CN113965862A - 用于运行听力系统的方法、听力系统、听力装置 - Google Patents

Abstract

本发明涉及一种用于运行听力系统的方法，其中听力系统具有听力装置，其被设计为用于修改输入信号并且应用具有相应有效强度的多个算法，使得在当前状况下应用具有当前有效强度的算法；听力系统被设计为，反复从用户接收报告，即用户在当前状况下对声音输出不满意；数据库针对每个算法包含多个权重，以评估有效强度的变化；如果接收到报告，则通过根据每个算法的权重确定单个情况相关性来评估每个算法，以估计有效强度的变化的效果；针对每个算法，将多个单个情况相关性组合为相关性值，将其相互比较，选出最相关的算法，然后使用调整后有效强度，方式是将算法的当前有效强度调整为根据权重确定的推荐有效强度。此外，涉及一种听力系统和听力装置。

Description

用于运行听力系统的方法、听力系统、听力装置

技术领域

本发明涉及一种运行听力系统的方法、一种听力系统和一种听力装置。

背景技术

听力装置具有由用户佩戴在耳朵上或耳朵内的听力装置。在运行中，听力装置借助一个或多个麦克风从环境中接收声音并且在此产生电输入信号，电输入信号通过听力装置的听筒再次被转换成声音并输出给用户。借助信号处理器，电输入信号被处理为听筒的电输出信号，以便使听觉体验和对声音的感知适应于用户的个人需要。通常，听力装置用于为听力受损的用户提供保障，即用于补偿用户的听力缺陷。然后，信号处理器对电输入信号进行处理，以补偿听力缺陷。为此，例如使用先前确定的用户的听力图。

可以想到，在处理输入信号的情况下，信号处理器依据状况使用不同的算法。然后，相应的算法用于对一部分输入信号有针对性进行修改，例如以便对其进行强调或抑制。涉及的部分表示输入信号中的信号特征，以这种方式通过相关联的算法有针对性地处理这些信号特征。信号特征也被称为信号特点，或者也仅简称为特征或特点。算法的例子包括噪声抑制、定向性、即麦克风的方向性、频率压缩、语音强调等。示例性的相关联的信号特征包括噪声抑制情况下的噪声，定向情况下来自特定方向的声音，频率压缩情况下的特定频率分量的存在，以及语音强调情况下的陌生声音的存在。

借助算法的处理可能不是最佳的或者至少对于听力装置的用户在主观上是不令人满意的。用户本身通常很难描述对声音输出的不满，尤其是用户通常对听力装置的工作原理没有详细的了解。通过用户的描述来由专业人员或借助数据库来确定根本的问题通常也是困难的，因为用户通常缺乏用于明确且清楚描述的术语。

EP 3 468 227 A1中描述了一种系统，其用于处理涉及听力装置中的不满意的输出信号的服务请求。电子设备被配置为，在识别到不满意处理的输出信号的情况下向服务器传输服务请求。服务器被配置为，将服务请求和听力装置的一个或多个初始拟合参数、听力图和/或听力装置的设置传送到计算程序。计算程序被配置为，处理服务请求并且至少部分地基于听力装置的一个或多个初始拟合参数、听力图和/或听力装置的设置对此提供响应，并且通过服务器和电子设备将响应传输到听力装置。

发明内容

在该背景下，本发明要解决的技术问题是，改进具有听力装置的听力系统的运行，并且特别是听力装置的运行。在此，要尽可能地最佳地调整听力装置以进行声音输出。为此，要说明一种改进的方法以及一种听力系统和一种听力装置。

根据本发明，上述技术问题由具有本发明特征的方法和具有本发明特征的听力系统或听力装置来解决。有利的设计方案、扩展和变型也是本发明的内容。结合方法的实施比照地也适用于听力系统和听力装置，反之亦然。关于随后对该方法的方法步骤的描述，尤其通过将听力系统和听力装置设计为实施这些方法步骤中的一个或多个，给出听力系统和听力装置的有利的设计方案。

特别地，本发明的核心思想是，利用听力装置的用户的无差别的负面反馈来改善地调整听力装置，具体地来调整其算法。

该方法用于运行听力系统。该听力系统具有听力装置，该听力装置被设计为用于修改输入信号以向用户输出声音，并且为此应用具有相应的有效强度的多个算法，使得在当前状况下应用具有当前有效强度的相应的算法。优选地，听力装置具有至少一个麦克风，其从环境中接收声音并产生电输入信号。电输入信号被馈送给听力装置的信号处理器，以进行处理，即进行修改。优选地，信号处理器是听力装置的控制单元的一部分。优选地，听力装置用于为听力受损的用户提供保障。为此，特别是根据与听力装置相关联的用户听力图进行处理，使得对用户的个人听力缺陷进行补偿。听力图通常是预先确定的，但这并不是在此描述方法的一部分。因此，信号处理器输出电输出信号作为结果，然后通过听力装置的听筒将该电输出信号再次转换回声音并输出给用户，从而进行声音输出。优选地，听力装置是双耳听力装置，其具有两个独立装置，独立装置分别具有至少一个麦克风和听筒，用户将独立装置佩戴在头部的不同侧面，即一个佩戴在左耳上或左耳中，一个佩戴在右耳上或右耳中。

信号处理器具有多个算法，其优选地分别根据当前状况，即依据状况进行应用。原则上，还可以同时应用多个算法。状况也被称为倾听状况，并且其特征特别是在于用户的环境中以及在给定时间的背景声音。状况的例子包括：讲话，交谈，背景中的声音，音乐，噪声或其它不同干扰声音(如铃声、叮当声、口哨声等)、安静、混响或其组合。相应的算法在信号处理器中作为硬件或软件实现或者是两者的结合。

为了在相应的状况中进行应用，每个算法尤其具有可调整的有效强度。有效强度可以在至少两个值之间切换，例如打开或关闭，但优选地可以在值范围内设置为不同的值，例如从0到5的值，其中在0时，算法是不激活的，即不发挥效果，随着数值的增加，发挥出更强的效果。特别地，预先确定在哪种状况下针对相应的算法使用哪种有效强度，例如在拟合会议的情况下或者通过在制造中已经设置的默认值或者类似情况来预先确定。本方法的目的尤其是，特别是通过使用用户的反馈，找到算法的更佳的有效强度，从而为用户改善声音输出。

在适宜的实施方式中，每个算法与至少一个信号特征相关联，并且依据状况调整相应的算法的当前有效强度，方式是依据当前状况下的输入信号中的信号特征的强度设置相应的算法的当前有效强度。例如，针对相应状况的当前有效强度被存储在听力装置的存储器中，并且被调用以应用该算法。因此，通过信号处理器进行处理依据输入信号中的特定信号特征的相应强度进行。然后，听力装置在相应的状况下通过应用具有预定的有效强度的相应的算法对信号特征作出反应，该预定的有效强度在当前状况下相应地是当前有效强度。

在适宜的实施方式中，信号处理器以如下方式进行工作：从输入信号中提取预定义的信号特征，即搜索输入信号中的特定分量，即信号特征，并且如果存在这些特定分量，则识别到这些特定分量。在一开始就已经提到了信号特征的示例。每个算法与至少一个信号特征相关联，从而在信号特征存在于输入信号中的情况下应用相关联的算法，以便有针对性地处理相应的信号特征，并且由此例如相对于其余的输入信号进行强调或抑制。在当前状况下为此设置的有效强度(利用该有效强度应用算法)被称为当前有效强度，并且优选地取决于信号特征的强度。当前有效强度可能不是最佳的。

在合适的实施方式中，听力装置的控制单元除了信号处理器之外，还具有提取单元和组合单元。从听力装置的麦克风开始，输入信号沿着主信号路径被馈送到组合单元，并且在此之后用于输出到听筒。同时，输入信号沿着从主信号路径分支出来的第一副信号路径被引导到提取单元，以提取信号特征。提取单元识别输入信号中可能存在的信号特征，并对其进行辨别，使得信号处理器可以有针对性对其进行处理。此外，输入信号沿着也是从主信号路径分支出来的第二副信号路径被引导到信号处理器，以进行处理。信号处理器也与提取单元连接，使得将关于信号特征的信息从提取单元传输到信号处理器，并且信号处理器是可控的并且也对其进行控制，使得有针对性地处理识别到的信号特征。为此，信号处理器应用与相应的信号特征相关联的算法。作为结果，信号处理器输出处理后的信号作为输出信号，然后将其馈送给组合单元，并且组合单元将其与来自主路径的输入信号混合，也就是说，将处理后的信号应用于输入信号。由此在整体上产生输出信号，其然后通过听筒输出。除上述实施方式之外，还可以想到其它实施方式和电路并且它们也是适合的，它们导致相同的结果，即产生输出信号，该输出信号根据输入信号的修改形成，其中修改依据存在于输入信号中的信号特征进行，并且其中修改借助算法进行，以有针对性地处理这些信号特征。

