CN111818436B - 基于机器学习的真耳分析测试系统 - Google Patents

Abstract

本发明提供基于机器学习的真耳分析测试系统，其可以客观精准地评估助听器在真正人耳上的放大情况，进而做到确保助听器最终验配的准确性。通过测试驱动模块中的数据实时处理模块实时采集测量麦克风传回的声音频谱数据，处理后获得待预测者的听力补偿实测值，通过听力补偿值预测模块根据待预测者的个人数据进行预测，获得待预测者的听力补偿预测值，将听力补偿实测值、听力补偿预测值以同一坐标系同时显示在同一个交互界面上，直观显示所述听力补偿预测值和所述听力补偿实测值的差值。

Description

基于机器学习的真耳分析测试系统

技术领域

本发明涉及声学测试设备技术领域，具体为基于机器学习的真耳分析测试系统。

背景技术

助听器验配过程中，需根据患者的性别、年龄、听力损失类型、听力损失程度等相关因素使用合适的听力补偿处方公式，在不同频率下计算给出具体的介入增益量。早期助听器的选配及助听器效果的评估使用的是主观方法，验配师通过询问病人佩戴助听器的主观感受来判断验配效果的好坏，以此作为评判的标准。这种方法过于依赖验配师的个人能力，所以验配效果非常不稳定。近几年真耳分析(Real Ear Measurement,REM)方法被引入助听器验配领域，真耳分析是指在真正的人耳中的鼓膜近处进行声学测量的过程；然而现有助听器验配领域中对于真耳分析技术的应用，大多是基于验配师通过测量工具进行参数测量，然后再人工借助工具、个人经验进行判断、调节助听器参数，虽然脱离了病人对助听器效果的主观感受判断，然而在调整助听器参数过程中仍然依赖验配师的个人经验，并未真正的做到客观、准确的判断，进而不能确保助听器的最终验配的准确性。

发明内容

为了解决当前助听器验配无法完全做到客观准确的问题，本发明提供基于机器学习的真耳分析测试系统，其可以客观精准地评估助听器在真正人耳上的放大情况，进而做到确保助听器最终验配的准确性。

本发明的技术方案是这样的：基于机器学习的真耳分析测试系统，其包括：真耳测试模块，其特征在于，其还包括：测试驱动模块、数据导入模块、听力补偿值预测模块、校准模块；

所述真耳测试模块包括放音设备、测量麦克风、参考麦克风；所述放音设备负责在测试项目中给出测试信号声；所述测量麦克风用以测量待检测者外耳道近鼓膜处的声音频谱；所述参考麦克风用于测量在测试过程中由所述放音设备发出的声音频谱；

所述校准模块对所述放音设备的音量提供校准功能，对所述测量麦克风、所述参考麦克风提供校准功能，输出所述测量麦克风、所述参考麦克风的频率响应的差值，记为麦克风频率差值；

所述测试驱动模块包括测试数据读取模块、测试音驱动模块、数据实时处理模块；

所述测试数据读取模块读取所述真耳测试模块中进行测试时使用的测试用声音文件，对所述测试用声音文件做数字量-模拟量转换，将其变为底层驱动可用的电信号；

所述测试音驱动模块将所述测试用声音文件对应的电信号输入到所述真耳测试模块中，由所述放音设备播放，对待检测者进行实时检测；所述真耳测试模块通过所述测量麦克风采集的声音频谱数据传入所述数据实时处理模块；

所述数据实时处理模块在测试期间实时采集所述测量麦克风、所述参考麦克风的信号，进行实时的数据处理；数据处理流程为：首先进行FFT快速傅里叶变换，将传输的所述声音频谱数据的时域信号转换到频域，得到谱线后，根据所述校准模块输出的所述麦克风频率差值进行谱线的修正，再根据1/3倍频程的精度统计在每个频带内的能量，获得待预测者的听力补偿实测值，并且将所述听力补偿实测值实时绘制出结果曲线显示在交互界面上；

