CN102474696A

CN102474696A - 适于检测脑电波的助听器和用于调适这类助听器的方法

Info

Publication number: CN102474696A
Application number: CN2010800316979A
Authority: CN
Inventors: P·凯德莫斯; D·P·曼迪科; M·安格斯图普; D·龙尼; C·帕克; M·L·伦克
Original assignee: Widex AS
Current assignee: T&W Engineering AS
Priority date: 2009-07-13
Filing date: 2010-01-28
Publication date: 2012-05-23
Anticipated expiration: 2030-01-28
Also published as: EP2454892A1; CA2768424A1; CN102474696B; JP5577449B2; SG177606A1; KR101325828B1; JP2014112856A; AU2010272769B2; US20120177233A1; JP2012533248A; US9025800B2; EP2454892B1; WO2011006681A1; KR20120031506A; AU2010272769A1; CA2768424C; DK2454892T3

Abstract

本发明涉及一种助听器，其包含放大器(303，309，317)、输入换能器(301)、输出换能器(824)和信号处理设备(825)，所述放大器(303，309，317)和所述信号处理设备(825)被连接，助听器进一步包含其适于检测电信号(例如脑电波)的至少两个电极(201-205)，至少两个电极(201-205)连接到差分放大器(303，309，317)，差分放大器又连接到信号处理设备，并且助听器还包含用于独立于检测的信号改变所述助听器的操作的装置。本发明进一步提供用于助听器的调适的方法。

Description

适于检测脑电波的助听器和用于调适这类助听器的方法

技术领域

本发明大体涉及能够测量脑电波并且根据测量的信号来调节信号处理的助听器，更具体地涉及包含放大器、输入换能器、输出换能器和信号处理设备并且其中所述放大器和所述信号处理设备连接的这类助听器。本发明进一步涉及用于调适助听器的方法。

背景技术

通常公知的是(尤其在医学科学中公知的是)，通过在希望测量其脑电波的受试者(为了简便，以下表示为“受试者”)的头皮上放置电极来测量脑电波，使用合适的设备观察、处理和解读测量的脑电波。一般，这类设备为脑电描记器，凭借脑电描记器可以实现所谓的脑电图(EEG)。通过测量由受试者脑中的突触之间流动的电流而在受试者头皮表面生成的电势，这类EEG提供受试者的脑电活动的测量和记录。在医学科学中，EEG用于各种诊断目的。

从WO-A1-2006/047874中知道用于这类应用的系统，该文献描述了通过使用与受试者的至少一只耳朵相连放置的电极，即放置在外耳部分上或放置在耳道中的电极，对脑电波的测量。测量尤其用于检测癫痫发作的开始(onset)。WO-A1-2006/047874还描述了分别作为检测电极和参考电极的电极成对使用，这类设置在脑电描记术领域是已知的。

此外，从WO-A1-2008/116462中可知，通过使用助听器生成测试刺激信号并且将该信号作为声学刺激传送至受试者，并且通过使用放置在受试者头皮上的分离电极检测响应于所述声学刺激信号的脑电波，并且传送响应电生理学器械(例如脑电描记器)的脑电波用于处理，从而测量受试者的听力。

然而，由于已知系统的复杂度以及昂贵且复杂设备的使用，至少已知系统的信号处理设备被限制为由有资格的工作人员使用和操作。此外，目前大多数情况的电极放置以及任何情况下受试者的头皮和/或头部的各部分上的相关布线，使已知系统对于在实验室环境之外的使用相当不具吸引力，因此使与在实验室之外使用脑电波测量有关的优势的发掘相当麻烦。

因此本发明目的在于提供这样一种助听器：其中在不使用或最少使用昂贵且复杂设备的情况下，使脑电波测量例如EEG变得可能，在日常生活中以简单的方式使用该助听器，且通过使用该助听器，与助听器中脑电波测量的使用相关的优势可以被容易地用在实验室之外。

发明内容

根据本发明第一方面，通过提供助听器实现该目标，该助听器包含放大器、输入换能器、输出换能器和信号处理设备，该放大器和该信号处理设备被连接，其中该助听器进一步包含适于检测电信号(例如脑电波)的至少两个电极，该至少两个电极被连接到差分放大器，差分放大器又连接到信号处理设备，该助听器还包含用于响应于检测到的信号改变所述助听器的操作的装置。

