JP2017526236A - 補聴器システムのパラメータ最適化方法および補聴器システム - Google Patents

Abstract

ユーザの好みに関して補聴器システム（１００）におけるパラメータを最適化する方法およびこの方法を実行するように構成される補聴器システム（１００）である。

Description

この発明は，補聴器システムのパラメータ最適化方法に関する。この発明はまた，パラメータを最適化するように構成される補聴器システムに関する。

本願の開示において，補聴器は，聴覚障がい者によって人の耳の後ろまたは耳の中に装着されるように設計される，小さい，電池駆動の，小型電子機器として理解される。使用に先立ち，補聴器は処方にしたがって補聴器フィッタによって調整される。上記処方は，いわゆるオージオグラムが得られる，難聴者の裸耳聴能の聴覚テストに基づく。上記処方は，可聴周波数範囲において上記ユーザが聴覚欠損を蒙っている部分における周波数の音を増幅することによって，補聴器が聴覚損失を緩和することができる設定をもたらすように構築される。補聴器は，一または複数のマイクロフォン，電池，可聴周波数範囲において上記ユーザが聴覚欠損を蒙っている部分の増幅を提供するように構成される信号処理装置を含む小型電子回路，および音響出力トランスデューサを備えている。上記信号処理装置は好ましくはデジタル信号処理装置である。上記補聴器は人の耳の後ろまたは耳の中にフィットするのに適するケース内に収められる。

本願の開示において，補聴器システムは単一の補聴器（いわゆるモノラル補聴器システム）を備えるものであってもよいし，補聴器ユーザの各耳に一つずつの，２つの補聴器を備えるものであってもよい（いわゆるバイノーラル補聴器システム）。さらに，補聴器システムは外部装置，たとえば補聴器システムの他の装置とやりとりするように構成されるソフトウェア・アプリケーションを有するスマートフォンを備えてもよい。このように本願の開示において，用語「補聴器システム装置」は，補聴器または外部装置を意味することがある。

概略的には，この発明による補聴器システムは，ユーザが音響信号として知覚することができる出力信号を提供する，またはそのような出力信号を提供するのに寄与する任意のシステムを意味するものとして理解され，かつユーザの個々の聴覚損失を補償するために用いられる，またはユーザの聴覚損失を補償するのに寄与する手段を持つ。このようなシステムには，身体または頭部，特に耳の上または耳の中に装着することができる補聴器，および全体的にまたは部分的に埋め込むことができる補聴器が含まれる。しかしながら，主要目的が聴覚損失を補償するものではない装置，たとえば家電製品（テレビ，ハイファイシステム，携帯電話，ＭＰ３プレーヤなど）であっても，それらが個々の聴覚損失を補償するための機能を有するものであれば，補聴器とみなすこともできる。

補聴器システムの従来技術において，ほとんどのユーザは，ユーザの個々の好み（嗜好）を取り入れた補聴器プログラミング（この処理はフィッティングとも呼ばれる）からの利益を享受することができる。補聴器システム設定のこのようなタイプの微調整または最適化はカスタマイゼーションと呼ばれることもある。しかしながら，カスタマイゼーションの処理は非常に難しいもの（very challenging one）であることもよく知られている。

カスタマイゼーションの課題の一つは，どのようなタイプの信号処理およびその結果としての音声が好まれるのかを，ユーザが言葉で説明するのがかなり難しいことがあることである。

一般にカスタマイゼーションは，補聴器システムにおいて実行される基本的にすべてのタイプの信号処理に対して有益である。このように，カスタマイゼーションは，たとえばノイズ低減や音環境の分類に関連させることができる。

欧州特許公報ＥＰ−Ｂ１−１９４６６０９は，補聴器パラメータの最適化方法を開示する。この方法は，ベイシアン・インクリメンタル・プリファレンス抽出（Bayesian incremental preference elicitation）（ベイズ上昇嗜好抽出）に基づくもので，少なくとも一つの信号処理パラメータがユーザ調整に応答して調整される。特定の実施形態では，上記ユーザ調整は単純にユーザが意見を示すことである。

欧州特許ＥＰ−Ｂ１−１９４６６０９は，ユーザの未知の内部応答関数（すなわち，ユーザの好み）をモデル化するためにパラメータ化アプローチを提供する点において複雑であり，それは，非常に広範囲の補聴器システム・ユーザの未知の内部応答関数に適する適切なパラメータ化モデルを見つけることが非常に難しいからである。

さらに欧州特許ＥＰ−Ｂ１−１９４６６０９は，処理およびメモリ要求が，特に一般に制限された処理およびメモリ資源を有する補聴器システムにとって非常に高いために，複雑である。

したがってこの発明の特徴は，ユーザの満足度および処理およびメモリ資源に対する要求の両方に関して補聴器システム設定を最適化する改善された方法を提供するものである。

この発明の他の特徴は，補聴器システム設定を最適化する改善された手段を備える補聴器システムを提供するものである。

さらに発明者は，快適性を提供するために用いられ，望ましくない音声をマスキングし，またはリラックス体験を生じさせるための内部生成音が，カスタマイズによって大きな恩恵を受ける可能性があることを見いだした。

本願の開示において，リラックス音は，たとえばストレスおよび不安を抱えているときに，リラックスしかつそれを開放し易い品質を有する音声として理解されるべきである。伝統音楽はリラックス音の一例であり，他方騒音は，リラックスしていない音を指すのに頻繁に使用される。

本願の開示において，リラックス音は，耳鳴りを開放する（relieving tinnitus）のに適する音声として特に理解することができる。

米国特許第６８１６５９９号は，たとえば補聴器内への実装に非常に適する音楽シンセサイザーによって生成することができるリラックス音の一タイプを開示する。

米国第６０４７０７４号は耳鳴り治療に利用することもできる補聴器を開示しており，そこでは，補聴器入力トランスデューサからの出力信号から導出される有用なデジタル信号を，その強度，そのスペクトル分布および／またはその時間構造に関して評価することができ，反対の方向性を有する（補償する）挙動を達成することができる。これにより，耳鳴り治療のための信号を，有用な信号が存在しないときにだけ有効にすることができる。 有用信号の終わりと耳鳴り治療のための信号の開始との間で任意の遷移時間を設定することができる。静かな休止が長く続くと，マスキング信号がゆっくりとミックスされ，耳障りな耳鳴り雑音が生じる。また，旋律音のシーケンスまたは他のトーンを，耳鳴りをマスクするために用いることができることが開示されている。

