CN110719558A - 助听器验配方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请涉及一种助听器验配方法、装置、计算机设备和存储介质。方法包括：获取用户对激励声音的语音响应，其中激励声音为在用户耳道释放的激励声音；通过语义分析解析语音响应，获得响应语义；根据激励声音与响应语义确定用户的听力损失；根据用户的听力损失确定与用户对应的听力补偿；根据听力补偿配置助听器参数。通过释放激励声音，而后获取用户对激励声音的语音响应，通过解析语音响应的响应语义，根据激励声音以及与其对应响应语义确定用户的听力损失，根据听力损失确定用户对应的听力补偿，根据听力补偿对配置用户对应的助听器。整个过程中，仅需通过解析用户对激励声音的响应就可以获取用户听力损失，验配过程简便。

Description

助听器验配方法、装置、计算机设备及存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种助听器验配方法、装置、计算机设备及存储介质。

背景技术

耳聋是老年人口常见病，助听器是一种解决老年人常见的感音神经性及混合性耳聋的电子设备。跟眼镜的先验光后配镜过程相似，助听器的选配也需要经过先测试听力障碍患者左右耳听力状况，再根据听力损失程度对助听器进行定制化编程和配置的过程。

目前助听器验配过程中涉及到的听力测试和编程配置过程，都要求患者去医院或者听力验配中心，由验配师人工进行听力测试、助听器编程及调试来确定与患者对应的听力补偿。整个验配过程往往需要患者多次往返听力服务机构，消耗了大量时间和人力，不利于助听器的推广。

发明内容

基于此，有必要针对上述技术问题，提供一种简单易行的助听器验配方法、装置、计算机设备及存储介质。

一种助听器验配方法，所述方法包括：

获取用户对激励声音的语音响应，所述激励声音为在用户耳道释放的激励声音；

通过语义分析解析所述语音响应，获得响应语义；

根据所述激励声音与所述响应语义确定用户的听力损失；

根据所述用户的听力损失，确定与用户对应的听力补偿；

根据所述听力补偿配置助听器参数。

在其中一个实施例中，所述通过语义分析解析所述语音响应，获得响应语义包括：

将所述语音响应的语音声波信号转换为数字信号；

获取所述数字信号对应的图像信息，所述图像信息包括时域波形图、频域频谱图、能量谱图、共振峰分布图、语谱图以及时频谱图；

通过第一深度神经网络将所述图像信息转化为文字信息；

通过第二深度神经网络将所述文字信息转化为响应语义。

在其中一个实施例中，所述通过语义分析解析所述语音响应，获得响应语义之前，还包括：

通过深度学习对第一初级深度神经网络进行训练，获得第一深度神经网络，通过深度学习对第二初级深度神经网络进行训练，获得第二深度神经网络。

在其中一个实施例中，所述获取所述数字信号对应的图像信息包括：

获取所述数字信号在时域内的时域波形图；

获取所述数字信号在频域内的频域频谱图、能量谱图以及共振峰分布图；

通过不同时间段的傅里叶变换获得所述数字信号的语谱图；

通过小波变换获得所述数字信号的时频谱图。

在其中一个实施例中，所述根据所述激励声音与所述响应语义确定用户的听力损失包括：

根据所述激励声音的强度，以及与所述激励声音对应的响应语义确定用户的听力损失。

在其中一个实施例中，所述根据所述激励声音与所述响应语义确定用户的听力损失包括

根据所述激励声音的频率，以及与所述激励声音对应的响应语义确定用户的听力损失。

在其中一个实施例中，所述根据所述用户的听力损失确定与用户对应的听力补偿包括：

根据用户在不同频率的激励声音下的听阈与不舒适阈，确定与用户对应的听力补偿。

一种助听器验配装置，所述装置包括：

激励释放模块，用于获取用户对激励声音的语音响应，所述激励声音为在用户耳道释放的激励声音；

语义解析模块，用于通过语义分析解析所述语音响应，获得响应语义；

听力损失计算模块，用于根据所述激励声音与所述响应语义确定用户的听力损失；

听力补偿计算模块，用于根据所述用户的听力损失确定与用户对应的听力补偿；

参数配置模块，用于根据所述听力补偿配置助听器参数。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取用户对激励声音的语音响应，所述激励声音为在用户耳道释放的激励声音；