因此，提供一种助听器，借助该助听器可以监控和测量受试者的脑电波，且因此借助该助听器可以在助听器中内部处理测量到的脑电波。借助这类助听器，不再需要使用外部设备来测量脑电波并且处理测量的信号，并且当使用者佩戴该助听器时不显眼，因此对于在实验室之外的佩戴更具吸引力。

通过使用根据本发明的助听器能够在日常生活中测量脑电波具有各种各样的用途和优势。

最显著地，发明者已表示，令人惊讶的是使用脑电波测量来估计使用者关注哪部分声像(acoustic image)是可能的。这类估计的细节将在下面进一步描述。

当测量到使用者关注哪部分声像时，该信息可以用作助听器算法的有价值反馈，以便使助听器的调适能够获得使用者关注的声像特定部分的最佳清晰度(intelligibility)，而不需要使用者有意识地行动来适应助听器。助听器的这类控制在使用者将注意力集中在复杂声像的特定部分的情况下是尤其有用的。例如这可以是助听器使用者尝试区分包含多种声音来源的声像中的声音的确定来源(例如特定人的语音、扬声器录音或音乐播放)的情况。

这与用于强调或抑制声像的一部分的当前方法形成对比。目前，使用者可以将助听器的程序手动改变为比如说音乐程序，且通过使用助听器麦克风可以检测到噪声的存在。然后通过在助听器的信号处理设备中运行合适的算法可以抑制噪声。

与使用助听器测量脑电波相关的其它有利使用和优势包括但不限制于以下方面：

a)使用类听觉脑干反应(ABR)或类听觉稳态反应(ASSR)测量，用自然声音环境作为刺激，监控使用者听力损失的发展，从而允许对助听器的“动态”适配(″on-the-fly″fitting)，即当需要时对助听器的适配。

b)使用者听力阈值的测量，例如，通过使用听觉脑干反应(ABR)测量来获得听力阈值的客观图像，而不需要来自使用者的任何交互，这对于儿童和认知能力严重受损的人是尤其希望的。

c)用作一种类型的脑-计算机(brain-computer)接口，例如，通过使用EEG识别来控制助听器。在脑-计算机接口中，使用者能够通过有意识地将思想集中于希望的动作上来控制助听器，例如，改变助听器的程序、希望的动作被连接(link)到可检测到的“思想”，例如，想像移动右臂而实际上并不如此做。在脑-计算机接口中，EEG信号将用于检测这类事件且因此能够部分或完全取代远程控制。

根据优选实施例，所述信号处理设备包含特征提取装置和分类装置，所述特征提取装置用于从经由所述至少两个电极检测到的信号中提取至少一个特征，且所述分类装置用于对所述特征提取装置提取的所述至少一个特征进行分类。因此，提供了这样的可能性，即集中于由测量的脑电波信号承载的一个特定特征以及包含关于受试者的希望感知信息。通过特征提取装置提取的特定特征取决于被合并在助听器中的特定功能。

如上所述，当希望使用助听器来执行脑电波信号测量以便估计使用者关注哪部分声像时，该实施例是尤其有用的。

根据优选实施例，助听器进一步包含连接到特征提取装置的麦克风，因此由麦克风检测到的声像可以用作在对电极检测到的信号进行处理的过程中的额外信息。

根据优选实施例，助听器进一步包含用于比较经由所述至少两个电极检测到的信号与关注分类(attention class)的预定义集合的装置，因此提供对助听器使用者关注的那部分声像的自动检测。

本文使用的术语“关注分类”表示但不限制于一个或多个主关注分类“信号类型”，即，在声像中信号的类型，使用者的“空间集中”(“spatial focus”)和使用者的“精神集中”(“mental focus”)。主关注分类“信号类型”可以包含例如语音、音乐、噪声等的子分类。主关注分类“空间集中”可以包含例如宽/窄、左/右等的子分类。主关注分类“精神集中”可以包含例如对环境感兴趣、全神贯注的、放松的等子分类。

根据特别优选的实施例，用于改变助听器的操作的装置响应于所述特征提取装置提取的至少一个特征来改变助听器操作，因此将助听器自动调适为助听器使用者关注的声像的给定部分。