リラックス音を生成することの課題の一つは，どのようなタイプの音声がリラックスとして知覚されるのかをユーザが言葉で説明するのが非常に難しいことがあることである。

たとえば知覚耳鳴り音から気をそらすためにユーザがリラックス音を用いることを望む場合に特に重要である。

したがってこの発明の特徴は，リラックス音の生成をカスタマイズする改善された方法を提供することにある。

この発明の他の特徴は，リラックス音の生成をカスタマイズする改善された手段を備える補聴器システムを提供することにある。

第１の観点において，この発明は請求項１に記載の方法を提供する。

補聴器システムにおけるパラメータを最適化するまたはカスタマイズする改善された方法が提供される。

第２の観点において，この発明は請求項１８に記載の方法を提供する。

補聴器システムにおけるパラメータを最適化するまたはカスタマイズする改善された方法が提供される。

第３の観点において，この発明は請求項１９に記載の方法を提供する。

補聴器システムにおけるパラメータを最適化するまたはカスタマイズする改善された方法が提供される。

第３の観点において，この発明は請求項２０に記載の補聴器システムを提供する。

補聴器システムにおけるパラメータをカスタマイズするまたは最適化するように構成される改善された補聴器システムが提供される。

さらなる有利な特徴が従属請求項から明らかにされる。

この発明のさらに他の特徴は，この発明を詳細に説明する以下の記載から当業者に明らかにされよう。

一例として，この発明の好ましい実施態様を開示しかつ記載する。当然ではあるが，この発明は他の実施態様が可能であり，そのいくつかの詳細は，この発明から逸脱することなく，様々な，明らかなすべての側面において修正することができる。したがって図面および説明は本質的に例示を示すにすぎず，限定するものではない。

この発明の一実施態様による補聴器をかなり概略的に示している。

本願の開示において，リラックス音（relaxing sound）という用語は，ユーザが集中すること，よりリラックスして快適に感じること，およびストレスを軽減しかつ不安を感じないようにすることを手助けするために，補聴器において人工的に（synthetically）生成される音を表す。

一態様において，上記リラックス音は，マスキングによって，または望まれない邪魔な音からユーザの注意をそむけさせることによって達成することができる。他の態様において，リラックス音それ自体が，望まれない邪魔な音が存在するかどうかかかわらず，これを達成するのに役立つことが分かった。

概略的には，発明者は，ユーザの好みが１日のうちに数回にわたって大きく変化することがあること，すなわち好みは時刻（朝，昼または夕刻）に，またはユーザの気分もしくはユーザが従事している活動のタイプに依存することがあることを見いだしたことから，発明者は，リラックス音を，ユーザの現在の好み（present preferences）に適合させること（すなわちカスタマイズ）ができれば，上記ユーザにとってかなりの改善が提供されることを見いだしたものである。

多くのユーザに様々な好みがあることから，発明者はまた，様々なタイプのリラックス音を聞くのにあまりに多くの時間を費やすことなく上記カスタマイズを実行できれば，ユーザにとってかなりの改善をもたらすことも見いだした。

さらに，多くのユーザに様々な好みがあることから，発明者は，限定された処理資源を有する補聴器システムだけを利用して上記カスタマイズを実行できれば，カスタマイズをどこでもいつでも実行することができるので，ユーザにとってかなりの改善をもたらすことを見いだした。

さらに発明者は，ユーザが複雑なやり方で補聴器システムと対話することを必要とせずにカスタマイズを実行できることが非常に重要であることを見いだした。

特に，発明者は，補聴器システムのユーザが２つの補聴器システム設定（hearing aid system settings）を比較し，上記設定の一方が他方よりもどの程度好ましいかを評価するように促される場合に，前もって予測できない処理効率のもとで（with beforehand unseen processing efficiency）補聴器システムのカスタマイゼーションを実行することができる分析式（analytical expressions）を導出できることを見いだした。

上述したように，この発明はリラックス音のカスタマイゼーションについて特に利点がある。

補聴器システムにおける実装に適する人工的に生成されるリラックス音の一例は，たとえばＷＯ−Ａ１−０２／４１２９６に見ることができる。

さらに発明者は，ＷＯ−Ａ１−０２／４１２９６に開示されているような人工的に生成されるリラックス音は，音の生成を制御するために用いられるパラメータを擬似ランダムに（pseudo-randomly）変化させることできる範囲（ranges）を最適化することによって，効果的にカスタマイズされることを見いだした。しかしながら，カスタマイズ・アプローチの代替案の一つとして，発明者は，生成されたリラックス音の高調波特性の最適化（optimization of the harmonics characteristics of the generated relaxing sounds）が，ユーザに大きな改善をもたらし得ることを見だした。

はじめに，この発明の第１の実施態様によるリラックス音をカスタマイズする方法を説明する。

第１のステップにおいて，補聴器システムによるリラックス音の生成を制御するパラメータ群からパラメータのセット（a set of parameters）が選択される。

許容範囲にわたって（over their allowed range）パラメータを変化させたときに有意な変化を有すると知覚される多数のリラックス音を提供することができる，そのようパラメータ（複数）が選択される。

この実施態様の一変形例では，ＷＯ−Ａ１−０２／４１２９６を参照して，上記パラメータ・セットは，ＷＯ−Ａ１−０２／４１２９６の実施形態による多数の音発生器によって生成される信号に加えられる特定の高調波（the specific harmonics）を含む。これにより，上記音発生器はユーザが好む高調波特性を有する音を提供するようにカスタマイズされる。

この実施形態の別の変形例によると，再度ＷＯ−Ａ１−０２／４１２９６を参照して，第１のパラメータ・セットが，一または複数の音発生器についての許容範囲を備え，その範囲において上記音発生器の周波数およびフェードアウト時間を，提供される乱数によって制御されるように変化させることができる。すなわち，発明者は，パラメータ値の変化が許容される上記範囲をカスタマイズすることによって，この変化がランダムに制御されるとしても，ユーザにとって有意な改善を提供することができることを見いだした。