通过语义分析解析所述语音响应，获得响应语义；

根据所述激励声音与所述响应语义确定用户的听力损失；

根据所述用户的听力损失，确定与用户对应的听力补偿；

根据所述听力补偿配置助听器参数。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取用户对激励声音的语音响应，所述激励声音为在用户耳道释放的激励声音；

通过语义分析解析所述语音响应，获得响应语义；

根据所述激励声音与所述响应语义确定用户的听力损失；

根据所述用户的听力损失，确定与用户对应的听力补偿；

根据所述听力补偿配置助听器参数。

上述助听器验配方法、装置、计算机设备以及存储介质，通过释放激励声音，而后获取用户对激励声音的语音响应，通过解析语音响应的响应语义，根据激励声音以及与其对应响应语义确定用户的听力损失，根据听力损失确定用户对应的听力补偿，根据听力补偿对配置用户对应的助听器。整个过程中，仅需通过解析用户对激励声音的响应就可以获取用户听力损失，验配过程简便。

附图说明

图1为一个实施例中助听器验配方法的流程示意图；

图2为一个实施例中S300步骤的流程示意图；

图3为另一个实施例中助听器验配方法的流程示意图；

图4为另一个实施例中助听器验配方法的流程示意图；

图5为另一个实施例中助听器验配方法的流程示意图；

图6为一个实施例中助听器验配装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的助听器验配方法，可以应用于终端中。终端具体包括处理器、扬声器以及麦克风等部件，可以通过扬声器发出激励声音，可以通过语音接收器接收用户发出的语音响应。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备以及助听器。

在一个实施例中，如图2所示，提供了一种助听器验配方法，以该方法应用于上述的终端为例进行说明，包括以下步骤：

S100，获取用户对激励声音的语音响应，激励声音为在用户耳道释放的激励声音。

激励声音是指用于测试用户反应的声音信号，激励声音的属性具体可以包括声音的强度以及频率，语音响应是指用户对激励声音的自然而然的语言回答。

首先在用户耳道释放激励声音，而后获取用户对于该激励声音做出的自然而然的语言回答。在用户耳道释放激励声音，可以避免周边环境对验配的影响，减少激励声音的损失，同时可以对用户的左右双耳进行测试。可以通过处理器控制扬声器在用户耳道释放激励声音。

S300，通过语义分析解析语音响应，获得响应语义。

用户对激励声音的自然回答的话语中可能会包含多类意义，语义分析用于解析用户对激励声音的反应具体为哪种意义。响应语义具体可以包含以下几种方向：(1)用户觉得激励声音太大，表现不适感；(2)用户觉得激励声音过小他听不清楚；(3)用户觉得激励声音适度，觉得舒适；(4)用户根本没有听到激励声音。在用户对激励声音做出语音响应，通过语义分析获取响应语义信息。在其中一个实施例中，可以通过深度神经网络对语音响应，获得与语音响应对应的语义。

如图2所示，在其中一个实施例中，S300包括：

S320，将语音响应的语音声波信号转换为数字信号。

在通过麦克风采集声波信号后，可以通过模/数转换将声波信号转化为数字信号。

S340，获取数字信号对应的图像信息，图像信息包括时域波形图、频域频谱图、能量谱图、共振峰分布图、语谱图、时频谱图。

将数字化的语音信号在不同维度进行变换，获得该语音信号对应的图像信息，其中一个实施例中，获取数字信号对应的图像信息具体可以包括但不限于：在时域得到输入语音信号的时域波形、平均振幅、最大最小值、语音通断时间等信息和参数，获取数字信号在时域内的时域波形图；在频域得到输入语音信号的频率谱、能量谱、噪声谱、频率分布、基频、共振峰分布等信息和参数，获取数字信号在频域内的频域频谱图、能量谱图以及共振峰分布图；通过不同时间段的傅里叶变换得到输入语音信号的语谱图；通过小波变换获得数字信号的时频谱图。对于不用文字的发音，其语音信号变换后得到的时域波形图、频域频谱图、能量谱图、共振峰分布图、语谱图、时频谱图等图像信息与图像特征也各不相同。

