一种智能助听器交互式自验配方法组成比例

本发明专利技术公开了一种智能助听器交互式自验配方法，包括如下步骤：步骤1，听障患者倾听助听器发出的测试语音进行五级评价，并形成助听器声音质量评价指标；步骤2，根据患者的11维听力图，3维个性信息，语音评价形成特征序列，然后计算其与验配历史数据库中的特征序列的相似度步骤3，设计参数调整的价值函数，计算参数调整策；略的价值，使得每次参数调整的价值最大化；步骤4，构建神经网络，获得神经网络的权值；步骤5，将测试语音频谱，语音评价，患者个性信息以及连续3组历史参数调整策略输入神经网络，重新生成测试语音给听障患者进行评价。本发明专利技术综合考虑主客观语音评价方法，结合深度学习网络，将认知和个人因素融入助听器设计，应用前景好。用前景好。用前景好。

【技术实现步骤摘要】
一种智能助听器交互式自验配方法


[0001]本专利技术涉及一种智能助听器交互式自验配技术,属于助听器验配


技术介绍

[0002]由于听障患者的认知能力退化，使得传统的方法效率很低，由患者自身进行验配的设计理念逐渐成为研究的热点。当前，最简单的自验配方法是让用户从少量预编程的算法配置中进行选择，这种方法主要取决于模式的优化策略，即预设与用户群体的匹配程度。
[0003]相关研究显示，更复杂的交互式的自验配方法更能体现患者的个性化差异。随着智能手机和耳机的发展，自验配助听器的概念受到越来越多的关注。早期通过预设配置的助听器的效果取决于预设与用户群体的增益要求的匹配程度。此外，用户可以直接控制宽带，低频和高频增益的方法虽然比较快捷，但是目前只集中在线性(非压缩)增益上，并未在真实试验中评估。近年来，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，如利用遗传算法优化助听器算法参数。但是，遗传算法的收敛速度慢，稳定性差，影响了算法的实用性。相对来说，基于高斯过程和主动学习策略的交互式比较的自验配算法更加高效，允许助听器用户在日常生活中通过人机互动，并利用智能算法取代听力专家自行调整自己的助听器，从而变相的引入认知因素。但是，该研究工作并没有充分利用历史经验且缺乏有效的更新机制。2017年美国率先通过“非处方助听器法案”，把助听器纳入非处方类产品，轻度至中度听损的成年人不需要通过专业听力人士的检测和指导来选配助听器。这标志自调佩戴的助听器研究进入关键阶段，为了顺应助听器行业的发展，中国必须研发具有自主知识产权的免验配助听器核心技术。
[0004]通过上述的描述，如何建立一种智能助听器交互式自验配方法，是提高助听器验配性能和效率的关键，对于提升听障患者的语音理解度和算法普适性具有重要研究意义。

