JP2007512717A - 補聴器およびノイズ低減方法 - Google Patents

Abstract

【構成】補聴器（３０）は，マイクロフォン（７１），信号処理手段（２０）および出力トランスデューサ（２２）を備える。信号処理手段（２０）は，一組の記憶されたノイズ・クラス（１２）にマッピングされた一組の音響処理パラメータと，バックグラウンド・ノイズの影響を最小限にするために周波数応答を最適化するためのバックグラウンド・ノイズ分類手段（８）とを備える。補聴器は，周波数応答を制御するためのニューラルネットをさらに備えてもよい。信号中のノイズ成分を低減する方法も考案されており，この方法は，ノイズ成分を分類すること，ノイズ成分を一組の公知のノイズ成分と比較すること，および対応する一組の周波数応答パラメータに応じて処理した音声信号を適合させることからなる。

Description

この発明は，補聴器に関する。より具体的には，補聴器における音声再生を既知の音響環境（a known sound environment）に適合させるシステムおよび方法に関する。

通常，補聴器システムは補聴器およびプログラミング装置を備える。上記補聴器は，少なくとも一つのマイクロフォン，信号処理手段および出力トランスデューサを備える。上記信号処理手段は，マイクロフォンからの音声信号を受信して，入力信号を増幅したものを出力トランスデューサによって再生するように適合される。上記プログラミング装置は，補聴器ユーザの聴力にフィットするように，補聴器の信号処理を変更する，すなわち聴覚認知が劣っているユーザの聴力における周波数帯域を十分に増幅するように適合される。

最近の補聴器システムにおける音声再生は，例えば補聴器処理装置（the hearing aid processor）によって処理される信号のスペクトル分布（the spectral distribution）に応じて，使用中に変更可能である。この目的は，ユーザの残留聴力に関して環境の音響にマッチするように，音声再生を適合させることである。さらに音響再生を現在の音響環境に適合させることは，多くの状況下において都合がよい。例えば，騒がしい環境で音声を聞くことと比較して，静かな環境で音声を聞くには，異なる周波数応答が要求される。従って，聴音状況に応じて周波数応答を行うこと，例えば，静かな環境で人が話をする，騒がしい環境で人が話をする，あるいは音声なしの騒がしい環境のような様々な状況に対する専用の応答（dedicated responses）を提供することが都合のよいことである。以下，「ノイズ」という用語は，音声了解度再生（speech intelligibility reproduction）に関する全ての望ましくない信号成分を示すために用いる。

聴音状況において支配的なタイプを特定するために，かつ補聴器からの音声再生を，評価されかつ分類された聴音状況に適合させるために，補聴器システムに関連して使用に適した聴音状況を分類する様々な方法が考案されている。例えば，これらの方法は，異なる周波数における短期ＲＭＳ値（short-term RMS values）の解析，異なる周波数における音声信号の変調スペクトル，または異なる周波数帯域間における同調性を示す時間領域の解析（an analysis in the time domain to reveal synchronicity）を活用している。考案されたどの方法も利用可能な情報のごく一部しか利用しないために，これらの方法にはすべていろいろな点で欠陥がある。

別の固有の問題は，補聴器によって周辺からピックアップされたノイズである。現代社会では，ノイズの発生源は，輸送手段，空気送風機，工業用機械や家庭用電気器具のような機械的なもの，あるいはラジオやテレビのアナウンス，またはレストランでの背景の話声のような人間によるものであることが多い。補聴器によってピックアップされたノイズに補聴器回路を適合させるために，問題となる特定ノイズのタイプや周波数分布に応じて，ノイズ環境を複数の異なるノイズ環境クラスに細かく分けることが好都合である。

この発明の目的は，一つ以上の補聴器マイクロフォンからの音響信号を認識しかつ分類し，ユーザの快適性を向上させるための音響処理の適応にそのような情報を用いる方策および方法を実施することである。音響信号の分類は，現在の聴音状況を解析して，記憶されている特定の一組の聴音状況テンプレートのうち，どの聴音状況にもっとも似ているかを識別することを意味する。この分類の目的は，現在の聴音状況での音声了解度およびユーザの快適性に関して最適な結果を生成することが可能なように，補聴器において周波数応答を選択することである。

この発明の他の目的は，補聴器システムにおいてノイズ環境分類（noise environment classification）および解析方法を実施することであり，それにより音響処理を適合させて再生信号中のノイズ量を低減することができるようにすることである。

一組の所定のフィッティング規則にしたがって，自動的にまたはユーザによって，音響再生を複数の異なるノイズ環境の一つに適合させる手段を備える補聴器が，知られている。例えば，米国特許第５６０４８１２号には，現在の周囲状況の解析に基づいて信号処理特性を自動的に適合させることが可能な補聴器が開示されている。この開示された補聴器は，信号解析ユニット，ならびに聴力データ，補聴器特性および現在の音響環境にしたがう規定可能なアルゴリズムに基づいて，補聴器の信号処理特性を変化させるように適合されたデータ処理ユニットを備える。バックグラウンド・ノイズの低減および再生信号中の音声了解度の向上という具体的な問題は，米国特許第５６０４８１２号では特に扱われていない。

