CN106537939B - 优化助听器系统中的参数的方法和助听器系统 - Google Patents

Abstract

本申请公开一种相对于用户的偏好优化助听器系统(100)中参数的方法和适用于实施这种方法的助听器系统(100)。

Description

优化助听器系统中的参数的方法和助听器系统

技术领域

本发明涉及优化助听器系统中的参数的方法。本发明还涉及适用于优化参数的助听器系统。

背景技术

在本公开的背景中，助听器可以被理解为小型的电池供电的微电子设备，其被设计成由听觉受损用户佩戴在人耳后面或者在人耳中。在使用之前，助听器由助听器适配者根据处方来调节。该处方基于听力测试，从而产生听力受损用户的未助听听力的表现的所谓听力图。开发出该处方以达到这样的设定，即其中助听器将通过在用户遭受听力缺陷的可听频率范围的那些部分中的频率处放大声音来减轻听力损失。助听器包括一个或多个麦克风、电池、微电子电路和声学输出换能器，该微电子电路包括适用于在用户遭受听力缺陷的可听频率范围的那些部分中提供放大的信号处理器。该信号处理器优选是数字信号处理器。该助听器被封装在适用于适配在人耳后面或人耳中的外壳中。

在该背景中，助听器系统可以包括单个助听器(所谓的单耳助听器系统)或者包括两个助听器，一个用于助听器用户的每个耳朵(所谓的双耳助听器系统)。此外，该助听器系统可以包括外部设备，诸如具有适用于与助听器系统的其他设备交互的软件应用的智能电话。因此，在当前背景中，术语“助听器系统设备”可以指代助听器或外部设备。

一般来讲，根据本发明的助听器系统被理解为意指提供可由用户感知为声学信号的输出信号的或者有助于提供此类输出信号的任何系统，并且该系统具有用于补偿用户的个人听力损失或有助于补偿用户的听力损失的装置。这些系统可以包括能够佩戴在身体上或头上(特别是佩戴在耳朵上或耳朵中)并且能被完全或部分植入的助听器。然而，一些主要目的不是补偿听力损失的设备也可以被认为是助听器系统，例如消费类电子设备(电视、高保真系统、移动电话、MP3播放器等)，只要它们具有用于补偿个人听力损失的措施即可。

在助听器系统的领域中众所周知的是，大多数用户将受益于考虑用户的个人偏好的助听器编程(该过程也可以代表适配)。助听器系统设定值的这类细调或优化也可以代表定制。然而，同样众所周知的是，定制的过程是一个非常具有挑战性的过程。

定制的一个问题是，对于用户而言，可能非常难于用语言解释什么类型的信号处理和所得的声音是优选的。

定制可能通常对于在助听器系统中进行的基本上所有不同类型的信号处理都是有利的。因此，定制可以与例如降噪以及声音环境分类相关。

EP-B1-1946609公开了一种用于优化助听器参数的方法。该方法基于贝叶斯(Bayesian)增量偏好诱导，由此响应于用户调节而调节至少一个信号处理参数。根据一个具体实施例，用户调节仅是用户异议的指示。

EP-B1-1946609的复杂性在于它应用参数化方法，以便对用户的未知内部响应函数(即用户的偏好)进行建模，因为很难找到适合于大量不同的助听器系统用户未知内部响应函数的合适的参数化模型。

此外，EP-B1-1946609是复杂的，这是因为处理和存储器要求非常高，特别是对于通常具有有限的处理和存储器资源的助听器系统。

因此，本发明的一个特征在于提供一种相对于用户满意度和对处理及存储器资源的要求而优化助听器系统设定值的改进方法。

本发明的另一个特征在于提供一种具有用于优化助听器系统设定值的改进装置的助听器系统。

此外，发明人已经发现用于提供舒适性的内部产生的声音(无论是用于掩蔽不期望的声音还是仅用于实现舒缓的体验)可以从定制中显著受益。

在本公开的背景中，舒缓的声音应当理解成具有某一质量的声音，凭借该声音容易在例如经受压力和焦虑时缓解并释放压力和焦虑。传统音乐是舒缓的声音的一个示例，而噪声最常用来指不舒缓的声音。

在本公开的背景中，舒缓的声音可以特别地理解成适用于缓解耳鸣的声音。

US-B2-6816599公开了一种类型的舒缓的声音，其可以由音乐合成器以非常适合于在例如助听器中实现的方式产生。

US-6047074公开了一种助听器，其也可以用于耳鸣治疗，其中从来自助听器输入换能器的输出信号推导出的有用的数字信号可以就其强度、其频谱分布和/或其时间结构进行评估，由此可以获得相反方向(补偿)的行为。因此，仅当不存在有用的信号时，可以激活用于耳鸣治疗的信号。由此可以设定在有用信号的结束与用于耳鸣治疗的信号的开始之间的任意转换时间。当发生较长的安静暂停时，掩蔽信号缓慢地混入并且因此淹没了令人烦扰的耳鸣噪声。还公开了可以用于掩蔽耳鸣的旋律声音序列或其他音调。

