CN114339564B - 一种基于神经网络的用户自适应助听器自验配方法 - Google Patents

Abstract

一种基于神经网络的用户自适应助听器自验配方法，包括：根据用户纯音测听得到的听力图，拟合一组初始的信号处理参数；通过用户佩戴的预调了所述信号处理参数的助听器，进行多轮的言语测听和参数调整；其中，每次言语测听完毕后，基于神经网络的言语测听识别概率模型根据用户的言语测听记录，预测用户在各种参数组下对不同言语测听语料的识别概率；参数组优化系统根据预测结果，获得使用户的言语测听识别率最高的几组参数组供用户选择，并基于用户选择的参数组，继续微调参数；持续迭代进行言语测听和参数调整，直到助听器调配到满足预定的助听效果为止。本发明使助听器验配便捷化的同时提高了验配结果的精确性。

Description

一种基于神经网络的用户自适应助听器自验配方法

技术领域

本发明涉及数字助听器的验配技术，特别是涉及一种基于神经网络的用户自适应助听器自验配方法。

背景技术

传统数字助听器的验配需要到专业的验配中心，在专家与专业设备的帮助下进行。这样的验配过程流程繁琐，成本居高。近年来，随着相关技术的发展，越来越多无需专家与专业设备介入的用户自主验配方法被提出，目前的自验配方法主要存在以下问题：(1)预设的参数组无法精确匹配用户的需求。(2)无法同时保证验配过程便捷性与验配结果的准确性。(3)依赖用户的主观反馈，没有充分利用用户的客观测听结果。

数字助听器验配最关键的方面之一是选择适合用户的信号处理参数。在目前的验配实践中，一般经过纯音测听等方法获得听力受损用户的听力图，然后由听力保健专业人员使用[1]或[2]方法拟合听力图选择合适的WDRC(宽动态范围压缩)参数，写入助听器的设置中。用户佩戴经过参数设置的助听器进行言语测听，专家根据测听结果与用户的反馈进而微调相应的参数，完成验配过程。

目前的自验配方法中，最简单的就是预先设置好一定数量的整套WDRC参数组，用户根据使用体验自行选择最合适的一套参数组，然后调节整体的音量大小。这种方法不需要暴露WDRC参数给用户，只需要用户在现有选项中作选择，简单易用。不过验配的效果好坏取决于预设的参数组是否适合用户。WDRC的参数空间大，不同用户的听损条件各不相同，因此预设的参数组是否适合用户有很大的随机性，不能保证适用于用户的参数组在可选项中。

研究人员提出了更具实用性的基于用户微调的自验配方法，这类方法一般先根据听力图使用[1]算法拟合一组初始的参数组，让用户在此基础上单次或多次微调部分的参数。如Goldilocks[3]，允许用户直接微调整体音量、高频与低频的增益，这一方法调参量少，验配过程速度快且可靠，但是，其仅关注于线性增益，验配效果存在天花板。论文[4]提出的方法允许用户分别调整12个WDRC通道上的增益值、压缩比和输出限制器阈值，然后基于用户的调整结果映射到36个具有代表性的听力图之一，匹配预设的全套WDRC参数组。这类自验配方法的主要区别在于允许用户调节的参数的多少。允许用户探索更多参数的方法更可能得到更好的结果，且可匹敌专家适配的结果[4]。但是，放开更多的参数选项容易使用户感到困惑，且参数之间具备耦合性牵一发而动全身，这样会增加产品的使用复杂度，进而影响自验配过程的便捷性与实用性。所以这类自验配方法没有利用用户的测听反馈信息，难以在验配结果的精确性与自验配过程的便捷性之间进行较好地权衡。

近年来深度学习在语音识别、机器翻译等领域取得重大突破，在很多任务上可以接近甚至超越人类专家水平。有研究人员尝试使用深度学习技术来辅助助听器的自验配过程。如CN109151692A公开的基于深度学习网络的助听器自验配方法，包括：步骤(A)，建立用户综合信息数据库；步骤(B)，构建深度学习网络，并基于用户综合信息数据库内的信息进行训练；步骤(C)，根据训练后的深度学习网络，结合用户的评价反馈，对助听器进行自验配测试。这种方法充分利用了用户信息数据，有助于提升自验配过程的效率，但是它完全依赖于用户的主观反馈，不具备客观性与可靠性。

