据患者对提问的问题进行选择，并将用户的选择编码成12位长的1-0序列。本专利技术的有益效果是：本专利技术的基于深度学习网络的助听器自验配方法，通过构建患者综合信息库，通过对患者和验配过程的深入分析，发现验配过程中有效的策略，从而构建新的智能助听器自验配模型，提高验配效率；引入深度学习网络，通过大量的数据训练，使网络具有人工智能，能根据患者的基本信息快速生成符合患者听损特性的语音信息，同时还能根据患者的评价反馈，自动调节输入增益，大大缩短验配时间，改善用户满意度。附图说明图1是本专利技术的基于深度学习网络的助听器自验配方法的流程图；图2是本专利技术的卷积长短期记忆学习单元的系统框图；图3是本专利技术的多通道语音滤波器组的系统框图；图4是本专利技术一实施例的自验配算法的语音识别率对比的示意图。具体实施方式下面将结合说明书附图，对本专利技术作进一步的说明。如图1所示，本专利技术的基于深度学习网络的助听器自验配方法，包括以下步骤，步骤(A)，建立患者综合信息数据库，所述患者综合信息数据库，包括(A1)，患者基本信息库，包含年龄，性别，听力图以及听障年限；(A2)，认知能力指标库，包括空间听觉测量、场景分析能力测量、一心多用时的动态听觉测量、听觉记忆容量测量、听觉注意测量、疲劳与耐受力测量；(A3)，验配过程信息库，包括验配所用语音，每次参数变化情况、每次调整生成的语音患者的反馈情况；步骤(B)，构建深度学习网络，并基于患者综合信息数据库内的信息进行训练，包括以下步骤，(本文档来自技高网...

【技术保护点】
1.基于深度学习网络的助听器自验配方法，其特征在于：包括以下步骤，步骤(A)，建立患者综合信息数据库；步骤(B)，构建深度学习网络，并基于患者综合信息数据库内的信息进行训练；步骤(C)，根据训练后的深度学习网络，结合患者的评价反馈，对助听器进行自验配测试。

【技术特征摘要】
1.基于深度学习网络的助听器自验配方法，其特征在于：包括以下步骤，步骤(A)，建立患者综合信息数据库；步骤(B)，构建深度学习网络，并基于患者综合信息数据库内的信息进行训练；步骤(C)，根据训练后的深度学习网络，结合患者的评价反馈，对助听器进行自验配测试。2.根据权利要求1所述的基于深度学习网络的助听器自验配方法，其特征在于：步骤(A)，建立患者综合信息数据库，所述患者综合信息数据库，包括(A1)，患者基本信息库，包含年龄，性别，听力图以及听障年限；(A2)，认知能力指标库，包括空间听觉测量、场景分析能力测量、一心多用时的动态听觉测量、听觉记忆容量测量、听觉注意测量、疲劳与耐受力测量；(A3)，验配过程信息库，包括验配所用语音，每次参数变化情况、每次调整生成的语音患者的反馈情况。3.根据权利要求1所述的基于深度学习网络的助听器自验配方法，其特征在于：步骤(B)，构建深度学习网络，并基于患者综合信息数据库内的信息进行训练，包括以下步骤，(B1)，根据解码器层、编码器层和输出层架构，构建卷积长短期记忆网络，同时增加增益调节层来反馈患者的评价；(B2)，通过编码器层对接收加权的输入语音，并进行编码处理，输出给解码器层；(B3)，通过解码器层对编码器层的输出进行解码，并将解码数据送入输出层进行输出；(B4)，通过输出层将解码器层输出的多通道语音进行合并，输出并反馈给患者；(B5)，将输出层的隐层状态、编码层的隐层状态与患者的评价共同输入增益调节层来生成优化后的输入参数增益。4.根据权利要求1所述的基于深度学习网络的助听器自验配方法，其特征在于：步骤(C)，根据训练后的深度学习网络，结合患者的评价反馈，对助听器进行自验配测试，包括以下步骤，(C1)，将多通道语音输入步骤(B)深度学习网络，生成的测试声音提供给当前患者；(C2)，当前患者对声音质量进行满意度评估，若当前患者对声音质量不满意，则将输出层的隐层状...

【专利技术属性】
技术研发人员：梁瑞宇，王青云，唐闺臣，谢跃，冯月芹，田丽鸿，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏,32