产生舒缓的声音的一个问题是，对于用户而言，可能非常难于用语言解释什么类型的声音被感知为是舒缓的。

如果用户期望使用舒缓的声音以便将他的注意力从例如感知的耳鸣音调移开，则这是特别重要的。

因此，本发明的一个特征在于提供一种用于定制产生舒缓的声音的改进方法。

本发明的另一个特征在于提供一种具有用于定制产生舒缓的声音的改进装置的助听器系统。

发明内容

在第一方面，本发明提供一种根据权利要求1所述的方法。

这提供了用于优化或定制助听器系统中的参数的改进方法。

在第二方面，本发明提供一种根据权利要求18所述的方法。

这提供了用于优化或定制助听器系统中的参数的改进方法。

在第三方面，本发明提供一种根据权利要求19所述的方法。

这提供了用于优化或定制助听器系统中的参数的改进方法。

在第三方面，本发明提供一种根据权利要求20所述的助听器系统。

这提供了适用于定制或优化助听器系统中的参数的改进的助听器系统。

其他有利特征在从属权利要求中出现。

从其中将更详细地解释本发明的以下具体实施方式中，本发明的其它特征将对本领域技术人员变得显而易见。

附图说明

以举例的方式，示出和描述了本发明的优选实施例。如将认识到的，在不脱离本发明范围的情况下，本发明能够具有其他实施例，并且其若干细节能够具有在各种显而易见的方面的修改。因此，附图和具体实施方式将被认为本质上是说明性而非限制性的。在附图中：

图1高度示意性地示出了根据本发明的实施例的助听器系统。

具体实施方式

在当前背景中，术语“舒缓的声音”表示这样的声音，即其在助听器中合成地产生以便帮助用户聚精会神，以感觉更轻松和舒适，从而减少压力并感到较少焦虑。

在一个方面，舒缓的声音可以通过掩蔽或通过将用户的注意力从不想要的和干扰的声音移开而实现上述效果。在另一方面，已经发现舒缓的声音本身可以帮助实现这种效果，而不管是否存在不想要的和干扰的声音。

一般地，发明人已经发现，如果舒缓的声音可以适用于用户的当前偏好(即被定制)，则该舒缓的声音为用户提供了显著的改进，因为发明人已经发现用户的偏好可能在一天中显著地多次改变，因此偏好可能取决于一天中的时间(上午、下午或晚上)或用户的心情或用户参与的活动的类型。

作为许多用户的变化的偏好的后果，发明人还发现，如果可以进行定制而不需花费太多时间来收听各种类型舒缓的声音，则其为用户提供了显著的改进。

作为许多用户的变化的偏好的其他后果，发明人已经发现，如果可以仅使用具有有限处理资源的助听器系统来进行定制，则其为用户提供了显著的改进，因为这允许在任何地方及任何时间进行定制。

此外，发明人已经发现，非常重要的是，可以在不要求用户以复杂的方式与助听器系统交互的情况下进行定制。

尤其是，发明人已经发现，如果提示助听器系统用户比较两个助听器系统设定值并且评定设定值中的一个比另一个优选多少，则可以推导出允许以预先未见的处理效率进行助听器系统定制的解析表达式。

如上所述，本发明对于舒缓的声音的定制是特别有利的。

例如在WO-A1-02/41296中可以发现一个示例，该示例人工生成适合于在助听器系统中实现的舒缓的声音。

另外，发明人已经发现，通过优化其中用于控制产生声音的参数被允许伪随机地变化的范围而有利地定制人工产生的舒缓的声音(诸如在WO-A1-02/41296中公开的那些声音)。然而，作为该定制方法的一个替代方案，发明人已经发现，所产生的舒缓的声音的谐波特性的优化可以为用户提供显著的改进。

首先参考根据本发明的第一实施例的定制舒缓的声音的方法。

在第一步骤中，由助听器系统从控制产生舒缓的声音的参数集合中选择一组参数。

这些参数被选择，以使得它们在其允许范围上变化时能够提供被感知为具有显著变化的多个舒缓的声音。

根据本实施例的一个变体并参考WO-A1-02/41296，该组参数包括特定谐波，其被添加到由根据WO-A1-02/41296的实施例的多个声音发生器产生的信号。因此，声音发生器被定制以提供具有经用户优选的谐波特性的声音。

