使用深度神经网络诊断在服役期间持续的噪音引起的听力损失
Brian C J Moore1, Josef Schlittenlacher2
1Cambridge Hearing Group, Department of Psychology, University of Cambridge, Cambridge, UK.
Trends in hearing
|August 7, 2023
概括
这项研究引入了一种新的AI方法,使用多层感知子 (MLPs) 来诊断噪音引起的听力损失 (NIHL). 人工智能模型从听力图和年龄数据中准确地识别NIHL,优于传统的诊断方法.
科学领域:
- 听力学 听力学是指听力学.
- 人工智能的人工智能
- 职业健康 职业健康 职业健康
背景情况:
- 诊断噪音引起的听力损失 (NIHL) 传统上依赖于暴露史,排除其他原因,以及特定的听力图谱模式.
- 目前的诊断方法包括对音频录像的主观分析和预定义的特征识别规则.
研究的目的:
- 开发和评估NIHL使用多层感知子 (MLPs) 的替代诊断方法.
- 自动识别听力测量特征对于分类NIHL和没有NIHL的个体至关重要.
主要方法:
- 使用多层感知子 (MLPs) 训练在听力图和年龄数据的个人怀疑与军方相关的NIHL (M-NIHL) 和对照组.
- 使用两个数据库进行培训/验证和两个独立的数据库进行评估.
- 表现最好的MLP接受了培训,根据年龄和双边音频图进行M-NIHL的分类.
主要成果:
- 最佳的MLP实现了0.986的灵敏度和0.902.90的特异性.
- 与以前的诊断方法相比,开发的MLP方法显示出总体准确度明显更高.
- 该模型有效地使用听力测量数据和年龄识别了M-NIHL患者.
结论:
- 基于MLP的听力图和年龄的分析提供了一个高度准确和自动化的方法来诊断NIHL.
- 这种人工智能驱动的方法在NIHL的诊断性能方面超越了传统方法.
- 这些发现表明,人工智能在听觉诊断领域的未来充满希望,特别是在职业性听力损失方面.