根据优选实施例，在识别出(尤其在经由所述信号处理设备识别出)检测到的信号包含听力阈值测量结果、听力损失测量结果、注意力集中测量结果和脑-计算机接口(BCI)动作测量结果中至少一个的特征之后，助听器启动所述用于改变所述助听器的操作的装置。因此，将执行与听力阈值、听力损失、注意力集中和/或BCI动作有关的助听器调节，因此简化调节过程且避免由于检测到的信号的不相关特征的调节。

根据特别优选实施例，至少两个电极被布置在助听器的一部分(优选地是所述助听器的耳塞)的表面上和/或在其中，以便当使用者佩戴所述助听器时，所述至少两个电极与所述使用者的组织物理接触，因此，提供脑电波信号的检测中的提高的质量和信号强度。

根据另一个实施例，助听器进一步包含与所述至少两个电极连接的流体传导凝胶，因此提供改进的信号检测质量。然而，也可以采用适于该目的的其它普遍已知的电极材料。

根据特别优选实施例，所述至少两个电极是银电极，当这类电极暴露在使用者耳道中的环境条件时，这类电极提供特别好的耐用性。

根据本发明第二方面，提供包含第一和第二助听器的助听器系统，第一和第二助听器的至少一个是根据本发明第一方面的助听器，第一和第二助听器各包含放大器，且第一和第二助听器的至少一个包含信号处理设备，该信号处理设备包含特征提取装置和分类装置，其中第一和第二助听器的至少一个包含用于分别传送信息至第二或第一助听器的传送装置。

借助这类系统，比较由两个助听器(例如在使用者户的每只耳朵中的助听器)中每一个测量的信号变为可能。因此可以测量、比较并且监控声音感觉且因此例如可以测量、比较且监控每只耳朵的听力。

如已知左脑半球用于执行逻辑思维过程，且右脑半球执行较抽象的思维过程，进一步可行的是右助听器和左助听器分别检测由不同思维过程引起的不同信号，然后比较不同信号。

根据助听器系统的更多优选实施例，信号处理装置进一步包含分类组合装置，所述第一和第二助听器的特征提取装置和/或分类装置和/或分类组合装置分别经由所述传送装置互连，且所述传送装置是无线的。因此提供通过有线或无线连接的传送、监控和比较助听器系统中助听器之间的特殊特征和/或测量的可能性。当使用无线传送装置时，提供特别方便使用的助听器系统。

根据发明的第三方面，提供在使用者使用期间用于助听器的调适的方法，该方法包含以下步骤：提供根据本发明的至少一个助听器；测量来自所述使用者的脑信号(优选作为脑电图(EEG))；并且响应于检测到的信号调节所述助听器的操作。

根据特别优选实施例，方法包括另一个步骤，即比较所述测量的信号和关注分类的预定义集合。

根据特别优选实施例，以预定频率重复所述测量、比较和调节步骤。

根据另一个特别优选实施例，所述比较步骤包含通过在所述信号处理设备中执行第一算法从测量的脑信号提取特征，以及通过在所述信号处理设备中执行第二算法来分类所述特征。

附图说明

基于非限制示例性实施例并且参考附图，将在下面更详细描述本发明。在附图中：

图1示出根据本发明的助听器的实施例，

图2示出根据图1的助听器的耳塞，

图3示出图示说明根据本发明的助听器通过差分放大器的信号检测路径的实施例的流程图，即称为“模拟前端”的信号处理路径的开始部分，

图4示出图示说明根据本发明的助听器中特征提取和分类过程的原理的流程图，

图5、6、7示出图示说明根据本发明的助听器中特征提取和分类过程的原理的三个不同实施例的流程图，

图8示出图示说明根据本发明的助听器的完整信号检测和处理路径的实施例流程图，

图9a和9b组合示出图示说明根据本发明的助听器系统的完整信号检测和处理路径的实施例的流程图，

图10a示出对来自受试者的脑电波的24个试验测量结果的谱分析结果，其中受试者分别关注语音(虚线)和音乐(实线)，

图10b示出图10a的功率谱的区间20至35Hz的平均值和标准偏差，

图11示出对来自受试者的脑电波的24个试验测量结果的自回归分析(AR分析)的结果，其中受试者分别关注语音(以“+”标记)和音乐(以“o”标记)，

图12a、12b、12c示出对来自受试者的脑电波的20个试验测量的不对称分析结果，其中受试者分别关注语音和音乐，图12a示出所有试验的平均不对称比(AR)，图12b示出每个试验的AR且图12c示出与图12b中所示每个试验对应的值的平均值和方差，以及