根据本实施例的另一个变体并且再次参考WO-A1-02/41296，第一组参数包括用于一个或多个声音发生器的允许范围，在该范围内声音发生器的频率和渐弱时间可以根据所提供的随机数字的控制而变化。因此，发明人已经发现，可以通过定制范围(在该范围内允许参数值变化，即使这种变化可能被随机控制)来提供用于用户的显著改进。

在第二步骤中，选择第一组参数值和第二组参数值(这也可以代表第一参数值设定值和第二参数值设定值，或者仅第一设定值和第二设定值)，由此基于第一组参数值生成第一舒缓的声音并将其提供给用户，并且基于第二组参数值生成第二舒缓的声音并将其提供给用户。根据本实施例，第一组参数值和第二组参数值被随机地选择。

在变体中，第一组参数值和第二组参数值不需要被随机地选择。相反，第一组参数值是在助听器系统断电时有效的组。在另外的变体中，第一参数值设定值和第二参数值设定值可以是相同的。

现在考虑包含d个所选参数的值的以下d维向量x，其控制由助听器系统产生舒缓的声音：

x＝[x₁，…，x_d]^T

在下面，具有d个参数的特定值的d维向量x也可以代表设定值或参数值设定值。

在第三步骤中，提示用户比较第一舒缓的声音和第二舒缓的声音并提供允许确定用户偏好两种舒缓的声音中的哪一种的第一用户响应(其在下面也可以代表观察结果)。

根据本实施例，观察结果包括分级响应，由此用户通过在0和1之间的有界范围(也可以表示为间隔)内选择数字而评定第一舒缓的声音(并且因此评定第一参数值设定值)在多大程度上优于第二舒缓的声音(并且因此优于第二参数值设定值)，使得用户响应一表明例如第一参数值设定值无限地好于第二参数值设定值，而用户响应零表明第二组无限地好于第一组，并且二分之一的值表明两个选项被评定为同样好。

在本实施例的变体中，有界范围可以基本上覆盖任何范围，例如-1到+1的范围或-10到+10的范围。然而，需要强调的是，通常并且特别地在当前背景中，用户选择一个或另一个设定值不能被认为是提供相对于彼此的设定值的用户评定。因此，在当前背景中，当用户响应采取来自有界范围的数字的形式时，则该范围(或间隔)具有两个以上的元素。

在第四步骤中，用户基于多个参数值设定值提供多个附加用户响应，其中n个被测试的参数值设定值的组x可以给出为：

并且其中基于设定值

m个有界观察的向量与舒缓的声音对(pair)相关联，表明u_k，v_k∈{1，…，n}，使得：

y＝[y₁，…，y_m]^T

其中有界观察结果具有以下形式

y_k∈]a；b[

所有n*个可能的参数值设定值的组x^*被表达为：

用户的未知内部响应函数表示为f并假定成在给定参数值的设定值x的情况下编码特定声音的用户感知。

在下面，(随机)向量f被定义为包含函数值f(x_i)，其针对在用户的内部响应函数f的x中的n个设定值中的每一个：

f＝[f(x₁)，…，f(x_n)]^T

在第五步骤中，有界观察结果y的向量被变形成无界观察结果z的向量。这是使用通过将有界或部分有界观察结果y映射到无界观察结果z＝g(y)而定义的变形函数来完成的，其中：

用于进行映射的合适的函数可以从包括高斯分布的反累积分布函数、反S形函数和反双曲正切函数的单调递增函数集合中选择。

通过以这种方式映射或变形观察结果(在下面这些术语可以互换地使用)，可以在收敛速度(即找到用户偏好的参数值设定值所需的用户响应的数量)和稳健性(即定制方法能够提供反映用户内部响应函数的预测的机会)方面改进定制方法的性能。然而，应用变形不是本发明的方法的先决条件。

在第六步骤中，假设变形的观察结果z由下式给出：

z＝f(x_u)-f(x_v)+∈

其中ε是独立且相同分布的高斯噪声(ε～N(0，σ²))，并且表示当执行分级响应时用户的不确定性。

基于该假设，用于观察z的似然函数可以直接确定为：

其中z_k表示特定变形的用户响应，其中σ²表示用户响应的方差，并且其中

是具有平均值f(x_u)-f(x_v)和方差σ²的针对变量z_k的单变量高斯分布。在下面，方差σ²也可以代表似然超参数θ_lik。

在第七步骤中，使用以下新的创造性表达式来确定似然：

其中I_m×m是m×m单位矩阵，z＝[z₁，…，z_m]^T＝[g(y₁)，…，g(y_m)]^T，矩阵M是m×n矩阵，其除了元素

和

之外仅包括零。

因此，

表示具有均值向量Mf和协方差矩阵σ²I_m×m的针对用户响应组z的多元高斯分布。

在第八步骤中，从零均值高斯过程获取用户的未知内部响应函数的函数值的先验分布p(f|x，θ_cov)。这是基于以下事实获取的：零均值高斯过程将在函数值f的有限组上的联合分布定义成多元高斯分布：

