相关实验视频
Updated: Jun 2, 2026
08:06
Robotic Cochlear Implantation for Direct Cochlear Access
Published on: June 16, 2022
3.1K
深度学习恢复了对耳植入物用户的多说话者干扰中的语音可理解性.
Agudemu Borjigin1,2,3, Kostas Kokkinakis4,5, Hari M Bharadwaj6,7,8
1Weldon School of Biomedical Engineering, Purdue University, West Lafayette, 47907, IN, USA. dagu@wisc.edu.
Scientific reports
|June 9, 2024
概括
像RNN和SepFormer这样的深度神经网络 (DNN) 算法显著改善了耳植入物 (CI) 用户在噪音条件下的语音理解. 这些先进的算法有效地减少了静止和非静止噪声,优于传统方法.
科学领域:
- 听力学 听力学是指听力学.
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 耳植入物 (CI) 在杂的环境中扎,这是由于当前降噪算法的局限性.
- 传统的算法对非静止噪声无效,例如多说话者干扰.
- 深度神经网络 (DNN) 对语音增强有希望,但需要与CI用户进行测试.
研究的目的:
- 评估两种DNN算法的有效性,即反复神经网络 (RNN) 和SepFormer,用于提高耳植入物用户的语音可理解性.
- 评估这些DNN在减少静止和非静止噪声方面的性能.
- 为了将基于DNN的降噪与CI用户的传统方法进行比较.
主要方法:
- 实现了语音音频处理的RNN和SepFormer DNN算法.
- 使用约30小时的定制数据集训练算法.
- 在各种噪音条件下,对13名成年耳植入器听众进行了算法测试.
主要成果:
- 无论是RNN还是SepFormer都显著提高了CI听众在噪音中的语音可理解性.
- 在静止非语音噪声中,DNN算法提高了性能.
- 在非静止噪声条件下观察到实质性的改善,超过了传统策略.
结论:
- DNN算法,特别是RNN和SepFormer,为耳植入物用户提供了一个有前途的解决方案,用于在杂的环境中增强语音理解.
- 这些先进的算法有效地解决了传统降噪技术的局限性,特别是复杂的非静止噪声.
- 这些发现表明,在解决耳植入物患者面临的听力挑战方面取得了重大进展.
