CN110960224B - 听力阈值和/或听力状态检测系统及方法 - Google Patents

听力阈值和/或听力状态检测系统及方法 Download PDF

Info

Publication number
CN110960224B
CN110960224B CN201911405753.XA CN201911405753A CN110960224B CN 110960224 B CN110960224 B CN 110960224B CN 201911405753 A CN201911405753 A CN 201911405753A CN 110960224 B CN110960224 B CN 110960224B
Authority
CN
China
Prior art keywords
stimulation
sfoaes
signal
hearing
intensity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911405753.XA
Other languages
English (en)
Other versions
CN110960224A (zh
Inventor
宫琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Erqingcong Technology Co ltd
Tsinghua University
Original Assignee
Hangzhou Erqingcong Technology Co ltd
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Erqingcong Technology Co ltd, Tsinghua University filed Critical Hangzhou Erqingcong Technology Co ltd
Priority to CN201911405753.XA priority Critical patent/CN110960224B/zh
Publication of CN110960224A publication Critical patent/CN110960224A/zh
Priority to PCT/CN2020/089962 priority patent/WO2021135030A1/zh
Priority to US17/782,972 priority patent/US20230000397A1/en
Application granted granted Critical
Publication of CN110960224B publication Critical patent/CN110960224B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/12—Audiometering
    • A61B5/121—Audiometering evaluating hearing capacity
    • A61B5/125—Audiometering evaluating hearing capacity objective methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6814—Head
    • A61B5/6815—Ear
    • A61B5/6817—Ear canal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0204—Acoustic sensors

Abstract

本发明提供一种听力阈值和/或听力状态检测系统及方法，该检测系统包括：采集传输系统，用于传输刺激信号及采集耳道信号；听力阈值分析预测系统，包括听力阈值检测模块、常规测试模块和/或听力状态筛查模块，其中，听力阈值检测模块通过预先训练好的网络模型确定不同刺激频率对应的听力阈值；常规测试模块通过采集传输系统自适应选择测试强度范围，通过预先训练好的网络模型，预测该刺激频率点对应的听力阈值；筛查模块用于通过采集传输系统通过预先训练好的网络模型进行听力状态筛查。本发明不但检测结果准确，且可以适用于不同的需求场景。