其中在任何两个函数值之间的协方差由正半定协方差函数k(x_i，x_j，θ_cov)给出，使得协方差矩阵K由下式确定：

并且其中k是平方指数协方差函数(也可以代表高斯核(kernel))，其被定义为：

k(x_i，x_j)＝σ_fExp(-1/2(x_i-x_j)^TL^-1(x_i-x_j))

其中σ_f和正半定矩阵L是协方差超参数，其主要确定用户的内部响应函数的平滑度。协方差超参数σ_f和L可以一起表示为θ_cov。

通常，从高斯过程(下文可以缩写为GP)获得的先验(prior)捕获关于用户内部响应函数f的平滑度的假设，所述函数f作为参数值设定值x和不同助听器参数之间的相互作用的函数。

高斯过程的一个基本属性是，我们总是可以从由高斯过程建模的函数f(x)中得到函数值的任意有限组的联合分布。因此，我们可以连结包含函数值的两个向量并得到相应的联合分布，例如，如下所示：

其中：

由此，在给定另一个向量的情况下获取函数值的一个向量的条件分布是微不足道的。例如：

然而，在本实施例的变体中，可以应用其他正半定协方差函数而非高斯核。此类协方差函数的示例是γ指数协方差函数、Matern类协方差函数、有理二次协方差函数、周期协方差函数和线性协方差函数。

在第九步骤中，基于边缘似然的表达式的最大化而选择超参数θ＝{θ_cov，θ_lik}，从而所观察的数据的似然也被最大化。基于似然p(z|f，θ_lik)和先验(f|x，θ_cov)来确定边际似然：

p(z|x，θ)＝∫p(z|f，θ_lik)·p(f|x，θ_cov)df∝p(y|x，θ)

如果变形函数是固定的(意即它不包含需要被优化的超参数)，则最后的比例符号成立。

通常应用ML-II或MAP-II优化技术。但是在本实施例的变体中，也可以应用其他优化技术。

当应用ML-II方法时，则通过使关于超参数的负对数边际似然最小化来实现关于超参数的边际似然的最大化：

根据本实施例的变体，可以应用被称为MAP-II的方法，其中边际似然用针对噪声参数的合适的超先验分布p(θ)(诸如半学生氏t分布(half-student′s-tdistribution)、伽马分布、拉普拉斯分布、高斯分布或均匀先验)正则化。

随后，通过找到负对数的最小值，使得正则化的边际似然相对于p(θ|z，x)∝p(z|x，θ)p(θ)被最大化。因此，MAP-II优化由下式给出：

发明人已经发现，当少于50个观察结果可用(这通常是在定制助听器系统时的情况)时，该方法是特别有利的。

通过边际化函数值和函数值的观察结果之间的联合分布，推导出边缘似然的新解析表达式。这种联合分布是似然与先验的乘积，在此提供为：

当使用针对超参数的MAP-II或ML-II优化的边际似然时，使得边际似然的负对数最小化通常在数值上更稳健：

或者如果考虑原始无变形的观察结果

需要注意的是，对于y的负对数边际似然附加的最后一项是雅可比行列式(Jacobian)，并且如果变形是固定的，则该雅可比行列式不取决于超参数。因此，该雅可比行列式不影响超参数的梯度上升/下降优化，并因此可以在执行超参数的ML-II或MAP-II优化时被忽略。

根据本实施例的变体，变形函数是高斯分布的反累积密度函数Φ^-1(y)，在这种情况下，雅可比项可以容易地找到为：

因此，发明人已经推导出用于边缘似然的负对数的解析表达式，并且由此还推导出了边际似然的负对数相对于超参数的梯度，由此可以以非常有效的处理方式来确定这些超参数。

然而，在本实施例的变体中，协方差和似然的超参数可以利用来自类似情形的经验来设定以提供合格的猜测。在具体变体中，基于来自其他助听器系统用户的经验来设定超参数。

在其他变体中，变形函数可以包含超参数。

在第十步骤中，基于贝叶斯法则推导出用户内部响应函数的未知函数值的解析后验分布p(f|z，x，θ)：

通过应用先前给出的新颖的成对高斯似然，使用高斯过程和边缘似然推导出先验作为似然和先验的乘积的用户内部响应函数的积分，然后可以找到用于后验的解析表达式如下：

μ＝K(M^TMK+σ²I_n×n)^-1M^Tz

在第十一步骤中，找到针对用户的内部响应函数的未知函数值的预测分布的解析表达式。在完全贝叶斯建模中，在给定观测结果y或变形的观察结果z的情况下根据新函数值的预测分布