听力系统被设计为，反复从用户接收如下报告，即用户在当前状况下对声音输出不满意。在此，报告的接收、即获得特别是在该方法的第一方法步骤中进行。有利地，这种不满意不需要由用户进一步解释或说明，因此该报告是无差别的负面反馈，即认为听力装置的当前设置不足的抱怨或反馈，而不需要更精确地说明是为什么或是以何种方式。用户不需要描述或表征声音输出中的主观认为的不足之处。为了接收用户的报告，听力系统适宜地具有输入元件，如开关、按钮或用于语音输入的麦克风。输入元件是听力装置的一部分或听力系统的附加装置的一部分。合适的附加装置尤其是移动终端，例如智能手机。如果存在的话，附加装置是听力系统的一部分，但不是听力装置的一部分。通过操作输入元件可以产生报告。在此，如已经描述的，只要进行报告就足够了。

此外，听力系统具有数据库，数据库针对每个算法包含多个权重，以用于评估有效强度的变化，即用于评估有效强度的值的可能的变化。因此，相应的权重将两个有效强度相互联系起来，更确切地说是将算法的两个有效强度的值相互联系起来，即将当前有效强度与未来可能的有效强度联系起来，或者换言之，将初始有效强度或实际有效强度与目标有效强度或可能有效强度

联系起来。因此，权重的数量取决于有效强度的值的数量。例如，对于具有在第一方法步骤中在0到5的范围内可调整的有效强度的算法产生36个权重。换言之，来自有效强度的范围的每个值对与权重相关联。相应的权重评估从初始有效强度到其中一个可能的目标有效强度的变化。如果目标有效强度等于初始有效强度，则权重相应地评估保持该值。对于初始有效强度的单个值，相应地给出与可能的有效强度的值一样多的权重。这些针对特定有效强度的权重形成该有效强度的权重分布或权重向量。然后，多个权重分布形成二维权重矩阵。

如果保持当前有效强度或使用另外的有效强度，相应的权重尤其是针对声音输出的预期改善的量度，从而在这方面权重适合于评估有效强度的变化。必要时，在评估中得出变化是合理的或者保持是更合理的。由于相应的权重由此说明了使用目标有效强度代替初始有效强度有多值得，因此权重也被称为偏好，权重分布被称为偏好分布，权重矩阵被称为偏好矩阵。

如果接收到报告，则通过根据每个算法的权重确定单个情况相关性来评估每个算法，以估计当前状况下的有效强度的变化的效果。对算法的这种评估在该方法的第二方法步骤中进行。用户的报告表明，包括当前使用的有效强度的当前设置对用户来说是不满意的，即用户对当前针对算法选择的有效强度中的一个或多个不满意。由于报告的信息内容没有超出单纯的不满，并且用户也不必提供关于指责或期望的信号处理的更详细的说明，因此最初并不清楚不满和报告指的是哪些算法和有效强度。换言之，最初并不清楚哪些信号特征、即输入信号的哪些部分对于用户来说没有被满意地处理。在此，通过对算法的评估、利用算法在当前状况下的有效强度、根据权重有利地减小了这种不清楚。特别地，对于相应的算法首先确定，在当前状况下使用哪种当前有效强度，并且为此特别是进行存储，例如存储在听力装置的存储器中。然后，根据权重矩阵、更准确地说根据相应的权重分布以及其权重来确定，该算法与作为报告的基础的不满意有多大的关联。在此，原则上适用：权重越强烈地推荐不同的有效强度来代替当前有效强度，相应的算法似乎对用户的不满意负更多的责任，并且因此该算法的相关性越强。因此，单个情况相关性特别地是针对相关联的算法对用户来说被设置为非最佳的概率的量度。总的来说，对算法的评估因此尤其是根据权重的对相应相关性的估计。

单个情况相关性不一定要作为方法的一部分进行计算。由于单个情况相关性优选地仅取决于预先已知的权重，因此，预先计算所有可能的单个情况相关性，并且然后在方法中根据需求进行查询，是可能的并且是有利的。然而，只要进行了权重的更新，单个情况相关性也会以合理的方式被重新计算。下面还要继续详细描述本身可选的对权重的更新。

在该方法的框架中，针对每个算法，将多个单个情况相关性组合为相关性值，将相关性值相互比较，在此基础上选出最相关的算法，然后针对该最相关的算法使用调整后有效强度，方式是将算法的当前有效强度调整为推荐有效强度，该推荐有效强度是根据权重确定的。特别地，为了调整当前有效强度，针对该状况作为当前有效强度例如存储在听力装置的存储器中的有效强度被新的、当前有效强度替换。特别地，相关性值的确定仍作为第二方法步骤的一部分进行。对当前有效强度的调整和对调整后有效强度的使用在该方法的第四方法步骤中进行。推荐有效强度的确定优选地在上面提到的第二方法步骤中进行，因为在此也使用了权重。替换地，推荐有效强度的确定在第四方法步骤中进行或者在附加的单独的方法步骤中进行。具体如何确定推荐有效强度暂且是次要的，唯一重要的首先是推荐有效强度基于权重，因为在权重中有利地编码了针对特定有效强度的推荐。

不同相关性值的比较(也被称为综合排名)以及最相关的算法的选择在方法的第三方法步骤中进行。为了组合多个单个情况相关性，要相应地获得多个报告，因为在每个报告中通常针对相应的算法确定了恰好一个单个情况相关性。因此，在单个报告中，针对每个算法确定单个情况相关性。经过多个报告收集这些单个情况相关性，并且针对每个算法，根据各个单个情况相关性计算相关性值。然后，特别是在综合排名中对不同算法的相关性值进行比较，以找到最相关并且因此对用户来说显得最重要的算法。通过这种方式，辨别出对用户特别重要的算法，而用户无需提供明确的说明。多个单个情况相关性的结合，即，使用多个信息，特别是确保尽可能选择正确的算法并且调整其有效强度。获得和使用的报告越多，对于用户能够满意地调整听力装置的设置并且还有利地进行调整的概率就越高。由于权重已经代表了对其它有效强度的不同可能的变化或者对当前有效强度的保持的评估，因此有利地还可以根据权重导出对新的有效强度的推荐，即推荐有效强度。

本发明的出发点首先是，正如已经说明的，用户通常可能会被要求说明信号处理究竟应该如何工作，以及处理的哪个部分是不满意的，更不用说要如何改变听力装置的设置。一方面，典型的用户缺乏这方面的词汇，另一方面，也缺乏对在特定状况下使用具有特定有效强度的特定算法的效果和可能性的知识。还已经注意到，特别是新的听力装置用户通常缺乏表达能力，无法用语言表达其对声音输出和由此产生的听觉印象的不满，从而不能从中导出用于改变有效强度的适当措施。对于用户的无差别的陈述，即使是专业人员，例如所谓的听力护理专家(hearing care professional，简称HCP)也可能不得不提出询问，以得出结果。因此，找到改进的设置相应地是困难的。

原则上可以想到，向用户递上调查表，也称为问卷，并且要求用户在对声音输出不满意的情况下研究该调查表，以便随后从用户的回答中推导出合适的措施。替换地或附加地，还可以想到向用户提供自由文本输入，并且然后对其进行分析。然而，关于信号处理的可能性的词汇和知识不足的问题仍未解决。

与此相对地，本方法具有明显更低的复杂性并且相应地更简单。只要用户不满意，用户就可以通过简单的且非特定的报告，例如简单地按下按钮，将不满意传达给听力系统。然后，由听力系统根据多个这种报告得出结论，这些报告可能与什么有关，然后确定并且特别是执行对算法的有效强度的适当的修改。因此，在此基于多个报告，即基于多个列举，听力系统得出合适的结论，即对哪些信号特征的处理是用户不满意的缘由，并且应该设置哪个或哪些有效强度，以便在未来避免用户进一步的不满意。通过确定并且特别使用合适的设置，用户就能更好地应对未来类似或相同的状况，听力系统以及特别是听力装置的运行得到了改善。