Description

听力阈值和/或听力状态检测系统及方法
技术领域
本发明是关于一种基于SFOAEs的I/O功能的听力阈值和/或听力状态检测系统及方法，涉及听觉系统检测技术领域。
背景技术
耳声发射(Otoacoustic Emissions，OAEs)是一种产生于内耳耳蜗，经听骨链及鼓膜，传导释放到外耳道的微弱音频能量，是人耳正常功能的一部分。根据外界刺激声的有无，耳声发射可分为自发耳声发射(Spontaneous Otoacoustic Emissions，SOAEs)和诱发耳声发射(Evoked Otoacoustic Emissions，EOAEs)两大类。EOAEs根据诱发刺激声的不同，又分为瞬态诱发耳声发射(Transient-Evoked Otoacoustic Emissions，TEOAEs)、畸变产物耳声发射(Distortion-Product Otoacoustic Emissions，DPOAEs)和刺激频率耳声发射(Stimulus-Frequency Otoacoustic Emissions，SFOAEs)三类。
由于目前临床上所采用的纯音听阈测试是一种行为学测试，测试时需要受试者的主观反馈，受主观因素例如注意力、配合程度影响较大，特别是对于那些缺乏配合的人群(例如婴幼儿)，这种需要受试者主观反馈的检测方式就会不适用。刺激频率耳声发射(SFOAEs)是内耳耳蜗受到单一频率的信号刺激之后，主动发出与刺激声频率相同的微弱声音信号。SFOAEs能够反映耳蜗外毛细胞的主动机制，从而进一步反映听觉外周系统功能。由于刺激频率耳声发射的频率与刺激声的频率完全相同，SFOAEs具有非常好的频率特异性；另外，由于在中、高刺激强度下，它能够在中、重度聋耳中检测到SFOAEs，因此，SFOAEs具有客观定量地反映听力阈值的潜力，尤其适用于缺乏配合人群的听力检测。
现有技术中公开了便携式全功能耳声发射检测系统,具体公开了基于USB多媒体声卡的便携式耳声发射检测系统，实现了对瞬态诱发耳声发射(TEOAEs)和畸变耳声发射(DPOAEs)信号的全功能定量检测和分析。但是没有涉及刺激频率耳声发射的输入输出(I/O)功能检测，也没有涉及利用SFOAEs I/O功能进行听觉系统的听力阈值估计和听力状况筛查的检测技术和方法；现有技术还公开了发明名称为一种刺激频率耳声发射调谐曲线检测及校准系统，仅公开了刺激频率耳声发射抑制调谐曲线的检测方法及校准系统的检测技术，但是没有涉及利用刺激频率耳声发射的输入输出功能进行听力阈值估计的检测技术和方法；现有技术又公开了基于刺激频率耳声发射的听觉灵敏度检测系统，公开了利用SFOAEs的各点波形形状进行强度灵敏度的检测，以及利用刺激频率耳声发射抑制调谐曲线的各点波形形状进行频率灵敏度的检测，但是没有涉及利用刺激频率耳声发射的输入输出功能曲线等方法。
综上，现有技术有些不是进行听力阈值的检测，有些则没有应用刺激频率耳声发射的输入输出功能的完整信息来检测听力阈值，听力阈值检测结果的准确率不高。
发明内容
针对上述问题，本发明的目的是提供一种能够快速准确提取所设频率点下的听力阈值或听力状态的听力阈值和/或听力状态的检测系统及方法。
为了实现上述目的，本发明采用的技术方案为：
第一方面，本发明提供一种听力阈值和/或听力状态检测系统，该检测系统包括：
采集传输系统，用于传输刺激信号及采集耳道信号；
听力阈值分析预测系统，包括听力阈值检测模块、常规测试模块和/或听力状态筛查模块，其中，
所述听力阈值检测模块通过所述采集传输系统输入设定范围的刺激频率，通过检测各刺激频率点在所有刺激强度下的SFOAEs数据，构建检测刺激频率处的I/O功能曲线，并提取每一刺激频率处所有刺激强度下的SFOAEs信号参数，通过预先训练好的网络模型，预测不同刺激频率下的听力阈值；
所述常规测试模块通过所述采集传输系统自适应选择测试强度范围，通过检测各刺激频率点在所选择刺激强度下的SFOAEs数据，构建检测刺激频率在刺激强度范围的I/O功能曲线，并提取每个刺激频率处自适应选择的刺激强度下的SFOAEs信号参数，通过预先训练好的网络模型，预测不同刺激频率点对应的听力阈值；
所述筛查模块用于通过所述采集传输系统在某一刺激频率下，输入N个设定刺激强度，采集每个刺激强度下的SFOAEs，提取每个刺激强度下的SFOAEs信号参数，通过预先训练好的网络模型，进行听力状态筛查。
优选地，所述采集传输系统包括：
信号发送设备，用于使得刺激信号源发出数字信号；
信号转换设备，用于对发送或接收信号进行D/A或A/D转换；
刺激信号发出结构，用于向人耳传输刺激信号；
信号回采结构，用于采集耳道信号。
优选地，所述听力阈值检测模块、常规测试模块和/或听力状态筛查模块均包括：
刺激声参数设置模块，用于设置刺激声参数；
抑制声参数设置模块，用于设置抑制声参数；
刺激声信号生成模块，用于根据设置的刺激声参数生成相应的数字刺激声信号；
抑制声信号生成模块，用于根据设置的抑制声参数生成相应的数字抑制声信号；
刺激声信号刺激模块，用于发出刺激声信号；
抑制声信号刺激模块，用于发出抑制声信号。
优选地，所述听力阈值检测模块还包括：
听力阈值信号检测处理模块，用于将采集的耳道信号进行处理，提取出不同刺激频率在所有刺激强度下的刺激频率耳声发射信号，构建SFOAEs的I/O功能曲线，其中，I/O功能曲线横坐标为刺激声强度，纵坐标为SFOAEs强度；
听力阈值特征参数提取和主成分分析模块，用于提取SFOAEs的I/O功能曲线的特征参数和主成分；
听力阈值预测模块，用于根据不同刺激频率处所有刺激强度下的SFOAEs数据的特征参数和主成分，通过预先训练好的网络模型，预测每一刺激频率点处的听力阈值，具体为：
如果某刺激频率下，在设定的所有刺激强度范围内引出了SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的的第一网络模型中，确定该刺激频率点对应的听力阈值；其中，特征参数和主成分包括：第一个诱发出SFOAEs信号的刺激强度、回采强度、衰减系数以及所有刺激强度下产生的SFOAEs信号的信噪比生成的最大主成分；
如果某刺激频率下，在设定的所有刺激强度范围内没有引出SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的的第二网络模型，确定该刺激频率点对应的听力阈值；其中，特征参数和主成分包括：所有刺激强度下的SFOAEs强度的最大主成分、所有刺激强度下的衰减系数的最大主成分和所有刺激强度下的信噪比的最大主成分。
优选地，所述常规测试模块还包括：
常规测试信号检测处理模块，用于将采集的耳道信号进行处理，提取出不同刺激频率在自适应选择的刺激强度下的刺激频率耳声发射信号，构建选择范围内的SFOAEs的I/O功能曲线，其中，I/O功能曲线横坐标为刺激声强度，纵坐标为SFOAEs强度；
常规测试特征参数提取和主成分分析模块，用于提取自适应选择的刺激强度下的SFOAEs的I/O功能曲线的特征参数和主成分；
常规测试预测模块，用于采集每一刺激频率处，检测到第一个能够引出SFOAEs及其之后的连续M个刺激强度下的数据，停止信号采集，并提取该刺激频率处刺激强度范围内的SFOAEs数据的特征参数和主成分，通过预先训练好的网络模型预测该刺激频率点对应的听力阈值，具体为：
如果某刺激频率下，在自适应选择的刺激强度范围内引出了第一个SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的第三网络模型中，确定该刺激频率点对应的听力阈值；其中，特征参数包括：第一个诱发出SFOAEs信号的刺激强度、回采强度、衰减系数、M+1个连续刺激强度下的信噪比生成的最大主成分；
如果某刺激频率下，在自适应选择的刺激强度范围内没有引出SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的第二网络模型，确定该刺激频率点对应的听力阈值；其中，特征参数和主成分包括：在自适应选择的刺激强度范围内提取出SFOAEs信号强度的最大主成分、在自适应选择的刺激强度范围内的衰减系数的最大主成分及在自适应选择的刺激强度范围内的信噪比的最大主成分。
优选地，所述筛查模块还包括：
筛查用信号检测处理模块，用于将耳道信号进行预处理，提取在某刺激频率N个特定刺激强度下的SFOAEs信号；
筛查用特征参数提取模块，用于提取SFOAEs数据的特征参数；
