CN109391891B - 用于运行听力设备的方法和听力设备 - Google Patents

Abstract

给出一种用于针对使用者运行听力设备(2)的方法。在所述方法中，执行肌电图扫描，在肌电图扫描中借助电极阵列(16)测量使用者的耳肌(M)的肌肉活动。连续测量肌肉活动，以采集耳肌(M)的复杂的活动概况，使用者的意图被编码在所述活动概况中。电极阵列(16)产生传感器信号(S)，借助分类器(20)对传感器信号进行分类，在分类中对肌肉活动进行解码，并且通过检查传感器信号(S)是否具有事先已知的特征矢量(V)来确定潜在的意图。将事先已知的特征矢量(V)与听力设备(2)的运行模式相关联，当传感器信号(S)具有该事先已知的特征矢量(V)时，设置所述运行模式。还给出了一种对应的听力设备(2)。

Description

用于运行听力设备的方法和听力设备

技术领域

本发明涉及一种用于运行听力设备的方法以及一种对应的听力设备。

背景技术

听力设备一般用于再现使用者的耳朵方向上的声音信号。为此，听力设备被佩戴在耳朵中或上并且具有听筒，经由听筒进行声音输出。听力设备尤其用于供应听力受损的使用者。这种听力设备通常具有用于接收来自环境的声音信号的多个麦克风以及信号处理单元，信号处理单元以合适的方式修改、特别是放大接收到的声音信号，然后向听筒转发，以进行输出。

使用者对这种听力设备的使用主要取决于听力设备输出声音信号、使得声音信号尽可能最佳地对应于使用者在具体情形下的需要的能力。因此，首先在拟合会话的过程中使听力设备匹配于使用者的个人听力概况。这经由设置听力设备的多个运行参数来进行，然后运行参数定义听力设备正常运行时、即日常使用中的行为。此外，在正常运行中理想的是，一起考虑改变的情形、特别是可变的环境条件，例如使用者是停留在安静、还是嘈杂的环境中，存在许多、还是较少的声音源，或者声音源是哪种类型。对此，提供具有运行参数的不同的设置的不同的运行模式。然后，由使用者手动或者由听力设备自己自动设置相应的运行模式。

为了进行自动设置，使用附加传感器或者对麦克风产生的麦克风信号进行分析。由此，获得关于在给定时间点占统治地位的环境条件的附加知识。然后，在听力设备在正常运行时的运行参数的匹配概念中引入这些知识。例如，可以借助分类器识别麦克风信号中的特定结构，并且识别如此确定的预先定义的情形，例如“语音”、“音乐”或者“背景噪声”。然后，作为对特定环境的识别的反应，设置具有合适的运行参数的对应地合适的运行模式。为此，同样可以使用附加传感器，例如可以想到加速度传感器，借助其识别头部运动，然后由此推断使用者将在另一个方向上倾听。

所提到的用于改善听力设备在运行中的设置的解决方案仅仅是多个可能性中的示例。然而，对于这些解决方案共同的是，其依赖于传感器，传感器本质上采集外部影响，因此对应地容易出错，尤其是易受关于使用者的意愿的错误解释的影响。例如，如果在一个方向上测量到突然新出现的噪声，则这不一定意味着使用者将改变倾听方向，因为其可能是无关紧要的注意力分散。使用者的实际意图实质上保持未知。因此，另一种想法是测量脑电波并且产生EEG(脑电图)。借助EEG测量的脑电波是不同的神经信号的总和。因为使用者的脑电波本身作为对目前存在的情形的响应而产生，因此已经可以提供一定程度的意图，从而脑电波作为信号以高概率对于当前情形是相关的。为了测量脑电波，在使用者的头皮上以分布的方式安装具有多个电极的电极阵列。然后，使用者的特定反应产生特定样本的脑电波，从而然后可以借助对这种样本的识别对听力设备、更准确地说运行参数进行有针对性的设置。然而，EEG测量在设备方面是非常昂贵的。总而言之，EEG因此不适合日常使用。

在US 2012/0245655 A1中，与单纯测量脑电波不同，描述了测量肌肉反射、即耳后肌肉(英语：post-auricular muscle)的反射，因此这种反射也称为PAMR(post-auricularmuscle reflex(耳后肌肉反射)的缩写)。这种反射由声学刺激、尤其是大声的突然的噪声、例如爆裂声触发。通过测量这种反射，于是可以识别人对相应的声学刺激的反射性反应。耳后肌肉的反射借助具有多个电极的电极阵列来测量。在信号增大时或者在达到阈值时，识别出反射本身。然后，可以基于这种识别来对听力设备的运行特性进行设置。

发明内容

在这种背景下，本发明要解决的技术问题是，给出一种改进的用于运行听力设备的方法以及一种对应的听力设备。在此，尽可能可靠地根据使用者在具体情形下的需要来实现听力设备的多个运行参数。此外，所述方法和听力设备尽可能适合日常使用。

根据本发明，上述技术问题通过具有根据本发明的特征的方法以及通过具有根据本发明的特征的听力设备来解决。有利设计、扩展和变形是本发明的内容。在此，关于方法的描述同样也适用于听力设备，反之亦然。

所述方法用于运行听力设备。听力设备被构造为由使用者使用。在所述方法中，执行肌电图扫描，其中，借助电极阵列测量使用者的耳肌的肌肉活动。肌肉活动特别地是用于对准使用者的相关耳朵的耳肌的定向活动的结果，然而其中，人的这种定向活动在生物进化上部分是十分不发达的，因此仅不健全地形成。连续测量肌肉活动，以采集耳肌的复杂活动概况，使用者的意图被编码其中，即，使用者的意图被编码在肌肉活动中。意图也专门称为倾听意图。电极阵列产生传感器信号，借助分类器对传感器信号进行分类。在进行分类时，对肌肉活动进行解码，并且通过检查传感器信号是否具有属于事先已知的类别的事先已知的特征矢量，来确定潜在的意图。将事先已知的特征矢量、即事先已知的类别与听力设备的运行模式相关联，当传感器信号具有事先已知的特征矢量时，即当识别出该意图时，设置该运行模式。因此，根据耳肌组织的肌肉活动确定使用者的意图，并且根据该意图设置听力设备，即设置与意图相关联的特定运行模式，以便在作为该意图的诱因的情形下保证听力设备最佳地运行。

听力设备的运行在给定时间点通过多个运行参数的特定的值来定义。这些运行参数和其值形成听力设备的运行模式。运行参数例如是放大因数，在向使用者输出之前以该放大因数对输入的声音信号进行放大。相应的运行模式用于使听力设备在与该运行模式相关联的特定情形下的行为最佳地匹配于使用者在该特定情形下的需要。“设置运行模式”应当理解为以预定方式将一个或多个运行参数例如设置为特定的值。原则上也可以同时设置多个运行模式，其中，于是例如作为不同的运行模式的值的平均值产生运行参数的值。

在本方法中，执行肌电图扫描(简称为EMG)，其中，借助电极阵列测量使用者的耳肌的肌肉活动。该肌肉活动是大脑向耳肌发送的神经信号的结果。对应地，借助电极阵列测量生物电信号，即耳肌的电势。生物电信号从耳肌出发，也就是说，与EEG不同，不测量大脑的神经信号，而是测量耳肌上的信号。EMG测量的一个显著的优点特别是在于，与在进行EEG测量时相比，要测量的信号明显更强并且更孤立。在EEG测量的过程中测量由大脑发出的神经信号，然而，在耳肌上经由其它电机单元对该神经信号进行放大，从而针对EMG测量提供更强的信号。与大脑相比进一步布置在头部外部的耳肌也不受其它神经和肌肉的大量其它的信号和反应影响，而EEG必须测量多个神经信号的叠加。换句话说：EMG信号已经以自然的方式经过了过滤和放大。因此，在EMG中，与EEG相比，信号质量明显更好，并且提供更多有用信号来进行分析。由此消除了用于进行信号整理的对应的设备开销的必要性，由此使听力设备明显更紧凑并且在根本上才适合日常使用。此外，EMG测量的传感器信号相对于EEG测量具有更高频率的频率分量，从而EMG测量相对来说能够更快地执行并且产生更短的测量时间。

电极阵列用于产生传感器信号。为此，电极阵列具有布置在使用者的头部的不同位置的多个单电极或者也称为极。一个单电极也是一个单电气触点。现在，为了测量肌肉活动，测量两个不同的电极之间的电势差。然后，电势差产生传感器信号并且特别是对应于传感器信号。因此，电极阵列被构造为多极的，以便作为使用者的头部的不同的位置的两个单触点之间的电势差测量传感器信号。