ＦｅｓｔｅｎとＰｌｏｍｐによる「正常に機能しない聴力および正常な聴力に対する語音聴取閾値に及ぼすノイズ変動および音声妨害の影響」（Ｊ．Ａｃｏｕｓｔ．Ｓｏｃ．Ａｍ，１９９０，８８，ｐｐ１７２５−１７３６）と題された論文において，感音性聴力損失を伴う聞き手は，正常な聴力を有する聞き手よりも，競合音声や変調ノイズによってマスクされた音声を理解することが非常に困難であることが観察されている。使用されたノイズは様々な方法で変調され，理解度は，正常な聴力を有する聞き手と聴覚障害のある聞き手の両方の代表グループに対して規定されている。正常な聴力を有する聞き手と聴力損失を伴う聞き手との間の非変調ノイズによってマスクされた音声の理解度の差は，変調ノイズによってマスクされた音声の理解度の差よりも小さい。

この研究における変調ノイズにおける音声理解の最悪の例は，自身の音声を時間反転（a time-reversed version）したノイズにより特定の話し手をマスクした場合である。この場合，ノイズ周波数は理解されるべき音声と同じであり，正常な聴力を有する聞き手および聴覚障害のある聞き手の両者とも理解することが同等に困難であった。

このように，変調ノイズ中の音声の理解および認識のために，聴覚障害者を補助する方法に対する需要がある。所定の音響環境において存在するノイズの特徴を，補聴器により十分な程度の確実性で確立することができれば，存在するノイズのタイプを相殺する措置を取ることが可能であり，音響環境中の音声の理解度を向上させることができる。

欧州特許第１１２９４４８Ｂ１号には，音声信号中の信号−ノイズ比（Ｓ／Ｎ比）を計測するシステムおよび方法が開示されている。このシステムでは，時間依存信号平均と，信号平均からの時間依存信号偏差との比から，時間依存性の音声−ノイズ比を求めることができる。このシステムは，複数のバンドパスフィルタ，エンベロープ抽出器，時間局所平均検出器，および平均からの時間局所偏差検出器を利用して，例えば補聴器における音声−ノイズ比を推定する。欧州特許第１１２９４４８Ｂ１号には，変調ノイズに関する記述はない。

国際出願特許第９１／０３０４２号には，混合された音声とノイズ信号を分類するための方法と装置が開示されている。信号は分割されて分離され，それぞれが音声信号の少なくとも２つの調和振動数を含む，周波数制限されたサブ信号となる。このサブ信号のエンベロープが形成され，そこですべてのサブ信号の個々のエンベロープ間の同調性が測定される。同調性測定の結果が，音声信号によって大いに影響を受ける混合信号とあまり影響を受けない混合信号とを分類する閾値と，比較される。前例のない周波数を参照して分類を行っているので，ノイズ信号の比較的正確な評価，特に音声のような特性を有する場合に対する基準を形成できる。

実際にこの方法を実行するには多くのステップが必要となるため，この方法はかなり複雑である。

音響環境についての広範な調査から，音響スペクトルを好適な数の周波数帯域に分割し，その帯域の全エネルギーの例えば１０％より低いところにある各特定周波数帯域における信号のエネルギー部分としてノイズ・レベルを推定することにより，特定の音響環境におけるノイズ下限を推定（estimate）することができることが明らかになっている。以下，低パーセンタイル法と呼ぶこの方法は，実際の応用において良好な結果をもたらす。問題となる実際の音響スペクトルに対するノイズ・エンベロープは，個々の周波数帯域のすべてにおいて低パーセンタイルを算出することにより導かれる。

計算を簡略化するために，音響スペクトル中の収集された低パーセンタイルに最も良好な線形適合の計算に，線形回帰法を用いることができる。そして，線形適合の傾きは，音響環境の分類に用いることができる。周波数スペクトルをｎ個の帯域に分割すると，最も良好な線形適合の傾きは次の式により求めることができる。

ここで，ｘ_iはｉ番目の帯域，ｘ_aveは帯域１から帯域ｎの平均，ｙ_iは帯域ｉにおける低パーセンタイルからの出力，ｙ_aveはｎ個すべての帯域における低パーセンタイルの平均である。

測定値または線形適合の傾きを表す数は，次式に必要とされる情報だけである。したがって，これはさらに簡略化可能である。

次元ｄＢ／帯域（the dimension dB/band）を取除くと，以下に示すように，特定の音響環境におけるノイズ周波数分布を表す低パーセンタイルにより，最も良好な線形適合の傾きを表す匹敵図面（a comparable figure）が得られる。

マイクロフォンおよび音声処理装置を備える音響システムは，音響信号のピックアップおよび記憶に用いられる。記録された音響信号の周波数スペクトルは，好適な数の周波数帯域，例えば１５帯域に分割され，各帯域についての低パーセンタイルが求められる，すなわち各帯域における信号のエネルギーの少なくとも５％〜１５％のレベルを求める。これにより，一組の低パーセンタイル・データが生じる。そして，式（２）を用いて，このデータ・セットが分類係数（a classification factor）として定量化される。典型的なノイズ・タイプのサブセットは，表１に示すようなノイズ・タイプ分類表に編成することができる。

この分類表から２つのことが分かる。ノイズ分類係数は正または負の範囲にある，すなわち，正または負のα，あるいは線形適合の傾斜である。低周波数成分によって支配されるノイズ源は負の傾斜を有する傾向があり，高周波数成分によって支配されるノイズ源は正の傾斜を有する傾向がある。この知識をもってすると，異なるノイズ・タイプを定量化し，補聴器システムなどの音声処理システムにおいて，環境ノイズの適合低減を実現することが可能である。