图13分别示出在受试者眼睛睁开和眼睛闭合且无进一步刺激的情况下与图2中所示电极中的一个对应的耳内电极进行的测量的结果。

具体实施方式

图1示出根据本发明的助听器的优选实施例，该助听器包含耳后(BTE)部件101、用于插入使用者耳道中的耳塞103，即耳内(ITE)部件，和用于连接BTE部件101和耳塞103的连接装置102。耳塞103包含表面和连接开口104。

连接开口104是这样的开口，即通过该开口将声音从助听器(HA)传送至使用者的耳道，从而传送至使用者的耳膜。在普通BTE助听器的情况下，连接开口104用于直接与连接装置102相连。在耳内接收器(RITE)助听器的情况下，连接开口104用于连接该连接装置102和接收器。

助听器耳塞例如耳塞103优选被定制模制为适合使用者的耳朵，优选地适合使用者的耳道。当插入到使用者耳内，优选地插入到使用者耳道中时，耳塞103的表面将位于邻近使用者耳朵的组织且物理接触使用者耳朵的组织。应当注意，根据本发明的助听器原则上可以是任何类型的助听器。

参考图2，助听器进一步包含五个电极201、202、203、204和205，其适于检测电信号，例如脑电波。优选地相对于参考点执行以下详细说明的实际检测。电极201-205被布置在助听器耳塞206(图1中103)的表面上。可替换地，电极201-205可以被嵌入耳塞206的表面中，或者被布置在或嵌入助听器另一部分的表面。提供的电极201-205的精确数量可以多于或少于示出的五个电极201-205且对此不做评判。然而，提供至少两个电极是优选的，因为这类配置提供如下可能性，即允许电极中的至少一个电极充当参考点因此作为参考电极，剩余电极因此作为检测电极，从而改进测量的信号的质量。可替换地，电极201-205可以被设置为成组操作，例如成对操作，其中一个电极用作参考电极，从而一个或多个其他电极用作(多个)检测电极。电极201-205优选地由银制成，因为已知银具有很好地抵抗人耳道中存在的恶劣环境的属性。然而，原则上可以使用任何适合于抵抗人耳道中环境的材料。

为了进一步改进由电极201-205检测到的信号的质量，助听器可以包含与电极201-205相连的传导凝胶(未示出)。

参考图3，其示出图示说明根据本发明的助听器的电子器件的初始部分的实施例的流程图。电子器件的初始部分被称为模拟前端。示出的模拟前端被连接到多个电极(电极1到N)，为了简便，图3仅示出第一电极313和第N电极307，输入信号接收自这些电极。电极307和313经由通道308和314各自分别连接到差分放大器309和317，用于接收和放大由电极307和313检测到的信号。每个差分放大器309和317还经由通道316接收来自参考电极315的输入。差分放大器309和317被连接到相应的模数转换器(ADC)311和319。

此外，电子器件的初始部分包含输入换能器，其在图3中作为麦克风301示出。麦克风301通过连接到放大器303的麦克风通道302连接到模拟前端，放大器303连接到ADC 305。因此，通过麦克风301检测到的声像可以用作在对信号的处理中的额外信息，其中信号由电极307、313和315检测。

ADC 305、311、319对接收自放大器303和差分放大器309、317的相应放大信号304、310、318进行采样，从而产生时间上离散的输出信号306、312、320。注意到，麦克风信号306的采样频率可以不同于电极信号312、320的采样频率。来自各个ADC 305、311、319的输出信号306、312、320结合构成信号向量321，其可写为s＝s(i，n)，i表示被采样的信号的来源，即电极编号i，且n表示采样时间。因此信号向量321可以被视为时间和空间信号，或被视为时间依赖向量。信号向量321作为助听器中后续信号处理的输入，以下将进行解释。

