Evaluatie van een diep neuraal ruisreductie-algoritme voor gehoorapparaten

*** STUDIEBESCHRIJVING ***

Horen in rumoerige omgevingen is een van de meest voorkomende uitdagingen voor mensen met gehoorverlies, en zelfs mensen met normaal gehoor hebben vaak moeite om spraak te verstaan in situaties zoals restaurants, klaslokalen en drukke openbare ruimtes. Moderne gehoorapparaten gebruiken geavanceerde digitale signaalverwerkingsstrategieën, met name op deep neural network (DNN) gebaseerde ruisonderdrukking, om de spraakverstaanbaarheid in deze moeilijke luistersituaties te verbeteren. Deze technologieën verschillen echter sterk in hoe goed ze werken, en hun voordelen kunnen afhangen van factoren zoals ruisniveau, achtergrondtype en de mate van gehoorverlies van een individu. Deze studie onderzoekt hoe verschillende ruisonderdrukkingsstrategieën het vermogen van een luisteraar om spraak te verstaan in een reeks realistische luisteromstandigheden beïnvloeden. Een monaurale, omnidirectionele configuratie wordt gebruikt om ruisonderdrukkingsstrategieën met één microfoon te isoleren, zonder het voordeel van directionele gehoorapparaatverwerking. Het onderzoek vergelijkt verschillende verwerkingsmodi, die elk een afzonderlijk ruisonderdrukkingsalgoritme of signaalverwerkingsbenadering vertegenwoordigen. Deze modi omvatten sterkere en zwakkere vormen van ruisonderdrukking, evenals "uit"-condities waarbij geen ruisonderdrukkingsverwerking wordt toegepast. Deelnemers zullen luistertaken uitvoeren bij verschillende ingangssignaal-ruisverhoudingen (SNR's), die gemakkelijkere en moeilijkere niveaus van achtergrondruis vertegenwoordigen. Alle deelnemers ervaren elke conditie in een gecontroleerde, volledig gebalanceerde volgorde om leereffecten en bias te verminderen.

*** OVERZICHT VAN DE LUISTERTAKEN ***

Tijdens de studie voltooien luisteraars spraakverstaanbaarheidstaken met behulp van het dual-sentence-paradigma, een testmethode ontwikkeld om de realistische cognitieve belasting van luisteren in ruis beter weer te geven. Traditionele spraaktests vragen een luisteraar meestal om één zin per keer te herhalen. Hoewel nuttig, onderschatten deze taken met één zin vaak de moeilijkheid van alledaags luisteren, waarbij mensen meerdere stukken informatie tegelijk moeten monitoren, onthouden en erop reageren. Het dual-sentence-paradigma behandelt deze kloof door twee zinnen achter elkaar binnen dezelfde trial aan te bieden. De deelnemer hoort Zin A, direct gevolgd door Zin B, uitgesproken door verschillende sprekers. De deelnemer wordt gevraagd om onmiddellijk de eerste zin te herhalen en vervolgens de tweede zin in te typen.

Deze structuur verhoogt de cognitieve eis door de luisteraar te vragen meer gesproken informatie in het werkgeheugen vast te houden, terwijl tegelijkertijd achtergrondruis wordt verwerkt. Deze benadering geeft een gevoeliger meting van hoe signaalverwerkingsstrategieën niet alleen de hoorbaarheid beïnvloeden, maar ook de realistische luisterinspanning, geheugenbelasting en spraakbegrip.

*** HOE RUISONDERDRUKKINGSSTRATEGIEËN WORDEN GEEVALUEERD ***

Om de effecten van elke ruisonderdrukkingsinstelling te evalueren, voltooien deelnemers de dual-sentence-taak bij verschillende SNR's - bijvoorbeeld, gemakkelijkere (positieve) SNR's waarbij spraak luider is dan de ruis, en moeilijkere (negatieve) SNR's waarbij ruis sterk concurreert met spraak. Elke ruisonderdrukkingsmodus wordt getest bij elke SNR, wat een volledige set prestatiegegevens oplevert voor elke combinatie van algoritmekracht en ruismoeilijkheid. Spraakverstaan wordt gemeten met standaard scoringsmethoden voor zinnenherhalings-taken. De antwoorden van deelnemers worden opgenomen en de nauwkeurigheid wordt gescoord op basis van het aantal correct herhaalde sleutelwoorden voor elke zin. Dit stelt het onderzoeksteam in staat te kwantificeren hoe verschillende verwerkingsstrategieën spraakverstaanbaarheid en cognitieve belasting onder gecontroleerde luisteromstandigheden beïnvloeden.

*** WETENSCHAPPELIJKE REDENERING EN VERWACHTE BIJDRAGEN ***

Op deep neural network gebaseerde ruisonderdrukkingsstrategieën zijn in veel commerciële gehoorapparaten verschenen, maar hun prestaties kunnen variëren afhankelijk van trainingsdata, modelcomplexiteit en hoe agressief de ruis wordt onderdrukt. Sommige instellingen kunnen de verstaanbaarheid verbeteren maar het spraaksignaal vervormen; andere kunnen ruis verminderen maar verwerkingsvertragingen of artefacten introduceren die het luistercomfort beïnvloeden. Door systematisch meerdere ruisonderdrukkingsalgoritmen onder identieke omstandigheden te vergelijken, beoogt deze studie in kaart te brengen hoe verschillende strategieën zowel spraakverstaan als luistermoeilijkheid veranderen. Bevindingen uit dit onderzoek kunnen helpen bij het leiden van de ontwikkeling van effectievere, luisteraar-gerichte ruisonderdrukkingsbenaderingen voor gehoorapparaten. De resultaten kunnen ook klinische aanbevelingen verbeteren door te identificeren welke algoritmekrachten het beste werken in verschillende ruisomgevingen.

*** BREEDERE SIGNIFICANTIE ***

Het vermogen om te communiceren in rumoerige omgevingen heeft diepgaande effecten op sociale participatie, werkprestaties en levenskwaliteit. Veel gehoorapparaatgebruikers blijven moeite melden in rumoerige omgevingen ondanks technologische vooruitgang. Een gedetailleerder begrip van hoe luisteraars reageren op verschillende ruisonderdrukkingsstrategieën, vooral onder het cognitief veeleisende dual-sentence-paradigma, kan fabrikanten helpen ondersteunende functies te ontwerpen en kan clinici assisteren bij het afstemmen van aanpassingen op de dagelijkse luisterbehoeften van een individu.

Deze studie streeft uiteindelijk naar het ondersteunen van toekomstige verbeteringen in gehoorapparaatontwerp en -programmering door objectief bewijs te leveren over hoe geavanceerde ruisonderdrukkingsalgoritmen realistische spraakverstaan beïnvloeden.