DK3167625T3 - Fremgangsmåde til at optimere parametre i et høreapparatssystem og et høreapparatssystem - Google Patents

Claims (14)

1. Fremgangsmåde til at optimere parametre i et høreapparatssystem omfattende trinnene: - at tilvejebringe et sæt af parametre χι, X2,..., som skal optimeres; - at tilvejebringe en første lyd baseret på en første parameterværdiindstilling χι= [xn, X21,.., Xdi] og at tilvejebringe en anden lyd baseret på en anden parameterværdiindstilling X2 = [x 12, X22,..., xd2]; - at opfordre en bruger til at bedømme nævnte første og anden lyd i forhold til hinanden; - at tilvejebringe et brugerrespons y 1, som repræsenterer brugerens bedømmelse af de to lyde i forhold til hinanden; - at tilvejebringe m brugerresponser y = [y 1, y2, ym] hvor hvert af brugerresponserne repræsenterer brugerens bedømmelse af to lyde i forhold til hinanden og hvor lydene udledes af en flerhed af n parameterværdiindstillinger χι, X2, xn; - at definere en gaussisk sandsynlighedsfunktion som: p(yk\f(Xu).f(Xv)>(?2) = N(yk\f(xu) -/(*„),σ2) hvor f(xu) og f(xv) repræsenterer specifikke funktionsværdier af brugerens indre responsfunktion f, hvor yk repræsenterer et specifikt brugerrespons, hvor *2 repræsenterer brugerresponsets varians og hvor Nfyk l/OJ σ2) er den univariate gaussfordeling over variablen yk med middelværdien f(xu) - f(Xv) og varians ·2; - at definere sandsynligheden som:

hvor repræsenterer en multivariat gaussfordeling over brugerresponserne y med middelvektor Mf og kovariansmatrix *2/, hvor / er en m x m identitetsmatrix, og M er en m x n matrix med kun nul-elementer bortset fra elementerne [M]k,uk = 1 og [M]k,vk= -1; - at opnå en a priori-fordeling over funktionsværdierne af brugerens indre responsfunktion under anvendelse af en gaussisk fremgangsmåde; - under anvendelse af Bayes regel at opnå en analytisk a posteriori-fordeling over funktionsværdierne af brugerens indre responsfunktion; - at udlede et analytisk udtryk for den prædikative fordeling baseret på det analytiske udtryk af a posteriori-fordelingen over funktionsværdierne af brugerens indre responsfunktion; og - under anvendelse af det analytiske udtryk for den prædikative fordeling at finde de parameterværdiindstillinger, som brugeren foretrækker.

2. Fremgangsmåden ifølge krav 1, hvor brugerresponset er i form af et tal fra et begrænset eller delvist begrænset interval.

3. Fremgangsmåden ifølge et hvilket som helst af de foregående krav, hvor brugerresponset modelleres i overensstemmelse med yk = f(Xuk) - f(Xvk) + ·, hvor yk er brugerresponset, f(xu/<) og f(xVk) er funktionsværdier af brugerens indre responsfunktion for to forskellige parameterværdiindstillinger xUk og xUk og hvor · antages at være identisk og uafhængigt fordelt gaussisk støj.

4. Fremgangsmåden ifølge et hvilket som helst af de foregående krav, hvor nævnte a priori-fordeling over funktionsværdierne af brugerens indre responsfunktion er givet som: ρ(ί|Χ)=^(ί|0,Κ), hvor X er et sæt af de n testede parameterværdiindstillinger og hvor K er en kovariansmatrix.

5. Fremgangsmåden ifølge krav 4, hvor kovariansmatrixen K bestemmes fra: [K]i,j = k(Xi, Xj), hvor k er en positivt semidefinit kovariansfunktion valgt fra en gruppe af funktioner omfattende den kvadrerede eksponentielle kovariansfunktion, den ·--eksponentielle kovariansfunktion, Matern-klassen af kovariansfunktioner, den rationale kvadratiske kovariansfunktion (rational quadratic covarians function), periodiske kovariansfunktioner og lineære kovariansfunktioner.

6. Fremgangsmåden ifølge et hvilket som helst af kravene 4-5, hvor det analytiske udtryk for a posteriori-fordelingen over funktionsværdierne af brugerens indre responsfunktion er givet som: p(f|y,X) =ΛΓ(ί|μ,Σ)

7. Fremgangsmåden ifølge et hvilket som helst af de foregående krav, hvor det analytiske udtryk for den prædikative fordeling er givet som: κ(Γ\Κΐ(ΜτΜΚ + a2InXn)~1MTy,Ki!l, - KTt(MTMK + a2Inm)~lMTMKt) hvor:

og:

hvor -coi/og *///<er hyperparametre for kovariansen og sandsynligheden.