转向图4，其图示说明了根据本发明的助听器中特征提取和特征分类过程的原理。信号向量401(图3中的321)用作特征提取装置402的输入。特征提取装置402的输出是一个或多个提取的特征，在此称为“特征向量”403，其充当分类装置404的输入，该分类装置404用于对特征向量403的提取特征进行分类。分类装置404的输出是关注分类的至少一个指示符，本文使用的术语关注分类已在说明书的开始部分进行定义。指示器可以指示多个关注分类(硬分类器)中的一个或给出每个关注分类(软分类器)概率的概率向量。在下文中，分类装置404的输出将被称为“分类向量”405。分类向量405作为输出被传送，该输出将被用于助听器的进一步信号处理装置中。

为了进一步阐明特征提取装置402和分类装置404的功能，可以考虑特征提取f和分类c作为信号向量401的空间S的维度减少映射(mappings)，其中信号向量401具有高维度：

f：S→F且c：F→C

其中F为更低维度的特征向量403的空间且C为构成分类向量405的另一更低维度的关注分类集合。很可能期望特征提取f和分类c两者必须被训练以便适应个体使用者。

图5中图示说明根据本发明的助听器系统中特征提取和特征分类过程的原理的第一实施例。助听器系统包含图5中虚线以上示出的第一助听器，例如左助听器，以及图5中虚线以下示出的第二助听器，例如右助听器。第一和第二助听器都为根据本发明的助听器并且基本是上面参考图1和2描述的。在示出的实施例中，在左和右助听器的每个助听器中，大体如上所述的模拟前端分别生成左信号向量501和右信号向量506。在左和右助听器的每个助听器中，相应的信号向量501和506用作结合图4说明的类型的特征提取和分类过程的输入。因此，相应的信号向量501和506分别用作特征提取装置505和507的输入，分别产生特征向量503和508，其又分别用作分类装置504和509的输入，分别产生分类向量505和510。

此外，特征提取装置502和507经由传送装置(图5中箭头所示)互连，用于信号向量501和506的交换。传送装置是无线传送装置，优选地适于助听器之间的双向通信，但原则上可以是任何合适的传送装置。这类助听器系统允许例如收集大量信号，因此将大量信息提供至执行最终信号处理的信号处理设备。

除了上述部件外，传送装置原则上可以形成助听器之间连接除上述之外的其它部件的连接。例如，如图6中所示的，特别示出图5所示过程的第二实施例，可以在助听器的分类装置604和609之间分别提供互连，因此，使特征向量603和608能够分别在助听器之间交换。

如图7所示，特别示出图5示出的过程的第三实施例，另一种可能性是提供用于交换相应分类装置704和710的输出(在图7中称为子分类向量705和711)的互连。在该情况中，助听器系统的每个助听器进一步包含分类组合装置706和712，其用于分别组合子分类向量705和711，从而分别形成最终分类向量707和713。

转向图8，示出流程图，该流程图图示说明根据本发明的助听器中完整信号获得和处理路径。该助听器包含电极801和803、参考电极805和麦克风807和810形式的输入换能器，上述电极和麦克风分别连接到模拟前端812且将信号802、804、806、809和811传送到模拟前端812。模拟前端812的输出(即信号向量813、821)被馈送到数字后端825。数字后端825的输出是馈送给助听器输出换能器的信号，这里示出为馈送给扬声器824的扬声器信号823。馈送给扬声器824的扬声器信号823通常为经由数模转换器(未示出)实现的模拟信号，该数模转换器例如设置在数字后端824中或其上。

数字后端825包含根据结合图4说明的方法的特征提取和分类的电路，因此包含对信号向量813执行的特征提取814和对特征向量815执行的分类816。在数字后端825，通过分类816获得的分类向量817用作装置(在图8中示为优化过程819)的输入，该装置用于比较分类向量817的关注分类和关注分类预定义集合。优化过程819旨在基于使用者专心集中的那部分声像对助听器算法进行优化。例如，助听器的噪声减小应取决于是在听语音还是音乐而进行不同操作(workdifferently)。将此直观化的一种方法是绘制(picture)价值函数，其中价值函数的各项的权重取决于关注分类。此外价值函数是被优化的助听器参数的函数。优化过程819因此应包含价值函数和适于为价值函数找到最佳值的数值算法。用于优化过程819的输入是关注分类，且输出是影响助听器自身中声音处理的参数。来自优化过程819的输出820被馈送给助听器信号处理单元822，信号处理单元822包含用于响应于输出820因此实质上是响应于特征提取装置814最初提取的特征，改变助听器操作的装置。

