JP7272425B2 - フィッティング支援装置、フィッティング支援方法、及びプログラム - Google Patents
フィッティング支援装置、フィッティング支援方法、及びプログラム Download PDFInfo
- Publication number
- JP7272425B2 JP7272425B2 JP2021515389A JP2021515389A JP7272425B2 JP 7272425 B2 JP7272425 B2 JP 7272425B2 JP 2021515389 A JP2021515389 A JP 2021515389A JP 2021515389 A JP2021515389 A JP 2021515389A JP 7272425 B2 JP7272425 B2 JP 7272425B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- subject
- fitting
- hearing test
- background
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R25/00—Deaf-aid sets, i.e. electro-acoustic or electro-mechanical hearing aids; Electric tinnitus maskers providing an auditory perception
- H04R25/70—Adaptation of deaf aid to hearing loss, e.g. initial electronic fitting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R25/00—Deaf-aid sets, i.e. electro-acoustic or electro-mechanical hearing aids; Electric tinnitus maskers providing an auditory perception
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Otolaryngology (AREA)
- Neurosurgery (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
本発明は、フィッティング支援装置、フィッティング支援方法に関し、更には、これらを実現するためのプログラムに関する。
補聴器を使用する場合、対象者に合わせた調整（フィッティング）が必要である。また、フィッティングを実施する場合、技能者は、対象者の聴力、耳の構造、生活環境音などを加味してフィッティングを実施している。
ところが、技能者の熟練度（技能レベル）によっては、対象者に対して適切なフィッティングが実施されないことがある。そこで、フィッティングを支援するシステムが提案されている。
関連する技術として、特許文献１には、補聴器のフィッティングを自動で実施するフィッティング装置が開示されている。特許文献１に開示のフィッティング装置によれば、あらかじめ作成された環境音を対象者に試聴させ、試聴させた環境音の聞こえ方を対象者に評価させ、対象者が満足できようになるまで補聴器の調整を繰り返すことにより、フィッティングをする装置である。
しかしながら、特許文献１に開示のフィッティング装置は、環境音に含まれる騒音をうるさく感じないようにするフィッティングを行うことはできるが、熟練度の高い技能者が実施するようなフィッティングを実施することは難しい。
また、装着機器に対してフィッティングを行う場合には、様々な対象者がいるので、対象者それぞれに対して特徴を加味する必要がある。そのため、熟練度の低い技能者では、対象者に対して適切なフィッティングを実施することは難しい。
本発明の目的の一例は、フィッティングの精度を向上させるフィッティング支援装置、フィッティング支援方法、及びプログラムを提供することにある。
上記目的を達成するため、本発明の一側面におけるフィッティング支援装置は、
対象者に対して実施した聴力検査の結果を表す聴力検査情報と、前記対象者の属性を表す属性情報と、前記対象者の背景を表す背景情報とを取得する、取得手段と、
取得した前記聴力検査情報と、前記属性情報と、前記背景情報とを入力して、前記対象者に補聴器を適合させるフィッティングに用いるパラメータデータを推定する、推定手段と、
を有することを特徴とする。
対象者に対して実施した聴力検査の結果を表す聴力検査情報と、前記対象者の属性を表す属性情報と、前記対象者の背景を表す背景情報とを取得する、取得手段と、
取得した前記聴力検査情報と、前記属性情報と、前記背景情報とを入力して、前記対象者に補聴器を適合させるフィッティングに用いるパラメータデータを推定する、推定手段と、
を有することを特徴とする。
また、上記目的を達成するため、本発明の一側面におけるフィッティング支援方法は、
（ａ）対象者に対して実施した聴力検査の結果を表す聴力検査情報と、前記対象者の属性を表す属性情報と、前記対象者の背景を表す背景情報とを取得し、
（ｂ）取得した前記聴力検査情報と、前記属性情報と、前記背景情報とを入力して、前記対象者に補聴器を適合させるフィッティングに用いるパラメータデータを推定する
することを特徴とする。
（ａ）対象者に対して実施した聴力検査の結果を表す聴力検査情報と、前記対象者の属性を表す属性情報と、前記対象者の背景を表す背景情報とを取得し、
（ｂ）取得した前記聴力検査情報と、前記属性情報と、前記背景情報とを入力して、前記対象者に補聴器を適合させるフィッティングに用いるパラメータデータを推定する
することを特徴とする。
更に、上記目的を達成するため、本発明の一側面におけるプログラムは、
コンピュータに、
（ａ）対象者に対して実施した聴力検査の結果を表す聴力検査情報と、前記対象者の属性を表す属性情報と、前記対象者の背景を表す背景情報とを取得する、ステップと、
（ｂ）取得した前記聴力検査情報と、前記属性情報と、前記背景情報とを入力して、前記対象者に補聴器を適合させるフィッティングに用いるパラメータデータを推定する、ステップと、
を実行させることを特徴とする。
コンピュータに、
（ａ）対象者に対して実施した聴力検査の結果を表す聴力検査情報と、前記対象者の属性を表す属性情報と、前記対象者の背景を表す背景情報とを取得する、ステップと、
（ｂ）取得した前記聴力検査情報と、前記属性情報と、前記背景情報とを入力して、前記対象者に補聴器を適合させるフィッティングに用いるパラメータデータを推定する、ステップと、
を実行させることを特徴とする。
以上のように本発明によれば、フィッティングの精度を向上させることができる。
（実施の形態）
以下、本発明の実施の形態について、図１から図１０を参照しながら説明する。
以下、本発明の実施の形態について、図１から図１０を参照しながら説明する。
［装置構成］
最初に、図１を用いて、本実施の形態におけるフィッティング支援装置１の構成について説明する。図１は、フィッティング支援装置の一例を示す図である。
最初に、図１を用いて、本実施の形態におけるフィッティング支援装置１の構成について説明する。図１は、フィッティング支援装置の一例を示す図である。
図１に示すフィッティング支援装置は、対象者に補聴器を適合させる調整（フィッティング）の精度を向上させる装置である。また、図１に示すように、フィッティング支援装置１は、取得部２と、推定部３とを有する。
このうち、取得部２は、対象者に対して実施した聴力検査の結果を表す聴力検査情報と、対象者の属性を表す属性情報と、対象者の背景を表す背景情報とを取得する。推定部３は、取得した聴力検査情報と属性情報と背景情報とを入力して、対象者に補聴器を適合させるフィッティングに用いるパラメータデータを推定する。
補聴器は、例えば、集音部（マイク）を用いて集音し、処理部を用いて集音された音を増幅及び加工し、出力部（レシーバ）を用いて増幅及び加工された音を出力する装置である。