筛查用预测模块，将该刺激频率处的N个特定刺激强度下的SFOAEs的特征参数，通过预先训练好的网络模型预测该刺激频率处的听力状态，具体为：
将提取的SFOAEs数据的特征参数输入到预先训练好的第四网络模型中，进行听力状态筛查，其中，特征参数包括在刺激频率处，N个特定刺激强度下的SFOAEs数据，分别提取N组特征参数，每组特征参数均包括SFOAEs的幅度、信噪比、回采强度、衰减系数及信号基线比。
优选地，所述网络模型均采用基于机器学习算法构建的网络模型或者基于多变量统计方法构建的网络模型；
其中，基于机器学习算法构建的网络模型包括支持向量机、K近邻、BP神经网络、随机森林和/或决策树神经网络模型；
基于多变量统计方法构建的网络模型包括基于判别分析或基于逻辑回归的网络模型。
优选地，所述刺激信号发出结构包括依次连接的耳机放大器和微型扬声器；
所述耳机放大器连接所述信号转换结构的输出端，所述微型扬声器包括分别传输刺激声和抑制声的两个电-声换能器，用于诱发SFOAEs信号，两个所述电-声换能器通过两声管插设在耳塞内，两个所述电-声换能器的输入端通过两个TRS接口分别连接所述耳机放大器，所述微型扬声器用于将模拟电压信号进行电声转换成声信号，经耳塞发送到待测试者耳内。
优选地，所述信号回采结构包括依次连接的微型麦克风和麦克风放大器；
所述微型麦克风包括声-电换能器，所述微型麦克风的输入端经传输声管插设在耳塞内，所述微型麦克风的输出端连接所述麦克风放大器的输入端，所述麦克风放大器的输出端连接所述信号转换结构输入端。
第二方面，本发明还提供了一种听力阈值和/或听力状态检测方法，包括如下步骤：
S1：选择待测试者需要进行的检测模式，其中，检测模式为听力阈值预测、常规听力阈值预测或听力状态筛查；其中，
听力阈值预测用于输入设定范围的刺激频率，通过检测各刺激频率点在所有刺激强度下的SFOAEs数据，构建检测刺激频率处的I/O功能曲线，并提取不同刺激频率处，所有刺激强度下的SFOAEs信号参数，通过预先训练好的网络模型确定不同刺激频率对应的听力阈值；
常规听力阈值预测，用于自适应选择测试强度范围，通过检测各刺激频率点在自适应选择刺激强度下的SFOAEs数据，构建在检测频率处，自适应选择的刺激强度范围内的I/O功能曲线，并提取每个刺激频率处，自适应选择的刺激强度范围内的SFOAEs信号参数，通过预先训练好的网络模型确定该刺激频率点对应的听力阈值；
听力状态筛查用于在某一刺激频率下输入N个设定刺激强度，采集每个刺激强度下的SFOAEs，提取每个刺激强度下的SFOAEs信号参数，通过预先训练好的网络模型进行听力状态筛查；
S2：基于选择的检测模式，待测试者耳道接收不同的刺激信号，对耳道信号进行相应处理，完成对应检测模式的听力阈值预测或听力状态筛查。
进一步地，当待试者选择的检测模式为听力阈值预测，具体过程为：
按照指定范围设置刺激声参数、抑制声参数，并将刺激声信号和抑制声信号传入待测试者耳道内；
接收耳道信号，通过检测各刺激频率点在所有刺激强度下的SFOAEs信号，构成检测频率处的I/O功能曲线，其中，I/O功能曲线横坐标为刺激声强度，纵坐标为SFOAEs强度；
提取SFOAEs数据的I/O功能曲线的特征参数和主成分；
根据不同刺激频率处所有刺激强度下的SFOAEs数据的特征参数和主成分，通过预先训练的神经网络模型，预测每一刺激频率点处的听力阈值。
进一步地，根据不同刺激频率处所有刺激强度下的SFOAEs数据的特征参数和主成分，通过预先训练好的网络模型，预测每一刺激频率点处的听力阈值，具体过程为：
如果在某刺激频率处，在设定的所有刺激强度范围内引出了SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的第一网络模型中，确定该刺激频率点对应的听力阈值；其中，特征参数和主成分包括：第一个诱发出SFOAEs信号的刺激强度、回采强度、衰减系数以及所有刺激强度下产生的SFOAEs信号的信噪比生成的最大主成分；
如果在某刺激频率处，在设定的所有刺激强度范围内没有引出SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的第二网络模型，确定该频率点对应的听力阈值；其中，特征参数和主成分包括：所有刺激强度下的SFOAEs信号强度的最大主成分、所有刺激强度下的衰减系数的最大主成分和所有刺激强度下的信噪比的最大主成分。
进一步地，当待试者选择的检测模式为常规听力阈值预测，具体过程为：
自适应选择测试强度范围设置刺激声参数、抑制声参数，并将刺激声信号和抑制声信号传入待测试者耳道内；
在检测到第一个能够引出SFOAEs及其之后的连续M个刺激强度下的数据，信号采集过程结束，其中M为正整数；
根据不同刺激频率和刺激强度下的刺激频率耳声发射的功率谱信号，构成自适应选择测试强度范围内的I/O功能曲线；
提取自适应选择测试强度范围的SFOAEs的I/O功能曲线的特征参数和主成分；
用于采集每一刺激频率处，检测到第一个能够引出SFOAEs及其之后的连续M个刺激强度下的数据，停止信号采集，提取该刺激频率处，自适应选择刺激强度范围内的SFOAEs数据的特征参数和主成分，通过预先训练好的网络模型预测该刺激频率点对应的听力阈值。
进一步地，通过预先训练好的网络模型预测该刺激频率点对应的听力阈值，具体为：
如果某刺激频率，在自适应选择的刺激强度范围内引出了SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的第三网络模型中，确定该刺激频率点对应的听力阈值；其中，特征参数包括：第一个诱发出SFOAEs信号的刺激强度、回采强度、衰减系数、M+1个连续刺激强度下的信噪比生成的最大主成分；
如果在某刺激频率下，在自适应选择的刺激强度范围内没有引出SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的第二网络模型，确定该刺激频率点对应的听力阈值；其中，特征参数和主成分包括：在自适应选择的刺激强度范围内提取出SFOAEs信号强度的最大主成分、在自适应选择的刺激强度范围内的衰减系数的最大主成分及在自适应选择的刺激强度范围内的信噪比的最大主成分。
进一步地，当待试者选择的检测模式为听力状态筛查，具体过程为：
设置刺激声参数和抑制声参数，在某一刺激频率下，输入指定的N个特定刺激强度，并将刺激声和抑制声传入待测试者耳道内；提取在N个特定刺激强度下的SFOAEs数据信号；
提取SFOAEs数据的特征参数；
通过提取该刺激频率处的N个特定刺激强度下的SFOAEs的特征参数，通过预先训练好的第四网络模型进行听力状态筛查，其中，特征参数包括：在检测刺激频率处，N个特定刺激强度下的SFOAEs数据，分别提取N组特征参数，每组特征参数包括：SFOAEs的幅度、信噪比、回采强度、衰减系数及信号基线比。
第三方面，本发明还提供了一种计算机程序，包括计算机程序指令，其中，所述程序指令被处理器执行时用于实现所述的听力阈值和/或听力状态检测方法对应的步骤。
第四方面，本发明还提供一种存储介质，所述存储介质上存储有计算机程序指令，其中，所述程序指令被处理器执行时用于实现所述的听力阈值和/或听力状态检测方法对应的步骤。
第五方面，本发明还提供一种终端设备，包括处理器和存储器，所述存储器用于存放至少一项可执行指令，所述可执行指令使所述处理器执行所述的听力阈值和/或听力状态检测方法对应的步骤。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明基于刺激频率耳声发射的输入输出功能，根据待测试者需要进行的不同检测内容，基于听力阈值分析预测系统生成不同刺激频率和刺激强度，通过采集传输系统发出刺激信号，然后采集待检测者的耳道中的信号，输入到听力阈值分析预测系统进行听力阈值检测和/或听力状态筛查，实现了对听觉系统的听力阈值或听力状况的客观、快速、准确地检测；
2、本发明的听力阈值测试模块用于客观、定量地提取所设频率点下的听力阈值，能够在临床上客观检测听觉阈值；常规测试模块基于自适应选择测试强度范围进行I/O功能测试而得到听力阈值，能够根据所需要的测试强度，实现在临床上快速、客观、定量地提取所设频率点下的听力阈值；筛查模块基于指定个数的特定刺激强度而得到听力状态，能够根据指定个数的特定刺激强度下的快速检测，实现对听力状态的快速筛查；
综上，本发明可以广泛应用于听觉测试领域。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
图1为本发明实施例一的采集传输系统的实施例的结构示意图；
