EP4679424A1 - Verfahren zum betrieb eines hörgeräts - Google Patents

Verfahren zum betrieb eines hörgeräts

Info

Publication number
EP4679424A1
EP4679424A1 EP25180092.6A EP25180092A EP4679424A1 EP 4679424 A1 EP4679424 A1 EP 4679424A1 EP 25180092 A EP25180092 A EP 25180092A EP 4679424 A1 EP4679424 A1 EP 4679424A1
Authority
EP
European Patent Office
Prior art keywords
hearing aid
neural network
weights
transfer function
binary
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP25180092.6A
Other languages
English (en)
French (fr)
Inventor
Michael Müller
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sivantos Pte Ltd
Original Assignee
Sivantos Pte Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sivantos Pte Ltd filed Critical Sivantos Pte Ltd
Publication of EP4679424A1 publication Critical patent/EP4679424A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0316—Speech enhancement, e.g. noise reduction or echo cancellation by changing the amplitude
    • G10L21/0364—Speech enhancement, e.g. noise reduction or echo cancellation by changing the amplitude for improving intelligibility
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; ELECTRIC HEARING AIDS; PUBLIC ADDRESS SYSTEMS
    • H04R25/00—Electric hearing aids
    • H04R25/50—Customised settings for obtaining desired overall acoustical characteristics
    • H04R25/505—Customised settings for obtaining desired overall acoustical characteristics using digital signal processing
    • H04R25/507—Customised settings for obtaining desired overall acoustical characteristics using digital signal processing implemented by neural network or fuzzy logic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; ELECTRIC HEARING AIDS; PUBLIC ADDRESS SYSTEMS
    • H04R25/00—Electric hearing aids
    • H04R25/43—Electronic input selection or mixing based on input signal analysis, e.g. mixing or selection between microphone and telecoil or between microphones with different directivity characteristics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; ELECTRIC HEARING AIDS; PUBLIC ADDRESS SYSTEMS
    • H04R2225/00—Details of deaf aids covered by H04R25/00, not provided for in any of its subgroups
    • H04R2225/41—Detection or adaptation of hearing aid parameters or programs to listening situation, e.g. pub, forest
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; ELECTRIC HEARING AIDS; PUBLIC ADDRESS SYSTEMS
    • H04R2225/00—Details of deaf aids covered by H04R25/00, not provided for in any of its subgroups
    • H04R2225/43—Signal processing in hearing aids to enhance the speech intelligibility