8. Fremgangsmåden ifølge et hvilket som helst af de foregående krav, hvor trinnet at tilvejebringe et sæt af brugerresponser omfatter trinnet at bestemme de næste parameterværdiindstillinger, som skal bedømmes af brugeren under anvendelse af et analytisk udtryk for den bivariate forventede forbedring.

9. Fremgangsmåden ifølge krav 8, hvor det analytiske udtryk for den bivariate forventede forbedring er givet ved:

hvor: μ; = (fc*0*) - kt(x)) · (MTMK + a2Inxn)~1MTy hvor: μ.i = (*.(**) - *.(*))' {MTMK + a2lnxn)~lMTy, σ2 = k{x*,x*) + k(%,x) - k(x*,%) — kt(x*)T(MTMK + σ2Ιηχη)~1ΜτMkt(x*) - K(X)T(MTMK + σ2Ιηχη)-1ΜτΜΚ0έ) - k«(x*)T(MTMK + σ2ΙηΧη)-1ΜτΜΚΟί) og: k*(x) - [k(_x,xi),...,k(x,xn)] og hvor

er den standard kumulative gaussfordelingsfunktion.

10. Fremgangsmåden ifølge krav 8 eller 9, hvor et analytisk udtryk for gradienten af den bivariate forventede forbedring som en funktion af en ny parameterværdiindstilling anvendes til at finde et maksimum af den bivariate forventede forbedring som en funktion af sættet af parameterværdier under anvendelse af en stigende eller faldende gradient tilgang.

11. Fremgangsmåden ifølge krav 10, hvor gradienten af det analytiske udtryk for gradienten af den bivariate forventede forbedring som en funktion af sættet af parameterværdier er givet som:

hvor:

og:

12. Fremgangsmåden ifølge et hvilket som helst af de foregående krav, omfattende trinnene: at bestemme kovarians- og sandsynlighedshyperparametre *co^og */λ ved at anvende en ML-II eller MAP-II optimering på den marginale sandsynlighed.

13. Fremgangsmåden ifølge krav 12, hvor trinnet at bestemme sandsynligheds-og kovarians-hyperparametrene omfatter at finde minimummet af den negative logaritmisk regulariserede marginale sandsynlighed, som en funktion af hyperparametrene, givet ved:

hvor p(·) er en egnet hyper-a priori-fordeling.

4. Fremgangsmåden ifølge et hvilket som helst af de foregående krav, omfattende trinnet: at afbilde brugerresponserne fra et første responsområde, der er begrænset eller delvist begrænset, og til et andet responsområde, der er ubegrænset.

15. Høreapparatssystem indrettet til at optimere parametre i et høreapparatssystem ved at udføre fremgangsmådetrinnene: - at tilvejebringe et sæt af parametre xi, X2,..., som skal optimeres; - at tilvejebringe en første lyd baseret på en første parameterværdiindstilling xi= [xn, X21,.., Xcu] og at tilvejebringe en anden lyd baseret på en anden parameterværdiindstilling X2 = [X12, X22,..., xd2]; - at opfordre en bruger til at bedømme nævnte første og anden lyd i forhold til hinanden; - at tilvejebringe et brugerrespons y-ι, som repræsenterer brugerens bedømmelse af de to lyde i forhold til hinanden; - at tilvejebringe m brugerresponser y = [yi, y2, ym] hvor hvert af brugerresponserne repræsenterer brugerens bedømmelse af to lyde i forhold til hinanden og hvor lydene udledes af en flerhed af n parameterværdiindstillinger xi, X2.....xn; - at definere en gaussisk sandsynlighedsfunktion som: p(yk\f(xu)J(xv)><r2)=N(yk\f(xu)-f(xvW) hvor f(xu) og f(xv) repræsenterer specifikke funktionsværdier af brugerens indre responsfunktion f, hvor yk repræsenterer et specifikt brugerrespons, hvor *2 repræsenterer brugerresponsets varians og hvor W(yfc|/Ou) -f(xv)’V2) er den univariate gaussfordeling over variablen yk med middelværdien f(xu) - f{Xv) og varians ·2; - at definere sandsynligheden som:

hvor N(y\Mf,02Imxm) repræsenterer en multivariat gaussfordeling over brugerresponserne y med middelvektor Mf og kovariansmatrix *2/, hvor / er en m x m identitetsmatrix, og M er en m x n matrix med kun nul-elementer bortset fra elementerne [M]k,uk = 1 og [M] k,vk = -1; - at opnå en a priori-fordeling over funktionsværdierne af brugerens indre responsfunktion under anvendelse af en gaussisk fremgangsmåde; - under anvendelse af Bayes regel at opnå en analytisk a posteriori-fordeling over funktionsværdierne af brugerens indre responsfunktion; - at udlede et analytisk udtryk for den prædikative fordeling baseret på det analytiske udtryk af a posteriori-fordelingen over funktionsværdierne af brugerens indre responsfunktion; og - under anvendelse af det analytiske udtryk for den prædikative fordeling at finde de parameterværdiindstillinger, som brugeren foretrækker.