得出预测。因此，预测分布是条件分布，条件仅取决于观察结果。它从下式推导出：

p(f^*|z，x，x^*，θ)＝∫p(f^*|f，x，x^*，θ_cov)p(f|z，x，θ)df

需注意，由于先前参考八个步骤已经讨论的高斯过程，p(f^*|f，x，x^*，θ_cov)是高斯性的。因为根据本实施例的后验分布是具有

形式的高斯分布，因此积分的解具有解析解，并且预测分布通过插入来自后验分布的平均值和协方差给出，从而获得：

其中

以及

现在考虑预测分布的平均向量并且将其表示为μ^*，其通过以上表达式给出如下：

由此直接得出，只有项K*取决于属于x^*的参数值设定值。

在第十二步骤中，可以通过考虑x^*仅包含一个设定值x^*(这表明n^*＝1)的情况来找到在所有可能的设定值(即集合x^*)中用户偏好的参数值设定值，从而得到：

K_*＝[k(x^*，x₁，θ_cov)，…，k(x^*，x_n，θ_cov)]^T＝k(x^*)

这是一个函数，它采用单个输入x^*，并为每个测试的参数值设定值x_i返回协方差函数输出的向量。因此，我们可以将预测分布的平均值解释为返回相应平均函数值的单个参数值设定值的函数，即

μ^*(x^*)＝k(x^*)^T(M^TMK+σ²I_n×n)^-1M^Tz＝k(x^*)^T·B，

其中矩阵B不取决于x^*。

将平均值解释为采用单输入的函数使得可以使用下式给出的梯度来找到关于输入x^*的预测分布的平均值的(局部)最大值：

因此，接着本发明提供在所有可能的参数值设定值中用户偏好的参数值设定值的估计，其中由于用于梯度的解析表达式的可用性，可以仅使用非常有限的处理和存储器资源来提供该估计。

然而，根据本实施例的变体，可以通过考虑在这种情况下在集合x^*中的参数值设定值与已经呈现给用户的设定值(即，属于x的设定值)相同而在被测试的设定值中找到用户偏好的参数值设定值，因此我们有：

以及因此：

由此，可以用比本实施例更少的处理和存储器资源的方法来找到用户偏好的参数值设定值的估计，因为集合x通常具有有限的大小并因此可以在无需梯度方法的情况下被找到。

然而，根据本实施例，提示用户进行比较的设定值不是随机地选择的。相反，要与当前最佳参数值设定值

进行比较的下一个新设定值被找到参数值设定值

其使得新的双变量预期改进最大化并且由下式给出：

其中

以及

k_*(x)＝[k(x，x_i)，…，k(x，x_n)]

并且其中

是高斯分布的标准累积分布函数。

双变量预期改进的解析表达式的另一个具体优点是它允许用于双变量预期改进的梯度的解析表达式从下式推导出：

其中

以及

当推导出用于双变量预期改进的新解析表达式时，发明人已经考虑到，当使用高斯过程来对新的(即尚未测试的)参数值设定值x^*的函数值f(x^*)进行建模时，那么新参数值设定值的x^*函数值与当前最大值

处的函数值

共同变化。原始和公知的(单变量)预期改进公式(下文中可以被简称为EI)不考虑这一点。相反，EI公式要求

被确定性地定义。因此，当使用具有高斯过程的EI时，在最大点

处的平均函数值被用作相应函数值

的确定性预测，从而忽略方差

和协方差，其中用于新参数值设定值的函数值是从来自第十一步骤的预测分布可获得的。在非常普遍的情况下，这具有不期望的结果，即在所有可能的新参数值设定值x^*中，具有最大EI的参数值设定值是任意接近当前最大值x的设定值。因此，EI标准将结束任意接近当前最大值的建议点，只是因为协方差被忽略。由发明人设计的双变量预期改进避免了这种不期望的行为，因为其包括了协方差。

不利的是，双变量预期改进方法要求计算和存储来自第十一步骤的预测分布的整个协方差矩阵。由于只有少量参数(例如多于三个)，协方差矩阵的大小将太大而不能存储在助听器系统存储器中，即使具有数十GB的可用存储器也不行。因此，非常重要的是，发明人已经提供了用于双变量预期改进的解析表达式，因为这允许其使用梯度上升程序来最大化，其不要求计算和存储整个协方差矩阵。

在第一实施例的变体中，下一个新设定值不需要使用新的创造性双变量预期改进方法来确定。相反，可以使用单变量预期改进方法来确定下一个新设定值。

在第一实施例的其他变体中，发明人已经发现，助听器系统设定值的任何定制都可以从所公开的方法中受益。

现在参考根据本发明的第二实施例的定制助听器系统中的参数的方法。

在第一步骤中，选择多个助听器系统参数用于用户定制。根据本实施例，助听器系统包括允许用户选择待定制的参数的图形用户界面。

在本实施例的变体中，助听器系统被适配，由此使得用户能够从菜单中选择是否定制例如降噪或舒缓的声音，并且助听器系统将响应于用户的选择而选择待定制的适当参数以及允许参数变化的范围。