Definitions

  • the invention relates to a method for operating a hearing aid with a neural network. Furthermore, the invention relates to a method for training a neural network and a hearing aid.
  • a hearing aid People with hearing loss typically use a hearing aid. This usually involves an electromechanical transducer that captures ambient sound. The resulting electrical (audio) signals are amplified by an amplifier circuit and then delivered to the person's ear canal via another electromechanical transducer, often in the form of a receiver. The captured audio signals are usually also processed, typically by a signal processor within the amplifier circuit. The amplification is adjusted to the specific hearing loss of the hearing aid user, who is also referred to as the user or wearer.
  • neural networks are particularly well-suited to solving this problem. Neural networks with feedforward components, where only the current input values influence the state, and recurrent components, where the state is also influenced by the results of past processing steps, are especially suitable for processing audio signals. However, for neural networks to be suitable for distinguishing speech and background noise components in the signal, very large networks with many layers are necessary; that is, the networks consist of a large number of neurons. This also applies to other typical applications of neural networks for audio signal processing. Due to their size, these neural networks have high hardware and energy requirements, which is undesirable for a hearing aid, as these should be as small and energy-efficient as possible.
  • the invention is based on the objective of providing a particularly suitable method for operating a hearing aid, a particularly suitable method for training a neural network, and a particularly suitable hearing aid, wherein in particular user comfort is increased and hardware resources and/or energy requirements are advantageously reduced.
  • the method is used to operate a hearing aid.
  • the hearing aid is a headphone or includes a headphone, and the hearing aid is, for example, a headset.
  • the hearing aid is particularly preferred as a hearing assistance device.
  • a hearing aid is used to support a person suffering from hearing loss.
  • a hearing aid is a medical device that compensates for, for example, partial hearing loss.
  • Hearing aids include, for example, receiver-in-the-canal (RIC) hearing aids, in-the-ear (ITC) hearing aids, complete-in-the-canal (CIC) hearing aids, hearing glasses, and pocket hearing aids.
  • a hearing aid can be a behind-the-ear (BTE) hearing aid, which is worn behind the ear.
  • BTE behind-the-ear
  • the hearing aid is designed and configured to be worn on the human body.
  • the hearing aid preferably includes a retention device that allows it to be attached to the human body.
  • the hearing aid is a hearing assistance device, it is designed and configured to be placed, for example, behind the ear or within an ear canal.
  • the hearing aid is wireless and designed and configured to be inserted, at least partially, into an ear canal.
  • the hearing aid preferably includes a microphone for capturing sound.
  • a microphone for capturing sound.
  • ambient sound i.e., sound waves, or at least a portion thereof
  • the microphone is advantageously located at least partially within a housing of the hearing aid and is thus at least partially protected.
  • the microphone is suitably an electromechanical transducer.
  • the microphone may, for example, have only a single microphone unit or several microphone units that interact with each other.
  • Each of the microphone units advantageously has a diaphragm that is set into vibration by sound waves, the vibrations being converted into an electrical signal by means of a suitable recording device, such as a magnet moved within a coil.
  • the microphone units are capacitively designed, and the fact that an applied electrical voltage changes when the distance of the diaphragm to a surface changes is utilized.
  • the static surface of the microphone unit changes.
  • the electrical voltage is applied, in particular, between the diaphragm and the static surface.
  • the microphone units are preferably omnidirectional. In this or another way, it is at least possible to generate or at least provide an audio signal using the microphone, which is based on the sound incident on the microphone, namely, in particular, the ambient sound.
  • the hearing aid includes a receiver for outputting a signal.
  • the output signal is, in particular, an electrical signal, and may be, for example, digital or, more appropriately, analog.
  • the receiver is preferably an electromechanical transducer, such as a loudspeaker.
  • the receiver is at least partially positioned within the ear canal of a user of the hearing aid, i.e., a person also referred to as the wearer, user, or hearing aid wearer, or at least acoustically connected to it.
  • the hearing aid primarily serves to output the signal via the receiver, thereby generating a corresponding sound.
  • the main function of the hearing aid is preferably to output the signal.
  • the hearing aid suitably includes a signal processing unit by means of which the microphone and receiver are connected.
  • the hearing aid has a signal processor that, for example, forms the signal processing unit or is at least a component thereof.
  • the signal processor is, for example, a digital signal processor (DSP) or implemented using analog components.
  • DSP digital signal processor
  • the signal processor, or at least the signal processing unit is used in particular to adapt the audio signal generated by the microphone, preferably to create the output signal.
  • the signal processing unit is suitable for this purpose, and in particular is designed and configured accordingly.
  • an analog-to-digital converter (ADC) is arranged between the microphone and the signal processing unit, for example, the signal processor, provided the signal processor is designed as a digital signal processor.
  • ADC analog-to-digital converter
  • the hearing aid particularly preferably includes Additionally, an amplifier is used, or the amplifier is at least partially formed by the signal processing unit. For example, the amplifier is connected upstream or downstream of the signal processor in terms of signal processing.
  • the hearing aid also includes a neural network.
  • the neural network is an artificial neural network.
  • the neural network consists of multiple neurons.
  • the neurons are divided into different layers arranged sequentially.
  • Each neuron is assigned a weight vector comprising various weights.
  • the number of weights is equal to or greater than the number of neurons in the preceding layer.
  • the weight vectors assigned to neurons in different layers have a different number of weights.
  • the weights are binary. Thus, there are only two different values for each weight, for example, 0 (zero) and 1, or preferably -1 and 1. The two possible values of the weight differ only in their sign. Consequently, it is possible to represent each weight using only a single bit.
  • the neural network can be used independently.
  • the neural network can be a component of a larger neural network in which, for example, the weights are not binary. In this case, the larger neural network contains the neural network with the binary weights.
  • each neuron is supplied with an input vector containing various values.
  • the number of values corresponds to the number of weights in the respective weighting vector.
  • the values are binary and therefore also have only two different forms. For example, these are 0 (zero) and 1, or preferably -1 and 1. Thus, the different forms of the values differ only in their sign.
  • the values are... binarized, particularly by means of another method, or in a preliminary step. This involves, for example, a comparison with a threshold value to realize the two different levels of the respective value.
  • the input vector and the weighting vector are processed together to create a transfer function.
  • the input vector and the weighting vector are processed to obtain the transfer function, also known as the propagation function.
  • vector multiplication is performed to obtain this function.
  • the dot product of the weighting vector and the input vector is calculated.
  • the transfer function is processed by an activation function, and a result is provided.
  • This result is also binary, and the activation function is designed accordingly.
  • the result has only one of two values, which are expediently -1 and 1.
  • the binary result is subsequently used as one of the values of another input vector, which is fed to another neuron, preferably a downstream layer.
  • the neural network is expediently a forward-directed neural network.
  • the result it is also possible for the result to be fed to the same layer or a preceding layer. This distinguishes it from a purely forward-directed neural network, and the neural network is expediently a recurrent neural network.
  • the neural network has both recurrent and forward-directed components.
  • this is done for each neuron of the neural network, and in particular, a complete result, especially a result vector or a specific result value, is provided by means of the last position of the neurons.
  • each weight, value, and result can be represented by a single bit, resulting in comparatively low memory requirements.
  • the required calculations are also relatively simple and few in number, thus accelerating the delivery of results and reducing hardware resources. Furthermore, the energy required is reduced. Normalization is unnecessary and, logically, omitted since only binary values/weights/results are used. This further reduces the number of required calculations, thus minimizing hardware resources and energy consumption. Consequently, the hearing aid can be designed to be relatively small and lightweight, without excessively increasing manufacturing costs. At the very least, battery life is extended. This leads to increased user acceptance and comfort.
  • the neural network also enables the processing of specific hearing aid functions or tasks, thereby increasing accuracy and/or user comfort.
  • the transfer function is the scalar product of the weight vector with the input vector, for which each weight is multiplied by its corresponding value, and the resulting products are summed.
  • the XNOR operation is particularly preferred, specifically performing an equivalence function.
  • An XNOR gate is therefore expediently used.
  • the possible values for the weights and the values are -1 and 1, respectively, and the result of the XNOR operation is therefore also either -1 or 1.
  • Such a calculation can be performed relatively quickly and efficiently using software or hardware, and no multiplication is required.
  • the result of the XNOR operation is equal to the result of the product.
  • Hardware resources and energy consumption are further reduced, while still achieving the same result.
  • a comparison function is used as the activation function, and the transfer function is compared to a predefined limit to generate the result. If the transfer function is greater than this limit, one possible value is used as the result, and otherwise, the other possible value is used.
  • the limit can be arbitrary or, preferably, equal to 0 (zero). Particularly preferably, only the sign of the transfer function is used as the activation function. If the transfer function is positive, the sign is 1, and otherwise -1. This is essentially the same as comparing to a limit of 0, but simplifies processing. When using the sign, it is only necessary to read the bit representing the sign and use it as the result. An explicit comparison with the limit is not required. This further reduces the number of required calculations, and consequently, the necessary hardware resources and energy consumption are also reduced. Furthermore, no subsequent normalization is required. Conveniently, either 1 or -1 is used for the binary result.
  • the input vector is determined and generated using measurement data from a sensor in the hearing aid.
  • a motion sensor for instance, is used as the sensor.
  • the input vector corresponds directly to the audio signal, or at least to the partially processed audio signal, at least in the first layer of the neural network.
  • the input vector is conveniently generated using the results from the preceding layer. These layers are also based on the audio signal, so the respective input vectors are also generated from the captured audio signal. This makes it possible to determine the hearing aid's current environment with relative accuracy using the neural network.
  • a prediction for future audio signals is generated based on the results, i.e., at least a portion of the results provided by the neurons, particularly the results of the neurons in the last layer of the neural network.
  • This prediction represents the "output" of the neural network.
  • the prediction is generated based on the result vector or the result value, or these correspond to the prediction.
  • an assumption is made about how the acoustic environment of the hearing aid will change, specifically how a current sentence or word will continue.
  • the input vectors are generated based on the captured audio signals.
  • an assumption is made about what the following syllable will be.
  • the signal processing unit is adjusted based on the prediction, preferably modifying the processing of the captured audio signal. If the subsequent audio signal then corresponds to the prediction, intelligibility for the user is improved. Since, for example, a recurrent neural network is used, which can analyze time series relatively effectively, the accuracy of the prediction is particularly improved.
  • the precise design of the prediction/output depends on the application of the neural network, but is preferably further processed by other components of the hearing aid.
  • the prediction/output is preferably used to influence the sound output at the listener, for example, by having the network generate an estimate of the speech and background noise components in the audio signal, which is then used to adjust frequency-dependent gain factors. In this way, intelligibility is improved for the user. Since, for example, it is a recurrent neural network, which can analyze time series relatively effectively, the accuracy of distinguishing between speech and background noise is particularly improved.
  • the other method is used to train a neural network for a hearing aid.
  • This network consists of several neurons and is, for example, a recurrent neural network, or at least has recurrent components.
  • Each neuron is assigned a weight vector with binary weights, at least once the neural network is fully trained.
  • In the trained state i.e., when the neural network is in use, each neuron receives an input vector with binary values.
  • the weight vectors and input vectors are processed together to obtain a respective transfer function.
  • the transfer function is then processed with an activation function to produce a binary result.
  • the method serves primarily to determine the weights. This process is carried out, for example, using the hearing aid itself or by the hearing aid manufacturer. In this case, the hearing aid is delivered with the neural network already trained.
  • the method involves several training steps, with the weights being adjusted appropriately in each step. Preferably, these training steps are performed sequentially.
  • the weights are first binarized.
  • each weight is assigned one of only two possible values.
  • a digitization, or binary mapping, of an existing weight to one of the two values takes place.
  • one of the values is -1 and the other is 1.
  • the binarized weights are normalized. This ensures that all weight vectors in this training step and/or subsequent training steps always have the same norm, i.e., in particular, the same length.
  • each weight is assigned a respective Normalization constants are multiplied.
  • the normalization constant is the same for all weights assigned to the same weighting vector. It is possible for the normalization constants assigned to different weighting vectors to differ. In summary, each normalization constant applies only to the weights assigned to the same weighting vector.
  • the normalization constant is inversely proportional to the Euclidean norm of the respective weighting vector.
  • each weight can be divided by the Euclidean norm, or the normalization constant may include further components. For example, it may also involve multiplication by a specific factor.
  • the Euclidean norm corresponds, in particular, to the length of the weighting vector. Since the weights are binary before normalization, and preferably equal to -1 or 1, the normalization constant is thus equal to the number of weights in the respective weighting vector. The normalization constant is therefore always the same and does not depend on statistics or similar factors, which is why only minimal hardware resources are required to perform the training.
  • the transfer function for each neuron is then generated based on the respective weight vector, which has now been nominated.
  • the weight vectors are processed with an input vector, where, due to normalization, the weights do not simply have the values -1 and 1.
  • the transfer function corresponds to the dot product of the weight vector and the input vector.
  • the transfer function is then processed with the activation function to produce the binary result.
  • this is performed for all neurons of the neural network, with all neurons being used once per training step.
  • the neural network outputs the resulting vector or value.
  • a further value is determined based on this and a cost function.
  • weights at the beginning of each training step there are specific requirements for choosing weights at the beginning of each training step. However, it is preferable to have no such requirements, and the weights can be chosen essentially arbitrarily at the beginning, especially at the start of the training, or at each training step. This allows for the use of an existing algorithm, thus reducing the effort required. Furthermore, the process can be implemented relatively efficiently on existing hardware or software.
  • each weighting vector After completing the training steps, and especially when the provided result vector/value corresponds sufficiently closely to the training data, the weights are binarized and multiplied by the sign of the respective normalization constant. Thus, each weighting vector then contains only the binary weights. This allows the weighting vectors to be used directly for operating the hearing aid.
  • a hearing aid can be, for example, a headset or, more commonly, a hearing aid device. Examples include receiver-in-the-canal (RIC) hearing aids, in-the-ear (ITC) hearing aids, complete-in-canal (CIC) hearing aids, hearing glasses, or pocket hearing aids. Alternatively, a hearing aid can be a behind-the-ear (BTE) hearing aid, which is worn behind the ear.
  • RIC receiver-in-the-canal
  • ITC in-the-ear
  • CIC complete-in-canal
  • hearing aid can be a behind-the-ear (BTE) hearing aid, which is worn behind the ear.
  • BTE behind-the-ear
  • the hearing aid preferably includes a microphone.
  • This microphone is, for example, omnidirectional, or it is suitably possible to change its directional characteristics.
  • the microphone preferably has two or more microphone units.
  • the microphone is suitable for capturing ambient sound, and is specifically designed and configured for this purpose.
  • an audio signal is generated by the microphone when the Ambient sound is detected.
  • the hearing aid expediently includes a signal processing unit, which is preferably connected to the microphone via a signal connection.
  • the audio signal is fed to the signal processing unit during operation.
  • the hearing aid includes a receiver through which the processed audio signal is output, and which is expediently connected to the signal processing unit via a signal connection.
  • the hearing aid further comprises a neural network with multiple neurons.
  • the neurons are suitably distributed across different layers.
  • the neural network is implemented solely by software, or the hearing aid incorporates dedicated hardware for this purpose, in particular a specially adapted chip.
  • the neural network is assigned to the signal processing unit.
  • the neural network is either a recurrent neural network or a forward neural network.
  • the neural network comprises both recurrent and forward components.
  • Each neuron is assigned a weighting vector with binary weights, at least during normal operation.
  • the hearing aid operates according to a method in which each neuron is fed an input vector with binary values and processed with the weighting vector to obtain a transfer function. The transfer function is then processed with an activation function to produce a binary result.
  • a method for training the neural network is performed using the hearing aid, for example, only once, or also during use, expediently at specific intervals.
  • the weights are binaryized and normalized by multiplying them by a respective normalization constant that is inversely proportional to the Euclidean norm of the respective weighting vector.
  • the respective transfer function is generated based on the respective weighting vector, and the transfer function is processed with the activation function to produce a binary result.
  • the signal processing unit is expediently suitable, in particular designed and equipped, to carry out at least part of one or both procedures.
  • FIG 1 A simplified schematic representation of a hearing aid 2 is shown.
  • the hearing aid 2 has a housing 4, inside which a microphone 6 is arranged.
  • the microphone 6 has several microphone units (not shown in detail), each designed as an electromechanical or capacitive transducer.
  • a signal processing unit 8 is connected downstream of the microphone 6.
  • a receiver 10 is connected downstream of the signal processing unit 8, by means of which, when used as intended, sound can be output into the ear canal of the user (not shown in detail).
  • the signal processing unit 8 has a processing unit 12, by means of which an audio signal 14 provided during operation via the microphone 6 is processed so that an output signal 16 is provided. This involves a Frequency-selective amplification and/or attenuation is performed to suppress, for example, noise or other interfering sounds.
  • the processing unit 12 includes, for example, a digital sound processor for this purpose. Compression is also performed, for example, so that the frequency spectrum of the output signal 16 is reduced compared to the audio signal 14.
  • the output signal 16 is routed to the earpiece 10, so that the sound emitted by the earpiece 10 corresponds to the output signal 16.
  • the signal processing unit 8 also includes a neural network 18, which is likewise fed the audio signal 14 and has recurrent components. Using the neural network 18, a prediction 20 for future audio signals is generated and fed to the processing unit 12. Depending on the prediction 20, the processing unit 12 is adjusted, specifically by selecting gain factors for different frequencies. The processing unit 12 is then adjusted to the audio signal 14, which is likely to occur later and is supplied by the microphone 6, resulting in improved processing. This improves the intelligibility of the sound output through the headphones 12 for the user.
  • the neural network 18 calculates intermediate values from the audio signal 14 and, for example, from other sensor data such as acceleration values. These intermediate values represent the prediction 20 and are useful for processing the audio signal 14. For example, the presence or absence of speech is estimated ("voice activity detection").
  • the neural network 18 also referred to simply as the neural network, is shown schematically in a simplified form.
  • the neural network 18 has several neurons 22 assigned to different layers 24, with three layers 24 shown in the example.
  • Each neuron 22 provides an output 26, which is assigned to the neurons 22 of the next layer 24.
  • only some of the outputs 26 are shown in Figure 2.
  • the first output 26 of layer 24 is assigned to the neuron 22 of the same layer 24.
  • the audio signal 24 is assigned, and the results 26 of the neurons 22 of the last of the layers 24 form the prognosis 20.
  • FIG 3 A method 28 for operating the hearing aid 2 is shown.
  • the audio signal 14 is provided by means of the microphone 6. This is directed to the neural network 18.
  • an input vector 34 is created based on the acquired audio signal 18, which is fed to the neurons 22 of the first layer 24, one of which is in Figure 4 This is shown schematically.
  • the input vector 34 has several binary values 36, which are also simply referred to as values.
  • the values 36 can take on two different forms, namely -1 and 1.
  • the input vector 34 is processed with a weight vector 40 assigned to the respective neuron 22, resulting in a transfer function 42.
  • the input vector 34 is processed with the weight vector 40 to obtain the transfer function 42.
  • the weight vector 40 has several binary weights 44, which are also simply referred to as weights. Each binary weight 44 can only take on two values: -1 and 1. The number of binary weights 44 is equal to the number of binary values 36 of the input vector 34, and each weight 44 is assigned one of the values 36.
  • an XNOR operation is performed. This checks whether the respective binary weight 44 equals the corresponding binary value 36. If they match, the result of the XNOR operation is 1; otherwise, it is -1. The sum of the results corresponds to the transfer function 42.
  • the transfer function 42 is the sum of the XNOR operation on all binary values 36 and their respective corresponding binary weights 44.
  • the transfer function 42 is processed with an activation function 48 to provide the respective result 26.
  • the sign of the transfer function 42 is used as the activation function 48.
  • the result 26 is therefore also binary, corresponding to 1 if the transfer function is positive and -1 otherwise.
  • results 26 obtained in this way for one of the layers 24 are combined to form the input vector 34 for the subsequent layer 24. If necessary, other results 26 are also added to the respective input vector 34.
  • Steps 2 to 4, 32-46 are performed for all neurons 22, in particular layer by layer, or possibly in a different sequence. Since all results 26 are generated, at least indirectly, from the recorded audio signals 18, all input vectors 34 are consequently generated from the recorded audio signals 18. The results 26 of the last layer 24 are then summarized to form the prediction 20.
  • a fifth processing step 50 is carried out, and the prediction 20 is output, based on which the processing unit 12 is then set. Using this unit, the audio signal 24 is then processed according to its creation, so that the output signal 16 can be generated.
  • a method 52 for training the neural network 18 is shown. This method is performed, for example, by a manufacturer of the hearing aid 2, particularly before the hearing aid 2 is made available to the user. Alternatively, the user performs the method 52 for training the neural network 18, for example, when starting to use it, or after the user has already used it for a certain period of time, such as a week or a month. In another alternative, the method 52 for training the neural network 18 is performed several times at specific intervals. The method 52 for training the neural network 18 is performed, in particular, using the hearing aid 2 itself.
  • the procedure 52 for training the neural network 18 is started in a sixth step 54.
  • all weights 44 are initially chosen arbitrarily. In other words, there is no restriction regarding the values, and they can be selected from a continuous range of values.
  • each weight 44 is mapped to one of only two distinct values, in this example either -1 or 1.
  • all weights 44 have one of two distinct values. If the neural network 14 is a component of a larger neural network that is fully trained, it is possible that the larger neural network contains non-binary weights that are not, however, part of neural network 14.
  • the weights 44 are normalized. For this purpose, they are multiplied by a normalization constant 60.
  • the normalization constant 60 is the reciprocal of the Euclidean norm of the respective weighting vector 40. Since the weights 44 are either 1 or -1, the Euclidean norm corresponds to the number of weights 44 of the respective weighting vector 40. Thus, each of the weights 44 is divided by the number of weights 44 of the associated weighting vector 40.
  • the normalization constants 60 of different weighting vectors 40 differ.
  • a subsequent ninth step 62 the transfer function 42 is created for each neuron 22 using its respective assigned weight vector 40, which has the normalized weights 44.
  • each neuron 22 is supplied with the corresponding input vector 34 with the binary values 36, and the dot product with the weight vector 40 is calculated.
  • the input vector 34 which is used for the first layer 24, is provided using training data and has only binary values.
  • the activation function 48 is processed based on the respective generated transfer function 42, resulting in the binary result 26. If the transfer function 42 is positive, the value 1 is used as the result 26; otherwise, it is -1. This is performed for all neurons 22, resulting in the prediction 20. This prediction is then compared with an expected prediction provided by the training data. Depending on this comparison, the weights 44 are adjusted, and steps seven through nine (56-62) are repeated. This process continues until the generated prediction 20 matches the expected prediction with sufficient accuracy.
  • a tenth step 64 is performed.
  • the weights 44 which may have different values due to the normalization last performed in the eighth step 58, are binarized, i.e., set to either -1 or 1. If the respective weight 44 If the sign is positive, 1 is used; otherwise, -1 is used. These are then multiplied by the sign of the respective normalization constant 60. Since this is always positive, the multiplication is by 1. Subsequently, each of the weighting vectors 40 now only has the binary weights 44, and the neural network 18 is trained and can be used to carry out the procedure 28 for operating the hearing aid 2.
  • the binarization of the weights 44 is performed only on the last repetition of the seventh step 56 or only with the tenth step 64.
  • the range of values for the weights 44 is preferably specified in the seventh step 56, such that they can only lie between -1 and 1, although several values are possible. With each repetition of the seventh step 64, the possible values then approach either -1 or 1 more and more closely.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurosurgery (AREA)
  • Otolaryngology (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Circuit For Audible Band Transducer (AREA)