现有的方案中，存在如下缺点：

1)基于预设参数组的方法无法保证所预设的选项满足用户的需求。

2)现有的基于用户微调的自验配方法没有充分利用用户在验配过程中的测听反馈信息，无法在验配结果的精确性与验配过程的便捷性中得到较好的权衡。

3)目前基于深度学习的自验配方法过于依赖用户主观反馈，不具备客观性与可靠性。也没有充分利用用户的客观测听结果。

参考文献：

[1]Keidser,G.,Dillon,H.,Flax,M.,Ching,T.,&Brewer,S.(2011).The NAL-NL2prescription procedure.AudiologyResearch,1(1),88–90.doi:10.4081/audiores.2011.e24

[2]Scollie,S.,Cornelisse,L.,Moodie,S.,Bagatto,M.,Laurnagaray,D.,Beaulac,S.,&Pumford,J.(2005).Thedesired sensation level multistage input/output algorithm.

Trends in Amplification,9(4),159–197.doi:10.1177/108471380500900403.

[3]Boothroyd,A.,&Mackersie,C.(2017).A“Goldilocks”approach to hearing-aid self-fitting:User interactions.American Journal of Audiology,26(3S),430–435.

doi:10.1044/2017_AJA-16-0125

[4]Sabin AT,Van Tasell DJ,Rabinowitz B,Dhar S.Validation of a Self-Fitting Method for Over-the-Counter Hearing Aids.Trends in Hearing.January2020.doi:10.1177/2331216519900589

需要说明的是，在上述背景技术部分公开的信息仅用于对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的主要目的在于克服上述背景技术的缺陷，提供一种基于神经网络的用户自适应助听器自验配方法。

为实现上述目的，本发明采用以下技术方案：

一种基于神经网络的用户自适应助听器自验配方法，包括：

根据用户纯音测听得到的听力图，拟合一组初始的信号处理参数；

通过用户佩戴的预调了所述信号处理参数的助听器，进行多轮的言语测听和参数调整；

其中，每次言语测听完毕后，基于神经网络的言语测听识别概率模型根据用户的言语测听记录，预测用户在各种参数组下对不同言语测听语料的识别概率；参数组优化系统根据预测结果，获得使用户的言语测听识别率最高的几组参数组供用户选择，并基于用户选择的参数组(所述选择包括用户保持原有的参数组的情形)，继续微调参数；持续迭代进行言语测听和参数调整，直到助听器调配到满足预定的助听效果为止。

进一步地：

所述信号处理参数包括WDRC参数。

所述纯音测听使用几个固定频率的测试音，或用频率按预定速率随时间改变的测试信号测定听阈级。

所述纯音测听包括：

(1)测试音发送次序从1000Hz开始向上，发送一个在熟悉测试阶段受试者做出反应的最低音级以下10dB的测试音，每次对测试音未做出反应后，就以5dB为一档逐次加大测试音级，直至做出反应；

(2)得出反应后，将测试音级增加5dB，继而以5dB一档开始下降，直至没有反应，然后再将测试音级降低5dB，开始下一次上升测试，如此连续完成三次上升和三次下降；

(3)从前面的反应估计一个可听到的测试音级，以这个音级发送下一个频率的测试音，再重复第二步，对一耳完成全部频率的测试；最后，重复1000Hz的测试，如果该耳对1000Hz的重复测试结果，与其在开始时的测得的结果相差不超过5dB，则进行另一耳的测试，如果能分辨出听阈级有10dB或更大的改善或变差，则按相同频率次序，对下一个频率重复测试，直至两次测试结果相差不超过5dB；

(4)继续进行测试，直到两耳测试完为止。

所述言语测听包括：

(1)先在言语识别阈级以上25dB或30dB的言语级测得第一个百分数得分，再以5dB或10dB一档增加言语级；如果在更高的言语级上百分数得分降低，继续在较低的言语级上进行测试；

(2)测试级的选定：持续发送与实测时同类型的言语信号，根据受试者的反馈选择言语最舒适级；

(3)测定半佳言语级：先测得最大言语识别率，其中，每5dB或10dB一档降低言语级，每一级发送一整张测试表，直至得出一个稍高于最大识别率半量的百分数得分和一个稍低于最大识别率半量的百分数得分；在得出两个得分的言语级之间用线性内插法得出半佳言语级的整数值；

(4)以百分数表示识别率，并记录得出这一结果的言语级。

所述言语测听识别概率预测模型以所述纯音测听所得的听力图、所述言语测听时每次调整的参数与相应的言语测听结果记录为输入，预测给定的WDRC参数组和单个言语测听语料的用户识别正确概率；

其中，所述言语测听识别概率预测模型通过自注意力层整合用户在各WDRC参数组下被记录的言语测听信息，所述自注意力层综合当前给定的WDRC参数组、测听语料和用户听力图的信息为查询，以所述自注意力层的输出为键和值，计算得到的输出经过全连接层和归一化后输出用户对给定的测听语料w_i识别正确的概率。

记录用户每次言语测听的言语识别结果和对应的WDRC参数组，每当调用言语测听识别概率预测模型时以用户的所有现存记录为输入。

所述参数组优化系统通过遗传算法确定能使用户在测听语料上平均言语识别率最高的参数组,其中，以WDRC参数组为染色体，以用户在测听语料上平均言语识别率为适应度函数，初始化特定数量的种群后，迭代地对所有现存个体的染色体以一定概率进行突变、和两两间交叉，根据适应度生成下一代的种群，当种群平均适应度收敛或达到一定的进化次数中止循环，得到优化结果；随后给用户按次序推荐优化过程中适应度最高前几个WDRC参数组，供用户从中选择或保持原有的参数组。

所述参数组优化系统使用启发式优化算法如模拟退火算法，或使用随机梯度下降法实现求解优化问题。

本发明具有如下有益效果：

本发明的方法可应用于数字助听器的自主验配应用场景中，根据听力障碍者的听力损失状况验配与制定听力补偿方案，从而有效地改善听觉受损用户的听力水平。与现有技术相比，本发明可以让用户高效、准确地进行助听器自主验配。用户只需进行一次纯音测听，和数轮言语测听与简单的参数组选择，即可得到兼顾验配过程便捷性与验配结果准确性的助听器自验配结果。

相比于传统的方案，本发明实施例有以下优势：

1)本发明充分利用神经网络模型以及参数组优化算法如实施例的遗传算法帮助用户做参数选择，相比现有的用户微调参数的自验配方法，用户只需要在精准推荐的参数上做更少量的微调即可。在验配便捷的同时提高了验配结果的精确性。

2)本发明中的深度学习以用户在验配过程中的客观反馈(言语测听结果)作为依据，相比现有的基于深度学习的方法更不易受到主观偏差的影响。

附图说明

图1为本发明一种实施例的自验配方法流程图。

图2为本发明一种实施例的纯音测听听力图图例。

图3为本发明一种实施例的言语测听识别概率预测模型。

具体实施方式

以下对本发明的实施方式做详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

参阅图1至图3，本发明实施例提供一种基于神经网络的用户自适应助听器自验配方法，该方法首先根据纯音测听得到听力图，根据听力图拟合一组初始的信号处理参数，由用户佩戴预调了这组参数的助听器，进行多轮的言语测听和参数调整，其中每次言语测听完毕后，言语测听识别概率模型基于用户所有的言语测听记录预测用户在各种参数组下对不同言语测听语料的识别概率，根据这些结果，参数组优化系统给出能使用户在整个言语测听语料库上言语测听识别率最高的几组参数组供用户选择，用户可选择其中之一或维持原有参数组，并继续微调参数。这样的言语测听和参数调整迭代持续进行，直到助听器调配到满足用户助听效果为止。

纯音测听

纯音测听包括纯音气导测听和纯音骨导测听。气导指声音在空气中经过外耳和中耳传到内耳的过程，骨导主要由颅骨的机械振动将声音传到内耳的过程。气导测听法由耳机将测试信号发送给受试者，骨导测听法由位于受试者乳突或者前额的骨振器发送测试信号。测试过程中可用几个固定频率的测试音，或用频率按预定速率随时间改变的测试信号测定听阈级。测听过程中，非测试耳加掩蔽噪声。掩蔽噪声经压耳式、耳罩式或插入式耳机发送给非测试耳。

为获得可靠的测试结果，给予受试者关于测试相关步骤的无歧义的指导，使其充分了解测听流程，内容可包括：怎样做出反应；在任一耳听到不管多么轻微的纯音时，都要做出反应；在听到纯音时立即作出反应，当不再听到纯音时立即停止反应；纯音的一般音调序列；先测试的耳。

测定听阈之前，先发送一足够强的信号，以引起受试者做出明确的反应，使其熟悉测试任务。熟悉测试的步骤为：

(1)发送一个1000Hz的纯音，其听力级应清晰可闻；

(2)以20dB一档降低纯音级，直至不再做出反应；

(3)以10dB一档增加纯音级，直至做出反应；

(4)以相同的纯音级再次发送纯音。

如果反应和发送的声音一致，则已熟悉。如不一致，则宜重复发送，如再次失败，则宜重复指导。对极重度耳聋者，这些步骤可能不适用。

进行纯音气导测听时，测试音发送次序从1000Hz开始向上。

使用升降法进行测试的流程是：

(1)发送一个在熟悉测试阶段受试者做出反应的最低音级以下10dB的测试音。每次对测试音未做出反应后，就以5dB为一档逐次加大测试音级，直至做出反应；

(2)得出反应后，将测试音级增加5dB，继而以5dB一档开始下降，直至没有反应。然后再将测试音级降低5dB，开始下一次上升测试，如此连续完成三次上升和三次下降；

(3)从前面的反应估计一个可听到的测试音级，以这个音级发送下一个频率的测试音，再重复第二步，对一耳完成全部频率的测试。最后，重复1000Hz的测试。如果该耳对1000Hz的重复测试结果，与其在开始时的测得的结果相差不超过5dB，就可以进行另一耳的测试。如果能分辨出听阈级有10dB或更大的改善或变差，则按相同频率次序下，对下一个频率重复测试，直至两次测试结果相差不超过5dB；

(4)继续进行测试，直到两耳测试完为止。

将测试结果绘图，即可得到听力图，如图2所示。

言语测听

在进行言语测听之前，受试者完成了纯音测听。在开始测听之前，对受试者进行测试方法的指导，包括：

(1)将先测试哪一耳；

(2)测试项的类型及如何做出应答；

(3)任一耳听到言语时都需要做出应答，不论它可能多么轻微；

(4)每个测试项一被听到，就需要做出应答；

(5)如果是用口头应答，即使不能肯定是否听对了该测试项时，也要清晰地复诵听到的测试项，每个测试项只允许一个应答。

言语识别率的测定：首先对受试者用其能听清的足够高的声级播放一些测试项，使其熟悉测试要领。通常，选用受试者在500Hz、1000Hz和2000Hz的平均纯音听阈级以上30dB～40dB的言语听力级较为适宜。具体的测定步骤如下：

(1)为了测定最大言语识别率，通常是先在言语识别阈级以上25dB或30dB的言语级测得第一个百分数得分。再以5dB或10dB一档增加言语级，直到测得最大识别率或受试者感到不舒服或者疲劳为止。如果在更高的言语级上百分数得分降低，测试则继续在较低的言语级上进行；

(2)为了测定最舒适响度级上的言语识别率，测试级的选定方法是持续发送与实测时同类型的言语信号，让受试者说出他所顶到的响度(低了、正好、高了、太响)，常常在“低了”和“高了”之间的中点是首选的言语最舒适级；

(3)为了测定半佳言语级，先测得最大言语识别率。每5dB或10dB一档降低言语级，每一级发送一整张测试表，直至得出一个稍高于最大识别率半量的百分数得分和一个稍低于最大识别率半量的百分数得分。在得出上述两个得分的言语级之间用线性内插法得出半佳言语级的整数值；

(4)以百分数表示识别率，并记录得出这一结果的言语级。

言语测听识别概率预测模型

如图3所示，言语测听识别概率预测模型以用户纯音测听所得的听力图、佩戴助听器后每次调整的参数与相应的言语测听结果记录为输入，预测给定的WDRC参数组和单个言语测听语料的用户识别正确概率。

其中自注意力层整合用户之前在各WDRC参数组下被记录的言语测听信息，自注意力层综合当前给定的WDRC参数组、测听语料和用户听力图的信息为查询，以自注意力层的输出为键和值，计算得到的输出经过全连接层和归一化后输出用户对给定的测听语料w_i识别正确的概率。在自验配流程中，系统记录用户每次言语测听的言语识别结果和对应的WDRC参数组，每当调用言语测听识别概率预测模型时以用户的所有现存记录为输入。

对于言语测听识别概率预测模型，还可以考虑用户的言语测听结果和听力图随时间的变化程度，这样就不再假设用户在进行所有测试的过程中听损情况保持静态不变，更符合真实情况。

参数组优化系统

言语测听识别概率预测模型仅预测单个参数组下单个语料的识别概率，在此基础上算得能使用户在所有测听语料上平均言语识别率(由言语测听识别概率预测模型遍历语料库算得)最高的参数组，是一个复杂的优化问题，这里我们使用一种启发式的优化算法——遗传算法来求解。

具体而言，以WDRC参数组为染色体，以用户在所有测听语料上平均言语识别率为适应度函数，初始化特定数量的种群后，迭代地对所有现存个体的染色体以一定概率进行突变、和两两间交叉，根据适应度生成下一代的种群，当种群平均适应度收敛或达到一定的进化次数中止循环，得到优化结果。

随后系统给用户按次序推荐优化过程中适应度最高前几个WDRC参数组，用户从中选择或保持原有的参数组。

参数组优化系统关于优化问题的求解方法可以采用其他的启发式优化算法(如模拟退火算法)，还可以使用随机梯度下降法替代。

在一个具体实施例的自验配过程中，用户可首先在线上进行纯音测听得到听力图，系统根据听力图拟合一组初始的WDRC参数组，随后让用户佩戴预调了初始参数组的助听器，在线上进行多轮的言语测听和参数调整，其中每次言语测听完毕后，言语测听识别概率模型基于用户所有的言语测听记录预测用户在各种参数组下对不同言语测听语料的识别概率，根据这些结果，参数组优化系统给出能使用户在整个言语测听语料库上言语测听识别率最高的几组参数组供用户选择，用户可选择其中之一或维持原有参数组，并选择是否微调参数。这样的言语测听和参数调整迭代持续进行，直到助听器调配到满足用户助听效果为止。

本发明的助听器自验配方法的应用对硬件环境没有特殊的要求，在一般的带有麦克风、扬声器和能与助听器连接的个人计算机上运行即可。用户可先在普通个人计算机上通过在线的方式进行纯音测听，测得听力图。收到助听器制造商基于听力图预调的助听器后，进入微调环节。用户佩戴助听器，重复地进行纯音测听，选择系统推荐的参数组或维持原有参数组，在所选的参数组上微调整体音量、高频与低频的增益。直到调整到合适的状态，完成自验配。

本发明的优点至少有：

1、使用本发明的方法，可充分挖掘用户验配过程中的客观反馈信息，为参数调整带来强有力的指导。

2、使用本发明的方法，参数推荐方案高度用户自适应，用户只需要在精准推荐的参数上做更少量的微调即可。自验配过程简单有效。

本发明的背景部分可以包含关于本发明的问题或环境的背景信息，而不一定是描述现有技术。因此，在背景技术部分中包含的内容并不是申请人对现有技术的承认。

以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。在本说明书的描述中，参考术语“一种实施例”、“一些实施例”、“优选实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。尽管已经详细描述了本发明的实施例及其优点，但应当理解，在不脱离专利申请的保护范围的情况下，可以在本文中进行各种改变、替换和变更。

Claims (9)

1.一种基于神经网络的用户自适应助听器自验配方法，其特征在于，包括：

根据用户纯音测听得到的听力图，拟合一组初始的信号处理参数；

通过用户佩戴的预调了所述信号处理参数的助听器，进行多轮的言语测听和参数调整；

其中，每次言语测听完毕后，基于神经网络的言语测听识别概率模型根据用户的言语测听记录，预测用户在各种参数组下对不同言语测听语料的识别概率；参数组优化系统根据预测结果，获得使用户的言语测听识别率最高的几组参数组供用户选择；并基于用户选择的参数组，继续微调参数；持续迭代进行言语测听和参数调整，直到助听器调配到满足预定的助听效果为止；

所述言语测听识别概率预测模型以所述纯音测听所得的听力图、所述言语测听时每次调整的参数与相应的言语测听结果记录为输入，预测给定的WDRC参数组和单个言语测听语料的用户识别正确概率；

其中，所述言语测听识别概率预测模型通过自注意力层整合用户在各WDRC参数组下被记录的言语测听信息，所述自注意力层综合当前给定的WDRC参数组、测听语料和用户听力图的信息为查询，以所述自注意力层的输出为键和值，计算得到的输出经过全连接层和归一化后输出用户对给定的测听语料w_i识别正确的概率。

2.如权利要求1所述的用户自适应助听器自验配方法，其特征在于，所述信号处理参数包括WDRC参数。

3.如权利要求1所述的用户自适应助听器自验配方法，其特征在于，所述纯音测听使用几个固定频率的测试音，或用频率按预定速率随时间改变的测试信号测定听阈级。

4.如权利要求1所述的用户自适应助听器自验配方法，其特征在于，所述纯音测听包括：

(1)测试音发送次序从1000Hz开始向上，发送一个在熟悉测试阶段受试者做出反应的最低音级以下10dB的测试音，每次对测试音未做出反应后，就以5dB为一档逐次加大测试音级，直至做出反应；

(2)得出反应后，将测试音级增加5dB，继而以5dB一档开始下降，直至没有反应，然后再将测试音级降低5dB，开始下一次上升测试，如此连续完成三次上升和三次下降；

(3)从前面的反应估计一个可听到的测试音级，以这个音级发送下一个频率的测试音，再重复第二步，对一耳完成全部频率的测试；最后，重复1000Hz的测试，如果该耳对1000Hz的重复测试结果，与其在开始时的测得的结果相差不超过5dB，则进行另一耳的测试，如果能分辨出听阈级有10dB或更大的改善或变差，则按相同频率次序，对下一个频率重复测试，直至两次测试结果相差不超过5dB；

(4)继续进行测试，直到两耳测试完为止。

5.如权利要求1至4任一项所述的用户自适应助听器自验配方法，其特征在于，所述言语测听包括：

(1)先在言语识别阈级以上25dB或30dB的言语级测得第一个百分数得分，再以5dB或10dB一档增加言语级；如果在更高的言语级上百分数得分降低，继续在较低的言语级上进行测试；

(2)测试级的选定：持续发送与实测时同类型的言语信号，根据受试者的反馈选择言语最舒适级；

(3)测定半佳言语级：先测得最大言语识别率，其中，每5dB或10dB一档降低言语级，每一级发送一整张测试表，直至得出一个稍高于最大识别率半量的百分数得分和一个稍低于最大识别率半量的百分数得分；在得出两个得分的言语级之间用线性内插法得出半佳言语级的整数值；

(4)以百分数表示识别率，并记录得出这一结果的言语级。

6.如权利要求1至4任一项所述的用户自适应助听器自验配方法，其特征在于，记录用户每次言语测听的言语识别结果和对应的WDRC参数组，每当调用言语测听识别概率预测模型时以用户的所有现存记录为输入。

7.如权利要求1至4任一项所述的用户自适应助听器自验配方法，其特征在于，所述参数组优化系统通过遗传算法确定能使用户在测听语料上平均言语识别率最高的参数组,其中，以WDRC参数组为染色体，以用户在测听语料上平均言语识别率为适应度函数，初始化特定数量的种群后，迭代地对所有现存个体的染色体以一定概率进行突变、和两两间交叉，根据适应度生成下一代的种群，当种群平均适应度收敛或达到一定的进化次数中止循环，得到优化结果；随后给用户按次序推荐优化过程中适应度最高前几个WDRC参数组，供用户从中选择或保持原有的参数组。

8.如权利要求1至4任一项所述的用户自适应助听器自验配方法，其特征在于，所述参数组优化系统使用启发式优化算法如模拟退火算法，或使用随机梯度下降法实现求解优化问题。

9.一种计算机可读存储介质，其特征在于，其存储的计算机程序由处理器运行时，实现如权利要求1至8任一项所述的用户自适应助听器自验配方法。

Images