在本申请的范围内，“耳肌”应当理解为人的耳肌组织的肌肉中的一个。耳肌组织由耳前肌、耳后肌、耳廓上肌、耳轮大肌、耳轮小肌、耳廓横肌、耳廓斜肌、耳屏肌和对耳屏肌构成。前面提到的名单是详尽的。优选本方法中的耳肌是三个外耳肌(即耳前肌、耳后肌、耳廓上肌)中的一个，尤其特别优选后耳肌、即耳后肌，因为其位于在耳后佩戴的听力设备的佩戴区域中。

人的耳肌至少目前不再执行相关功能，但是仍然在一些情形下尤其是根据声学刺激由大脑控制。对耳肌的实际上故意的激励对于大多数人来说是不可能的，然而对于绝大多数人，就在人有意、即故意进行动作时以特定方式一起激励耳肌组织而言，大脑还是以有意控制的方式进行激励。于是，借助电极阵列采集到的肌肉活动是定向活动，即目的为对准耳朵的活动，但是这种激励在结果方面保持没有效果，因为人对耳朵的这种对准实际上是不可能的。然而，借助耳肌组织故意对准耳朵的这种能力对于一些动物是存在的。在Hackley等的“Combined Use of Microreflexes and Event-Related Brain Potentialsas Measures of Auditory Selective Attention”，November 1987,PsychophysiologyVol.24,No.6 S.632ff和Hackley的“Evidence for a vestigal pinna-orienting systemin humans”，2015,Psychophysiology,Vol.52,S.1263ff中详细描述了这种现象。现在，在本发明的范围内利用如下知识：对于人，在对应的意图下仍然进行肌肉活动。

对使用者的肌肉活动、即一般地说耳肌组织的活动的测量或者还有耳肌组织的耳肌中的一个或多个的行为是本发明的核心概念。这种方案基于如下知识：耳肌组织的肌肉活动由使用者的大脑引起，因此在存在具有特定刺激的特定情形的情况下已经由大脑、由此由使用者决定，存在潜在的相关刺激。对于仅测量外部影响(例如音量、加速度等)的传感器，大脑、因此使用者自己不能预先决定。换句话说：使用者的意图、更确切地说倾听意图与耳肌组织的活动相关。特别是在使用者努力例如在特定方向上倾听特定声音信号的有意识的倾听意图下，耳肌组织是活动的。

因此，使用者的意图被编码在肌肉活动中，因为肌肉活动不仅仅是反射性的，而是也在有意的努力下产生的，如Hackley(2015，同上)所描述的。因此，肌肉活动也是使用者在特定方向上或者以特定方式或者根据特定刺激进行倾听的意愿的表现。基于该倾听意图，大脑对耳肌组织进行激励。大脑和耳肌由此按照分类器的方式起作用，也就是说，大脑对当前情形进行分类，使得作为其响应，进行用于对耳肌进行定向的肌肉活动。因此，在本方法中，从耳肌组织的肌肉活动中解码使用者的故意的倾听意图，然后用于对听力设备进行设置。

对听力设备的设置因此不或者至少不唯一地由使用者的环境直接引起，并且在此可能与使用者的意图无关。相反，利用肌肉活动也指示当前情形与倾听的特定相关性，从而在知道使用者的意图的情况下，也就是说，有利地正好在这是使用者希望的时，进行设置。因此，基于耳肌组织的活动，一起考虑使用者的意图，随后对听力设备进行设置，其结果是明显更服务于需要，并且错误更少。有利地避免了错误设置。

测量肌肉活动时的一个重要方面是，不仅仅测量反射。也就是说，在此识别出了对爆裂声类型的声学刺激的反射仅仅是本身明显更复杂的肌肉活动的一个元素。耳肌组织刚好不仅仅反射性地并且观察到在时间上及时对特定刺激和情形做出反应，而是根据情形也持续例如几秒的更长的时间段，并且刚好不仅仅是反射性的，而是如上面所描述的，也是使用者的意图的表现。一般来说，在感知到例如爆裂声的突然的声学刺激的情况下在直到声音信号到达耳朵之后的25ms的时间段内产生耳肌的反射。在反射的过程中，在耳肌上能够测量到特别强的电势变化。在开头提到的US 2012/0245655A1中利用这一点。

然而，在本申请的方法中，不测量单纯的反射性的肌肉反应，而是还测量肌肉活动、即也测量超越短时间的反射的耳肌的响应行为。因此，耳肌组织除了简单的反射之外，还显示明显更复杂的活动概况，在本方法中，通过连续测量肌肉活动，来测量该明显更复杂的活动概况。例如，在此识别出肌肉活动不仅仅具有像在反射中的单个孤立的信号冲击，而是具有全系列的息息相关的信号冲击。因此，与反射测量不同，在此，不以根据特定阈值触发的方式、而是在更长的时间段上监视耳肌的整体肌肉活动，也就是说，进行长时间测量，以采集耳肌的整体的复杂的活动概况。因此，“连续”特别是理解为，肌肉活动不以由传感器信号本身触发的方式进行，而是在特别是与传感器信号无关的特定测量时间段上进行。长时间测量在此不用于在多个重复出现的信号上求平均值，而是相反用于采集在仅仅触发的或者短时间的测量中不一起采集的复杂的活动概况。由此，除了可能的反射之外，还一起采集、测量并且分析可能是持续的肌肉活动。然后，有利地保持听力设备不考虑使用者不希望倾听并且关于其使用者未表现出倾听意图的声音源，并且虽然听力设备可能以其它方式、例如通过分析麦克风信号已经确定了该声音源的存在，但是该声音源不导致进行不同的设置。

因此，通过在更长的时间段上测量耳肌的行为，产生传感器信号的复杂的信号走向，现在在该信号走向中搜索样本，以对传感器信号进行分类并且对使用者的意图进行解码。搜索到的样本在此特别是明显更复杂，由此比在简单的反射的情况下更特定于情形。然而，如上面描述的单个反射在此不一定是无意义的，相反，通过在更长的时间段上进行测量，还共同采集多个反射，然后例如作为可能描述使用者的特定意图的反射组对这些反射进行分析。长时间测量在此有利地不局限于对反射的测量，而是相反地测量耳肌的长时间行为。优选甚至整个放弃反射测量，因为其中通常没有编码使用者的意图，因为其仅仅就是反射。

传感器信号特别地是依据肌肉活动、也就是更准确地说依据肌肉的电势改变并且例如与其成比例的电压。借助分类器对传感器信号进行分类，也就是说经过分类并且与事先已知的特征矢量进行比较，以将传感器信号与一个类别相关联。然而，事先合适地在预滤波器中对传感器信号进行预滤波，其中，特别是去除噪声伪影。特征矢量一般具有一定数量的通常是多个特征。这些特征例如是整个传感器信号中的特定信号或信号成分的特定幅值、阈值、特定走向、信号序列或者单纯的存在。因此，关于这些特征，对传感器信号进行检查。如果足够明显地、即在容差范围内存在特征矢量的特征，则在传感器信号中识别出该特征矢量。每一个事先已知的特征矢量于是对应于特定的肌肉活动。这基于如下考虑：使用者的每一个意图在肌肉活动内产生特定的标志，该标志通过一定数量的特征、由此通过特征矢量来表征，由此能够进行分类。因此，每一个事先已知的特征矢量对应于使用者的一个意图，从而通过对传感器信号进行分类并且确定包含在其中的特征矢量，来解码使用者的意图，并且用作听力设备的控制命令。通过连续测量特别是持续的肌肉活动，还采集到复杂并且长期稳定的特征矢量，从而能够实现并且也进行对使用者的意图的特别是差异化的识别。因此，对传感器信号的分析不局限于特别是少于100ms的小的时间单位地进行，而是以更大的时间尺度进行，从而也可靠地采集复杂并且持续的活动。

如已经暗示的，在特征矢量空间中形成与特征矢量相关联的一定数量的类别，也就是说，事先已知的特征矢量分别与一个类别相关联。然后，将在传感器信号中确定的特征矢量、即传感器信号的特征矢量根据设计、即根据具体特征与类别中的一个相关联。因此，作为类似的特征矢量的集合产生一个类别。一个相应的类别在此覆盖整个特征矢量空间的一个子空间，因此是包含与也就是说足够类似的运行模式相关联的所有特征矢量的一个子集。然而，下面有时为了简单，代替术语类别使用术语“事先已知的特征矢量”。