该方法有利地考虑了，不同的信号特征在其有用性或对不同用户的干扰影响方面通常被主观地评估，并且因此被根本不同地评估，也就是说，哪种算法以哪种有效强度被最佳地应用是主观的。优选地，该方法还考虑了，用户的环境通常不是恒定的，而是在用户进行报告的不同状况下，不同的信号特征不同强度地存在。例如在特定房间内的给定状况下，不同用户的邻近声学环境不一定相同。例如，在咖啡厅，员工反复遭受咖啡研磨机的研磨噪声，即干扰噪声，而同一个咖啡厅的顾客只遭受一次研磨噪声，即当他在柜台前排队购买卡布奇诺时，除此之外，顾客反而反复遭受桌子上的互相碰撞的餐具的噪声，即另外的干扰噪声。对于员工来说，应用噪声抑制是合理的，反之，对于顾客来说则是应用声音平滑是合理的，一般来说是应用不同的算法是合理的。相应地假定并且在该方法中有利地考虑到，用户想听什么以及他是否想听以及如何听的意图有时是非常个性化的。例如，在快餐店里，一个人想关注屏幕上呈现的、有相关声音的视频，并感到被邻桌的孩子声音干扰。相反，邻桌的父亲希望恰好想听到并理解孩子们的讲话，并且看起来被视频干扰了。在另外的例子中，一群人坐在公园长椅上，除了一个人之外，所有人都在进行热烈的交谈。与此相对地，该单个的人沉浸在小说中，并且不想参与交谈，但希望在他被提到时参与进来。最后，该方法还有利地考虑了，不同的用户有时关于各个算法的应用具有不同的偏好。这通常也取决于用户的听力缺陷，例如已经观察到，具有不同程度的听力损失的用户依据听力损失的程度拒绝或接受特定算法。

本方法的核心思想特别是在于，基于用户的多个报告对算法进行评估，也被称为加权或排序，并且由此辨别出最相关的算法，即其改变最有可能导致改善的运行并且由此导致更令人满意的声音输出的算法。为此，将针对每个算法关于每个报告确定的单个情况相关性结合为相应的算法的相关性值，并且根据该相关性值，将相应的算法与其它算法进行比较。优选地，选择具有最高相关性值的算法作为最相关的算法。特别地，单个情况相关性分别是对如下内容的估计：相应的另外的有效强度预计可能以多大的概率导致更好的结果，并且由此可能避免报告。在此优选地，相应的单个情况相关性越大，另外的有效强度就越有可能导致令用户满意的声音输出。

优选地，数据库被设计为，在确定单个情况相关性和推荐有效强度时，考虑与相应的算法相关联的信号特征的强度。信号特征的强度也被称为信号强度。优选地，本来就要测量相应信号特征的强度，以便如上面已经描述的那样控制信号处理器，并且依据状况调整算法的有效强度。附加地，在报告的情况下，现在可以适宜地从输入信号中提取一个或多个信号特征，并且确定其相应的强度，以便对算法进行改进的评估。为了考虑信号特征的强度，数据库适当地分别针对每个算法对于信号特征的不同的强度包含了多个权重，分别用于在确定的强度下评估有效强度的变化。特别地，将强度映射到强度范围，例如从0到5，其中0意味着信号特征不存在，随着数值的增加，信号特征的强度增加。因此，相应的算法的权重矩阵不仅仅是二维的，而是三维的，因为在初始有效强度和目标有效强度的两个维度上，现在又增加了信号强度的第三维度。相应地，还增加了权重的数量。各个算法的评估，即其单个情况相关性的确定，现在依据在当前状况下针对与算法相关联的信号特征确定的强度进行。

优选地，相应的信号特征的强度为0的，即当在输入信号中不包含信号特征时的二维权重矩阵是身份矩阵，从而相应的权重说明了，在不存在信号特征的情况下推荐保持当前有效强度。

一旦听力系统收到报告，就会适宜地测量并且优选地存储当前状况的信号特征的强度。例如，这是在提取单元中提取信号特征时进行的。信号特征以及其强度描述了特别是在时间和空间上接近报告的当前状况，即信号特征表征了报告的时间点的环境，或者在报告的时间点附近的特定时间窗中的环境。优选地，相应信号特征的强度是在报告前最多10s直到报告的时间点的时间段内确定的。例如，信号特征被连续提取，并且暂时存储其相应的强度，并且然后在报告的情况下用于查询数据库。尤其将“空间上接近”理解为“在听力范围内”。

在此，哪些算法当前可用以及使用哪些算法，在输入信号中寻找并从中提取哪些信号特征是次要的。然而，下面列举了一些合适的例子。合适的算法是干扰噪声抑制，其用于抑制干扰噪声、例如机器或发动机噪声。例如，将可以根据其时间和/或频谱形状识别出的干扰噪声用作信号特征。另外的合适的算法是风噪抑制，其用于抑制风噪。例如，该算法类似于干扰噪声抑制进行工作。例如，将麦克风噪声用作信号特征。另外的类似的算法是用于抑制反馈的反馈抑制。另外的算法是所谓的声音平滑，其用于抑制脉冲，即时间上很短的声音信号，例如勺子在咖啡杯上的敲击声或餐具的碰撞声。另外的算法是定向性，即听力装置麦克风的方向性，其用于强调来自特定方向的声音。根据当前状况，定向性提供了特定的优点。如果听力装置要在音乐状况下再现音乐，则适宜地停用方向性，即设置听力装置的全向运行，反之，在存在语音的情况下，即在语音状况下激活方向性，使得适宜地强调来自前面的声音信号而不是来自其它方向的声音信号，因为相关的讲话者通常停留在用户的前面。适宜地，附加地还可以动态调整方向性，以更有效地抑制没有位于前面、但是相比于用户前面的声源仍很响的其它声源。例如，将识别到其存在的陌生的语音用作信号特征。另外的算法是压缩，更确切地说是频率压缩，其中将输入信号中特别是高频的频率分量移动到较低的频率，以使在高频的频率范围内具有听力障碍的用户仍然能够感知到这些频率。例如，由于摩擦音在高频的频率范围内强烈地出现，这种算法有助于语音理解。例如，将一般的语音或特别是高频的语音分量，例如摩擦音的存在，用作信号特征。另外的算法是语音识别，也被称为语音活动检测，其用于突出语音。例如，将典型的4Hz的音节重复频率用作信号特征，于是在存在4Hz的音节重复频率的情况下，语音相关的频率范围相对于其它频率范围得到强调。语音相关的频率范围尤其是250Hz至5kHz。

优选地，相应的算法选择性地作用于相关的信号特征，并且尽可能不改变输入信号的其它部分。优选地通过相关的算法对相应的信号特征进行放大(例如，在语音识别中将语音放大)，进行添加(例如，在压缩中，更准确地说在频率压缩中，在低频的频率范围内添加信号)，进行减少(例如，在干扰噪声抑制中将噪声减少)，或进行消除(例如，在反馈抑制中完全消除或防止反馈)。

在优选的实施方式中，相应的权重说明了，参考组的多大比例的用户优先选择相关联的变化。例如，相应的权重直接说明了用户的数量，或者附加地将权重归一化。因此，相应的权重尤其是通过结合其它听力装置用户的相应尝试和记录产生。例如，考虑一组测试人员和/或有经验的听力装置用户，并且记录他们的行为，例如在特定状况下对有效强度的手动切换，并且作为权重进行存储。然后，相应的权重矩阵包含参考组的如下用户比例，这些用户分别从初始有效强度出发变化到特定的目标有效强度(或者，必要时保持初始有效强度)，特别是在特定信号特征的特定强度下。因此，权重代表经验数据，并且每个权重由一个或多个数据点形成。例如，单个数据点代表单个用户在单个情况下的单个有效强度变化。原则上，单个用户产生多个数据点是可能的，也是合适的。现在，为了给另外的用户找到最佳设置，在报告的情况下在数据库中查找：在存在提取的信号特征的情况下，参考组优先选择并且因此可以说是推荐相应算法的哪些有效强度。因此，基于所记录的其它用户的行为，可以为另外的用户确定单个情况相关性和推荐有效强度。

在有利的实施方式中，所提到的参考组仅包括与该用户类似的用户，特别是那些已经确定了与该用户的听力图相似的听力图的用户。换言之，使用在仅考虑类似用户的行为时形成的权重。因此，适宜地仅考虑归因于类似用户的数据点。优选地，将用户的听力图的相似性和/或其它个人特征，例如年龄、性别、听力缺陷的类型等的相似性用作用户与参考组的用户及其选择的相似性的标准。在此，假定类似的用户在听力装置的运行方面也具有类似的偏好和需求。这特别适用于具有类似听力障碍的用户，这使得根据听力图可以特别简单地进行验证。通过这种方式，为每个用户单独减少数据库中的总的数据量，使得产生特别相关的权重，并且结合对单个情况相关性的确定的估计明显更准确。

如下的实施方式也是合适的，在该实施方式中通过对以另外的方式确定的权重进行内插或外推来确定一个或多个权重。替换地或附加地，也可以由专家、例如HCP来确定权重。原则上，首先简单地估计权重，优选地结合持续的更新进行估计也是合适的。特别是在更新和使用参考组的情况下，最初会出现如下问题，在第0天也必须提供权重，因此由具有相应专业知识的专家进行简单估计和/或以选出的少数用户进行特殊的测试系列，对于具有权重的数据库的初始人群是有利的。在这种情况下，权重的内插和/或外推也是有利的。

特别是在每次获得报告时或预先一次性地，根据权重计算出推荐有效强度。前面关于单个情况相关性的实施，也同样适用于推荐有效强度的计算。优选地，借助统计评估、优选地借助求平均值或求中位数根据权重计算推荐有效强度。特别地，在此使用用于当前有效强度的权重分布的权重。从三维的权重矩阵出发，相应地依据相关算法的信号特征的强度并且依据当前有效强度，选出相应的权重分布，该权重分布针对该强度和作为初始有效强度的该有效强度包含了选择相应目标有效强度的不同的权重。然后，根据这些权重计算出，哪个有效强度是推荐的，例如通过求平均值或求中位数。计算出的推荐有效强度原则上可以与当前有效强度一致，但是，因为例如与作为基础的参考组一致，相关联的算法是不太相关的。然而，对于推荐有效强度和当前有效强度之间的差可以假定，在当前状况下，变化到推荐有效强度会导致改善。总的来说，推荐有效强度是从数据库导出的参量，其它用户的经验和/或专家的假设和建议相应地被纳入该数据库中。

单个情况相关性是用于评估算法的参量，即用于估计进行报告的当前状况下的算法的相关性的参量。在此，尤其适用：第一算法的单个情况相关性相对于第二算法的单个情况相关性越大，第一算法对于用户在当前状况下相对于第二算法显得更相关。这尤其也适用于由单个情况相关性导出的相关性值。根据存储在数据库中的、特别是对其它用户和/或专家的推荐和/或经验进行编码的权重计算出相应的单个情况相关性。原则上，不同的计算方法是有利的。下面描述三个特别优选的计算方法。

在第一优选的计算方法中，依据有效强度差计算相应的单个情况相关性，有效强度差是当前有效强度和推荐有效强度之间的差。为此，相应地需要，优选如上面所描述的那样，确定推荐有效强度。正如那里已经说明的，要假定，在当前有效强度和推荐有效强度之间存在较大差异的情况下，相关算法的有效强度的改变会导致声音输出的特别强烈的改善，因为当前有效强度强烈地偏离了通过权重引起的有效强度并且因此偏离了其它用户和/或专家优先选择的、即也是推荐有效强度。适宜地，形成差的绝对值，使得无论推荐有效强度是高于还是低于当前有效强度，在更大差距的情况下会产生更高的单个情况相关性。第一计算方法由此得到参数f1，用公式表示如下：

f1＝abs(当前有效强度-推荐有效强度)

因此，单个情况相关性尤其与参数f1成比例。

在第二优选的计算方法中，依据变化推荐来计算相应的单个情况相关性，该变化推荐是针对一方面用于变化到另外的有效强度的权重的和相对于另一方面用于保持当前有效强度的权重的量度。换言之，单个情况相关性取决于，相对于保持当前有效强度，权重会有多强烈地推荐变化到另外的有效强度。优选地，将变化推荐归一化。适当地，由用于变化到另外的强度的权重的和以及用于保持当前有效强度的权重形成差作为变化推荐。在此，使用针对当前状况的权重分布的权重和当前有效强度。为了进行归一化，该差除以该权重分布的所有权重的和。第二计算方法由此得到参数f2，用公式表示如下：

f2＝(用于变化的所有权重的和-用于保持的权重)/所有权重的和

或以另外的形式列出：

f2＝(不等于当前有效强度的有效强度的所有权重的和-等于当前有效强度的有效强度的权重)/当前有效强度的所有权重的和单个情况相关性尤其与参数f2成比例。替换地，原则上还可以想到不形成差值而是形成比率并且这也是合适的。

在第三优选的计算方法中，针对当前有效强度依据分散度计算相应的单个情况相关性。分散度尤其是针对目标有效强度的分散度。特别地，分散度说明了，权重在多大程度上聚焦于单个有效强度。特别地，分散度是目标有效强度的方差，其中每个目标有效强度相应于相应的权重进行考虑，因为权重说明了，相对于其它目标有效强度多频繁地优选该目标有效强度。这对于权重仅分别说明了用户数量的情况是特别有说明性的，因为针对由初始有效强度和目标有效强度组成的特定的数据对的权重简单地产生该数据对的数据点的数量。然后对这些数据点进行统计评估，例如方式是如所描述的，计算这些数据点的方差作为分散度，其中每个数据点的初始有效强度是相同的，以便只考虑特定的权重分布，即当前有效强度的权重分布。

相应地，从分散度可以读出，多强烈地推荐特定的有效强度，或是否考虑多个有效强度，即基于数据库推荐的力度有多大。相应的权重越高，就有越多的数据点推荐相关联的目标有效强度。例如，相应的数据点对应于用户，或者特别是在归一化权重的情况下对应于特定的用户数量。适宜地，对分散度求倒数，由此低的分散度产生高的单个情况相关性，并且因此算法看起来更加相关。由此得到参数f3的第三计算方法的合适的公式如下所示：

f3＝exp(1/exp(sqr(V)))

其中“exp”表示以e为底的指数函数，“sqr”表示平方根，“V”表示所涉及的权重分布的目标有效强度的方差，其例如以如下方式进行计算：

V＝(1/n)*Sum(x_i–M(x))^2,

其中x_i是目标有效强度，M(x)是有效强度、即这里的目标有效强度的平均值或中位数，其中对权重分布的所有n个数据点进行求和。由此，单个情况相关性特别是与参数f3成比例。

多个计算方法的组合是特别优选的，从而单个情况相关性整合了不同的概念。如下的实施方式是特别优选的，在该实施方式中，将上面提到的所有的三个计算方法结合，并且相应的单个情况相关性R_e与所提到的三个参数f1、f2、f3的乘积成比例，并且例如相应于该乘积，从而

R_e＝f1*f2*f3。

优选地，借助统计评估、优选地借助求中位数，根据该算法的单个情况相关性计算相应的算法的相关性值，即，特别是类似于上述对推荐有效强度的描述。通过这种方式，单个算法的多个单个情况相关性被结合起来，以有效地在具有其它算法的整体排名中评估该算法的相关性。通常，较高的单个情况相关性也会产生较高的相关性值。优选地，针对每个报告重新计算相关性值，并且由此有利地连续更新，即特别是整体上迭代地确定相关性值。

下面根据示例来说明利用该方法原理上可实现的效果以及特别是达到的效果，其中使用不同描述的算法以及上述在咖啡厅中具有两个不同的听力装置用户的实施。是员工并且反复被咖啡研磨机打扰的用户在咖啡研磨机的声音中反复操作输入元件并且由此产生报告，反之，坐在餐桌旁的顾客则会在餐具碰撞的声音中反复产生报告。相应地，在第一种情况下，随着时间的推移，干扰噪声抑制的算法达到较高的相关性值，以抑制咖啡研磨机的声音。这似乎是与相应的用户最相关的。反之，对于顾客来说，随着时间的推移，声音平滑的算法被识别为用于抑制餐具碰撞的最相关的算法。因此，同一个方法会个性化地导致最佳的设置。前提条件是在数据库中相应地存储权重。这些权重相应编码地包含信息：在信号特征“餐具碰撞的声音”或“脉冲”的情况下，大多数用户优选声音平滑，从而对于顾客来说，在反复报告之后相应地调整声音平滑的有效强度，在此大概是增强。此外，权重还包含信息：在由咖啡研磨机产生的信号特征“干扰噪声”的情况下，大多数用户优选干扰噪声抑制，从而对于员工来说，在反复报告后相应地调整干扰噪声抑制的有效强度，在此大概是增强。前面提到的示例仅是许多可想到的和可能的情形之一，并且其主要用于说明该方法的工作方式

根据目前所述，也很明显的是：通常单个报告不足以以令人满意的概率将其中一个算法识别为最相关的算法并进行调整。在优选的实施方式中，只有当最相关的算法的相关性值与其余的算法的相关性值至少相差了最小值时，才将最相关的算法的当前有效强度调整到推荐有效强度。因此，要等待，直到达到通过最小值定义为充分的差别，并且其中一个算法相对于其它算法足够可靠地被判断为有区别。因此，适宜地要多次执行第一、第二和第三方法步骤。第三方法步骤之后是测试步骤，在测试步骤中检查最小值的符合性，并且如果符合，则执行第四方法步骤。最小值尤其是最高相关性值与次高相关性值之间的最小要求的差。由此进行附加的显著性测试，即除了检查哪个算法具有最高的相关性值之外，还要另外检查，该相关性值是否也与其它相关性值有足够的差异。

适宜地，数据库中的权重依据调整后有效强度进行更新，并且因此在此之后，在确定单个情况相关性和推荐有效强度的情况下要考虑该调整后有效强度。因此，有利地持续更新该数据库。因此，从在单个用户的情况下使用方法获得的知识也有利于其听力系统也使用该数据库的其它用户。调整后有效强度作为目标有效强度结合初始的当前有效强度在相关联的当前状况下相应于权重矩阵中的数据点的坐标，现在增加其相关联的权重，因为在为用户调整有效强度后，这种调整现在可以被认为并且也被认为是推荐的。等效地，还可以减小其它的权重。然后，在用户或其它用户的听力系统后续使用数据库时使用更新的权重。在这方面，数据库是持续更新的或者甚至是学习的系统。

在合适的实施方式中，简单地使用推荐有效强度作为调整后有效强度。替换地，形成中间值，例如由当前有效强度和推荐有效强度形成的平均值，以实现对推荐有效强度的调整。

优选地，从此以后，调整后有效强度被用作新的当前有效强度，从而当再次发生当前状况时自动使用调整后有效强度。因此，由听力系统直接设置调整后有效强度，并且调整后有效强度现在表示未来发生相应状况时使用的有效强度。如果尽管如此还要再次进行报告，则继续进行如已经描述的方法，以获得同一算法的进一步调整或者另外的算法的进一步调整。

在合适的实施方式中，作为已经描述的、直接应用调整后有效强度的替代方案，首先在测试模式中向用户提出调整后有效强度，并且只有在用户确认后才将其用作新的当前有效强度。因此，测试模式用于所谓的试听。因此，用户有机会提前测试调整后有效强度，然后进行接受或拒绝。这可以通过例如听力装置上或附加装置上的相应的输入元件实现。只有在测试模式中用户通过相应的输入已经接受了调整后有效强度时，调整后有效强度才会如已经描述的那样实际上作为新的当前有效强度进行使用和储存，并且优选地也才在数据库中执行权重的更新。

原则上，可以通过更新权重实现数据库中的数据收缩，因为相应的更新是基于之前的权重进行的。在这方面，可能形成一种倾向，即正在形成的权重随着发展趋势被确认。之前的高的权重被进一步提高。为了防止这种情况，在有利的实施方式中，在测试模式中偶尔会提出另外的实验性的有效强度，而不是调整后有效强度。例如，将“偶尔”理解为“100个情况中的1至10个情况”。因此，有针对性地不向用户提供根据该方法调整的有效强度，而是故意提供另外的并且可能不是最佳的有效强度。如果实验性的有效强度仍然是令用户满意的，则用户将接受该实验性的有效强度，从而听力系统从此之后将其作为新的当前有效强度。数据库中的权重也依据实验性的有效强度进行更新，并且因此在此之后，在确定单个情况相关性和推荐有效强度时考虑该实验性的有效强度。在有利的变型方案中，只有在至少一个或最低数量的其它用户也接受了相应的调整时，才将实验性的有效强度用于更新权重。故意选择与推荐有效强度不同的实验性的有效强度，从而避免数据库的迄今为止的数据的收缩。例如，实验性的有效强度被选择为高于或低于推荐有效强度，或者是随机值。优选地，针对最相关的算法提出实验性的有效强度，替换地，针对另外的算法提出实验性的有效强度，即针对另外的算法而不是实际上最相关的算法来调整有效强度也是有利的。组合也是有利的。优选地，仅向特定的用户提供实验性的有效强度，例如那些预先明确地已经对此同意的用户。这些用户也被称为愿意实验的用户。

根据本发明的听力系统或听力装置被设计为用于执行上面描述的方法。优选地，听力系统或听力装置为此具有控制单元，其也被称为控制器。在控制单元中，该方法特别是通过编程技术或电路技术实现，或者是其组合。例如，用于此的控制单元被设计为微处理器或ASIC或其组合。控制单元也可以被分配到听力系统的不同装置中，并且不一定与已经提到的听力装置的控制单元相同。原则上，上面描述的方法步骤可以在很大程度上任意分配到不同的装置中。

该听力系统包括至少一个听力装置和如上面描述的数据库。听力装置通过数据连接、例如通过因特网与数据库连接以进行数据交换。适宜地，数据库是服务器的一部分，服务器相应地是听力系统的一部分。如下实施方式是特别有利的，在该实施方式中，听力系统还包括附加装置，特别是单独与个人用户相关联的移动终端，优选地是智能手机。附加装置用作听力装置与服务器之间的中介，并且用于它们之间的连接以进行数据交换。听力装置和附加装置优选地通过蓝牙连接来连接以进行数据交换，而附加装置和数据库优选通过因特网连接。然而，原则上还可以想到其它的数据连接和数据连接的组合并且它们也是合适的。如下的实施方式也是合适的，在该实施方式中，数据库是附加装置或者甚至是听力装置的一部分，使得听力系统也可以应对没有服务器的情况。然而，特别优选的是所描述的、具有附加装置和服务器的实施方式。

优选地，单个情况相关性的计算在服务器上并且因此有利地集中地进行，由此可以以简单的方式例如由听力装置的制造商更新计算，该制造商适宜地也运营服务器。反之，相关性值的计算优选地在附加装置或听力装置上进行，即在用户附近进行。单个情况相关性的计算原则上首先只取决于权重，并且在这方面是取决于用户的，并且还可以预先执行。然而，相关性值的计算取决于用户的报告，也取决于用户经历的当前状况，并且在这方面是个性化的。通过在附加装置或听力装置上计算相关性值，这些单独的数据不必进行传输并且不必集中地进行处理，而传输和集中处理相应地是麻烦的。

附图说明

下面参照附图更详细地解释本发明的实施例。在此分别示意性地：

图1示出了听力系统；

图2示出了听力装置；

图3示出了方法；

图4示出了三维的权重矩阵；

图5示出了根据图4的权重矩阵的截面；

图6示出了根据图4的权重矩阵的另外的截面。

具体实施方式

图1中示出了听力系统2的实施例，该听力系统具有听力装置4，以及附加装置6和带有数据库10的服务器8。在图2中示意性示出了听力装置4。听力装置4被设计为，用于修改输入信号12以向未明确示出的用户输出声音，并且为此应用多个具有相应的有效强度W的算法14，使得在当前状况下应用具有当前有效强度aW的相应的算法14。所示听力装置4具有至少一个麦克风16，其从环境中接收声音并产生电输入信号12。电输入信号12被馈送到听力装置4的信号处理器18以进行处理，即进行修改。信号处理器18是听力装置4的控制单元20的一部分。听力装置4在此用于为听力受损的用户提供保障。为此，根据用户的听力图进行处理，听力图与听力装置4相关联，从而可以补偿用户的个人听力缺陷。信号处理器18输出电输出信号22作为结果，然后通过听力装置4的听筒24将其转换回声音并输出给用户，由此进行声音输出。图1中所示的听力装置4是双耳听力装置4，其具有两个独立装置，独立装置分别具有至少一个麦克风16和听筒24，并且由用户佩戴在头部的不同侧面。图2仅简化地示出了其中一个独立装置。

信号处理器18具有多个算法14，其根据当前状况、即依据状况来使用，其中还可以同时使用多个算法。如上面已经说明的，为了在相应的状况下使用，每个算法14具有可调整的有效强度W。有效强度W例如是从0到5的值，其中在0的情况下，算法14是不激活的，即不产生任何效果，随着数值的增加，产生更强的效果。针对相应的算法14，在哪种状况下使用哪种有效强度W是预先定义的。在该方法的框架中，现在尝试找到算法14的更佳的有效强度W，并且适当地调整预定义的有效强度W。

每个算法14与至少一个信号特征M相关联，并且依据状况来设置相应的算法14的当前有效强度aW，方式是依据当前状况下的输入信号12中的信号特征M的强度S来设置相应的算法14的当前有效强度aW。因此，信号处理器18的处理依据输入信号12中的特定信号特征M的相应强度S进行。然后，听力装置4在相应的状况下通过应用具有预先给定的有效强度W的相应的算法14对信号特征M作出反应，该预先给定的有效强度W在当前状况下相应地是当前有效强度aW。在此，相应的算法14选择性地作用于相关的信号特征M，并且输入信号12的其它部分可以尽可能保持不变。通过相关联的算法14将相应的信号特征M例如增强或减小。

哪些算法14是可用的并且被使用，以及在输入信号12中搜索到并从中提取了哪些信号特征M都是次要的。算法14的例子有：干扰噪声抑制，其用于抑制噪声、例如作为信号特征M的机器或发动机噪声；风噪抑制，其用于抑制具有作为信号特征M的麦克风噪声的风噪；反馈抑制；声音平滑，其用于抑制作为信号特征M的脉冲；定向性，即麦克风16的方向性，其用于强调来自特定方向的声音；压缩、特别是频率压缩；以及语音识别，其用于强调语音。

根据图2的实施例，信号处理器18以如下方式运行：从输入信号12中提取预定义的信号特征M。在存在相应的信号特征M的情况下应用相关联的算法14，以便有针对性地处理相应的信号特征M，并且由此例如相对于其余输入信号12进行强调或抑制。在当前状况下为此设置的有效强度W(以该有效强度来应用算法14)被称为当前有效强度aW，并且在此取决于信号特征M的强度S。当前有效强度aW可能不是最佳的。

除了信号处理器18之外，所示的听力装置4还具有提取单元26和组合单元28。从听力装置4的麦克风16开始，沿着主信号路径30将输入信号12引导到组合单元28，在此之后输出到听筒24。同时，输入信号12沿着从主信号路径30分支出来的第一副信号路径32被引导到提取单元26，其用于提取信号特征M。提取单元26识别到输入信号12中可能存在的信号特征M并辨别出它们，使得信号处理器18可以有针对性地对其进行处理。提取单元26在此还必须测量相应信号特征M的强度S。此外，输入信号12沿着也是从主信号路径30分支出来的第二副信号路径34被引导到信号处理器18以进行处理。信号处理器18也与提取单元26连接，从而将关于信号特征M的信息从提取单元26传输到信号处理器18，并且信号处理器18是可控的并且也进行控制，使得有针对性地处理识别到的信号特征M。为此，信号处理器18应用与相应的信号特征M相关联的算法14。作为结果，信号处理器18输出处理后的信号36作为输出信号，然后将其馈送给组合单元28，并且组合单元将其与来自主路径30的输入信号12混合，也就是说，将处理后的信号36应用于输入信号12。由此在整体上产生输出信号22，其然后通过听筒24输出。作为图2中所示的实施方式的替换，还可以想到其他实施方式和电路，并且它们也是合适。

图3中示出了根据本发明的用于运行听力系统2的方法的实施例的流程图。该方法有效地用于改进听力装置4的设置，并且在这方面也用于运行听力装置4。

听力系统2被设计为反复从用户接收报告，即用户在当前状况下对声音输出不满意。在此，报告的接收、即获得在该方法的第一方法步骤V1中进行。该不满意不需要由用户进一步解释或说明，因此该报告是无差别的负面反馈。为了接收用户的报告，听力系统2具有输入元件38，在此是位于附加装置6上，替换地或附加地位于其他位置、例如听力装置4上。在此示出的附加装置6是移动终端、尤其是智能手机。通过操作输入元件38可以产生报告。

此外，如从图1中可以看出的，听力系统2具有数据库10。该数据库针对每个算法14包含多个权重G，其用于评估有效强度W的变化，即用于评估有效强度W的值的可能的变化。在图4至图6中说明了示例性的权重G。因此，相应的权重G将两个有效强度W相互联系起来，更确切地说是将算法14的两个有效强度W的值相互联系起来，即，将当前有效强度aW与未来可能的有效强度联系起来，或者换言之，将初始有效强度aW或实际有效强度与目标有效强度zW或可能有效强度联系起来。因此，权重G的数量取决于有效强度W的值的数量。由此在所示实施例中，对于具有在第一方法步骤中在0到5的范围内可调整的有效强度W的算法14产生36个权重G。相应的权重G评估从初始有效强度aW到其中一个可能的目标有效强度zW的变化。如果目标有效强度zW等于初始有效强度aW，则权重G相应地评估保持该值。对于初始有效强度aW的单个值，相应地给出与可能的有效强度的值一样多的权重G。这些针对特定有效强度W的权重G形成该有效强度W的权重分布P或权重向量。在图6中标记了示例性的权重分布P。然后，从图4至图6中可以看出，多个权重分布P形成二维权重矩阵X。如果保持当前有效强度aW或使用另外的有效强度W，相应的权重G是针对声音输出的预期改善的量度，从而在这方面权重G适合于评估有效强度W的变化。必要时，在评估中表明，变化是合理的或者保持是更合理的。由于相应的权重G因此说明了使用目标有效强度zW代替初始有效强度aW有多值得，因此权重G也被称为偏好，权重分布P被称为偏好分布，权重矩阵被称为偏好矩阵。

如果收到报告，则通过根据每个算法的权重G确定单个情况相关性来评估每个算法14，以估计当前状况下的有效强度的变化的效果。例如通过查询或计算单个情况相关性R_e来确定该单个情况相关性。对算法的这种评估在该方法的第二方法步骤V2中进行。用户的报告表明，包括当前使用的有效强度aW的当前设置对用户来说是不满意的，即用户对当前针对算法14选择的一个或多个有效强度aW不满意。由于报告的信息内容没有超出单纯的不满，并且用户也不必提供关于指责或期望的处理的更详细的说明，因此并不清楚不满和报告指的是哪种算法14和有效强度W。对于相应的算法14首先确定，在当前状况下存在哪种当前有效强度aW。然后，根据权重矩阵X，或者更准确地说，根据相应的权重分布P以及其权重G确定，该算法14与作为报告的基础的不满意有多大的关联。在此，原则上适用：权重G越强烈地推荐不同的有效强度W来代替当前有效强度aW，相应的算法14似乎对用户的不满意负更多的责任，并且因此该算法14的相关性越强。因此，单个情况相关性R_e特别地是：针对相关联的算法14对用户来说被设置为非最佳的概率的量度。单个情况相关性R_e不一定要作为方法的一部分来计算。由于单个情况相关性R_e在此仅取决于先前已知的权重G，因此可以预先计算出所有可能的单个情况相关性R_e，并且然后在方法中根据需求进行查询。

在该方法的框架中，针对每个算法14，将多个单个情况相关性R_e组合为相关性值R，将相关性值R相互比较，在此基础上选出最相关的算法14，然后针对该算法使用调整后有效强度pW，方式是将算法14的当前有效强度aW调整为推荐有效强度eW，该推荐有效强度eW是根据权重G确定的。单个情况相关性R_e分别是对如下内容的估计：相应的另外的有效强度W预计可能以多大的概率导致更好的结果，并且由此可能避免报告。在此，相应的单个情况相关性R_e越大，另外的有效强度W就越有可能导致令用户满意的声音输出。相关性值R的确定仍作为第二方法步骤V2的一部分进行。对当前有效强度aW的调整和对调整后有效强度pW的使用在该方法的第四方法步骤V4中进行。在此，推荐有效强度eW的确定在第二方法步骤V2中进行，因为在此也使用了权重G，然而，在其他位置进行确定也是可以的并且是合适。

不同相关性值R的比较(也被称为综合排名)以及最相关的算法14的选择在方法的第三方法步骤V3中进行。为了组合多个单个情况相关性R_e，要相应地获得多个报告，因为在每个报告中通常针对相应的算法14确定了恰好一个单个情况相关性R_e。通过多个报告收集这些单个情况相关性，并且针对每个算法14，根据各个单个情况相关性R_e计算相关性值R。然后，在综合排名中对不同算法14的相关性值R进行比较，以找到最相关并且因此对用户来说显得最重要的算法14。在此，选择具有最高相关性值R的算法14作为最相关的算法14。通过这种方式，辨别出对用户特别重要的算法14，而用户无需提供明确的说明。获得和使用的报告越多，对于用户能够满意地调整听力装置4的设置并且然后还直接进行调整的概率就越高。由于权重G已经代表了对其它有效强度W的不同可能的变化或者对当前有效强度aW的保持的评估，因此还可以根据权重G导出对新的有效强度的推荐，即推荐有效强度eW。

图1中的数据库10被设计为：在确定单个情况相关性R_e和推荐有效强度eW时，考虑与相应的算法14相关联的信号特征M的强度S。在此，例如在提取单元26中，本来就要测量相应信号特征M的强度S，以便如上面已经描述的那样控制信号处理器18，并且依据状况调整算法14的有效强度W。附加地，在报告的情况下，现在可以从输入信号12中提取一个或多个信号特征M，并且确定其相应的强度S。为了考虑信号特征M的强度S，数据库10分别针对每个算法14对于信号特征M的不同的强度S包含了多个权重，分别用于在确定的强度S下评估有效强度W的变化。在图4中可以看到，针对单个算法14示出了三维的权重矩阵X，其例如具有权重G，其中针对相关联的信号特征M的每个强度S存在二维的权重矩阵X作为子矩阵。强度S被映射到例如从0至5的强度范围，其中0意味着信号特征M不存在，并且随着数值的增加，信号特征M的强度S增加。因此，针对相应的算法14的权重矩阵X不仅仅是二维的，而是三维的，因为在初始有效强度aW和目标有效强度zW的两个维度上，现在又增加了针对强度S的第三维度。相应地，还增加了权重G的数量。各个算法14的评估、即其单个情况相关性R_e的确定现在依据在当前状况下针对与算法14相关联的信号特征M确定的强度S进行。

图5和图6中分别示出了根据图4的三维权重矩阵X的截面。因此，图5示出了强度S为5、即非常强的信号特征M的二维权重矩阵X，图6示出了强度S为3、即中等强度的信号特征M的二维权重矩阵X。所示的权重G的值是示例值，但是其说明了在更大的强度S的情况下向更大的有效强度W改变的趋势。此外，从图4还可以看出，对于强度S为0，即当在输入信号12中不包含信号特征M时，二维权重矩阵X是身份矩阵，从而相应的权重G说明了，在不存在信号特征M的情况下推荐保持当前有效强度aW。

在所示的图4至图6的实施例中，相应的权重G说明了：参考组的多大比例的用户优先选择相关联的变化。在此，相应的权重G通过结合其它听力装置4用户的相应尝试和记录产生。然后，相应的权重矩阵X包含参考组的如下用户比例，这些用户在特定信号特征M的特定强度S下分别从初始有效强度aW出发变化到特定的目标有效强度zW(或者，必要时保持初始有效强度aW)。在图4至图6中，将相应的权重分布P的权重P归一化，使得其总和为100。现在，在报告的情况下在数据库中10查找，在存在提取的信号特征M的情况下，参考组优先选择并且因此可以说是推荐相应的算法14的哪些有效强度W。因此，基于所记录的其它用户的行为，可以为另外的用户确定单个情况相关性R_e和推荐有效强度eW。

所提到的参考组例如仅包括与该用户类似的用户，特别是那些已经确定了与该用户的听力图相似的听力图的用户。例如，将用户的听力图的相似性和/或其它个人特征，例如年龄、性别、听力缺陷的类型等的相似性用作用户与参考组的用户及其选择的相似性的标准。在此，假定类似的用户在听力装置的运行方面也具有类似的偏好和需求。

在获得报告时或预先一次性地以及在必要时在更新权重G时再次地，根据权重G计算出推荐有效强度eW。在此，借助统计评估，例如借助求平均值或求中位数，根据权重G计算推荐有效强度eW。在此使用用于当前有效强度aW的权重分布P的权重G。从例如图4中的三维权重矩阵X出发，依据相关算法14的信号特征M的强度S并且依据当前有效强度aW，选出相应的权重分布P，该权重分布针对该强度S和作为初始有效强度aW的该有效强度W包含了选择相应目标有效强度zW的不同的权重G。例如，强度S为3，因此使用根据图6的二维权重矩阵X。例如，当前有效强度aW也是3，因此在图6中选出标记的权重分布P。然后，根据权重分布中的六个权重G结合可能的有效强度W计算出，哪个有效强度W是推荐的，例如通过求平均值或求中位数。将相应的目标有效强度zW乘以相应的权重G并且由此进行加权，然后将以这种方式加权的目标有效强度zW相加并除以权重G的和(在此为100)。在该示例中，作为有效强度W得到3.42，其附加地被四舍五入到为3的推荐有效强度eW。计算出的推荐有效强度原则上可以与当前有效强度aW一致，但是，因为例如与作为基础的参考组一致，相关联的算法14是不太相关的。然而，对于推荐有效强度eW和当前有效强度aW之间的差可以假定，在当前状况下，变化到推荐有效强度会导致改善。例如，如果图6中的当前有效强度aW为0，则就是这种情况。作为推荐有效强度eW又是3，然后这与为0的初始有效强度aW不同。

单个情况相关性是R_e是用于评估进行报告的当前状况下的算法14参量。在此适用：第一算法14的单个情况相关性R_e相对于第二算法14的单个情况相关性R_e越大，第一算法14对于用户在当前状况下相对于第二算法14显得更相关。相同情况也适用于由单个情况相关性R_e导出的相关性值R。根据存储在数据库10中的、特别是对其它用户和/或专家的推荐和/或经验进行编码的权重G计算出相应的单个情况相关性R_e。原则上，单独或者结合地使用不同的计算方法是可以的并且是合适的。

在第一计算方法中，依据有效强度差计算相应的单个情况相关性R_e，有效强度差是当前有效强度aW和推荐有效强度eW之间的差。此外，在此形成差的绝对值，使得无论推荐有效强度eW是高于还是低于当前有效强度aW，在更大差距的情况下会产生更高的单个情况相关性R_e。第一计算方法由此得到参数f1，用公式表示如下：

f1＝abs(当前有效强度-推荐有效强度)

对于上面提到、在图6中当前有效强度aW为3的例子，如果将推荐有效强度eW四舍五入，则得出f1＝0。反之，如果当前有效强度aW例如为0，根据图6作为推荐有效强度eW也是3，因此f1＝3。

例如，仅使用推荐有效强度eW作为调整后有效强度pW。替换地，例如形成中间值，例如由当前有效强度aW和推荐有效强度eW形成的平均值，以实现对推荐有效强度eW的调整。

在第二计算方法中，依据变化推荐来计算相应的单个情况相关性R_e，该变化推荐是针对一方面用于变化到另外的有效强度W的权重G的和相对于另一方面用于保持当前有效强度aW的权重G的量度。在此，由用于变化到另外的强度W的权重G的和以及用于保持当前有效强度aW的权重G形成归一化的差作为变化推荐。在此，使用针对当前状况的权重分布P的权重G和当前有效强度aW。为了进行归一化，该差除以该权重分布P中的所有权重G的和。第二计算方法由此得到参数f2，用公式表示如下：

f2＝(用于变化的所有权重G的和-用于保持的权重G)/所有权重G的和

例如应用于图6中标记的权重分布P，得出用于变化到另外的有效强度W的权重G的和，相应地为0+0+0+37+1＝38。用于保持当前有效强度aW的权重G为62。然后，差值为38-62＝-24，然后进行归一化后得到f2＝-0.24。另一方面，在当前有效强度aW为0的情况下，根据图6得到f2＝(99-1)/100＝0.98。

在第三计算方法中，针对当前有效强度aW依据目标有效强度zW的分散度计算相应的单个情况相关性R_e。分散度说明了，权重G在多大程度上聚焦于单个有效强度W。例如，分散度是目标有效强度zW的方差。对于权重G简单地分别说明了用户数量的情况，针对由初始有效强度aW和目标有效强度zW组成的特定的数据对的权重G简单地产生该数据对的数据点的数量。然后对这些数据点进行统计评估。从分散度可以读出，多强烈地推荐特定的有效强度W，或是否考虑多个有效强度W，即基于数据库10推荐的力度有多大。相应的权重G越高，就有越多的数据点推荐相关联的目标有效强度zW。在此，对分散度求倒数，由此低的分散度产生高的单个情况相关性R_e，并且因此算法14看起来更加相关。由此得到参数f3的第三计算方法的合适的公式如下所示：

f3＝exp(1/exp(sqr(V)))，

其中“exp”表示以e为底的指数函数，“sqr”表示平方根，“V”表示所涉及的权重分布P的目标有效强度zW的方差，其例如以如下方式进行计算：

V＝(1/n)*Sum(x_i–M(x))^2,

其中x_i是目标有效强度zW，M(x)是有效强度W、即这里的目标有效强度zW的平均值或中位数，其中对权重分布P的所有数据点进行求和。在图4至图6的例子中，M(x)例如是有效强度W的平均值，并且其为2.5。权重分布P相应于由来自100个数据点(即n＝100)的权重的和形成。在图6中，例如针对所标记的初始有效强度为3的权重分布P，数据对(初始有效强度aW＝3；目标有效强度zW＝3)出现62次，即存在62个数据点(3；3)。由此得到方差V＝1.05并且相应地f3＝1.43。反之，在图6中，对于初始有效强度为0的情况，相应地V＝0.29，f3＝1.79，即分散度较低，因此单个情况相关性R_e较高。

在此，将上面提到的三个计算方法结合，方式是将参数f1、f2、f3彼此相乘以得到单个情况相关性R_e：

R_e＝f1*f2*f3。

这针对每个算法14执行，从而对于每个算法14来说，针对当前状况确定单个情况相关性R_e。

相应的算法14的相关性值R也是借助统计评估、例如求中位数，根据该算法14的单个情况相关性R_e计算出来的。通常，较高的单个情况相关性R_e也会产生较高的相关性值R。

根据目前所述，也很明显的是：通常单个报告不足以以令人满意的概率将其中一个算法14识别和调整为最相关的算法14。因此，在一种实施方式中，只有当最相关的算法14的相关性值R与其余的算法14的相关性值至少相差了最小值dR时，才将最相关的算法14的当前有效强度aW调整到推荐有效强度eW。因此，要等待，直到达到通过最小值dR定义为充分的差别，并且其中一个算法14相对于其它算法14足够可靠地被判断为有区别。例如，最小值是最高相关性值R与次高相关性值R之间的最小要求的差。

此外，数据库10中的权重G可选地依据调整后有效强度aW进行更新，并且因此在此之后，在确定单个情况相关性R_e和推荐有效强度eW的情况下要考虑该调整后有效强度aW。因此，持续更新数据库10。

从此以后，调整后有效强度pW被用作新的当前有效强度aW，从而当再次发生当前状况时自动使用调整后有效强度pW。因此，由听力系统2直接设置调整后有效强度pW，并且调整后有效强度现在表示未来发生相应状况时使用的有效强度W。如果尽管如此还要再次进行报告，则继续进行如已经描述的方法，以获得同一算法的进一步调整或者另外的算法14的进一步调整。作为直接应用调整后有效强度pW的替代方案，首先在测试模式中向用户提出调整后有效强度pW，并且只有在用户确认后才将其用作新的当前有效强度aW。因此，测试模式用于所谓的试听，并且用户有机会提前测试调整后有效强度pW，然后进行接受或拒绝。这可以通过例如听力装置4上或附加装置6上的相应的输入元件38实现。

为了防止数据库10中的数据的可能的收缩，可选地，在测试模式中偶尔提出另外的实验性的有效强度W，而不是调整后有效强度pW，即有针对性地不向用户提供根据该方法调整的有效强度pW，而是故意提供另外的并且可能不是最佳的有效强度W。如果实验性的有效强度W仍然是令用户满意的，则用户将接受该实验性的有效强度W，从而听力系统2从此之后将其作为新的当前有效强度aW。数据库10中的权重G也依据实验性的有效强度W进行更新，并且因此在此之后，在确定单个情况相关性R_e和推荐有效强度eW时考虑该实验性的有效强度。例如，实验性的有效强度W被选择为高于或低于推荐有效强度eW，或者是随机值。

如图1所示，听力系统2包括至少一个听力装置4和如上面描述的数据库10。听力装置4通过数据连接40、例如通过因特网与数据库10连接以进行数据交换。在此，数据库10是服务器8的一部分，服务器相应地是听力系统2的一部分。此外，在这里示出的实施例中，听力系统2还包括附加装置6，其用作听力装置4与服务器8之间的中介，并且用于它们之间的连接以进行数据交换。听力装置4和附加装置6例如通过蓝牙连接进行连接以进行数据交换，而附加装置6和数据库10例如如图1中所示通过未明确指出的因特网连接。

在所示的实施例中，单个情况相关性R_e的计算在服务器8上进行，但这并不是强制性的。反之，相关性值R的计算在此在附加装置6上进行，但这也不是强制性的。

附图标记列表

2 听力系统

4 听力装置

6 附加装置

8 服务器

10 数据库

12 输入信号

14 算法

16 麦克风

18 信号处理器

20 控制单元

22 输出信号

24 听筒

26 提取单元

28 组合单元

30 主信号路径

32 第一副信号路径

34 第二副信号路径

36 处理后的信号

38 输入元件

40 数据连接

aW 当前有效强度，初始有效强度

dR 最小值

eW 推荐有效强度

G 权重

M 信号特征

P 权重分布

pW 调整后有效强度

R_e 单个情况相关性

S 信号特征的强度

V1 第一方法步骤

V2 第二方法步骤

V3 第三方法步骤

V4 第四方法步骤

W 有效强度

X 权重矩阵

zW 目标有效强度

Claims (15)

1.一种用于运行听力系统(2)的方法，

-其中所述听力系统(2)具有听力装置(4)，所述听力装置被设计为，用于修改输入信号(12)以向用户输出声音，并且为此应用具有相应的有效强度(W)的多个算法(14)，使得在当前状况下应用具有当前有效强度(aW)的相应的算法(14)，

-其中所述听力系统(2)被设计为，反复从用户接收如下报告，即用户在当前状况下对声音输出不满意，

-其中所述听力系统(2)具有数据库(10)，所述数据库针对每个算法(14)包含多个权重(G)，以评估有效强度(W)的变化，

-其中如果接收到报告，则通过根据每个算法(14)的权重(G)确定单个情况相关性(R_e)来评估每个算法(14)，以估计当前状况下的有效强度(W)的变化的效果，

-其中针对每个算法(14)，将多个单个情况相关性(R_e)组合为相关性值(R)，将所述相关性值(R)相互比较，在此基础上选出最相关的算法(14)，然后针对所述最相关的算法使用调整后有效强度(pW)，方式是将所述算法(14)的当前有效强度(aW)调整为推荐有效强度(eW)，所述推荐有效强度是根据所述权重(G)确定的。

2.根据权利要求1所述的方法，

其中每个算法(14)与至少一个信号特征(M)相关联，并且依据状况调整相应的算法(14)的当前有效强度(aW)，方式是依据当前状况下的输入信号(12)中的信号特征(M)的强度(S)设置相应的算法的当前有效强度。

3.根据权利要求2所述的方法，

其中所述数据库(10)被设计为，在确定所述单个情况相关性(R_e)和所述推荐有效强度(eW)时，考虑所述信号特征(M)的强度(S)。

4.根据权利要求1至3中任一项所述的方法，

其中相应的权重(G)说明了参考组的多大比例的用户优先选择相关联的变化。

5.根据权利要求4所述的方法，

其中所述参考组仅包括与所述用户类似的用户，特别是那些已经确定了与所述用户的听力图相似的听力图的用户。

6.根据权利要求1至5中任一项所述的方法，

其中借助统计评估、优选地借助求平均值或求中位数根据所述权重(G)计算所述推荐有效强度(eW)。

7.根据权利要求1至6中任一项所述的方法，

其中依据有效强度差来计算相应的单个情况相关性(R_e)，所述有效强度差是所述当前有效强度(aW)和所述推荐有效强度(eW)之间的差。

8.根据权利要求1至7中任一项所述的方法，

其中依据变化推荐来计算相应的单个情况相关性(R_e)，所述变化推荐是针对一方面用于变化到另外的有效强度(W)的权重(G)的和相对于另一方面用于保持当前有效强度(aW)的权重(G)的量度。

9.根据权利要求1至8中任一项所述的方法，

其中针对所述当前有效强度(aW)依据分散度来计算相应的单个情况相关性(R_e)。

10.根据权利要求1至9中任一项所述的方法，

其中借助统计评估、优选地借助求中位数，根据所述算法(14)的单个情况相关性(R_e)计算相应的算法(14)的相关性值(R)。

11.根据权利要求1至10中任一项所述的方法，

其中只有当最相关的算法(14)的相关性值(R)与其余的算法(14)的相关性值(R)至少相差了最小值(dR)时，才将所述最相关的算法(14)的当前有效强度(aW)调整到推荐有效强度(eW)。

12.根据权利要求1至11中任一项所述的方法，

其中所述数据库(10)中的权重(G)依据所述调整后有效强度(pW)进行更新，并且因此在此之后，在确定单个情况相关性(R_e)和推荐有效强度(eW)的情况下要考虑所述调整后有效强度。

13.根据权利要求1至12中任一项所述的方法，

其中在测试模式中向用户提出所述调整后有效强度(pW)，并且只有在用户确认后才将所述调整后有效强度用作新的当前有效强度(aW)。

14.根据权利要求13所述的方法，

其中在所述测试模式中偶尔会提出另外的实验性的有效强度(W)，而不是调整后有效强度(pW)。

15.一种听力系统(2)或者听力装置(4)，其被设计为用于执行根据权利要求1至14中任一项所述的方法。

Images