対象者に対して実施した聴力検査の結果を表す聴力検査情報は、例えば、少なくとも気導オージオグラム、骨導オージオグラム、不快閾値、語音明瞭度のうちいずれか一つ以上の情報を有する。
対象者の属性を表す属性情報は、例えば、少なくとも年齢、性別、職業、居所、家族構成、病歴、治療歴、補聴器の使用履歴、身体的特徴（例えば、身長、体重、耳音響など）のうちいずれか一つ以上の情報を有する。なお、耳音響は、耳の音響特性を表す情報である。また、属性情報には、補聴器の種類を表す情報を含めてもよい。
対象者の背景を表す背景情報は、例えば、少なくとも対象者の生活環境音、趣向のうちいずれか一つ以上の情報を有する。生活環境音とは、対象者の普段の生活で聞こえている音を表す情報である。趣向は、対象者の音に対する趣向を表す情報である。
また、推定部３は、過去において取得した複数の聴力検査情報と属性情報と背景情報とパラメータデータとを入力として、機械学習を用いて生成された、パラメータデータを推定するための学習モデルを有する。
パラメータデータは、対象とする補聴器に設けられている集音部、処理部、出力部の調整に用いるデータである。パラメータデータは、例えば、出力レベルごとの周波数特性値、騒音抑制強度、ハウリング抑制強度、指向性タイプ、衝撃音抑制度などを調整するために用いるパラメータである。
機械学習は、教師あり学習、半教師あり学習などが考えられる。機械学習は、例えば、回帰（最小二乗法、ランダムフォレストなどの回帰手法）、多クラス分類（決定木などのアルゴリズム）などを用いることが考えられる。なお、機械学習は、上述した機械学習に限定されるものではなく、上述した機械学習以外の学習を用いてもよい。
このように、本実施の形態において、フィッティング支援装置１は、聴力検査情報だけでなく属性情報、背景情報なども加味してパラメータデータを推定できるので、対象者に対して適切なフィッティングを実施することができる。また、フィッティング支援装置１は、フィッティングにかかる時間を短縮することができる。
理由は、従来において、技能者は、まず、規定選択法において、聴力検査情報に基づいて求めたパラメータデータを用いて、フィッティングを実施する。ところが、通常、聴力検査情報だけでは対象者に適合したパラメータデータの決定に不十分であるため、更に、比較選択法により最適なパラメータデータに近づける必要がある。
続いて、技能者は、比較選択法において、対象者にとって最適なパラメータデータに近づけるため、対象者と対話をしたり、対象者にサンプル音源を聞かせたりして、対象者の反応を観察しながら、パラメータデータを最適なパラメータデータへと近づける。しかし、このようなフィッティングでは、最適なパラメータデータへ近づけるのに長時間を要する。
そこで、本実施の形態においては、従来であれば比較選択法において得る情報量を、対象者の属性情報と背景情報を活用することで事前に補い、学習モデルによって、これらの情報を直接パラメータデータの決定に活用できるようにした。そのため、最適なパラメータデータに近づけるために要していた時間を短縮できる。
［システム構成］
続いて、図２、図３、図４、図５、図６を用いて、本実施の形態におけるフィッティング支援装置１の構成をより具体的に説明する。図２は、フィッティング支援装置を有するシステムの一例を示す図である。図３は、聴力検査情報のデータ構造の一例を示す図である。図４は、属性情報のデータ構造の一例を示す図である。図５は、背景情報のデータ構造の一例を示す図である。図６は、推定したパラメータデータのデータ構造の一例を示す図である。
続いて、図２、図３、図４、図５、図６を用いて、本実施の形態におけるフィッティング支援装置１の構成をより具体的に説明する。図２は、フィッティング支援装置を有するシステムの一例を示す図である。図３は、聴力検査情報のデータ構造の一例を示す図である。図４は、属性情報のデータ構造の一例を示す図である。図５は、背景情報のデータ構造の一例を示す図である。図６は、推定したパラメータデータのデータ構造の一例を示す図である。
図２に示すように、本実施の形態におけるフィッティング支援装置１を有するシステムは、フィッティング支援装置１に加え、入力装置２１と、出力装置２２とを有する。
システムについて説明をする。
入力装置２１は、聴力検査情報、属性情報、背景情報を、フィッティング支援装置１に入力するために用いる装置である。具体的には、入力装置２１は、まず、補聴器の販売店、製造元、関連施設などに設けられている情報処理装置（例えば、コンピュータなど）、記憶装置から、対象者の聴力検査情報、属性情報、背景情報を取得する。
入力装置２１は、聴力検査情報、属性情報、背景情報を、フィッティング支援装置１に入力するために用いる装置である。具体的には、入力装置２１は、まず、補聴器の販売店、製造元、関連施設などに設けられている情報処理装置（例えば、コンピュータなど）、記憶装置から、対象者の聴力検査情報、属性情報、背景情報を取得する。
図３の例では、聴力検査情報には、聴力検査の項目を表す「項目」の情報と、聴力検査結果を表す「聴力検査結果」の情報と、データの種別を表す「データ種別」の情報とが関連付けられ、記憶装置に記憶されている。
図４の例では、属性情報には、属性の項目を表す「項目」の情報と、対象者の属性を表す「属性」の情報と、データの種別を表す「データ種別」の情報とが関連付けられ、記憶装置に記憶されている。
図５の例では、背景情報には、背景の項目を表す「項目」の情報と、対象者の背景を表す「背景」の情報と、データの種別を表す「データ種別」の情報とが関連付けられ、記憶装置に記憶されている。
続いて、入力装置２１は、取得した聴力検査情報、属性情報、背景情報を、フィッティング支援装置１の取得部２へ有線又は無線などの通信を用いて送信する。
なお、入力装置２１は、例えば、パーソナルコンピュータ、モバイルコンピュータ、スマートフォン、タブレットなどの情報処理装置である。また、入力装置２１を複数用意して、別々の入力装置２１から聴力検査情報、属性情報、背景情報を入力してもよい。
出力装置２２は、出力情報生成部２４により、出力可能な形式に変換された、出力情報を取得し、その出力情報に基づいて、生成した画像及び音声などを出力する。出力装置２２は、例えば、液晶、有機ＥＬ（Electro Luminescence）、ＣＲＴ（Cathode Ray Tube）を用いた画像表示装置などである。更に、画像表示装置は、スピーカなどの音声出力装置などを備えていてもよい。なお、出力装置２２は、プリンタなどの印刷装置でもよい。
次に、図２に示すフィッティング支援装置１は、取得部２、推定部３に加えて、分類部２３と、出力情報生成部２４とを有する。更に、推定部３は、学習モデル２５を有する。
なお、システムは、図２に示した構成に限定されるものではない。例えば、図２においては、学習モデル２５は、フィッティング支援装置１に設けられているが、図２に示すシステムに不図示の情報処理装置（例えば、コンピュータなど）又は記憶装置に設けてもよい。その場合には、推定部３と、情報処理装置又は記憶装置とは、互いに通信によりやり取りが可能な構成とする。
フィッティング支援装置１について説明する。
取得部２は、入力装置２１から聴力検査情報、属性情報、背景情報を取得する。具体的には、取得部２は、入力装置２１から送信された、対象者に対して実施した聴力検査の結果を表す聴力検査情報と、対象者の属性を表す属性情報と、対象者の背景を表す背景情報とを受信する。
取得部２は、入力装置２１から聴力検査情報、属性情報、背景情報を取得する。具体的には、取得部２は、入力装置２１から送信された、対象者に対して実施した聴力検査の結果を表す聴力検査情報と、対象者の属性を表す属性情報と、対象者の背景を表す背景情報とを受信する。
分類部２３は、聴力検査情報、属性情報、背景情報を分類する。具体的には、分類部２３は、聴力検査情報、属性情報、背景情報などの説明変数に対してクラスタリング処理を実行する。