第２のステップにおいて，第１および第２のパラメータ値のセットが選択され（第１および第２のパラメータ値設定，または単に第１および第２の設定と呼ぶこともある），これによって上記第１のパラメータ値セットに基づいて第１のリラックス音が生成されてユーザに提供され，かつ第２のパラメータ値セットに基づいて第２のリラックス音が生成されかつユーザに提供される。この実施形態では第１および第２のパラメータ値セットはランダムに選択される。

変形例において，上記第１および第２のパラメータ値セットはランダムに選択されることを要しない。その代わりに，上記第１のパラメータ値セットは，上記補聴器システムが電源オフされたときにアクティブであったセットとされる。さらなる変形例では，上記第１および第２のパラメータ値設定を同一のものとすることができる。

ここで補聴器システムによるリラックス音の生成を制御するｄ個の選択されるパラメータの値を含む，ｄ次元のベクトルｘ（太字のｘ，以下同様）を考える。

以下において，ｄ個のパラメータの特定値を有するｄ次元のベクトルｘを，設定（a setting）またはパラメータ値設定（a parameter value setting）とも呼ぶ。

第３のステップにおいて，ユーザは，第１および第２のリラックス音を比較することを促され，かつ２つのリラックス音のうちユーザが好むものを判定することができる第１のユーザ応答（以下において観測（オブザベーション）とも言う）を提供する。

この実施態様によると，上記観測は段階的応答（a graduated response）を含み，これによってユーザは，０と１の間の有界範囲（間隔ともいう）内の数（a number）を選択することによって，第１のリラックス音（および第１のパラメータ値設定）が第２のリラックス音（および第２のパラメータ値設定）よりもどの程度好まれるかを評価し，１のユーザ応答（a user response of one）は，たとえば第１のパラメータ値設定が第２のパラメータ値設定よりも限りなく良好（indefinitely better）であることを意味し，ゼロは第２のセットが第１のセットよりも限りなく良好であることを意味し，半分の値は２つのオプションが等しく良好であると評価されたことを意味する。

この実施態様の変形例では，上記有界範囲は基本的に任意の範囲を，たとえば−１から＋１の範囲，または−１０から＋１０の範囲をカバーすることができる。しかしながら，一般には，特にこの明細書の範囲内では，ユーザが一の設定または他の設定のいずれかを選択するテストは，互いの設定のユーザ評価を提供するとはみなされない（can’t be considered to provide a user’s rating of the settings relative to each other）ことを強調しておく。すなわち，この明細書の範囲内において，ユーザ応答が有界範囲からの数値の形態を取る場合，この範囲（または間隔）は２以上の要素（more than two elements）を持つ。

第４のステップにおいて，ユーザは，複数のパラメータ値設定に基づいて複数の追加のユーザ応答を提供し，ここでｎ個のテストパラメータ値設定の集合Ｘは以下によって与えられる。

ここでｍ個の有界観測のベクトルは，ｕ_ｋ，ｖ_ｋ∈｛１，…，ｎ｝を意味する設定ｘ _ｕｋ，ｘ _ｖｋ∈Ｘに基づくリラックス音のペアに関連する。

ここで上記有界観測は以下の形態である。

すべてのｎ^＊個の利用可能パラメータ値設定の集合Ｘ^＊は以下のように表される。

ユーザの未知の内部応答関数はｆで示され，パラメータ値の設定ｘが与えられたときの特定音のユーザの知覚が符号化されると仮定する。

以下において，（確率的な）ベクトルｆは，ユーザの内部応答関数ｆのＸにおけるｎ個の設定のそれぞれについての関数値ｆ（ｘ _ｉ）を含むものとして定義される。

第５のステップにおいて，有界観測ベクトルｙは，非有界観測ベクトル（a vector of unbounded observations）ｚにワープされる（warped）。これは，有界観測または部分的な有界観測ｙを，非有界観測ｚ＝ｇ（ｙ）にマッピングすることによって定義されるワーピング関数（warping function）を用いて行われる。

上記マッピングを実行する適切な関数は，ガウス分布の逆累積分布関数（inverse cumulative distribution function of the Gaussian distribution），逆シグモイド関数（inverse sigmoid function）および逆双曲線正接関数（inverse hyperbolic tangent function）を含む単調増加関数群（a group of monotonically increasing functions）から選択することができる。

このように上記観測をマッピングするまたはワープすることによって（以下，これらの用語は互換的に用いられることがある），カスタマイズ法の性能を，収束速度（すなわち，ユーザが好むパラメータ値設定を見つけるために必要とされるユーザ応答数）および堅牢性（ロバスト性）（すなわち，上記カスタマイズ法がユーザの内部応答関数を反映する予測を提供することができるチャンス）の両方に関して改善することができる。しかしながら，この発明の方法において，ワーピングが提供されることが必須条件ではない。

第６のステップにおいて，上記ワープされた観測ｚは以下の式によって与えられると仮定される。

ここでεはガウス雑音（ε〜Ｎ（０，σ^２））であり，独立かつ同一に分布されており，上記段階的応答が実行されるときのユーザの不確実性を表す。

この仮定に基づくと，ｚを観測する尤度関数（the likelihood function for observing z）は，以下のように直接に決定することができる。

ここでｚ_ｋは特定のワープされたユーザ応答を表し，σ^２はユーザ応答の分散を表し，Ｎ（ｚ_ｋ｜ｆ（ｘ _ｕ）−ｆ（ｘ _ｖ），σ^２）は，平均値ｆ（ｘ _ｕ）−ｆ（ｘ _ｖ）および分散σ^２を有する変数ｚ_ｋについての単一変量ガウス分布（the single variate Gaussian distribution）である。以下において，分散σ^２を尤度ハイパーパラメータ（likelihood hyper parameter）θlikとも呼ぶ。

第７のステップにおいて，以下の新規かつ進歩的な式を用いて尤度が決定される。

ここでＩ _ｍ×ｍは，ｍ×ｍ単位行列ｚ＝［ｚ_１，…，ｚ_ｍ］^Ｔ＝［ｇ（ｙ_１），…，ｇ（ｙ_ｍ）］^Ｔであり，行列Ｍは，要素［Ｍ］_ｋ，ｕｋ＝１および［Ｍ］_ｋ，ｖｋ＝−１を除いてゼロだけから構成されるｍ×ｎ行列である。