所述数据导入模块导入待预测者的个人数据，所述个人数据包括：个人基础信息和预测听力阈值数据；所述预测听力阈值数据是待检测者在指定的声学频率下进行测听后，测得的听阈数值；

所述听力补偿值预测模块基于听力补偿预测模型，预测获得待预测者的听力补偿预测值；听力补偿值预测模块中的执行步骤为：将所述数据导入模块导入的所述个人数据进行归一化处理，调整所述个人数据的量纲、量值后，将调整后的所述个人数据导入所述听力步长预测模型进行计算，获得所述听力补偿预测值；将所述听力补偿预测值绘制出结果曲线，与所述听力补偿实测值以同一坐标系同时显示在同一个交互界面上。

其进一步特征在于：

所述听力补偿预测模型为基于N个机器学习的基础模型构建的筛选模型，其中，N大于等于1；预测获得待预测者的听力补偿预测值时，通过N个所述基础模型的筛选结果的投票，得出最终的所述听力补偿预测值；所述基础模型包括：基础神经网络模型、机器学习回归模型；

所述基础神经网络模型为具有M个隐藏层的神经网络模型，其中M>2；构建所述基础神经网络模型时，在每一个所述基础神经网络模型上增加BatchNorm层，BatchNorm层添加在所述基础神经网络模型中的全连接层之后、激活函数之前；

所述基础神经网络模型包括：BP神经网络；所述机器学习回归模型包括：支持向量回归机、随机森林；

所述听力补偿预测模型构建过程包括：

a1：基于历史数据构建听力补偿参考大数据集；

所述听力补偿参考大数据集中的数据结构包括：

特征X：X＝{x₁,x₂,x₃,...,x₉}

预测值y：y＝{y₁,y₂,y₃,...,y₆}

其中：特征X为9维特征向量，x₁～x₃分别为：病人性别、病人年龄组、助听器输入声压级大小，

x₄～x₉分别为病人在6个声学频率下的听阈数值，预测值y是x₄～x₉对应的在6个声学频率下的听力补偿参考值；

a2：将所述听力补偿参考大数据集中的数据进行数据清洗和归一化，将病人信息数据转换为模型所需的数据格式，得到训练数据集；

a3：构建所述听力补偿预测模型：

在N组所述基础模型超参数下，通过十折交叉验证，评估挑选网络模型超参数，确定所述听力补偿预测模型的参数；

a4：将所述训练数据集投入到参数确定后的所述听力补偿预测模型中进行训练，得到训练好的所述听力补偿预测模型；

所述真耳测试模块还包括，控制端、耳机放大器、麦克风放大器；所述控制端上安装声卡负责数据的输入和输出操作；所述插入耳机用于非声场测试情况下给出测试信号；所述耳机放大器负责放大所述声卡输出的信号以驱动放音设备；所述麦克风放大器负责放大麦克风采集的信号以送入声卡处理；

所述校准模块包括声源校准模块、麦克风校准模块；所述声源校准模块对所述放音设备的音量提供校准功能，包括人工手动校准和给定值校准；所述人工手动校准提供调试接口，供操作人员每次对所述放音设备的音量调整1dB；所述给定值校准的步骤包括，首先统计所述放音设备的频谱总能量，将所述放音设备的频谱总能量与所述参考麦克风回采所得声压级做对比，根据比对结果，调整所述放音设备的声压级强度，确保所述放音设备发出的音量都是预先给定的测试音量；所述麦克风校准模块中，分别拾取所述测量麦克风、所述参考麦克风在校准声下的信号，通过快速傅里叶变换FFT计算出两者的频谱，通过1/3倍频程的精度统计两者在每个频带内的能量后，转换为dB数，再相减，得到所述测量麦克风、所述参考麦克风的频率响应的差值，即所述麦克风频率差值；