クラスタリング処理では、高次元の情報を低次元の情報へ変換する。その理由は、文章や時系列信号で表現されうる説明変数は膨大な数値・カテゴリ次元を持つ変数となってしまい、そのまま用いてパラメータデータを推定すると、計算資源量が増加するためである。そこで、例えば、文字列データに対しては各単語の有無の評価、ＴＦ－ＩＤＦ（Term Frequency － Inverse Document Frequency）などを適用して数値ベクトルへ変換し、このベクトル化したデータに対して、ｋ－平均法（k-means）、深層学習などを用いて、高次元の情報を低次元の情報へ変換する。
聴力検査情報において、気導オージオグラム、骨導オージオグラム、不快閾値、語音明瞭度などは、例えば、ベクトル値などで表される。また、属性情報において、例えば、年齢、身長、体重などは数値などで表され、性別などはバイナリ値などで表され、職業、病歴、治療歴、補聴器の使用履歴などは文字列などで表され、居所、家族構成などはカテゴリ値などで表され、耳音響などはベクトル値などで表される。また、背景情報において、例えば、生活環境音、趣向などはベクトル値などで表される。なお、生活環境音は、時系列信号などで表してもよい。
更に、説明変数として、調整情報（例えば、調整日時、調整場所、技能者識別子など）を用いてもよい。例えば、調整日時、技能者識別子は数値などで表され、調整場所はカテゴリ値で表される。
このように、分類部２３においては、聴力検査情報、属性情報、背景情報などの説明変数に対してクラスタリング処理を実行することで、パラメータデータを推定する場合において、計算資源量を削減することができる。すなわち、パラメータデータの推定に用いるプロセッサ、メモリなどの計算資源量を削減することができる。
推定部３は、運用フェーズにおいて、分類された情報を入力して、対象者に補聴器を適合させるために用いるパラメータデータ（目的変数）を推定する。具体的には、推定部３は、まず、分類部２３から分類された情報を取得する。続いて、推定部３は、取得した分類された情報を学習モデル２５に入力し、パラメータデータを推定する。
ただし、推定部３は、かならずしも、分類された情報を入力として用いなくてもよい。推定部３は、分類されていない情報を入力として用いてもよい。
パラメータデータは、補聴器に設けられている集音部、又は処理部、又は出力部、又はいずれか一つ以上の調整に用いるデータである。また、パラメータデータは、例えば、少なくとも補聴器の種類、出力レベルごとの周波数特性値、騒音抑制強度、ハウリング抑制強度、指向性タイプ、衝撃音抑制度のうち一つ以上を有するデータである。
図６の例では、パラメータデータは、パラメータデータの項目を表す「項目」の情報と、推定したパラメータデータを表す「パラメータ」の情報と、データの種別を表す「データ種別」の情報とが関連付けられている。
学習モデル２５は、学習フェーズにおいて、過去において取得した複数の聴力検査情報と属性情報と背景情報とパラメータデータとを入力として、機械学習により生成された、パラメータデータを推定するためのモデルである。なお、学習モデル２５の詳細については後述する。
出力情報生成部２４は、推定部３が推定したパラメータデータを、出力装置２２に出力するために用いる出力情報を生成する。そして、出力情報生成部２４は、生成した出力情報を出力装置２２へ出力する。
なお、フィッティング支援装置１は、推定部３が推定したパラメータデータを、補聴器に設定してもよい。すなわち、フィッティング支援装置１が、推定したパラメータデータを用いて、技能者を介さずに直接、補聴器の調整（フィッティング）をしてもよい。
このように、フィッティング支援装置１は、聴力検査情報だけでなく属性情報、背景情報なども加味してパラメータデータを推定できるので、技能者は、推定したパラメータデータを用いて、データ対象者に対して適切なフィッティングを実施することができる。
また、フィッティング支援装置１は、最適なパラメータデータに近づけるために要していたフィッティングにかかる時間を短縮することができる。すなわち、従来は比較選択法において活用をしていた情報を、学習モデル２５を用いて活用できるようにしたため、フィッティングにかかる時間を短縮できる。
次に、学習モデルの生成について説明する。
図７は、学習装置を有するシステムの一例を示す図である。図７に示す学習装置３１は、機械学習を用いて学習モデル２５を生成する装置である。
図７は、学習装置を有するシステムの一例を示す図である。図７に示す学習装置３１は、機械学習を用いて学習モデル２５を生成する装置である。
図７に示す学習装置３１を有するシステムは、学習装置３１に加えて、記憶装置３２を有する。また、学習装置３１は、取得部３３と、分類部３４と、分類部３５と、生成部３６とを有する。
記憶装置３２は、過去において取得した複数の説明変数（聴力検査情報、属性情報、背景情報）と、目的変数（パラメータデータ）とを記憶している。
過去において取得した複数の聴力検査情報とは、過去において、複数の補聴器の利用者が、利用者ごとに実施した聴力検査の結果を表す情報である。過去において取得した複数の属性情報とは、過去において、複数の補聴器の利用者が、利用者ごとに取得した属性情報である。過去において取得した複数の背景情報とは、過去において、複数の補聴器の利用者が、利用者ごとに取得した背景情報である。
過去において取得したパラメータデータとは、過去において、複数の補聴器の利用者に対して、技能レベルの高い技能者が実施したフィッティングにおいて、補聴器の調整に用いたパラメータデータである。また、過去において、複数の補聴器の利用者に対して、フィッティング支援装置１を用いて実施したフィッティングにおいて、補聴器の調整に用いたパラメータデータである。
学習装置について説明する。
取得部３３は、過去において取得した学習データを取得する。具体的には、取得部３３は、記憶装置３２から、過去において取得した複数の聴力検査情報、属性情報、背景情報、パラメータデータなどの学習データを取得し、取得した学習データを分類部３４へ送信する。
取得部３３は、過去において取得した学習データを取得する。具体的には、取得部３３は、記憶装置３２から、過去において取得した複数の聴力検査情報、属性情報、背景情報、パラメータデータなどの学習データを取得し、取得した学習データを分類部３４へ送信する。
分類部３４は、受信した学習データを分類する。具体的には、分類部３４は、まず、過去において、利用者がフィッティングに対して満足したか否かを表すスコア（満足度）と、あらかじめ設定した閾値とを比較する。続いて、分類部３４は、スコアが閾値以上である場合、閾値以上のスコアに関連付けられている学習データを分類する。
分類部３５は、分類部３４で分類した学習データを更に分類する。具体的には、分類部３５は、分類部３４で分類した学習データに対して、更にクラスタリング処理を実行する。クラスタリング処理では、高次元の情報を低次元の情報へ変換する。その理由は、文章や時系列信号で表現されうる説明変数は膨大な数値・カテゴリ次元を持つ変数となってしまい、そのまま学習をすると、計算資源量が増加する。そこで、文字列データに対しては各単語の有無の評価、ＴＦ－ＩＤＦなどを適用して、数値ベクトルへ変換し、このベクトル化したデータに対して、例えば、ｋ－平均法、深層学習などを用いて高次元の情報を低次元の情報へ変換をすることが考えられる。
一例として、まず、高次元の情報（例えば、文字列、時系列信号など）を、深層ニューラルネットワークに入力して、ベクトル値に変換する。続いて、変換したベクトル値を、ｋ近傍法を用いて、低次元の情報（例えば、ラベルなど）に変換する。
なお、ドメイン知識から作成されたラベルを用いて教師あり学習で分類を行う他にも、ラベルが事前に付与されていない場合でも、ｋ平均法などによるクラスタリング手法を用いることで教師無し学習でラベルを作ることができる。
このように、分類部３４においては、満足度が高い学習データのみを用いて学習モデル２５に学習をさせることができるため、学習モデル２５を用いて推定したパラメータデータは、利用者の満足度が高くなる。更に、学習データを削減することができるので、学習にかかる時間の短縮、メモリ使用量の低減など、計算資源量を削減することができる。
また、分類部３５においては、分類部３４で分類した学習データに対してクラスタリング処理を実行することで、学習する場合において、更に計算資源量を削減することができる。