在第二步骤中，提示用户比较作为两个不同参数值设定值的函数的来自助听器系统的声学输出，并且提供表示用户对两个不同参数值设定值相对于彼此的用户评定的用户响应。根据本实施例，助听器系统包括允许用户输入其评定的图形用户界面。

在第三步骤中，至少临时地在助听系统的存储器中存储多个用户响应和相应的参数值设定值，并且随后存储用于确定大小为n×n的协方差矩阵K的参数值设定值，其中n是被测试的参数值设定值的数量，给出如下公式：

其中k是正半定协方差函数，诸如平方指数协方差函数，并且x₁，x₂，…，x_d是表示不同参数值设定值的向量。

在第四步骤中提供大小为m×m的矩阵M，其中m是所提供的用户响应的数量，其中除了

和

外，M仅包括零，并且其中指数k表示第k个用户响应，而指数u_k和v_k表示用于提示第k个用户响应的参数值设定值。

根据本实施例的变体，在测试的参数值设定值中用户偏好的参数值设定值

被给出为：

其中σ²是独立且相同分布的高斯噪声，并且表示当进行分级响应时用户的不确定性，并且其中z是从所提供的用户响应推导出的向量。

根据本实施例，σ²是基于如针对本发明的第一实施例详细解释的MAP-II优化确定的，并且矢量z是从有界的用户响应的矢量y推导出的，同样如参考本发明的第一实施例所解释。

现在参考图1，其高度示意性地示出了根据本发明第三实施例的助听器系统100。助听器系统100包括助听器101和外部设备102。外部设备102包括图形用户界面103、参数设定选择器104、参数存储器105和最佳参数估计器106。助听器101包括音频输入件107、助听器数字信号处理器(DSP)108、参数控制器109和电声输出换能器110。

首先，图形用户界面103适用于允许助听器系统用户111选择多个助听器参数以便对助听器系统用户的偏好进行定制。参数存储器105保持关于可被选择用于定制的参数信息，诸如允许参数变化的范围。

参数设定选择器104包括允许确定将由助听器用户111评定的接下来两个参数值设定值的算法，并且参数设定选择器104还适用于将待发送的所述两个参数值设定值提供到助听器101的参数控制器109。

参数控制器109适用于在助听器中合成地产生声音的情况下控制音频输入件107，或者在助听器DSP 108当处理来自音频输入件107的声音时使用待评定的参数的情况下控制助听器数字信号处理器108。

音频输入件107可以提供合成产生的电信号(其表示例如舒缓的声音)或者可以中继从一个或多个声电换能器接收的信号。

助听器DSP 108适用于处理表示从音频输入件107接收的声音的电信号，并将经处理的信号提供到电声换能器110，以便通过放大在其中用户遭受听力缺陷的音频频率范围中的那些部分的声音来减轻听力损失。

最佳参数估计器106适用于基于由助听器系统用户111提供的用户响应和参考前面实施例详细描述的所评估的参数值设定值而估计助听器系统用户111优选的参数值设定值。最佳参数估计器106还适用于将优选的参数设定值提供给助听器，以便调节助听器中的参数设定值，从而完成定制过程。这可以响应于用户输入触发该操作、响应于用户已经执行了预定数量的评定或响应于满足一些其他收敛标准而完成。

根据前述实施例的变体，当用于多个至少伪随机选择的参数值设定值的预期改进的组合幅值低于预定阈值时，定制过程被认为已经收敛。

通常，在适用的情况下，结合特定实施例提到的变体也可以被认为是其他公开的实施例的变体。

这对于所公开的方法可以用于助听器系统设定值的任何类型的优化(即定制)的事实尤其是真实的。

这对于选择用于协方差和似然函数的超参数的值的方法也是真实的。

此外，这对于是否应用映射(也可以代表变形)技术是真实的。

同样地，这对于用于确定将由用户评定的接下来的参数值设定值的方法也是真实的。本发明不取决于用于确定接下来的参数值设定值的具体方法，但是新的创造性双变量预期改进方法可能是显著有利的。

待定制的参数是否被用于控制如何在助听器系统中处理声音或者它们是否被用于控制助听器系统如何合成地产生声音同样独立于特定实施例。

因此，例如如何为用户定制提供或供应或选择助听器系统参数不取决于特定实施例。提供用户响应的方法也不取决于特定实施例。

在当前的背景中，主要表达用户的内部响应函数的未知函数值的分布，以使得超参数明显地出现。然而，在不是任何一处都这样的情况下，超参数显然被假定为隐含地公开。

Claims (21)