图2为本发明实施例一的听力阈值检测、听力状况筛查的流程示意图；
图3为本发明实施例一中基于听力阈值测试模块进行听力阈值检测的实例示意图；
图4为本发明实施例一中听力阈值测试过程中，基于机器学习的网络模型进行听力阈值预测的流程示意图；
图5为本发明实施例一中听力阈值常规测试过程中，基于机器学习的网络模型对听力阈值进行预测的流程示意图；
图6为本发明实施例一中听力状况筛查过程中，基于机器学习的网络模型进行听力状况筛查的流程示意图；
图7为本发明实施例一中第一网络模型和第二网络模型示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
实施例一
本实施例提供的听力阈值和/或听力状态检测系统，基于SFOAEs的I/O功能对听力阈值或听力状态进行检测，包括：
采集传输系统，用于传输刺激信号以及采集耳道信号；
听力阈值分析预测系统，用于进行信号分析处理，完成听力阈值预测或听力状态筛查。
具体地，如图1所示，采集传输系统包括信号发送设备、信号转换设备、刺激信号发出结构和信号回采结构。
信号发送设备，用于刺激信号源发出数字信号，优选地，信号发送设备可以采用计算机1发出数字信号；
信号转换设备，用于对信号进行A/D和D/A转换，优选地，信号发送设备可以采用采集卡2实现信号的转换，采集卡2采用能够与计算机1连接的采集卡，用于将计算机1发出的数字信号转换成模拟电压信号，优选地，在进行检测时可以采用具有24bit采样深度、最高采样率为192kHz的便携式采集卡，通过USB接口连接计算机1，当然信号转换结构还可以采用其它结构和连接方式，例如采集卡2通过IEEE1394接口连接计算机1，在此不做赘述。
刺激信号发出结构，用于向人耳传输刺激信号，优选地，刺激信号发出结构可以包括依次连接的耳机放大器3和微型扬声器4，其中，耳机放大器3连接采集卡2的两路输出端，实现对采集卡2的两路输出信号的功率放大和阻抗匹配。微型扬声器4包括分别产生刺激声和抑制声的两个电-声换能器，用于诱发SFOAEs信号，两个电-声换能器通过两声管插设在耳塞内，两个电-声换能器的输入端通过接口分别连接耳机放大器3，微型扬声器4用于将模拟电压信号进行电声转换成声信号，经耳塞发送到受试者耳内。微型扬声器4可以采用能够满足性能指标的各种产品，例如插入式微型扬声器等，在此不做限定。
信号回采结构，用于采集耳声发射信号和人耳外耳道内的其它信号，优选地，信号回采结构包括依次连接的微型麦克风5和麦克风放大器6；为了将受试者外耳道内声音与外界声音隔离，本实施例中可将微型扬声器4和微型麦克风5插设在同一软质耳塞内，其中，微型麦克风5包括声-电换能器，用于采集耳声发射信号和人耳外耳道内的其它信号，并将所采集的声信号转换成电信号，微型麦克风5的输入端经声管插设在耳塞内，耳道中的声音信号通过声管到声-电换能器将声信号转换为模拟电压信号，微型麦克风5的输出端连接麦克风放大器6的输入端，麦克风放大器6的输出端连接采集卡2的A/D输入端。其中，微型麦克风5可以采用能够满足性能指标的各种产品，例如插入式微型麦克风等，在此不做限定。麦克风放大器6用于将微型麦克风5输出的信号进行放大，放大倍数可以根据实际需要进行调节，调节倍数包括但不限于：0dB、20dB和40dB。
具体地，计算机1内还可以设置采集卡驱动系统，采集卡驱动系统用于驱动采集卡2的D/A端口接收计算机1发出的信号，经过耳机放大器3进行功率放大和阻抗匹配后，通过微型扬声器4发送到受试者耳中；同时采集卡2的A/D端口接收由麦克风放大器6发回的信号，并将其发送到听力阈值分析预测系统。
如图2所示，听力阈值分析预测系统用于对听力阈值估计或听力状况进行筛查的时候，先获取待检测者的信息，确定检测内容，然后根据不同的检测内容，启动不同的测试模块；听力阈值分析预测系统包括基于SFOAEs的I/O功能的听力阈值检测模块、基于自适应选择测试强度范围进行I/O功能的常规测试模块以及基于N个特定强度得到听力状态的筛查模块。
听力阈值检测模块用于对待测试者的听力阈值进行检测，具体为：通过采集传输系统输入指定范围的不同刺激频率，根据采集传输系统采集的在不同刺激强度下的回采信号，构建SFOAEs的I/O功能曲线和噪声曲线；然后提取在每一个刺激频率处的所有刺激强度下的SFOAEs数据的特征参数和主成分，通过预先训练好的网络模型确定相应频率点对应的听力阈值；
常规测试模块对待测试者的听力阈值进行常规检测，具体为：基于自适应选择测试强度范围，通过采集传输系统输入不同刺激强度，在采集到第一个能够引出SFOAEs及其之后的连续M个刺激强度下的数据或最后M+1个刺激强度下的数据后，停止采集信号，提取特征参数和主成分，输入到预先训练好的网络模型中，预测该刺激频率点对应的听力阈值；其中，常规测试模块可以实现对待检测者的听力阈值的快速检测；其中，M为正整数，根据待测试者的具体情况以及检测结果的精度进行指定，本实施例中，M取值可以取值为3，以此为例，不限于此，即在通过常规测试模块对待测试者的听力阈值进行常规检测时，至少采集4个或4个以上刺激强度下的数据。
筛查模块对待测试者的听力状态进行筛查，具体为：通过采集传输系统在某一刺激频率下，输入N个特定刺激强度，根据特定刺激强度下SFOAEs的测试结果和提取出的特征参数，通过预先训练好的网络模型预测听力状况，完成对待检测者的听力状态的筛查；其中，N为正整数，根据待测试者的具体情况以及筛查的精度要求进行设定，实施例中，N可以取值为3，即在启动筛查模块对待测试者的听力状态进行筛查时，共采集3个指定的特定强度下的数据，以此为例，不限于此。
具体地，如图3所示，听力阈值检测模块包括听力阈值刺激声参数设置模块、听力阈值抑制声参数设置模块、听力阈值刺激声信号生成模块、听力阈值抑制声信号生成模块、听力阈值刺激声信号刺激模块、听力阈值抑制声信号刺激模块、听力阈值信号检测处理模块、听力阈值特征参数提取和主成分分析模块、听力阈值波形显示模块、听力阈值测试数据显示模块、听力阈值预测模块以及听力阈值测试结果报告生成和保存模块；其中，
听力阈值刺激声参数设置模块用于设置刺激声参数，例如设置刺激声的频率、刺激声强度及变化步长等；
听力阈值抑制声参数设置模块用于设置抑制声参数，例如设置抑制声的频率和强度等；
听力阈值刺激声信号生成模块用于根据设置的刺激声参数生成相应的数字刺激声信号，并发送相应信号到听力阈值刺激声信号刺激模块发送刺激声；
听力阈值抑制声信号生成模块用于根据设置的抑制声参数生成相应的数字抑制声信号并发送相应信号到听力阈值抑制声信号刺激模块发送抑制声；
听力阈值信号检测处理模块将采集的耳道信号进行相干平均、滤波等处理后，提取出不同刺激频率在不同刺激强度下的刺激频率耳声发射的功率谱信号，然后构成SFOAEs的输入输出(Input/Output,简称I/O)功能曲线,SFOAEs的I/O功能曲线描述了输入的刺激声强度(横坐标)与输出的SFOAEs强度(总坐标)之间的关系。具体检测时，听力阈值刺激声信号刺激模块和听力阈值抑制声信号刺激模块发出刺激声信号和抑制声信号经信号转换结构进行D/A转换，然后通过刺激信号发出结构送入到受试者耳中；信号回采结构采集从受试者外耳道中采集到的信号进行放大后发送到信号转换结构，信号转换结构将信号进行A/D转换后发送到听力阈值信号检测处理模块；
听力阈值特征参数提取和主成分分析模块，用于提取SFOAEs的I/O功能曲线的特征参数和主成分，其中，特征参数是从SFOAEs的I/O功能曲线中提取的与听力阈值相关性强的参数；主成分是通过正交变换，将一组可能存在相关性的原始变量转化成相等数量的线性不相关的变量，再进一步按照模型训练时的方法，提取出与听力阈值相关性最大的主成分，输入到听力阈值预测模块中。
听力阈值波形显示模块动态显示SFOAEs在不同频率和不同刺激强度下的功率谱波形、基线和噪声波形，以及在不同刺激频率下的SFOAEs的I/O功能曲线和噪声曲线，用以实时观测受试者检测状态及最终结果，其中，噪声曲线用于观测受试者是否遵守测试要求(测试时需处于安静状态)；
听力阈值预测模块，通过提取在不同刺激频率处，所有刺激强度下的SFOAEs数据的特征参数和主成分，通过预先训练好的网络模型，预测在不同刺激频率点处的听力阈值。
听力阈值测试结果报告生成和保存模块用于显示在不同频率和不同刺激强度下的检测数据，生成并保存受试者的所有检测结果及测试信息。
如图3、4所示，当对待检测者进行详细的听力阈值检测的时候，启动听力阈值测试模块，其具体过程为：