Abstract

Die Erfindung betrifft ein Verfahren (28) zum Betrieb eines Hörgeräts (2), das ein neuronales Netz (18) mit mehreren Neuronen (22) aufweist, denen jeweils ein Gewichtungsvektor (40) mit binären Gewichten (44) zugeordnet ist. Jedem Neuron (22) wird ein Eingangsvektor (34) mit binären Werten (36) zugeführt und mit dem Gewichtungsvektor (40) verarbeitet, um eine Übertragungsfunktion (42) zu erhalten. Die Übertragungsfunktion (42) wird mit einer Aktivierungsfunktion (48) derart bearbeitet, dass ein binäres Ergebnis (26) bereitgestellt wird. Ferner betrifft die Erfindung ein Verfahren (52) zum Trainieren eines neuronalen Netzes (18) und ein Hörgerät (2).

Description

  • Die Erfindung betrifft ein Verfahren zum Betrieb eines Hörgeräts mit einem neuronalen Netz. Ferner betrifft die Erfindung ein Verfahren zum Trainieren eines neuronalen Netzes sowie ein Hörgerät.
  • Personen, die unter einer Verminderung des Hörvermögens leiden, verwenden üblicherweise ein Hörhilfegerät. Hierbei wird meist mittels eines elektromechanischen Schallwandlers ein Umgebungsschall erfasst. Die anhand des Umgebungsschalls erstellten elektrischen (Audio-)Signale werden mittels einer Verstärkerschaltung verstärkt und mittels eines weiteren elektromechanischen Wandlers in Form eines Hörers in den Gehörgang der Person eingeleitet. Meist erfolgt zudem eine Bearbeitung der erfassten Audiosignale, wofür üblicherweise ein Signalprozessor der Verstärkerschaltung verwendet wird. Hierbei ist die Verstärkung auf einen etwaigen Hörverlust des Hörhilfegeräteträgers abgestimmt, der im Weiteren auch als Nutzer oder Träger bezeichnet wird.
  • Je nach aktueller Situation kann es erforderlich sein, die Bearbeitung zu verändern, um eine bessere Verständlichkeit für den Nutzer zu erreichen. Insbesondere bei Sprache ist es wünschenswert, für unterschiedliche Silben oder Laute unterschiedliche Bearbeitungen zu wählen. So führt beispielsweise das Verringern bei bestimmten Frequenzen zu einer verbesserten Verständlichkeit bei bestimmten Silben, wohingegen dies zu einer verringerten Verständlichkeit bei anderen Silben führt.
  • Eine Schwierigkeit bei dieser Verarbeitung besteht in der Unterscheidung zwischen Sprachanteilen und Störgeräuschanteilen im vom Hörgerät verarbeiteten Signal. Besonders geeignet zur Lösung dieses Problems sind künstliche neuronale Netzwerke (im folgenden einfach neuronale Netze genannt). Besonders geeignet für die Verarbeitung von Audiosignalen sind neuronale Netze mit vorwärtsgerichteten ("feedforward") Komponenten, bei welchen nur die aktuellen Eingangswerte den Zustand beeinflussen, sowie rekurrenten Komponenten, bei welchen der Zustand auch vom Ergebnis vergangener Verarbeitungsschritte beeinflusst wird. Damit neuronale Netze zur Unterscheidung von Sprach- und Störgeräuschanteilen im Signal geeignet sind, sind allerdings sehr große Netzwerke mit vielen Schichten nötig, das heißt, die Netze bestehen aus einer großen Zahl an Neuronen. Dies trifft auch auf andere typische Anwendungsfälle von neuronalen Netzen für Audiosignalverarbeitung zu. Durch ihre Größe weisen diese neuronalen Netze einen großen Hardware- und Energiebedarf auf, was für ein Hörgerät nicht wünschenswert ist, da diese möglichst kleinbauend und energiesparsam ausgestaltet sein sollen.
  • Der Erfindung liegt die Aufgabe zugrunde, ein besonders geeignetes Verfahren zum Betrieb eines Hörgeräts sowie ein besonders geeignetes Verfahren zum Trainieren eines neuronales Netz als auch ein besonders geeignetes Hörgerät anzugeben, wobei insbesondere ein Komfort für einen Nutzer erhöht ist, und wobei zweckmäßigerweise Hardwareressourcen und/oder ein Energiebedarf verringert sind.
  • Hinsichtlich des Verfahrens zum Betrieb eines Hörgeräts wird diese Aufgabe durch die Merkmale des Anspruchs 1, hinsichtlich des Verfahrens zum Trainieren eines neuronalen Netzes durch die Merkmale des Anspruchs und hinsichtlich des Hörgeräts durch die Merkmale des Anspruchs 5 und hinsichtlich des Hörgeräts durch die Merkmale des Anspruchs 8 erfindungsgemäß gelöst. Vorteilhafte Weiterbildungen und Ausgestaltungen sind Gegenstand der jeweiligen Unteransprüche.
  • Das Verfahren dient dem Betrieb eines Hörgeräts. Beispielsweise ist das Hörgerät ein Kopfhörer oder umfasst einen Kopfhörer, und das Hörgerät ist zum Beispiel ein Headset. Besonders bevorzugt ist das Hörgerät jedoch ein Hörhilfegerät. Das Hörhilfegerät dient der Unterstützung einer unter einer Verminderung des Hörvermögens leidenden Person. Mit anderen Worten ist das Hörhilfegerät ein medizinisches Gerät, mittels dessen beispielsweise ein partieller Hörverlust ausgeglichen wird. Das Hörhilfegerät ist beispielsweise ein "Receiver-in-the-canal"-Hörhilfegerät (RIC; Ex-Hörer-Hörhilfegerät), ein Im-Ohr-Hörhilfegerät, wie ein "in-the-ear"-Hörhilfegerät, ein "in-the-canal"-Hörhilfegerät (ITC) oder ein "complete-in-canal"-Hörhilfegerät (CIC), eine Hörbrille oder ein Taschenhörhilfegerät. Alternativ ist das Hörhilfegerät ein Hinter-dem-Ohr-Hörhilfegerät ("Behind-the-Ear"-Hörhilfegerät), das hinter einer Ohrmuschel getragen wird.
  • Das Hörgerät ist vorgesehen und eingerichtet, am menschlichen Körper getragen zu werden. Mit anderen Worten umfasst das Hörgerät bevorzugt eine Haltevorrichtung, mittels derer eine Befestigung am menschlichen Körper möglich ist. Sofern es sich bei dem Hörgerät um ein Hörhilfegerät handelt, ist das Hörgerät vorgesehen und eingerichtet, beispielsweise hinter dem Ohr oder innerhalb eines Gehörgangs angeordnet zu werden. Insbesondere ist das Hörgerät kabellos und dafür vorgesehen und eingerichtet, zumindest teilweise in einen Gehörgang eingeführt zu werden.
  • Das Hörgerät umfasst vorzugsweise ein Mikrofon, das dem Erfassen von Schall dient. Insbesondere wird bei Betrieb mittels des Mikrofons ein Umgebungsschall, also Schallwellen, erfasst, oder zumindest ein Teil hiervon. Das Mikrofon ist zweckmäßigerweise zumindest teilweise innerhalb eines Gehäuses des Hörgeräts angeordnet und somit zumindest teilweise geschützt. Bei dem Mikrofon handelt es sich geeigneterweise um einen elektromechanischen Schallwandler. Das Mikrofon weist beispielsweise lediglich eine einzige Mikrofoneinheit oder mehrere Mikrofoneinheiten auf, die miteinander wechselwirken. Jede der Mikrofoneinheiten weist zweckmäßigerweise eine Membran auf, die anhand von Schallwellen in Schwingungen versetzt wird, wobei die Schwingungen mittels eines entsprechenden Aufnahmegeräts, wie eines Magneten, der in einer Spule bewegt wird, in ein elektrisches Signal gewandelt wird. Alternativ hierzu sind die Mikrofoneinheiten kapazitiv ausgestaltet, und es wird der Umstand ausgenutzt, dass sich eine anliegende elektrische Spannung verändert, wenn sich die Distanz der Membran zu einer statischen Fläche der Mikrofoneinheit ändert. Dabei liegt die elektrische Spannung insbesondere zwischen der Membran und der statischen Fläche an. Die Mikrofoneinheiten sind vorzugsweise omnidirektional ausgestaltet. Auf diese oder andere Weise ist es zumindest möglich, mittels des Mikrofons ein Audiosignal zu erzeugen oder zumindest bereitzustellen, das auf dem auf das Mikrofon auftreffendem Schall, nämlich insbesondere dem Umgebungsschall, basiert.
  • Zweckmäßigerweise weist das Hörgerät einen Hörer zum Ausgeben eines Ausgangssignals auf. Das Ausgangssignal ist hierbei insbesondere ein elektrisches Signal, und beispielsweise digital oder geeigneterweise analog ausgestaltete. Der Hörer ist vorzugsweise ein elektromechanischer Schallwandler, zum Beispiel ein Lautsprecher. Je nach Ausgestaltung des Hörgeräts ist im bestimmungsgemäßen Zustand der Hörer zumindest teilweise innerhalb eines Gehörgangs eines Nutzers des Hörgeräts, also einer Person, die auch als Träger, Nutzer oder Hörgeräteträgers bezeichnet wird, angeordnet oder zumindest akustisch mit diesem verbunden. Das Hörgerät dient insbesondere hauptsächlich dem Ausgeben des Ausgangssignals mittels des Hörers, wobei ein entsprechender Schall erstellt wird. Mit anderen Worten ist die Hauptfunktion des Hörgeräts bevorzugt das Ausgeben des Ausgangssignals.
  • Das Hörgerät umfasst geeigneterweise eine Signalverarbeitungseinheit, mittels derer das etwaige Mikrofon und der etwaige Hörer signaltechnisch verbunden sind. Zweckmäßigerweise weist das Hörgerät einen Signalprozessor auf, der zum Beispiel die Signalverarbeitungseinheit bildet oder zumindest ein Bestandteil hiervon ist. Der Signalprozessor ist beispielsweise ein digitaler Signalprozessor (DSP) oder mittels analoger Komponenten realisiert. Mittels des Signalprozessors oder zumindest der Signalverarbeitungseinheit erfolgt insbesondere eine Anpassung des mittels des Mikrofons erstellten Audiosignals, sodass vorzugsweise das Ausgangssignal erstellt ist. Zumindest ist die Signalverarbeitungseinheit hierfür geeignet, insbesondere vorgesehen und eingerichtet. Zweckmäßigerweise ist zwischen dem Mikrofon und der Signalverarbeitungseinheit, beispielsweise dem Signalprozessor, ein A/D-Wandler angeordnet, sofern der Signalprozessor als digitaler Signalprozessor ausgestaltet ist. Besonders bevorzugt umfasst das Hörgerät zusätzlich einen Verstärker, oder der Verstärker ist mittels der Signalverarbeitungseinheit zumindest teilweise gebildet. Beispielsweise ist der Verstärker signaltechnisch dem Signalprozessor vor- oder nachgeschaltet.
  • Das Hörgerät umfasst ferner ein neuronales Netz. Das neuronale Netz ist ein künstliches neuronales Netz/neuronales Netzwerk. Das neuronale Netz weist mehreren Neuronen auf.
  • Die Neuronen sind insbesondere auf unterschiedliche Schichten aufgeteilt, die hintereinander angeordnet sind. Jedem Neuron ist ein Gewichtungsvektor zugeordnet, der verschiedene Gewichte umfasst. Die Anzahl der Gewichte ist hierbei insbesondere gleich oder größer zu der Anzahl der Neuronen der jeweils vorgelagerten etwaigen Lage. Insbesondere weisen hierbei die Gewichtungsvektoren, die Neuronen unterschiedlicher Schichten zugeordnet sind, eine unterschiedliche Anzahl an Gewichten auf. Die Gewichte sind binär ausgestaltet. Somit liegen lediglich zwei unterschiedlichen Ausprägungen für jedes Gewicht vor, beispielsweise 0 (Null) und 1, oder besonders bevorzugt -1 und 1. Somit unterscheiden sich die beiden möglichen Ausprägungen des Gewichts lediglich anhand des Vorzeichens. Folglich ist es möglich, jedes Gewicht lediglich mittels eines einzigen Bits zu repräsentieren. Beispielsweise wird das neuronale Netz eigenständig verwendet. Alternativ hierzu ist das neuronale Netz ein Bestandteil eines übergeordneten neuronalen Netzes, bei dem beispielsweise die Gewichte nicht binär sind. Somit weist das übergeordnete neuronalen Netz das neuronale Netz mit den binären Gewichten auf.
  • Bei dem Verfahren wird jedem Neuron ein Eingangsvektor zugeführt, der verschiedene Werte aufweist. Die Anzahl der Werte entspricht dabei der Anzahl der Gewichte des jeweils zugeordneten Gewichtungsvektors. Die Werte sind binär ausgestaltet und weisen somit ebenfalls lediglich zwei unterschiedliche Ausprägungen auf. Beispielsweise sind diese 0 (Null) und 1 oder vorzugsweise -1 und 1. Somit unterscheiden sich die verschiedenen Ausprägungen der Werte lediglich anhand des Vorzeichens. Auch hier ist es möglich, jeden der Werte lediglich mittels eines einzigen Bits zu repräsentieren. Beispielsweise werden zu Beginn die Werte binarisiert, insbesondere mittels eines anderen Verfahrens, oder in einem vorgelagerten Arbeitsschritt. Hierbei erfolgt beispielsweise ein Vergleich mit einem Schwellwert, um die zwei unterschiedlichen Ausprägungen des jeweiligen Werts zu realisieren.
