低延时助听器制造技术

本申请公开了低延时助听器，其包括：至少一输入单元，用于提供第一域的电输入信号的至少一样本流；至少一编码器，配置成将所述至少一样本流转换为第二域的电输入信号的至少一样本流；处理单元，配置成处理第二域的至少一电输入信号；解码器，配置成将第二域的处理后的信号的样本流转换为第一域的处理后的信号的样本流；其中，至少一编码器配置成将来自第一域的电输入信号的至少一样本流的第一数量N1的样本转换为第二域的电输入信号的至少一样本流中的第二数量N2的样本；解码器配置成将来自第二域的第二数量N2的样本转换为第一域的第一数量N1的样本；N2大于N1；至少一编码器进行优化及处理单元的至少一部分实施为经训练的神经网络。练的神经网络。练的神经网络。

【技术实现步骤摘要】
低延时助听器


[0001]本专利技术涉及听力装置如助听器，尤其涉及配置成在音频信号的处理方面具有低延迟的听力装置。

技术介绍

[0002][Luo et al.；2019]描述了用于独立于扬声器的语音分离的方案，其使用深度学习框架下的全卷积时域音频分离网络(DNN)进行端到端时域语音分离。DNN使用线性编码器生成针对分离的各个扬声器优化的语音波形的表示。扬声器分离通过将一组加权函数(掩模)应用于编码器输出而实现。修改后的编码器表示则使用线性解码器转回为波形。掩模使用由堆叠的1
‑
D个空洞卷积块组成的时域卷积网络(temporal convolutional network，TCN)发现，这使网络能在保持小模型大小的同时对语音信号的长期相依性进行建模。
[0003]图1示出了配置成在频域处理信号的听力装置HD
’
如助听器。通过传声器(M1,
…
,M
M
)拾取的时域信号(I1,
…
,I
M
,M≥1)使用分析滤波器组AFB转换为时
‑
频域信号(IF1,
…
,IF
M
)。在频域，信号被修改以补偿用户的听力损失(参见HLC单元和输出信号OF)，及可能还被处理以增强有噪声背景中的语音(例如通过降低输入信号(IF1,
…
,IF
M
)中的噪声，参见NR模块和输出信号IFNR)。NR模块的目的在于降低背景噪声以增强目标信号。噪声通常使用波束形成和/或通过衰减其中信噪比(SNR)估计很差的时间和频率区域而进行衰减。处理后的信号OF通过合成滤波器组SFB转换到时域，所得的时域信号O经输出变换器(在此为扬声器SPK)呈现给用户。
[0004]在图1中所示的听力仪器HD
’
的框图中，传声器信号(I1,
…
,I
M
)在频域进行处理以提供随频率而变的增益(从而例如对听力仪器用户提供听力损失补偿)。频域处理通常需要滤波。滤波器(分析滤波器AFB+合成滤波器SFB)具有一定程度，藉此，在处理通路中引入延迟。作为大拇指规则，越高的频率分辨率要求越长的滤波器，从而通过听力仪器的延迟越高。
[0005]然而，在处理后的声音被显著降级之前，听力装置能引入多少延时(也称为等待时间)有限制。通常，在日常听力装置使用期间，超过约10毫秒(ms)的延迟是不可接受的。