すなわち，Ｎ（ｚ｜Ｍｆ，σ^２ Ｉ _ｍ×ｍ）は，平均ベクトルＭｆおよび共分散行列σ^２ Ｉ _ｍ×ｍを有するユーザ応答ｚのセットに関する多変量ガウス分布（multivariate Gaussian distribution）を表す。

第８のステップにおいて，ユーザの未知内部応答関数の関数値に関する事前分布（a prior distribution）ｐ（ｆ｜Ｘ，θcov）がゼロ平均ガウス過程（a zero-mean Gaussian process）から得られる。これは，ゼロ平均ガウス過程が，多変量ガウス分布としての有限集合の関数値ｆにわたる結合分布（joint distribution）を定義するという事実に基づいて得られる。

ここで，任意の２つの関数値間の共分散（the covariance）は，半正定共分散関数（a positive semi-definite covariance function），ｋ（ｘ _ｉ，ｘ _ｊ，θcov）によって与えられ，共分散行列Ｋは以下によって決定される。

ここでｋは二乗指数共分散関数（the squared exponential covariance function）（ガウスカーネルとも呼ばれる）であり，次のように定義される。

ここでσ_ｆおよび半正定行列（the positive semi-definite matrix）Ｌは共分散ハイパーパラメータ（the covariance hyper parameters）であり，主にユーザの内部応答関数の平滑さ（the smoothness）を決定する。共分散ハイパーパラメータσ_ｆおよびＬは一緒にθcovで表すことができる（may be together denoted）。

一般に，ガウス過程（Gaussian Process）（以下，ＧＰと略記することがある）から得られる上記事前（the prior）は，ユーザの内部応答関数ｆの平滑さに関する仮定を，パラメータ値設定ｘおよび異なる補聴器パラメータ間の相互作用（interplay）として捕捉する。

ガウス過程によってモデル化された関数ｆ（ｘ）からの任意の有限集合の関数値の結合分布（the joint distribution of any finite set of function values）を常に得ることができることが，ガウス過程の基本的特性である。したがって，関数値を含む２つのベクトルを連結し，たとえば次のようにして対応する結合分布を得ることができる。

ここから，他のベクトルを与えられる関数値の１つのベクトルの条件付き分布を得ることは自明である（it is trivial to obtain the conditional distribution of one vector of function values given the other vector ）。たとえば，以下のとおりである。

しかしながら，この実施形態の変形例では，ガウスカーネルに代えて，他の半正定共分散関数を適用することができる。 このような共分散関数の例には，γ指数共分散関数（γ−exponential covariance function），マター級共分散関数（the Matern class of covariance functions），有理二次共分散関数（the rational quadratic covariance function），周期共分散関数（periodic covariance functions）および線形共分散関数（linear covariance functions）がある。

第９のステップにおいて，ハイパーパラメータθ＝｛θcov,θlik｝が，周辺尤度（the marginal likelihood）についての式の最大化に基づいて選択され，これによって観測データの尤度も最大化される。上記周辺尤度は，尤度ｐ（ｚ｜ｆ,θlik）および事前ｐ（ｆ｜Ｘ，θcov）に基づいて決定される。

最後の比例記号は，ワープ関数が固定されている場合に成立し，すなわち最適化が必要とされるハイパーパラメータが含まれていないことを意味する。

典型的には，ML-IIまたはMAP-II最適化技術が適用される。しかしながら，この実施態様の変形例では，他の最適化技術を同様に適用することもできる。

上記ML-II法が適用される場合，ハイパーパラメータに関する周辺尤度の最大化は，ハイパーパラメータに関する負の対数周辺尤度（negative log marginal likelihood）を最小化することによって達成される。

この実施形態の変形例ではMAP-IIとして知られる方法が用いられ，そこでは上記周辺尤度が，適切なハイパー事前分布（a suitable hyper prior distribution）ｐ（θ），たとえば半生徒のｔ分布（the half-student’s t distribution），ガンマ分布，ラプラス分布，ガウス分布，またはノイズパラメータについての一様事前（a uniform prior for noise parameters）等で正規化される。

次に，負の対数（the negative logarithmic）の最小値を見つけることによって，正規化された周辺尤度がｐ（θ｜ｚ，Ｘ）∝ｐ（ｚ｜Ｘ，θ）ｐ（θ）に関して最大化される。 したがってMAP-IIの最適化は以下によって与えられる。

発明者は，補聴器システムをカスタマイズするときに典型的な約５０回以下の観測が利用可能である場合に，この方法に特に利点があることを見いだした。

周辺尤度についての新たな解析式が，関数値と関数値にわたる観測との間の結合分布を過小評価することによって（by marginalizing）導出される。この結合分布は，上記尤度と上記事前との積であり，これによって次式が提供される。

ハイパーパラメータのMAP-IIまたはML-II最適化のいずれかについて周辺尤度を用いると，典型的には，周辺尤度の負の対数を最小にするために数値的により堅牢（ロバスト）になる。

または，オリジナルの非ワープの観測Ｙを考慮すると，以下のようになる。

ｙの負の対数周辺尤度に付加される最後の項はヤコビ行列（ヤコビアン）（the Jacobian）であり，ヤコビ行列はワーピングが固定されていればハイパーパラメータに依存しないことに留意されたい。したがって，ヤコビ行列は，ハイパーパラメータの勾配の上昇／下降の最適化（gradient ascend/descend optimization of hyper parameters）に影響しないので，したがってハイパーパラメータのML-IIまたはMAP-II最適化を実行するときに無視することができる。

この実施態様の変形例では，ワープ関数がガウス分布の逆累積密度関数（the inverse cumulative density function）Φ^−１（ｙ）であり，この場合ヤコビアン項（the Jacobian term）は以下のように容易に見つけられる。

このように発明者は，周辺尤度の負の対数についての分析式を導出し，これによってハイパーパラメータに関する周辺尤度の負の対数の勾配も導出したものであり，これによりハイパーパラメータを非常に処理効率の良いやり方で決定することができる。

しかしながら，この実施態様の変形例では，上記共分散および尤度のハイパーパラメータを，経験に基づく推測を提供する類似状況からの経験（experience from similar situations to provide a qualified guess）を用いて，単純に設定することができる。特定の変形例では，上記ハイパーパラメータは，他の補聴器システムのユーザからの経験に基づいて設定される。