信号を多数の離散周波数帯域に分割し，かつこれらの周波数帯域のそれぞれから瞬間ＲＭＳ値を導くことによって，すべての瞬間において信号のスペクトル分布を解析することができる。異なる周波数帯域における信号のスペクトル分布をベクトルＦ（ｍ₁，…ｍ_n，ｔ）として表現することができる。ここで，ｍは周波数帯域数，ｔは時間である。ベクトルＦは，任意の瞬間ｔ_xでの信号のスペクトル分布を表す。

上記と同じ方法で信号を多数の離散周波数帯域に分割し，かつこれらの周波数帯域から瞬間ＲＭＳ値を導き，さらに各周波数帯域から導かれたＲＭＳ値のそれぞれから変動範囲を得ることによって，スペクトル分布における時間変動（the temporal variations），すなわち，ある特定の帯域中の信号レベルが時間とともにどれだけ変化するかを解析することも可能である。スペクトル分布における時間変動は，ベクトルＴ（ｍ₁，…ｍ_n，ｔ）としても表現することができる。ここで，ｍは周波数帯域数，ｔは時間である。ベクトルＴは，任意の瞬間ｔ_xでの信号のスペクトル変動の分布を表す。この方法では，信号特有の特性を有する２つのベクトルＦおよびＴを導くことができる。したがって，これらのベクトルは，異なる聴音状況の範囲を分類する基準として用いることができる。

信号を解析するこの方法を実用化可能とするために，信号の特性を決める基準として用いられる一組の基準ベクトルを取得することが必要である。これらの基準ベクトルは，多数の公知の聴音状況を解析し，かつ各状況に対する典型的な基準ベクトルＦ_iおよびＴ_iを導くことによって得ることができる。

基準聴音状況，すなわち聴音状況テンプレートとして利用される公知の聴音状況の例は，次の聴音状況であるが，これに限定されるものではない。
１．静かな環境下の音声
２．定常（非変動）ノイズ下の音声
３．インパルス状のノイズ下の音声
４．音声なしのノイズ
５．音楽

各聴音状況における多数の測定により，ベクトルＦとＴの典型的な例として，ｍ次元の２つの基準ベクトルＦ_iとＴ_iが得られる。その結果としての基準ベクトルは，補聴器処理装置のメモリに記憶され，実際のベクトルＦとＴと基準ベクトルＦ_iとＴ_iとの差の実時間推定値（a real-time estimate）を算出するために用いられる。

この発明に係る補聴器は，少なくとも一つのマイクロフォン，信号処理手段および出力トランスデューサを備え，上記信号処理手段は，マイクロフォンからの音声信号を受信するように適合されており，音声処理手段は，一組の記憶されたノイズ・クラスにマッピングされた一組の信号処理パラメータと，バックグラウンド・ノイズを分類する手段と，音声信号（audio signals）を解析して，複数の音響環境テンプレートの中から現在の音声信号バックグラウンド・ノイズと同類の一つを選択する手段と，選択されたテンプレートと同類の音響を処理するために適合された一組の音響処理パラメータ（a set of acoustic processing parameters）を検索する手段とを有する。

これにより，補聴器は，所定の分類されたノイズ状況を認識し，続いて補聴器によって再生される信号上のノイズの影響を最小限にする対策（measures）をとることを可能にする。これらの対策としては，信号処理装置における個々のチャネルのゲイン・レベルの調整，現在のノイズ状況にさらに適する補聴器内の別の記憶されたプログラムへの変更，または信号処理装置における個々のチャネルの比較パラメータの調整が考えられる。

この発明によると，補聴器は，バックグラウンド・ノイズを解析する低パーセンタイル推定器（a low percentile estimator）をさらに備えている。これは，音響環境中のバックグラウンド・ノイズを解析する効果的な方法である。

この発明に係る補聴器のさらなる特徴は，補聴器の従属請求項において明らかになる。

また，この発明は，少なくとも一つのマイクロフォン，信号処理手段および出力トランスデューサを備え，上記信号処理手段は，異なる種類のバックグラウンド・ノイズを複数のクラスに分類する手段，および一組の記憶されたノイズ・クラスと組になっている対応する一組の周波数応答パラメータを有する補聴器において，バックグラウンド・ノイズを低減する方法であって，第１のステップにおいてマイクロフォンからの音声信号を受信し，音声信号中のバックグラウンド・ノイズ成分を分類し，分類されたバックグラウンド・ノイズ成分を一組の既知のバックグラウンド・ノイズ成分と比較し，分類されたバックグラウンド・ノイズ成分と最もよく似ている一組のノイズを見つけ出し，対応する一組の周波数応答パラメータに応じて音声信号を適合させる方法も提供している。

この方法によると，補聴器は，ノイズ・レベルおよびノイズ分類を連続して解析することによって，複数の異なる音響環境に信号処理を適合させることができる。好適な実施形態において，音声了解度を最適化することによって適合を強めることができるが，その他の用途は他の実務形態から得られよう。