此外，信号处理单元822可以包含用于例如当助听器被不正确地设置在耳道中或发生故障时使使用者在听觉上知道的装置(未示出)。

此外，单元822可以包含用于处理由麦克风获得的且从模拟前端812直接馈送到单元822的信号821的装置(未示出)。这类装置例如可以包含方向性系统、压缩器、噪声降低装置和反馈消除装置。

图9a和9b结合示出图示说明根据本发明的助听器系统中完整信号获得和处理的流程图，其中助听器系统包含左助听器914(图9a)和右助听器928(图9b)。左助听器914和右助听器928两者大体上都为结合图8所描述的类型的助听器。然而，助听器系统进一步包含用于在助听器914和928之间交换信息的传送装置915，优选地是无线传送装置。该助听器系统的功能与根据图8的助听器的功能的不同之处仅在于：根据结合图5、6和7描述的方法之一执行特征提取907和922以及分类908和923。

因此，传送装置915通常形成助听器系统的相应助听器914和928的两个任选部件之间的连接，但优选的是根据图5、6和7中任何一个的连接。此外，传送装置915适于使在助听器914和928之间形成的连接可根据期望和/或需求被改变。

下文中，将更详细描述信号处理的示例，其基于记录的EEG数据在根据本发明的助听器的信号处理设备中被执行。这些示例将涉及使用助听器检测脑电波以便估算使用者关注(即注意力集中)哪一部分声像的有些令人吃惊的可能性。

实验设置

使用带有两个声源的立体信号建立实验。声源分别为连续的语音和音乐。在所有试验中，声源位置保持固定，其中语音来自立体信号右通道和音乐来自立体信号左声道。对于实验中的每个试验，要求测试受试者持续大约30秒听立体信号，且被提供指令以在整个试验中专心集中在语音或音乐上且在试验之间交替集中。

通过在所有试验中播放相同立体信号，保证不直接或间接与注意力关联的因素被排除。这基于以下假设，即，可被测量的分别对语音和音乐的关注的不同来源于从脑认知层至“更低”知觉或感觉层的反馈。

实验被设计为抵销不直接或间接与注意力有关的脑反应并且还抵消外部因素和来源。

在隔声室(sound booth)中进行实验。使用gMOBIlab+便携式生物信号采集系统(8个电极，单极录音)，记录来自四个受试者的EEG数据形式的数据。要求受试者听与空间分开的音乐/语音录音一样的音轨(audio track)，且要求受试者在试验之间将他们的注意力从音乐转移到语音或从语音转移到音乐。

每个EEG记录包含8个通道，且采样频率为256Hz，其在进行的实验中足够用于捕获脑电活动。通过24个试验来实现该实验，即，12个试验中注意力集中在语音上，12个试验中注意力集中在音乐上。

实验结果

a)谱分析

图10a和10b示出每个试验在29秒时间段上执行的谱分析结果。应用周期图从而使用一系列长度N的相互重叠的窗口执行功率谱密度(PSD)分析，其中N设为100。谱分析描述了在给定频率波段中信号的能量总量。

根据窗口数据确定图10a中示出的平均功率谱，其用虚线特别示出语音且用实线特别示出音乐。

图10b示出图10a所示的谱在频率区间20至35Hz中总能量的平均值和标准差。以“+”表示关注语音的试验，以“o”表示关注音乐的试验。图10b中所示幅度的明显差别揭示获得以高成功率区分在此实验的两个关注分类(即，语音和音乐)的分类装置是可能的。

b)自回归分析(AR分析)

自回归分析(AR分析)可以用于从电极测量的信号获得时域特征。与谱分析相反，由AR分析获得的特征将是无维的(dimensionless)。这提供了重要的优势，即，信号水平的改变(例如，由于电极和皮肤间改变的接触)不影响计算出的特征。通过AR分析获得的AR系数说明在信号中时间相关结构。

用于AR分析的模型假设在数据序列S₁，S₂，…S_N中的当前样本S_n可以被预测为p个最近采样值S_n-1，S_n-2，S_n-p的线性加权和。模型的阶为p且应小于数据长度N。S_n的预测值