他の変形例では，ワープ関数がハイパーパラメータを含むことができる。

第１０のステップでは，ユーザの内部応答関数ｐ（ｆ｜ｚ，Ｘ，θ）の未知の関数値に関する解析的事後分布（analytical posterior distribution）が，ベイズルール（Bayes rule）に基づいて導出される。

以前に与えられた新規のペアワイズガウス尤度（the novel pairwise Gaussian likelihood），ガウス過程を用いて導出された上記事前，上記尤度と上記事前の積のユーザの内部応答関数に関する積分としての周辺尤度を用いて，上記事後についての分析式は以下のように求めることができる。

第１１のステップにおいて，ユーザの内部応答関数の未知関数値についての予測分布のための分析式（analytical expression for the predictive distribution）が見つけられる。 完全ベイズモデル（full Bayesian modeling）では，予測は，観測ｙが与えられたとき，またはワープされた観測ｚが与えられたときに，新たな関数値ｆ ^＊＝［ｆ（ｘ _１ ^＊，…，ｆ（ｘ ^＊ _ｎ ^＊））］^Ｔの予測分布という観点から到来する。したがって，予測分布は条件付き分布（a conditional distribution）であり，上記条件は観測上のもののみである（the conditional is on the observations only）。 以下のように導出される。

ｐ（ｆ ^＊｜ｆ，Ｘ，Ｘ^＊，θcov）は，第８のステップを参照して記述したようにガウス過程によるガウス関数（Gaussian）であることに留意されたい。この実施形態では，上記事後分布は，ｐ（ｆ｜ｚ，Ｘ，θ）＝Ｎ（ｆ｜μ，Σ）の形態におけるガウス分布であるので，上記積分に対する解は分析解を有し（the solution to the integral has an analytical solution），上記事後分布からの平均および共分散を挿入することによって，予測分布が以下のようにして与えられる。

ここで上記予測分布の平均ベクトルを考慮し，これをμ ^＊で示すと，上記数式は以下のように与えられる。

Ｋ _＊の項だけがＸ^＊に属するパラメータ値設定に依存することがそこから直接的に導かれる。

第１２のステップにおいて，すべての利用可能な設定（すなわち集合Ｘ^＊）のうちでユーザが好むパラメータ値設定を，Ｘ^＊がｎ^＊＝１によって示される設定ｘ ^＊のみを含む場合を考慮することによって見つけることができ，これによって以下が取得される。

これは，単一の入力ｘ ^＊を取得し（take），テストされたパラメータ値設定ｘ _ｉのそれぞれについての共分散関数出力のベクトルを返す関数である。したがって，予測分布の平均値を，以下のような対応する平均関数値を返す単一のパラメータ値設定の関数として解釈することができる。

ここで行列Ｂはｘ^＊に依存しないものである。

単一の入力を取る関数としての平均値のこの解釈は，以下の勾配（the gradient）を用いることによって，入力ｘ^＊に関する予測分布の平均の（局所的）最大値を見つけることを可能にする。

したがって，上記勾配についての解析式が利用可能であることに起因して，この発明は，すべての利用可能なパラメータ値設定の中からユーザが好むパラメータ値設定の推定を提供し，上記推定を，非常に限定された処理およびメモリ資源だけを用いて提供することができるということになる。

しかしながら，この実施形態の変形例では，テストされる設定のうちユーザが好むパラメータ値設定を，ここでは，集合Ｘにおけるパラメータ値設定がユーザに従前に提示された設定と同じである（すなわち，Ｘに属する設定）ことを考慮することによって見つけることができ，したがって以下のようになる。

したがって，以下のようになる。

集合Ｘが典型的には限られたサイズのもの（limited size）であり，したがって勾配アプローチを用いることなく見つけることができるので，ユーザが好むパラメータ値設定の推定を，この実施形態より少ない処理およびメモリ資源を要求する方法を用いて，見つけることができる。

しかしながら，この実施形態では，比較することをユーザが促される設定はランダムに選択されない。そうではなく，現在のベストのパラメータ値設定ｘ^ （太字のｘの上部に^ が付随する記号，以下同じ）と比較されるべき次の新たな設定が，次の式によって与えられる，新たな二変量予測改善（bivariate Expected Improvement）を最大にするパラメータ値設定x ^ ^*として求められる。

ここでΦ（μ_I／σ_I）はガウス分布の標準累積分布関数（standard cumulative distribution function of the Gaussian distribution）である。

二変量予測改善の分析式についてのさらに具体的な利点は，二変量予測改善の勾配の分析式を導出できることである。

二変量予測改善についての新たな分析式を導出するとき，発明者は，新たな（すなわちまだテストされていない）パラメータ値設定ｘ ^＊の関数値ｆ（ｘ ^＊）をモデル化するガウス過程を用いると，新たなパラメータ値設定ｘ ^＊の関数値は，現在の最大値ｘ^における関数値ｆ（ｘ ^＊）と共変動する（co-varies）ことを考慮した。オリジナルかつ周知（単変量）の予測改善式（Expected Improvement formulation）（以下，単にＥＩとも言う）はこれを考慮しない。そうではなく，ＥＩ式は，上記ｆ（ｘ^）が確定的に（deterministically）定義されることを要求する。その結果，ガウス過程においてＥＩを用いると，最大点μ^における平均関数値が，対応する関数値ｆ（ｘ^）の決定論的結論（the deterministic prediction）として用いられ，第１１のステップからの予測分布から利用可能な新たなパラメータ値設定についての関数値を用いた分散σ^^２ および共分散の両方を無視する。非常に一般的なシナリオでは，これは，すべての利用可能な新たなパラメータ値設定ｘ *の中で，最大のＥＩを有するパラメータ値設定が現在の最大値ｘ^に任意に近い設定である（the setting that is arbitrarily close to the current maximum）という望ましくない結果をもたらす。したがって，ＥＩ基準は，共分散を無視するだけのために，現在の最大値に任意に近いポイントを示唆するものとなる。 発明者によって設計された二変量予測改善は，共分散が含まれるので，この望ましくない挙動を回避する。