所述测试音驱动模块的工作流程为：实例化一个音频流实例，对音频流实例选择相应的放录音设备，传入各种相关的设备参数，进行放录音的准备，准备完成后开启音频流，最后在开启后的所述音频流中设定音量，完成所述音频流全部参数的设置；所述音频流即所述测试数据读取模块传入的所述测试用声音文件对应的电信号；

所述数据导入模块中还包括听力图绘制模块，所述听力图绘制模块基于待检测者的所述预测听力阈值数据绘制纯音测听听力图；

其还包括数据导出模块，所述数据导出模块包括计算模块、制表模块；所述计算模块将听力补偿值预测模块预测所得所述听力补偿预测值经过差值处理后，传递给所述制表模块绘制成指定格式的表格，以指定格式的文件导出，生成标准化测试报告；所述听力补偿值预测模块传入所述数据导出模块频域数据对应的频率是根据125～8000Hz内每个1/3倍频程的中心频率确定，所述计算模块基于插值计算方法，将所述所述听力补偿值预测模块输出的频域数据进行处理获取对应频率下的频域数据，然后再传递给所述制表模块以指定格式的文件导出。

本发明提供的基于机器学习的真耳分析测试系统，通过测试驱动模块中的数据实时处理模块实时采集测量麦克风传回的声音频谱数据，处理后获得待预测者的听力补偿实测值，通过听力补偿值预测模块根据待预测者的个人数据进行预测，获得待预测者的听力补偿预测值，将听力补偿实测值、听力补偿预测值以同一坐标系同时显示在同一个交互界面上，直观显示所述听力补偿预测值和所述听力补偿实测值的差值，验配师能够客观精准地评估助听器在真正人耳上的放大情况，降低了因为验配师主观判断引起对助听器效果判断错误的可能性，确保助听器最终验配的准确性。

附图说明

图1为本发明的真耳分析测试系统的结构示意图；

图2为真耳测试模块的实施例的结构示意图；

图3为本发明的软件部分的模块结构示意图；

图4为基于本发明真耳分析测试系统的测试工作流程示意图。

具体实施方式

如图1、图3所示，本发明基于机器学习的真耳分析测试系统，其包括：真耳测试模块、测试驱动模块、数据导入模块、听力补偿值预测模块、校准模块、数据导出模块，其中测试驱动模块、数据导入模块、听力补偿值预测模块、校准模块、数据导出模块为软件部分，真耳测试模块为硬件测试部分，软件部分安装于控制端PC，控制端PC通过声卡连接真耳测试模块。

真耳测试模块包括放音设备、测量麦克风、参考麦克风、控制端、插入式耳机、耳机放大器、低噪声麦克风放大器；

测量麦克风和参考麦克风是进行真耳测试的主要部件；测量麦克风用以测量待检测者外耳道近鼓膜处的声压级，并将声信号转为电信号；当进行真耳测量时测量麦克风基于探管麦克风实现，插入待检测者的耳道内；进行耦合腔声场测试的时候，测量麦克风基于普通高清低噪的麦克风实现即可；参考麦克风用于测量在测试过程中的耳道口处的声压级，具体实现时基于普通高清低噪的麦克风实现接口，将声信号转为电信号，耳道口处的声压级为放音设备给出的声音频谱；

放音设备包括：扬声器、插入式耳机，是测试中给出测试声的主要部件；扬声器负责在非耦合腔测试项目中给出测试信号声；插入式耳机用于非声场测试情况，如：真耳—耦合腔差异测试下给出测试信号；

控制端由普通PC上搭建真耳分析测试系统的软件部分，在控制端上安装声卡，负责数据的输入和输出操作；声卡是真耳测试模块输入输出的核心部件，负责接收经麦克风放大器放大后的麦克风信号和送出耳机放大器的输入信号；