可以被写为：

\bar{S} = - Σ_{i = 1}^{p} a_{pi} S_{n - i}

其中a_pi是AR模型的权重，权重表示模型的系数。为了计算这些系数，应考虑实际值S_n和预测值

之间的误差。该误差称为正向预测误差e_pn，并且可以被写为：

e_{pn} = S_{n} - {\bar{S}}_{n} = S_{n} + Σ_{i = 1}^{p} a_{pi} S_{n - i}

预测误差的功率E表示用于所有数据序列的平方预测误差的平均值：

E = \frac{1}{N} Σ_{n = 1}^{N} e_{pn}^{2} = \frac{1}{N} Σ_{n = 1}^{N} {(s_{n} - {\bar{s}}_{n})}^{2} = \frac{1}{N} Σ_{n = 1}^{N} {(s_{n} + Σ_{i = 1}^{P} a_{pi} s_{n - 1})}^{2}

最后，可以通过对下列方程求解来估算AR模型的系数：

\frac{&PartialD; E}{{&PartialD; a}_{pi}} = 0,1 \leq i \leq p

利用四阶AR模型来获得时间段4-24秒的来自电极的时域特征。使用长度100的滑动窗口首先对每个信号分段，且使用基于EMD(经验模态分解)的过滤技术在0.01Hz到45Hz范围过滤每个窗口的数据。每个窗口内的AR模型系数在所有试验上被确定和平均。

图11示出结果，即对上述类型的实验中获得的测量值执行的AR分析的AR模型系数。以“+”表示关注语音的试验，以“o”表示关注音乐的试验。图11中示出的语音和音乐试验之间的显著的特征分离，揭示获得以高成功率区分语音和音乐两个关注分类的分类装置是可能的。

c)不对称分析

通过不对称分析，不对称率和平均频率值可以被结合从而产生2D绘图，其指示一对通道在各个时间和频率上的不对称水平。然后具体频率范围的平均不对称值被确定并且可以用于特征辩别。

不对称分析建立在称作二元EMD(BEMD)的经验模态分解(EMD)的扩展之上。通常EMD是在各自归于瞬时频率的多个分量上过滤或分解信号的数据驱动分析方法。通过利用BEMD的扩展，以共轭恒等的或几乎恒等频率在多个分量上分解两个信号。可以根据这类一对分量的幅度，计算在平均瞬时频率处两个信号之间的不对称。

为了测量两个EEG通道C₁和C₂在每个频率波段中的不对称率，利用BEMD首先分解复合信号z＝C₁+jC₂。复合固有模态函数提供两个通道C₁和C₂的常用频率分量集合。然后Hilbert Huang变换被分别用于实部和虚部，从而获得对应的瞬时幅度(a₁，a₂)和频率(f₁，f₂)。在此基础上，可以看出，不对称率(R_A)和平均频率(f_mean)可按下式得到：

R_{A} = \frac{| a_{1} - a_{2} |}{a_{1} + a_{2}},

f_{mean} = \frac{f_{1} + f_{2}}{2}

图12a、12b和12c中示出具有20个试验的实验和另外如上所述的这类不对称分析的结果。

图12a示出在频率波段3-14Hz上的平均不对称率。用虚线表示关注语音的试验，用实线表示关注音乐的试验。

图12b示出每个单独试验在频率波段3-14Hz中的平均不对称率。用“+”表示关注语音的试验，用“o”表示关注音乐的试验。

最后，图12c示出图12b所示的单独试验的值的平均和方差。用“+”表示关注语音试验的平均值，“o”表示关注音乐试验的平均值。

不对称分析，尤其如图12b和12c所示的不对称分析显示了关注语音的试验通常产生比关注音乐的试验更高的不对称率，因此有助于证实获得以高成功率区分两个关注分类语音和音乐的分类装置的可能性。不对称分析进一步显示了受试者之间变化的特征分离的最佳频率波段。

d)采用耳内电极进行的α波段测试

大量文件证明EEG的特征是：与眼睛睁开情况相反，在眼睛闭合情况下受试者展示强α波段分量(在大约10Hz时出现)。该现象可以用于估算EEG记录的质量。

因此在眼睛睁开和眼睛闭合且没有进一步刺激的两种情况下对受试者进行记录。在图13中示出使用对应于图2中电极204的耳内电极获得的记录的谱。可以看出，如预期的，在眼睛闭合情况下，α波段较大。因此，可以推断，通过耳内获得的记录与有文件证明的EEG特性一致。这些结果提供很大可能性，即用耳内电极测量的EEG数据是有效EEG数据。