この発明に係る方法のさらなる特徴は，この方法の従属請求項から分かるであろう。

図面に示す例を用いて，この発明をより詳細に説明する。

図１には，低パーセンタイル（the low percentile）および高パーセンタイル（the high percentile）をそれぞれ表す２つの曲線によって囲まれた，２０秒間のデジタル音響信号フラグメント（a digitized sound signal fragment）が示されている。最初の１０秒の音響信号は，ほぼ４０〜５０ｄＢＳＰＬの間のレベルのノイズが示されている。次の７〜８秒はノイズに重ね合わされた音声信号であり，結果として生じる信号はほぼ４５〜７５ｄＢＳＰＬの間のレベルを有する。図１の最後の２〜３秒の信号はノイズである。

低パーセンタイルは，次のようにして信号から導かれる。すなわち，信号を，例えば１２５ｍｓの等間隔の「フレーム」に分割し，各フレームの平均レベルを，その前のフレームの平均レベルと比較する。フレームは，入力信号の多数のサンプルのそれぞれを保持する信号処理装置のメモリ中のバッファとして実現できる。現在のフレームのレベルがその前のフレームのレベルよりも高い場合には，現在のフレームのレベルとその前のフレームのレベルの差の分だけ低パーセンタイルのレベルを増加させる，すなわち比較的低速の増加である。低パーセンタイルは，５％〜１５％，好適には１０％の信号のパーセンテージである。一方，現在のフレームのレベルがその前のフレームのレベルよりも低い場合には，現在のフレームのレベルとその前のフレームのレベルの差を例えば９〜１０倍した定数因子（a constant factor）分だけ，低パーセンタイルのレベルを減少させる，すなわち比較的高速の減少である。フレームを一つずつ処理するこの方法によれば，選択されたパーセンテージに依存する信号の低エネルギー分布に沿う曲線が描かれる。

同様に，高パーセンタイルは，現在のフレームの平均レベルをその前のフレームの平均レベルと比較することにより信号から導かれる。現在のフレームのレベルがその前のフレームのレベルよりも低い場合には，現在のフレームのレベルとその前のフレームのレベルの差だけ高パーセンタイルのレベルを減少させる，すなわち比較的低速の減少である。一方，現在のフレームのレベルがその前のフレームのレベルよりも高い場合には，現在のフレームのレベルとその前のフレームのレベルの差を例えば９〜１０倍した定数因子分だけ，高パーセンタイルのレベルを増加させる，すなわち比較的高速の増加である。高パーセンタイルは，８５％〜９５％，好適には９０％の信号パーセンテージである。このタイプの処理によれば，選択されたパーセンテージに依存する信号の高エネルギー分布に近似する曲線が描かれる。

図１に示すように，低パーセンタイルと高パーセンタイルとを構成する２つの曲線は，信号の周りにエンベロープを形成する。２つのパーセンタイル曲線から導かれる情報は，いくつかの異なる方法で利用できる。例えば，低パーセンタイルは信号中のノイズ下限を決めるために用いることができ，高パーセンタイルは，信号がその後の処理段階で過負荷となるのを防ぐために適用されるリミッタ・アルゴリズム等を制御するために用いることができる。

ノイズ分類の例を図２に示す。図２では，いくつかの異なるノイズ源が前述の分類アルゴリズムを用いて分類されている。参考のため，８つのノイズ源の例がＡからＨで示されている。それぞれのノイズ・タイプは一定時間にわたり記録されており，その結果としてノイズ分類指数（noise classification index）がグラフに表現されている。一般に，ノイズ源の高周波数成分とノイズ分類指数との間には直接の関係があるが，この２つの異なる用語は決して同じだと考えることはできない。

ノイズ源の例Ａは，バスからのエンジン・ノイズである。これは周波数が比較的低く，かつ本質的に一定であるので，約−５００〜−５５０のノイズ分類指数が割り当てられている。ノイズ源の例Ｂは，自動車からのエンジン・ノイズであり，本質的にノイズ源の例Ａに類似しており，−４５０〜−５５０のノイズ分類指数が割り当てられている。ノイズ源の例Ｃは，レストランのノイズ，すなわち，人々の話声や食事用器具類のガチャガチャという音である。これには，−１００〜−１５０のノイズ分類指数が割り当てられている。ノイズ源の例Ｄは，パーティでのノイズであり，ノイズ源の例Ｃと非常に良く似ており，−５０〜−１００間のノイズ分類指数が割り当てられている。

ノイズ源の例Ｅは，掃除機であり，約５０のノイズ分類指数が割り当てられている。ノイズ源の例Ｆは，ノイズ源の例Ｅと同様な特性を有する調理用フードまたは換気扇のノイズであり，１００〜１５０のノイズ分類指数が割り当てられている。図２のノイズ源の例Ｇは，洗濯機であり，約２００のノイズ分類指数が割り当てられている。最後のノイズ源の例Ｈは，ヘアドライヤーであり，図２のその他のノイズ分類指数と比較して，より高い周波数成分が支配的であるため，５００〜５５０のノイズ分類指数が割り当てられている。これらのノイズ・クラスは，単に例として取り込まれたものであり，この発明の範囲を何ら限定するものではない。

図３は，２つの主要なステージを有する信号処理ブロック２０についての，この発明の実施形態を示す。明確にするために，信号処理ブロック２０はさらに以下のようなステージにさらに分割される。信号処理ブロック２０の第１ステージは，高パーセンタイルおよび音響スタビライザー・ブロック２と，コンプレッサ／フィッティング・ブロック３とを備える。コンプレッサ／フィッティング・ブロック３からの出力と入力端子１からの出力は，加算ブロック４で加算される。

