对基于深度神经网络的策略进行评估,以补偿感应神经神经听力损失

科学领域:

• 听觉神经科学 听觉神经科学
• 生物声学是一种生物声学.
• 医疗保健中的机器学习

背景情况:

• 传统的助听器 (HA) 往往无法解决耳突触病 (CS),一种影响听觉神经功能的疾病.
• 现有的HA算法使用固定增益调整,缺乏针对复杂的听力损失配置文件的个性化,包括外部毛细胞 (OHC) 损伤和CS.

研究的目的:

• 开发和评估基于深度神经网络 (DNN) 的助听器算法,能够补偿OHC损伤和CS.
• 创建个性化的,闭环的HA系统,使用可差异化的基于DNN的听觉模型 (dCoNNear).

主要方法:

• 训练有素的基于DNN的HA算法使用反向传播来最大限度地减少听力受损者和正常听力听力神经 (AN) 响应之间的差异.
• 在闭环系统中嵌入个性化,可区分的基于DNN的听觉模型 (dCoNNear).
• 使用语音和标准听觉刺激评估算法性能,与NAL-NL2基准进行比较.

主要成果:

• 基于DNN的HA证明了增强的时 (TENV) 处理,特别是对于CS,导致更清晰的TENV和更强的AN发病反应.
• 观察到适应性,水平依赖性和频率特定的增益调整,与OHC损伤严重程度保持一致.
• 与NAL-NL2相比,改善了特定语音类别的AN响应的正常化根平均平方误差,而不是NAL-NL2.

结论:

• 基于DNN的闭环HA系统为个性化听力损失补偿提供了一个有希望的方法.
• 机器学习策略,特别是DNN,显示出在复杂的听觉缺陷中,有可能超过传统的HA装配方法.
• 开发的dCoNNear模型为下一代适应性助听器技术提供了基础.