作为特征，优选使用传感器信号的组织程度或能量或者两者。组织程度的一个优选度量是传感器信号的熵，其中，将熵定义为传感器信号特别是在测量时间段内随着时间的变化。在此，例如检查幅值的变化。将能量定义为特别是在测量时间段内随着时间关于传感器信号的积分。在一个变形中，为了确定能量，利用指数对传感器信号进行加权，也就是说，使用高阶法则(Norm)，例如平方法则。低法则产生减小的类别内方差(英语：in classvariance)，也就是说，单个类别的多个特征矢量更小地变化，由此更类似。与此相对，高法则产生减小的不同类别之间的方差(英语：inter class variance)，与一个类别相关联的特征矢量的相似度因此减小，然而更强地强调特征矢量相对于彼此的差异，从而能够形成更精细地分辨的类别。在此，优选尽可能低的法则，特别是L¹法则。

特别优选通过在不同的频带中进行对应的检查，来形成前面提到的特征中的多个。因此，在频率空间中观察特定测量时间段内的传感器信号，并且这里将其划分到多个频带中，分别单独检查多个频带的熵、能量或者两者。在后一种情况下，因此产生频带的两倍的特征。然后，事先已知的特征矢量通过特征中的一个或多个的特定的值、值范围、阈值、边界值、改变模式、走向等来表征。

特别是连续监视耳肌的响应行为，并且在此产生对应地连续的传感器信号，其走向使得能够进行与在短时间测量或者在几个短的时间窗上求平均值的情况下相比明显更丰富的分析。“更长的时间”优选理解为比耳肌的单个反射更长、特别是长于25ms、优选长于100ms、特别优选长于1s的时间段、即测量时间段。在此，在整个测量时间段上在传感器信号中搜索事先已知的特征矢量。由此确保也识别出映射更长的并且持续的肌肉活动的特征矢量。这基于如下考虑：特征矢量不一定仅包含单个特征或者同时存在的特征，而是在耳肌的复杂的活动概况的范围内，单个意图也引起在时间上错开的特征，然后能够与其相关联，或者相反，意图由在时间上分开的特征来定义。因此，通过检查整个更长的测量时间段，也识别出描述肌肉活动的特定动态变化、而不恰恰仅描述短的反射的特征矢量。在此，原则上不给定上边界，但是合适地，测量时间段不长于10s，因为一方面进一步分开的反应通常不相关，因此通常在分析方面没有附加值。另一方面，太长的测量时间段也使听力设备的响应速度严重放慢，听力设备因此将仅严重时间延迟地识别使用者的意图，并且对应地时间延迟地做出反应。特别合适的是随着时间一起迁移的所谓的滚动时间段。

监视耳肌组织的肌肉活动提供多个应用可能性。所描述的分类使得能够特别是结合下面将描述的学习新的特征矢量的概念对耳肌的每个活动做出反应。

因为耳肌组织基本上在每次激活时都争取耳朵的定向活动，因此监视肌肉活动特别适合于设置听力设备的方向特性、简称为方向性，因此适合于调整定向倾听。在定向倾听中，听力设备以将来自特定方向、即倾听方向的声音信号相对于其余声音信号放大的方式，向使用者输出接收到的来自环境的声音信号。由此，优选再现来自倾听方向的声音信号。然后，在一种有利的设计中，听力设备被构造为用于进行定向倾听，并且根据肌肉活动设置听力设备的方向性，由此强调特定方向上的声音源。方向性特别地是通过宽度和角度定义的方向波束(Richtkeule)。听力设备对方向波束内的声音源进行比对方向波束外的声音源更大的放大。角度给出在相对于使用者的哪个方向上对准方向波束。宽度给出方向波束覆盖什么角度范围。于是，角度和宽度分别是共同形成运行模式“特定倾听方向上的定向倾听”的运行参数。

在依据肌肉活动设置方向性时，利用如下事实：就在特定方向上进行倾听的意图被编码在耳肌组织的肌肉活动中而言，肌肉活动在生物进化上应当影响耳朵的对准。如已经提到的，实际上不进行耳朵的对准，然而针对耳肌的控制信号存在并且具有对应的标志，标志给出对应的活动概况并且通常是特定于使用者的。然后，通过知道这种标志、即相关的特征矢量，识别出定向倾听的意图。在此，在一个变形中，不仅仅识别出希望进行定向倾听，而是相反还识别出所希望的倾听方向。对应的内容也适用于方向波束的宽度。

定向倾听中的标志特别是由一系列信号尖峰构成，也就是说，传感器信号以特定的、定义的并且特别是保持相同的间隔具有增大的幅值。因此，在定向倾听中，优选在传感器信号中搜索一系列信号尖峰。间隔在定向倾听中特别地使得信号尖峰在频率空间中特别是在500Hz和1000Hz之间的范围内给出高频信号成分。

在一种特别优选的设计中，听力设备是双耳听力设备并且具有两个单设备，用于佩戴在使用者的头部的不同侧。然后，通过在每一侧借助相应的电极阵列测量那里的耳肌的肌肉活动，来识别当前情形。因此，在这种配置中，有利地提供两个传感器信号，由此总共提供更多的信息、即特征，用于对使用者的意图进行分类并且以改进的方式选择合适的运行模式。但是原则上仅用于供应使用者的一只耳朵的仅具有一个单设备的单耳听力设备也是合适的。

优选首先通过彼此独立地对传感器信号进行分类，来对两侧的肌肉活动进行分开地分析，随后在结果一致的情况下对听力设备进行设置。特别是，仅在结果一致的情况下对听力设备进行设置。因此，进行结果取决于独立地分析的两个传感器信号的比较的决定判断。两个分类器分别彼此独立地提供分类结果，并且将两个分类结果彼此进行比较。如果两个分类结果一致，则对应地设置听力设备。换句话说：首先通过对两个传感器信号单独进行分类，冗余地确定运行模式，从而确定两个运行模式。如果两个运行模式相同，也就是说，对于两侧识别出相同的意图，则设置对应的运行模式。否则，特别是不依据肌肉活动对听力设备进行设置。由此防止误判。在一个变形中，设置可以说作为折中作为所确定的两个运行模式的混合得到的混合运行。

附加地或者替换地，首先通过彼此独立地对传感器信号进行分类，来对两侧的肌肉活动进行分开地分析，并且在结果不同的情况下，通过与自己的结果相反并且根据另一个单设备的结果设置单设备中的一个，来同步单设备。在结果、更准确地说分类结果不同的情况下，也确定不同的最佳运行模式。代替如上面所描述的仅在结果一致的情况下进行设置，因此现在可以说尝试实现单设备的两个结果之间的统一，以便在对传感器信号的分析的结果分散的情况下，也设置尽可能最佳的运行模式。例如，在结果不同的情况下，附加地对附加传感器进行分析，以决定使用两个结果中的哪一个，然后设置哪个运行模式。替换地或者附加地，预先设置两个单设备中的一个，例如利用训练方法进行训练，然后在结果不同的情况下通过设置由预先设置的单设备确定的运行模式，来训练另一个单设备。

上面描述的双耳听力设备特别适合于再上面描述的在定向倾听、即指向倾听的过程中的方向性的设置。

在定向倾听的一种合适的设计中，优选通过检查两个传感器信号中的哪一个具有较高的组织程度或者更大的能量，特别是定性地确定希望的倾听方向、即意图。然后，声音源位于该侧。然后，将方向性设置在倾听方向的方向上。这基于如下考虑：在声音源在侧面、即声音源不位于前面并且不位于中间的情况下，仅必须对准对应侧的耳朵，因此必须在该侧测量耳肌组织的特殊努力，同时另一侧尽可能保持安静，从而传感器信号具有较小的组织程度。就这点而言，倾听意图的这种定性确定也有利地是不特定于使用者的，由此可以一般化。“较高的组织程度”一般特别是理解为，在对应的传感器信号中找到多个特征或者甚至任何特征，具体地特别是理解为，在一侧一个或多个或者所有频带中的熵大于在另一侧。“更大的能量”于是理解为一个、多个或者所有频带中的能量在一侧更大，其中，特别是如上面已经描述的那样确定能量。