信号処理ブロック２０の第２ステージは，多少複雑であるが，音声増大ブロック６（a speech enhancement block 6）に接続される高速反応高パーセンタイル・ブロック５，ノイズ分類ブロック８に接続される低速反応低パーセンタイル・ブロック７，および音声了解度指数ゲイン算出ブロック（a speech intelligibility index gain calculation block）１０に接続されるノイズ・レベル推定ブロック９を備える。さらに，音声了解度指数ゲインマトリックス・ブロック１２に接続される聴力閾値レベル・ブロック１１を備えるゲイン重み付けブロック１３（a gain weighing block 13）は，音声了解度指数ゲイン計算ブロック１０に接続される。ゲイン重み付けブロック１３は，フィッティング工程においてのみ用いられ，ここではこれ以上詳細に説明しない。

音声了解度指数ゲイン算出ブロック１０と音声増大ブロック６は，共に加算ブロック１４に接続され，加算ブロック１４からの出力は減算ブロック１５の負の入力に接続される。信号処理ブロック２０の出力を構成する減算ブロック１５の出力は，出力端子１６に現れる。

信号処理ブロック２０の高パーセンタイルおよび音響スタビライザーブロック２からの信号は，個々の周波数帯域に対する圧縮比を計算するコンプレッサ／フィッティング・ブロック３に与えられる。入力信号は入力端子１に与えられ，加算ブロック４においてコンプレッサ／フィッティング・ブロック３からの信号に加えられる。加算ブロック４からの出力信号は，減算ブロック１５の正の入力に接続される。

高パーセンタイル高速ブロック５からの信号は，音声増大ブロック６の第１の入力に与えられる。低パーセンタイル低速ブロック７からの信号は，音声増大ブロック６の第２の入力に与えられる。これらのパーセンタイル信号は，入力信号から導かれる高パーセンタイルと低パーセンタイルのそれぞれをエンベロープ表現したものである。低パーセンタイル低速ブロック７からの信号は，ノイズ分類ブロック８とノイズ・レベル・ブロック９のそれぞれの入力にも与えられる。ノイズ分類ブロック８は，式（１）に従ってノイズを分類し，その結果として得られる信号は，ＳＩＩゲイン算出ブロック１０用の三組のパラメータの１番目として用いられる。ノイズ・レベル・ブロック９は，低パーセンタイル低速ブロック７から導かれる信号のノイズ・レベルを決定し，その結果として得られる信号は，ＳＩＩゲイン算出ブロック１０用の三組のパラメータの２番目として用いられる。

聴力閾値レベル・ブロック１１およびＳＩＩゲインマトリックス・ブロック１２を備えるゲイン重み付けブロック１３は，ＳＩＩゲイン算出ブロック１０用の三組のパラメータの３番目を供給する。このパラメータの組は，補聴器のフィッティングの際にフィッティング・ソフトウェアにより計算され，その結果として得られるパラメータの組は，聴力閾値レベルおよびユーザの聴力損失によって定まる一組の定数である。ＳＩＩゲイン算出ブロック１０における三組のパラメータは，音声了解度指数を最適化する個々の周波数帯域において設定するゲインを算出するための入力変数として用いられる。

ＳＩＩゲイン算出ブロック１０からの出力信号は，加算ブロック１４において音声増大ブロック６からの出力に加えられ，その結果として得られる信号は加算ブロック１５に与えられる。加算ブロック１５では，加算ブロック４からの信号から加算ブロック１４からの信号が減算される。これにより，信号処理ブロック２０の出力端子１６上に現れる出力信号は，圧縮され，かつフィッティング補償された入力信号から，推定誤差またはノイズ信号をマイナスしたものと考えることができる。推定誤差信号が実際の誤差信号に近づくほど，信号処理ブロックは，可聴人工音（audible artifacts）を残さずに，信号からノイズをさらに除去することができよう。

好適な実施形態では，ノイズ分類システムは，低パーセンタイルの時定数（time constants）に等しい応答時間（response times）を有する。これらの時間は，レベルが上昇したとき，ほぼ１．５〜２ｄＢ／秒であり，レベルが下降したとき，ほぼ１５〜２０ｄＢ／秒である。その結果，環境ノイズ・レベルが例えば４５ｄＢＳＰＬの比較的静かな状況から例えば８０ｄＢＳＰＬの比較的騒々しい状況に変化する状況において，ノイズ分類システムは約２０秒の間にノイズを分類することが十分に可能である。一方，ノイズ・レベルが比較的騒々しい状況から比較的静かな状況に変化する場合は，ノイズ分類システムは約２秒で適合可能である。

これにより，補聴器のユーザが異なるノイズ環境の間を移動する際に，ノイズ分類システムは補聴器内の信号処理を比較的高速に適合させることが可能となる。そして，ノイズ分類システムからの結果は，補聴器の処理装置による周波数応答および補聴器内のその他のパラメータの適合に用いられ，これによって信号再生を最適化し，多様な騒々しい環境において音声を増大させることができる。