1.一种优化助听器系统中的参数的方法，包括以下步骤：

提供待优化的一组参数x₁，x₂...x_d；

基于第一参数值设定值x₁＝[x₁₁，x₂₁，..，x_d1]提供第一声音，并且基于第二参数值设定值x₂＝[x₁₂，x₂₂，...，x_d2]提供第二声音；

提示用户对所述第一声音和所述第二声音相对于彼此进行评定；

提供表示所述用户对这两个声音相对于彼此的评定的用户响应y₁；

提供m个用户响应y＝[y₁，y₂，...，y_m]，其中每个所述用户响应表示所述用户对两个声音相对于彼此的评定，并且其中所述声音从n个参数值设定值x₁，x₂，...，x_n的群组推导出；

将高斯似然函数定义为：

其中f(x_u)和f(x_v)表示所述用户的内部响应函数f的特定函数值，其中y_k表示特定用户响应，其中σ²表示所述用户响应的方差，并且其中

是具有平均值f(x_u)-f(x_v)和方差σ²的针对y_k的单变量高斯分布；

将所述似然定义为：

其中

表示具有平均向量Mf和协方差矩阵σ²I的针对所述用户响应y的多变量高斯分布，其中I是m×m单位矩阵，并且M是除元素

和

之外仅具有零元素的m×n矩阵；

使用高斯过程获取所述用户的内部响应函数的函数值的先验分布；

使用贝叶斯法则获取所述用户的内部响应函数的函数值的解析后验分布；

基于所述用户的内部响应函数的函数值的所述后验分布的所述解析表达式推导出预测分布的解析表达式；以及

使用所述预测分布的所述解析表达式找到所述用户偏好的参数值设定值。

2.根据权利要求1所述的方法，其中所述用户响应采取来自有界区间或部分有界区间的数字的形式。

3.根据权利要求1所述的方法，其中所述用户响应根据

建模，其中y_k是所述用户响应，

和

是针对两个不同参数值设定值

和

的所述用户的所述内部响应函数的函数值，并且其中ε被假定为相同且独立分布的高斯噪声。

4.根据权利要求1所述的方法，其中所述用户的内部响应函数的所述函数值的所述先验分布被给出为：

其中

是一组n个经测试的参数值设定值，并且其中K是协方差矩阵。

5.根据权利要求4所述的方法，其中所述协方差矩阵K由[K]_i，j＝k(x_i，x_j)确定，其中k是从函数集合中选择的正半定协方差函数，所述函数集合包括平方指数协方差函数、γ指数协方差函数、Matern类协方差函数、有理二次协方差函数、周期协方差函数和线性协方差函数。

6.根据权利要求4所述的方法，其中用于所述用户的内部响应函数的所述函数值的所述后验分布的所述解析表达式被给出为：

μ＝K(M^TMK+σ²I_n×n)^-1M^Ty

7.根据权利要求1所述的方法，其中用于所述预测分布的所述解析表达式被给出为：

其中

其中

并且

其中k是正半定协方差函数，

其中x_i(其中i＝1，...，n)代表已经测试的参数值设定值，

其中

(其中i^*＝1，...，n^*)代表所有可能的参数设置值中的参数值设定值，并且

其中θ_cov和θ_lik是用于所述协方差和所述似然的超参数。

8.根据权利要求1所述的方法，其中提供一组用户响应的步骤包括使用双变量预期改进的解析表达式确定将由所述用户评定的下一个参数值设定值的步骤。

9.根据权利要求8所述的方法，其中所述双变量预期改进的所述解析表达式由下式给出：

其中：

并且

其中I_n×n是n×n单位矩阵，并且

其中σ²是独立且相同分布的高斯噪声并且表示当进行分级响应时所述用户的不确定性，

其中

其中k是正半定协方差函数，

其中x_i(其中i＝1，...，n)代表已经测试的参数值设定值，

其中x^*代表所有可能的参数设置值中的参数值设定值，

其中θ_cov是协方差的超参数，并且

其中

是标准高斯累积分布函数。

10.根据权利要求8所述的方法，其中用于作为新参数值设定值的函数的所述双变量预期改进的梯度的解析表达式被用来使用梯度上升或下降方法找到作为所述一组参数值的函数的所述双变量预期改进的最大值。

11.根据权利要求10所述的方法，其中用于作为所述一组参数值的函数的所述双变量预期改进的梯度的所述解析表达式的梯度被给出为：

其中

并且

其中I_n×n是n×n单位矩阵，并且

其中σ²是独立且相同分布的高斯噪声并且表示当进行分级响应时所述用户的不确定性，

其中

其中x和x_i(其中i＝1，...，n)代表已经测试的参数值设定值，

其中x^*代表所有可能的参数设置值中的参数值设定值，

其中

k_*(x)＝[k(x，x_i)，...，k(x，x_n)]