按照听力阈值检测模块指定范围，例如刺激频率为500Hz-8kHz中的某个频率，设置刺激声参数、抑制声参数，并将刺激声信号和抑制声信号传入采集传输系统；听力阈值检测模块接收到采集传输系统输出的回采信号后，通过检测各刺激频率点在所有刺激强度下的SFOAEs数据，构成检测频率处的I/O功能曲线，然后通过听力阈值特征参数提取和主成分分析模块提取相应的特征参数和主成分并进行分析，提取特征参数包括：刺激强度、不同刺激强度下的SFOAEs的幅度、信噪比、回采强度、衰减系数等，其中主成分是在所有刺激强度刺激下，从所有的信噪比数据中提取到的最大一个主成分，然后通过听力阈值预测模块进行听力阈值预测，具体过程为：
如果在某刺激频率下，在刺激强度范围内引出了SFOAEs信号，则把提取的特征参数和主成分输入到预先训练好的基于机器学习的第一网络模型中，确定相应刺激频率点对应的听力阈值，进行听力阈值预测；输入到第一网络模型中的特征参数和主成分包括但不限于：第一个诱发出SFOAEs信号的刺激强度、回采强度、衰减系数、所有测试的刺激强度下产生的SFOAEs信号的信噪比生成的最大主成分，其中，SFOAEs信号的信噪比生成的最大主成分的具体获取方式为：例如，在某一刺激频率处，刺激强度范围为5dB-70dB，因此，共采集14个刺激强度下的数据，提取SFOAEs的输入输出(Input/Output,简称I/O)功能曲线的14个信噪比，将14个信噪比采用主成分分析(PCA)方法提取出相互正交的14个主成分，然后从中选出2个最大的主成分，然后在训练集中，从这2个最大的主成分中再提取出与纯音听阈相关性最大的一个主成分作为网络模型的输入参数，在本实施例中，与纯音听阈相关性最大的一个主成分刚好是2个最大主成分中的大者。另外，输入到第一网络模型中的其他三个特征参数(第一个诱发出SFOAEs信号的刺激强度、回采强度、衰减系数)也是在训练集中，从SFOAEs的I/O功能曲线中提取的很多特征参数与纯音听力阈值做相关性分析后，提取出的相关性最大的三个特征参数。这样，基于机器学习的第一网络模型的输入层，一共有4个参数，分别：第一个诱发出SFOAEs信号的刺激强度、回采强度、衰减系数和所有测试的刺激强度下产生的SFOAEs信号的信噪比生成的最大主成分。以此为例说明，其他模型的特征参数的主成分获取方法类似，不再赘述。
如果某刺激频率在刺激强度范围内没有引出SFOAEs信号，则采用训练好的基于机器学习的第二网络模型进行听力阈值预测；输入到第二网络模型中的参数包括但不限于：所有测试的刺激强度下的SFOAEs信号强度的最大主成分、所有刺激强度下的衰减系数的最大主成分、所有刺激强度下的信噪比的最大主成分。
具体地，常规测试模块包括常规测试刺激声参数设置模块、常规测试抑制声参数设置模块、常规测试刺激声信号生成模块、常规测试抑制声信号生成模块、常规测试刺激声信号刺激模块、常规测试抑制声信号刺激模块、常规测试信号检测处理模块、常规测试特征参数提取和主成分分析模块、常规测试波形显示模块、常规测试数据显示模块、常规测试预测模块以及常规测试结果报告生成和保存模块，其中：
常规测试刺激声参数设置模块用于设置刺激声参数，例如刺激声的频率、刺激声起始强度、刺激声强度变化步长等；
常规测试抑制声参数设置模块用于设置抑制声参数，例如抑制声的频率和强度；
常规测试刺激声信号生成模块和常规测试抑制声信号生成模块分别根据设置的参数生成相应的数字刺激声信号和数字抑制声信号，并发送相应信号到常规测试刺激声信号刺激模块和常规测试抑制声信号刺激模块；
常规测试信号检测处理模块将采集的信号进行相干平均、滤波等处理后，提取出不同刺激频率和刺激强度下的刺激频率耳声发射的功率谱信号，最后构成测试强度范围内的I/O功能曲线，检测时，常规测试刺激声信号刺激模块和常规测试抑制声信号刺激模块发出刺激声信号和抑制声信号经信号转换结构进行D/A转换、然后通过刺激信号发出结构送入到受试者耳中；信号回采结构接收受试者外耳道发回的信号进行放大后发送到信号转换结构，信号转换结构将信号进行A/D转换后发送到常规测试信号检测处理模块；
常规测试特征参数提取和主成分分析模块，用于提取出SFOAEs的I/O功能曲线的特征参数和主成分；
常规测试波形显示模块动态显示SFOAEs在不同频率和不同刺激强度下的检测数据，包括功率谱的幅度、基线、相位和噪声，以及在不同刺激频率和刺激强度下的SFOAEs的I/O功能幅度值和对应的噪声；
常规测试预测模块，通过提取在每一刺激频率处的第一个能够引出SFOAEs及其之后的连续M个刺激强度下的数据或最后M+1个刺激强度下的数据，停止信号采集，提取特征参数和主成分，通过预先训练好的基于机器学习的网络模型预测该刺激频率点对应的听力阈值；
常规测试结果报告生成和保存模块用于生成并保存受试者的所有检测结果及测试信息。
如图5所示，当待检测者需要进行听力阈值的常规检测的时候，启动常规测试模块后，其具体的计算过程为：
刺激频率为500Hz-8kHz之间按照倍频程增加，常规测试模块基于自适应选择测试强度范围，设置刺激声参数、抑制声参数，在不同的刺激频率下，自适应随机输入起始的刺激强度，将刺激声信号和抑制声信号传入采集传输系统，在检测到第一个能够引出SFOAEs及其之后的连续M个刺激强度下的数据或最后M+1个刺激强度下的数据后，信号采集过程结束；采集传输系统输出的回采信号输入到常规测试模块中，根据不同刺激频率和刺激强度下的刺激频率耳声发射的功率谱信号，构建测试强度范围内的I/O功能曲线；通过常规测试模块中的常规测试特征参数提取和主成分分析模块提取相应的特征参数并进行分析，提取的参数包括但不限于：刺激强度、不同刺激强度下的SFOAEs的幅度、信噪比、回采强度、衰减系数；本实施例中，M取值为3，即在常规测试中通过至少4个刺激强度下的数据对待检测者的听力阈值进行常规检测；根据常规测试特征参数提取和主成分分析模块的提取和分析结果，通过常规测试预测模块进行听力阈值预测，具体为：
如果在刺激强度范围内引出了SFOAEs信号，则把提取的特征参数输入到训练好的基于机器学习的第三网络模型中，预测该频率点对应的听力阈值；其中，输入到第三网络模型的特征参数包括但不限于：第一个诱发出SFOAEs信号的刺激强度、回采强度、衰减系数、四个连续刺激下的信噪比生成的最大的主成分；
如果刺激强度范围内没有引出SFOAEs信号，则采用预先训练好的第二神经网络模型，进行听力阈值预测；输入到第二神经网络模型中的参数包括但不限于：基于所有测试的刺激强度提取出SFOAEs信号强度的最大的主成分、所有刺激强度下的衰减系数的最大的主成分、所有刺激强度下的信噪比的最大的主成分。
具体地，筛查模块用于通过预先训练好的基于机器学习的网络模型进行听力状态的筛查，包括筛查用刺激声参数设置模块、筛查用抑制声参数设置模块、筛查用刺激声信号生成模块、筛查用抑制声信号生成模块、筛查用刺激声信号刺激模块、筛查用抑制声信号刺激模块、筛查用信号检测处理模块、筛查用特征参数提取模块、筛查用波形显示模块、特定刺激强度下的SFOAEs I/O的筛查用测试数据显示模块；其中，
筛查用刺激声参数设置模块用于设置刺激声参数，例如刺激声的频率；
筛查用抑制声参数设置模块用于设置抑制声参数，例如抑制声的频率和强度；
筛查用刺激声信号生成模块和筛查用抑制声信号生成模块分别根据设置的参数生成相应的数字刺激声信号和数字抑制声信号并发送相应信号到筛查用刺激声信号刺激模块和筛查用抑制声信号刺激模块；
筛查用信号检测处理模块将采集的信号进行相干平均、滤波等处理后，提取在某刺激频率下，在N个特定刺激强度下的刺激频率耳声发射的功率谱信号(本实施例中N取值为3，特定刺激频率下的特定刺激强度可以包括3组：55dB、60dB、65dB)；检测时，筛查用刺激声信号刺激模块和筛查用抑制声信号刺激模块发出刺激声信号和抑制声信号，经信号转换结构进行D/A转换、然后通过刺激信号发出结构送入到受试者耳中；信号回采结构接收受试者外耳道回采的信号进行放大后发送到信号转换结构，信号转换结构将信号进行A/D转换后发送到筛查用信号检测处理模块；
筛查用特征参数提取模块，用于提取SFOAEs数据的特征参数，特征参数包括：SFOAEs的幅度、信噪比、回采强度、衰减系数、信号基线比；
筛查用测试数据显示模块动态显示SFOAEs在不同频率和不同刺激强度下的检测数据；
筛查用预测模块，通过提取该刺激频率处的3个特定刺激强度下的SFOAEs的特征参数，提取5N个有效特征参数，通过预先训练好的基于机器学习的网络模型预测该刺激频率点对应的听力状态；
筛查用测试结果报告生成和保存模块用于生成并保存受试者的所有检测结果及测试信息。
