使用机器学习的自动骨感应听力测量仪的性能和可靠性评估
Nicolas Wallaert1,2, Antoine Perry3, Hadrien Jean2
1Department of Otorhinolaryngology-Head and Neck Surgery, Rennes University Hospital, Rennes, France.
Trends in hearing
|November 3, 2024
概括
一种新的机器学习 (ML) 方法使用额头位置自动化骨传导 (BC) 听力测量,提供更快,更可靠的听力测试. 这种ML-听力测量显示了与成人传统方法相比的性能.
科学领域:
- 听力学 听力学是指听力学.
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 纯色调听力测量是标准的,但耗时,并提供离散的听力敏度估计.
- 目前的骨传导 (BC) 听力测量的局限性包括时间承诺和离散数据点.
研究的目的:
- 开发一种基于机器学习 (ML) 的方法,用于完全自动化的BC听力测量,并放置额头振动器.
- 为了解决传统听力测试的耗时性质和离散估计.
主要方法:
- 开发了一种基于ML的方法,用于带着额头放置的自动化BC听力测量.
- 集成的自动反侧面罩,遮效应补偿,以及额头-头骨的纠正.
- 与手动常规BC听力测试对比的评估性能和评估的测试-重新测试可靠性.
主要成果:
- 在自动化ML听力测量和手动常规听力测量之间没有发现显著的性能差异.
- 自动化ML-音频测量证明了高的测试-重新测试可靠性.
- 在正常听力和听力受损的成年听众中,ML方法被证明有效.
结论:
- 基于ML的自动BC听力测量与额头放置是传统方法的可行和可靠的替代方案.
- 这种方法可以更有效,更准确地评估听力敏度.
- 研究结果支持使用ML-听力测量用于广泛的成年人听力状态.