図４は，８つの異なるノイズ・レベルにおいて，図２の４つの異なるノイズ・クラスの例から導かれる，一様な３０ｄＢ聴力損失に対する推定ゲインマトリックス補償ベクトルの概略図である。３２個に分けられた図のそれぞれは，１５個の周波数帯域を示し，灰色で示す相対補償値（負）を用いて音響処理が行なわれている。上段の列の図は，それぞれ灰色で示された−１５ｄＢ，−１０ｄＢ，−５ｄＢ，０ｄＢ，５ｄＢ，１０ｄＢ，１５ｄＢおよび２０ｄＢの白色ノイズのクラスに対する推定ゲインマトリックス補償ベクトルを示す。全てのノイズ・レベルは，それぞれ７０ｄＢＳＰＬの音圧レベルに対応する。同様に，上から第２，第３および第４の列は，それぞれ洗濯機のノイズ，パーティでのノイズおよび自動車のノイズのクラスに対する各レベルでの推定ゲインマトリックス補償ベクトルを示す。推定ゲインマトリックス補償ベクトルは，式（２）を音声了解度指数関数と当該ノイズ分布とに適用し，その結果を現在のノイズ・レベルとノイズ・タイプに対して補間することにより求めた。

図４から明らかなように，レベルが０ｄＢより低い異なるノイズ・クラスを示すベクトル図は，比較的少ない灰色領域を有する。すなわち，低レベルにおけるノイズの低減には，少量の補償のみを必要とすることが示される。０ｄＢ以上のレベルの異なるノイズ・クラスを示すベクトル図は，より大きな灰色領域を有する。すなわち，高レベルにおけるノイズの低減には，大量の補償を必要とすることが示される。

好適な実施形態において，ゲインマトリックス補償ベクトル値の組は，ルックアップテーブルとして補聴器の専用メモリに記憶される。アルゴリズムは，推定ゲインマトリックス補償値を用いて，ノイズ・クラスを選択し，ノイズ・レベルを推定し，ルックアップテーブル中の適切なゲインマトリックス補償ベクトルを見つけることによって，特定の状況において必要な補償を決定する。推定されたノイズ分類指数が，例えばパーティ・ノイズや洗濯機ノイズ等の選択されたノイズ・クラスの境界に近い値を有する場合には，アルゴリズムは，ルックアップテーブル中の２つの隣接するゲインマトリックス列間の平均値を表す一組の値によって，ゲインマトリックス補償ベクトルを定義するための補間を行うことができる。推定されたノイズ・レベルが，例えば７ｄＢの隣接するノイズ・レベルの範囲に近い値を有する場合，アルゴリズムは，ルックアップテーブル中の２つの隣接するゲインマトリックス行間の平均値を表す値によって，ゲインマトリックス補償ベクトルを定義するための補間を行うことができる。

図３のＳＩＩゲイン計算ブロック１０の実施形態を，完全に接続されたニューラルネットワーク・アーキテクチャとして図５に示す。このアーキテクチャは，７つの入力部，Ｎ個の隠れた双曲線正接部（N hidden hyperbolic tangent units）および一つの出力部を備え，これらは，認識されたパラメータ変数の組からＳＩＩゲイン値を作り出すように配置されている。ＳＩＩゲイン値は，ノイズ・クラス，ノイズ・レベル，周波数帯域の番号，および５００Ｈｚ，１ｋＨｚ，２ｋＨｚ，ならびに４ｋＨｚにおける４つの所定の聴力閾値レベル値の関数である。

図５のニューラルネットは，好ましくはＬｅｖｅｎｂｅｒｇ−Ｍａｒｑｕａｒｄｔトレーニング法を用いてトレーニングすることができる。このトレーニング法は，１００のランダムに生成された異なる聴力損失と，それに対応するＳＩＩゲイン値のトレーニング・セットを用いて，シミュレーションで実施された。

音声了解度指数（speech intelligibly index）（ＳＩＩ）の概念は，ＡＮＳＩのＳ３．５−１９６９規格（１９９７年改訂）においてさらに詳細に述べられており，この規格は（複数の）音声了解度指数ＳＩＩの計算方法を提供している。ＳＩＩは，伝達された音声情報の了解度量（the intelligible amount）の予測を可能にし，それにより線形伝達システムにおける音声了解度を予測することができる。ニューラルネットおよびトレーニング法のより包括的な説明は，Ｈａｙｋｉｎ「ニューラルネットワーク：包括的基礎」第２版（１９９８年）に見ることができる。

聴力損失は実際の臨床データから得ることができるし，ここで説明する例と同様に統計的方法を用いてランダムに生成してもよい。トレーニングの際，好ましくは，ニューラルネットは通常のコンピュータのソフトウェアとして具体化される。ニューラルネットのトレーニング後，そのトレーニングは，異なる１００のランダムに生成された異なる聴力損失を用いて検証され，パラメータの組を評価した。この検証手順を実行して，ニューラルネットが，所定の今後の聴力損失に対するＳＩＩゲイン値を十分な精度で評価可能であることを確認した。

ニューラルネットのトレーニングの検証後，ニューラルネット中のトレーニングパラメータを固定し，図５のＮ個の隠れたユニットまたはノードにより表現されるパラメータ値を，図３のＳＩＩゲイン計算ユニット１０の積分部として具体化される補聴器内の同一のニューラルネット（an identical neural net）に転送してもよい。これにより，ＳＩＩゲイン計算ユニットには，補聴器内の１５個の異なる周波数帯域に対して，ノイズ・クラス，ノイズ・レベル，および一組の個々のゲイン補償マトリックス値が与えられたときに，所定の聴力損失に対するＳＩＩゲイン値を推定する能力が与えられる。