当待检测者需要进行听力状态的筛查的时候，启动筛查模块后，其具体的计算过程为：
在某一刺激频率下，通过筛查模块输入指定的N个特定刺激强度，将刺激声信号和抑制声信号传入采集传输系统，采集传输系统输出的反馈信号输入到筛查模块中；筛查模块中的筛查用信号检测处理模块提取出在N个特定刺激强度下的刺激频率耳声发射的功率谱信号，如图6所示，送入筛查用特征参数提取模块，提取出需要的特征参数，特征参数包括但不限于：SFOAEs的幅度、信噪比、回采强度、衰减系数、信号基线比；把提取的特征参数输入到训练好的基于机器学习的第四网络模型中，进行听力状态筛查；输入到第四网络模型的参数为：根据在检测频率处，3个特定刺激强度下的SFOAEs数据，分别提取3组特征参数，每组特征参数包括但不限于：SFOAEs的幅度、信噪比、回采强度、衰减系数、信号基线比。
本发明的一些实施例中，第一网络模型用于对听力阈值的预测；第二网络模型用于对听力阈值的预测；第三网络模型用于对听力阈值的预测；第四网络模型用于对听力状况的筛查；其中，第一网络模型、第二网络模型、第三网络模型、第四网络模型可以采用基于机器学习算法构建的网络模型或者基于多变量统计方法构建的网络模型；第一网络模型、第二网络模型、第三网络模型、第四网络模型分别预先构建并训练好，预先设置在听力阈值分析预测系统中或听力状态筛查系统中；基于多变量统计方法构建的网络模型包括基于判别分析、或基于逻辑回归的网络模型；基于机器学习算法构建的网络模型包括：支持向量机、K近邻、BP神经网络、随机森林、决策树等网络模型。其中，下面以基于机器学习的第一网络模型和第二网络模型对听力阈值的预测过程进行简要说明，以此为例，不限于此，具体为：
在本实施例中，第一网络模型和第二网络模型均采用基于机器学习的BP神经网络(Back-propagation network,BPNN)模型，BP神经网络模型是一种前馈神经网络，它利用一种叫做反向传播的监督学习技术进行训练。如图7所示，A图为第一网络模型，B图为第二网络模型；本实施例所使用的BP神经网络是由一个输入层，一个隐藏层和一个输出层组成的三层网络。输入层的节点数为模型输入变量的个数，本实施例中第一网络模型的输入层的节点数为4个，输入层节点的参数分别为：第一个诱发出SFOAEs信号的刺激强度、回采强度、衰减系数和所有测试的刺激强度下产生的SFOAEs信号的信噪比生成的最大主成分(在图中用“SNR主成分”来表示)；本实施例中第二网络模型的输入层的节点数为3个，输入层节点的参数分别为：所有测试刺激强度下的SFOAEs信号强度的最大主成分、所有刺激强度下的衰减系数的最大主成分、所有刺激强度下的信噪比的最大主成分，在图中分别用主成分1、主成分2、主成分3表示。本实施例中的隐藏层的节点数为3，用于预测听力阈值的BP神经网络模型的输出层仅有一个节点，即为预测的听力阈值；而基于BP神经网络的分类模型(即本实施例中的第四网络模型)的输出层的节点数为2，即听力正常或听力受损。BP神经网络模型的训练分为操作信号的前向传播和误差信号的反向传播，通过不断更新权重使得实际的输出更接近预期的输出，直到误差信号减小至设置的最小值或达到设置的训练步骤上限就固定权重。
实施例二
本实施例还提供一种听力阈值和/或听力状态检测方法，包括如下步骤：
S1：选择待测试者需要进行的检测模式，其中，检测模式为听力阈值预测、常规听力阈值预测或听力状态筛查；
S2：基于选择的检测模式，通过采集传输系统对待测试者传输不同的刺激信号，并采集耳道信号；听力阈值分析预测系统中对耳道信号进行处理，完成听力阈值预测或听力状态筛查。
本发明的一些实施例中，当待试者选择的检测模式为听力阈值预测，具体过程为：按照指定范围设置刺激声参数、抑制声参数，并将刺激声信号和抑制声信号传入待测试者耳道内；
接收耳道信号，通过检测各刺激频率点在所有刺激强度下的SFOAEs信号，构成检测频率处的I/O功能曲线，其中，I/O功能曲线横坐标为刺激声强度，纵坐标为SFOAEs强度；
提取SFOAEs数据的I/O功能曲线的特征参数和主成分；
根据不同刺激频率处所有刺激强度下的SFOAEs数据的特征参数和主成分，通过预先训练好的网络模型，预测每一刺激频率点处的听力阈值，具体过程为：
如果某刺激频率在设定刺激强度范围内引出了SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的基于机器学习的第一网络模型中，确定该刺激频率点对应的听力阈值；其中，特征参数和主成分包括：第一个诱发出SFOAEs信号的刺激强度、回采强度、衰减系数以及所有刺激强度下产生的SFOAEs信号的信噪比生成的最大主成分；
如果某刺激频率在设定的激强度范围内没有引出SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的基于机器学习的第二网络模型，确定该频率点对应的听力阈值；其中，特征参数和主成分包括：所有刺激强度下的SFOAEs信号强度的最大主成分、所有刺激强度下的衰减系数的最大主成分和所有刺激强度下的信噪比的最大主成分。
本发明的一些实施例中，当待试者选择的检测模式为常规听力阈值预测，具体过程为：
自适应选择测试强度范围，设置刺激声参数、抑制声参数，并将刺激声信号和抑制声信号传入待测试者耳道内；
在检测到第一个能够引出SFOAEs及其之后的连续M个刺激强度下的数据，信号采集过程结束，其中M为正整数；
根据不同刺激频率和刺激强度下的刺激频率耳声发射的功率谱信号，构成测试强度范围内SFOAEs的I/O功能曲线；
提取测试强度范围内的SFOAEs的I/O功能曲线的特征参数和主成分；
在采集每一刺激频率处，检测到第一个能够引出SFOAEs及其之后的连续M个刺激强度下的数据，停止信号采集，提取该刺激频率处，刺激强度范围内的SFOAEs数据的特征参数和主成分，通过预先训练好的网络模型预测该刺激频率点对应的听力阈值，具体为：
如果在某刺激频率下，在刺激强度范围内引出了SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的基于机器学习的第三网络模型中，确定该刺激频率点对应的听力阈值；其中，特征参数包括：第一个诱发出SFOAEs信号的刺激强度、回采强度、衰减系数、M+1个连续刺激下的信噪比生成的最大主成分；
如果在某刺激频率下，在刺激强度范围内没有引出SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的基于机器学习的第二网络模型，确定该刺激频率点对应的听力阈值；其中，特征参数和主成分包括：所有刺激强度下提取出SFOAEs信号强度的最大主成分、所有刺激强度下的衰减系数的最大主成分及所有刺激强度下的信噪比的最大主成分。
本发明的一些实施例中，当待试者选择的检测模式为听力状态筛查，具体过程为：
设置刺激声参数和抑制声参数，在某一刺激频率下输入指定的N个特定刺激强度，并将刺激声和抑制声传入待测试者耳道内；提取在N个特定刺激强度下的SFOAEs数据信号；
提取SFOAEs数据的特征参数；
通过提取该刺激频率处的N个特定刺激强度下的SFOAEs的特征参数，通过预先训练好的基于机器学习的第四网络模型进行听力状态筛查，其中，特征参数包括：在检测刺激频率处N个特定刺激强度下的SFOAEs数据，分别提取N组特征参数，每组特征参数包括：SFOAEs的幅度、信噪比、回采强度、衰减系数及信号基线比。
实施例三
本实施例还提供一种计算机程序，包括计算机程序指令，其中，所述程序指令被处理器执行时，用于实现实施例二的听力阈值及听力状态检测方法的步骤。
实施例四
本实施例还提供一种存储介质，存储介质上存储有计算机程序指令，其中，程序指令被处理器执行时用于实现实施例二所述的听力阈值及听力状态检测方法的步骤。
实施例五
本实施例还提供一种终端设备，包括处理器和存储器，存储器用于存放至少一项可执行指令，所述可执行指令使所述处理器执行实施例二的听力阈值和/或听力状态检测方法对应的步骤。
综上，本发明基于刺激频率耳声发射的输入输出(I/O)功能，利用不同刺激频率下的SFOAEs的输入输出功能曲线，结合主成分分析，利用预先训练好的网络模型进行听力阈值检测，以及利用特定强度下的SFOAEs信号的特征参数，通过预先训练好的网络模型进行听力状态筛查；检测结果准确，可以适用于不同的需求场景。
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (17)