作为所描述的定性检查的替换或者附加，定量地确定希望的倾听方向，即特别是确定方向波束的方向或宽度或者两者。为此，也对应地对肌肉活动进行分析。在此，或者冗余地对两侧的传感器信号进行分析，如上面所描述的，或者共同或将两者组合地、例如依次进行分析。在共同进行分析的情况下，特征矢量由两侧的特征组成，也就是说，以组合的方式使用两侧的特征，以便确定传感器信号中跨两侧的特征矢量，并且将其与对应的事先已知的特征矢量进行比较。以这种方式，特征数量有利地增加，并且合适的运行模式的确定进一步更具体。

然而，不仅仅倾听意图被编码在耳肌的定向活动中，相反耳肌的对准也可以理解为使用者的面部表情(Gesichtsmimik)的一部分。特别是面部表情的改变或者还有各个面部部分的运动整体对耳肌组织有影响。在此，特别感兴趣的是耳肌在说话时以及在形成面部表情时的肌肉活动。

在一种优选设计中，将说话时的肌肉活动用于自身发声检测。然后，根据肌肉活动识别使用者自己说话的自身发声情形。设置的运行模式是自身发声减小，其中减小、特别是滤除听力设备的输出信号中的自身发声成分。在双耳听力设备的情况下，这优选借助双耳结算(Verrechnung)来进行，即通过合适地组合来自使用者的头部两侧的麦克风信号来进行。

在一个合适的扩展中，不仅识别自身发声情形本身，而且还识别准确地说了什么，即进行语音识别。然后，特别是有针对性地并且有效地减小或者甚至完全消除自身发声成分。在第一变形中，借助附加传感器进行语音识别，并且根据肌肉活动的自身发声识别用作支持语音识别的附加信息。这基于如下考虑：附加传感器、例如麦克风在某些情况下不能最佳地在自身的声音和别人的声音之间进行区分。于是，自身发声识别作为附加信息支持语音识别，使得更无懈可击地在别人的声音和自身的声音之间进行区分。语音识别例如借助分类器来实施，分类器检查麦克风信号，使得对肌肉活动的附加考虑提供另外的特征并且以这种方式支持分类器。在也可以附加地使用的第二变形中，仅根据肌肉活动进行语音识别，而不用于支持附加传感器，因此以如下方式分析传感器信号：直接从肌肉活动中确定使用者说话以及特别是还有使用者准确地说了什么。

替换地或者附加地，通过语音识别实现如下语音识别，在该语音识别中，经由语音命令设置听力设备，而不需要对可能包含干扰信号或者别人的声音的麦克风信号进行分析。

在一种优选设计中，根据肌肉活动识别使用者的面部表情，将其用作用于设置与控制命令相关联的特定运行模式的控制命令。肌肉活动因此一般地用作听力设备的控制命令。使用者形成引起特定肌肉活动的面部表情，然后识别该特定肌肉活动。由此也能够在其它意义上识别情绪、由此识别意图，并且基于此选择合适的运行模式。于是，在一个变形中，根据肌肉活动确定使用者的情绪并且又根据该认识推导出意图。在此，利用如下事实：情绪以也影响耳肌的特定面部表情表现。

如下设计是特别有利的，在这种设计中，如果传感器信号具有仅与事先已知的特征矢量类似的特征矢量，则根据肌肉活动识别听力设备的错误定位。由此可靠地识别是否正确地佩戴了听力设备或者是否与预先给定的佩戴位置存在偏差。在此，“类似”特别是理解为，在传感器信号中找到的特征矢量虽然与事先已知的特征矢量具有一定的一致性，但是与其的偏差大于一定的容差，在该容差内，传感器信号中的特征矢量将被视为与事先已知的特征矢量一致。例如，如果两个特征矢量仅一些特征一致，或者如果特征中的一些或者全部具有略微的偏差值，则是这种情况。

在一种合适的设计中，将两个特征矢量关于其幅值彼此进行比较，以确定错误定位。为此，例如使用每一个频带中的能量作为特征。这基于如下考虑：在电极阵列的定位不正确的情况下，通常进一步远离耳肌，由此传感器信号整体上更弱，从而特征也对应地表现为更弱。正好相反，电极阵列也可能与常见的佩戴位置相对地定位，使得于是测量到整体上更强的传感器信号。

替换地或者附加地，确定并且比较两个特征矢量的规律性。规律性特别是给出各个频率分量彼此成什么关系，即两个频率分量彼此具有何种比例。为此，例如也使用各个频带的能量，以便首先通过按比例设置两个频带的能量来确定特征矢量的规律性，然后将事先已知的特征矢量和传感器信号中的特征矢量的规律性彼此进行比较。就这点而言，将传感器信号中的特征矢量的实际规律性与事先已知的特征矢量的额定规律性进行比较，以识别错误定位。

在识别错误定位的过程中，事先已知的特征矢量特别地是预计的特征矢量，也就是说，在检查传感器信号时预计事先已知的特征矢量，然而找到了偏离其、但是类似的特征矢量。在一个合适的扩展中，通过附加地确定设置了哪个运行模式或者当前存在哪种情形，并且通过选择与该运行模式或者情形相关联的事先已知的特征矢量，从多个事先已知的特征矢量中选择事先已知的特征矢量作为预计的特征矢量。因此，在识别错误定位时，使用当前情形或者当前运行模式的知识，来确定尤其在传感器信号中预计哪个特征矢量。运行模式或者当前情形合适地借助附加传感器、例如麦克风来确定，对麦克风的麦克风信号进行音频分析。

在一个合适的扩展中，通过作为实际值向控制环馈送错误定位的度量，来识别并且校正错误定位。作为度量，例如使用传感器信号中的当前特征矢量或者传感器信号中的多个特征的特定的值。对应于最佳定位的事先已知的特征矢量于是特别地是控制环的额定值。合适地，只要存在错误定位，就输出警告指示，由此促使使用者调整定位。

总的来说，因此能够有利地根据通过测量肌肉活动对使用者的意图的识别实现任意设置。已经提到了方向特性的设置。在已经描述的设计的范围内或者替换地或附加地，作为运行模式，设置特定放大方案、特定压缩方案(即频率压缩方案)、噪声抑制或其它算法或者其组合。这些设置特别是与再上面描述的自身发声识别组合是有利的，因为在自身发声情形下通常改变运行模式是有意义的。在从自身发声情形改变或者改变为自身发声情形时，合适地进行对应的例如如上所述的抑制自身发声成分的设置。在识别面部表情时，设置或者调整运行模式对于对以高概率改变的情形做出反应也是有意义的。

根据肌肉活动对听力设备的设置自动进行。然而，合适地，特别是通过使用者用手动输入覆盖自动识别的结果，可以阻止所选择的设置。

有利地，除了根据事先已知的特征矢量对使用者的意图进行解码之外，还进行新的特征矢量的记录、即记载，以便在未来识别新的迄今未知的意图。本方法于是因此还包含学习方法，听力设备通过该学习方法学习新的特征矢量，然后作为现在的事先已知的特征矢量进行存储。这基于如下知识：耳肌组织的肌肉活动从使用者到使用者至少部分地是个性化的，因此相同的意图对于不同的使用者可能通过不同的特征来表示。相反，原则上，相同的特征矢量对于不同的使用者也可能由不同的意图引起。因此，合适地通过记录新的特征矢量个性化地进行调整。于是，在一种合适的设计中，记录、即记载多个新的特征矢量并且作为对应的多个事先已知的特征矢量进行存储，以便随后根据这些现在事先已知的并且由此学习的特征矢量检查传感器信号。

在一种特别优选的设计中，为了学习新的特征矢量，附加地借助特征提取器对传感器信号进行特征提取，通过特征提取产生新的、特别是个性化的、即特定于使用者的特征矢量，将其作为附加的事先已知的特征矢量进行存储。因此，从传感器信号中提取新的特征矢量，然后进行存储，用于在未来作为事先已知的特征矢量动用该新的特征矢量。于是，新的特征矢量是学习的特征矢量。总而言之，听力设备因此定义并且学习新的类别，以后提供该新的类别用于进行分类。

为了记录新的特征矢量，合适执行训练方法。在训练方法的过程中，在训练情形下例如通过特定刺激有意引起使用者的特定意图，由此产生肌肉活动，将其特征作为新的特征矢量进行存储。相关意图基于训练情形有针对性地引起，由此是充分已知的，从而保证可靠的关联。在一个变形中，训练方法由听觉学专家执行。替换地或者附加地，训练方法例如以由训练软件或者听力设备的训练模式支持的方式由使用者自己执行。训练方法适合在不同的情形和环境中执行，以便附加地在不同的情形和环境中、即以特定于情形的方式可靠地识别不同的意图。