S360，通过第一深度神经网络将图像信息转化为文字信息。

在获得语音声波信号对应的图像信息之后，可以采用深度学习的方法，根据语音变换后的各种图像特征，将图像信息转化为文字信息。

S380，通过第二深度神经网络将文字信息转化为响应语义。

在获得文字信息后，还需要通过第二重的深度学习，将转换成的文字(text)信息进一步转化为语义信息(semantic)。使得验配终端明白用户对于特定激励信号强度是否感觉太大、太小，是否合适，是否对助听补偿中不同频率的放大效果满意，是否听清楚了激励语音。第一深度神经网络与第二深度神经网络个字包含了与其对应的数据库。第一深度神经网络与第二深度神经网络可以为相同的深度神经网络模型，也可以为不同的深度神经网络模型，但是对第一深度神经网络与第二深度神经网络所用的训练材料不相同，所以第一深度神经网络与第二深度神经网络转换所用的材料与所得出的结果也不相同。通过深度神经网络分析用户语音对应的语义，减少了助听器验配过程中的人工参与，提高了验配效率。

S500，根据激励声音与响应语义确定用户的听力损失。

听力损失(hearing loss)又称聋度(deafness)或听力级(hearing level)。是人耳在某一频率的听阈比正常听阈高出的分贝数。听力损失可以衡量用户耳聋的程度。

通过对比激励声音的强度与用户对该激励声音的回应所包含的语义来确定用户的听力损失，在其中一个实施例中，可以根据用户对激励声音的回应反复调整激励声音的强度与频率，通过反复测试获取用户的听力损失。

S700，根据用户的听力损失确定与用户对应的听力补偿。

听力补偿是指助听器对用户的听力损失补偿，通过听力补偿可以使得耳聋用户在助听器的帮助下能听到正常的声音。可以通过用户的听力损失数据确定针对用户的听力补偿。

S900，根据听力补偿配置助听器参数。

确定听力补偿后，根据听力补偿配置助听器参数，完成一轮助听器配置。在其中一个实施例中，对患者左耳和右耳在不同频率内不同输入声音大小条件下进行语音放大的增益数值。

上述助听器验配方法、装置、系统以及存储介质，通过释放激励声音，而后获取用户对激励声音的语音响应，通过解析语音响应的响应语义，根据激励声音以及与其对应响应语义确定用户的听力损失，根据听力损失确定用户对应的听力补偿，根据听力补偿对配置用户对应的助听器。仅通过解析用户对激励声音的响应来获取用户听力损失，验配过程方便易行。

如图3所示，在其中一个实施例中，S300之前，还包括：

S200，通过深度学习对第一初级深度神经网络进行训练，获得第一深度神经网络，通过深度学习对第二初级深度神经网络进行训练，获得第二深度神经网络。

第一初级深度神经网络与第二初级深度神经网络可以为同种的神经网络模型，也可以为不同种的神经网络模型。在使用第一深度神经网络与第二深度神经网络获取用户的语义前，还可以获取训练后的这两个神经网络模型，通过深度学习对第一初级深度神经网络以及第二初级深度神经网络进行训练，深度学习具体可以包括监督学习与无监督学习。训练的过程类似于语义的理解过程。用户进行有引导或无引导的发音，所发出语音被采集与语音变换后，进行有监督学习或无监督学习来训练深度神经网络的语意识别能力。处理过程包括：(1)语音变换，将音频信号变换成图像信号；(2)语音识别，根据语音变换产生的图像信号通过人工智能识别出对应的文字；(3)语意识别，通过对应的文字识别语音表达的意思。用户发出的不同语音不断丰富了用于语意识别的训练数据库，使助听器对该用户语音识别功能更加准确。用户在助听器日常使用中，用于语音识别和语意识别的训练数据库也在不断完善，以便对智能识别中的深度神经网络进行更完善的训练，智能识别能力也在自己升级。通过深度学习提高终端对用户语义的识别准确度。

如图4所示，在其中一个实施例中，S500具体包括：

S520，根据激励声音的强度，以及与激励声音对应的响应语义确定用户的听力损失。

在获取用户对激励声音做出的响应包含的语义后，可以先判断响应语义所属类型，响应语义所属类型的具体可以包括：激励过小、激励适当以及激励过大等。而后根据响应语义类型更新激励声音的强度。通过扬声器在用户的耳道释放更新后的激励声音，返回获取用户对更新后的激励声音的语音响应的步骤，根据多次返回测试中的激励声音的强度，以及与激励声音对应的响应语义确定用户的听力损失。返回的次数可以根据用户的响应所包含的语义进行设置，在其中一个实施例，可以先设置一个较小强度的激励声音，并逐渐加大来寻找用户能听到的小声音强度，并设置一个较打强度的激励声音，并逐渐减小来寻找用户能听得舒服的最大声音强度。首先测试用户对某个激励的反应，分析用户对激励的反应属于什么类型，而后根据用户对该激励的反应更新激励声音的强度，重新进行一轮测试，而后根据多轮测试中所用声音的强度与用户对应的响应语义来确定用户的听力损失。更新次数可以根据用户需要的助听器的精度进行对应设置。

如图4所示，在其中一个实施例中，S500具体包括：

S540，根据激励声音的频率，以及与激励声音对应的响应语义确定用户的听力损失。

可以更换激励声音的频率，而后再次发出激励声音，进行测验。更换的频率具体可以为预先设置的几个固定的频率，而后根据激励声音的频率以及对应的响应语义确定用户的听力损失，确定通过更换频率可以更精确地测出用户的听力损失，为用户的助听器提供更加准确地配置。在其中一个实施例中，可以在测试一个频率内用户对各个不同强度的激励声音的响应后，通过再通过更换频率，确定另一个预设频率内用户对各个不同强度的激励声音的响应。通过更换不同频率以及不同强度的激励声音，确定用户的听力损失。

在其中一个实施例中，根据用户的听力损失确定与用户对应的听力补偿包括：

根据用户在不同频率的激励声音下的听阈与不舒适阈，确定与用户对应的听力补偿。

其中听阈是指用户在当前频率的激励声音下能听到的最小声音强度。不舒适阈是指用户在当前频率的激励声音下所能忍受的最大声音强度。根据确定的用户的听力损失情况，得到用户在不同频率能够听到的最小声音强度即听阈和在不同频率能够容忍的最大声音强度即不舒适阈。而后根据用户在不同频率能听到的最小声音强度与能忍受的最大声音强度确定与用户对应的听力补偿。根据用户在不同频率内的听阈以及不舒适阈来确定对用户的听力，能使得对用户的听力补偿更加准确。

在具体应用实例中，本申请助听器验配方法，具体包括以下过程：首先通过深度学习对第一初级深度神经网络进行训练，获得第一深度神经网络，通过深度学习对第二初级深度神经网络进行训练，获得第二深度神经网络。通过采集用户有引导或无引导的发音，而后通过语音变换，进行有监督学习或无监督学习来训练第一深度神经网络以及第二深度神经网络的语意识别能力。而后再具体的验配过程中，首先通过扬声器在用户的耳道释放激励声音，获取用户对激励声音的语音响应。而后将语音响应的语音声波信号转换为数字信号。获取数字信号对应的图像信息，图像信息具体包括时域波形图、频域频谱图、能量谱图、共振峰分布图、语谱图、时频谱图等。通过训练后的第一深度神经网络将图像信息转化为文字信息。通过训练后的第二深度神经网络将文字信息转化为响应语义，判断响应语义所属类型，响应语义所属类型包括：无激励、激励过小、激励适当以及激励过大。根据响应语义类型更新当前频率下激励声音的强度，通过反复测试用户的响应获得用户能听到的最小声音强度与最大声音强度，根据预设测试频率集内频率更新激励声音的频率，测试更换频率后的激励声音下用户能听到的最小声音强度与最大声音强度。根据各个激励声音的强度和频率，以及与激励声音对应的响应语义确定用户的听力损失。根据用户在不同频率能听到的最小声音强度与最大声音强度确定与用户对应的听力补偿。根据听力补偿配置助听器参数。

应该理解的是，虽然图1-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图6示，提供了一种助听器验配装置，装置包括：

激励释放模块100，用于获取用户对激励声音的语音响应，激励声音为在用户耳道释放的激励声音；

语义解析模块300，用于通过语义分析解析语音响应，获得响应语义；

听力损失计算模块500，用于根据激励声音与响应语义确定用户的听力损失；

听力补偿计算模块700，用于根据用户的听力损失确定与用户对应的听力补偿；

参数配置模块900，用于根据听力补偿配置助听器参数。

在其中一个实施例中，语义解析模块300具体包括：

模数转换单元，用于将语音响应的语音声波信号转换为数字信号；

数字图像转换单元，获取数字信号对应的图像信息，图像信息包括时域波形图、频域频谱图、能量谱图、共振峰分布图、语谱图、时频谱图；第一智能转换单元，通过第一深度神经网络将图像信息转化为文字信息；第二智能转换单元，通过第二深度神经网络将文字信息转化为响应语义。

在其中一个实施例中，还包括通过深度学习对第一初级深度神经网络进行训练，获得第一深度神经网络，通过深度学习对第二初级深度神经网络进行训练，获得第二深度神经网络。

在其中一个实施例中，数字图像转换单元具体用于：获取数字信号在时域内的时域波形图；获取数字信号在频域内的频域频谱图、能量谱图以及共振峰分布图；通过不同时间段的傅里叶变换获得数字信号的语谱图；通过小波变换获得数字信号的时频谱图。

在其中一个实施例中，听力损失计算模块500用于：根据激励声音的强度，以及与激励声音对应的响应语义确定用户的听力损失。

在其中一个实施例中，，听力损失计算模块500还用于：根据激励声音的频率，以及与激励声音对应的响应语义确定用户的听力损失。

在其中一个实施例中，听力补偿计算模块700用于：根据用户在不同频率的激励声音下的听阈与不舒适阈，确定与用户对应的听力补偿。

关于装置的具体限定可以参见上文中对于助听器验配方法的限定，在此不再赘述。上述助听器验配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种助听器验配方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取用户对激励声音的语音响应，激励声音为在用户耳道释放的激励声音；

通过语义分析解析语音响应，获得响应语义；

根据激励声音与响应语义确定用户的听力损失；

根据用户的听力损失，确定与用户对应的听力补偿；

根据听力补偿配置助听器参数。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将语音响应的语音声波信号转换为数字信号；获取数字信号对应的图像信息，图像信息包括时域波形图、频域频谱图、能量谱图、共振峰分布图、语谱图、时频谱图；通过第一深度神经网络将图像信息转化为文字信息；通过第二深度神经网络将文字信息转化为响应语义。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

通过深度学习对第一初级深度神经网络进行训练，获得第一深度神经网络，通过深度学习对第二初级深度神经网络进行训练，获得第二深度神经网络。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取数字信号在时域内的时域波形图；获取数字信号在频域内的频域频谱图、能量谱图以及共振峰分布图；通过不同时间段的傅里叶变换获得数字信号的语谱图；通过小波变换获得数字信号的时频谱图。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据激励声音的强度，以及与激励声音对应的响应语义确定用户的听力损失。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据激励声音的频率，以及与激励声音对应的响应语义确定用户的听力损失。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据用户在不同频率的激励声音下的听阈与不舒适阈，确定与用户对应的听力补偿。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取用户对激励声音的语音响应，激励声音为在用户耳道释放的激励声音；

