基于深度学习的降噪算法的客观评估,用于各种配件和听力条件下的助听器
Vahid Ashkanichenarlogh1,2, Paula Folkeard1,3, Susan Scollie1,3
1National Centre for Audiology, Western University, London, Canada.
Trends in hearing
|November 25, 2025
概括
深度神经网络 (DNN) 与光束形成相结合,显著提高了助听器的语音可理解性和声音质量. 这种先进的系统在各种噪音条件和反响水平上优于传统方法.
科学领域:
- 听觉信号处理是指听觉信号的处理.
- 声学中的人工智能
- 助听器的技术 助听器技术
背景情况:
- 传统的助听器处理与噪音和反响作斗争.
- 深度学习为先进的降噪提供了潜力.
- 评估助听器性能需要强大的可理解性和质量指标.
研究的目的:
- 评估一个与光束成型集成的深度神经网络 (DNN) 拒绝系统.
- 为了比较DNN系统与自适应过和光束成形单独.
- 评估噪音类型,SNR和助听器配件对性能的影响.
主要方法:
- 在受控的声学环境中使用了一个带有五个音频图的KEMAR玩偶.
- 在反响和非反响条件下产生了1,152个录音.
- 使用助听器语音感知指数 (HASPI) 估计的语音可理解性和使用HASQI和pMOS指标的声音质量.
主要成果:
- 与传统方法相比,带有光束成型的DNN显示出优越的语音可理解性.
- 性能增长在0和+5dB SNR时最明显,在低声下-5dB时有适度的效益.
- 声音质量指标 (HASQI,pMOS) 与SNR有所改善,并显示出中等的相关性,尽管pMOS表现出更大的变化.
结论:
- 将深度学习与光束成型相结合,为助听器的可理解性和声音质量带来了显著的好处.
- 像pMOS这样的非侵入性指标显示出大规模评估的希望,但与侵入性指标不同,捕捉处理效应.
- 该DNN-beamforming系统显示了增强听力康复的潜力,其性能由声环境和SNR调节.