事先已知的特征矢量、即类别原则上可以以不同的方式预先给定。一方面，特征矢量在制造听力设备时就已经可以作为可以说工厂侧特征矢量预先给定。然而，这些工厂侧特征矢量本质上不考虑相应的使用者的耳肌的个性化的响应行为，因此特别是局限于能够与使用者无关地一般化的特征矢量。另一方面，可以向例如针对使用者的个性化拟合会话添加如在训练方法的范围内描述的其它特征矢量。在此，向使用者有针对性地呈现特定刺激，然后测量其个性化的响应行为，以便然后根据所产生的传感器信号推导出针对所呈现的刺激的新的个性化特征矢量以及相关意图并且进行存储。在一个变形中，以相同的方式调整已经知道的特征矢量，即，对事先已知的特征矢量进行细调。

在一种合适的设计中，从例如存储在服务器上的外部数据库中取出事先已知的特征矢量。事先已知的特征矢量因此最初不存储在听力设备中，而是由听力设备在外部数据库中请求或者由外部数据库自动传输。外部数据库特别是包含多个事先已知的特征矢量并且用作中央存储位置。新的特征矢量合适地存储在外部数据库中，然后也可以有利地可供其他使用者使用。由此，学习时间、即提取新的特征矢量时的开销可以显著减少。虽然肌肉活动是高度个性化的，但是通过在识别新的特征矢量时，作为起始值以其他使用者的特征矢量为基础，然后特定于使用者地对这些起始值进行优化，本方法仍然从关于其他使用者确定了的特征矢量获益。此外，将特征矢量存储在外部数据库中还使得能够进行元分析(Metaanalyse)，借助元分析有利地确定可一般化的特征矢量，即完全不或者仅以小的程度特定于使用者的特征矢量。就这点而言，于是将多个使用者的新的特征矢量聚集在外部数据库中并且一般化，以确定一般化的特征矢量，然后其又作为事先已知的特征矢量向单个使用者提供，并且在运行其听力设备时用于对传感器信号进行分类。

借助机器学习方法自动学习个性化特征矢量的设计是特别有利的。由此，产生并且存储学习的特征矢量，并且在随后进行分析时作为现在的事先已知的特征矢量一起考虑。对肌肉活动的分析尤其特别适合于机器学习方法，因为肌肉活动是高度个性化的，由此仅能够有限地一般化。与此相对，例如根据麦克风信号对噪声环境的分类可以非常简单地一般化，因为相应的噪声环境由特定噪声、由此由先验地已知的特征矢量表征。然而，通过使用者的大脑斡旋而个性化地产生的耳肌的响应行为在最少的情况下针对特定情形产生与使用者无关地相同的特征矢量。然后，以机器学习方法产生特定于使用者的特征矢量集合。

机器学习方法由学习机执行。该学习机优选是听力设备的控制单元的一部分，并且特别优选集成到听力设备的壳体中。替换地或者附加地，学习机布置在外部，例如布置在使用者的智能电话上或者服务器上。

在Strauss和Steidl的“Hybrid wavelet-support vector classification ofwaveforms”，Journal of Computational and Applied Mathematics 148(2002),p.375-400中描述了一种特别合适的用于进行特征提取的机器学习方法。那里描述的方法优选同样用于进行分类，即用于在传感器信号中识别事先已知的特征矢量，特别是事先通过特征提取学习的特征矢量。因此，分类器优选通过支持矢量机(support vector machine，缩写为：SVM)来实现，其在机器学习方法的过程中最大地相对于彼此区分与不同的运行模式相关联的不同的特征矢量、即类别，由此保证特别可靠的分类、即对事先已知的特征矢量的识别。该优点同时也对特征提取有好处，因为可以对应地自动最佳地区分新学习的特征矢量。

在一种优选设计中，以具有指令的机器学习方法产生新的特征矢量。因此，以学习方法训练学习机。将具有仍然未知的特征矢量的特定情形与特定运行模式相关联。现在，应当通过识别肌肉活动使针对本身已知的情形的本身已知的运行模式可设置，但是其中，特别是个性化的肌肉活动仍然是未知的。现在，在机器学习方法的过程中，特别是在训练方法中，作为当前情形产生特定情形，由此引起使用者的对应的意图，然后通过特征矢量表征该意图，确定该特征矢量并且与运行模式连结。为此，特征提取器独立地在传感器信号中搜索多个未知特征。然后，将这些未知特征合成为新的特征矢量，并且将其与特定运行模式相关联。于是，新的特征矢量是学习的特征矢量，并且以后作为事先已知的特征矢量来提供。

对于机器学习方法重要的是，特征最初不预先给定，而是由特征提取器独立地确定。特征提取器为此检查传感器信号的样本或者规律性，特别是检查传感器信号的、以组合的方式不对应于事先已知的特征矢量的特征。在一个变形中，相反，明确搜索与事先已知的特征矢量相似的特征，以提炼或者调整其表示。为此设置的情形合适地是经由相关意图与要改善的特征矢量相关联的情形。

如下设计是特别有利的，在这种设计中，在听力设备的正常运行中，即在日常佩戴中并且在专门的训练情形之外，执行特别是如上所述的机器学习方法。然后，特征提取器连续检查在传感器信号中是否包含事先仍然不知道的新的特征或者新的特征矢量。同时采集当前情形或当前设置的运行模式或者两者，并且与特征矢量相关联。这基于如下考虑：相应的情形以可再现的方式产生使用者的特定意图，并且需要特定运行模式。通过记录表征该情形或运行模式或者两者的特征矢量，于是在未来又可靠地识别该情形，并且设置合适的运行模式。

合适地，在借助附加传感器进行混合分析的过程中，识别当前情形是否是已经与事先已知的运行模式相关联的事先已知的情形，如果当前情形对应于事先已知的情形，则将新的特征矢量与该事先已知的运行模式相关联。由此，特别是实现听力设备独立地在肌肉活动和当前情形之间产生新的关联的学习方法。将特征矢量与特定情形并且与特定运行模式相关联的问题通过附加传感器来解决，从而本方法也可以在训练情形之外执行，即不需要从外部识别情形。相反，使用附加传感器来对当前情形进行分类并且识别最佳运行模式。所需的运行模式因此是已知的，并且可以与新的特征矢量相关联。附加传感器例如是产生麦克风信号的麦克风，对麦克风信号进行音频分析，以便对当前情形进行分类并且选择合适的运行模式。然后，在针对该情形学习肌肉活动和对应的特征矢量之后，在未来的识别对应地更快并且更简单地进行，并且不需要动用复杂的音频分析。替换地或者附加地，执行EEG测量，于是附加传感器是多个EEG电极。加速度传感器也适合作为附加传感器。

在一种有利的设计中，将事先已知的特征矢量集成到神经元网络中，通过确定传感器信号的特征矢量并且将其用作神经元网络的输入信号，来借助神经元网络检查传感器信号是否具有事先已知的特征矢量。神经元网络的一个主要的优点特别是在于，其不一定必须以具有指令的学习方法进行训练，而是在没有指令的情况下也可以学习和工作。事先已知的特征矢量于是不存储在存储器中，而是集成到神经元网络的拓扑结构中。

因此，特别是结合前面描述的利用附加传感器的设计，也可以实现没有指令的机器学习方法，即学习机不需要进行训练，而是完全自动地借助附加传感器进行学习。特别是放弃用于事先已知的特征矢量的单独的存储器。相反，现在将集成到神经元网络中的特征矢量与具体的运行模式相关联。换句话说：首先，借助附加传感器识别当前情形是否是已经与事先已知的运行模式相关联的事先已知的情形。然后，如果神经元网络识别出传感器信号的特征矢量，即如果与传感器信号的特征矢量一致的特征矢量集成到了神经元网络中，则将该特征矢量与事先已知的运行模式相关联。因此，借助附加传感器，通过借助附加传感器确定当前情形，然后通过将集成的特征矢量与该当前情形相关联，由此也与适合于该情形的运行模式相关联，在未来当重新在传感器信号中找到现在学习、即关联的特征矢量时，设置该运行模式，来以没有指令的机器学习方法产生集成的特征矢量与运行模式的关联。集成的特征矢量因此通过学习方法变成事先已知的特征矢量。

与具有指令的机器学习方法类似，没有指令的机器学习方法也合适地在听力设备的正常运行中执行。在利用神经元网络的设计中，神经元网络于是独立地学习将集成的特征矢量分别与特定运行模式相关联。这例如经由附加传感器如上所述进行或者通过使用者的反馈来进行。