ニューラルネットは，ある瞬間におけるＳＩＩゲイン値の適切な推定値（a qualified estimate of the SII gain value）を送出する。マイクロフォンによってピックアップされた信号が変動すると，ノイズ・レベルおよびノイズ・クラスは時間と共に変化する。

図６のシステムは，補聴器における信号のスペクトル分布を解析するシステムの実施形態である。音源７１からの信号は，一組のバンドパス・フィルタ７２を用いて多数の周波数帯域に分割され，一組のバンドパス・フィルタ７２からの出力信号は多数のＲＭＳ検出器７３に与えられる。ＲＭＳ検出器７３は，それぞれ特定の周波数帯域中の信号レベルのＲＭＳ値を出力する。ＲＭＳ検出器７３からの信号は加算され，その結果，スペクトル分布ベクトルＦがブロック７４において算出される。これは，時変化周波数特定ベクトル（the time varying frequency specific rector）を示す。スペクトル分布ベクトルＦは，ある瞬間における信号のスペクトル分布を表し，信号の特性付けに用いることができる。

図７のシステムは，補聴器内の信号のスペクトル変動を解析する簡略化されたシステムである。図６を参照して説明したのと同様の方法で，多数のバンドパス・フィルタ７２および多数のＲＭＳ検出器７３を用いることにより，音源７１からスペクトル分布が導かれる。図７のシステムでは，ＲＭＳ検出器７３からの信号は多数のレンジ検出器７５に与えられる。レンジ検出器７５の目的は，バンドパス・フィルタ７２とＲＭＳ検出器７３から導かれる個々の周波数帯域において，レベルの時間変動（the variations in level overtime）を求めることである。レンジ検出器７５からの信号は加算され，その結果，スペクトル変動ベクトルＴがブロック７６において計算される。これは，時間変動周波数特定ベクトル（the temporal variation frequency specific vector）を示す。スペクトル変動ベクトルＴは，ある瞬間における信号のスペクトル変動を表し，信号を特徴づけるために用いることもできる。

信号のより詳細な特徴は，スペクトル分布ベクトルＦおよびスペクトル変動ベクトルＴの値を組合せることによって得られる。これは，信号のスペクトル分布とスペクトル分布の時間変動の両方を示す。

図８は，この発明に係る補聴器が，図４に示す一組の所定のゲイン・ベクトルを用いて設定した最適化ゲインをどのように補間するかを示すもので，例示するノイズ・レベルは−３ｄＢ，検出ノイズ分類係数は５０，すなわち例えば台所用電化製品などのある種の手近な電動モータから発生するものである。ルックアップテーブルとしての一組の所定のゲイン・ベクトルを用いて，補聴器処理装置は，検出されたノイズ分類係数を利用して最も適合するノイズ・タイプを決定し，さらに検出されたノイズ・レベルを利用して，ルックアップテーブル中の最も適合するノイズ・レベルを決定する。次に，前述の算出されたゲイン値マトリックスを用いて，補聴器処理装置は，検出されたノイズ・レベルの上下にあるテーブル中の事項（entries）と検出されるノイズ分類係数の上下にあるテーブル中の事項とからゲイン値を補間する。その後，補間されたゲイン値は，補聴器処理装置における個々の周波数帯域における実際の（複数の）ゲイン値を，特定のノイズを低減する最適値（the optimized values）に調整するために用いられる。

図９は，アナログ／デジタル変換器１９の入力に接続されるマイクロフォン７１を備える補聴器３０を示すブロック図である。アナログ／デジタル変換器１９の出力は，図３に示すものと同様な，信号処理装置２０に接続される。信号処理装置２０は，入力信号にフィルターをかけ，さらに入力信号を圧縮し，増幅する，そのような追加の信号処理手段（図示せず）を備える。信号処理部２０の出力は，デジタル／アナログ変換器２１の入力に接続され，デジタル／アナログ変換器２１の出力は音響出力トランスデューサ２２に接続される。

補聴器３０のマイクロフォン７１に入る音声信号は，マイクロフォン７１によりアナログの電気信号に変換される。アナログの電気信号は，アナログ／デジタル変換器１９によりデジタル信号に変換されて，不連続データストリームとして信号処理装置２０に与えられる。マイクロフォン７１からの入力信号を表すデータストリームは，図３の機能ブロック図に応じて信号処理装置２０により解析，調整，増幅される。次に，調整，増幅されたデジタル信号は，デジタル／アナログ変換器２１により，出力トランスデューサ２２を十分駆動する力のあるアナログの電気信号に変換される。信号処理装置２０の構成に応じて，別の実施形態としては，デジタル／アナログ変換器を必要とすることなく出力トランスデューサ２２を直接駆動するようにしてもよい。

このように，この発明に係る補聴器は，低パーセンタイルの速度変化に相当する適応速度で，環境ノイズ・レベルおよび特徴の変動に信号処理を適応させることが可能である。好適な実施形態では，信号処理，すなわち，解析に基づくノイズ低減を最適化して，再生された音声信号の音声了解度に資するように，信号再生を向上させるために，補聴器処理装置で実施される音声了解度に関する一組の規則を有する。これらの規則は，好ましくは音声了解度指数の理論に基づくものであるが，別の実施形態では，音声再生に関するその他の有益なパラメータに適合させてもよい。