技术实现思路

[0006]助听器
[0007]在本申请的一方面，提供一种配置成由用户佩戴的助听器。该助听器包括：
[0008]‑
至少一输入单元，用于提供第一域的电输入信号的至少一样本流，至少一电输入信号表示助听器环境中的声音；
[0009]‑
至少一编码器，配置成将第一域的电输入信号的至少一样本流转换为第二域的电输入信号的至少一样本流；
[0010]‑
处理单元，配置成处理第二域的至少一电输入信号以针对用户的听力受损提供补偿及将处理后的信号提供为第二域的样本流；及
[0011]‑
解码器，配置成将第二域的处理后的信号的样本流转换为第一域的处理后的信号的样本流。
[0012]至少一编码器可配置成将来自第一域的电输入信号的至少一样本流的第一数量的样本转换为第二域的电输入信号的至少一样本流中的第二数量的样本。解码器可配置成将来自第二域的处理后的信号的样本流的第二数量的样本转换为第一域的电输入信号的样本流中的第一数量的样本。样本的第二数量可大于样本的第一数量。至少一编码器可进行训练(例如优化)。针对用户的听力受损提供补偿的所述处理单元的至少一部分可实施为经训练的神经网络。
[0013]从而可提供改进的助听器。
[0014]编码器和解码器配置成分别按N1
‑
>N2样本批和N2
‑
>N1样本批分别将信号从第一域转换到第二域及从第二域转换到第一域，其中N1和N2分别为样本的第一数量和第二数量。
[0015]编码器/解码器(例如其参数)可进行训练(例如优化)。处理单元可实施为经训练的神经网络。编码器(或者编码器/解码器)和实施处理单元(或者至少补偿用户的听力受损的部分)的神经网络可联合训练(在共同的训练程序中，例如使用单一价值函数)。经训练的编码器/解码器框架可学习关于频率含量的信息，但编码后的通道不必然特别分配给特定频带，因为编码后的“基函数”也可包含跨频率和时间的信息，例如调制。图3C示出了基函数可怎样看起来相像的例子。每一基函数可与输入信号中的具体特征相关联。其例如可以是语音特定特征如起始、音高、调制、频率特定特征或某些波形。通常，基函数将基于不同的输出信号进行训练。基函数例如可进行训练以获得解码的、听力损失得以补偿的信号，从而实施低延时听力损失补偿，如本专利技术提出的。
[0016]处理单元配置成运行一种或多种处理算法以改善第二域的电输入信号。一种或多种处理算法可包括听力损失补偿算法、降噪算法(例如包括波束形成器，及可能后滤波器)、反馈控制算法等或者其组合。
[0017]术语“神经网络”或“人工神经网络”可覆盖任何类型的人工神经网络，例如前馈、循环、长/短期记忆、门控循环单元(GRU)、卷积等。
[0018]解码器例如可形成处理单元的一部分。
[0019]编码器例如可实施具有零填充的输入的傅里叶变换。
[0020]样本的第二数量(N2)可为样本的第一数量(N1)的两倍以上。样本的第二数量(N2)可为样本的第一数量(N1)的5倍以上。样本的第二数量(N2)可为样本的第一数量(N1)的10倍以上。
[0021]第一域可以是时域。
[0022]通常，当应用傅里叶变换时，其对应于N个输入样本乘以N x N DFT矩阵，即X＝Wx，其中W＝NxN，x＝Nx1，因此X＝Nx1。与DFT矩阵有关的“基函数”在“DFT matrix”(DFT矩阵)主题下的链接中说明，其将DFT描述为矩阵相乘，参见链接：https://en.wikipedia.org/wiki/DFT_matrix(2022年5月30日访问)。
[0023]在DFT矩阵的大小大于N个输入样本的情形下，输入样本可进行零填充。
[0024]根据本专利技术的变换可不同于傅里叶变换，因为根据本专利技术的变换矩阵G为N2xN1矩阵，其中N2>N1，使得变换后的信号为S＝Gs，其中G＝N2xN1，s＝N1x1及S＝N2x1，其中s为初
始(例如时域)信号，G为(与编码有关的)变换。从而，(与解码有关的)逆变换矩阵G
‑1可写为N1xN2矩阵，使得逆变换后的信号为s＝G
‑1S。
[0025]图3C示意性地示出了变换矩阵G的基函数的例子。
[0026]在傅里叶变换中，每一基函数包含某一频率。傅里叶变换可看作基函数的特殊情形，其中每一基函数为复正本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配置成由用户佩戴的助听器，所述助听器包括：
‑
至少一输入单元，用于提供第一域的电输入信号的至少一样本流，至少一电输入信号表示助听器环境中的声音；
‑
至少一编码器，配置成将第一域的电输入信号的至少一样本流转换为第二域的电输入信号的至少一样本流；
‑
处理单元，配置成处理第二域的至少一电输入信号以针对用户的听力受损提供补偿及将处理后的信号提供为第二域的样本流；
‑
解码器，配置成将第二域的处理后的信号的样本流转换为第一域的处理后的信号的样本流；其中，
‑
所述至少一编码器配置成将来自第一域的电输入信号的至少一样本流的第一数量N1的样本转换为第二域的电输入信号的至少一样本流中的第二数量N2的样本；
‑
所述解码器配置成将来自第二域的处理后的信号的样本流的第二数量N2的样本转换为第一域的电输入信号的样本流中的第一数量N1的样本；
‑
样本的第二数量N2大于样本的第一数量N1；及
‑
所述至少一编码器进行优化及针对用户的听力受损提供补偿的所述处理单元的至少一部分实施为经训练的神经网络。2.根据权利要求1所述的助听器，其中，所述第一域是时域。3.根据权利要求1或2所述的助听器，其中，所述编码器和/或所述解码器实施为神经网络。4.根据权利要求1所述的助听器，其中，所述至少一编码器和所述处理单元配置成联合地进行优化以在低延时的约束条件下最佳地处理至少一电输入信号。5.根据权利要求4所述的助听器，其中，所述至少一编码器和所述处理单元配置成联合地进行优化即它们用单一价值函数在共同的训练程序中进行优化。6.根据权利要求4所述的助听器，其中，所述低延时约束条件包括对通过听力装置的处理时间的限制。7.根据权利要求6所述的助听器，其中，所述低延时约束条件与通过编码器、处理单元和解码器的处理时间有关。8.根据权利要求1所述的助听器，其中，所述至少一编码器、所述处理单元及非必须地所述解码器的参数进行训练以使由与包括线性滤波器组而不是包括所述至少一编码器和所述解码器的助听器的差给出的价值函数最小化。9.根据权利要求8所述的助听器，其中，参与优化的所述至少一编码器、所述处理单元及非必须地所述解码器的参数对于神经网络而言包括下述之一或多个：神经网络的权重参数、偏置量参数和非线性函数参数。10.根据权利要求8所述的助听器，其中，参与优化的所述至少一编码器、所述处理单元及非必须地所述解码器的参数对于编码器和/或解码器而言包括样...

【专利技术属性】
技术研发人员：J，
申请(专利权)人：奥迪康有限公司，
类型：发明
国别省市：