  • Der Eingangsvektor und der Gewichtungsvektor werden miteinander verarbeitet, sodass eine Übertragungsfunktion erstellt wird. Mit anderen Worten werden der Eingangsvektor und der Gewichtungsvektor verarbeitet, um die Übertragungsfunktion zu erhalten. Diese wird auch als Propagierungsfunktion bezeichnet. Insbesondere wird hierfür eine Vektormultiplikation durchgeführt. Zweckmäßigerweise wird das Skalarprodukt des Gewichtungsvektors und des Eingangsvektors erstellt.
  • Die Übertragungsfunktion wird mit einer Aktivierungsfunktion bearbeitet und ein Ergebnis bereitgestellt. Dieses ist ebenfalls binär, und die Aktivierungsfunktion ist entsprechend ausgestaltet. Somit weist das Ergebnis lediglich eine von zwei Ausprägungen auf, die zweckmäßigerweise -1 und 1 sind. Insbesondere wird das binäre Ergebnis nachfolgend als einer der Werte eines anderen Eingangsvektor herangezogen, der einem anderen Neuron zugeführt wird, vorzugsweise einer nachgelagerten etwaigen Schicht. Beispielsweise werden dabei lediglich die Werte in einer Richtung zwischen den Schichten ausgetauscht. Mit anderen Worten handelt sich bei dem neuronalen Netz zweckmäßigerweise um ein vorwärtsgerichtetes neuronales Netz. Bevorzugt jedoch ist auch möglich, dass das Ergebnis der gleichen Schicht oder einer vorhergehenden Schicht zugeführt wird. Dies stellt den Unterschied zu einem lediglich vorwärtsgerichteten neuronalen Netz dar und bei dem neuronalen Netz handelt es sich zweckmäßigerweise um ein rekurrentes neuronales Netz. Besonders bevorzugt weist das neuronale Netz rekurrente Anteile als auch vorwärtsgerichtete Anteile auf.
  • Vorzugsweise wird dies bei jedem Neuron des neuronalen Netzes durchgeführt, und insbesondere mittels der letzten Lage der Neuronen wird ein vollständiges Ergebnis bereitgestellt, insbesondere ein Ergebnisvektor oder ein bestimmter Ergebniswert.
  • Aufgrund einer derartigen Ausgestaltung ist jedes Gewicht, jeder Werte und jedes Ergebnis lediglich mittels eines einzigen Bits repräsentierbar, weswegen ein Speicherbedarf vergleichsweise gering ist. Auch sind die durchzuführenden Rechenoperationen vergleichsweise aufwandsarm und deren Anzahl ist gering, sodass einerseits die Bereitstellung des Ergebnisses beschleunigt ist, wobei Hardwareressourcen verringert sind. Andererseits ist eine hierfür benötigte Energie verringert. Ferner ist keine Normalisierung erforderlich und erfolgt zweckmäßigerweise nicht, da lediglich binäre Werte/Gewichte/Ergebnisse verwendet werden. Somit ist auch deswegen die Anzahl an benötigten Rechenoperationen verringert, was Hardwareressourcen und den Energiebedarf weiter verringert. Somit ist es möglich, das Hörgerät vergleichsweise kleinbauend und leicht auszugestalten, wobei Herstellungskosten nicht übermäßig erhöht sind. Zumindest ist insbesondere eine Akkulaufzeit verlängert. Folglich ist eine Akzeptanz und somit ein Komfort für den Nutzer erhöht. Dabei ist eine Abarbeitung von bestimmten Funktionen oder Aufgaben des Hörgeräts mittels des neuronalen Netzes ermöglicht, sodass eine Genauigkeit bei der Durchführung und/oder ein Komfort für den Nutzer erhöht ist.
  • Beispielsweise wird als Übertragungsfunktion das Skalarprodukt des Gewichtungsvektors mit dem Eingangsvektor erstellt, wofür insbesondere jedes Gewicht mit dem jeweils zugeordneten Wert multipliziert wird, und wobei die auf diese Weise erstellten Produkte aufsummiert werden. Besonders bevorzugt jedoch wird hierfür die XNOR-Operation herangezogen, also insbesondere eine Äquivalenzfunktion durchgeführt. Zweckmäßigerweise wird also ein XNOR-Gatter verwendet. Somit wird anstatt des Erstellens des Produkts lediglich überprüft, ob das jeweilige Gewicht gleich dem jeweiligen Wert ist. Wenn dies der Fall ist, wird eine mögliche Ausprägung genommen, und ansonsten eine andere mögliche Ausprägung. Insbesondere sind hierbei die möglichen Ausprägungen der Gewichte und der Werte jeweils -1 und 1, und als Ergebnis der XNOR-Operation wird somit ebenfalls entweder -1 oder 1 ausgegeben. Eine derartige Rechenoperation ist mittels Software oder Hardware vergleichsweise zeitsparendes und ressourcenschonend durchzuführen, und es ist keine Multiplikation erforderlich. Dabei ist das Ergebnis der XNOR-Operation gleich dem Ergebnis des Produkts ist. Somit sind Hardwareressourcen und der Energiebedarf weiter verringert, wobei dennoch das gleiche Ergebnis erhalten wird
  • Beispielsweise wird als Aktivierungsfunktion eine Vergleichsfunktion herangezogen , und zum Erstellen des Ergebnisses wird die Übertragungsfunktion mit einem vorgegebenen Grenzwert verglichen. Wenn die Übertragungsfunktion größer als dieser ist, wird die eine mögliche Ausprägung und ansonsten die andere mögliche Ausprägung als jeweiliges Ergebnis verwendet. Hierbei ist der Grenzwert beispielsweise beliebig oder vorzugsweise gleich 0 (Null). Besonders bevorzugt wird als Aktivierungsfunktion lediglich das Vorzeichen der Übertragungsfunktion herangezogen. Wenn die Übertragungsfunktion positiv ist, ist das Vorzeichen 1 und ansonsten -1. Dies entspricht im Wesentlichen dem Vergleich mit einem Grenzwert von 0, wobei jedoch eine Verarbeitung erleichtert ist. So ist es bei der Verwendung des Vorzechens lediglich erforderlich, das Bit, mittels dessen das Vorzeichen repräsentiert ist, auszulesen und als das Ergebnis zu verwenden. Ein expliziter Vergleich mit dem Grenzwert hingegen ist nicht erforderlich. Somit ist die Anzahl an benötigten Rechenoperationen weiter verringert, und somit habe auch die nötigen Hardwareressourcen sowie ein Energiebedarf. Auch ist auf diese Weise keine anschließende Normalisierung erforderlich. Zweckmäßigerweise wird für das binäre Ergebnis entweder 1 oder -1 verwendet.
  • Beispielsweise wird der Eingangsvektor anhand von Messdaten eines Sensors des Hörgeräts ermittelt, beispielsweise erstellt. Als Sensor wird zum Beispiel ein Bewegungssensor verwendet. Besonders bevorzugt jedoch wird der Eingangsvektor anhand von erfassten Audiosignalen erstellt, also insbesondere anhand einer Zeitreihe. Dabei korrespondiert der Eingangsvektor, beispielsweise direkt zu dem Audiosignal oder zumindest zu dem teilweise bearbeiteten Audiosignal, zumindest bei der ersten Lage des neuronalen Netzes. Bei den nachfolgenden Schichten hingegen ist der Eingangsvektor zweckmäßigerweise mittels der Ergebnisse der jeweils vorhergehenden Lage gebildet. Diese basieren jedoch ebenfalls auf dem Audiosignal, sodass auch dort die jeweiligen Eingangsvektoren anhand des erfassten Audiosignals erstellt sind. Somit ist es ermöglicht, mittels des neuronalen Netzes eine aktuelle Umgebung des Hörgeräts vergleichsweise genau zu ermitteln.
  • Alternativ oder besonders bevorzugt in Kombination hierzu wird anhand der Ergebnisse, also zumindest eines Teils der mittels der Neuronen bereitgestellten Ergebnisse, insbesondere der Ergebnisse der Neuronen der letzten Lage des neuronalen Netzes, eine Prognose für die zukünftige Audiosignale erstellt, was insbesondere den "output" des neuronalen Netzes darstellt. Mit anderen Worten wird insbesondere anhand des Ergebnisvektors oder des Ergebniswerts die Prognose erstellt, oder diese entsprechen der Prognose. Zusammenfassend wird eine Annahme getroffen, wie sich die akustische Umgebung des Hörgeräts verändern wird, insbesondere wie ein aktueller Satz oder Wort weitergeführt wird, Hierfür werden insbesondere die Eingangsvektor anhand der erfassten Audiosignalen erstellt. Somit wird ein insbesondere die Annahme getroffen, was die nachfolgende Silbe sein wird. Zweckmäßigerweise wird anhand der Prognose eine Anpassung der etwaigen Signalverarbeitungseinheit durchgeführt, wobei vorzugsweise die etwaige Bearbeitung des erfassten Audiosignals verändert wird. Wenn dann das nachfolgende Audiosignal der Prognose entspricht, ist für den Nutzer die Verständlichkeit verbessert. Da es sich beispielsweise um ein rekurrentes neuronales Netz handelt, mittels dessen Zeitreihen vergleichsweise effektiv analysiert werden können, ist die Genauigkeit der Prognose insbesondere verbessert.
  • Bevorzugt hängt die genaue Ausgestaltung der Prognose/ des "outputs" vom Anwendungszweck des neuronalen Netzes ab, wird jedoch bevorzugt von anderen Komponenten des Hörgeräts weiterverarbeitet. Bevorzugt wird die Prognose/ der "output" verwendet, um die Schallausgabe am etwaigen Hörer zu beeinflussen, beispielsweise indem das Netzwerk eine Schätzung von Sprach- und Störgeräuschanteilen im Audiosignal erzeugt, welche dazu verwendet wird, frequenzabhängige Verstärkungsfaktoren einzustellen. Auf diese Weise wird für den Nutzer die Verständlichkeit verbessert. Da es sich beispielsweise um ein rekurrentes neuronales Netz handelt, mittels dessen Zeitreihen vergleichsweise effektiv analysiert werden können, ist die Genauigkeit der Unterscheidung von Sprache und Störgeräuschen insbesondere verbessert.
  • Das andere Verfahren dient dem Trainieren eines neuronalen Netzes für ein Hörgerät, das mehreren Neuronen aufweist, und das beispielsweise ein rekurrentes neuronales Netz ist oder zumindest der rekurrente Anteile aufweist Jedem Neuron ist dabei ein Gewichtungsvektor mit binären Gewichten zugeordnet, zumindest wenn das neuronale Netz fertig angelernt, also trainiert ist. Im angelernten Zustand, also wenn das neuronale Netz verwendet wird, wird jedem Neuron ein Eingangsvektor mit binären Werten zugeführt. Die Gewichtungsvektoren und Eingangsvektoren werden miteinander verarbeitet, um eine jeweilige Übertragungsfunktion zu erhalten. Die Übertragungsfunktion wird mit einer Aktivierungsfunktion derart bearbeitet, dass ein binäres Ergebnis bereitgestellt wird.
  • Das Verfahren dient dabei insbesondere dem Ermitteln der Gewichte. Das Verfahren wird hierbei beispielsweise mittels des Hörgeräts selbst durchgeführt oder zum Beispiel von einem Hersteller des Hörgeräts. In diesem Fall wird insbesondere das Hörgerät mit dem bereits fertig angelernten, also trainierten, neuronalen Netz ausgeliefert. Bei dem Verfahren werden hierbei mehrere Trainingsschritte durchgeführt, und bei jedem Trainingsschritt werden insbesondere die Gewichte geeignet angepasst. Vorzugsweise werden dabei die Trainingsschritte zeitlich nacheinander durchgeführt.
  • Bei jedem Trainingsschritt werden zweckmäßigerweise zunächst die Gewichte verändert. Dies erfolgt beispielsweise beliebig, wobei zweckmäßigerweise bestimmte Vorgaben eingehalten werden, oder in einer vorgegebenen Art und Weise. Gemäß dem Verfahren werden zunächst die Gewichte binarisiert. Mit anderen Worten wird jedem Gewicht eine von lediglich zwei möglichen Ausprägungen zugeordnet. Mit anderen Worten erfolgt eine Digitalisierung, oder eine binäre Abbildung eines vorhandenen Gewichts auf eine der zwei Ausprägungen. Zweckmäßigerweise ist aber eine der Ausprägungen -1 und die andere 1.
