Evaluación de un algoritmo de reducción de ruido con redes neuronales profundas para audífonos

*** DESCRIPCIÓN DEL ESTUDIO ***

Escuchar en entornos ruidosos es uno de los desafíos más comunes que enfrentan las personas con pérdida auditiva, e incluso las personas con audición normal a menudo tienen dificultades para comprender el habla en situaciones como restaurantes, aulas y espacios públicos concurridos. Los audífonos modernos utilizan estrategias avanzadas de procesamiento digital de señales, especialmente la reducción de ruido basada en redes neuronales profundas (DNN), para mejorar la inteligibilidad del habla en estas situaciones auditivas difíciles. Sin embargo, estas tecnologías varían ampliamente en su eficacia, y sus beneficios pueden depender de factores como el nivel de ruido, el tipo de fondo y el grado de pérdida auditiva de una persona. Este estudio examina cómo diferentes estrategias de reducción de ruido afectan la capacidad de un oyente para comprender el habla en una variedad de condiciones auditivas del mundo real. Se utiliza una configuración monoaural y omnidireccional para aislar estrategias de reducción de ruido de un solo micrófono sin el beneficio del procesamiento direccional de los audífonos. La investigación compara varios modos de procesamiento, cada uno representando un algoritmo de reducción de ruido distinto o un enfoque de procesamiento de señales. Estos modos incluyen formas más fuertes y más débiles de reducción de ruido, así como condiciones "apagadas" sin procesamiento de reducción de ruido aplicado. Los participantes completarán tareas de escucha en varias relaciones señal-ruido (SNR) de entrada, representando niveles más fáciles y más difíciles de ruido de fondo. Todos los participantes experimentan cada condición en un orden controlado y completamente contrabalanceado para reducir los efectos de aprendizaje y el sesgo.

*** RESUMEN DE LAS TAREAS DE ESCUCHA ***

Durante el estudio, los oyentes completan tareas de comprensión del habla utilizando el paradigma de doble oración, un método de prueba desarrollado para reflejar mejor la carga cognitiva real de escuchar en ruido. Las pruebas de habla tradicionales generalmente piden al oyente que repita una sola oración a la vez. Aunque útiles, estas tareas de una sola oración a menudo subestiman la dificultad de la escucha cotidiana, que requiere que las personas monitoreen, recuerden y respondan a múltiples piezas de información al mismo tiempo. El paradigma de doble oración aborda esta brecha presentando dos oraciones consecutivas dentro del mismo ensayo. El participante escucha la Oración A, seguida inmediatamente por la Oración B, habladas por diferentes locutores. Se le pide al participante que repita inmediatamente la primera oración y luego escriba la segunda oración.

Esta estructura aumenta la demanda cognitiva al requerir que el oyente retenga más información hablada en la memoria de trabajo mientras lidia simultáneamente con el ruido de fondo. El enfoque proporciona una medida más sensible de cómo las estrategias de procesamiento de señales afectan no solo la audibilidad, sino también el esfuerzo auditivo en el mundo real, la carga de memoria y la comprensión del habla.

*** CÓMO SE EVALÚAN LAS ESTRATEGIAS DE REDUCCIÓN DE RUIDO ***

Para evaluar los efectos de cada configuración de reducción de ruido, los participantes completan la tarea de doble oración en varias SNR, por ejemplo, SNR más fáciles (positivas) donde el habla es más fuerte que el ruido, y SNR más difíciles (negativas) donde el ruido compite fuertemente con el habla. Cada modo de reducción de ruido se prueba en cada SNR, produciendo un conjunto completo de datos de rendimiento para cada combinación de fuerza del algoritmo y dificultad del ruido. La comprensión del habla se mide utilizando métodos de puntuación estándar para tareas de recuerdo de oraciones. Las respuestas de los participantes se registran, y la precisión se puntúa según la cantidad de palabras clave repetidas correctamente para cada oración. Esto permite al equipo de investigación cuantificar cómo diferentes estrategias de procesamiento influyen en la inteligibilidad del habla y la carga cognitiva bajo condiciones de escucha controladas.

*** FUNDAMENTO CIENTÍFICO Y CONTRIBUCIONES ESPERADAS ***

Las estrategias de reducción de ruido basadas en redes neuronales profundas han surgido en muchos dispositivos auditivos comerciales, pero su rendimiento puede variar según los datos de entrenamiento, la complejidad del modelo y cuán agresivamente se reduce el ruido. Algunas configuraciones pueden mejorar la inteligibilidad pero distorsionar la señal del habla; otras pueden reducir el ruido pero introducir retrasos de procesamiento o artefactos que afectan la comodidad del oyente. Al comparar sistemáticamente múltiples algoritmos de reducción de ruido en condiciones idénticas, este estudio tiene como objetivo mapear cómo las diferentes estrategias alteran tanto la comprensión del habla como la dificultad auditiva. Los hallazgos de esta investigación pueden ayudar a guiar el desarrollo de enfoques de reducción de ruido más efectivos y centrados en el oyente para audífonos. Los resultados también pueden mejorar las recomendaciones clínicas identificando qué fuerzas de algoritmo funcionan mejor en diferentes entornos ruidosos.

*** SIGNIFICADO MÁS AMPLIO ***

La capacidad de comunicarse en entornos ruidosos tiene efectos profundos en la participación social, el rendimiento laboral y la calidad de vida. Muchos usuarios de audífonos continúan reportando dificultades en entornos ruidosos a pesar de los avances tecnológicos. Una comprensión más detallada de cómo los oyentes responden a diferentes estrategias de reducción de ruido, especialmente bajo el paradigma de doble oración cognitivamente exigente, puede ayudar a los fabricantes a diseñar características más de apoyo y puede ayudar a los clínicos a adaptar las adaptaciones a las necesidades auditivas diarias de un individuo.

Este estudio finalmente busca apoyar futuras mejoras en el diseño y programación de audífonos al proporcionar evidencia objetiva sobre cómo los algoritmos avanzados de reducción de ruido afectan la comprensión del habla en el mundo real.