生成部３６は、分類部３５で分類した学習データを用いて機械学習をさせて、学習モデル２５を生成し、生成した学習モデル２５を推定部３に記憶する。又は、生成部３６は、学習モデル２５を、フィッティング支援装置１を有するシステム、又は学習装置３１を有するシステム、又はそれら以外の記憶装置に記憶してもよい。
なお、機械学習は、例えば、教師あり学習、半教師あり学習などが考えられる。例えば、回帰（最小二乗法、ランダムフォレストなどの回帰手法）、多クラス分類（決定木などのアルゴリズム）などの学習を用いることが考えられる。なお、上述した機械学習に限定されるものではなく、上述した機械学習以外を用いてもよい。
ただし、生成部３６の入力は、分類部３５で分類された学習データを用いてもよいし、又は分類部３４で分類された学習データを用いてもよいし、又は分類されていない学習データを用いてもよい。
また、学習モデル２５を生成するために用いる学習データは、過去に適合状態と判断された聴力検査情報と、属性情報と、背景情報と、パラメータデータとを用いてもよい。
このように、学習装置３１は、過去において取得した聴力検査情報だけでなく、過去において取得した属性情報、背景情報、パラメータデータなども加味して、学習モデル２５を生成できる。特に、技能レベルの高い技能者が実施したフィッティングの結果を入力として、学習モデル２５を生成できる。
そのため、対象者に補聴器を適合させる場合に、この生成された学習モデル２５を用いて推定されたパラメータデータを用いることで、技能者は適切なフィッティングを実施することができる。
また、この生成された学習モデル２５を用いて推定することで、最適なパラメータデータに近いパラメータデータを推定できるので、フィッティングにかかる時間を短縮することができる。すなわち、従来は比較選択法により得ている情報を、学習モデル２５を用いて得られるようにしたため、フィッティングにかかる時間を短縮できる。
［装置動作］
次に、本発明の実施の形態におけるフィッティング支援装置の動作について図８を用いて説明する。図８は、フィッティング支援装置の動作の一例を示す図である。以下の説明においては、適宜図２から６を参照する。また、本実施の形態では、フィッティング支援装置を動作させることによって、フィッティング支援方法が実施される。よって、本実施の形態におけるフィッティング支援方法の説明は、以下のフィッティング支援装置の動作説明に代える。
次に、本発明の実施の形態におけるフィッティング支援装置の動作について図８を用いて説明する。図８は、フィッティング支援装置の動作の一例を示す図である。以下の説明においては、適宜図２から６を参照する。また、本実施の形態では、フィッティング支援装置を動作させることによって、フィッティング支援方法が実施される。よって、本実施の形態におけるフィッティング支援方法の説明は、以下のフィッティング支援装置の動作説明に代える。
また、本発明の実施の形態における学習装置の動作について図９を用いて説明する。図９は、学習装置の動作の一例を示す図である。以下の説明においては、適宜図７を参照する。また、本実施の形態では、学習装置を動作させることによって、学習方法が実施される。よって、本実施の形態における学習方法の説明は、以下の学習装置の動作説明に代える。
フィッティング支援装置の動作について説明する。
図８に示すように、最初に、取得部２は、運用フェーズにおいて、入力装置２１から対象者の聴力検査情報、属性情報、背景情報（説明変数）を取得する（ステップＡ１）。具体的には、ステップＡ１において、取得部２は、入力装置２１から送信された、対象者に対して実施した聴力検査の結果を表す聴力検査情報と、対象者の属性を表す属性情報と、対象者の背景を表す背景情報とを受信する。
図８に示すように、最初に、取得部２は、運用フェーズにおいて、入力装置２１から対象者の聴力検査情報、属性情報、背景情報（説明変数）を取得する（ステップＡ１）。具体的には、ステップＡ１において、取得部２は、入力装置２１から送信された、対象者に対して実施した聴力検査の結果を表す聴力検査情報と、対象者の属性を表す属性情報と、対象者の背景を表す背景情報とを受信する。
続いて、分類部２３は、聴力検査情報、属性情報、背景情報を分類する（ステップＡ２）。具体的には、ステップＡ２において、分類部２３は、聴力検査情報、属性情報、背景情報などの説明変数に対してクラスタリング処理を実行する。クラスタリング処理では、高次元の情報を低次元の情報へ変換する。
このように、分類部２３においては、聴力検査情報、属性情報、背景情報などの説明変数に対してクラスタリング処理を実行することで、パラメータデータを推定する場合において、計算資源量を削減することができる。なお、ステップＡ２の処理はなくてもよい。
続いて、推定部３は、ステップＡ２において分類された情報を入力して、対象者に補聴器を適合させるために用いるパラメータデータ（目的変数）を推定する（ステップＡ３）。具体的には、ステップＡ３において、推定部３は、まず、分類部２３から分類された情報を取得する。続いて、ステップＡ３において、推定部３は、取得した分類された情報を学習モデル２５に入力し、パラメータデータを推定する。
なお、推定部３は、かならずしも、分類された情報を入力して用いなくてもよい。推定部３は、分類されていない情報を入力として用いてもよい。
続いて、出力情報生成部２４は、推定部３が推定したパラメータデータを、出力装置２２に出力するために用いる出力情報を生成する（ステップＡ４）。そして、出力情報生成部２４は、生成した出力情報を出力装置２２へ出力する（ステップＡ５）。
学習装置の動作について説明する。
図９に示すように、最初に、取得部３３は、過去において取得した学習データを取得する（ステップＢ１）。具体的には、ステップＢ１において、取得部３３は、記憶装置３２から、過去において取得した複数の聴力検査情報、属性情報、背景情報、パラメータデータなどの学習データを取得し、取得した学習データを分類部３４へ送信する。
図９に示すように、最初に、取得部３３は、過去において取得した学習データを取得する（ステップＢ１）。具体的には、ステップＢ１において、取得部３３は、記憶装置３２から、過去において取得した複数の聴力検査情報、属性情報、背景情報、パラメータデータなどの学習データを取得し、取得した学習データを分類部３４へ送信する。
続いて、分類部３４は、受信した学習データを分類する（ステップＢ２）。具体的には、ステップＢ２において、分類部３４は、まず、過去において、利用者がフィッティングに対して満足したか否かを表すスコア（満足度）と、あらかじめ設定した閾値とを比較する。続いて、ステップＢ２において、分類部３４は、スコアが閾値以上である場合、閾値以上のスコアに関連付けられている学習データを分類する。
このように、ステップＢ２において、分類部３４は、満足度が高い学習データのみを用いて学習モデル２５に学習をさせることができるため、学習モデル２５を用いて推定したパラメータデータは、利用者の満足度が高くなる。
続いて、分類部３５は、ステップＢ２において分類した学習データを更に分類する（ステップＢ３）。具体的には、ステップＢ３において、分類部３５は、ステップＢ２において分類した学習データに対して、更にクラスタリング処理を実行する。クラスタリング処理では、高次元の情報を低次元の情報へ変換する。
このように、ステップＢ３において、分類部３５は、更に、学習データを削減することができるので、学習にかかる時間の短縮、メモリ使用量の低減など、計算資源量を削減することができる。
続いて、生成部３６は、分類部３５で分類した学習データを用いて機械学習をさせて、学習モデル２５を生成する（ステップＢ４）。続いて、生成部３６は、生成した学習モデル２５を推定部３に記憶する（ステップＢ５）。なお、生成部３６は、学習モデル２５を、フィッティング支援装置１を有するシステム、又は学習装置３１を有するシステム、又はそれら以外の記憶装置に記憶してもよい。
ここで、機械学習は、例えば、教師あり学習、半教師あり学習などが考えられる。例えば、回帰（最小二乗法、ランダムフォレストなどの回帰手法）、多クラス分類（決定木などのアルゴリズム）などの学習を用いることが考えられる。なお、上述した機械学習に限定されるものではなく、上述した機械学習以外を用いてもよい。