  • Die binarisierten Gewichte werden normalisiert. Somit ist sichergestellt, dass alle Gewichtungsvektoren bei diesem Trainingsschritt und/oder bei nachfolgenden Trainingsschritten stets die gleiche Norm aufweisen, also insbesondere die gleiche Länge. Zur Normalisierung wird jedes Gewicht mit einer jeweiligen Normalisierungskonstanten multipliziert. Hierbei ist die Normalisierungskonstanten für sämtliche Gewichte gleich, die dem gleichen Gewichtungsvektor zugeordnet sind. Dabei ist es möglich, dass sich die unterschiedlichen Gewichtungsvektoren zugeordneten Normalisierungskonstanten unterscheiden. Zusammenfassend gilt insbesondere jede Normalisierungskonstante lediglich für die Gewichte, die dem jeweils gleichen Gewichtungsvektor zugeordnet sind. Die Normalisierungskonstanten ist reziprok proportional zur euklidischen Norm des jeweiligen Gewichtungsvektors. Mit anderen wird hierfür jedes Gewicht durch die euklidische Norm geteilt, oder die Normalisierungskonstante umfasst noch weiter Bestandteile. Beispielsweise erfolgt zusätzlich eine Multiplikation mit einem bestimmten Faktor. Die euklidische Norm entspricht insbesondere der Länge des Gewichtungsvektors. Da die Gewichte vor der Normalisierung jedoch binär sind, und vorzugsweise gleich -1 oder 1, ist die Normierungskonstante somit gleich der Anzahl der Gewichte des jeweiligen Gewichtungsvektors. Die Normalisierungskonstante ist somit stets gleich und nicht von Statistiken oder dergleichen abhängig, weswegen zur Durchführung des Trainings lediglich geringe Hardwareressourcen erforderlich sind.
  • Nachfolgend wird für jedes Neuron anhand des jeweiligen Gewichtungsvektors, der nunmehr nominiert ist, die jeweilige Übertragungsfunktion erstellt. Hierfür werden der Gewichtungsvektoren mit einem zugeführten Eingangsvektor verarbeitet, wobei die die Gewichte aufgrund der Normierung nicht lediglich die Ausprägung von -1 und 1 aufweisen. Insbesondere entspricht die Übertragungsfunktion dem Skalarprodukt aus dem Gewichtungsvektor und dem zugeführten Eingangsvektor. Nachfolgend wird die Übertragungsfunktion mit der Aktivierungsfunktion derart bearbeitet, dass das binäre Ergebnis bereitgestellt wird.
  • Vorzugsweise wird dies für sämtliche Neuronen des neuronalen Netzes durchgeführt, wobei pro Trainingsschritt insbesondere einmalig sämtliche Neuronen verwendet werden. Zweckmäßigerweise wird mittels des neuronalen Netzwerks der etwaige Ergebnisvektor oder der Ergebniswert ausgegeben. Vorzugsweise wird anhand dessen und einer Kostenfunktion ein weiterer Wert ermittelt. Bei der Durchführung der Kostenfunktion erfolgt insbesondere ein Vergleich mit einem gewünschten Ergebnisvektor/Ergebniswert, der, vorzugsweise ebenso wie zumindest ein Teil der Eingangsvektoren, mittels Trainingsdaten bereitgestellt ist.
  • Beispielsweise bestehen bestimmte Vorgaben bei der Wahl der Gewichte zu Beginn jedes Trainingsschritt. Bevorzugt jedoch sind hierbei keine Vorgaben vorhanden, und die Gewichte können zu Beginn, insbesondere zu Beginn des Trainings, oder bei jedem Trainingsschritt, im Wesentlichen beliebig gewählt werden. Somit kann insbesondere ein bereits bestehender Algorithmus verwendet werden, weswegen ein Aufwand reduziert ist. Auch ist es möglich, das Verfahren auf einer bereits bestehenden Hardware oder Software vergleichsweise effizient umzusetzen.
  • Zweckmäßig werden nach dem Durchführen der Trainingsschritte, also wenn insbesondere der bereitgestellte Ergebnisvektor/Ergebniswert ausreichend genau mit den Trainingsdaten übereinstimmt, die Gewichte binarisiert und mit dem Vorzeichen der jeweiligen Normierungskonstanten multipliziert. Somit weist dann jeder der Gewichtungsvektoren lediglich die binären Gewichte auf. Somit ist es nachfolgend möglich, die Gewichtungsvektoren direkt zum Betrieb des Hörgeräts zu verwenden.
  • Das Hörgerät ist beispielsweise ein Headset oder besonders bevorzugt ein Hörhilfegerät. Zum Beispiel ist das Hörhilfegerät ein "Receiver-in-the-canal"-Hörhilfegerät (RIC; Ex-Hörer-Hörhilfegerät), ein Im-Ohr-Hörhilfegerät, wie ein "in-the-ear"-Hörhilfegerät, ein "in-the-canal"-Hörhilfegerät (ITC) oder ein "complete-in-canal"-Hörhilfegerät (CIC), eine Hörbrille oder ein Taschenhörhilfegerät. Alternativ ist das Hörhilfegerät ein Hinter-dem-Ohr-Hörhilfegerät ("Behind-the-Ear"-Hörhilfegerät), das hinter einer Ohrmuschel getragen wird.
  • Das Hörgerät weist vorzugsweise ein Mikrofon auf. Dieses ist beispielsweise omnidirektional ausgestaltet, oder geeigneterweise ist es möglich, eine Richtcharakteristik des Mikrofons zu verändern. Hierfür weist das Mikrofon vorzugsweise zwei oder mehr Mikrofoneinheiten auf. Das Mikrofon ist hierbei zum Erfassen eines Umgebungsschalls geeignet, insbesondere vorgesehen und eingerichtet. Zweckmäßigerweise wird mittels des Mikrofons ein Audiosignal erstellt, wenn der Umgebungsschall erfasst wird. Das Hörgerät, weist zweckmäßigerweise eine Signalverarbeitungseinheit auf, die vorzugsweise signaltechnisch mit dem Mikrofon verbunden ist. Insbesondere wird hierbei bei Betrieb das Audiosignal der Signalverarbeitungseinheit zugeleitet. Vorzugsweise umfasst das Hörgerät einen Hörer, mittels dessen das bearbeitete Audiosignal ausgegeben wird, und das zweckmäßigerweise signaltechnisch mit der Signalverarbeitungseinheit verbunden ist.
  • Das Hörgerät weist ferner ein neuronales Netz mit mehreren Neuronen auf. Geeigneterweise sind hierbei die Neuronen auf verschiedene Schichten aufgeteilt. Zum Beispiel ist das neuronale Netz lediglich mittels Software realisiert, oder das Hörgerät weist hierfür dedizierte Hardware auf, insbesondere einen hierauf angepassten Chip. Vorzugsweise ist das neuronale Netz der Signalverarbeitungseinheit zugeordnet. Beispielsweise ist das neuronale Netz lediglich ein rekurrentes neuronales Netz oder lediglich ein vorwärtsgerichtetes neuronales Netz. Bevorzugt jedoch weist das neuronale Netz sowohl rekurrente als auch vorwärtsgerichtete Anteile auf.
  • Jedem Neuron ist, zumindest im Normalbetrieb, ein Gewichtungsvektor mit binären Gewichten zugeordnet. Das Hörgerät ist gemäß einem Verfahren betrieben, bei dem jedem Neuron ein Eingangsvektor mit binären Werten zugeführt und mit dem Gewichtungsvektor verarbeitet wird, um eine Übertragungsfunktion zu erhalten. Die Übertragungsfunktion wird mit einer Aktivierungsfunktion derart bearbeitet wird, dass ein binäres Ergebnis bereitgestellt wird. Alternativ oder Vorzugsweise in Kombination hierzu wird mittels des Hörgeräts ein Verfahren zum Trainieren des neuronales Netz durchgeführt, beispielsweise lediglich einmalig, oder auch während der Nutzung, zweckmäßigerweise in bestimmten zeitlichen Abständen. Hierbei werden die Gewichte binarisiert und normalisiert, wofür diese mit einer jeweiligen Normalisierungskonstanten multipliziert werden, die reziprok proportional zur euklidischen Norm des jeweiligen Gewichtungsvektors ist. Für jedes Neuron wird anhand des jeweiligen Gewichtungsvektors die jeweilige Übertragungsfunktion erstellt, und die Übertragungsfunktion wird mit der Aktivierungsfunktion derart bearbeitet, dass ein binäres Ergebnis bereitgestellt wird.
  • Zweckmäßigerweise ist die Signalverarbeitungseinheit geeignet, insbesondere vorgesehen und eingerichtet, zumindest teilweise eines oder beide Verfahren durchzuführen.
  • Die im Zusammenhang mit den beiden Verfahren erläuterten Weiterbildungen und Vorteile sind sinngemäß auch auf das Hörgerät sowie untereinander zu übertragen und umgekehrt.
  • Nachfolgend wird ein Ausführungsbeispiel der Erfindung anhand einer Zeichnung näher erläutert. Darin zeigen:
    • Fig. 1
    schematisch vereinfacht ein Hörgerät mit einem neuronalen Netz,
    Fig. 2
    schematisch das mehrere Neuronen aufweisende neuronale Netz,
    Fig. 3
    ein Verfahren zum Betrieb des Hörgeräts,
    Fig. 4
    schematisch ein Neuron, und
    Fig. 5
    ein Verfahren zum Trainieren des neuronalen Netzes.
  • Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.
  • In Figur 1 ist schematisch vereinfacht ein Hörgerät 2 gezeigt. Das Hörgerät 2 weist ein Gehäuse 4 auf, innerhalb dessen ein Mikrofon 6 angeordnet ist. Das Mikrofon 6 weist mehrere nicht näher dargestellte Mikrofoneinheiten auf, die jeweils als elektromechanischer Schallwandler oder kapazitiver Schallwandler ausgestaltet sind. Dem Mikrofon 6 ist signaltechnisch eine Signalverarbeitungseinheit 8 nachgeschaltet. Der Signalverarbeitungseinheit 8 ist signaltechnisch ein Hörer 10 nachgeschaltet, mittels dessen es möglich ist, bei bestimmungsgemäßer Verwendung durch einen Nutzer Schall in einen Gehörgang des nicht näher dargestellten Nutzers auszugeben.
  • Die Signalverarbeitungseinheit 8 weist eine Bearbeitungseinheit 12 auf, mittels derer ein bei Betrieb mittels des Mikrofons 6 bereitgestelltes Audiosignal 14 bearbeitet wird, sodass ein Ausgangssignal 16 bereitgestellt wird. Hierbei erfolgt eine frequenzselektive Verstärkung und/oder Dämpfung, sodass beispielsweise ein Rauschen oder sonstige störende Geräusche unterdrückt werden. Die Bearbeitungseinheit 12 weist hierfür beispielsweise einen digitalen Soundprozessor auf. Auch wird zum Beispiel eine Kompression durchgeführt, sodass ein Frequenzspektrum des Ausgangssignals 16 im Vergleich zu dem Audiosignal 14 verkleinert ist. Das Ausgangssignal 16 wird zu dem Hörer 10 geleitet, sodass der mittels des Hörers 10 ausgegebene Schall zu dem Ausgangssignal 16 korrespondiert.
  • Die Signalverarbeitungseinheit 8 umfasst ferner ein neuronales Netz 18, dem ebenfalls das Audiosignal 14 zugeführt wird, und das rekurrente Anteile aufweist. Mittels des neuronalen Netzes 18 wird eine Prognose 20 für zukünftige Audiosignale erstellt, die der Bearbeitungseinheit 12 zugeführt wird. In Abhängigkeit der Prognose 20 erfolgt eine Einstellung der Bearbeitungseinheit 12, also insbesondere die Auswahl von Verstärkungsfaktoren für unterschiedliche Frequenzen. Dabei wird die Bearbeitungseinheit 12 auf das wahrscheinlich zeitlich nachfolgende und mittels des Mikrofons 6 bereitgestellte Audiosignal 14 eingestellt, sodass eine verbesserte Bearbeitung erfolgt. Somit ist bei dem mittels des Hörers 12 ausgegebene Schall für den Nutzer eine Verständlichkeit erhöht. Zusammenfassend wird insbesondere anhand des neuronalen Netzes 18 aus dem Audiosignal 14 und beispielsweise aus anderen Sensordaten, z.B. Beschleunigungswerten, Zwischenwerte berechnet, die die Prognose 20 darstellen, und die für die Bearbeitung des Audiosignals 14 nützlich sind. Zum Beispiel wird die An- oder Abwesenheit von Sprache geschätzt ("voice activity detection").
  • In Figur 2 ist schematisch vereinfacht das neuronale Netz 18 dargestellt, das auch lediglich als neuronales Netz bezeichnet ist. Das neuronale Netz 18 weist mehrere Neuronen 22 auf, die unterschiedlichen Schichten 24 zugeordnet sind, wobei in dem dargestellten Beispiel drei Schichten 24 gezeigt. Mittels jedes Neurons 22 wird ein Ergebnis 26 bereitgestellt, das den Neuronen 22 der jeweils nachfolgenden Lage 24 zugeordnet wird. Jedoch ist es auch möglich, dass eines oder mehrerer der Ergebnis 26 einem der Neuron 22 der gleichen Lage 24 oder einer der vorhergehenden Schichten 24 zugeleitet wird. Der Übersichtlichkeit halber sind in Figur 2 lediglich einige der Ergebnis 26 gezeigt. Der ersten der Lage 24 wird dabei das Audiosignal 24 zugeordnet, und die Ergebnisse 26 der Neuronen 22 der letzten der Schichten 24 bilden die Prognose 20.