耳机放大器负责放大声卡输出的信号以驱动放音设备，；

低噪声麦克风放大器负责接收接收测量麦克风的信号，并将采集的信号低噪声地放大为声卡所需的输入电平范围后，送入声卡处理。

真耳测试模块的具体实施例如图2所示，控制端的PC1上安装声卡2，声卡2通过低噪声麦克风放大器4的通道1、多路选择器二同时连接用于耦合腔测试、真耳测试的高清低噪的测量麦克风7和探管麦克风8，以及通过低噪声麦克风放大器4的通道2、多路选择器三同时连接用于耦合腔测试、真耳测试的参考麦克风9；声卡2通过耳机放大器3、多路选择器一，分别连接耦合腔测试、真耳测试的扬声器5、插入式耳机6；

真耳测试模块同时支持真耳测试、耦合腔测试，验配师可以根据待检测者的实际情况随时调整测试方案；通过真耳测试模块对待检测者进行测试，无需待检测者主观判断自己的感受，而是通过时测量麦克风、参考麦克风将数据传回，避免了因为个人主观判断导致主观判断引起对助听器效果判断错误的可能性。

校准模块对放音设备的音量进行校准，对测量麦克风、参考麦克风提供校准功能，输出测量麦克风、参考麦克风的频率响应的差值，记为麦克风频率差值；

校准模块包括声源校准模块、麦克风校准模块；声源校准模块对放音设备的音量提供校准功能，包括人工手动校准和给定值校准；

人工手动校准提供调试接口，供操作人员每次对放音设备的音量调整1dB；具体实现时，通过设置“增加音量”和“减少音量”按钮，点击一次按钮，即可使放音设备的输出音量大小调大或者调小1dB，将真耳分析系统的放音设备输出音量调到范围内任意给定值；

给定值校准的步骤包括，首先统计放音设备的频谱总能量，将放音设备的频谱总能量与参考麦克风回采所得声压级做对比，根据比对结果，调整放音设备的声压级强度，确保放音设备发出的音量都是预先给定的测试音量；

由于探管麦克风和参考麦克风的频率响应不同，在相同的声场下，拾取得到的信号不同，因此，需要进行麦克风校准，具体实现时以参考麦克风为基准，来进行信号的处理；麦克风校准模块中，分别拾取测量麦克风、参考麦克风在校准声下的信号，通过快速傅里叶变换FFT计算出两者的频谱，通过1/3倍频程的精度统计两者在每个频带内的能量后，转换为dB数，再相减，得到测量麦克风、参考麦克风的频率响应的差值，即麦克风频率差值，供数据实时处理模块计算使用；

通过校准模块对真耳测试模块中的硬件进行校准，使每次测试的启动环境都保持一致，确保真耳分析测试系统每一次测试采集到数据是准确的，进而确保助听器最终验配的准确性；通过人工手动校正和给定值校准两种模式提供校准服务，确保测试系统能够灵活的适用于不同的测试环境，使测试系统更具实用性。

测试驱动模块包括测试数据读取模块、测试音驱动模块、数据实时处理模块；

测试数据读取模块读取真耳测试模块中进行测试时使用的给声文件：测试用声音文件，对测试用声音文件做数字量-模拟量转换，将其变为底层驱动可用的电信号；具体实现时，测试数据读取模块实现的是读取脉冲编码调制(Pulse Code Modulation,PCM)格式的测试声文件；

测试音驱动模块将测试用声音文件对应的电信号，通过底层驱动输入到真耳测试模块中，由放音设备播放，对待检测者进行实时检测；真耳测试模块通过测量麦克风采集的声音频谱数据传入数据实时处理模块；测试音驱动模块的工作流程为：实例化一个音频流实例，对音频流实例选择相应的放录音设备，传入各种相关的设备参数，进行放录音的准备，准备完成后开启音频流，最后在开启后的音频流中设定音量，完成音频流全部参数的设置；音频流即测试数据读取模块传入的测试用声音文件对应的电信号；测试音驱动模块在数据流出层面实现了任意选择测试声音量、类型、持续时间，并在数据流入层面实现了实时采集；

数据实时处理模块在测试期间实时采集测量麦克风、参考麦克风的信号，进行实时的数据处理；数据处理流程为：将采集到的声音信号首先进行FFT快速傅里叶变换，将传输的声音频谱数据的时域信号转换到频域，得到谱线后，根据校准模块输出的麦克风频率差值进行谱线的修正，再根据1/3倍频程的精度统计在每个频带内的能量，获得待预测者的听力补偿实测值，并且将听力补偿实测值实时绘制出结果曲线显示在交互界面上；

通过数据实时处理模块将测试中采集到的声音数据实时的通过谱线，图形化的显示给验配师，使验配师能够直观且客观的实时获知测试结果。

数据导入模块导入待预测者的个人数据，个人数据包括：个人基础信息和预测听力阈值数据；预测听力阈值数据是待检测者在指定的声学频率下进行测听后，测得的听阈数值；数据导入模块中还包括听力图绘制模块，听力图绘制模块基于待检测者的预测听力阈值数据绘制纯音测听听力图；

在临床上，听力相关疾病患者会做纯音测听的测试项目，在指定的听力频率，包括：125Hz、250Hz、500Hz、750Hz、…、8000Hz测试，得到对应的听阈数值；这个人基础信息和预测听力阈值数据输入到听力补偿预测模型中，作为待检测者的预测基础数据，进行听力补偿预测值预测。同时，基于数据导入模块中的听力图绘制模块，将纯音测听的结果，即，将预测听力阈值数据进行图表化，绘制成纯音测听听力图，方便验配师快速了解待检测者的听力情况。

听力补偿值预测模块基于听力补偿预测模型，预测获得待预测者的听力补偿预测值；听力补偿值预测模块中的执行步骤为：将数据导入模块导入的个人数据进行归一化处理，调整个人数据的量纲、量值后，将调整后的个人数据导入听力步长预测模型进行计算，获得听力补偿预测值；将听力补偿预测值绘制出结果曲线，与听力补偿实测值以同一坐标系同时显示在同一个交互界面上。

听力补偿预测值包括病人在多个声学频率下，如：250Hz、500Hz、1000Hz…8000Hz，的助听器增益放大值；听力补偿预测值根据待预测者的个人数据，基于临床患者的大数据集计算出来的一个推荐值，验配师在测试中实测的助听器实际的增益放大值，即听力补偿实测值，越接近这个推荐值，说明助听器的验配效果越好；本发明技术方案中，验配师根据交互界面上同一坐标系下的听力补偿实测值、听力补偿预测值的两条曲线，可以直观的看出二者的差异；进而根据差异情况继续调整助听器的参数，使听力补偿实测值无限接近于听力补偿预测值；调配过程中，根据真耳测试模块实时传回来的实测参数，听力补偿实测值的变化实时的通过听力补偿实测值曲线显示，使验配师可以实时了解自己的参数调整是否有效，极大的提高了验配师的工作效率。

听力补偿预测模型为基于N个机器学习的基础模型构建的筛选模型，其中，N大于等于1；预测获得待预测者的听力补偿预测值时，通过N个基础模型的筛选结果的投票，得出最终的听力补偿预测值；基础模型包括：基础神经网络模型、机器学习回归模型；

构建基础神经网络模型为具有M个隐藏层的神经网络模型，其中M≥2；构建基础神经网络模型时，在每一个基础神经网络模型上增加BatchNorm(以下简称：BN)层，BN层添加在每一个全连接层之后、激活函数之前，起到模型正则化的作用，避免模型预测发生过拟合问题，过拟合会导致预测结果偏离病人实际上需要的最舒适的补偿值；通过添加BN层，避免因为模型过拟合导致预测值过高或者过低，进而导致最终的助听器配置失败问题的发生；

本实施例中，基础神经网络模型为BP神经网络；机器学习回归模型包括：支持向量回归机、随机森林；

具体实施时，BP神经网络具体构建方式是在全连接层后、激活函数之前面添加一个BN层，具体方法如下：

(全连接层→BN层→激活函数)→…→(全连接层→BN层→激活函数)→全连接层；

支持向量回归机SVR的调整优化了核函数类型和核函数等参数，随机森林算法调整优化了决策树规模和决策树深度等参数；

本发明技术方案中，采用包括2个以上隐藏层神经网络模型作为基础神经网络模型，通常隐藏层的层数越大拟合能力越强，基于包含多个隐藏层的神经网络模型构建听力补偿预测模型，确保听力补偿预测模型有足够的拟合能力来确保预测结果的准确性。

听力补偿预测模型构建过程包括：

a1：基于历史数据构建听力补偿参考大数据集；

听力补偿参考大数据集中含有临床上患者的详细听力补偿预测数据，为听力补偿预测模型提供大数据支持

听力补偿参考大数据集中的数据结构包括：

特征X：X＝{x₁,x₂,x₃,...,x₉}

预测值y：y＝{y₁,y₂,y₃,...,y₆}

其中：特征X为9维特征向量，x₁～x₃分别为：病人性别、病人年龄组、助听器输入声压级大小，

x₄～x₉分别为病人在6个声学频率下的听阈数值，预测值y是x₄～x₉对应的在6个声学频率下的听力补偿参考值；

本实施例中，6个声学频率包括：250Hz、500Hz、1000Hz、2000Hz、4000Hz、8000Hz；

a2：将听力补偿参考大数据集中的数据进行数据清洗和归一化，将病人信息数据转换为模型所需的数据格式，得到训练数据集；

a3：构建听力补偿预测模型：

基于N组机器学习的基础模型，构建听力补偿预测模型；

在N组基础模型超参数下，通过十折交叉验证，评估挑选网络模型超参数，参数包括：神经元群众、偏置等参数，确定听力补偿预测模型的参数；

a4：将训练数据集投入到参数确定后的听力补偿预测模型中进行训练，得到训练好的听力补偿预测模型。

最后，基于数据导出模块中的计算模块，将听力补偿值预测模块预测所得听力补偿预测值经过差值处理后，基于制表模块绘制成指定格式的表格，最后以指定文件格式的文件导出，生成可供查看的标准化测试报告；数据导出模块从听力补偿值预测模块得到的频域数据对应的频率是根据125～8000Hz内每个1/3倍频程的中心频率确定的，数据导出模块基于插值计算方法，将听力补偿值预测模块输出的频域数据进行处理获取对应频率下的频域数据，然后再以指定格式的文件导出；本实施例中，制表模块基于QAxObject，将测试结果导出到excel文件中；基于数据导出模块，极大的而方便了使用者将整个测试过程中的数据直接导出，使本发明技术方案更具可用性。

如图4所示，基于本发明的测试系统工作时，详细的步骤如下所示：

基于历史数据构件步长参考大数据集之后，输入到构建好的听力补偿预测模型中，获得训练好的听力补偿预测模型；

基于数据导入模块输入待检测者的个人数据，基于听力补偿值预测模块得到听力补偿预测值，如：在250Hz下给出的助听器增益推荐值为20dB；

待检测者带上助听器，通过真耳测试模块进行听力检测；实测所得的听力补偿实测值实时的以曲线的形式与听力补偿预测值的曲线显示在同一个交互界面上；

假设：实际基于真耳测试模块测得的听力补偿实测值，在250Hz下测得的助听器增益实测值为10dB，这说明患者的助听器音量实际上是偏小的；此时在交互界面上二者的曲线上，可以清楚的看到差值的存在；

验配师根据这一差值，对助听器的增益大小做调整设置，如：将助听器在250Hz下的助听器增益再调大10dB(20-10＝10dB)；调整以后，再基于真耳测试模块进行测试验证，直至听力补偿实测值和听力补偿预测值的曲线的差在可接受范围内，则停止调试，基于数据导出模块打印出标准化测试报告，供后期助听器制作参考。

Claims (9)

1.基于机器学习的真耳分析测试系统，其包括：真耳测试模块，其特征在于，其还包括：测试驱动模块、数据导入模块、听力补偿值预测模块、校准模块；

所述真耳测试模块包括放音设备、测量麦克风、参考麦克风；所述放音设备负责在测试项目中给出测试信号声；所述测量麦克风用以测量待检测者外耳道近鼓膜处的声音频谱；所述参考麦克风用于测量在测试过程中由所述放音设备发出的声音频谱；

所述校准模块对所述放音设备的音量提供校准功能，对所述测量麦克风、所述参考麦克风提供校准功能，输出所述测量麦克风、所述参考麦克风的频率响应的差值，记为麦克风频率差值；

所述测试驱动模块包括测试数据读取模块、测试音驱动模块、数据实时处理模块；

所述测试数据读取模块读取所述真耳测试模块中进行测试时使用的测试用声音文件，对所述测试用声音文件做数字量-模拟量转换，将其变为底层驱动可用的电信号；

所述测试音驱动模块将所述测试用声音文件对应的电信号输入到所述真耳测试模块中，由所述放音设备播放，对待检测者进行实时检测；所述真耳测试模块通过所述测量麦克风采集的声音频谱数据传入所述数据实时处理模块；

所述数据实时处理模块在测试期间实时采集所述测量麦克风、所述参考麦克风的信号，进行实时的数据处理；数据处理流程为：首先进行FFT快速傅里叶变换，将传输的所述声音频谱数据的时域信号转换到频域，得到谱线后，根据所述校准模块输出的所述麦克风频率差值进行谱线的修正，再根据1/3倍频程的精度统计在每个频带内的能量，获得待预测者的听力补偿实测值，并且将所述听力补偿实测值实时绘制出结果曲线显示在交互界面上；

所述数据导入模块导入待预测者的个人数据，所述个人数据包括：个人基础信息和预测听力阈值数据；所述预测听力阈值数据是待检测者在指定的声学频率下进行测听后，测得的听阈数值；

所述听力补偿值预测模块基于听力补偿预测模型，预测获得待预测者的听力补偿预测值；听力补偿值预测模块中的执行步骤为：将所述数据导入模块导入的所述个人数据进行归一化处理，调整所述个人数据的量纲、量值后，将调整后的所述个人数据导入所述听力补偿预测模型进行计算，获得所述听力补偿预测值；将所述听力补偿预测值绘制出结果曲线，与所述听力补偿实测值以同一坐标系同时显示在同一个交互界面上；

所述听力补偿预测模型构建过程包括：

a1：基于历史数据构建听力补偿参考大数据集；

所述听力补偿参考大数据集中的数据结构包括：

特征X：X＝{x₁,x₂,x₃,...,x₉}

预测值y：y＝{y₁,y₂,y₃,...,y₆}

其中：特征X为9维特征向量，x₁～x₃分别为：病人性别、病人年龄组、助听器输入声压级大小，

x₄～x₉分别为病人在6个声学频率下的听阈数值，预测值y是x₄～x₉对应的在6个声学频率下的听力补偿参考值；

a2：将所述听力补偿参考大数据集中的数据进行数据清洗和归一化，将病人信息数据转换为模型所需的数据格式，得到训练数据集；

a3：构建所述听力补偿预测模型：

在N组基础模型超参数下，通过十折交叉验证，评估挑选网络模型超参数，确定所述听力补偿预测模型的参数；

a4：将所述训练数据集投入到参数确定后的所述听力补偿预测模型中进行训练，得到训练好的所述听力补偿预测模型。

2.根据权利要求1所述基于机器学习的真耳分析测试系统，其特征在于：所述听力补偿预测模型为基于N个机器学习的基础模型构建的筛选模型，其中，N大于等于1；预测获得待预测者的听力补偿预测值时，通过N个所述基础模型的筛选结果的投票，得出最终的所述听力补偿预测值；所述基础模型包括：基础神经网络模型、机器学习回归模型。

3.根据权利要求2所述基于机器学习的真耳分析测试系统，其特征在于：所述基础神经网络模型为具有M个隐藏层的神经网络模型，其中M>2；构建所述基础神经网络模型时，在每一个所述基础神经网络模型上增加BatchNorm层，BatchNorm层添加在所述基础神经网络模型中的全连接层之后、激活函数之前。

4.根据权利要求3所述基于机器学习的真耳分析测试系统，其特征在于：所述基础神经网络模型包括：BP神经网络；所述机器学习回归模型包括：支持向量回归机、随机森林。

5.根据权利要求1所述基于机器学习的真耳分析测试系统，其特征在于：所述真耳测试模块还包括，控制端、耳机放大器、麦克风放大器、插入式耳机；所述控制端上安装声卡负责数据的输入和输出操作；所述插入式耳机用于非声场测试情况下给出测试信号；所述耳机放大器负责放大所述声卡输出的信号以驱动放音设备；所述麦克风放大器负责放大麦克风采集的信号以送入声卡处理。

6.根据权利要求1所述基于机器学习的真耳分析测试系统，其特征在于：所述校准模块包括声源校准模块、麦克风校准模块；所述声源校准模块对所述放音设备的音量提供校准功能，包括人工手动校准和给定值校准；所述人工手动校准提供调试接口，供操作人员每次对所述放音设备的音量调整1dB；所述给定值校准的步骤包括，首先统计所述放音设备的频谱总能量，将所述放音设备的频谱总能量与所述参考麦克风回采所得声压级做对比，根据比对结果，调整所述放音设备的声压级强度，确保所述放音设备发出的音量都是预先给定的测试音量；所述麦克风校准模块中，分别拾取所述测量麦克风、所述参考麦克风在校准声下的信号，通过快速傅里叶变换FFT计算出两者的频谱，通过1/3倍频程的精度统计两者在每个频带内的能量后，转换为dB数，再相减，得到所述测量麦克风、所述参考麦克风的频率响应的差值，即所述麦克风频率差值。

7.根据权利要求1所述基于机器学习的真耳分析测试系统，其特征在于：所述测试音驱动模块的工作流程为：实例化一个音频流实例，对音频流实例选择相应的放录音设备，传入各种相关的设备参数，进行放录音的准备，准备完成后开启音频流，最后在开启后的所述音频流中设定音量，完成所述音频流全部参数的设置；所述音频流即所述测试数据读取模块传入的所述测试用声音文件对应的电信号。

8.根据权利要求1所述基于机器学习的真耳分析测试系统，其特征在于：所述数据导入模块中还包括听力图绘制模块，所述听力图绘制模块基于待检测者的所述预测听力阈值数据绘制纯音测听听力图。

9.根据权利要求1所述基于机器学习的真耳分析测试系统，其特征在于：其还包括数据导出模块，所述数据导出模块包括计算模块、制表模块；所述计算模块将听力补偿值预测模块预测所得所述听力补偿预测值经过差值处理后，传递给所述制表模块绘制成指定格式的表格，以指定格式的文件导出，生成标准化测试报告；所述听力补偿值预测模块传入所述数据导出模块频域数据对应的频率是根据125～8000Hz内每个1/3倍频程的中心频率确定，所述计算模块基于插值计算方法，将所述听力补偿值预测模块输出的频域数据进行处理获取对应频率下的频域数据，然后再传递给所述制表模块以指定格式的文件导出。

Images