欠点としては，二変量予測改善アプローチは，第１１ステップから，予測分布の共分散行列全体を計算しかつ保存する必要があることである。少数のパラメータ，たとえば３を超えるパラメータを用いるとすると，数十ＧＢの利用可能なメモリであっても，共分散行列の大きさは補聴器システムのメモリに格納するには大きすぎることになる。したがって，発明者が二変量予測改善についての分析式を提供したことは重要な意味を持っており，それは，これによって共分散行列全体が計算されかつ格納されることを必要としない勾配上昇手順（gradient ascend procedure）を用いて最大化されることを可能とするからである。

第１の実施態様の変形例では，次の新たな設定が，新たなかつ進歩的な二変量予測改善法を用いて決定されることを要しない。これに代えて，次の新たな設定を，単一の変動予測改善法（single variate Expected Improvement method）を用いて決定することができる。

第１の実施態様の他の変形例では，発明者は，補聴器システム設定の任意のカスタマイズが，開示方法からの利点を得ることを見いだした。

ここで，この発明による第２の実施態様による，補聴器システムにおけるパラメータをカスタマイズする方法を説明する。

第１のステップにおいて，複数の補聴器システム・パラメータが，ユーザ・カスタマイズのために選択される。この実施態様によると，補聴器システムはグラフィカル・ユーザ・インターフェースを備え，ユーザはカスタマイズされるべきパラメータを選択することができる。この実施形態の変形例では，上記補聴器システムは，上記ユーザが，たとえばノイズ低減やリラックス音をカスタマイズするかどうかをメニューから選択することを提示されるように構成され，上記補聴器システムは，ユーザの選択に応答して，カスタマイズされるべき適切なパラメータを選択し，パラメータが変更されることが許可される範囲を選択する。

第２のステップにおいて，ユーザは，２つの異なるパラメータ値設定の関数としての補聴器システムからの音響出力を比較して，互いについての２つの異なるパラメータ値設定のユーザの評価を表すユーザ応答（user response representing the user’s rating of the two different parameter value settings relative to each other）を提供することを促される。この実施形態では，補聴器システムはユーザが自己の評価を入力することができるグラフィカル・ユーザ・インターフェースを備える。

第３のステップにおいて，複数のユーザ応答および対応するパラメータ値設定が少なくとも一時的に補聴器システムのメモリに保存され，その後に，パラメータ値設定は，ｎ×ｎサイズの共分散行列Ｋを決定するために用いられる。ここでｎはテストされたパラメータ値設定の数であり，以下のように与えられる。

ここでｋは半正定共分散関数，たとえば二乗指数共分散関数であり，ｘ _１，ｘ _２，…，ｘ _ｄは，異なるパラメータ値設定を表すベクトルである。

第４のステップにおいて，ｍ×ｍのサイズの行列Ｍが提供され，ここでｍは提供されるユーザ応答の数であり，Ｍは，［Ｍ］_ｋ，ｕｋ＝１かつ［Ｍ］_ｋ，ｖｋ＝−１を除いてゼロのみから構成され，インデックスｋは，ｋ番目のユーザ応答を表し，インデックスｕ_ｋおよびｖ_ｋは，ｋ番目のユーザ応答を促すために用いられるパラメータ値設定を表す。

この実施態様の変形例では，テストされたパラメータ値設定のうちユーザが好むパラメータ値設定ｘ^が，以下のように与えられる。

ここでσ^２は独立かつ同一に分布するガウス雑音であり，段階的応答を実行するときのユーザの不確実性を表しており，ここでｚは提供されるユーザ応答から導出されるベクトルである。

この実施態様では，σ^２は，この発明の第１実施態様において詳細に説明したようなMAP-II最適化に基づいて決定され，上記ベクトルｚは，これもこの発明の第１の実施態様において詳細に説明したように，有界ユーザ応答（bounded user responses）のベクトルｙから導出される。

ここで図１を参照して，図１はこの発明の第３の実施態様による補聴器システム100をかなり概略的に示している。補聴器システム100は，補聴器101および外部装置102を備えている。上記外部装置102は，グラフィカル・ユーザ・インターフェース103，パラメータ設定セレクタ104，パラメータ・メモリ105および最適化パラメータ推定器106を備えている。上記補聴器101は，音声入力（オーディオ・インプット）107，補聴器デジタル信号処理装置（ＤＳＰ）108，パラメータ・コントローラ109および電気−音響出力トランスデューサ110を備えている。

はじめに，上記グラフィカル・ユーザ・インターフェース103は，補聴器システムのユーザ111が補聴器システムのユーザの好みに対するカスタマイズのために複数の補聴器パラメータを選択できるように構成される。上記パラメータ・メモリ105は，変動が許容されるパラメータの範囲といった，カスタマイズのために選択することができるパラメータにおける情報を保持する。

パラメータ設定セレクタ104は，補聴器ユーザ111によって評価される次の２つのパラメータ値設定が決定されることを可能にするアルゴリズムを含み，上記パラメータ設定セレクタ104はさらに補聴器101のパラメータ・コントローラ109に送信される上記２つのパラメータ値設定を提供するように構成されている。

パラメータ・コントローラ109は，音声が補聴器において合成的に生成される場合には音声入力107を，上記音声入力107からの音声を生成するときに上記補聴器ＤＳＰ108が評価されるべきパラメータを用いる場合に補聴器デジタル信号処理装置108を，それぞれ制御するように構成される。

音声入力107は，たとえばリラックス音を表す人工的に生成された電気信号を提供するか，または一または複数の音響−電気トランスデューサから受信される信号をリレーすることができる。

補聴器ＤＳＰ108は，上記音声入力107から受信された音声を表す電気信号を処理し，かつ処理信号を電気−音響トランスデューサ110に提供するように構成されており，ユーザが聴覚欠損を蒙っている可聴周波数範囲の部分の周波数において音声を増幅することによって聴覚損失を緩和する。

最適化パラメータ推定器106は，補聴器システムのユーザ111によって提供されるユーザ応答および前の実施形態を参照して詳細に記載したように評価されたパラメータ値設定に基づいて，補聴器システムのユーザ111が好むパラメータ値設定を推定するように構成されている。最適化パラメータ推定器106はさらに上記好ましいパラメータ設定を補聴器に提供するように構成されており，補聴器における上記パラメータ設定を調整し，これによってカスタマイズ処理を終了する。これはユーザが所定数の評価を実行したことに応答して，または他のなんらかの収束基準（some other convergence criteria）が満たされたことに応答して，これをトリガするユーザ入力に応答して行うことができる。