  • In Figur 3 ist ein Verfahren 28 zum Betrieb des Hörgeräts 2 dargestellt. In einem ersten Arbeitsschritt 30 wird mittels des Mikrofons 6 das Audiosignal 14 bereitgestellt. Dieses wird zu dem neuronalen Netz 18 geleitet. In einem nachfolgenden zweiten Arbeitsschritt 32 wird anhand des erfassten Audiosignals 18 ein Eingangsvektor 34 erstellt, der den Neuronen 22 der ersten Lage 24 zugeführt wird, von denen eines in Figur 4 schematisch gezeigt ist. Der Eingangsvektor 34 weist dabei mehrere binäre Werte 36 auf, die auch lediglich als Werte bezeichnet sind. Die Werte 36 können hierbei zwei unterschiedliche Ausprägungen annehmen nehmen, nämlich -1 und 1.
  • In einem sich anschließenden dritten Arbeitsschritt 38 wird der jeweils zugeführte Eingangsvektor 34 mit einem dem jeweiligen Neuronen 22 zugeordneten Gewichtungsvektor 40 verarbeitet, sodass eine Übertragungsfunktion 42 erstellt wird. Mit anderen Worten wird der Eingangsvektor 34 mit dem Gewichtungsvektor 40 verarbeitet, um die Übertragungsfunktion 42 zu erhalten. Der Gewichtungsvektor 40 weist mehrere binärer Gewichte 44 auf, die auch lediglich als Gewichte bezeichnet werden. Jedes binäre Gewicht 44 kann lediglich zwei Ausprägungen annehmen, nämlich entweder -1 und 1. Die Anzahl der binären Gewichte 44 ist dabei gleich der Anzahl der binären Werte 36 des jeweils zugeführten Eingangsvektor 34, und jedem der Gewichte 44 ist jeweils einer der Werte 36 zugeordnet.
  • Zum Erstellen der Übertragungsfunktion 42 wird eine XNOR-Operation durchgeführt. Dabei wird überprüft, ob das jeweilige binäre Gewicht 44 gleich dem jeweils zugeordneten binären Werten 36 ist. Wenn diese übereinstimmen wird als Resultat der XNOR -Operation 1 und ansonsten -1 herangezogen. Die Summe der Resultate entspricht der Übertragungsfunktion 42. Zusammenfassend wird als Übertragungsfunktion 42 die Summe der Operation XNOR auf alle binären Werte 36 und der jeweils zugeordneten binären Gewichte 44 herangezogen.
  • In einem nachfolgenden vierten Arbeitsschritt 46 wird die Übertragungsfunktion 42 mit einer Aktivierungsfunktion 48 bearbeitet, sodass das jeweilige Ergebnis 26 bereitgestellt wird. Dabei wird als Aktivierungsfunktion 48 das Vorzeichen der Übertragungsfunktion 42 herangezogen. Das Ergebnis 26 ist somit ebenfalls binäre, und entspricht 1, wenn die Übertragungsfunktion positiv ist und ansonsten -1.
  • Die auf diese Weise ermittelten Ergebnis 26 einer der Schichten 24 werden zu dem Eingangsvektor 34 für die nachfolgende Lage 24 zusammengefasst. Gegebenenfalls werden auch andere Ergebnisse 26 zu dem jeweiligen Eingangsvektor 34 hinzugefügt.
  • Der zweite bis vierte Arbeitsschritte 32-46 werden für sämtliche Neuronen 22 durchgeführt, insbesondere schichtenweise, oder gegebenenfalls auch in einer anderen Reihenfolge. Da sämtliche Ergebnisse 26, zumindest indirekt, anhand der erfassten Audiosignalen 18 erstellt sind, werden folglich alle Eingangsvektoren 34 anhand der erfassten Audiosignalen 18 erstellt. Die Ergebnis 26 der letzten Lage 24 werden abschließend zu der Prognose 20 zusammengefasst.
  • Nachdem mittels sämtlicher Neuronen 22 zumindest einmalig das jeweilige Ergebnis 26 erstellt wurde, wird ein fünfter Arbeitsschritt 50 durchgeführt, und die Prognose 20 ausgegeben, anhand derer dann insbesondere die Bearbeitungseinheit 12 eingestellt wird. Mittels dieser wird dann das Audiosignal 24 entsprechend der Erstellung bearbeitet, sodass das Ausgangssignal 16 erstellt werden kann.
  • Für die Bereitstellung der Prognose 20 ist dabei als Speicherplatz für jedes der Gewichte 44 lediglich 1 Bit und für jeden der Werte 36 ebenfalls nur 1 Bit erforderlich im Vergleich zu 8 Bit bei der Verwendung von nicht binären Werten/Gewichten. Somit ist ein erforderlicher Speicherbedarf auf ungefähr ein Achtel reduziert. Bei der Durchführung der XNOR-Operation kann eine in einem jeweiligen Chip hinterlegte boolesche Operation herangezogen werden, und es ist keine Multiplikation mit mehreren einzelnen Rechenoperationen erforderlich. Ferner erfolgt keine Normalisierung, und zum Durchführen der Aktivierungsfunktion 48 wird lediglich das Bit ausgelesen, das dem Vorzeichen der Übertragungsfunktion 42 zugeordnet ist. Somit sind auch hier keine Rechenoperationen erforderlich. Zusammenfassend erfolgt das Ermitteln der Prognose 20 vergleichsweise ressourcenschonend, weswegen ein Energiebedarf zur Durchführung des Verfahrens 28 zum Betrieb des Hörgeräts 2 vergleichsweise gering ist.
  • In Figur 5 ist ein Verfahren 52 zum Trainieren des neuronalen Netzes 18 gezeigt. Dieses wird beispielsweise von einem Hersteller des Hörgeräts 2 durchgeführt, insbesondere bevor das Hörgerät 2 dem Nutzer zur Verfügung gestellt wird. Alternativ hierzu wird das Verfahren 52 zum Trainieren des neuronalen Netzes 18 von dem Nutzer durchgeführt, beispielsweise bei Aufnahme der Nutzung, oder wenn der Nutzer dieses bereits für einen bestimmten Zeitraum in Benutzung hatte, beispielsweise eine Woche oder einen Monat. In einer weiteren Alternative wird das Verfahren 52 zum Trainieren des neuronalen Netzes 18 mehrmals in bestimmten zeitlichen Abständen durchgeführt. Das Verfahren 52 zum Trainieren des neuronalen Netzes 18 wird dabei insbesondere mittels des Hörgeräts 2 selbst durchgeführt.
  • Das Verfahren 52 zum Trainieren des neuronalen Netzes 18 wird in einem sechsten Arbeitsschritt 54 begonnen. In diesem werden zunächst sämtliche Gewichte 44 beliebig gewählt. Mit anderen Worten besteht keine Einschränkung hinsichtlich der Ausprägung, und diese können aus einem kontinuierlichen Wertebereich ausgewählt werden.
  • In eine sich anschließenden siebten Arbeitsschritt 56 werden die Gewichte 44 binarisiert. Mit anderen Worten wird jedes Gewicht 44 auf einer von lediglich zwei unterschiedlichen Ausprägungen abgebildet, in dem Beispiel entweder auf -1 oder auf 1. Somit weisen sämtliche Gewichte 44 nach Durchführung des siebten Arbeitsschritts 56 eine von zwei unterschiedlichen Ausprägungen auf. Sofern das neuronale Netz 14 ein Bestandteil eines übergeordneten neuronalen Netzes ist, das vollständig trainiert wird, ist es möglich, dass das übergeordnete neuronalen Netz nicht-binäre Gewichte aufweist, die jedoch kein Bestandteil des neuronalen Netzes 14 sind.
  • In einem sich anschließenden achten Arbeitsschritt 58 werden die Gewichte 44 normalisiert. Hierfür werden diese mit einer Normierungskonstanten 60 multipliziert. Die Normierungskonstante 60 ist dabei das reziproke der euklidischen Norm des jeweiligen Gewichtungsvektors 40. Da die Gewichte 44 entweder 1 oder -1 sind, entspricht die euklidische Norm der Anzahl der Gewichte 44 des jeweiligen Gewichtungsvektors 40. Somit wird jedes der Gewichte 44 durch die Anzahl der Gewichte 44 des zugeordneten Gewichtungsvektors 40 geteilt. Je nachdem, wie viele Ergebnisse 26 dem jeweiligen Neuron 22 zugeführt werden, also in Abhängigkeit der Verknüpfung des neuronalen Netzes 18, unterscheiden sich die Normierungskonstanten 60 unterschiedlicher Gewichtungsvektoren 40.
  • In einem sich anschließenden neunten Arbeitsschritt 62 wird für jedes Neuron 22 mittels des jeweils zugeordneten Gewichtungsvektors 40, der die normalisierten Gewichte 44 aufweist, die Übertragungsfunktion 42 erstellt. Hierfür wird jedem Neuron 22 jeweils der entsprechende Eingangsvektor 34 mit den binären Werten 36 zugeführt und das Skalarprodukt mit dem Gewichtungsvektor 40 gebildet. Der Eingangsvektor 34, der für die erste Lage 24 verwendet wird, ist dabei anhand von Trainingsdaten bereitgestellt und weist lediglich binäre Werte auf.
  • Zudem wird basierend auf der jeweils erstellte Übertragungsfunktion 42 mit der Aktivierungsfunktion 48 bearbeitet, sodass das binäre Ergebnis 26 erstellt wird. Wenn die Übertragungsfunktion 42 positiv ist, wird als Ergebnis 26 der Wert 1 und ansonsten -1 herangezogen. Dies wird für sämtliche Neuronen 22 durchgeführt, sodass die Prognose 20 erstellt ist. Diese wird mit einer erwarteten Prognose verglichen, die mittels der Trainingsdaten bereitgestellt ist. In Abhängigkeit hiervon wird werden die Gewichte 44 verändert, und erneut der siebte bis neunte Arbeitsschritt 56-62 durchgeführt. Dies erfolgte so lange, bis die erstellte Prognose 20 mit der erwarteten Prognose ausreichend genau übereinstimmt.
  • Wenn dies der Fall ist, wird ein zehnter Arbeitsschritt 64 durchgeführt. In diesem werden die Gewichte 44, die aufgrund der in dem achten Arbeitsschritt 58 letztmalig durchgeführten Normalisierung unterschiedliche Werte aufweisen können, binarisiert, also entweder auf -1 oder 1 gesetzt. Wenn dabei das jeweilige Gewicht 44 positiv ist, wird 1 und ansonsten -1 verwendet. Anschließend werden diese mit dem Vorzeichen der jeweiligen Normalisierungskonstanten 60 multipliziert. Da diese stets positiv ist, erfolgt somit eine Multiplikation mit 1. Nachfolgend ist weist jeder der Gewichtungsvektoren 40 nunmehr lediglich die binären Gewichte 44 auf, und das neuronale Netz 18 ist angelernt und kann für das Durchführen des Verfahrens 28 zum Betrieb des Hörgeräts 2 verwendet werden.
  • In einer nicht näher dargestellten Variante wird die Binarisierung der Gewichte 44 lediglich bei der letztmaligen Wiederholung des siebten Arbeitsschritts 56 durchgeführt oder erst mit dem zehnten Arbeitsschritt 64. In diesem Fall wird in dem siebten Arbeitsschritts 56 vorzugsweise der Wertebereich für die Gewichte 44 vorgegeben, sodass diese insbesondere lediglich zwischen -1 und 1 liegen können, wobei jedoch mehrere Ausprägungen möglich sind. Bei mehrmaligem Durchführen des siebten Arbeitsschritts 64 nähern sich dann die möglichen Ausprägungen immer mehr entweder -1 oder 1 an.
  • Die Erfindung ist nicht auf das vorstehend beschriebene Ausführungsbeispiel beschränkt. Vielmehr können auch andere Varianten der Erfindung von dem Fachmann hieraus abgeleitet werden, ohne den Gegenstand der Erfindung zu verlassen. Insbesondere sind ferner alle im Zusammenhang mit dem Ausführungsbeispiel beschriebene Einzelmerkmale auch auf andere Weise miteinander kombinierbar, ohne den Gegenstand der Erfindung zu verlassen.
    • Bezugszeichenliste
    • 2
    Hörgerät
    4
    Gehäuse
    6
    Mikrofon
    8
    Signalverarbeitungseinheit
    10
    Hörer
    12
    Bearbeitungseinheit
    14
    Audiosignal
    16
    Ausgangssignal
    18
    neuronales Netz
    20
    Prognose
    22
    Neuron
    24
    Lage
    26
    Ergebnis
    28
    Verfahren zum Betrieb des Hörgeräts
    30
    erster Arbeitsschritt
    32
    zweiter Arbeitsschritt
    34
    Eingangsvektor
    36
    binärer Wert
    38
    dritter Arbeitsschritt
    40
    Gewichtungsvektor
    42
    Übertragungsfunktion
    44
    binäres Gewicht
    46
    vierter Arbeitsschritt
    48
    Aktivierungsfunktion
    50
    fünfter Arbeitsschritt
    52
    Verfahren zum Trainieren des neuronalen Netzes
    54
    sechster Arbeitsschritt
    56
    siebter Arbeitsschritt
    58
    achter Arbeitsschritt
    60
    Normalisierungskonstante
    62
    neunter Arbeitsschritt
    64
    zehnter Arbeitsschritt

