对使用语音和音乐的助听器进行深度边缘反取消的评估

科学领域:

• 听力学 听力学是指听力学.
• 信号处理 信号处理
• 人工智能的人工智能

背景情况:

• 助听器的目的是补偿听力损失,但在声学反方面面临挑战,特别是对于语音和音乐等具有广泛动态范围的声音.
• 传统的反控制方法可以引入人工物,特别是当助听器的收益接近最大稳定水平时.
• 以前的研究表明DeepMFC对言语的有效性,但其与音乐的表现和潜在机制没有被评估.

研究的目的:

• 阐明DeepMFC如何解决助听器反问题.
• 通过客观和主观的措施来评估DeepMFC的演讲和音乐表现.
• 评估DeepMFC与自适应反取消相结合的潜力,以提高助听器的稳定收益.

主要方法:

• 一种深度学习方法,DeepMFC,用于助听器反控制.
• 该研究利用语音和音乐作为声音来源来评估DeepMFC的表现.
• 客观和主观的措施被用于全面评估.
• DeepMFC与一个自适应反取消器相结合.

主要成果:

• 在使用匹配材料训练时,DeepMFC表现出了对言语和音乐的良好表现.
• 该方法成功地解决了反问题,从而实现了更高的稳定收益.
• 当DeepMFC与自适应反取消器相结合时,可以获得超过13dB的额外稳定增益.
• 该研究提供了关于DeepMFC如何缓解反和文物的见解.

结论:

• DeepMFC是一种有效的深度学习策略,用于控制各种不同类型的声音 (语音和音乐) 的助听器中的声学反.
• 集成DeepMFC与自适应反取消显著增强稳定收益,改善听力受损的听众的可听性.
• 这种方法为克服传统助听器反管理系统的局限性提供了一个有希望的解决方案.