前の実施形態の変形例によると，カスタマイズ処理は，複数の少なくとも疑似ランダムに選択されたパラメータ値設定についての予測改善の結合度合（the combined magnitude of the Expected Improvement）が所定の閾値未満である場合に収束したものとみなされる。

一般に，特定の実施形態に関して説明した変形例は，他の開示された実施形態について考えられる変形例についても適用可能である。

これは，開示された方法を，補聴器システム設定の任意のタイプの最適化（すなわちカスタマイズ）に用いることができるという事実に特に当てはまる。

これは，共分散関数および尤度関数の両方についてのハイパーパラメータの値を選択する方法についても当てはまる。

さらに，これは，マッピング（ワーピングという言うこともできる）技術が適用されるかどうかについて当てはまる。

ユーザによって評価される次のパラメータ値設定を決定する方法についても同様にあてはまる。新規かつ進歩性のある二変量予測改善法は非常に有利であるが，この発明は次のパラメータ値設定を決定する特定の方法には依存しない。

カスタマイズされるべきパラメータが補聴器システムにおいてどのように音声を処理するかを制御するために用いられるかどうか，または補聴器システムによってどのように音声が人工的に生成されるかを制御するために用いられるかどうかは，特定の実施形態に同様に無関係である。

すなわち，たとえば補聴器システムのパラメータが，ユーザのカスタマイズのためにどのように提供され，提示されまたは選択されるか（provided or offered or selected）は特定の実施形態に依存しない。ユーザ応答を提供する方法についても特定の実施形態に依存しない。

本願の開示において，ユーザの内部応答関数の未知の関数値についての分布は，主要には，ハイパーパラメータが明示的に現れるように表現される。しかしながら，これが当てはまらない場合には，当然ではあるが，ハイパーパラメータは暗黙的に開示されると仮定される。

Claims (21)

1. 最適化されるべきパラメータ・セットｘ_１，ｘ_２，…，ｘ_ｄを提供し，
   第１のパラメータ値設定ｘ _１＝［ｘ_１１，ｘ_２１，…，ｘ_ｄ１］に基づいて第１の音声を提供し，かつ第２のパラメータ値設定ｘ _２＝［ｘ_１２，ｘ_２２，…，ｘ_ｄ２］に基づいて第２の音声を提供し，
   上記第１および第２の音声を互いについて評価することをユーザに促し，
   上記２つの音声の互いについてのユーザの評価を表すユーザ応答ｙ_１を提供し，
   ｍ個のユーザ応答ｙ＝［ｙ_１，ｙ_２，…，ｙ_ｍ］を提供し，ここでそれぞれのユーザ応答が上記２つの音声の互いについてのユーザの評価を表すものであり，かつ上記音声が複数のｎ個のパラメータ値設定ｘ _１，ｘ _２，…，ｘ _ｎから導出されるものであり，
   ガウス尤度関数を次のように定義し，
   

   

   ここでｆ（ｘ _ｕ）およびｆ（ｘ _ｖ）はユーザの内部応答関数ｆの特定の関数値を表し，ｙ_ｋは特定のユーザ応答を表し，σ^２は上記ユーザ応答の分散を表し，Ｎ（ｙ_ｋ｜ｆ（ｘ _ｕ）−ｆ（ｘ _ｖ），σ^２）は平均値ｆ（ｘ _ｕ）−ｆ（ｘ _ｖ）および分散σ^２を有する変数ｙ_ｋについての単一変量ガウス分布であり，
   上記尤度を次のように定義し，
   

   

   ここでＮ（ｙ｜Ｍｆ，σ^２ Ｉ _ｍ×ｍ）は，平均ベクトルＭｆおよび分散行列σ^２ Ｉを有するユーザ応答ｙについての多変量ガウス分布であり，Ｉはｍ×ｍの単位行列であり，Ｍは要素［Ｍ］_ｋ，ｕｋ＝１および［Ｍ］_ｋ，ｖｋ＝−１を除いてゼロのみからなるｍ×ｎの行列であり，
   ガウス過程を用いてユーザの内部応答関数の関数値について事前分布を取得し，
   ベイズルールを用いてユーザの内部応答関数の関数値について分析的事後分布を取得し，
   ユーザの内部応答関数の関数値についての事後分布の分析式に基づいて，予測分布の分析式を導出し，
   上記予測分布の分析式を用いてユーザが好むパラメータ値設定を見つける，
   補聴器システムにおけるパラメータを最適化する方法。
2. 上記ユーザ応答は，有界のまたは部分的に有界の区間からの数の形態をとるものである，請求項１に記載の方法。
3. 上記ユーザ応答がｙ_ｋ＝ｆ（ｘ _ｕｋ）−ｆ（ｘ _ｖｋ）＋εにしたがってモデル化されるものであり，
   ここでｙ_ｋがユーザ応答であり，ｆ（ｘ _ｖｋ）およびｆ（ｘ _ｖｋ）が２つの異なるパラメータ値設定ｘ _ｕｋおよびｘ _ｖｋについての上記ユーザの内部応答関数の関数値であり，εが同一かつ独立して分布すると仮定されるガウス雑音である，
   請求項１から２のいずれか一項に記載の方法。
4. 上記ユーザの内部応答関数の関数値についての事前分布がｐ（ｆ｜Ｘ）＝Ｎ（ｆ｜０，Ｋ）として与えられ，ここでＸがｎ個のテストされたパラメータ値設定のセットであり，Ｋが共分散行列である，
   請求項１から３のいずれか一項に記載の方法。
5. 上記共分散行列Ｋが，［Ｋ］_ｉ，ｊ＝ｋ（ｘ _ｉ，ｘ _ｊ）から決定され，ここでｋは，二乗指数共分散関数，γ−指数共分散関数，マター級共分散関数，有理二次共分散関数，周期共分散関数および線形共分散関数を含む関数群から選択される半正定共分散関数である，
   請求項４に記載の方法。
6. 上記ユーザの内部応答関数の関数値についての事後分布の分析式が，以下の式によって与えられる，請求項４から５のいずれか一項に記載の方法。
   

   
7. 上記予測分布の分析式が以下の式によって与えられ，
   

   