ただし、生成部３６は、入力として、ステップＢ２において分類部３４で分類された学習データを用いてもよいし、ステップＢ３において分類部３５で分類された学習データを用いてもよいし、分類されていない学習データを用いてもよい。
また、学習モデル２５を生成するために用いる学習データは、過去に適合状態と判断された聴力検査情報と、属性情報と、背景情報と、パラメータデータとを用いてもよい。
［本実施の形態の効果］
以上のように本実施の形態によれば、フィッティング支援装置１は、聴力検査情報だけでなく属性情報、背景情報なども加味してパラメータデータを推定できるので、技能者は、推定したパラメータデータを用いて、データ対象者に対して適切なフィッティングを実施することができる。
以上のように本実施の形態によれば、フィッティング支援装置１は、聴力検査情報だけでなく属性情報、背景情報なども加味してパラメータデータを推定できるので、技能者は、推定したパラメータデータを用いて、データ対象者に対して適切なフィッティングを実施することができる。
また、フィッティング支援装置１は、最適なパラメータデータに近づけるために要していたフィッティングにかかる時間を短縮することができる。すなわち、従来は比較選択法において活用をしていた情報を、学習モデル２５を用いて活用できるようにしたため、フィッティングにかかる時間を短縮できる。
また、フィッティング支援装置１は、推定部３が推定したパラメータデータを、補聴器に設定してもよい。すなわち、フィッティング支援装置１が、推定したパラメータデータを用いて、技能者を介さずに直接、補聴器の調整（フィッティング）をしてもよい。
更に、学習装置３１は、過去において取得した聴力検査情報だけでなく、過去において取得した属性情報、背景情報、パラメータデータなども加味して、学習モデル２５を生成できる。特に、技能レベルの高い技能者が実施したフィッティングの結果を入力として、学習モデル２５を生成できる。
そのため、対象者に補聴器を適合させる場合に、技能者は、この生成された学習モデル２５により推定されたパラメータデータを用いて、適切なフィッティングを実施することができる。
また、この生成された学習モデル２５を用いて推定することで、最適なパラメータデータに近いパラメータデータを推定できるので、フィッティングにかかる時間を短縮することができる。すなわち、従来は比較選択法により得ている情報を、学習モデル２５を用いて得られるようにしたため、フィッティングにかかる時間を短縮できる。
［プログラム］
本発明の実施の形態におけるパラメータデータを推定するためのプログラムは、コンピュータに、図８に示すステップＡ１からＡ５を実行させるプログラムであればよい。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態におけるフィッティング支援装置とフィッティング支援方法とを実現することができる。この場合、コンピュータのプロセッサは、取得部２、分類部２３、推定部３、出力情報生成部２４として機能し、処理を行なう。
本発明の実施の形態におけるパラメータデータを推定するためのプログラムは、コンピュータに、図８に示すステップＡ１からＡ５を実行させるプログラムであればよい。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態におけるフィッティング支援装置とフィッティング支援方法とを実現することができる。この場合、コンピュータのプロセッサは、取得部２、分類部２３、推定部３、出力情報生成部２４として機能し、処理を行なう。
また、本実施の形態におけるパラメータデータを推定するためのプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されてもよい。この場合は、例えば、各コンピュータが、それぞれ、取得部２、分類部２３、推定部３、出力情報生成部２４のいずれかとして機能してもよい。
更に、本発明の実施の形態における学習モデルを生成するためのプログラムは、コンピュータに、図９に示すステップＢ１からＢ５を実行させるプログラムであればよい。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態における学習装置と学習方法とを実現することができる。この場合、コンピュータのプロセッサは、取得部３３、分類部３４、分類部３５、生成部３６として機能し、処理を行なう。
また、本実施の形態における学習モデルを生成するためのプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されてもよい。この場合は、例えば、各コンピュータが、それぞれ、取得部３３、分類部３４、分類部３５、生成部３６のいずれかとして機能してもよい。
［物理構成］
ここで、実施の形態におけるプログラムを実行することによって、フィッティング支援装置又は学習装置を実現するコンピュータについて図１０を用いて説明する。図１０は、本発明の実施の形態におけるフィッティング支援装置又は学習装置を実現するコンピュータの一例を示すブロック図である。
ここで、実施の形態におけるプログラムを実行することによって、フィッティング支援装置又は学習装置を実現するコンピュータについて図１０を用いて説明する。図１０は、本発明の実施の形態におけるフィッティング支援装置又は学習装置を実現するコンピュータの一例を示すブロック図である。
図１０に示すように、コンピュータ１１０は、ＣＰＵ（Central Processing Unit）１１１と、メインメモリ１１２と、記憶装置１１３と、入力インターフェイス１１４と、表示コントローラ１１５と、データリーダ／ライタ１１６と、通信インターフェイス１１７とを備える。これらの各部は、バス１２１を介して、互いにデータ通信可能に接続される。なお、コンピュータ１１０は、ＣＰＵ１１１に加えて、又はＣＰＵ１１１に代えて、ＧＰＵ（Graphics Processing Unit）、又はＦＰＧＡ（Field-Programmable Gate Array）を備えていてもよい。
ＣＰＵ１１１は、記憶装置１１３に格納された、本実施の形態におけるプログラム（コード）をメインメモリ１１２に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）などの揮発性の記憶装置である。また、本実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体１２０に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス１１７を介して接続されたインターネット上で流通するものであってもよい。
また、記憶装置１１３の具体例としては、ハードディスクドライブの他、フラッシュメモリなどの半導体記憶装置があげられる。入力インターフェイス１１４は、ＣＰＵ１１１と、キーボード及びマウスといった入力機器１１８との間のデータ伝送を仲介する。表示コントローラ１１５は、ディスプレイ装置１１９と接続され、ディスプレイ装置１１９での表示を制御する。
データリーダ／ライタ１１６は、ＣＰＵ１１１と記録媒体１２０との間のデータ伝送を仲介し、記録媒体１２０からのプログラムの読み出し、及びコンピュータ１１０における処理結果の記録媒体１２０への書き込みを実行する。通信インターフェイス１１７は、ＣＰＵ１１１と、他のコンピュータとの間のデータ伝送を仲介する。
また、記録媒体１２０の具体例としては、ＣＦ（Compact Flash（登録商標））及びＳＤ（Secure Digital）などの汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）などの磁気記録媒体、又はＣＤ－ＲＯＭ（Compact Disk Read Only Memory）などの光学記録媒体があげられる。
なお、本実施の形態におけるフィッティング支援装置１又は学習装置３１は、プログラムがインストールされたコンピュータではなく、各部に対応したハードウェアを用いることによっても実現可能である。更に、フィッティング支援装置１又は学習装置３１は、一部がプログラムで実現され、残りの部分がハードウェアで実現されていてもよい。