最后，应注意，以上优选实施例的说明仅作为示例，且本领域技术人员应当了解很多变化是可能的，而不偏离权利要求的范围。

Claims

1.一种助听器，其包含放大器、输入换能器、输出换能器和信号处理设备，所述放大器和所述信号处理设备被连接，所述助听器其特征在于所述助听器进一步包含适于检测诸如脑电波的电信号的至少两个电极，所述至少两个电极被连接到差分放大器，所述差分放大器又被连接到所述信号处理设备，并且所述助听器还包含用于响应于检测到的信号改变所述助听器的操作的装置。

2.根据权利要求1所述的助听器，其特征在于所述信号处理设备包含特征提取装置和分类装置，所述特征提取装置用于从经由所述至少两个电极而检测到的信号中提取至少一个特征，所述分类装置用于对所述特征提取装置提取的所述至少一个特征进行分类。

3.根据上述任一权利要求所述的助听器，其特征在于进一步包含连接到所述特征提取装置的麦克风。

4.根据上述任一权利要求所述的助听器，其特征在于进一步包含用于比较经由所述至少两个电极检测到的信号和关注分类预定义集合的装置。

5.根据上述任一权利要求所述的助听器，其特征在于所述用于改变所述助听器的操作的装置响应于所述特征提取装置提取的所述至少一个特征改变所述助听器的操作。

6.根据上述任一权利要求所述的助听器，其特征在于，在识别出尤其是在经由所述信号处理设备识别出检测到的信号包含听力阈值测量结果、听力损失测量结果、关注集中测量结果和脑-计算机接口动作测量结果中的至少一个的特征之后，所述助听器启动所述用于改变所述助听器的操作的装置。

7.根据上述任一权利要求所述的助听器，其特征在于所述至少两个电极被布置在所述助听器一部分的表面上或其中，从而使得当使用者佩戴所述助听器时，所述至少两个电极与所述使用者的组织物理接触，所述助听器一部分优选为所述助听器的耳塞。

8.根据上述任一权利要求所述的助听器，其特征在于进一步包含与所述至少两个电极相连的流体传导凝胶。

9.根据上述任一权利要求所述的助听器，其特征在于所述至少两个电极是银电极。

10.一种助听器系统，其特征在于包含第一和第二助听器，所述第一和第二助听器中的至少一个是根据上述任一权利要求所述的助听器，所述第一和第二助听器各自包含放大器，且所述第一和第二助听器中的至少一个包含信号处理设备，所述信号处理设备包含特征提取装置和分类装置，并且其中所述第一和第二助听器的至少一个包含传送装置，所述传送装置用于将信息分别传送至所述第二或第一助听器。

11.根据权利要求10所述的助听器系统，其特征在于所述信号处理装置进一步包含分类组合装置。

12.根据权利要求10或11所述的助听器系统，其特征在于所述第一和第二助听器的所述特征提取装置和/或所述分类装置和/或所述分类组合装置分别经由所述传送装置互连。

13.根据权利要求10、11或12所述的助听器系统，其特征在于所述传送装置是无线的。

14.一种用于在使用者使用期间调适助听器的方法，所述方法包含以下步骤：

提供根据权利要求1至8中任一项所述的至少一个助听器，

测量来自所述使用者的脑信号，以及

响应于检测到的信号，调节所述助听器的操作。

15.根据权利要求14所述的方法，其特征在于进一步比较所述测量的信号和关注分类的预定义集合。

16.根据权利要求14或15所述的方法，其特征在于以预定频率重复所述测量、比较和调节步骤。

17.根据权利要求15或16所述的方法，其特征在于所述比较步骤包含：

通过在所述信号处理设备中执行第一算法，从测量的脑信号中提取特征，和

通过在所述信号处理设备中执行第二算法，分类所述特征。

18.根据权利要求15、16或17中所述的方法，其特征在于使用基于经验模态分解(EMD)的信号处理执行至少一部分所述比较步骤。