1.一种听力阈值和/或听力状态检测系统，其特征在于，该检测系统包括：
采集传输系统，用于传输刺激信号及采集耳道信号；
听力阈值分析预测系统，包括听力阈值检测模块、常规测试模块和/或听力状态筛查模块，其中，
所述听力阈值检测模块通过所述采集传输系统输入设定范围的刺激频率，通过检测各刺激频率点在所有刺激强度下的SFOAEs数据，构建检测刺激频率处的I/O功能曲线，并提取每一刺激频率处所有刺激强度下的SFOAEs信号参数，通过预先训练好的网络模型，预测不同刺激频率下的听力阈值；
所述常规测试模块通过所述采集传输系统自适应选择测试强度范围，通过检测各刺激频率点在所选择刺激强度下的SFOAEs数据，构建检测刺激频率在刺激强度范围的I/O功能曲线，并提取每个刺激频率处自适应选择的刺激强度下的SFOAEs信号参数，通过预先训练好的网络模型，预测不同刺激频率点对应的听力阈值；
所述筛查模块用于通过所述采集传输系统在某一刺激频率下，输入N个设定刺激强度，采集每个刺激强度下的SFOAEs，提取每个刺激强度下的SFOAEs信号参数，通过预先训练好的网络模型，进行听力状态筛查。
2.根据权利要求1所述的听力阈值和/或听力状态检测系统，其特征在于，所述采集传输系统包括：
信号发送设备，用于使得刺激信号源发出数字信号；
信号转换设备，用于对发送或接收信号进行D/A或A/D转换；
刺激信号发出结构，用于向人耳传输刺激信号；
信号回采结构，用于采集耳道信号。
3.根据权利要求1所述的听力阈值和/或听力状态检测系统，其特征在于，所述听力阈值检测模块、常规测试模块和/或听力状态筛查模块均包括：
刺激声参数设置模块，用于设置刺激声参数；
抑制声参数设置模块，用于设置抑制声参数；
刺激声信号生成模块，用于根据设置的刺激声参数生成相应的数字刺激声信号；
抑制声信号生成模块，用于根据设置的抑制声参数生成相应的数字抑制声信号；
刺激声信号刺激模块，用于发出刺激声信号；
抑制声信号刺激模块，用于发出抑制声信号。
4.根据权利要求1～3任一项所述的听力阈值和/或听力状态检测系统，其特征在于，所述听力阈值检测模块还包括：
听力阈值信号检测处理模块，用于将采集的耳道信号进行处理，提取出不同刺激频率在所有刺激强度下的刺激频率耳声发射信号，构建SFOAEs的I/O功能曲线，其中，I/O功能曲线横坐标为刺激声强度，纵坐标为SFOAEs强度；
听力阈值特征参数提取和主成分分析模块，用于提取SFOAEs的I/O功能曲线的特征参数和主成分；
听力阈值预测模块，用于根据不同刺激频率处所有刺激强度下的SFOAEs数据的特征参数和主成分，通过预先训练好的网络模型，预测每一刺激频率点处的听力阈值，具体为：
如果某刺激频率下，在设定的所有刺激强度范围内引出了SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的第一网络模型中，确定该刺激频率点对应的听力阈值；其中，特征参数和主成分包括：第一个诱发出SFOAEs信号的刺激强度、回采强度、衰减系数以及所有刺激强度下产生的SFOAEs信号的信噪比生成的最大主成分；
如果某刺激频率下，在设定的所有刺激强度范围内没有引出SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的第二网络模型，确定该刺激频率点对应的听力阈值；其中，特征参数和主成分包括：所有刺激强度下的SFOAEs强度的最大主成分、所有刺激强度下的衰减系数的最大主成分和所有刺激强度下的信噪比的最大主成分。
5.根据权利要求1～3任一项所述的听力阈值和/或听力状态检测系统，其特征在于，所述常规测试模块还包括：
常规测试信号检测处理模块，用于将采集的耳道信号进行处理，提取出不同刺激频率在自适应选择的刺激强度下的刺激频率耳声发射信号，构建选择范围内的SFOAEs的I/O功能曲线，其中，I/O功能曲线横坐标为刺激声强度，纵坐标为SFOAEs强度；
常规测试特征参数提取和主成分分析模块，用于提取自适应选择的刺激强度下的SFOAEs的I/O功能曲线的特征参数和主成分；
常规测试预测模块，用于采集每一刺激频率处，检测到第一个能够引出SFOAEs及其之后的连续M个刺激强度下的数据，停止信号采集，并提取该刺激频率处刺激强度范围内的SFOAEs数据的特征参数和主成分，通过预先训练好的网络模型预测该刺激频率点对应的听力阈值，具体为：
如果某刺激频率下，在自适应选择的刺激强度范围内引出了第一个SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的第三网络模型中，确定该刺激频率点对应的听力阈值；其中，特征参数包括：第一个诱发出SFOAEs信号的刺激强度、回采强度、衰减系数，主成分包括：M+1个连续刺激强度下的信噪比生成的最大主成分；
如果某刺激频率下，在自适应选择的刺激强度范围内没有引出SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的第二网络模型，确定该刺激频率点对应的听力阈值；其中，主成分包括：在自适应选择的刺激强度范围内提取出SFOAEs信号强度的最大主成分、在自适应选择的刺激强度范围内的衰减系数的最大主成分及在自适应选择的刺激强度范围内的信噪比的最大主成分。
6.根据权利要求1～3任一项所述的听力阈值和/或听力状态检测系统，其特征在于，所述筛查模块还包括：
筛查用信号检测处理模块，用于将耳道信号进行预处理，提取在某刺激频率N个特定刺激强度下的SFOAEs信号；
筛查用特征参数提取模块，用于提取SFOAEs数据的特征参数；
筛查用预测模块，将该刺激频率处的N个特定刺激强度下的SFOAEs的特征参数，通过预先训练好的网络模型预测该刺激频率处的听力状态，具体为：
将提取的SFOAEs数据的特征参数输入到预先训练好的第四网络模型中，进行听力状态筛查，其中，特征参数包括在刺激频率处，N个特定刺激强度下的SFOAEs数据，分别提取N组特征参数，每组特征参数均包括SFOAEs的幅度、信噪比、回采强度、衰减系数及信号基线比。
7.根据权利要求1所述的听力阈值和/或听力状态检测系统，其特征在于，所述网络模型均采用基于机器学习算法构建的网络模型或者基于多变量统计方法构建的网络模型；
其中，基于机器学习算法构建的网络模型包括支持向量机、K近邻、BP神经网络、随机森林和/或决策树神经网络模型；
基于多变量统计方法构建的网络模型包括基于判别分析或基于逻辑回归的网络模型。
8.根据权利要求2所述的听力阈值和/或听力状态检测系统，其特征在于，所述刺激信号发出结构包括依次连接的耳机放大器和微型扬声器；
所述耳机放大器连接所述信号转换设备的输出端，所述微型扬声器包括分别传输刺激声和抑制声的两个电-声换能器，用于诱发SFOAEs信号，两个所述电-声换能器通过两声管插设在耳塞内，两个所述电-声换能器的输入端通过两个TRS接口分别连接所述耳机放大器，所述微型扬声器用于将模拟电压信号进行电声转换成声信号，经耳塞发送到待测试者耳内。
9.根据权利要求2所述的听力阈值和/或听力状态检测系统，其特征在于，所述信号回采结构包括依次连接的微型麦克风和麦克风放大器；
所述微型麦克风包括声-电换能器，所述微型麦克风的输入端经传输声管插设在耳塞内，所述微型麦克风的输出端连接所述麦克风放大器的输入端，所述麦克风放大器的输出端连接所述信号转换设备输入端。
10.一种听力阈值和/或听力状态检测方法，其特征在于包括如下步骤：
S1：选择待测试者需要进行的检测模式，其中，检测模式为听力阈值预测、常规听力阈值预测或听力状态筛查；其中，
听力阈值预测用于输入设定范围的刺激频率，通过检测各刺激频率点在所有刺激强度下的SFOAEs数据，构建检测刺激频率处的I/O功能曲线，并提取不同刺激频率处，所有刺激强度下的SFOAEs信号参数，通过预先训练好的网络模型确定不同刺激频率对应的听力阈值；
常规听力阈值预测，用于自适应选择测试强度范围，通过检测各刺激频率点在自适应选择刺激强度下的SFOAEs数据，构建在检测频率处，自适应选择的刺激强度范围内的I/O功能曲线，并提取每个刺激频率处，自适应选择的刺激强度范围内的SFOAEs信号参数，通过预先训练好的网络模型确定该刺激频率点对应的听力阈值；
听力状态筛查用于在某一刺激频率下输入N个设定刺激强度，采集每个刺激强度下的SFOAEs，提取每个刺激强度下的SFOAEs信号参数，通过预先训练好的网络模型进行听力状态筛查；
S2：基于选择的检测模式，待测试者耳道接收不同的刺激信号，对耳道信号进行相应处理，完成对应检测模式的听力阈值预测或听力状态筛查。
11.根据权利要求10所述的检测方法，其特征在于，当待试者选择的检测模式为听力阈值预测，具体过程为：
按照指定范围设置刺激声参数、抑制声参数，并将刺激声信号和抑制声信号传入待测试者耳道内；
接收耳道信号，通过检测各刺激频率点在所有刺激强度下的SFOAEs信号，构成检测频率处的I/O功能曲线，其中，I/O功能曲线横坐标为刺激声强度，纵坐标为SFOAEs强度；
提取SFOAEs数据的I/O功能曲线的特征参数和主成分；
根据不同刺激频率处所有刺激强度下的SFOAEs数据的特征参数和主成分，通过预先训练的神经网络模型，预测每一刺激频率点处的听力阈值。
12.根据权利要求11所述的检测方法，其特征在于，根据不同刺激频率处所有刺激强度下的SFOAEs数据的特征参数和主成分，通过预先训练好的网络模型，预测每一刺激频率点处的听力阈值，具体过程为：
如果在某刺激频率处，在设定的所有刺激强度范围内引出了SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的第一网络模型中，确定该刺激频率点对应的听力阈值；其中，特征参数和主成分包括：第一个诱发出SFOAEs信号的刺激强度、回采强度、衰减系数以及所有刺激强度下产生的SFOAEs信号的信噪比生成的最大主成分；
如果在某刺激频率处，在设定的所有刺激强度范围内没有引出SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的第二网络模型，确定该频率点对应的听力阈值；其中，特征参数和主成分包括：所有刺激强度下的SFOAEs信号强度的最大主成分、所有刺激强度下的衰减系数的最大主成分和所有刺激强度下的信噪比的最大主成分。
13.根据权利要求10所述的检测方法，其特征在于，当待试者选择的检测模式为常规听力阈值预测，具体过程为：
自适应选择测试强度范围设置刺激声参数、抑制声参数，并将刺激声信号和抑制声信号传入待测试者耳道内；
在检测到第一个能够引出SFOAEs及其之后的连续M个刺激强度下的数据，信号采集过程结束，其中M为正整数；
根据不同刺激频率和刺激强度下的刺激频率耳声发射的功率谱信号，构成自适应选择测试强度范围内的I/O功能曲线；
提取自适应选择测试强度范围的SFOAEs的I/O功能曲线的特征参数和主成分；
用于采集每一刺激频率处，检测到第一个能够引出SFOAEs及其之后的连续M个刺激强度下的数据，停止信号采集，提取该刺激频率处，自适应选择刺激强度范围内的SFOAEs数据的特征参数和主成分，通过预先训练好的网络模型预测该刺激频率点对应的听力阈值。
14.根据权利要求13所述的检测方法，其特征在于，通过预先训练好的网络模型预测该刺激频率点对应的听力阈值，具体为：
如果某刺激频率，在自适应选择的刺激强度范围内引出了SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的第三网络模型中，确定该刺激频率点对应的听力阈值；其中，特征参数包括：第一个诱发出SFOAEs信号的刺激强度、回采强度、衰减系数、M+1个连续刺激强度下的信噪比生成的最大主成分；
如果在某刺激频率下，在自适应选择的刺激强度范围内没有引出SFOAEs信号，则将提取的特征参数和主成分输入到预先训练好的第二网络模型，确定该刺激频率点对应的听力阈值；其中，特征参数和主成分包括：在自适应选择的刺激强度范围内提取出SFOAEs信号强度的最大主成分、在自适应选择的刺激强度范围内的衰减系数的最大主成分及在自适应选择的刺激强度范围内的信噪比的最大主成分。
15.根据权利要求10所述的检测方法，其特征在于，当待试者选择的检测模式为听力状态筛查，具体过程为：
设置刺激声参数和抑制声参数，在某一刺激频率下，输入指定的N个特定刺激强度，并将刺激声和抑制声传入待测试者耳道内；提取在N个特定刺激强度下的SFOAEs数据信号；
提取SFOAEs数据的特征参数；
通过提取该刺激频率处的N个特定刺激强度下的SFOAEs的特征参数，通过预先训练好的第四网络模型进行听力状态筛查，其中，特征参数包括：在检测刺激频率处，N个特定刺激强度下的SFOAEs数据，分别提取N组特征参数，每组特征参数包括：SFOAEs的幅度、信噪比、回采强度、衰减系数及信号基线比。
16.一种存储介质，其特征在于，所述存储介质上存储有计算机程序指令，其中，所述程序指令被处理器执行时用于实现如10～15任一项所述的听力阈值和/或听力状态检测方法对应的步骤。
17.一种终端设备，其特征在于，包括处理器和存储器，所述存储器用于存放至少一项可执行指令，所述可执行指令使所述处理器执行如权利要求10～15任一项所述的听力阈值和/或听力状态检测方法对应的步骤。
CN201911405753.XA 2019-12-31 2019-12-31 听力阈值和/或听力状态检测系统及方法 Active CN110960224B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201911405753.XA CN110960224B (zh) 2019-12-31 2019-12-31 听力阈值和/或听力状态检测系统及方法
PCT/CN2020/089962 WO2021135030A1 (zh) 2019-12-31 2020-05-13 听力阈值和/或听力状态检测系统及方法
US17/782,972 US20230000397A1 (en) 2019-12-31 2020-05-13 Hearing threshold and/or hearing state detection system and method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911405753.XA CN110960224B (zh) 2019-12-31 2019-12-31 听力阈值和/或听力状态检测系统及方法