通过语义分析解析语音响应，获得响应语义；

根据激励声音与响应语义确定用户的听力损失；

根据用户的听力损失，确定与用户对应的听力补偿；

根据听力补偿配置助听器参数。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将语音响应的语音声波信号转换为数字信号；获取数字信号对应的图像信息，图像信息包括时域波形图、频域频谱图、能量谱图、共振峰分布图、语谱图、时频谱图；通过第一深度神经网络将图像信息转化为文字信息；通过第二深度神经网络将文字信息转化为响应语义。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过深度学习对第一初级深度神经网络进行训练，获得第一深度神经网络，通过深度学习对第二初级深度神经网络进行训练，获得第二深度神经网络。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取数字信号在时域内的时域波形图；获取数字信号在频域内的频域频谱图、能量谱图以及共振峰分布图；通过不同时间段的傅里叶变换获得数字信号的语谱图；通过小波变换获得数字信号的时频谱图。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据激励声音的强度，以及与激励声音对应的响应语义确定用户的听力损失。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据激励声音的频率，以及与激励声音对应的响应语义确定用户的听力损失。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据用户在不同频率的激励声音下的听阈与不舒适阈，确定与用户对应的听力补偿。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种助听器验配方法，所述方法包括：

获取用户对激励声音的语音响应，所述激励声音为在用户耳道释放的激励声音；

通过语义分析解析所述语音响应，获得响应语义；

根据所述激励声音与所述响应语义确定用户的听力损失；

根据所述用户的听力损失，确定与用户对应的听力补偿；

根据所述听力补偿配置助听器参数。

2.根据权利要求1所述的方法，其特征在于，所述通过语义分析解析所述语音响应，获得响应语义包括：

将所述语音响应的语音声波信号转换为数字信号；

获取所述数字信号对应的图像信息，所述图像信息包括时域波形图、频域频谱图、能量谱图、共振峰分布图、语谱图以及时频谱图；

通过第一深度神经网络将所述图像信息转化为文字信息；

通过第二深度神经网络将所述文字信息转化为响应语义。

3.根据权利要求2所述的方法，其特征在于，所述通过语义分析解析所述语音响应，获得响应语义之前，还包括：

通过深度学习对第一初级深度神经网络进行训练，获得第一深度神经网络，通过深度学习对第二初级深度神经网络进行训练，获得第二深度神经网络。

4.根据权利要求2所述的方法，其特征在于，所述获取所述数字信号对应的图像信息包括：

获取所述数字信号在时域内的时域波形图；

获取所述数字信号在频域内的频域频谱图、能量谱图以及共振峰分布图；

通过不同时间段的傅里叶变换获得所述数字信号的语谱图；

通过小波变换获得所述数字信号的时频谱图。

5.根据权利要求1所述的方法，其特征在于，所述根据所述激励声音与所述响应语义确定用户的听力损失包括：

根据所述激励声音的强度，以及与所述激励声音对应的响应语义确定用户的听力损失。

6.根据权利要求1所述的方法，其特征在于，所述根据所述激励声音与所述响应语义确定用户的听力损失包括

根据所述激励声音的频率，以及与所述激励声音对应的响应语义确定用户的听力损失。

7.根据权利要求1所述的方法，其特征在于，所述根据所述用户的听力损失确定与用户对应的听力补偿包括：

根据用户在不同频率的激励声音下的听阈与不舒适阈，确定与用户对应的听力补偿。

8.一种助听器验配装置，所述装置包括：

激励释放模块，用于获取用户对所述激励声音的语音响应，所述激励声音为在用户耳道释放的激励声音；

语义解析模块，用于通过语义分析解析所述语音响应，获得响应语义；

听力损失计算模块，用于根据所述激励声音与所述响应语义确定用户的听力损失；

听力补偿计算模块，用于根据所述用户的听力损失确定与用户对应的听力补偿；

参数配置模块，用于根据所述听力补偿配置助听器参数。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

Images