在一种特别合适的设计中，将特征提取器和分类器共同集成到信号处理器中，并且将特征提取和分类作为单个优化问题来进行处理。分类器和特征提取器于是共同使用单个特征识别，其在传感器信号中识别多个特征，由此识别特征矢量。由此，对传感器信号的整体分析一方面特别紧凑，另一方面有利地利用协同效应，该协同效应在组合的分类和特征提取中产生，因为仅需要从传感器信号中提取一次特征并且与事先已知的特征矢量进行比较，以便然后一方面产生新的特征矢量，另一方面识别事先已知的特征矢量。信号处理技术开销由此被减少到最少。此外，特征提取器有利地以提取对于分类器能够特别简单地识别的特征、由此特征矢量的方式运行。因为分类器和特征提取器使用相同的特征识别，因此两者最佳地彼此调谐。

优选借助滤波器组将传感器信号划分到多个频带上，其中，每个频带形成多个特征。然后，借助滤波器组，以针对每个频带执行熵测量或能量测量或者两者的方式，进行上面已经描述的根据各个频带的熵或能量对特征的检查。相应的熵或能量测量在此表示特征，并且特征共同形成传感器信号的特征矢量。滤波器组特别有效并且也特别适合于作为单个优化问题处理特征提取和分类。因为用于形成新的特征矢量的特征尤其是从也用于进行分类的滤波器获得，因此特别可靠地重新识别曾经学习的特征矢量。

优选利用在Strauss和Steidl(2002，同上)中或者也在Yger和Rakotomamonjy的“Wavelet kernel learning”，Pattern Recognition 44, 2011,S.2614-2629中描述的混合小波-核心(hybriden Wavelet-Kernel)学习算法执行机器学习方法。该学习算法基于底层小波的动态调整，以提取最佳特征。这在此是特别有利的，因为特征本身仍然不一定是已知的和定义的，此外一般也是特定于使用者的。因此，就这点而言，在机器学习方法中，也有利地调整特征的定义，即具体地例如关于各个频带的边界频率调整滤波器组。滤波器组在此因此是参数化的滤波器组。以这种方式定义的特征以及在此配置的滤波器组于是自动也最佳地适合于进行分类，因此也适合于借助上面描述的信号处理器检查传感器信号。

优选地，滤波器组是不规则

滤波器组。在Strauss和Steidl(2002，同上)中在S.382，特别是以等式(18)和(19)，给出了具有两个频带的不规则滤波器的定义。在那里以等式(22)描述了特别合适的具有格子结构(英语：lattice structure)的滤波器组。在那里提到的角度用作滤波器组的参数，于是该滤波器组是参数化的、由此有利地可调整的滤波器组。

在一种合适的设计中，滤波器组具有10个频带。滤波器组的频带优选分别是倍频程宽(oktavbreit)的。其特别是理解为每个频带具有上带边界频率和下带边界频率，其中，上带边界频率是下带边界频率的两倍大。在此，频带不是必须准确地是倍频程宽的，相反，直至10％的偏差同样仍然是合适的。如下设计是特别合适的，在这种设计中，通过关于各个特征以使得特征特别明显的方式选择带边界频率，来如上面已经暗示的，借助参数化调整带边界频率。

在一种合适的设计中，滤波器组具有4Hz的下边界频率和1kHz的上边界频率，从而检查从4Hz至1kHz的频率范围内的肌肉活动。

在一种合适的设计中，在双耳听力设备中，使用单个滤波器组来分析两个传感器信号。然后，还借助机器学习方法特别是训练滤波器组，使得滤波器组区分两个方向，即使得滤波器组提取分别与左侧或右侧相关联的多个特征。然而，替换地使用两个单独的滤波器组，即对于每个单设备一个。

为了产生传感器信号，电极阵列至少被构造为双极的，即具有至少两个电极，然后测量电极之间的电势差。原则上，具有多于两个电极的电极阵列也是合适的。对于临床环境中的EMG测量，例如使用128个电极，其以分布在整个头部上的方式布置。然后，电极中的一个合适地用作提供参考电势的参考电极，相对于参考电势利用其它电极相应地以双极布置进行测量。换句话说：测量电极中的相应的一个电极和参考电极之间的电势差。

在此，电极阵列尽可能紧凑地构造。为此，在一种合适的设计中，电极阵列仅布置在耳肌组织的区域中，即就此而言，距离耳朵、更准确地说距离耳肌最大5cm、特别优选最大2cm。由此保证电极阵列仅分布在使用者的头部的一小部分上，由此特别适合日常使用。

在一种优选设计中，电极阵列仅具有最多5个、特别优选正好两个电极。对电极数量的这种限制也有助于电极阵列的紧凑性以及听力设备和本方法的日常适用性。尤其与临床环境相比减少电极数量特别是基于如下观察：为了测量耳肌组织的肌肉活动，有限数量的电极完全足够了。特别是结合机器学习方法，仅需要少量电极，以便能够足够准确地测量肌肉活动，并且在此能够在不同的类别之间充分地进行区分。

在具有两个单设备的双耳听力设备中，于是对应地优选布置两个电极阵列，即对于每一个单设备一个。通过EMG测量的概念，才能够实现如上所述仅利用很少的电极对于每个单设备仅使用一个电极阵列，因为这里如上所述存在经过充分滤波和放大的信号。此外，电极阵列分别放置在耳肌上，由此总归在听力设备附近。合适地，电极阵列特别是作为听力设备的壳体的一部分集成到听力设备中。由此，使用者的佩戴舒适性明显提高。视觉外观也最多受到最小的影响。这两者都有助于日常使用中的明显更高的接受度。这尤其也使得不仅能够在听觉学专家使用昂贵的设备进行的拟合会话过程中进行EMG测量，而且在日常、即在听力设备正常运行时不受注意并且不可见。

合适地，电极阵列除了这些电极之外，还具有作为参考电极的电极，用于特别是监视其余电极的功能并且为电极的信号提供参考。换句话说：电极阵列具有多个电极，其中一个被构造为参考电极。然后，借助参考电极，在使用者的每一个耳肌旁边测量参考信号。然后，在向分类器、特别是也向特征提取器馈送传感器信号以进行特征分析之前，借助参考信号对传感器信号进行整理，例如去除背景噪声或者进行标准化。将参考电极安装在乳突上、即安装在颞骨的疣体部分(Warzenteil)上是特别合适的。这保证足够的参考。此外，参考电极可以以尽可能不受注意的方式佩戴在那里。一般来说，参考电极同样可以合适地安装在耳朵附近，并且也在运行中安装，然而恰好不安装在耳肌中的一个上。

上面的设计的组合是特别有利的，即电极阵列正好具有一个电极和一个参考电极，即总共仅两个电极，这两者集成到听力设备的壳体中，由此分别布置在使用者的耳朵附近。

电极阵列的电极以及必要时参考电极也优选分别构造为外部电极，即布置在使用者的头部外部的电极。替换地，电极中的一个或多个作为植入物的设计也是合适的。在一个合适的变形中，相应的电极如上所述集成到听力设备的壳体中。然而，作为单独的电极的设计也是合适的，然后经由信号线或者以无线的方式连接电极，以便传输信号以进行信号处理。

合适地，将用于在耳肌上进行测量的电极阵列也安装在该耳肌上，即例如在外部放置在头皮上，然后直接在位于头皮下方的耳肌上进行测量。作为前面提及的设计的替换或者与前面提及的设计组合，相反，将电极阵列布置在耳道中，即仍然在头部外部，而不构造为植入物，但是插入耳道中。这基于如下想法：这里也仍然能够测量耳肌的响应行为。这种设计特别适合于入耳式听力设备，即完全或者部分在耳道中佩戴的听力设备。

听力设备具有控制单元，控制单元被构造为用于执行如上所述的方法。优选地，分类器和特征提取器是控制单元的一部分。合适地，学习机是控制单元的一部分。相反，在一个变形中，分类器、特征提取器或学习机或者其组合放置在外部设备、例如智能电话上，其与听力设备连接，以进行信号传输。外部设备于是用于减轻听力设备的负荷，因为其在某些情况下仅具有有限的计算能力。

优选地，电极阵列是听力设备的一部分，替换地，电极阵列被设计为外部传感器，并且例如借助线缆或者无线连接耦合到听力设备。

听力设备优选是佩戴在耳朵后面的所谓的BTE设备。这包含听筒插入耳道中的所谓的RIC设备，然而其余听力设备佩戴在其外部。然而，原则上其它结构形式、例如ITO(入耳式)或者CIC(完全在耳道中)也是合适的。