［付記］
以上の実施の形態に関し、更に以下の付記を開示する。上述した実施の形態の一部又は全部は、以下に記載する（付記１）から（付記１２）により表現することができるが、以下の記載に限定されるものではない。
以上の実施の形態に関し、更に以下の付記を開示する。上述した実施の形態の一部又は全部は、以下に記載する（付記１）から（付記１２）により表現することができるが、以下の記載に限定されるものではない。
（付記１）
対象者に対して実施した聴力検査の結果を表す聴力検査情報と、前記対象者の属性を表す属性情報と、前記対象者の背景を表す背景情報とを取得する、取得部と、
取得した前記聴力検査情報と、前記属性情報と、前記背景情報とを入力して、前記対象者に補聴器を適合させるフィッティングに用いるパラメータデータを推定する、推定部と、
を有することを特徴とするフィッティング支援装置。
対象者に対して実施した聴力検査の結果を表す聴力検査情報と、前記対象者の属性を表す属性情報と、前記対象者の背景を表す背景情報とを取得する、取得部と、
取得した前記聴力検査情報と、前記属性情報と、前記背景情報とを入力して、前記対象者に補聴器を適合させるフィッティングに用いるパラメータデータを推定する、推定部と、
を有することを特徴とするフィッティング支援装置。
（付記２）
付記１に記載のフィッティング支援装置であって、
前記推定部は、過去において取得した、複数の聴力検査情報と、パラメータデータと、属性情報と、背景情報とを入力とし、機械学習により生成された、パラメータデータを推定するための学習モデルを有する
ことを特徴とするフィッティング支援装置。
付記１に記載のフィッティング支援装置であって、
前記推定部は、過去において取得した、複数の聴力検査情報と、パラメータデータと、属性情報と、背景情報とを入力とし、機械学習により生成された、パラメータデータを推定するための学習モデルを有する
ことを特徴とするフィッティング支援装置。
（付記３）
付記２に記載のフィッティング支援装置であって、
前記学習モデルを生成するために用いる入力は、過去に適合状態と判断された前記聴力検査情報と、前記パラメータデータと、前記属性情報と、前記背景情報とを用いる
ことを特徴とするフィッティング支援装置。
付記２に記載のフィッティング支援装置であって、
前記学習モデルを生成するために用いる入力は、過去に適合状態と判断された前記聴力検査情報と、前記パラメータデータと、前記属性情報と、前記背景情報とを用いる
ことを特徴とするフィッティング支援装置。
（付記４）
付記１から３のいずれか一つに記載のフィッティング支援装置であって、
前記属性情報は、少なくとも前記対象者の年齢、性別、身体、職業、病歴、治療歴のいずれか一つ以上の情報を有し、前記背景情報は、少なくとも前記対象者の生活環境音、趣向のいずれか一つ以上の情報を有する
ことを特徴とするフィッティング支援装置。
付記１から３のいずれか一つに記載のフィッティング支援装置であって、
前記属性情報は、少なくとも前記対象者の年齢、性別、身体、職業、病歴、治療歴のいずれか一つ以上の情報を有し、前記背景情報は、少なくとも前記対象者の生活環境音、趣向のいずれか一つ以上の情報を有する
ことを特徴とするフィッティング支援装置。
（付記５）
（ａ）対象者に対して実施した聴力検査の結果を表す聴力検査情報と、前記対象者の属性を表す属性情報と、前記対象者の背景を表す背景情報とを取得する、ステップと、
（ｂ）取得した前記聴力検査情報と、前記属性情報と、前記背景情報とを入力して、前記対象者に補聴器を適合させるフィッティングに用いるパラメータデータを推定する、ステップと、
を有することを特徴とするフィッティング支援方法。
（ａ）対象者に対して実施した聴力検査の結果を表す聴力検査情報と、前記対象者の属性を表す属性情報と、前記対象者の背景を表す背景情報とを取得する、ステップと、
（ｂ）取得した前記聴力検査情報と、前記属性情報と、前記背景情報とを入力して、前記対象者に補聴器を適合させるフィッティングに用いるパラメータデータを推定する、ステップと、
を有することを特徴とするフィッティング支援方法。
（付記６）
付記５に記載のフィッティング支援方法であって、
前記（ｂ）のステップにおいては、過去において取得した、複数の聴力検査情報と、パラメータデータと、属性情報と、背景情報とを入力とし、機械学習により生成された、パラメータデータを推定するための学習モデルを用いる
ことを特徴とするフィッティング支援方法。
付記５に記載のフィッティング支援方法であって、
前記（ｂ）のステップにおいては、過去において取得した、複数の聴力検査情報と、パラメータデータと、属性情報と、背景情報とを入力とし、機械学習により生成された、パラメータデータを推定するための学習モデルを用いる
ことを特徴とするフィッティング支援方法。
（付記７）
付記６に記載のフィッティング支援方法であって、
前記学習モデルを生成するために用いる入力は、過去に適合状態と判断された前記聴力検査情報と、前記パラメータデータと、前記属性情報と、前記背景情報とを用いる
ことを特徴とするフィッティング支援方法
付記６に記載のフィッティング支援方法であって、
前記学習モデルを生成するために用いる入力は、過去に適合状態と判断された前記聴力検査情報と、前記パラメータデータと、前記属性情報と、前記背景情報とを用いる
ことを特徴とするフィッティング支援方法
（付記８）
付記５から７のいずれか一つに記載のフィッティング支援方法であって、
前記属性情報は、少なくとも前記対象者の年齢、性別、身体、職業、病歴、治療歴のいずれか一つ以上の情報を有し、前記背景情報は、少なくとも前記対象者の生活環境音、趣向のいずれか一つ以上の情報を有する
ことを特徴とするフィッティング支援方法。
付記５から７のいずれか一つに記載のフィッティング支援方法であって、
前記属性情報は、少なくとも前記対象者の年齢、性別、身体、職業、病歴、治療歴のいずれか一つ以上の情報を有し、前記背景情報は、少なくとも前記対象者の生活環境音、趣向のいずれか一つ以上の情報を有する
ことを特徴とするフィッティング支援方法。
（付記９）
コンピュータに、
（ａ）対象者に対して実施した聴力検査の結果を表す聴力検査情報と、前記対象者の属性を表す属性情報と、前記対象者の背景を表す背景情報とを取得する、ステップと、
（ｂ）取得した前記聴力検査情報と、前記属性情報と、前記背景情報とを入力して、前記対象者に補聴器を適合させるフィッティングに用いるパラメータデータを推定する、ステップと、
を実行させるプログラム。
コンピュータに、
（ａ）対象者に対して実施した聴力検査の結果を表す聴力検査情報と、前記対象者の属性を表す属性情報と、前記対象者の背景を表す背景情報とを取得する、ステップと、
（ｂ）取得した前記聴力検査情報と、前記属性情報と、前記背景情報とを入力して、前記対象者に補聴器を適合させるフィッティングに用いるパラメータデータを推定する、ステップと、
を実行させるプログラム。
（付記１０）
付記９に記載のプログラムであって、
前記（ｂ）のステップにおいては、過去において取得した、複数の聴力検査情報と、パラメータデータと、属性情報と、背景情報とを入力とし、機械学習により生成された、パラメータデータを推定するための学習モデルを用いる
ことを特徴とするプログラム。
付記９に記載のプログラムであって、
前記（ｂ）のステップにおいては、過去において取得した、複数の聴力検査情報と、パラメータデータと、属性情報と、背景情報とを入力とし、機械学習により生成された、パラメータデータを推定するための学習モデルを用いる
ことを特徴とするプログラム。
（付記１１）
付記１０に記載のプログラムであって、
前記学習モデルを生成するために用いる入力は、過去に適合状態と判断された前記聴力検査情報と、前記パラメータデータと、前記属性情報と、前記背景情報とを用いる
ことを特徴とするプログラム。
付記１０に記載のプログラムであって、