技术实现思路

[0005]专利技术目的：
[0006]本专利技术的目的是克服传统助听器验配方法严重依赖听力专家的问题，旨在建立一种智能助听器交互式自验配方法，充分利用患者的综合性信息，并提升验配效率。本专利技术设计的交互式验配方法，既考虑了分利用患者的综合性信息和验配的历史信息，又基于智能算法设计模型模拟听力专家实现参数调整最优化。该方法巧妙新颖，具有良好的应用前景。
[0007]技术方案：
[0008]为了达到上述目的，本专利技术所采用的技术方案是：
[0009]一种智能助听器交互式自验配方法，包括如下步骤：
[0010]步骤1，听障患者倾听助听器发出的测试语音，从测试语音的声音强度，清晰程度，声音低沉程度，声音尖刻程度四个方面进行五级评价，并形成助听器声音质量评价指标，计算方法为
[0011][0012]其中，r代表语音评价，p
i
代表各方面的评价值，i代表四种评价的序号，N代表评价指标数；
[0013]步骤2，根据患者的11维听力图，3维个性信息，语音评价p
i
形成特征序列x，其中3维个性信息包括年龄，性别，助听器佩戴时间，然后计算其与验配历史数据库中的特征序列y的相似度s
k
，
[0014][0015]其中，k代表数据库中的特征序列的个数，M代表指标序列的个数，x
j
代表当前患者的特征序列中的第j个特征、y
j
代表数据库中患者的特征序列y中的第i个特征；j代表17个指标的序号，将s
k
从高到低排序，选出数值最高1组特征序列，从而在数据库中得到对应该组特征的连续3组历史参数调整策略；
[0016]步骤3，设计参数调整的价值函数，计算参数调整策略的价值，使得每次参数调整的价值最大化；
[0017]步骤4，构建神经网络，设计损失函数，并通过最小化损失函数的方式进行训练，从而获得神经网络的权值；
[0018]步骤5，将测试语音频谱，语音评价p
i
，患者个性信息以及连续3组历史参数调整策略输入神经网络，重新生成测试语音给听障患者进行评价，直到患者满意。
[0019]进一步地，步骤3中参数调整的价值函数为
[0020]Q
*
(h,d)＝E[r+ξQ
*
(h',d')|h,d]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0021]其中，h表示语音信号的频谱，d表示参数调整，r代表语音评价；h'和d'表示当前最优策略下的状态信息和参数调整值；ξ为调整权值，E代表数学期望。
[0022]进一步地，步骤4具体为：构建权值为θ的神经网络，并设计损失函数为
[0023]L
i
(θ
i
)＝E[(y
i
‑
Q(h,d；θ
i
))2]ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0024]其中，是第i轮迭代的目标，当优化损失函数L
i
(θ
i
)时，在每一个时间步长中存储验配模型的经验，把每一个时间内步长的经验e
t
＝(h
t
,d
t
,r
t
,h
t+1
)存储在数据集D＝e1,
…
,e
N
中，e
t
,h
t
,r
t
分别代表t时刻的验配经验表示，信号频谱，参数调整以及语音评价；h
t+1
代表下一时刻的信号频谱，在算法的内部循环中，每次从存储的样本池中随机抽取存储的验配经验e，验配模型根据设定的概率β选择贪婪策略d，
[0025]有益效果：
[0026]1)将听障患者的评价进行针对性分级，并充分利用患者的综合性信息和验配的历史信息，从而根据患者的评价，快速获取参数调整的初步策略；
[0027]2)构建参数调整的价值函数，融合语音特征，患者评价和个人信息，使参数调整更合理。
[0028]3)设计神经网络训练价值函数，以参数调整的期望最大化为目标，从而取代听力专家选择最优化的参数调整策略。
附图说明
[0029]图1是本专利技术的一种智能助听器交互式自验配方法的模型结构图；
[0030]图2是本专利技术的实施例的语音识别率对比的示意图。
具体实施方式
[0031]下面将结合说明书附图，对本专利技术作进一步的说明。本专利技术公开了一种智能助听器交互式自验配方法，旨在改变基于听力专家的传统助听器验配模式，听障患者首先倾听测试语音，并根据评价列表对该语音进行反馈；然后，分析模块根据用户反馈和个性信息，从知识库中获取和该患者相关的参数更新策略；模型计算当前评价语音的特征参数，患者的个性化信息，用户的评价信息和历史参数更新策略，并以这些信息作为设计的神经网络的输入，从而重新生成待评价语音，供听障患者迭代选择。参数调整策略取决于模型调整方法，需要基于用户交互，患者个人信息和历史验配数据进行训练。本专利技术综合考虑主客观语音评价方法，结合深本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能助听器交互式自验配方法，其特征在于，包括如下步骤：步骤1，听障患者倾听助听器发出的测试语音，从测试语音的声音强度，清晰程度，声音低沉程度，声音尖刻程度四个方面进行五级评价，并形成助听器声音质量评价指标，计算方法为其中，r代表语音评价，p
i
代表各方面的评价值，i代表四种评价的序号，N代表评价指标数；步骤2，根据患者的11维听力图，3维个性信息，语音评价p
i
形成特征序列x，其中3维个性信息包括年龄，性别，助听器佩戴时间，然后计算其与验配历史数据库中的特征序列y的相似度s
k
，其中，k代表数据库中的特征序列的个数，M代表指标序列的个数，x
j
代表当前患者的特征序列中的第j个特征、y
j
代表数据库中患者的特征序列y中的第i个特征；j代表17个指标的序号，将s
k
从高到低排序，选出数值最高1组特征序列，从而在数据库中得到对应该组特征的连续3组历史参数调整策略；步骤3，设计参数调整的价值函数，计算参数调整策略的价值，使得每次参数调整的价值最大化；步骤4，构建神经网络，设计损失函数，并通过最小化损失函数的方式进行训练，从而获得神经网络的权值；步骤5，将测试语音频谱，语音评价p
i
，患者个性信息以及连续3组历史参数调整策略输入神经网络，重新生成测试语音给听障患者进行评价，直到患者满意。2.根据权利要求1所述的一种智能助听器交互式自验配方法，其特征在于，步骤3中参数调整的价值函数为Q
*
(h,d)＝E[r+ξQ
*

【专利技术属性】
技术研发人员：邹采荣，郭如雪，梁瑞宇，周琳，王青云，罗琳，
申请(专利权)人：东南大学，
类型：发明
国别省市：