然而，本发明不局限于用于向听力受损的人供应的听力设备。在一种同样合适的设计中，听力设备是用于输出声音的头戴式耳机或者类似的设备。重要的是，听力设备具有用于输出声音的听筒。

附图说明

下面，根据附图详细说明本发明的实施例。其中分别：

图1示意性地示出了使用者的耳朵和听力设备，

图2示意性地示出了图1中的听力设备，

图3示意性地示出了图1中的听力设备的信号处理器，

图4示意性地示出了用于图1中的听力设备的机器学习方法，以及

图5示意性地示出了用于设置图1中的听力设备的方法。

具体实施方式

在图1中示出了听力设备2，其佩戴在未进一步示出的使用者的耳朵O后面。在图2中详细示出了听力设备2。听力设备2这里是具有壳体4的BTE听力设备，其佩戴在耳朵O后面，并且声音软管6从其出发延伸到耳道中。此外，听力设备2具有多个麦克风8，其接收来自使用者周围的声音信号。然后，借助控制单元10对这些声音信号进行修改、特别是放大，然后经由听筒12输出。然后，修改后的声音信号经由声音软管6从听筒12出发到达耳朵O中。为了可靠地保持声音软管6，在其端部安装耳塞14，耳塞14插入耳道中。

听力设备2借助执行肌电图扫描(简称为EMG)的方法运行，其中，借助电极阵列16测量使用者的耳肌M的肌肉活动。电极阵列16在此具有单个电极17以及参考电极28，即总共两个极。耳肌M这里是耳后肌，即后耳肌。同样绘出了、但是未明确标出另外两个外耳肌，即前耳肌和上耳肌。电极阵列16这里是壳体4的一部分，并且以电极阵列16紧贴在耳后肌M上、因此能够测量其肌肉活动的方式定位在壳体4上。连续测量耳肌M的肌肉活动，从而采集耳肌M的活动概况。活动概况是相对复杂的，即耳肌M不仅仅执行单个的不连贯的运动。更确切地说，使用者的意图被编码在活动概况中，从而在超过例如一秒的较长的测量时间段的肌肉活动中包含复杂的样本。在本方法的范围内对其进行解码，以最佳地设置听力设备2，即设置适合于当前情形的运行模式。

电极阵列16产生传感器信号S，向在图3中详细示出的信号处理器18馈送传感器信号S。信号处理器18是控制单元10的一部分。信号处理器18具有分类器20，借助其对传感器信号S进行分类。在此，对肌肉活动进行解码，并且通过检查传感器信号S是否具有事先已知的特征矢量V，来确定使用者的潜在意图。为此，在信号处理器18的存储器22中存储多个事先已知的特征矢量V，现在在传感器信号S中搜索这些事先已知的特征矢量V。每个事先已知的特征矢量V与听力设备2的一个运行模式相关联，当传感器信号S具有事先已知的特征矢量V时，设置该运行模式。在此，设置方向特性24，即，听力设备2被构造为进行定向倾听并且具有方向波束，方向波束具有角度和宽度，依据肌肉活动和在其中编码的、在此是倾听意图的意图选择并设置角度和宽度。

在图3中示出了过程。向信号处理器18馈送电极阵列16的传感器信号S，并且在那里首先借助预滤波器26进行预滤波。为此，使用参考电极28的传感器信号，参考电极28是电极阵列16的一部分并且同样是壳体4的一部分，然而定位在耳肌旁边，由此提供参考信号。附加地，在预滤波器26中消除噪声伪影。然后，向滤波器组30馈送经过整理的传感器信号S，借助滤波器组30将传感器信号S分解为单个特征F。滤波器组30在此具有10个频带。在图3中，针对每个频带产生一个特征F。相应的特征F例如是在测量时间段上测量的相关频带中的能量或者该频带的熵。在一个变形中，每个频带产生多个特征F，例如分别产生熵和能量。特征F形成特征矢量G，其是传感器信号S的特征矢量G并且在分类器20中将其与事先已知的特征矢量V进行比较。然后，基于结果设置方向性24。在此，利用如下知识：肌肉活动在生物进化上影响耳朵O的对准，就这点而言，在特定方向上进行倾听的意图被编码在耳肌M的肌肉活动中。实际上不进行耳朵O的对准，然而针对耳肌M的控制信号是存在的并且具有对应的标志，该标志表明对应的活动概况并且通常是特定于使用者的。然后，通过获知该标志、即相关的特征矢量G，来识别定向倾听的意图，在此甚至不仅识别希望进行定向倾听这一事实，而且还识别希望的倾听方向。

除了根据事先已知的特征矢量V解码使用者的意图之外，在此还进行新的特征矢量N的记录、即记载，以便在未来识别新的迄今未知的意图。本方法由此也是听力设备2学习新的特征矢量N、然后作为事先已知的特征矢量V进行存储的学习方法。为此，借助特征提取器32对传感器信号S进行特征提取，在特征提取中产生新的、特别是个性化的、即特定于使用者的特征矢量N，将其作为附加的事先已知的特征矢量V存储在存储器22中。

在此，特征提取器32和分类器20共同集成在信号处理器18中，并且将特征提取和分类作为单个优化问题进行处理。如在图3中明显地示出的，分类器20和特征提取器32共同使用单个特征识别，其在传感器信号S中识别多个特征F，由此识别特征矢量G。特征G仅需要借助滤波器组30从传感器信号S中提取一次并且与事先已知的特征矢量V进行比较，以便然后一方面产生新的特征矢量N，另一方面识别事先已知的特征矢量V。因为分类器20和特征提取器32使用同一滤波器组30进行特征识别，因此两者最佳地彼此协调。

在所示出的实施例中，借助机器学习方法自动学习新的特征矢量N。对肌肉活动的分析尤其特别适合于机器学习方法，因为肌肉活动是高度个性化的，由此仅能够有限地一般化。通过机器学习方法，于是通过学习新的特征矢量N，产生事先已知的特征矢量V的特定于使用者的集合。

为了学习新的特征矢量N，在监视下执行机器学习方法。在此，在训练方法中，作为当前情形产生特定情形，由此引起使用者的对应的意图，然后通过特征矢量G表征该意图并且将其与运行模式连结。为此，特征提取器32独立地在传感器信号S中搜索多个未知特征F。然后，将这些未知特征S合成为新的特征矢量N，并且将其与特定运行模式相关联。于是，新的特征矢量N是学习的特征矢量，并且以后作为事先已知的特征矢量V在存储器22中提供。

在此，由于使用SVM而布置存储器22。然而，在使用另一种机器学习方案的情况下，在某些情况下可以放弃存储器22。因此，在一个未示出的变形中，代替SVM，使用神经元网络，神经元网络不需要使用存储的特征矢量V，因为其已经在实现神经元网络时通过其结构给出。

对于机器学习方法重要的是，最初不预先给定特征F，而是由特征提取器32独立地确定。其为此检查传感器信号S的样本或者规律性，特别是检查传感器信号的、以组合的方式不对应于事先已知的特征矢量V的特征F，或者明确搜索与事先已知的特征矢量V相似的特征F，以提炼或者调整其表示。

在图3中还示出了附加传感器34，在混合分析的过程中附加地使用附加传感器34，以便支持对传感器信号S的分类或者支持用于学习新的特征矢量N的学习过程。为此，附加传感器34提供关于环境的附加信息。附加传感器34例如是麦克风8中的一个，麦克风8相应地产生麦克风信号，对麦克风信号进行音频分析，以便对当前情形进行分类并且选择合适的运行模式。然后，在针对该情形学习肌肉活动和对应的特征矢量N之后，在未来的识别对应地更快并且更简单地进行，而不需要动用麻烦的音频分析。替换地或者附加地，执行EEG测量，于是附加传感器34是多个EEG电极。加速度传感器也适合作为附加传感器34。

在图1至图3中仅示出了听力设备2的一个单设备。然而，在一个变形中，听力设备2具有两个对应的单设备，例如两个分别如在图2中示出的单设备，然后与图1对应地将其佩戴在使用者的头部的不同侧。这种听力设备2于是称为双耳听力设备2。因此，在这种配置中，提供两个传感器信号S，由此整体上提供更多信息、即特征F，用于对使用者的意图进行分类，并且用于以改善的方式选择合适的运行模式。