前記学習モデルを生成するために用いる入力は、過去に適合状態と判断された前記聴力検査情報と、前記パラメータデータと、前記属性情報と、前記背景情報とを用いる
ことを特徴とするプログラム。
（付記１２）
付記９から１１のいずれか一つに記載のプログラムであって、
前記属性情報は、少なくとも前記対象者の年齢、性別、身体、職業、病歴、治療歴のいずれか一つ以上の情報を有し、前記背景情報は、少なくとも前記対象者の生活環境音、趣向のいずれか一つ以上の情報を有する
ことを特徴とするプログラム。
付記９から１１のいずれか一つに記載のプログラムであって、
前記属性情報は、少なくとも前記対象者の年齢、性別、身体、職業、病歴、治療歴のいずれか一つ以上の情報を有し、前記背景情報は、少なくとも前記対象者の生活環境音、趣向のいずれか一つ以上の情報を有する
ことを特徴とするプログラム。
以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施の形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
以上のように本発明によれば、フィッティングの精度を向上させることができる。また、フィッティングにかかる時間を短縮することができる。本発明は、補聴器などの装用機器においてフィッティングを必要とする分野において有用である。
１ フィッティング支援装置
２ 取得部
３ 推定部
２１ 入力装置
２２ 出力装置
２３ 分類部
２４ 出力情報生成部
２５ 学習モデル
３１ 学習装置
３２ 記憶装置
３３ 取得部
３４、３５ 分類部
３６ 生成部
１１０ コンピュータ
１１１ ＣＰＵ
１１２ メインメモリ
１１３ 記憶装置
１１４ 入力インターフェイス
１１５ 表示コントローラ
１１６ データリーダ／ライタ
１１７ 通信インターフェイス
１１８ 入力機器
１１９ ディスプレイ装置
１２０ 記録媒体
１２１ バス
２ 取得部
３ 推定部
２１ 入力装置
２２ 出力装置
２３ 分類部
２４ 出力情報生成部
２５ 学習モデル
３１ 学習装置
３２ 記憶装置
３３ 取得部
３４、３５ 分類部
３６ 生成部
１１０ コンピュータ
１１１ ＣＰＵ
１１２ メインメモリ
１１３ 記憶装置
１１４ 入力インターフェイス
１１５ 表示コントローラ
１１６ データリーダ／ライタ
１１７ 通信インターフェイス
１１８ 入力機器
１１９ ディスプレイ装置
１２０ 記録媒体
１２１ バス
Claims (9)
- 対象者に対して実施した聴力検査の結果を表す聴力検査情報と、前記対象者の属性を表す属性情報と、前記対象者の背景を表す背景情報とを取得する、取得手段と、
高次元の情報である、前記聴力検査情報、前記属性情報、前記背景情報に対してクラスタリング処理を実行し、低次元の情報へ変換する、分類手段と、
前記聴力検査情報と、前記属性情報と、前記背景情報とを変換した前記低次元の情報を入力して、前記対象者に補聴器を適合させるフィッティングに用いるパラメータデータを推定する、推定手段と、
を有することを特徴とするフィッティング支援装置。 - 請求項１に記載のフィッティング支援装置であって、
前記推定手段は、過去において取得した、高次元の情報である、過去に適合状態と判断された聴力検査情報と、パラメータデータと、属性情報と、背景情報と、に対してクラスタリング処理を実行して変換した低次元の情報を入力とし、機械学習により生成された、パラメータデータを推定するための学習モデルを有する
ことを特徴とするフィッティング支援装置。 - 請求項１又は２に記載のフィッティング支援装置であって、
前記属性情報は、少なくとも前記対象者の年齢、性別、身体、職業、病歴、治療歴のいずれか一つ以上の情報を有し、前記背景情報は、少なくとも前記対象者の生活環境音と、前記対象者の音に対する趣向の情報とを有する
ことを特徴とするフィッティング支援装置。 - （ａ）対象者に対して実施した聴力検査の結果を表す聴力検査情報と、前記対象者の属性を表す属性情報と、前記対象者の背景を表す背景情報とを取得し、
（ｂ）高次元の情報である、前記聴力検査情報、前記属性情報、前記背景情報に対してクラスタリング処理を実行し、低次元の情報へ変換し、
（ｃ）前記聴力検査情報と、前記属性情報と、前記背景情報とを変換した前記低次元の情報を入力して、前記対象者に補聴器を適合させるフィッティングに用いるパラメータデータを推定する
ことを特徴とするフィッティング支援方法。 - 請求項４に記載のフィッティング支援方法であって、
前記（ｃ）の処理においては、過去において取得した、高次元の情報である、過去に適合状態と判断された聴力検査情報と、パラメータデータと、属性情報と、背景情報と、に対してクラスタリング処理を実行して変換した低次元の情報を入力とし、機械学習により生成された、パラメータデータを推定するための学習モデルを用いる
ことを特徴とするフィッティング支援方法。 - 請求項４又は５に記載のフィッティング支援方法であって、
前記属性情報は、少なくとも前記対象者の年齢、性別、身体、職業、病歴、治療歴のいずれか一つ以上の情報を有し、前記背景情報は、少なくとも前記対象者の生活環境音と、前記対象者の音に対する趣向の情報とを有する
ことを特徴とするフィッティング支援方法。 - コンピュータに、
（ａ）対象者に対して実施した聴力検査の結果を表す聴力検査情報と、前記対象者の属性を表す属性情報と、前記対象者の背景を表す背景情報とを取得する、ステップと、
（ｂ）高次元の情報である、前記聴力検査情報、前記属性情報、前記背景情報に対してクラスタリング処理を実行し、低次元の情報へ変換する、ステップと、
（ｃ）取得した前記聴力検査情報と、前記属性情報と、前記背景情報とを変換した前記低次元の情報を入力して、前記対象者に補聴器を適合させるフィッティングに用いるパラメータデータを推定する、ステップと、
を実行させるプログラム。 - 請求項７に記載のプログラムであって、
前記（ｃ）のステップにおいては、過去において取得した、高次元の情報である、過去に適合状態と判断された聴力検査情報と、パラメータデータと、属性情報と、背景情報と、に対してクラスタリング処理を実行して変換した低次元の情報を入力とし、機械学習により生成された、パラメータデータを推定するための学習モデルを用いる
ことを特徴とするプログラム。 - 請求項７又は８に記載のプログラムであって、
前記属性情報は、少なくとも前記対象者の年齢、性別、身体、職業、病歴、治療歴のいずれか一つ以上の情報を有し、前記背景情報は、少なくとも前記対象者の生活環境音と、前記対象者の音に対する趣向の情報とを有する
ことを特徴とするプログラム。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2019/017507 WO2020217359A1 (ja) | 2019-04-24 | 2019-04-24 | フィッティング支援装置、フィッティング支援方法、及びコンピュータ読み取り可能な記録媒体 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JPWO2020217359A1 JPWO2020217359A1 (ja) | 2020-10-29 |
| JPWO2020217359A5 JPWO2020217359A5 (ja) | 2022-01-21 |
| JP7272425B2 true JP7272425B2 (ja) | 2023-05-12 |
Family
ID=72941169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021515389A Active JP7272425B2 (ja) | 2019-04-24 | 2019-04-24 | フィッティング支援装置、フィッティング支援方法、及びプログラム |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7272425B2 (ja) |