其中k是正半定协方差函数，

其中

是标准高斯累积分布函数，

其中

并且其中

12.根据权利要求1所述的方法，包括以下步骤：

通过对边际似然应用ML-II或MAP-II优化来确定协方差超参数θ_cov和似然超参数θ_lik。

13.根据权利要求12所述的方法，其中确定所述似然超参数和所述协方差超参数的步骤包括找到作为所述超参数的函数的负对数正则化边际似然的最小值，该最小值由下式给出：

其中

其中所述超参数θ＝{θ_cov，θ_lik}，并且

其中p(θ)是合适的超先验分布。

14.根据权利要求1所述的方法，其中待优化的参数包括用于控制生成舒缓声音的参数。

15.根据权利要求1所述的方法，包括以下步骤：

将所述用户响应从有界或部分有界的第一响应范围映射到无界的第二响应范围。

16.根据权利要求15所述的方法，其中映射所述一组用户响应的步骤被适配成使得所述用户响应在所述第二响应范围中变得更高斯地分布。

17.根据权利要求15所述的方法，其中映射所述用户响应的步骤使用从包括所述高斯分布的反累积分布函数、反S形函数和反双曲正切函数的函数集合中选择的单调递增函数来进行。

18.一种优化助听器系统中的参数的方法，包括以下步骤：

提供待优化的一组参数x₁，x₂，...，x_d；

基于第一参数值设定值x₁＝[x₁₁，x₂₁，..，x_d1]提供第一声音，并且基于第二参数值设定值x₂＝[x₁₂，x₂₂，...，x_d2]提供第二声音；

提示用户对所述第一声音和所述第二声音相对于彼此进行评定；

提供表示所述用户对这两种声音相对于彼此的评定的用户响应y₁；

提供m个用户响应y＝[y₁，y₂，...，y_m]，其中每个所述用户响应表示所述用户对两个声音相对于彼此的评定，并且其中所述声音从n个参数值设定值x₁，x₂，...，x_n的群组中推导出，

获得矩阵K：

其中k是正半定协方差函数，

获得矩阵M，该矩阵M是除了

和

之外仅包括零的m×n矩阵；

在所测试的参数值设定值中确定所述用户偏好的参数值设定值

为：

其中I_n×n是n×n单位矩阵，并且

其中σ²是独立且相同分布的高斯噪声并且表示当进行分级响应时所述用户的不确定性。

19.一种优化助听器系统中的参数的方法，包括以下步骤：

提供待优化的一组参数x₁，x₂，...，x_d；

基于第一参数值设定值x₁＝[x₁₁，x₂₁，..，x_d1]提供第一声音，并且基于第二参数值设定值x₂＝[x₁₂，x₂₂，...，x_d2]提供第二声音；

提示用户对所述第一声音和所述第二声音相对于彼此进行评定；

提供表示所述用户对这两种声音相对于彼此的评定的用户响应y₁；

提供m个用户响应y＝[y₁，y₂，...，y_m]，其中每个所述用户响应表示所述用户对两个声音相对于彼此的评定，并且其中所述声音从n个参数值设定值x₁，x₂，...，x_n的群组中推导出，

获得矩阵K：

其中k是正半定协方差函数，

获得矩阵M，该矩阵M是除了

和

之外仅包括零的m×n矩阵；

使用作为单参数值设定值的函数的预测分布μ^*(x^*)的平均值，从所有可能的参数值设定值x^*中确定所述用户偏好的参数值设定值，所述预测分布μ^*(x^*)为：

μ^*(x^*)＝k(x^*)^T(M^TMK+σ²I_n×n)^-1M^Ty

其中：

k(x^*)＝[k(x^*，x₁，θ_cov)，...，k(x^*，x_n，θ_cov)]^T

其中θ_cov和θ_lik是用于协方差函数和似然函数的超参数，

其中I_n×n是n×n单位矩阵，

其中x_i(其中i＝1，...，n)代表已经测试的参数值设定值，

其中x^*代表所有可能的参数设置值中的参数值设定值，并且

其中σ²是独立且相同分布的高斯噪声并且表示当进行分级响应时所述用户的不确定性；

使用梯度上升或梯度下降方法找到相对于输入x^*的所述预测分布的平均值的最大值，其中使用由下式给出的梯度：

并且其中

k_*(x)＝[k(x，x_i)，...，k(x，x_n)]

其中k_*是平方指数协方差函数。

20.一种适用于根据前述权利要求中任一项所述的方法优化助听器系统中的参数的助听器系统。

21.根据权利要求20所述的助听器系统，其中所述助听器系统适用于优化的所述参数包括用于控制产生舒缓声音的参数。

Images