评估用于助听器的深度神经网络降噪算法

*** 研究描述 ***

在嘈杂环境中听清声音是听力损失者面临的最常见挑战之一，即使听力正常的人也常在餐厅、教室和繁忙公共场所等情境中难以理解言语。

现代助听器采用先进的数字信号处理策略，特别是基于深度神经网络（DNN）的降噪技术，以改善这些困难聆听情境中的言语可懂度。

然而，这些技术的效果差异很大，其益处可能取决于噪声水平、背景类型和个人听力损失程度等因素。

本研究探讨不同降噪策略如何影响听者在一系列真实聆听条件下理解言语的能力。

采用单耳全向配置，以隔离单麦克风降噪策略，不借助定向助听器处理的优势。

研究比较多种处理模式，每种代表不同的降噪算法或信号处理方法。

这些模式包括较强和较弱的降噪形式，以及未应用降噪处理的“关闭”条件。

参与者将在多个输入信噪比（SNR）下完成聆听任务，代表从易到难的不同背景噪声水平。

所有参与者以受控、完全平衡的顺序体验每种条件，以减少学习效应和偏差。

*** 聆听任务概述 ***

研究期间，听者使用双句范式完成言语理解任务，这是一种为更好反映噪声中聆听的真实认知负荷而开发的测试方法。

传统言语测试通常要求听者一次重复一个句子。

虽然有用，但这些单句任务常低估日常聆听的难度，日常聆听要求人们同时监控、记忆和回应多条信息。

双句范式通过在同一试验中连续呈现两个句子来弥补这一不足。

参与者先听到句子A，紧接着是不同说话者说的句子B。

参与者被要求立即重复第一个句子，然后输入第二个句子。

这种结构通过要求听者在工作记忆中保持更多言语信息，同时处理背景噪声，增加了认知需求。

该方法提供了更敏感的测量，以评估信号处理策略如何不仅影响可听度，还影响真实世界的聆听努力、记忆负荷和言语理解。

*** 降噪策略评估方法 ***

为评估每种降噪设置的效果，参与者在多个SNR下完成双句任务——例如，在言语比噪声响亮的较易（正）SNR，以及噪声强烈干扰言语的较难（负）SNR。

每种降噪模式在每个SNR下进行测试，为算法强度和噪声难度的每种组合生成完整的性能数据集。

使用句子回忆任务的标准评分方法测量言语理解。

记录参与者的反应，并根据每个句子正确重复的关键词数量评分准确性。

这使得研究团队能够量化不同处理策略在受控聆听条件下如何影响言语可懂度和认知负荷。

*** 科学依据与预期贡献 ***

基于深度神经网络的降噪策略已出现在许多商用听力设备中，但其性能可能因训练数据、模型复杂性和降噪强度而异。

某些设置可能提高可懂度但扭曲言语信号；其他设置可能降低噪声但引入影响听者舒适度的处理延迟或伪影。

通过在相同条件下系统比较多种降噪算法，本研究旨在揭示不同策略如何改变言语理解和聆听难度。

本研究结果有助于指导开发更有效、以听者为中心的助听器降噪方法。

结果还可通过识别不同噪声环境中哪种算法强度效果最佳，改进临床建议。

*** 更广泛意义 ***

在嘈杂环境中交流的能力对社会参与、工作表现和生活质量有深远影响。

尽管技术进步，许多助听器用户仍报告在嘈杂环境中存在困难。

更详细地了解听者对不同降噪策略的反应，尤其是在认知要求高的双句范式下，可能帮助制造商设计更具支持性的功能，并协助临床医生根据个人的日常聆听需求定制验配方案。

本研究最终旨在通过提供关于先进降噪算法如何影响真实世界言语理解的客观证据，支持未来助听器设计和编程的改进。