Claims (8)

  1. Verfahren (28) zum Betrieb eines Hörgeräts (2), das ein neuronales Netz (18) mit mehreren Neuronen (22) aufweist, denen jeweils ein Gewichtungsvektor (40) mit binären Gewichten (44) zugeordnet ist, wobei jedem Neuron (22) ein Eingangsvektor (34) mit binären Werten (36) zugeführt und mit dem Gewichtungsvektor (40) verarbeitet wird, um eine Übertragungsfunktion (42) zu erhalten, und wobei die Übertragungsfunktion (42) mit einer Aktivierungsfunktion (48) derart bearbeitet wird, dass ein binäres Ergebnis (26) bereitgestellt wird.
  2. Verfahren (28) nach Anspruch 1,
    dadurch gekennzeichnet,
    dass als Übertragungsfunktion (42) die Summe der Operation XNOR auf alle Werte (36) mit dem jeweils zugeordneten Gewicht (44) herangezogen wird.
  3. Verfahren (28) nach Anspruch 2,
    dadurch gekennzeichnet,
    dass als Aktivierungsfunktion (46) das Vorzeichen der Übertragungsfunktion (42) herangezogen wird.
  4. Verfahren (28) nach einem der Ansprüche 1 bis 3,
    dadurch gekennzeichnet,
    dass der Eingangsvektor (34) anhand von erfassten Audiosignalen (18) erstellt wird, und/oder dass anhand der Ergebnisse (26) eine Prognose (20) für zukünftige Audiosignale erstellt wird.
  5. Verfahren (52) zum Trainieren eines neuronalen Netzes (18) nach einem der Ansprüche 1 bis 4, wobei bei jedem Trainingsschritt
    - die Gewichte (44) binarisiert werden,
    - die Gewichte (44) normalisiert werden, wofür diese mit einer jeweiligen Normalisierungskonstanten (60) multipliziert werden, die reziprok proportional zur euklidischen Norm des jeweiligen Gewichtungsvektors (44) ist,
    - für jedes Neuron (22) anhand des jeweiligen Gewichtungsvektors (44) die jeweilige Übertragungsfunktion (42) erstellt wird, und
    - die Übertragungsfunktion (48) mit der Aktivierungsfunktion (48) derart bearbeitet wird, dass das binäre Ergebnis (26) bereitgestellt wird.
  6. Verfahren (52) nach Anspruch 5,
    dadurch gekennzeichnet,
    dass zu Beginn die Gewichte (44) beliebig gewählt werden.
  7. Verfahren (52) nach Anspruch 5 oder 6,
    dadurch gekennzeichnet,
    dass nach dem Durchführen der Trainingsschritte die Gewichte (44) binarisiert und mit dem Vorzeichen der jeweiligen Normalisierungskonstanten (60) multipliziert werden.
  8. Hörgerät (2), das ein neuronales Netz (18) mit mehreren Neuronen (22) aufweist, und das gemäß einem Verfahren (28, 52) nach einem der Ansprüche 1 bis 7 betrieben ist.
EP25180092.6A 2024-07-09 2025-06-02 Verfahren zum betrieb eines hörgeräts Pending EP4679424A1 (de)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102024206480.7A DE102024206480A1 (de) 2024-07-09 2024-07-09 Verfahren zum Betrieb eines Hörgeräts