| WO (1) | WO2020217359A1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPWO2022264535A1 (ja) * | 2021-06-18 | 2022-12-22 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001520412A (ja) | 1997-10-15 | 2001-10-30 | ベルトーン・エレクトロニクス・コーポレーシヨン | プログラム式補聴器用のニューロファジイに基づく装置 |
| WO2009001559A1 (ja) | 2007-06-28 | 2008-12-31 | Panasonic Corporation | 環境適応型補聴器 |
| JP2017152865A (ja) | 2016-02-23 | 2017-08-31 | リオン株式会社 | 補聴器フィッティング装置、補聴器フィッティングプログラム、補聴器フィッティングサーバ、および補聴器フィッティング方法 |
-
2019
- 2019-04-24 JP JP2021515389A patent/JP7272425B2/ja active Active
- 2019-04-24 WO PCT/JP2019/017507 patent/WO2020217359A1/ja active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001520412A (ja) | 1997-10-15 | 2001-10-30 | ベルトーン・エレクトロニクス・コーポレーシヨン | プログラム式補聴器用のニューロファジイに基づく装置 |
| WO2009001559A1 (ja) | 2007-06-28 | 2008-12-31 | Panasonic Corporation | 環境適応型補聴器 |
| JP2017152865A (ja) | 2016-02-23 | 2017-08-31 | リオン株式会社 | 補聴器フィッティング装置、補聴器フィッティングプログラム、補聴器フィッティングサーバ、および補聴器フィッティング方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPWO2020217359A1 (ja) | 2020-10-29 |
| WO2020217359A1 (ja) | 2020-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10721571B2 (en) | Separating and recombining audio for intelligibility and comfort | |
| US11308955B2 (en) | Method and apparatus for recognizing a voice | |
| US20160314784A1 (en) | System and method for assessing the cognitive style of a person | |
| US20230260535A1 (en) | A computer-implemented method of providing data for an automated baby cry assessment | |
| US20230011937A1 (en) | Methods and apparatus to generate optimized models for internet of things devices | |
| EP3167625A1 (en) | Method of optimizing parameters in a hearing aid system and a hearing aid system | |
| US11778393B2 (en) | Method of optimizing parameters in a hearing aid system and a hearing aid system | |
| JP2021121875A (ja) | 学習装置、検出装置、学習方法、学習プログラム、検出方法、および検出プログラム | |
| JP7272425B2 (ja) | フィッティング支援装置、フィッティング支援方法、及びプログラム | |
| US8335332B2 (en) | Fully learning classification system and method for hearing aids | |
| CN108806699B (zh) | 语音反馈方法、装置、存储介质及电子设备 | |
| JP2018005122A (ja) | 検出装置、検出方法及び検出プログラム | |
| JP7276433B2 (ja) | フィッティング支援装置、フィッティング支援方法、及びプログラム | |
| KR102413860B1 (ko) | 사용자 상태에 기반한 응답 음성을 생성하는 음성 에이전트 시스템 및 방법 | |
| US20230081796A1 (en) | Managing audio content delivery | |
| US11749270B2 (en) | Output apparatus, output method and non-transitory computer-readable recording medium | |
| TW202244898A (zh) | 用於音訊信號產生的系統和方法 | |
| Putta et al. | Regional Language Speech Recognition from Bone‐Conducted Speech Signals through Different Deep Learning Architectures | |
| WO2022264535A1 (ja) | 情報処理方法および情報処理システム | |
| Cauchi et al. | Hardware/software architecture for services in the hearing aid industry | |
| US11146902B2 (en) | Facilitating a bone conduction otoacoustic emission test | |
| US20240221722A1 (en) | Eyewear device and method of use | |
| US20240121560A1 (en) | Facilitating hearing device fitting | |
| US20220312126A1 (en) | Detecting Hair Interference for a Hearing Device | |
| US10601757B2 (en) | Multi-output mode communication support device, communication support method, and computer program product |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211019 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211019 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221004 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221124 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230328 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230410 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 7272425 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |