CN112369046A - 用于调整听力设备的补充声音种类 - Google Patents

Abstract

一种用于调整至少一个听力设备(12)的方法包括：为所述至少一个听力设备(12)提供基本声音种类(26)，每个基本声音种类(26)包括具有针对所述听力设备(12)的至少一个致动器(32)的参数的致动器参数化(42)；收集对所述至少一个听力设备(12)的至少一个用户的声音属性的调整(36)以及已经以其进行所述调整(36)的对由所述听力设备(12)采集的声音信号(22)的加权(40)；不管相同的调整(36)是否已经以相同的加权(40)被应用，都对所收集的调整(36)进行分析；当所述相同的调整(36)已经以加权(44)被应用时，生成至少一个补充声音种类(28)，其中，所述补充声音种类(28)的所述致动器参数化(42)是基于以所述加权(44)的所述调整(36)的修改的致动器参数化的。

Description

用于调整听力设备的补充声音种类

技术领域

本发明涉及用于调整至少一个听力设备的方法、计算机程序和计算机可读介质。此外，本发明涉及听力系统。

背景技术

听力设备是旨在改善穿戴听力设备的人的听力体验的可穿戴设备。如果听力设备是助听器，则它适于补偿穿戴助听器的人(即用户)的听力损失。听力设备可以包括麦克风和扬声器，其中，在麦克风处的音频输入可以是经频率相关的滤波和/或放大的以便补偿听力损失。修改的音频信号然后由可以位于用户耳道附近或中的扬声器输出。

听力设备的滤波可以由不同地修改音频信号的一组致动器执行。每个致动器可以被视为特定的滤波器，和/或可以利用对致动器的滤波具有影响的一个或多个参数来调谐。例如，致动器可以放大在特定频率周围的范围内的音频信号，并且特定频率和范围的宽度可以是用于调谐致动器的参数。

特定的听力设备可以自动识别声音情形，可以对这些声音情形进行分类，并且可以提供针对这些声音种类的适当的致动器参数化。声音情形可以被分类成预先定义的声音种类，其中的每个声音种类与用于致动器的参数的特殊集合(即致动器参数化或致动器设置)相关联。声音种类通常利用专家的听力学技术来定义。如果适配者或用户系统性地抱怨可能与给定声音种类结构相关的问题和/或如果发现用于更好地处理某些情形的新机会，则声音种类可以被修正。

声音种类的分类可以利用听力设备的一个或多个分类器来执行，所述一个或多个分类器评估要被听力设备处理的声音信号。存在也可以识别为声音种类的混合的声音情形的分类器。在这种情况下，所涉及的声音种类的致动器参数化可以通过线性地混合致动器参数化来确定。

如果这种混合的致动器参数化不适合听力设备的用户的需求，则所涉及的声音种类的致动器参数化可以由听力专家进行调整。然而，这样的修改可能是非常非特定的，并且可能导致对其他声音情形的不想要的影响，其他声音情形也受这样的修改影响。另一方面，用户可能被迫重复地调整他或她的听力设备，这可能降低用户的满意度。

在WO2008/155427A2中，呈现了一种用于操作听力设备的方法，其中，所述听力设备可针对特定用户持续地学习。提供用于跟踪并定义与用户相关的声音种类的声音环境分类系统。在正在进行的学习过程中，基于用户使听力设备遭受的新环境对这些种类进行重新定义。

在EP1523219A2中，描述了一种用于训练并操作听力设备的方法。利用该方法，可以通过将检测到的信号分配给特定听力情形来增加分类器的检测速率。

发明内容

本发明的目的是提供更容易适于用户的需求的听力设备。本发明的又一目的是为听力设备的用户简化对听力设备的调整和/或减少用户调整听力设备的情形。

这些目的通过独立权利要求的主题来实现。另外的范例性实施例从从属权利要求和下面的说明书变得显而易见。

本发明的第一方面涉及一种用于调整至少一个听力设备的方法。该方法可以由听力设备自动地执行，和/或可以由从一个或多个听力设备收集数据的系统执行。例如，该系统可以经由互联网被连接到多个听力设备。

根据本发明的实施例，该方法包括：为所述至少一个听力设备提供基本声音种类，每个基本声音种类包括具有针对所述听力设备的至少一个致动器的参数的致动器参数化；收集对声音属性的调整以及已经以其进行所述调整的加权；不管相同的调整是否已经以相同的加权被应用，都对所收集的调整进行分析；以及当所述相同的调整已经以加权被应用时，生成至少一个补充声音种类，其中，所述补充声音种类的所述致动器参数化是基于以所述加权的所述调整的修改的致动器参数化的。

这些方法步骤可以由听力设备本身和/或外部系统(诸如与听力设备通信性地相互连接的服务器系统)执行：在生成补充声音种类的外部系统的情况下，该方法此外可以包括：为所述至少一个听力设备提供所述至少一个补充声音种类。

基本声音种类的范例是“安静情形“(CS)、“噪声中的语音”(SpiN)、“噪声”(N)、“音乐”(Mu)等。一般来说，听力设备的声音种类结构可以在若干声音种类(像单个声音源情形、安静情形、具有语音的情形、具有背景声音、噪声和/或音乐的情形等)之间进行区别。声音种类结构可以是基本声音种类和补充声音种类可选地结合存储声音种类的内插结构(参见下面)的集合。

如下面描述的，每个基本声音种类以及补充声音种类包括致动器参数化，即用于听力设备的致动器的特定参数或设置的集合。致动器的范例是增益操纵器、噪声消除器、波束形成器等。例如，波束形成器可以放大来自特定方向的声音，和/或可以衰减来自其他方向的声音。针对要被设置的波束形成器的参数可以是波束的方向和/或宽度。

针对基本声音种类的致动器参数化可以由听力设备制造商预先定义，和/或可以由听力设备适配者配置。基本声音种类可以在制造期间和/或利用由听力设备适配者使用的特殊软件被提供给听力设备。

经调整的声音种类结构可以进一步易于精调。针对声音种类的不同声音类型的振荡设置可以被避免。由精调引起的不想要的副作用可以被避免。

如果新的声音种类结构经过一定的时间被证明是不再足够(例如，当调整的数量增加例如10％)，则该方法可以被部分地或完全地重复。

听力设备适配者可以得到用于改善适配质量并且减少精调的工作量的工具。

如果许多听力设备用户的此类重新构建的声音种类结构的数据被收集，则这些数据可以用于并馈入分类器和/或声音处理器的进一步发展中。预先定义的声音种类结构可以被优化为大部分听力设备用户的需求，和/或适于某些组听力设备用户的需求。

根据本发明的实施例，利用基本声音种类，至少一个听力设备适于：通过生成实际加权来关于所述基本声音种类对所采集的声音信号进行分类，在所述实际加权中，每个基本声音种类利用基本权重值来进行加权；通过以所述实际加权对所述基本声音种类的所述致动器参数化进行内插来生成针对至少一个致动器的实际致动器参数化；利用所述至少一个致动器来处理所采集的声音信号，所述至少一个致动器利用所述实际致动器参数化来参数化；输出经处理的声音信号以被所述听力设备的用户感知到；基于对所述用户的声音属性的调整来修改所述实际致动器参数化。

可以利用扬声器采集和/或可以以其他方式(例如从拾音线圈或经由蓝牙)被接收在听力设备中的声音信号可以通过一个或多个分类器来进行分类。这些分类器可以产生针对每个基本声音种类的权重值，该权重值被称为基本权重值。权重值可以是在0和1之间的值。利用权重值，基本声音种类可以定义由针对所有基本声音种类的所有可能的权重值跨度的权重空间。

当实际声音情形是已经用于定义基本声音种类的声音情形的混合时，对于多于一个声音种类可以存在与0和1不同的权重值。分类器可以确定基本声音种类的混合。分类和/或实际加权可以是权重空间中的点。当仅基本声音种类存在时，听力设备可以在这些声音种类之间进行内插，例如通过利用权重对由声音种类提供的致动器参数化的致动器参数线性地进行内插。在补充声音种类存在的情况下，对实际致动器参数化的确定可以如下面描述的那样被执行。

实际致动器参数化然后被应用于致动器，所述致动器然后相应地处理声音信号。最后，经处理的声音信号可以例如经由扬声器或耳蜗植入物被输出。

听力的实际致动器参数化可以基于对用户的声音属性的调整来进行调整。声音属性可以是声音情形和/或输出的声音信号的质量，其可以由用户经由听力设备直接调整。例如，听力设备可以提供用于直接调整声音属性的器件，诸如控制杆、旋钮等。声音属性也可以经由与听力设备通信的智能手机的视觉用户界面来调整。声音属性的范例是音量和噪声消除。利用调整，输出的声音信号的音量和/或噪声消除可以被增加和增加。

必须注意，为了调整声音属性，听力设备可以将经调整的声音属性变换成经调整的致动器参数。换言之，由于对声音属性的调整，实际致动器参数化可以被调整。

现在返回到可以由外部系统执行的方法步骤，由用户对声音属性的调整可以被发送给收集调整的外部系统。每个调整和/或对应的致动器参数化可以与在进行调整的时候由分类器确定的声音种类的实际加权一起被存储。

不管相同的调整是否已经以相同的加权被应用，所收集的调整都可以被分析。例如，可能的是，许多用户以相同的加权(诸如50％噪声中的语音和50％音乐)进行相同的调整(诸如更大音量)。这种分析可以例如利用统计方法自动进行。

当权重空间中的相同调整已经被频繁地应用的点被识别时，补充声音种类可以被生成。作为基本声音种类，补充声音种类可以包括致动器参数化。然而，补充声音种类不定义权重空间的角点，但是可以与加权、即与权重空间内的点相关联。补充声音种类的致动器参数化是基于以加权的调整的修改的致动器参数化的，即补充声音种类的致动器参数化可以是在用户的调整已经被应用之后的致动器参数化。

利用该方法，可以提供用于针对某些声音情形生成、核实并修正预先定义的致动器的使用相关的且系统性的程序。对一个用户或多个用户的调整可以被分析以识别权重空间中的进行类似调整的区域。当这样的区域被识别时，听力设备(或多个听力设备)能够被自动调整，使得为了实现相同的听力体验而无需进一步的用户调整。

此外，利用补充声音种类进行自动调整，补充声音种类统一对在权重空间中的特定点和/或区域处的自动化调整的存储和/或应用。

在一种方法(其可以被称为大数据方法)中，多个听力设备的声音种类结构可以基于关于可以被反映在所收集的用户调整中的发生的和/或解决的听力问题的多个数据被修正和调整。这些数据可以借助于大数据平台来收集。收集并分析此类数据可以允许对预先定义的声音种类结构的核实，并且可以给出用于修正该预先定义的声音种类结构的建议。

在第二种方法(其可以被称为个体方法)中，一个听力设备的声音种类结构可以基于由个体听力设备收集的数据来修正和调整。此处，数据可以被收集、分析，和/或补充声音种类可以由听力设备本身或被通信性地连接到听力设备的计算设备(诸如适配设备、智能手机和/或上面提到的大数据平台)生成。

根据本发明的实施例，当至少一个补充声音种类存在时，所述听力设备通过以所述声音信号的所述实际加权对所述基本声音种类的所述致动器参数化和所述至少一个补充声音种类的所述致动器参数化进行内插来生成所述实际致动器参数化。被应用于一个或多个致动器的实际致动器参数化的参数可以通过对实际加权周围的区域中的基本和/或补充声音种类的致动器参数化的参数(例如线性地)进行内插来确定。当在权重空间中其加权是在权重空间中的实际加权周围的区域中时，声音种类可以是在加权周围的区域中。

根据本发明的实施例，当以所述加权的所述调整的多于80％在调整的显著范围内时，补充声音种类被生成。当权重空间中的已经进行多个调整的点和/或区域被发现时，调整可能必须被比较以判断相同的调整是否由一个或多个用户进行。为此目的，例如被编码有数值的调整可以被统计地分析，和/或可以做出调整的统计分布。当大的量(诸如多于80％或多于90％)在统计分布的最大值周围的显著范围内时，那么补充声音种类可以被生成。补充声音种类可以针对权重空间中的区域的中心和/或利用根据调整的统计分布的最大值确定的致动器参数化来定义。

如上面描述的，当对声音属性的相同调整已经以相同的加权被应用时，补充声音种类可以被生成。此处，术语“相同”不一定意味着绝对等同，而是可以适用于范围和/或特定属性。即，当它们几乎等同时，两个调整可以相同。当它们适用于相同的声音属性时，也可以是调整等同。此外，当其权重值都几乎等同时，两个加权可以等同。当其差小于与可能值的整个范围相比较小的阈值时，两个值可以几乎等同。作为一范例，阈值可以是整个范围的10％。

根据本发明的实施例，当相同的声音属性已经被调整时，两个调整相同。这可以独立于声音属性已经被调整到的值。

根据本发明的实施例，当针对声音属性的调整参数在特定范围内和/或小于阈值时，两个调整相同。例如，特定范围可以指的是调整参数的正值，和/或特定范围可以指的是调整参数的负值。阈值可以利用自统计平均值的标准偏差来确定。还可能的是，当声音属性已经沿相同方向被调整(诸如增大或减小)时，两个调整被认为相同。

根据本发明的实施例，当其权重具有小于权重空间中的阈值的距离时，两个加权相同。该阈值可以利用统计分析来确定。距离可以利用自权重空间中的群集点的加权的标准偏差来确定。

根据本发明的实施例，在分析期间，识别针对不同声音属性的调整被应用的权重。为了确定可能的补充声音种类，在第一步骤中，权重空间中的已经进行多个调整(具体地独立于调整的类型)的区域和/或点可以被识别。权重空间中的这样的点/区域可以被视为许多用户不满足于听力设备的行为和/或声音种类的混合的声音情形。

在第二步骤中，在该点处和/或该区域中的调整的可以被分析以确定在更多的时候已经进行哪些调整。此外，调整的持续时间和/或时间可以用于确定哪些调整令人满意和哪些调整不令人满意。

根据本发明的实施例，调整的时间和/或持续时间被收集。不仅调整本身而且用户已经进行调整的时间点可以被收集。用户已经进行调整有多久的持续时间(即直至用户已经进行对相同声音属性的进一步调整的时间)也可以被确定和收集。

根据本发明的实施例，所述补充声音种类基于以所识别的加权对相同声音属性的调整来生成，该调整已经在更多的时候和/或在最长持续时间内被应用。可以假设此类调整是具有最高用户满意度的调整。

根据本发明的实施例，在加权处生成至少两个补充声音种类。还可能的是，不同的补充声音种类被提供和/或存在于相同的加权处。当利用统计方法已经在相同的区域中和/或在权重空间中的相同点处导出两个不同的声音种类时，可以是这样的情况。例如，不同的声音属性已经以相同的加权被调整。

根据本发明的实施例，当与至少两个补充声音种类相关联的实际加权被生成时，所述两个补充声音种类被提供给所述用户以便选择用于生成所述实际致动器参数化的所述补充声音种类。当根据实际声音情形确定的实际加权接近至少两个补充声音种类的加权和/或在至少两个补充声音种类的加权附近(即在至少两个补充声音种类的加权周围的区域中)时，用户被提供以选择声音种类中的一个。以这样的方式，用户能够选择最适合他或她的需求的补充声音种类。

还可能的是，在加权处的补充声音种类例如关于一个或多个用户已经多久进行一次对应的调整被区分优先级。

一般来说，该方法可以包括：记录并存储调整以及当调整或修改被应用时激活的关于声音情形的数据(诸如一个或多个分类器的加权)；关于其在相当的声音情形内的发生分析记录并存储的调整；关于其发生确定在相当的声音情形内被应用的调整的优先级；以及根据经确定的优先级来定义提供对应于调整的补充声音种类的序列。

根据本发明的实施例，针对多个用户的多个听力设备被提供有所述基本声音种类，其中，对所述多个听力设备的调整被收集并且被分析，其中，所述补充声音种类被提供给所述多个听力设备。如之前提到的，该方法可以在大数据方法中被采用，其中，多个听力设备和用户可以被涉及。

根据本发明的实施例，该方法还包括：当多个用户已经以对应于所述基本声音种类的加权应用所述相同的调整时，修改基本声音种类，其中，修改的基本声音种类的所述参数化是基于以加权的所述调整的修改的致动器参数化的。还可能的是，基本声音种类利用从多个用户收集的信息来修改。当调整在纯粹的声音情形下被应用时，即当实际加权在基本声音种类的加权周围附近的区域中(在特定阈值内)时，可以假设声音种类必须被重新定义。这可以以与对于补充声音种类相同的方式被完成。

本发明的又一方面涉及用于听力设备的内插结构。内插结构可以是被存储在听力设备中的适于声音种类之间的内插的数据结构。

内插结构可以在如本文中描述的方法中使用。然而，内插结构也可以独立于补充声音种类和/或致动器参数化已经如何被确定来使用。例如，内插结构也可以用于存储已经直接根据用户的调整来生成的致动器参数化。

根据本发明的实施例，所述内插结构存储至少一个补充声音种类的致动器参数化。它也可以存储基本声音种类的致动器参数化。基本上，内插结构可以适于将声音种类关联到权重空间中的点，和/或发现权重空间中的特定加权周围的区域中的声音种类。

根据本发明的实施例，所述实际致动器参数化通过对被存储在所述内插结构中的所述致动器参数化之间进行内插来确定。当实际加权被确定时，最接近可以跨度权重空间中的实际加权周围的非退化区域的加权的声音种类可以被确定。此处，非退化可以意味着该区域具有与权重空间相同的维度。来自该区域中的声音种类的致动器参数化的参数可以被线性地内插以确定实际致动器参数化。

根据本发明的实施例，所述内插结构包括权重空间中的固定点，针对每个声音种类的所述致动器参数化被存储在该固定点处。可能性是内插结构包括具有对相应声音种类的引用的固定点的列表。每当在新的加权处的新的补充声音种类被存储在内插结构中时，该点就可以被附加到列表。

根据本发明的实施例，所述实际致动器参数化利用所述固定点之间的内插函数来确定。内插函数可以线性的或具有更高阶，诸如样条线。

根据本发明的实施例，所述内插结构包括权重空间中的网格点的网格，并且所述声音种类的所述致动器参数化被存储在所述网格点处。在每一个网格点处，对一个或多个声音种类的引用可以被设置。又一可能性是固定数量的网格点被设置。网格点之间的距离可以是固定值。可能的是，当声音种类被存储在内插结构中时，声音种类的加权被设置为最接近的网格点。

根据本发明的实施例，所述实际致动器参数化通过将补充声音种类的致动器参数化的参数与权重函数相乘来确定。必须注意，权重函数用于对致动器参数化进行加权，并且不包括声音信号的分类的权重。

与权重函数的相乘是根据被存储在听力设备中的声音种类来确定实际致动器参数化的又一可能性。例如，基本实际致动器参数化可以通过利用实际加权对基本声音种类的致动器参数化进行内插来确定。

每个补充可以与权重函数相关联。补充声音种类的致动器参数化(即其参数)可以与在实际加权(其通常可以不同于补充声音种类的加权)处评估的权重函数相乘。然后，利用权重函数加权的声音种类的致动器参数化和基本实际致动器参数化的平均值(即参数的平均值)可以被确定为实际致动器参数化。

备选地和/或额外地，补充声音种类的致动器参数化可以包括与在补充声音种类的加权处的基本致动器参数化的偏移值。在这种情况下，利用(针对实际加权确定的)权重函数加权的声音种类的致动器参数化可以被添加到针对实际加权确定的基本致动器参数化d。

根据本发明的实施例，所述权重函数在权重空间中的存储针对声音种类的所述致动器参数化的点处是1。所述权重函数可以随着相距所述点的距离增加而减小，和/或所述权重函数在针对声音种类的影响区域之外可以是0。权重函数可以被形成为像钟形曲线或更高维类似物。

根据本发明的实施例，所述听力设备是助听器。助听器可以适于补偿用户的听力损失。该方法可以为听力受损的用户提供声音的优化的分类。

本发明的另外的方面涉及一种用于调整听力设备的计算机程序，当正在由处理器运行时，所述计算机程序适于执行如在上文中和在下文中描述的方法的步骤，以及涉及一种计算机可读介质，这样的计算机程序被存储在所述计算机可读介质中。

例如，计算机程序可以在例如可以被人携带在耳朵后面的听力设备的处理器中运行。计算机可读介质可以是该听力设备的存储器。在该存储器中也可以存储内插结构。

一般来说，计算机可读介质可以软盘、硬盘、USB(通用串行总线)存储设备、RAM(随机存取存储器)、ROM(只读存储器)、EPROM(可擦除可编程只读存储器)或闪存存储器。计算机可读介质也可以是允许下载程序代码的数据通信网络，例如互联网。计算机可读介质可以是非瞬态或瞬态介质。

本发明的另一方面涉及一种听力系统，其包括评估系统和至少一个听力设备。

评估系统可以是例如可以提供大数据平台的一个或多个服务器。备选地，评估系统可以是用于适配听力设备的适配设备。评估系统也可以是用于配置听力设备的智能手机，和/或可以是听力设备的一部分。

根据本发明的实施例，所述评估系统适于：为所述至少一个听力设备提供基本声音种类，每个基本声音种类包括具有针对所述至少一个听力设备的至少一个致动器的参数的致动器参数化；收集由所述至少一个听力设备的用户应用的对声音属性的调整以及已经以其进行所述调整的加权；不管相同的调整是否已经以相同的加权被应用，都对所收集的调整进行分析；当所述相同的调整已经以加权被应用时，生成至少一个补充声音种类，其中，所述补充声音种类的所述致动器参数化是基于以所述加权的所述调整的修改的致动器参数化的。可选地，评估系统适于为所述至少一个听力设备提供所述至少一个补充声音种类。

根据本发明的实施例，所述至少一个听力设备适于：通过生成实际加权来关于所述基本声音种类对所采集的声音信号进行分类，在所述实际加权中，每个基本声音种类利用基本权重值来进行加权；通过基于所述实际加权对所述基本声音种类的所述致动器参数化进行内插来生成针对至少一个致动器的实际致动器参数化；利用所述至少一个致动器来处理所采集的声音信号，所述至少一个致动器利用所述实际致动器参数化来参数化；输出经处理的声音信号以被所述听力设备的用户感知到；基于对所述用户的声音属性的调整来修改所述实际致动器参数化。

应理解，如在上文中和在下文中描述的方法的特征可以是如在上文中和在下文中描述的计算机程序、计算机可读介质、听力系统、评估系统、听力设备和/或内插结构的特征，并且反之亦然。

本发明的这些方面和其他方面将从下文所述的实施例变得显而易见并且参考下文所述的实施例得到阐明。

附图说明

下面，本发明的实施例将参考附图更详细地进行描述。

图1示意性地示出了根据本发明的实施例的听力系统。

图2示出了用于操作听力设备的流程图。

图3示出了根据本发明的实施例的用于调整听力设备的流程图。

图4图示了根据本发明的实施例的用于生成一个或多个新的补充声音种类的方法。

图5和图6图示了根据本发明的又一实施例的用于生成一个或多个新的补充声音种类的方法。

图7示出了图示在根据本发明的实施例的图1至图6的听力系统和方法中使用的内插结构的实施例的示意图。

图8示出了图示在根据本发明的实施例的图1至图6的听力系统和方法中使用的内插结构的又一实施例的示意图。

附图中使用的附图标记和其意义在附图标记的列表中以总结的形式被列出。原则上，完全相同的零件在图中被提供有相同的附图标记。

附图标记列表

10 听力系统

12 听力设备

14 评估系统

16 麦克风

18 输出设备

20 声音处理器

22 声音信号

24 声音分类器

26 基本声音种类

28 补充声音种类

30 实际致动器参数化

30’ 修改的实际致动器参数化

32 致动器

34 控制单元

36 调整

38 记录单元

40 实际加权

42 与声音种类相关联的致动器参数化

44 与补充声音种类相关联的加权

46 控制元件

48 调整型式

50 权重空间

52 调整型式

54 交叠区域

56 内插结构

58 固定点

60 网格

62 网格点

64 权重函数

66 影响区域

68 参数

具体实施方式

听力系统

图1示出了包括听力设备12和评估系统14的听力系统10。听力设备12和评估系统14可以经由通信连接(例如经由互联网)被相互连接。还可能的是，评估系统14是听力设备和/或用于控制和/或配置听力设备12的又一设备(诸如适配设备或像智能手机的用户设备)的一部分。

听力设备12包括具有输入换能器的一个或多个麦克风16、具有输出换能器(诸如扬声器或耳蜗植入物)的一个或多个输出设备18、以及声音处理器20。声音处理器从麦克风16接收声音信号22，并且对它进行处理以补偿听力设备12的用户的听力损失。经处理的声音信号22由输出设备18输出。

听力设备12此外包括声音分类器24，声音分类器也接收声音信号并且将它分类成声音情形。对于特定声音情形，基本声音种类26存在，关于基本声音种类，分类器24确定实际加权。此外，补充声音种类28可以存在，补充声音种类可以对应于特定声音情形的混合。根据加权和声音种类26、28，分类器确定实际致动器参数化30，实际致动器参数化被应用于声音处理器20的致动器32。

每个致动器32(诸如噪声滤波器或波束形成器)可以接收实际致动器参数化30的一个或多个参数。每个致动器32可以依据被应用于其的参数对声音信号22进行处理。此类参数可以包括要被滤波的频率、波束的方向、放大器系数等。

听力设备12此外包括控制单元34，控制单元可以被用户用于调整听力设备12。利用控制单元34(其可以是听力设备12的一部分，和/或其可以由又一用户设备(诸如智能手机)提供)，用户可以执行对声音属性(诸如音量、噪声消除等)的调整36。调整36可以修改实际致动器参数化30。

听力设备12还包括记录单元38，记录单元至少接收实际加权40和用户的调整36并且将它们发送到评估系统14。如同控制单元34，记录单元38可以是听力设备12的一部分，和/或可以由又一用户设备提供。

评估设备14从记录单元38接收记录的数据(诸如36、40)，收集它们并且分析它们。基于分析，评估设备14可以生成一个或多个补充声音种类28，一个或多个补充声音种类然后被提供到听力设备12。

听力设备操作

图2示出了操作听力设备12的方法的流程图，该方法可以由图1的听力设备执行。

在步骤S10中，听力设备12采集声音信号22。声音信号可以是可以由麦克风16的换能器提供的数字化信号。声音信号22也可以从另一源(诸如拾音线圈)或从用户设备提供，诸如来自用户设备的麦克风或来自电话呼叫的声音信号。

在步骤S12中，分类器24通过生成实际加权40来关于基本声音种类26对所采集的声音信号22进行分类，其中，每个基本声音种类利用基本权重值进行加权。

声音种类26、28可以被视为针对多个类似的声音类型(诸如“噪声中的语音”、“音乐”等)的容器或数据结构，其被分配给对应的致动器参数化42。特定的致动器参数化42被关联到每个声音种类26、28。

基本声音种类28可以由听力设备12的制造商预先定义，并且可以被分配给“噪声中的语音”、“汽车噪声”、“噪声”、“音乐”等。声音类型可以是表示某一声音情形的声音，例如嘈杂餐馆中的对话、古典音乐等。声音情形可以是包含来自一个或若干个声音源的声音的具体情形。

在步骤S14中，听力设备12通过利用实际加权40对基本声音种类26以及可选地一个或多个补充声音种类28的致动器参数化42进行内插来生成针对至少一个致动器32的实际致动器参数化30。

补充声音种类28可以是需要特定致动器参数化42的针对声音情形的声音种类，其不能通过混合基本声音种类的致动器参数化42来预测。因此，补充声音种类28具有相关联的加权44(其包括针对每个基本声音种类的权重值)。

利用实际加权40，分类器24在基本声音种类26与(一个或多个)补充声音种类28的致动器参数化之间进行内插，其中，此外，加权44用于(一个或多个)补充声音种类22。相关联的加权44越接近实际加权40，补充声音种类28对实际致动器参数化的影响越强。

在可选的步骤S16中，听力设备12接收对声音属性的调整36，其例如可以已经利用控制单元34的控制元件46(诸如用户设备的视觉用户界面的控制杆、旋钮或元件)被执行。调整36可以包含指示声音属性(诸如音量、噪声抑制等)的预期变化的值。基于调整36，实际致动器参数化40被调整和/或修改成修改的实际致动器参数化40’。

在步骤S18中，声音处理器20利用至少一个致动器32对所采集的声音信号22进行处理，所述至少一个致动器利用可选地修改的实际致动器参数化40’来参数化。输出设备18然后输出经处理的声音信号22以被听力设备12的用户感知到。

可能的是，用户能够主动地在补充声音种类28之间进行选择。当两个补充声音种类28具有相同的加权44但是具有不同的致动器参数化42时，可以是这种情况。

在这种情况下，可选的步骤S20可以发生。在实际加权40已经被确定之后并且当已经确定在相同加权44(其可以接近实际加权40)处的两个声音种类可以影响实际致动器参数化30时，步骤S20被执行。在步骤S20中，通知用户两个不同的补充声音种类28存在，并且用户然后能够例如利用控制单元34选择补充声音种类28中的一个。

换言之，当与至少两个补充声音种类相关联的实际加权被分类时，两个补充声音种类可以被提供给用户以便选择用于生成实际致动器参数化的补充声音种类。

听力设备调整

图3示出了用于调整听力设备12和/或用于确定新的补充声音种类28的方法。

在步骤S22中，基本声音种类结构在开发过程中由制造商开发和预先定义。

在步骤S24中，声音种类结构被应用于一个或多个听力设备12中。至少一个听力设备12被提供有基本声音种类26，其中，每个基本声音种类26包括具有针对听力设备12的至少一个致动器32的参数的致动器参数化42。例如，当听力设备被制造时和/或当听力设备被听力专家第一次配置时，基本声音种类26可以被存储在听力设备12中。

在步骤S26中，一个或多个听力设备12由许多用户和/或在许多声音情形下使用。对于每个听力设备12，图2中示出的方法可以被执行。一个或多个用户被暴露于导致不同加权40和/或实际致动器参数化30的不同声音情形。当他们对经处理的音频信号22的质量不满意时，一个或多个用户应用调整36。

在步骤S28中，听力设备使用、性能数据、声音环境和/或调整数据可以被收集，并且被发送到评估系统14，评估系统可以是大数据平台。具体地，实际加权和以这些加权的调整可以被发送到评估系统14。此外，已经进行调整35的次数和/或特定调整36已经被使用的持续时间也可以被发送到评估系统14。

在步骤S30中，评估系统14收集使用、性能、声音环境和/或调整数据，并且将它们存储在数据库中。具体地，调整36、其时间和持续时间以及已经以其进行调整36的加权40可以被存储在数据库中。

在步骤S32中，评估系统14分析所收集的数据。不管相同的调整36是否已经以相同的加权40被应用，所收集的调整36都被分析。如图3中指示的，调整型式48可以被生成，并且权重空间中的调整的群集点可以被识别。这将关于图4和5更详细地进行描述。

数据分析可以包括收集已经被应用于权重空间内的特定区域的所有调整36和/或对所应用的调整36求平均(或例如对其进行计数、编制其直方图等)。当已经以其进行这种调整的实际加权40是在权重空间中的特定区域内时，调整36被应用于特定区域或特定区域中。特定区域中的调整36可以被认为具有相同的加权40。

如果对于该区域存在自原始致动器参数化42的显著偏差(诸如6dB)或协调的和/或相同的调整36的计数非常高(诸如多于80％或多于90％)，则该区域可以成为新的补充声音种类28的候选。

由听力设备用户第一次的适应环境引起的影响(该信息可以从适配软件或从用户他/她自己接收)也可以被考虑。可以从分析排除由用户第一次应用的调整36。分析也可以针对不同的用户组(诸如不同地暴露于特定声音情形的轻微、中等、严重的听力受损的用户)被单独地执行。

此类分析可以是定性或定量的分析。这样的分析可以由计算机或专家系统自动地或也可以由数据分析员手动地执行。

评估系统14可以基于所分析的数据来导出调整型式48。调整型式48可以是全局增益的减小、高音高增益的增加、噪声消除的强度的增加、针对权重空间内的特定区域的波束形成器的强度的降低。一般来说，调整型式48可以是特定区域内的特定调整48的常见型式，其建议区域中的致动器参数化42的修正。这样的修正可以利用补充声音种类28来进行。此类调整型式48(其也可以被视为热图)能够针对某些情形和/或用户组和/或听力活动进行编制。

在步骤S34中，评估系统14导出针对新的补充声音种类26和/或新的基本声音种类26的建议，其可以被应用于一个或多个听力设备12。

越类似的调整36被应用于特定的某一声音情形(通过基本声音种类26的加权(诸如65％“语音”和35％“噪声中的语音”)表示)，越可能需要用于处置这种声音情形的补充声音种类28。调整的应用指示，针对这种声音情形的基本声音种类设置的简单混合可能不能充分地满足用户的需求。

当相同的调整36已经以加权44被应用时，至少一个补充声音种类28可以被生成，其中，补充声音种类28的致动器参数化42是基于以加权44的调整36的修改的致动器参数化的。

也可以可能的是，在步骤S34中，当多个用户已经以对应于基本声音种类26的加权应用相同的调整36时，基本声音种类26被修改，其中，修改的基本声音种类26的参数化42是基于以加权的调整36的修改的致动器参数化的。

一般来说，补充声音种类28可以从调整型式48导出。补充声音种类28的加权可以是权重空间中的调整型式48的区域中的中心和/或点。致动器参数化42可以从对调整型式48的调整的平均值导出。

也可以可能是，评估系统14建议新的补充声音种类，其可以被提供给用户和/或适配者以便决定是否被应用。新的补充声音种类28可以被集成到听力设备12内，和/或可以被提供为手动程序，和/或可以被并行地提供给在该加权处的致动器参数化42的先前配置以便通过在两个备选方案之间的切换而进行直接比较。

在大数据方法中，针对多个用户的多个听力设备12被提供有基本声音种类26，并且在该方法中被用于收集并分析数据。对多个听力设备12的调整36被收集并且被分析。当新的补充声音种类28被生成时，补充声音种类28可以被提供到听力设备12中的每一个。大数据方法可以允许收集关于调整36的多个数据(诸如N>1000或N>10000或N>100000个不同的调整)。

在个体方法中，仅属于一个用户的一个听力设备12的数据被收集并且被分析。此类调整的数量可以是(N>10或N>50)。然而，在这种情况下，相同的方法可以如在大数据方法中那样被使用。由于小得多的数据量，对数据的收集和其分析可以在用户设备(诸如智能手机、远程控制)等中被执行，而且也可以在可以位于云中的评估系统14中被执行。

在个体情况下，对补充声音种类结构的反应确定在听力设备的日常生活使用期间被执行，听力设备用户可以在他或她的听力设备在现实生活中的使用期间应用调整。所有调整36以及声音类型特性和可选地听力活动可以被记录在听力设备12和/或用户设备(诸如智能手机、智能手机等)或任何其他链接的存储器位置(诸如云服务器)中。

评估系统14可以生成如大数据方法中那样的补充声音种类。这可以导致新的/重新布置的声音种类结构，其可以针对听力设备用户的个体需求被优化。新的补充声音种类28的数量可以限于能够由听力设备软件处理的特定量(诸如2、3或4)。

数据分析

可以被视为本方法的目标的并非重新定义听力设备12的分类器24而是重新定义致动器参数化30在检测到的声音环境上的映射。

图4图示了用于生成一个或多个新的补充声音种类28的方法。该方法可以完全或至少部分地由评估系统14执行。

图4若干次示出了由被分类器24产生的可能的加权30跨度的权重空间50的图示。基本声音种类26位于权重空间50的角落处。由针对每个基本声音种类26的权重或权重值构成的加权30是权重空间50内的点。必须注意，权重空间50可以是具有多于两维的更高维空间。

权重空间50的图示也用来图示由用户进行的调整36，其被指示为不同尺寸的圆圈。每个调整以通过圆圈的中心指示的特定加权30进行。

在图4中，图示了两种类型的调整36(诸如音量和噪声消除)。两种类型的调整36取决于参数。大圆圈指示参数的大绝对值，而小圆圈指示参数的小绝对值。点线圆圈指示第一种类型的调整36。虚线圆圈指示第二种类型的调整36。

在步骤S36中，评估系统14从大量/多个用户收集调整数据。在图4中，示出了6个用户的调整。对于每个用户，示出了具有用户已经进行的调整36的权重空间50。基本上，已经以其进行调整36的加权30和调整36的参数可以被收集并且被存储在数据库中。

在步骤S38中，系统识别调整型式52。调整型式52可以是权重空间50中的区域，其中，已经进行可选地相同类型的许多调整36。此处，术语“许多”可以指的是利用统计方法对调整36进行群集和/或识别区域，其中，调整存在于群集点周围的特定半径内。

在分析期间，可以识别针对不同声音属性的调整36以其被应用的加权40。加权40可以是所识别的调整型式52的区域的中心。

在步骤S40中，评估系统14识别一致的调整型式52。例如，包括不同类型的调整36和/或具有在不同范围内的调整参数的调整型式52可以被摒弃。

作为一范例，“更多音量”被多于90％的用户应用的调整型式52可以是一致的。“更多音量”被40％的用户应用并且“更少音量”被45％的用户应用的调整型式52可以是不一致的，并且可以被摒弃。而且，“更多噪声消除”被35％的用户应用并且“更少噪声消除”被65％的用户应用的调整型式52可以是不一致的，并且可以被摒弃。

总的来说，具有相同加权30的相同调整36可以被识别为调整型式52，其可以被用于定义补充声音种类26。当它们在相同的区域中和/或当其权重具有小于权重空间50中的阈值的距离(即它们可以在(超)球体中)时，两个加权30可以是相同的。当相同的声音属性(诸如音量)已经被调整时，两个调整36可以是相同的和/或具有相同的类型。还可能的是，当针对声音属性的调整参数小于阈值和/或在相同的范围内时，两个调整36是相同的。

在步骤S42中，评估系统14导出针对新的声音种类结构的建议，并且具体地根据所识别的一致的调整型式52来建议针对声音种类26、28的新的致动器参数化42。例如，当多于80％的以加权40的调整36在调整36的显著范围内时，补充声音种类28可以被生成。

调整预测数据(诸如调整36)可以被转变成致动器参数化42，其可以被映射到特定声音情形。

对于权重空间50内的调整型式52，补充声音种类28可以被导出。补充声音种类28的加权44(即其在权重空间50中的位置)可以是调整型式52的区域的中心。补充声音种类28的致动器参数化42可以从调整型式52的调整的平均值导出。

对于在基本声音种类处的调整型式52，修改的基本声音种类26可以被导出。修改的基本声音种类26的致动器参数化42也可以从对应的调整型式52的调整的平均值导出。

图5和图6图示了根据本发明的又一实施例的用于生成一个或多个新的补充声音种类28的方法。图5的方法是基于以下事实的：在关于其听力设备12的动机以及关注降低之前，用户往往有动机在特定时间内探究其听力设备12。至少在该时间期间，自适配工具(诸如控制单元34)可以记录每个调整36以及可选地额外信息，像声音情形以及调整36的成功和感知到的益处。

在步骤S36中，一个用户的调整数据随着时间被收集。与此相反，在图4的方法中，许多用户的调整数据被收集。图4的方法和图5的方法可以被组合。例如，调整数据可以针对多个用户随着时间被收集。

在步骤S35中，示出了用户在六周期间的调整36。权重空间示意图从左向右示出了不同类型的增加数量的不同调整36，诸如音量、低音、高音、噪声消除、波束形成器方向、声音恢复等。

一般来说，调整数据可以在特定持续时间(诸如几天、几周或几个月)内被记录并收集。此外，调整36的时间和/或持续可以被记录并收集。

调整36可以是成功的或不成功的调整。调整36是否成功的问题能够通过例如观察调整36保持被应用有多久(即其持续时间)或通过例如借助于可以被实施在外部控制单元34(诸如智能手机)上的短问卷直接询问用户来回答。而且，调整36是成功的或不成功的属性可以被收集。

在步骤S38中，评估系统14识别调整型式52，例如如关于图4描述的。所收集的调整36被分析，并且声音情形的区域被识别，其中，某些调整36经过一定的时间已经被应用。如果调整36是相似的或“相同的”(根据预先定义的相似性准则)，则这些调整36可以被概括为单组相当的调整36。

在图5中，示出了相同类型的调整可以被群集成调整型式52，和/或权重空间50中的区域不必是超球体，而是可以被不规则地形成。此类区域也可以利用复杂的统计方法(诸如再生核方法)来确定。

在步骤S40中，评估系统14识别一致的调整型式52。权重空间50内的区域被识别，其中，某些调整36被频繁地且成功地应用。如图4中，这可以是已经进行仅一种类型的调整36和/或大多数调整(多于80％)已经由用户和/或由评估系统14基于调整36的持续时间被确定为成功的区域。如图5中示出的，可能的是，一致的调整型式52的区域在交叠区域54中交叠。

转向图6，在步骤S42中，评估系统14导出针对新的声音种类结构的建议，例如如图4中。图6示出了权重空间50的不同图示，其指示权重空间可以具有关于每个声音种类26的维度。在图6中，还示出了在步骤S40中已经被识别的调整型式52。

新的补充声音种类28可以基于以所识别的加权40对相同声音属性的调整36来生成，该调整36已经在更多的时候和/或在最长持续时间内被应用。

还可能的是，在加权44处生成至少两个补充声音种类28。这可以是针对具有交叠区域54的调整区域。例如，在权重空间50的区域中，三种不同类型的调整36被收集：声音恢复、低音和噪声消除的调整36。声音恢复调整36被最频繁地记录，第二最频繁的调整36是低音，并且第三最频繁的调整36是噪声消除。因此，三个补充声音种类28可以在区域的中心中的加权44处被生成。

当补充声音种类28已经被提供到听力设备12和/或被存储在听力设备12中时，它们可能不能被自动地用于确定实际致动器参数化30。当与至少两个补充声音种类28相关联的实际加权40被分类时，两个补充声音种类28被提供给用户以便选择用于生成实际致动器参数化30的补充声音种类28。

步骤S38中的分析程序可以考虑频率，特定权重空间区域中的特定调整36已经随着时间被应用。如果频率是高的，则该调整36的优先级也可以是高的。如果频率是低的，则优先级也是低的。对应的调整36的优先级可以用于定义补充声音种类28的优先级。补充声音种类28的序列可以被提供给用户。因此，提供‘正确’调整的概率可以增加。

当听力情形再次发生时，具有高优先级的补充声音种类28可以被自动提供。不会导致成功的调整36和/或具有更低优先级的补充声音种类28可以仅仅在被用户明确请求时才被提供。

除了考虑特定调整36的应用的频率之外，补充声音种类是否被生成的决定可以是基于关于可以定义补充声音种类28的调整型式52的调整36的成功的额外信息的。针对成功的度量可以是调整36已经被应用直到其被撤销有多久的持续时间、或用户的陈述(其可以通过借助于被显示在智能手机上的问题询问用户来收集)。

内插结构

纯声音种类26、28中的每一个可以被视为针对特定声音情形的听力设备12的程序。一般来说，内插结构或混合结构(具有数据和程序代码)可以被实施在听力设备12中，所述内插结构或混合结构适于调谐程序群集(即若干可混合程序)，所述内插结构或混合结构处于混合模式(即混合的程序中的每个的仅部分影响)，使得在混合点处的调谐动作可被用户理解，经调整的致动器参数化30能够通过听力设备12的精细自动分类被重新激活，并且用户的调整36能够以合理的存储器要求被存储在听力设备12中。

再现已经由用户调整的致动器参数化30的一种解决方案是当用户正在调谐时精确地存储加权40，并且每当精确相同的加权40由分类器24识别时，就将这些终端用户触发的调整36重新应用到听力设备12。然而，在这种解决方案中，接近加权40的致动器参数化30将保持相同。

又一解决方案可以是迫使加权40到达存储声音种类26、28的最接近的加权44。

在本文中，所描述的用于确定在实际加权40处的致动器参数化30的解决方案是在声音种类26、28的致动器参数化42之间进行内插。

图7和图8示出了图示内插结构56的示意图，内插结构可以用于将基本声音种类26和一个或多个补充声音种类存储在听力设备12中，和/或内插结构可以用于根据由分类器24进行分类的实际加权40来确定实际致动器参数化30。内插结构56可以包括用于存储声音种类26、28的数据的数据结构。具体地，内插结构56可以存储至少一个补充声音种类28的致动器参数化42。内插结构56可以包括用于根据实际加权40来计算实际致动器参数化30的程序代码。具体地，实际致动器参数化30可以通过在被存储在内插结构56中的致动器参数化42之间进行内插来确定。

在图7中，内插结构56是基于固定点58的。固定点58可以被视为由可以由分类器24产生的加权跨度的权重空间中的点。在图7中，示意图的上部分将权重空间50示为四边形。然而，权重空间50一般可以是具有等于基本声音种类26的数量的角落的数量的更高维空间。

如图所示，内插结构56包括权重空间50中的固定点58，针对每个声音种类26、28的致动器参数化42被存储在该固定点58处。对于补充声音种类28，固定点58可以等于已经针对补充声音种类28确定的加权44。

例如，如果步骤S40中的分析示出了针对内插结构56内的特定位置(即加权40)的系统性调整36，则这些位置可以成为针对新的补充声音种类28的固定点58。声音种类26、28的混合然后相应地考虑这些新的固定点58。

图7的下部分示出了针对一个参数68的曲线图，其是对权重空间中的声音种类26、28进行内插的结果。上部分可以被视为描述听力设备12的感觉部分(诸如分类器24和声音种类26、28)。示意图的下部分可以被视为描述听力设备12的致动器系统(诸如具有从声音种类26、28导出的实际致动器参数化30的声音处理器20)。

在实际加权40处的实际致动器参数化30可以利用固定点58之间的内插函数来确定。在图7中，线性内插函数被使用。当特定的实际加权40被确定时，跨度权重空间50的非退化区域的实际加权40周围的最接近的声音种类26、28可以被确定，并且声音种类的参数利用这些声音种类26、28来进行内插。此处，这些声音种类26、28之间的线性函数和/或样条线可以被使用。

图8示出了类似于图7的示意图，其中，上部分图示了具有声音种类的权重空间50，而下部分具有权重空间50中的一个内插参数68的曲线图。

在图8中，内插结构56包括权重空间50中的网格点62的网格60，并且声音种类26、28的致动器参数化42被存储在网格点62处。补充声音种类28可以被分配给该网格点62，补充声音种类是基于具有接近网格点62的一个或多个加权40的调整36的。

网格点62可以通过权重空间62中的特定加权40来定义。内插结构56可以通过预先定义的网格型式来构建。网格60的网格点62可以沿一个或多个方向被等距离地间隔开，和/或可以以规则型式(诸如超立方体型式)被布置。

权重空间50可以被划分成具有明确定义的网格点62的离散网格60，内插和/或混合可以在该网格点处发生。网格60的粒度可以低于听力设备12能够提供的实际加权40的粒度。网格60的粒度可以被定义得足够精细以防止当用户倾听听力设备输出时感知的急剧变化。因此，网格60的粒度可以在基本声音种类26之间的内插的感知差异小的权重空间的区域中更粗糙，而在将会导致基本声音种类之间的更大感知变化的区域中更精细。

一般来说，当在该区域中对基本声音种类26进行内插时，权重空间50的区域中的网格60的粒度可以适于用户的感知差异。网格粒度可以比由听力设备12的分类器24产生的加权40的实际粒度更粗糙。当听力设备12的有限的存储能力存在时，这可以有用。

具有分配的声音种类26、28的网格点62可以被当作内插结构56的固定点58，如关于图7描述的，并且实际致动器参数化30可以根据网格点62来确定，如关于图7描述的。

然而，利用网格60，也可以定义网格点62周围的特定形状(即影响区域66)，其指定致动器参数化44可以针对网格点62周围的影响区域66必须如何被修改。

将网格点62处的致动器参数化42外插到网格点62周围的影响区域66内(其可以被视为在权重空间50内的内插)可以通过具有定义的斜率或匹配(诸如高斯钟形曲线)的权重函数56来执行。影响区域66之外的区域可以不受影响。

权重函数64可以在权重空间50中的存储针对声音种类26、28的致动器参数化42的网格点62处是1。权重函数64可以随着相距网格点62的距离增加而减小。权重函数64可以在针对补充声音种类28的影响区域66之外是0。权重函数64可以在网格点62之间是线性的。

在实际加权40处的实际致动器参数化30可以通过首先确定声音种类26、28中的一个或多个的(一个或多个)致动器参数化42来确定，致动器参数化在实际加权40处具有影响区域66。这些确定的(一个或多个)致动器参数化42中的每个可以与针对声音种类26的加权定义的权重函数64相乘。最后，经加权的(一个或多个)致动器参数化42的平均值可以用作实际致动器参数化30。这种解决方案可以允许比图7的解决方案特定得多的听力设备设置和/或声音种类26、28的混合。

必须注意，之前的计算(即加权和平均)可以针对致动器参数化42的参数中的每个被执行。此外，可能的是，不同尺寸的影响区域66和/或不同的权重函数64用于不同类型的致动器参数。一般来说，实际致动器参数化30可以通过将基本声音种类26和/或补充声音种类28的致动器参数化42的参数68与权重函数64相乘来确定。

尽管已经在附图和前面的描述中详细说明和描述了本发明，但是这样的说明和描述应当被认为是说明性或示范性的而非限制性的；本发明不限于所公开的实施例。通过研究附图、说明书以及权利要求书，本领域技术人员在实践请求保护的发明时能够理解和实现对所公开的实施例的其他变型。在权利要求书中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或控制器或其他单元可以实现在权利要求中记载的若干项的功能。尽管在互不相同的从属权利要求中记载的特定措施，但是这并不指示不能有效地使用这些措施的组合。权利要求中的任何附图标记都不应被解释为对范围的限制。

Claims (16)

1.一种用于调整至少一个听力设备(12)的方法，所述方法包括：

为所述至少一个听力设备(12)提供基本声音种类(26)，每个基本声音种类(26)包括具有针对所述听力设备(12)的至少一个致动器(32)的参数的致动器参数化(42)；

其中，所述至少一个听力设备(12)：

通过生成实际加权(40)来关于所述基本声音种类(26)对所采集的声音信号(22)进行分类，在所述实际加权中，每个基本声音种类(26)利用基本权重值来进行加权；

通过以所述实际加权(40)对所述基本声音种类(26)的所述致动器参数化(42)进行内插来生成针对至少一个致动器(32)的实际致动器参数化(30)；

利用所述至少一个致动器(32)来处理所述所采集的声音信号(22)，所述至少一个致动器利用所述实际致动器参数化(30)来参数化；

输出经处理的声音信号(22)以被所述听力设备(12)的用户感知到；

基于对所述用户的声音属性的调整(36)来修改所述实际致动器参数化(30)；

其中，所述方法还包括：

收集对声音属性的调整(36)以及已经以其进行所述调整(36)的加权(40)；

不管相同的调整(36)是否已经以相同的加权(40)被应用，都对所收集的调整(36)进行分析；

当所述相同的调整(36)已经以加权(44)被应用时，生成至少一个补充声音种类(28)，其中，所述补充声音种类(28)的所述致动器参数化(42)是基于以所述加权(44)的所述调整(36)的修改的致动器参数化的。

2.根据权利要求1所述的方法，

其中，当至少一个补充声音种类(28)存在时，所述听力设备(12)通过以所述声音信号(22)的所述实际加权(40)对所述基本声音种类(26)的所述致动器参数化(42)和所述至少一个补充声音种类(28)的所述致动器参数化(42)进行内插来生成所述实际致动器参数化(30)。

3.根据权利要求1或2所述的方法，

其中，当多于80％的以所述加权(40)的所述调整(36)在调整(36)的显著范围内时，补充声音种类(28)被生成。

4.根据前述权利要求中的一项所述的方法，

其中，当相同的声音属性已经被调整时，两个调整(36)相同；

其中，当针对声音属性的调整参数在特定范围内时，两个调整(36)相同；

其中，当其权重具有小于权重空间中的阈值的距离时，两个加权(40)相同。

5.根据前述权利要求中的一项所述的方法，

其中，调整(36)的时间和/或持续时间被收集；

其中，在分析期间，识别针对不同声音属性的调整(36)以其被应用的加权(40)；

其中，所述补充声音种类(28)基于以所识别的加权(40)的相同声音属性的调整(36)来生成，该调整(36)已经在更多的时候和/或在最长持续时间内被应用。

6.根据前述权利要求中的一项所述的方法，

其中，在加权(44)处生成至少两个补充声音种类(28)；

其中，当与至少两个补充声音种类(28)相关联的实际加权(40)被分类时，所述两个补充声音种类(28)被提供给所述用户以便选择用于生成所述实际致动器参数化(30)的所述补充声音种类(28)。

7.根据前述权利要求中的一项所述的方法，

其中，针对多个用户的多个听力设备(12)被提供有所述基本声音种类(26)；

其中，堆所述多个听力设备(12)的调整(36)被收集并且被分析；

其中，所述补充声音种类(28)被提供到所述多个听力设备(12)。

8.根据前述权利要求中的一项所述的方法，还包括：

当多个用户已经以对应于所述基本声音种类(26)的加权应用所述相同的调整(36)时，修改基本声音种类(26)，其中，修改的基本声音种类(26)的所述参数化(42)是基于以所述加权的所述调整(36)的修改的致动器参数化的。

9.根据前述权利要求中的一项所述的方法，

其中，所述听力设备(12)包括存储所述至少一个补充声音种类(28)的所述致动器参数化(42)的内插结构(56)；

其中，所述实际致动器参数化(30)通过对被存储在所述内插结构(56)中的所述致动器参数化(42)之间进行内插来确定；

其中，所述内插结构包括权重空间(50)中的固定点(58)，针对每个声音种类(26、28)的所述致动器参数化(42)被存储在该固定点处。

10.根据权利要求9所述的方法，

其中，所述实际致动器参数化(30)利用所述固定点(58)之间的内插函数来确定。

11.根据权利要求9或10所述的方法，

其中，所述内插结构(56)包括权重空间(50)中的网格点(62)的网格(60)，并且所述声音种类(26、28)的所述致动器参数化(42)被存储在所述网格点处。

12.根据权利要求9至11中的一项所述的方法，

其中，所述实际致动器参数化(30)通过将补充声音种类(28)的致动器参数化(42)的参数与权重函数(64)相乘来确定；

其中，所述权重函数在权重空间(50)中的存储针对所述补充声音种类(28)的所述致动器参数化(42)的点处是1；

其中，所述权重函数(64)随着相距所述点的距离增加而减小；

其中，所述权重函数(64)在针对所述补充声音种类(28)的影响区域(66)之外是0。

13.根据前述权利要求中的一项所述的方法，

其中，所述听力设备是助听器。

14.一种用于调整听力设备(12)的计算机程序，当正在由处理器运行时，所述计算机程序适于执行根据前述权利要求中的一项所述的方法的步骤。

15.一种计算机可读介质，根据权利要求13所述的计算机程序被存储在所述计算机可读介质中。

16.一种听力系统(10)，包括评估系统(14)和至少一个听力设备(12)，

所述评估系统(14)适于：

为所述至少一个听力设备(12)提供基本声音种类(26)，每个基本声音种类(26)包括具有针对所述至少一个听力设备(12)的至少一个致动器(32)的参数的致动器参数化(42)；

收集由所述至少一个听力设备(12)的用户应用的对声音属性的调整(36)以及已经以其进行所述调整(36)的加权(40)；

不管相同的调整(36)是否已经以相同的加权(40)被应用，都对所收集的调整(36)进行分析；

当所述相同的调整(36)已经以加权(44)被应用时，生成至少一个补充声音种类(28)，其中，所述补充声音种类(28)的所述致动器参数化(42)是基于以所述加权(44)的所述调整(36)的修改的致动器参数化的；

为所述至少一个听力设备(12)提供所述至少一个补充声音种类(28)；

其中，所述至少一个听力设备(12)适于：

通过生成实际加权(40)来关于所述基本声音种类(26)对所采集的声音信号(22)进行分类，其中，每个基本声音种类(26)利用基本权重值来进行加权；

通过基于所述实际加权(40)对所述基本声音种类(26)的所述致动器参数化(42)进行内插来生成针对至少一个致动器(32)的实际致动器参数化(30)；

利用所述至少一个致动器(32)来处理所采集的声音信号(22)，所述至少一个致动器(32)利用所述实际致动器参数化(30)来参数化；

输出经处理的声音信号(22)以被所述听力设备(12)的用户感知到；

基于对所述用户的声音属性的调整(36)来修改所述实际致动器参数化(30)。

Images