   ここでθcovおよびθlikは共分散および尤度のハイパーパラメータである，
   請求項１から６のいずれか一項に記載の方法。
8. ユーザ応答のセットを提供するステップが，二変量予測改善についての分析式を用いて上記ユーザによって評価されるべき次のパラメータ値設定を決定するステップを含む，請求項１から７のいずれか一項に記載の方法。
9. 上記二変量予測改善についての上記分析式が，
   

   

   によって与えられ，
   ここでΦ（μ_I／σ_I）が標準ガウス累積分布関数である，
   請求項８に記載の方法。
10. 新たなパラメータ値設定の関数としての上記二変量予測改善の勾配についての分析式が，勾配の上昇アプローチまたは下降のアプローチを使用するパラメータ値のセットの関数としての二変量予測改善の最大値を見つけるために用いられる，請求項８または９に記載の方法。
11. パラメータ値のセットの関数としての上記二変量予測改善の勾配についての上記分析式が
    

    

    によって与えられる，
    請求項１０に記載の方法。
12. 周辺尤度についてML-IIまたはMAP-II最適化を適用することによって，共分散および尤度のハイパーパラメータθcovおよびθlikを決定するステップを含む，請求項１から１１のいずれか一項に記載の方法。
13. 上記尤度および共分散のハイパーパラメータを決定するステップが，ハイパーパラメータの関数として，以下によって負の対数正規化周辺尤度の最小値を求めるものを含み，
    

    

    ここでｐ（θ）が適切なハイパー事前分布である，
    請求項１２に記載の方法。
14. 最適化されるパラメータが，リラックス音の生成を制御するパラメータを含む，請求項１から１３のいずれか一項に記載の方法。
15. 区画されたまたは部分的に区画された第１の応答範囲から未区画の第２の応答範囲に上記ユーザ応答をマッピングするステップを含む，
    請求項１から１４のいずれか一項に記載の方法。
16. ユーザ応答のセットをマッピングするステップが，上記ユーザ応答が上記第２の応答範囲においてよりガウス分布となるように構成されている，請求項１５に記載の方法。
17. 上記ユーザ応答をマッピングするステップが，ガウス分布の逆累積分布関数，逆シグモイド関数および逆双曲線正接関数を含む関数群から選択される単調増加関数を用いて実行される，請求項１５または１６に記載の方法。
18. 最適化されるべきパラメータ・セットｘ_１，ｘ_２，…，ｘ_ｄを提供し，
    第１のパラメータ値設定ｘ _１＝［ｘ_１１，ｘ_２１，…，ｘ_ｄ１］に基づいて第１の音声を提供し，かつ第２のパラメータ値設定ｘ _２＝［ｘ_１２，ｘ_２２，…，ｘ_ｄ２］に基づいて第２の音声を提供し，
    上記第１および第２の音声を互いについて評価することをユーザに促し，
    上記２つの音声の互いについてのユーザの評価を表すユーザ応答ｙ_１を提供し，
    ｍ個のユーザ応答ｙ＝［ｙ_１，ｙ_２，…，ｙ_ｍ］を提供し，ここでそれぞれのユーザ応答が上記２つの音声の互いについてのユーザの評価を表すものであり，かつ上記音声が複数のｎ個のパラメータ値設定ｘ _１，ｘ _２，…，ｘ _ｎから導出されるものであり，
    行列Ｋを以下のように取得し，
    

    

    ここでｋは半正定共分散関数であり，
    ［Ｍ］_ｋ，ｕｋ＝１および［Ｍ］_ｋ，ｖｋ＝−１を除いてゼロのみからなるｍ×ｎ行列である行列Ｍを取得し，
    テストされたパラメータ値設定のうち，ユーザが好むパラメータ値設定ｘ^を以下のように決定し，
    

    

    ここでσ^２は，独立かつ同一に分布し，かつ段階的応答を実行するときのユーザの不確実性を表すガウス雑音である，
    補聴器システムにおけるパラメータを最適化する方法。
19. 最適化されるべきパラメータ・セットｘ_１，ｘ_２，…，ｘ_ｄを提供し，
    第１のパラメータ値設定ｘ _１＝［ｘ_１１，ｘ_２１，…，ｘ_ｄ１］に基づいて第１の音声を提供し，かつ第２のパラメータ値設定ｘ _２＝［ｘ_１２，ｘ_２２，…，ｘ_ｄ２］に基づいて第２の音声を提供し，
    上記第１および第２の音声を互いについて評価することをユーザに促し，
    上記２つの音声の互いについてのユーザの評価を表すユーザ応答ｙ_１を提供し，
    ｍ個のユーザ応答ｙ＝［ｙ_１，ｙ_２，…，ｙ_ｍ］を提供し，ここでそれぞれのユーザ応答が上記２つの音声の互いについてのユーザ評価を表すものであり，かつ上記音声が複数のｎ個のパラメータ値設定ｘ _１，ｘ _２，…，ｘ _ｎから導出されるものであり，
    行列Ｋを次のように取得し，
    

    

    ここでｋは半正定共分散関数であり，
    ［Ｍ］_ｋ，ｕｋ＝１および［Ｍ］_ｋ，ｖｋ＝−１を除いてゼロのみからなるｍ×ｎ行列である行列Ｍを取得し，
    単一のパラメータ値設定の関数として以下の予測分布μ^＊（ｘ ^＊）の平均値を用いて，すべての利用可能なパラメータ値設定ｘ ^＊のうちユーザの好むパラメータ値設定を決定し，
    

    

    ここでθcovおよびθlikは，共分散および尤度関数のハイパーパラメータであり，σ^２は独立かつ同一に分布し，かつ段階的応答を実行するときのユーザの不確実性を表すガウス雑音であり，
    勾配上昇アプローチまたは勾配下降アプローチを用いて，以下の勾配を用いて，入力ｘ^＊に関する予測分布の平均の最大を見つける，
    補聴器システムにおけるパラメータの最適化方法。
    

    
20. 請求項１から１９のいずれか一項に記載の方法にしたがって補聴器システムにおけるパラメータを最適化するように構成されている，補聴器システム。
21. 上記補聴器システムが最適化するように構成されるパラメータが，リラックス音の生成を制御するパラメータを含む，請求項２０に記載の補聴器システム。

Images