別の実施形態において，個々の周波数帯域ゲイン値と異なるパラメータを，ニューラルネットからの出力制御パラメータとして組み込むことができる。例えば，これらの値は，ゲイン調整用のアタック時間またはリリース時間，圧縮比，ノイズ低減パラメータ，マイクロフォンの指向性，聴音プログラム，周波数成形，およびその他のパラメータである。これらのパラメータのいくつかを組み込む別の実施形態は，容易に実施可能であり，個々のユーザに対する補聴器のフィッティング時に，補聴器に調整者が，解析の影響を受けるパラメータを選択するようにしてもよい。

さらに別の実施形態において，事前に計算されたゲイン値のマトリックスを用いる代わりに，例示されたノイズ分類値，ノイズ・レベル，および聴力損失の上位集合のトレーニング・セットに基づいて，複数のゲイン値を調整するようにニューラルネットを構成してもよい。

音声信号における低パーセンタイルおよび高パーセンタイルを示すグラフである。 一定時間にわたってピックアップした異なるノイズ・サンプルを比較したノイズの分類を例示するグラフである。 この発明に係るノイズ分類手段を備える補聴器中の信号処理ブロックを示す概略ブロック図である。 一様な３０ｄＢの聴力損失に対する異なるレベルにおける異なるノイズ分類から導かれる一組の所定のゲイン・ベクトルの図である。 補聴器中の個々の周波数帯域に対する音声了解度指数ＳＩＩゲインを求めるためのニューラルネットワークを示す。 信号のスペクトル分布を解析するための簡略化したシステムを示す。 信号のスペクトル変動を解析するための簡略化したシステムを示す。 この発明に係るシステムがどのように図４の異なる所定のゲイン・ベクトル間を補間するかを示す。 この発明に係る補聴器を示す。

Claims (13)

1. 少なくとも一つのマイクロフォン，信号処理手段および出力トランスデューサを備え，上記音声処理手段がマイクロフォンからの音声信号を受信するように適合されており，
   上記信号処理手段は，一組の記憶されたノイズ・クラスにマッピングされた一組の信号処理パラメータと，バックグラウンド・ノイズを分類する手段と，音声信号を解析して，複数の音響環境テンプレートの中から現在の音声信号バックグラウンド・ノイズと同類の一つを選択する手段と，選択されたテンプレートと同類の音声処理に適合された一組の音響処理パラメータを検索する手段を備えている，
   補聴器。
2. 上記バックグラウンド・ノイズ分類手段は，低パーセンタイル推定器を利用してバックグラウンド・ノイズを解析する，請求項１に記載の補聴器。
3. 上記バックグラウンド・ノイズ分類手段は，バックグラウンド・ノイズ・レベルを推定する手段を備えている，請求項１に記載の補聴器。
4. 上記マイクロフォンからの音声信号を調節する手段は，複数の記憶された周波数応答パラメータの組の間の補間に基づいて，対応する一組の周波数応答パラメータを選択する，請求項１に記載の補聴器。
5. 上記音声信号を調節する手段は，音声了解度指数ゲインを算出する手段を備えている，上記請求項のいずれか一つに記載の補聴器。
6. 上記音声了解度指数ゲイン算出手段は，複数の入力パラメータの関数としての音声了解度指数ゲインを算出するように適合された，トレーニングされたニューラルネットを備えている，上記請求項のいずれか一つに記載の補聴器。
7. 上記音声了解度指数ゲイン算出手段は，複数の入力パラメータの関数としての音声了解度指数ゲインを算出するように適合された，ベクトル処理装置を備えている，上記請求項のいずれか一つに記載の補聴器。
8. 上記音声了解度指数ゲイン算出手段は，入力パラメータとして，一組の聴力閾値レベル，推定ノイズ・レベルおよびノイズ分類を組み込む，上記請求項のいずれか一つに記載の補聴器。
9. 少なくとも一つのマイクロフォン，信号処理手段および出力トランスデューサを備え，上記信号処理手段は，異なる種類のバックグラウンド・ノイズを複数のクラスに分類する手段，および一組の記憶されたノイズ・クラスと組になっている対応する一組の周波数応答パラメータを有する補聴器において，バックグラウンド・ノイズを低減する方法であって，
   第１のステップにおいてマイクロフォンからの音声信号を受信し，音声信号中のバックグラウンド・ノイズ成分を分類し，分類されたバックグラウンド・ノイズ成分を一組の既知のバックグラウンド・ノイズ成分と比較し，分類されたバックグラウンド・ノイズ成分と最もよく似ている一組のノイズを見つけ出し，対応する一組の周波数応答パラメータに応じて音声信号を適合させる，方法。
10. 上記ノイズ分類は，音声了解度指数ゲイン算出のステップを含む，請求項９に記載の方法。
11. 上記音声了解度指数ゲイン算出は，音声了解度指数ゲイン算出用の入力パラメータとして，一組の聴力閾値レベル，推定ノイズ・レベルおよびノイズ分類を取り入れて，これらの入力パラメータに基づいて，一組の最適化音声了解度指数ゲイン値を算出するステップを含む，請求項１０に記載の方法。
12. 環境ノイズが時間と共に増加する状況において再生音声信号を適合させるステップは，少なくとも２ｄＢ／秒の適合速度を有する，上記請求項のいずれか一つに記載の方法。
13. 環境ノイズが時間と共に減少する状況において再生音声信号を適合させるステップは，少なくとも１５ｄＢ／秒の適合速度を有する，上記請求項のいずれか一つに記載の方法。
    
    

Images