Publications (2)

Publication Number Publication Date
CN110960224A CN110960224A (zh) 2020-04-07
CN110960224B true CN110960224B (zh) 2021-08-10

Family

ID=70037552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911405753.XA Active CN110960224B (zh) 2019-12-31 2019-12-31 听力阈值和/或听力状态检测系统及方法

Country Status (3)

Country Link
US (1) US20230000397A1 (zh)
CN (1) CN110960224B (zh)
WO (1) WO2021135030A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110960224B (zh) * 2019-12-31 2021-08-10 杭州耳青聪科技有限公司 听力阈值和/或听力状态检测系统及方法
CN111818436B (zh) * 2020-07-14 2021-09-28 无锡清耳话声科技有限公司 基于机器学习的真耳分析测试系统
CN112515663A (zh) * 2020-11-30 2021-03-19 深圳镭洱晟科创有限公司 一种听觉通路评估分析系统及其方法
CN116793653B (zh) * 2023-06-21 2024-02-27 北京谛声科技有限责任公司 一种基于声信号的旋转设备全生命周期监测方法和系统

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5601091A (en) * 1995-08-01 1997-02-11 Sonamed Corporation Audiometric apparatus and association screening method
CN1119120C (zh) * 1999-07-23 2003-08-27 清华大学 耳声发射听力检测仪及其测试方法
US7037274B2 (en) * 2002-05-23 2006-05-02 Tympany, Inc. System and methods for conducting multiple diagnostic hearing tests with ambient noise measurement
CN1794947A (zh) * 2003-05-15 2006-06-28 提姆帕尼有限公司 计算机辅助诊断听觉测试
JP2008527882A (ja) * 2005-01-14 2008-07-24 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 音声信号の音響レベルを周波数に依存して増幅する信号処理装置及び音声システム及びその方法
US10085677B2 (en) * 2005-11-16 2018-10-02 Etymotic Research, Inc. System and method for performing a hearing screening
SE530601C2 (sv) * 2006-04-19 2008-07-15 Entomed Ab Metod och anordning för hörselundersökning
EP2053877A1 (de) * 2007-10-18 2009-04-29 Siemens Medical Instruments Pte. Ltd. Verfahren und Vorrichtung zur Anpassung eines Hörgeräts mittels DPOAE
CN102892069B (zh) * 2012-09-10 2014-11-26 清华大学 一种刺激频率耳声发射调谐曲线检测及校准系统
CN102973277B (zh) * 2012-10-30 2015-04-22 清华大学 一种频率跟随响应信号测试系统
CN103845061A (zh) * 2012-12-06 2014-06-11 深圳先进技术研究院 听力损失的检测方法
CN103239236B (zh) * 2013-04-27 2016-08-17 江苏贝泰福医疗科技有限公司 听力测试与听觉评估装置
CN104545940B (zh) * 2014-12-31 2017-03-08 深圳先进技术研究院 基于刺激频率耳声发射的听觉反馈调节系统
CN104921734A (zh) * 2015-07-03 2015-09-23 谢清华 一种新生儿听力筛查仪
US9497530B1 (en) * 2015-08-31 2016-11-15 Nura Holdings Pty Ltd Personalization of auditory stimulus
CN205339300U (zh) * 2015-12-17 2016-06-29 南方医科大学 一种基于stm32单片机的耳声发射检测仪
GB2555842A (en) * 2016-11-11 2018-05-16 Eartex Ltd Auditory device assembly
CN108209934B (zh) * 2018-01-11 2020-10-09 清华大学 基于刺激频率耳声发射的听觉灵敏度检测系统
CN110960224B (zh) * 2019-12-31 2021-08-10 杭州耳青聪科技有限公司 听力阈值和/或听力状态检测系统及方法

Also Published As

Publication number Publication date
CN110960224A (zh) 2020-04-07
WO2021135030A1 (zh) 2021-07-08
US20230000397A1 (en) 2023-01-05

Similar Documents

Publication Publication Date Title
CN110960224B (zh) 听力阈值和/或听力状态检测系统及方法
CN108209934B (zh) 基于刺激频率耳声发射的听觉灵敏度检测系统
US8559645B2 (en) Method and device for setting a hearing device by detecting listening effort
CN102892069B (zh) 一种刺激频率耳声发射调谐曲线检测及校准系统
US11665488B2 (en) Auditory device assembly
AU2018203534B2 (en) Detecting neuronal action potentials using a sparse signal representation
US6231521B1 (en) Audiological screening method and apparatus
US11024421B2 (en) Method for automatic determination of an individual function of a DPOAE level
CN101636111A (zh) 用于个体听力的客观测量的系统和方法
CN112315462B (zh) 一种多功能听力评估耳机及其评估方法
CN102908150B (zh) 一种复合神经动作电位调谐曲线校准及检测系统
AU2014364382B2 (en) Detecting neuronal action potentials using a convolutive compound action potential model
CN112515663A (zh) 一种听觉通路评估分析系统及其方法
US10856781B2 (en) Method and a device for monitoring a human brain's sub-cognitive activity using Oto-acoustic Emissions
Abdala et al. Ipsilateral distortion product otoacoustic emission (2 f1–f2) suppression in children with sensorineural hearing loss
Swabey et al. Using otoacoustic emissions as a biometric
CN111803080B (zh) 婴儿畸变耳声检测仪及其检测方法
CN113288127A (zh) 一种基于时频调制察觉阈的听力检测装置及检测方法
US20060277999A1 (en) Audiometer and method of hearing screening
EP2958343B1 (en) Apparatus for testing directionality in hearing instruments
Dalhoff et al. Accuracy of noninvasive estimation techniques for the state of the cochlear amplifier
CN111820908A (zh) 耳声异常腔体的探头检测仪及其检测方法
Otsuka et al. Relationship between cochlear mechanics and speech-in-noise reception performance
Dunckley Testing the Phase Prediction of a Nonlinear SFOAE Generation Model
CN115644860A (zh) 一种基于ptc的耳蜗死区边缘检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant