CN1879449B - 助听器和减少噪声的方法 - Google Patents

Abstract

一种助听器(30)包括一个麦克风(71)、一个信号处理器装置(20)和一个输出转换器(22)，该信号处理装置(20)包括一组音频处理参数和对背景噪声进行分类的装置(8)，用于优化频率响应来使背景噪声的影响最小化的目的，所述音频处理参数组被映射到一组被存储的噪声类别(12)。所述助听器还包括一个控制频率响应的神经网络。也提出了一种减少信号中噪声分量的方法，该方法包括对噪声分量进行分类、将该噪声分量与一组已知的噪声分量比较，并根据一个相应的频率响应参数组来调节被处理的音频信号。

Description

助听器和减少噪声的方法

技术领域

【001】本发明涉及一种助听器。更具体地，本发明涉及一种使助听器内的声音再现适应于已知声音环境的系统和方法。 

背景技术

【002】助听器系统通常包括助听器和编程设备，所述助听器包括至少一个麦克风、一个信号处理装置和输出转换器，该信号处理装置适于接收来自麦克风的音频信号，并通过输出转换器重现一个经放大的输入信号，而该编程设备适于改变助听器的信号处理以适应助听器使用者的听觉，也就是足够地放大使用者听力受损的听觉中的频带。 

【003】当前的助听器系统中的音频再现在使用过程中会变化，例如依赖于由助听器处理器处理的信号的频谱分布。这样做的目的是使语音再现适应于匹配关于使用者的剩余听力的环境声音。在许多情况下，声音再现对于当前的声音环境还有其它的适应性也会是有利的，例如，当在安静的环境中听讲话与在吵闹的环境中听讲话相比时，可能需要不同的频率响应。因此，使频率响应依赖于收听状况将会是很有利的，例如，针对诸如人在安静的环境中说话、人在吵闹的环境中说话、或者没有讲话的嘈杂环境的状况，提供专门的响应。下文中，术语“噪声”用来表示任何相对于声音清晰度再现所不必要的信号分量。 

【004】出于识别收听状况的主要类型，并使来自助听器的音频再现适应于推测的分类收听状况的目的，已经提出了各种对收听状况进行分类的方法，这些方法适于与助听器系统结合起来使用。这些方法可以是，例如采用对不同频率的短期RMS值分析、对不同频率的音频信号的调制频谱分析，或者采用时域内的分析以揭示出不同频带之中的同步性。这些方法都有缺点，主要是因为所提出的方法都只利用了仅仅一小部分可获信息。 

【005】另一种固有的问题是由助听器从周围环境中拾得的噪声。在 现代社会，噪声的来源通常是机械的，像运输装置、鼓风机、工业机器或者民用设备，或者是人造的，像收音机或电视机广播、或餐馆中的背景闲聊声。为了使助听器电路能够适应于助听器拾得的噪声，根据被讨论的特定噪声的频率分布和本性，将噪声环境细分为多个不同的噪声环境类别是非常有利的。 

【006】本发明的一个目标就是实现对来自一个或多个助听器麦克风的声信号进行识别和分类，并使用这种信息来使声音处理适于提高的用户舒适度的策略和方法。声信号的分类包含对当前收听状况的分析，进而识别当前的收听状况与存储的特定一组收听状况模板中的哪一种收听状况最类似。这个分类的目的是为了在助听器中选择一种频率响应，该频率响应在当前的收听状况下能够产生最佳的语音清晰度效果和用户舒适度效果。 

【007】本发明的另一个目标是实现一种在助听器系统中对噪声环境进行分类和分析的方法，使得可能使声音处理适应来减少再现信号中的噪声量。 

【008】可从例如美国专利5 604 812了解包括一种装置的助听器，该装置使声音再现适应于多个不同噪声环境中的某一种噪声环境，所述不同噪声环境是被自动控制的或者由用户根据一组预定的适应规则进行控制，美国专利5 604 812公开了一种助听器，该助听器能够根据当前的环境情况的分析，使其信号处理特性自动适应。所公开的助听器包括信号分析单元和数据处理单元，数据处理单元适于根据当前的声环境，基于测听数据、助听器特性和规定算法，改变助听器的信号处理特性。美国专利5 604 812没有特别地致力于解决减少再现信号中的背景噪声和改善语音清晰度的特定问题。 

【009】Festen和Plomp所写的标题为“Effects of fluctuating noise andinterfering speech on the speech reception threshold for impaired and normal hearing(波动噪声和干扰语音对受损和正常听力的语音接收阈值的影响)”(J.Acoust.Soc.Am，1990，88pp1725-1736)的文章中，进行了如下观察，在感知被竞争语音或者经调制的噪声所掩蔽的语音方面，感觉神经听力损伤的收听者比具有正常听力的收听者具有更大的难度。利用各种各样的方法对采用的噪声进行调制，并且为正常听力和受损听力的听众代表组都形 成一定的感知度。具有正常听力的收听者和具有受损听力的收听者对由未调制噪声掩蔽的语音的感知上的差异比对由调制噪声掩蔽的语音的感知上的差异小。 

【010】在这个研究中，对调制噪声中的语音感知的最坏情况的例子是：对特定的说话者，利用说话者自己语音的逆向时间形式(time-reversedversion)进行噪声掩蔽。在这种情况下，噪声频率与被感知的语音的频率相似，并且正常听力的收听者和听觉损伤的收听者在感知时具有相同的难度。 

【011】因此，需要这样的方法，该方法帮助听觉受损的收听者感知并识别调制噪声中的语音。如果助听器可以以足够的确定度建立给定声音环境中存在的噪声的特点，那么可以采取步骤对存在的噪声类型进行补偿，进而可改善对该声音环境中语音的感知。 

【012】EP 1 129 448 B1公开了一种对语音信号的信噪比进行测量的系统和方法。该系统能够根据依时的(time-dependent)信号均值与依时的从信号均值偏离的信号偏差之间的比例确定依时的语音噪声比。例如，在助听器中，该系统利用了多个带通滤波器、包络提取器、时间局部(time-local)均值检测器以及时间局部偏离均值检测器来估计语音噪声比。EP 1 129 448 B1没有记载调制噪声中的语音。 

【013】WO 91/03042描述了一种对混合的语音和噪声信号进行分类的方法和装置。将信号拆分成分离的、有限频率的子信号，每一个子信号包含语音信号的至少两个谐波频率。形成了这种子信号的包络，而且也形成了全部子信号的各个包络之间的同步测量值。将该同步测量值与一个阈值进行比较，用于将混合信号分类成被语音信号明显影响或不被语音信号明显影响的。关于一个崭新的频率来进行该分类，因此该分类可形成噪声信号相对精确估计的基础，特别地，当其具有类似语音的特性时。 

【014】这种方法是相当复杂的，在实际中，为了实现该方法需要大量的步骤。 

【015】通过对大范围的声音环境进行检查，揭示了如下事实：可以通过将声谱分成适当数量的频带，并对噪声等级进行估计，来估计特定声音环境中的噪声底为位于每个特定频带中总能量的假定10％下方的这个频带中的信号能量部分。下面，这种方法被称为低百分位方法，在实际应 用中，这种方法给出好的结果。可以通过计算所有单个频带中的低百分位得到讨论的实际声谱的噪声包络。 

【016】为了简化计算，可以利用一种线性回归方案来计算对声谱中采集的低百分位的最佳线性拟合。线性拟合的斜率然后可以用在对声音环境的分类中。如果频谱被分成n个频带，最佳线性拟合的斜率可以用下面的表达式确定： 

$\mathrm{\α}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}((x_i-x_{\mathrm{ave}})\·(y_i-y_{\mathrm{ave}}))}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-x_{\mathrm{ave}})}^2}[\mathrm{dB}/\mathrm{band}]---\left(1\right)$

这里，x_i是第i个频带，x_ave是频带1到n的平均值，y_i是来自频带i中的低百分位的输出，而y_ave是在所有n个频带中的低百分位的平均值。 

【017】这个表达式可以进一步简化，因为测量值或者表示线性拟合斜率的数字是仅需要的信息： 

$\mathrm{\α}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(x_i-x_{\mathrm{ave}})\·y_i---\left(2\right)$

因此去掉量纲dB/band就形成了一个表示通过表示特定声音环境中的噪声频率分布的低百分位的最佳线性拟合斜率的可比较数字，如下面将示出的。 

【018】包括一个麦克风以及一个音频处理器的声音系统被用于选取并存储声音信号。将被记录声音信号的频谱分成合适数量的频带，假定为15个频带，并且为每个频带确定低百分位，即每个频带中信号能量最低5％到15％的水平。这生成了一组低百分位数据。然后，利用方程式(2)将这个数据组量化为一个分类系数。可以将典型噪声类型的一个子集排列在一个噪声类型分类表中，就如表1所示： 

表1 

噪声分类表(来自于仿真) 

噪声类型	噪声分类输出范围(α)
		汽车噪声(4种不同类型)	[-500；-350]
宴会/咖啡馆噪声(3种类型)	[-180；-10]
		街道噪声	[-50；-100]
高频缝纫机噪声	[200；650]

[0026] 【019】从这个分类表，我们可以了解两件事。噪声分类系数范围可以是正数或负数，即正数或负数α，或者线性拟合斜率。主要是低频含量的噪声源总是具有负的斜率，而主要是高频斜率的噪声源总是具有正的斜率。具备这个知识，就可以将不同的噪声类型量化，并且诸如助听器系统的音频处理系统中的环境噪声将实现自适应减少。 

【020】通过将信号拆分为多个离散的频带，并从这些频带中的每一个得到瞬间RMS值，就可以在任何时刻对信号的频谱分布进行分析。在不同频带中的信号的频谱分布可以用一个向量 

(m₁...m_n，t)表示，这里m是频带的数量，t表示时间。向量 

表示在任意时刻t_x信号的频谱分布。 

【021】利用和先前描述相同的方式，将信号拆分为多个离散的频带以及从这些频带获得瞬间RMS值，并从得自每个频带的每个RMS值得到变化的范围，也可能分析频谱分布中的时域变化(temporal variation)，也就是特定频带中多少信号幅值或信号等级随时间变化。频谱分布中的时域变化也可以用一个向量 

(m₁...m_n，t)表示，这里m表示频带的数量，t表示时间。向量 

表示在任意时刻t_x信号的频谱变化分布。利用这种方法，可以得到两个向量 和 

其具有信号特有的特征。然后，将这些向量用作对一系列不同收听状况进行分类的基础。 

【022】为了能够将这种信号分析方法用于任何实际应用，就有必要得到一组参考向量，这些参考向量被用作确定信号特征的基础。通过对许多众所周知的收听状况进行分析，并得到每个状况的典型参考向量 

和 可以获得这些参考向量。 

【023】作为参考收听状况，即收听状况模板的众所周知的收听状况例子，可以包括，但不限于下面的收听状况： 

1.在安静的周围环境中的语音 

2.在固定(不变化)噪声中的语音 

3.在类似脉冲噪声中的语音 

4.没有语音的噪声 

5.音乐 

【024】来自每个收听状况的许多测量值被用于获得两个无量纲的参考向量 

和 作为向量 

和 的典型例子。随后，将作为结果的参考向量存储在助听器处理器的存储器中，这里它们被用于计算实际向量 

和 

及参考向量 

和 

之间差异的实时估计值。 

发明内容

【025】根据本发明的助听器包括至少一个麦克风、一个信号处理器装置和一个输出转换器，所述的信号处理装置适于接收来自麦克风的音频信号，其中音频处理装置具有被映射到一组存储的噪声类别的一组信号处理参数、用于对背景噪声分类的装置、用于对音频信号进行分析从而在多个声音环境模板中选择一个和当前音频信号背景噪声对应的或同性的(homologous to)模板的装置，以及用于检索适合于处理和被选择模板对应或同性的声音的一组声处理参数。 

【026】这可以使得助听器可能识别一个给定的、分类噪声状况，接着采取措施使噪声对助听器重现的信号的影响减到最小。这些措施可以是调节信号处理器中单个通道的增益水平；变成更适于当前噪声状况的助听器存储的另一程序；或者调节信号处理器中单个通道的压缩参数。 

【027】根据本发明，助听器还包括一个低百分位估计器，以对背景噪声进行分析。在声环境中，这是一种分析背景噪声的有效方法。 

【028】从助听器子权利要求可以看到根据本发明的助听器的另外特征。 

【029】本发明还设计了一种减少助听器中背景噪声的方法，所述助听器包括至少一个麦克风，一个信号处理装置以及一个输出转换器，所述的信号处理装置具有将不同的背景噪声分类为多个类别的装置以及一组相对应的频率响应参数，所述频率响应参数与一组存储的噪声类别相关联；所述方法的第一步是接收来自麦克风的音频信号，然后对音频信号中的背景噪声分量进行分类，接着将分类的背景噪声分量与一组已知的背景噪声分量进行比较，找到最接近分类背景噪声分量的噪声组，并且根据对应的频率响应参数组调整音频信号或使音频信号适应。 

【030】通过对噪声等级和噪声分类进行连续分析，该方法可以使得助听器能够使信号处理适应多个不同的声环境。在优选实施例中，这种适应的重点是对语音的清晰度进行优化，但是可以从其他的实施例中设计其它用途。 

【031】从所述方法的子权利要求可以了解根据本发明的所述方法的 另外特征。 

附图说明

【032】现在将利用附图中说明的实例对本发明进行更加详细的描述，其中： 

【033】图1是示出语音信号中的低百分位和高百分位的图。 

【034】图2是通过对在一段时间取得的不同噪声样本进行比较来说明噪声分类的图。 

【035】图3是一个示意性框图，其显示了根据本发明的具有噪声分类装置的助听器中的信号处理块。 

【036】图4说明了一组预定的增益向量，该组预定增益向量是从在平滑的30dB听力损失的不同噪声等级的不同噪声分类得到的。 

【037】图5显示了用于确定助听器中单个频带的语音清晰度指数SII增益的神经网络。 

【038】图6所示是对信号的频谱分布进行分析的简化系统。 

【039】图7所示是对信号的频谱变化进行分析的简化系统。 

【040】图8示出了根据本发明的系统如何在图4中的不同预定噪声增益向量之间进行插值。 

【041】图9显示了根据本发明的助听器。 

具体实施方式

【042】图1示出了持续时间为20秒的数字化声音信号段，其由两个分别表示低百分位和高百分位的曲线包络。该声音信号的最初10秒主要是由等级在大约40到50dB SPL(声压级)之间的噪声所组成。接下来的7-8秒钟是叠加了噪声的语音信号，是具有等级为大约45到75dB SPL的合成信号。图1中信号的最后2-3秒是噪声。 

【043】低百分位是以下面的方式从信号中得到的：信号被分成等持续时间，比方说125ms的“帧”，每帧的平均等级与先前帧的平均等级进行对比。所述帧可以实现为信号处理器存储器中的缓冲器，每个缓冲器都保存若干数量的输入信号样本。如果当前帧的等级高于先前帧的等级，那么可以使低百分位等级增加当前等级与先前帧的等级之间的差值，也就是 相对慢的增加。这个低百分位可以是从5％到15％的信号百分比，优选10％。然而，如果当前帧的等级低于先前帧的等级，那么低百分位就以一个固定的系数减少，比方说当前等级与先前帧的等级之间差值的九到十倍，也就是相对快的减少。这种逐帧处理的方法可以绘制表示取决于所选百分比的信号的低能量分布的曲线。 

【044】类似地，通过将当前帧的平均等级与先前帧的平均等级相比较，可以从信号中得到高百分位。如果当前帧的等级低于先前帧的等级，那么高百分位就减少当前等级与先前帧的等级之间的差值，也就是相对慢的减少。然而，如果当前帧的等级高于先前帧的等级，那么高百分位就以一个固定系数增加，比方说当前等级与先前帧的等级之间差值的九到十倍，也就是相对快的增加。这个高百分位可以是从85％到95％的信号百分比，优选90％。这种处理方法绘制近似表示取决于所选百分比的信号的高能量分布的曲线。 

【045】如图1所示，构成低百分位和高百分位的两条曲线形成了一个围绕信号的包络。从两个百分位曲线中获得的信息可以以几种不同方式被利用。例如，低百分位可以被用于确定信号中的噪声底(noise floor)。高百分位可以被用于控制限幅器算法，或者类似算法，算法被应用在随后处理级中防止信号过载。 

【046】图2中示出了噪声分类的例子，在图中采用前面描述的分类算法已经对几种不同的噪声源进行了分类。为了说明，八种噪声源例子用A到H标记。每种噪声类型都已经记录了一段时间，并且最终的噪声分类指数以图表示。一般情况下，尽管决不能认为两个不同的术语是等同的，但是噪声源的高频部分与噪声分类指数之间有直接的关系。 

【047】噪声源例子A是公共汽车的发动机噪声。它的频率相对慢并且在本质上是不变的，因此已经被指定的噪声分类指数在-500到-550左右。噪声源例子B是小汽车的发动机噪声，在本质上，其与噪声源例子A类似，并且已经被指定的噪声分类指数在-450到-550左右。噪声源例子C是餐馆噪声，也就是人们的谈话和餐具碰撞的声音。它已经被指定的噪声分类指数在-100到-150。噪声源例子D是聚会上的噪声，与噪声源例子C非常类似，已经被指定的噪声分类指数在-50到-100之间。 

【048】噪声源例子E是吸尘器，并且已经被指定的噪声分类指数大 约为50。噪声源例子F是烹饪机罩或者通风机的噪声，其具有的特性与噪声源例子E类似，并且它已经被指定的噪声分类指数为100到150。图2中的噪声源例子G是洗衣机，而且它已经被指定的噪声分类指数为200左右，最后一种噪声源例子H是理发吹风机，由于与图2中的其它噪声分类指数相比其具有更主要的高频率部分，所以其已经被指定的噪声分类指数为500到550。这些噪声类别仅仅是作为例子并入，没有以任何方式对本发明的范围进行限制。 

【049】图3所示是本发明的一实施例，其包括一个具有两个主级(mainstage)的信号处理块20。为了清楚起见，信号处理块20在后面被分成多个级。信号处理块20的第一级包括高百分位和声音稳定器块2和一个压缩器/调节块3。在求和块4中，将压缩器/调节块3的输出和输入端子1的输出进行求和。 

【050】信号处理块20的第二级，有一点更加复杂，其包括一个与语音增强块6连接的快速反应高百分位块5、一个与噪声分类块8连接的慢速反应低百分位块7，一个与语音清晰度指数增益计算块10连接的噪声等级估计块9。此外，增益加权块13包括一个与语音清晰度指数增益矩阵块12连接的听力阈等级块11，该增益加权块13与语音清晰度指数增益计算块10连接。后者仅在调节过程中被使用，这里就不再进一步详细描述它了。 

【051】语音清晰度指数增益计算块10和语音增强块6都与求和块14连接，求和块14的输出与减法块15的负输入端连接。在输出端16可得到减法块15的输出，其包括信号处理块20的输出。 

【052】信号处理块20的高百分位和声音稳定器块2输出的信号被馈送到压缩器/调节块3，在这里计算出各个频带的压缩比例。一个输入信号被馈送到输入端子1，并与压缩器/调节块3输出的信号在求和块4中相加。求和块4的输出信号与减法块15的正输入端连接。 

【053】高百分位快速块5输出的信号被馈送到语音增强块6的第一输入端。低百分位慢速块7输出的信号被馈送到语音增强块6的第二输入端。这些百分位信号分别是表示高百分位和低百分位的包络，如从输入信号得到的。低百分位慢速块7输出的信号也分别被馈送到噪声分类块8和噪声等级块9的输入端。噪声分类块8根据方程式(1)给噪声分类，结 果信号被用作SII增益计算块10的三组参数中的第一组参数。噪声等级块9确定从低百分位慢速块7获得的信号的噪声等级，并且结果信号被用作SII增益计算块10的三组参数中的第二组参数。 

【054】增益加权块13包括听力阈等级块11和SII增益矩阵块12，其为SII增益计算块10提供三组参数中的第三组参数。这个参数组是在助听器调节过程由调节或适应软件计算出来的，并且结果的这组参数是由听力阈等级和用户的听力损失确定的一组常数。SII增益计算块10中的这三组参数被用作输入变量，以便计算出使语音清晰度指数优化的各个频带中的增益设定值。 

【055】来自SII增益计算块10的输出信号与语音增强块6的输出在求和块14中相加，结果信号被馈送到求和块15中，在这里，求和块4输出的信号减去求和块14输出的信号。因此，信号处理块20的输出端16上出现的输出信号可以被认为是：经压缩和调节补偿的输入信号减去估计的误差信号或噪声信号。估计的误差信号越接近实际的误差信号，信号处理块就能够从信号中除去更多的噪声，而不会留下听觉假象。 

【056】噪声分类系统的优选实施例具有等于低百分位的时间常数的响应时间。这些时间在噪声等级上升时大约在1.5到2dB/秒之间，在噪声等级下降时大约在15到20dB/秒之间。结果，在环境噪声等级从相对安静(假定45dB SPL)变化到相对嘈杂(假定80dB SPL)的情况下，噪声分类系统能够在大约20秒的时间内充分地对噪声进行分类。另一方面，如果噪声等级从相对嘈杂变化到相对安静，那么噪声分类系统能够在大约2秒的时间内适应。 

【057】当助听器使用者在不同噪声环境之间移动时，这可以使噪声分类系统能够相对快地适应助听器中的信号处理。然后，助听器处理器利用噪声分类系统的结果来调节频率响应和助听器中的其它参数，从而对再现信号进行优化，以增强各种不同嘈杂环境中的语音。 

【058】图4是平滑的30dB听力损失的估计增益矩阵补偿向量示意图，这个听力损失是从图2中四种不同的噪声类别例子在八个不同噪声等级产生的。32个单个图表中的每一个都显示了15个频带，在其中进行音频处理，灰色所示的是相对补偿值(负值)。图的最上面一行表示白色噪声类别分别在-15dB、-10dB、-5dB、0dB、5dB、10dB、15dB以及20dB噪声等级时的估计增益矩阵补偿向量，其用灰色表示。相对地，所有的噪声等级对应70dB SPL的声压级。类似地，从顶部开始的第二、第三和第四行分别表示的是类别为洗衣机噪声、聚会噪声和汽车噪声在各自噪声等级的估计增益矩阵补偿向量。通过将方程式(2)带入语音清晰度指数函数和被讨论的噪声分布，并将结果插入当前的噪声等级和噪声类型中，已经找到了估计增益矩阵补偿向量。

【059】如图4所示，表示等级低于0dB的不同噪声类别的向量图具有相对适度的灰色区域，这表示：在低噪声等级，只需要很少的补偿量来减少噪声。表示等级为0dB及大于0dB的不同噪声类别的图具有更明显的灰色区域，这表示在更高等级，需要更多的补偿量来减少噪声。 

【060】在优选实施例中，在助听器的专用存储器中以查找表的形式存储增益矩阵补偿向量值组，然后，一个算法可利用估计的增益矩阵补偿值，通过选择噪声类别和估计噪声等级以及在查找表中查找适当的增益矩阵补偿向量，来确定特定状况下所需的补偿量。如果估计的噪声分类指数具有的值接近被选择噪声类别的边界线，例如聚会噪声或者洗衣机噪声的边界线，那么所述算法可以用表示查找表中两个相邻增益矩阵行之间的平均值的一组值进行插值，来定义增益矩阵补偿向量。如果估计的噪声等级具有一个接近相邻噪声等级范围的值，例如7dB，所述算法可以用表示查找表中两个相邻增益矩阵列之间的平均值的一个值进行插值，来定义增益矩阵补偿向量。 

【061】图5显示了图3中SII增益计算块10的一个实施例，其为全连接的神经网络结构，该结构具有七个输入单元、N个隐式双曲正切单元和一个输出单元，其被配置成从一组已识别的参数变量中产生SII增益值。该SII增益值是噪声类别、噪声等级、频带数和在500Hz、1kHz、2kHZ、4kHZ的四个预定听力阈等级值的函数。在其他实施例中，SII增益计算块(即计算语音清晰度指数增益的装置)包括一个向量处理器，其适于将所述语音清晰度指数增益作为多个输入参数的函数来计算。 

【062】最好利用Levenberg-Marquardt训练方法对图5中的神经网络进行训练。在仿真中，采用100个随机产生的、不同听力损失训练组以及相应的SII增益值来实施这个训练方法。 

【063】在ANSI S3.5-1969标准(1997年修订)中，对语音清晰度 指数(SII)的概念进行了更加详细的讨论，该标准提供了计算语音清晰度指数SII的方法。SII使预测传输的语音信息中的清晰量成为可能，进而预测线性传输系统中的语音清晰度。在Haykin 1998年第2版著作“NeuralNetworks：A Comprehensive Foundation”中一般地更全面描述了神经网络和训练方法。 

【064】听力损失可以从实际临床数据中获得，或者也可以利用统计方法随机产生，如这里描述的实例情况。在训练过程中，神经网络优选实施为普通计算机中的软件片断。对神经网络训练之后，使用另100个随机产生的不同听力损失作为例子来验证这个训练，在这100个例子上估计参数组。执行这个验证过程从而保证神经网络能够以足够的精确度估计一个给定的将来听力损失的SII增益值。 

【065】在神经网络的训练验证后，神经网络中的训练参数被锁定，并且参数值可以传送给助听器中的相同神经网络，在图5中N个隐藏单元或者节点表示这些参数值，在图3中，这个神经网络实施为SII增益计算单元10的组成部分。在助听器中，当被馈送噪声类别、噪声等级以及助听器中15个不同频带的一组单独增益补偿矩阵值时，这使SII增益计算单元能够估计给定听力损失的SII增益值。 

【066】神经网络在指定时刻传送SII增益值的合格估计。噪声等级和噪声类别随时间随麦克风采集的信号中的变化而变化。 

【067】图6所示系统是分析助听器中信号频谱分布的系统的实施例。利用一组带通滤波器72，声源71发出的信号被分成许多频带，并且这组带通滤波器72输出的信号被馈送到若干RMS检测器73中，每一个RMS检测器输出处于那个特定频带之中的信号级的RMS值。将来自RMS检测器73的信号相加，并且在块74中计算出最终的频谱分布向量 

表示时变的(time varying)频率特定向量。频谱分布向量 

表示在给定时刻的信号频谱分布，并且可以用于表征信号的特性。 

【068】图7中的系统是分析助听器中频谱变化的简化系统。利用与图6描述类似的方式，通过采用若干的带通滤波器72和若干的RMS检测器73，从信号源71得到频谱分布。在图7的系统中，来自RMS检测器73的信号被馈入到若干的范围检测器75中。范围检测器75的用途是：确定从带通滤波器72和RMS检测器73中得到的各个频带中的等级随时间 的变化。将来自范围检测器75的信号相加，在块76中计算出最终的频谱变化向量 表示时域变化(temporal variation)频率特定向量。频谱变化向量 

表示在给定时刻的信号频谱变化，也可以用于表征信号特性。 

【069】通过将来自频谱分布向量 和频谱变化向量 的值合并，可以获得信号的更根本特征。这说明了信号的频谱分布以及该分布随时间的变化。 

【070】图8示出了根据本发明的助听器如何利用图4所示的预定增益向量组、例举的-3dB噪声等级和检测的噪声分类系数50，例如源自附近某种电机假设为电气厨房设备的噪声，插入一个最优的增益设置。使用这组预定增益向量作为查找表，助听器处理器用检测的噪声分类系数来确定最接近的匹配噪声类型，并且用检测的噪声等级来确定查找表中最接近的匹配噪声等级。利用前面描述过的计算的增益值矩阵，助听器处理器随后插入增益值，该增益值来自表中位于检测噪声等级之上和之下的条目以及表中位于检测噪声分类系数之上和之下的条目。然后，用插入的增益值将助听器处理器中各个频带中的实际增益值调节为减少特定噪声的优化值。 

【071】图9是助听器30的框图，该助听器包括与模拟/数字(A/D)转换器19的输入端连接的麦克风71。模拟/数字转换器19的输出与信号处理器20连接，信号处理器20与图3中示出的处理器类似，包括附加的用于滤波、压缩和放大该输入信号的信号处理装置(未示出)。信号处理器20的输出与数字/模拟(D/A)转换器21的输入连接，并且数字/模拟转换器21的输出与声输出转换器22连接。 

【072】输入到助听器30的麦克风71中的音频信号通过麦克风71被转换成模拟电信号。这个模拟电信号由模拟/数字转换器19转换成数字信号，并被馈送到信号处理器20中作为离散数据流。这个表示来自麦克风71的输入信号的数据流由根据图3中的功能框图的信号处理器20进行分析、调节和放大，这个经调节、放大的数字信号随后由数字/模拟转换器21转换成模拟电信号，该模拟电信号足以驱动输出转换器22。根据信号处理器20的结构，在另一种实施例中，可以使信号处理器20适应于直接驱动这个输出转换器22而不需要数字/模拟转换器。 

【073】因此，根据本发明的助听器能够使它的信号处理适应环境噪 声等级和特征的变化，并以可与低百分位变化速度相比较的适应速度适应。一优选实施例具有一组与在助听器中实现的语音清晰度相关的规则，从而优化信号处理——以及基于所述分析的噪声减少——进而改进信号再现，以对再现的音频信号中的语音清晰度有利。优选地，这些规则是基于语音清晰度指数理论，但是这些规则也可适于替代方案中与音频再现相关的其它有利参数。 

【074】在一替代实施例中，除了各个频带增益值，其它参数可以作为神经网络的输出控制参数并入。例如，这些值可以是用于增益调节的上升时间或释放时间、压缩比、噪声减少参数、麦克风方向、收听节目、频率整形以及其它参数。可以容易地实现包括几个这些参数的替代实施例，并且，在对助听器进行调节使其适合单个用户时，助听器配制者可利用受分析影响的参数的选择。 

【075】在另外替代实施例中，不使用预先计算的增益值矩阵，而是基于举例性噪声分类值超集的训练组、噪声等级以及听力损失建立神经网络来调节多个增益值。 

Claims (10)

1.一种助听器，其包括至少一个麦克风、一个信号处理装置和一个输出转换器，所述信号处理装置适于接收来自所述麦克风的音频信号，其中所述信号处理装置具有关于一组存储的噪声类别和噪声等级的一个信号处理参数表、用于估计所述音频信号中的噪声等级的装置、用于对所述音频信号的背景噪声进行分类的装置以及产生到所述输出转换器的信号的装置，其根据所述噪声等级和所述背景噪声的分类从所述表检索一组信号处理参数和根据所检索的信号处理参数组处理所述音频信号以产生到所述输出转换器的信号；

其中所述信号处理装置还包括计算语音清晰度指数增益的装置；所述计算语音清晰度指数增益的装置基于来自语音清晰度指数增益矩阵块、所述用于估计所述音频信号中的噪声等级的装置和所述用于对所述音频信号的背景噪声进行分类的装置的输入参数计算语音清晰度指数增益，所述语音清晰度指数增益矩阵块从听力阈等级块获取输入参数。

2.根据权利要求1所述的助听器，其中所述用于对背景噪声进行分类的装置利用低百分位估计器来分析该背景噪声。

3.根据权利要求1所述的助听器，其中所述用于对背景噪声进行分类的装置包括对该背景噪声等级进行估计的装置。

4.根据权利要求1所述的助听器，其中所述信号处理装置适于基于多个存储的频率响应参数组之间的插值来选择一组频率响应参数。

5.根据权利要求1所述的助听器，其中所述计算语音清晰度指数增益的装置包括一个经训练的神经网络，其适于将所述语音清晰度指数增益作为多个输入参数的函数来计算。

6.根据权利要求1所述的助听器，其中所述语音清晰度指数增益矩阵是在所述调节级期间作为听力阈等级的函数计算的。

7.根据权利要求1所述的助听器，其中所述计算语音清晰度指数增益的装置包括一个向量处理器，其适于将所述语音清晰度指数增益作为多个输入参数的函数来计算。

8.一种减少助听器中背景噪声的方法，所述助听器包括至少一个麦克风、一个信号处理装置和一个输出转换器，所述信号处理装置具有将不同类型的背景噪声分类成多个类别的装置，所述信号处理装置还具有与多个存储的噪声类别关联的一对应频率响应参数组，在第一步中，所述方法从麦克风中接收音频信号，对所述音频信号中的背景噪声分量进行分类，将被分类的背景噪声分量与一组已知的背景噪声分量进行比较，找到与被分类的噪声分量最类似的所述存储的噪声类别中的一组噪声，并根据所述对应的噪声组调节所述信号处理的所述频率响应参数；

其中所述噪声分类包括语音清晰度指数增益计算的步骤；

其中所述语音清晰度指数增益计算包括获得一组听力阈等级、估计的噪声等级和噪声分类作为用于所述语音清晰度指数增益计算的输入参数，并基于所述输入参数计算一组优化的语音清晰度指数增益值的步骤。

9.根据权利要求8所述的方法，其中在环境噪声随时间增大的情况下，使所述音频信号适应的步骤具有至少2dB/秒的适应速度。

10.根据权利要求8所述的方法，其中在环境噪声随时间减少的情况下，使所述音频信号适应的步骤具有至少15dB/秒的适应速度。

Images