在图4和图5中示出了这种双耳听力设备2的示例性运行。在此，通过两个单设备的电极阵列16对传感器信号S进行分析，来设置听力设备2的方向性24。在此，图4示出了学习新的特征矢量N并且调整滤波器组30，以优化地识别相应的传感器信号S中的特征F。最后，在图5中示出了通过分开地分析两个传感器信号S来调整方向性24。

在图4中，在第一步骤S1中，分别单独借助EMG产生传感器信号S。在步骤S2中，借助预滤波器26去除噪声伪影。步骤S3和S4现在涉及机器学习方法的过程中的特征识别和滤波器组30的调整和设置。在步骤S3中，优化参数化的滤波器组30，尤其是使得能够区分两个传感器信号S，以便能够关联右侧或者左侧的各个特征F。在步骤S4中，提取新的特征矢量N，以便针对分类器20作为事先已知的特征矢量V进行存储。然后，在步骤S5中，最佳地针对相应的使用者配置听力设备，即将听力设备个性化。

现在，图5示出了如何在定向倾听中使用事先已知的特征矢量V来进行分类。首先，通过彼此独立地对传感器信号S进行分类，分开地进行对两侧的耳肌M的肌肉活动的分析，随后仅在结果一致的情况下设置听力设备2。因此，进行比较判断。在步骤S6中，借助电极阵列16产生传感器信号S。在步骤S7中，如在图4中的步骤S2中那样，对传感器信号S进行预滤波。然后，在步骤S8中，事先经过优化的滤波器组30区分两个传感器信号S并且彼此独立地确定其特征F。然后，产生两个特征矢量G，在步骤S9中根据特征矢量G通过分类推断出特定意图。在步骤S10中对其进行比较。如果针对两侧的结果一致，则在步骤S11中对应地设置听力设备2。

附图标记列表

2 听力设备

4 壳体

6 声音软管

8 麦克风

10 控制单元

12 听筒

14 耳塞

16 电极阵列

17 电极

18 信号处理器

20 分类器

22 存储器

24 方向性

26 预滤波器

28 参考电极

30 滤波器组

32 特征提取器

34 附加传感器

F 特征

G 特征矢量

M 耳肌

N 新的特征矢量

O 耳朵

S 传感器信号

V 事先已知的特征矢量

Claims (25)

1.一种用于针对使用者运行听力设备(2)的方法，

-其中，执行肌电图扫描，在肌电图扫描中借助电极阵列(16)测量使用者的耳肌(M)的肌肉活动，

-其中，连续测量肌肉活动，以采集耳肌(M)的复杂的活动概况，使用者的意图被编码在所述活动概况中，

-其中，电极阵列(16)产生传感器信号(S)，借助分类器(20)对传感器信号进行分类，在分类中对肌肉活动进行解码，并且通过检查传感器信号(S)是否具有事先已知的特征矢量(V)来确定潜在的意图，

-其中，将事先已知的特征矢量(V)与听力设备(2)的运行模式相关联，当传感器信号(S)具有该事先已知的特征矢量(V)时，设置所述运行模式。

2.根据权利要求1所述的方法，其特征在于，

在至少100ms的测量时间段上测量肌肉活动，并且在整个测量时间段上在传感器信号(S)中搜索事先已知的特征矢量(V)。

3.根据权利要求1或2所述的方法，其特征在于，

所述听力设备(2)被构造为用于定向倾听，并且根据肌肉活动设置听力设备(2)的方向性(24)。

4.根据权利要求1所述的方法，其特征在于，

所述听力设备(2)是双耳听力设备(2)并且具有两个单设备，用于佩戴在使用者头部的不同侧，并且在两侧中的每一侧借助电极阵列(16)产生传感器信号(S)并测量那里的耳肌(M)的肌肉活动。

5.根据权利要求4所述的方法，其特征在于，

首先通过彼此独立地对传感器信号(S)进行分类，来分开地对两侧的肌肉活动进行分析，以及

随后在结果一致的情况下设置听力设备(2)。

6.根据权利要求4或5所述的方法，其特征在于，

首先通过彼此独立地对传感器信号(S)进行分类，来分开地对两侧的肌肉活动进行分析，以及

在结果不同的情况下，通过与自己的结果相反地根据另一个单设备的结果设置单设备中的一个，来同步单设备。

7.根据权利要求4所述的方法，其特征在于，

所述听力设备(2)被构造为用于定向倾听，并且根据肌肉活动设置听力设备(2)的方向性(24)，

意图是希望的倾听方向，其通过检查两个传感器信号(S)中的哪个具有较高的组织程度或者更大的能量来确定，以及

在倾听方向的方向上设置方向性(24)。

8.根据权利要求1所述的方法，其特征在于，

根据肌肉活动识别使用者自己说话的自身发声情形，并且运行模式是减小听力设备(2)的输出信号中的自身发声成分的自身发声减小。

9.根据权利要求1所述的方法，其特征在于，

根据肌肉活动识别使用者的面部表情，面部表情被用作用于设置运行模式的控制命令，该运行模式与该控制命令相关联。

10.根据权利要求1所述的方法，其特征在于，

根据肌肉活动识别听力设备(2)的错误定位。

11.根据权利要求1所述的方法，其特征在于，

依据肌肉活动设置听力设备(2)的放大方案、压缩方案或者噪声抑制。

12.根据权利要求1所述的方法，其特征在于，

事先已知的特征矢量(V)从外部数据库获得。

13.根据权利要求1所述的方法，其特征在于，

附加地借助特征提取器(32)对传感器信号(S)进行特征提取，在特征提取中产生新的特征矢量(N)，将新的特征矢量作为附加的事先已知的特征矢量(V)进行存储。

14.根据权利要求13所述的方法，其特征在于，

以具有指令的机器学习方法，通过

-将情形与运行模式相关联，

-创建情形作为当前情形，

-特征提取器(32)独立地在传感器信号(S)中搜索多个未知特征(F)，

-将未知特征(F)合成为新的特征矢量(N)，

-将新的特征矢量(N)与运行模式相关联，

来产生新的特征矢量(N)。

15.根据权利要求13所述的方法，其特征在于，

在听力设备(2)正常运行时执行机器学习方法，其中，特征提取器(32)连续检查是否在传感器信号(S)中包含新的特征矢量(N)。

16.根据权利要求13所述的方法，其特征在于，

借助附加传感器(34)识别当前情形是否是已经与事先已知的运行模式相关联的事先已知的情形，以及

如果当前情形对应于所述事先已知的情形，则将新的特征矢量(N)与所述事先已知的运行模式相关联。

17.根据权利要求13所述的方法，其特征在于，

特征提取器(32)和分类器(20)共同集成到一个信号处理器(18)中，并且将特征提取和分类作为单个优化问题进行处理。

18.根据权利要求1所述的方法，其特征在于，

事先已知的特征矢量(V)集成到神经元网络中，借助神经元网络，通过确定传感器信号(S)的特征矢量并且将其用作神经元网络的输入信号，来检查传感器信号(S)是否具有事先已知的特征矢量(V)。

19.根据权利要求18所述的方法，其特征在于，

借助附加传感器(34)识别当前情形是否是已经与事先已知的运行模式相关联的事先已知的情形，以及

将特征矢量集成到神经元网络中，如果集成的特征矢量与传感器信号(S)的特征矢量一致，则将该特征矢量与事先已知的运行模式相关联。

20.根据权利要求1所述的方法，其特征在于，

借助滤波器组(30)将传感器信号(S)划分到多个频带上，其中，每个频带形成一个或多个特征(F)。

21.根据权利要求20所述的方法，其特征在于，

所述滤波器组(30)是不规则的并且参数化的滤波器组(30)。

22.根据权利要求20或21所述的方法，其特征在于，

所述滤波器组(30)具有4Hz的下边界频率并且具有1kHz的上边界频率，从而在从4Hz到1kHz的频率范围内检查肌肉活动。

23.根据权利要求1所述的方法，其特征在于，

所述电极阵列(16)具有最多5个电极(17,28)。

24.根据权利要求1所述的方法，其特征在于，

所述电极阵列(16)具有多个电极(17,28)，其中一个被构造为参考电极(28)，借助参考电极在使用者的每个耳肌(M)旁边测量参考信号，并且在向分类器(20)馈送传感器信号之前，借助参考信号对传感器信号(S)进行整理。

25.一种听力设备(2)，其具有控制单元(10)，控制单元被构造为用于执行根据前述权利要求中任一项所述的方法。

Images