Publications (1)

Publication Number Publication Date
EP4679424A1 true EP4679424A1 (de) 2026-01-14

Family

ID=95828311

Family Applications (1)

Application Number Title Priority Date Filing Date
EP25180092.6A Pending EP4679424A1 (de) 2024-07-09 2025-06-02 Verfahren zum betrieb eines hörgeräts

Country Status (4)

Country Link
US (1) US20260019758A1 (de)
EP (1) EP4679424A1 (de)
CN (1) CN121310046A (de)
DE (1) DE102024206480A1 (de)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210056278A (ko) * 2019-11-08 2021-05-18 한국전기연구원 음성-음향 신호 감지 장치
US11625586B2 (en) * 2019-10-15 2023-04-11 Sandisk Technologies Llc Realization of neural networks with ternary inputs and ternary weights in NAND memory arrays
US20240046076A1 (en) * 2021-04-19 2024-02-08 Huawei Technologies Co., Ltd. Device and method for processing a convolutional neural network with binary weights

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10915298B1 (en) * 2019-10-08 2021-02-09 Ali Tasdighi Far Current mode multiply-accumulate for compute in memory binarized neural networks
DE102020216439A1 (de) * 2020-12-21 2022-06-23 Sivantos Pte. Ltd. Verfahren zum Betrieb eines Hörsystems mit einem Hörinstrument

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11625586B2 (en) * 2019-10-15 2023-04-11 Sandisk Technologies Llc Realization of neural networks with ternary inputs and ternary weights in NAND memory arrays
KR20210056278A (ko) * 2019-11-08 2021-05-18 한국전기연구원 음성-음향 신호 감지 장치
US20240046076A1 (en) * 2021-04-19 2024-02-08 Huawei Technologies Co., Ltd. Device and method for processing a convolutional neural network with binary weights

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RASTEGARI MOHAMMAD ET AL: "XNOR-Net: ImageNet Classification Using Binary Convolutional Neural Networks", 2 August 2016 (2016-08-02), XP093211827, Retrieved from the Internet <URL:https://arxiv.org/pdf/1603.05279> *

Also Published As

Publication number Publication date
CN121310046A (zh) 2026-01-09
US20260019758A1 (en) 2026-01-15
DE102024206480A1 (de) 2026-01-15

Similar Documents

Publication Publication Date Title
EP3873108B1 (de) Hörsystem mit mindestens einem im oder am ohr des nutzers getragenen hörinstrument sowie verfahren zum betrieb eines solchen hörsystems
EP3840418B1 (de) Verfahren zur anpassung eines hörinstruments und zugehöriges hörsystem
DE102011087984A1 (de) Hörvorrichtung mit Sprecheraktivitätserkennung und Verfahren zum Betreiben einer Hörvorrichtung
DE102008031150B3 (de) Verfahren zur Störgeräuschunterdrückung und zugehöriges Hörgerät
DE102020216439A1 (de) Verfahren zum Betrieb eines Hörsystems mit einem Hörinstrument
DE102020208720B4 (de) Verfahren zum umgebungsabhängigen Betrieb eines Hörsystems
DE102012203349B4 (de) Verfahren zum Anpassen einer Hörvorrichtung anhand des Sensory Memory und Anpassvorrichtung
EP2495724B1 (de) Verfahren und Vorrichtung zum Schätzen eines Störgeräusches
DE102019203786A1 (de) Hörgerätesystem
EP4679424A1 (de) Verfahren zum betrieb eines hörgeräts
EP1926087A1 (de) Anpassung einer Hörvorrichtung an ein Sprachsignal
EP2584795A2 (de) Verfahren zum Ermitteln einer Kompressionskennlinie
EP2434781A1 (de) Verfahren zum Rekonstruieren eines Sprachsignals und Hörvorrichtung
DE102016207936A1 (de) Verfahren zum Betrieb eines Hörgeräts
EP2590437B1 (de) Periodisches Adaptieren einer Rückkopplungsunterdrückungseinrichtung
EP3863306A1 (de) Hörsystem mit mindestens einem im oder am ohr des nutzers getragenen hörinstrument sowie verfahren zum betrieb eines solchen hörsystems
EP3048813B1 (de) Verfahren und vorrichtung zur rauschunterdrückung basierend auf inter-subband-korrelation
EP3232684B1 (de) Verfahren zum übertragen eines audiosignals von einem sender zu einem empfänger
DE102024205064B4 (de) Verfahren zum Betreiben eines Hörgeräts
DE102024205358B4 (de) Verfahren zur Rauschunterdrückung in einem Hörinstrument
DE102023205783A1 (de) Verfahren zum Ermitteln einer Aktivität einer Eigenstimme eines Trägers eines Hörgerätes, Hörgerät und Hörgerätesystem
DE102024203680A1 (de) Verfahren zum Betrieb eines Hörgerätesystems
EP4615005A1 (de) Verfahren zum betrieb eines hörgerätesystems
EP4478743A1 (de) Verfahren zum betrieb eines hörgeräts und hörgerät
EP3240307B1 (de) Verfahren zum übertragen eines audiosignals

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN PUBLISHED

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20260224