KR20170031719A

KR20170031719A - 보청기 시스템 내에서 파라미터를 최적화하는 방법 및 보청기 시스템

Info

Publication number: KR20170031719A
Application number: KR1020177003416A
Authority: KR
Inventors: 젠스 브레엠 닐슨
Original assignee: 와이덱스 에이/에스
Priority date: 2014-07-08
Filing date: 2014-07-08
Publication date: 2017-03-21
Also published as: DK3167625T3; US20170118565A1; JP6293314B2; CN106537939B; JP2017526236A; KR101858209B1; EP3167625A1; US9992586B2; CN106537939A; WO2016004983A1; EP3167625B1

Abstract

사용자의 선호도에 관하여 보청기 시스템(100) 내의 파라미터를 최적화하는 방법 및 이러한 방법을 수행하도록 구성된 보청기 시스템(100)이 개시된다.

Description

보청기 시스템 내에서 파라미터를 최적화하는 방법 및 보청기 시스템 {METHOD OF OPTIMIZING PARAMETERS IN A HEARING AID SYSTEM AND A HEARING AID SYSTEM}

본 발명은 보청기 시스템 내에서 파라미터를 최적화하는 방법에 관한 것이다. 본 발명은 또한 파라미터를 최적화하기 위해 구성된 보청기 시스템에 관한 것이다.

본 개시 내용의 맥락 내에서, 보청기는 청각 장애를 가진 사용자에 의해 사람의 귀 내에 또는 그 후방에 착용되도록 설계된 소형 배터리-전원 마이크로전자 디바이스로서 이해될 수 있다. 사용 전에, 보청기는 처방전에 따라 보청기 피터(fitter)에 의해 조정된다. 처방전은 청각 장애를 가진 사용자의 보조기 미착용시 청력(unaided hearing)의 수행력(performance)의 소위 청력도(audiogram)에서 초래되는 청력 테스트에 기초한다. 처방전은 사용자가 청력 장애를 겪고 있는 가청 주파수 범위의 해당 부분 내의 주파수에서의 사운드를 증폭시킴으로써 보청기가 청력 손실을 완화시킬 설정에 도달하도록 작성된다. 보청기는 하나 이상의 마이크로폰, 배터리, 사용자가 청력 장애를 겪고 있는 가청 주파수 범위의 해당 부분 내의 증폭을 제공하도록 구성된 신호 프로세서를 포함하는 마이크로전자 회로, 및 음향 출력 트랜스듀서를 포함한다. 신호 프로세서는 바람직하게는 디지털 신호 프로세서이다. 보청기는 사람의 귀 내에 또는 그 후방에 끼우기에 적절한 케이싱 내에 봉입되어 있다.

본 발명의 맥락 내에서, 보청기 시스템은 단일의 보청기[소위 단측 착용(monaural) 보청기 시스템]를 포함하거나, 또는 보청기 사용자의 각각의 귀에 대해 하나씩, 2개의 보청기[소위 양측 착용(binaural) 보청기 시스템]를 포함할 수 있다. 더욱이, 보청기 시스템은, 보청기 시스템의 다른 디바이스와 상호작용하도록 구성된 소프트웨어 애플리케이션을 갖는 스마트폰과 같은, 외부 디바이스를 포함할 수 있다. 따라서, 본 발명의 맥락 내에서, "보청기 시스템 디바이스"라는 용어는 보청기 또는 외부 디바이스를 나타낼 수 있다.

일반적으로, 본 발명에 따른 보청기 시스템은 사용자에 의해 음향 신호로서 인지될 수 있는 출력 신호를 제공하거나 또는 그러한 출력 신호를 제공하는데 기여하는 그리고 사용자의 개인 청력 손실을 보상하거나 또는 사용자의 청력 손실을 보상하는데 기여하기 위해 사용되는 수단을 갖는 임의의 시스템을 의미하는 것으로 이해된다. 이들 시스템은, 신체 상에 또는 머리 상에, 특히, 귀 상에 또는 귀 내에 착용될 수 있고 완전히 또는 부분적으로 이식될 수 있는 보청기를 포함할 수 있다. 그러나, 그 주 목적이 청력 손실을 보상하는 것이 아닌 일부 디바이스, 예를 들어, 소비자 전자 디바이스(텔레비전, 하이파이 시스템, 휴대폰, MP3 플레이어 등)는, 개인 청력 손실을 보상하기 위한 수단을 가지고 있다면, 그럼에도 불구하고 보청기 시스템으로 간주될 수 있다.

대부분의 사용자는 사용자의 개인 선호도를 고려하는 보청기 프로그래밍(이 프로세스는 또한 피팅으로 나타내어질 수도 있음)으로부터 이익을 얻을 것이라는 것이 보청기 시스템 분야에 잘 알려져 있다. 이 유형의 보청기 시스템 설정의 미세 튜닝 또는 최적화는 또한 맞춤화(customization)라고 나타내어질 수 있다. 그러나, 맞춤화의 프로세스는 매우 난제라는 것이 잘 알려져 있다.

맞춤화에 의한 일 문제점은 사용자가 어느 유형의 신호 처리 및 최종적인 사운드를 선호하는지를 구두로 설명하는 것이 매우 어려울 수 있다는 것이다.

맞춤화는 일반적으로 기본적으로 보청기 시스템에서 수행되는 모든 다양한 유형의 신호 처리에 관하여 유리할 수 있다. 따라서, 맞춤화는 예를 들어 노이즈 감소에 대해서 뿐만 아니라 사운드 환경의 분류에 대해서 관련될 수 있다.

EP-B1-1946609호는 보청기 파라미터의 최적화를 위한 방법을 개시하고 있다. 방법은 적어도 하나의 신호 처리 파라미터가 사용자 조정에 응답하여 조정되는 베이지언 증분 선호도 도출(Bayesian incremental preference elicitation)에 기초한다. 특정 실시예에 따르면, 사용자 조정은 간단히 사용자 불찬성의 지시이다.

EP-B1-1946609호는 더 다양한 보청기 시스템 사용자의 미지의 내부(internal) 응답 기능에 적합하는 적합한 파라미터화된 모델을 발견하는 것이 매우 어렵기 때문에, 사용자의 미지의 내부 응답 기능(즉, 사용자의 선호도)을 모델링하기 위해 파라미터화된 접근법을 적용하는 점에 있어서 복잡하다.

더욱이, EP-B1-1946609호는 특히 일반적으로 제한된 처리 및 메모리 리소스를 갖는 보청기 시스템에 대해서, 처리 및 메모리 요구가 매우 높기 때문에 복잡하다.

따라서, 본 발명의 특징은 처리 및 메모리 리소스에 대한 사용자 만족 및 요구의 모두에 관하여 보청기 시스템 설정을 최적화하는 개량된 방법을 제공하는 것이다.

본 발명의 다른 특징은 보청기 시스템 설정을 최적화하기 위한 개량된 수단을 갖는 보청기 시스템을 제공하는 것이다.

부가적으로, 본 발명자는, 원하지 않는 사운드를 차폐하기 위한 것 또는 단지 긴장완화(relaxing) 경험을 발생하기 위한 것인, 편안함을 제공하기 위해 사용되는 내부적으로 발생된 사운드가 맞춤화로부터 상당히 이익을 얻을 수 있다는 것을 발견하였다.

본 개시내용의 맥락에서, 긴장완화 사운드는 긴장완화가 용이하고 예를 들어 그 사운드를 듣게 될 때 스트레스 및 근심이 완화되는 품질을 갖는 사운드로서 이해되어야 한다. 전통 음악이 긴장완화 사운드의 일 예이고, 반면에 노이즈는 긴장완화가 아닌 사운드를 칭하는 데 가장 종종 사용된다.

본 개시내용의 맥락에서, 긴장완화 사운드는 특히 이명(tinnitus)을 완화하기 위해 구성된 사운드로서 이해될 수 있다.

US-B2-6816599호는 예를 들어 보청기 내에 구현을 위해 매우 양호하게 적합한 방식으로 음악 신디사이저(synthesizer)에 의해 발생될 수 있는 일 유형의 긴장완화 사운드를 개시하고 있다.

US-6047074호는 이명 치료를 위해 또한 이용될 수 있는 보청기를 개시하고 있는 데, 여기서 보청기 입력 트랜스듀서로부터의 출력 신호로부터 도출되는 유용한 디지털 신호가 그 강도, 그 스펙트럼 분포 및/또는 그 시간 구조의 견지에서 평가될 수 있어 역방향성(보상) 거동이 성취될 수 있게 된다. 이에 의해, 이명 치료를 위한 신호는 단지 유용한 신호가 존재하지 않을 때 활성화될 수 있다. 유용한 신호의 종료와 이명 치료를 위한 신호의 시작 사이의 임의의 전이가 이에 의해 설정될 수 있다. 더 긴 조용한 중단이 발생할 때, 이어서 차폐 신호는 서서히 혼합되고 따라서 교란적인 이명 노이즈를 안들리게 한다. 멜로디 사운드 시퀀스 또는 다른 음조(tone)가 이명을 차폐하는 데 사용될 수 있다는 것이 또한 개시되어 있다.

긴장완화 사운드를 발생하는 데 있어서 일 문제점은 사용자가 어느 유형의 사운드가 긴장완화로서 인지되는지를 구두로 설명하는 것이 매우 어려울 수 있다는 것이다.

이는 사용자가 예를 들어 인지된 이명 음조로부터 그의 주의를 전환하기 위해 긴장완화 사운드를 사용하기를 원하면 특히 중요하다.

따라서, 본 발명의 특징은 긴장완화 사운드의 발생을 맞춤화하기 위한 개량된 방법을 제공하는 것이다.

본 발명의 다른 특징은 긴장완화 사운드의 발생을 맞춤화하기 위한 개량된 수단을 갖는 보청기 시스템을 제공하는 것이다.

본 발명은 제1 양태에서, 청구항 1에 따른 방법을 제공한다.

이는 보청기 시스템 내에서 파라미터를 최적화 또는 맞춤화하기 위한 개량된 방법을 제공한다.

본 발명은 제2 양태에서, 청구항 18에 따른 방법을 제공한다.

본 발명은 제3 양태에서, 청구항 19에 따른 방법을 제공한다.

본 발명은 제4 양태에서, 청구항 20에 따른 보청기 시스템을 제공한다.

이는 보청기 시스템 내에서 파라미터를 최적화 또는 맞춤화하도록 구성된 개량된 보청기 시스템을 제공한다.

다른 유리한 특징은 종속 청구항으로부터 나타난다.

본 발명의 또 다른 특징은 본 발명이 더 상세히 설명될 것인 이하의 상세한 설명으로부터 당 기술 분야의 숙련자들에게 명백해질 것이다.

예로서, 본 발명의 바람직한 실시예가 도시되어 설명된다. 이해될 수 있는 바와 같이, 본 발명은 다른 실시예가 가능하고, 그 다수의 상세는 모두가 본 발명으로부터 벗어나지 않고 다양한 명백한 양태로 수정이 가능하다. 이에 따라, 도면 및 설명은 한정적인 것으로서가 아니라 본질적으로 예시적인 것으로서 간주될 것이다.
도 1은 본 발명의 실시예에 따른 보청기 시스템을 고도로 개략적으로 도시하고 있다.

본 발명의 맥락에서, 용어 긴장완화 사운드는 사용자가 집중하고, 더 긴장완화되고 편안함을 느끼고, 스트레스를 감소시키고, 덜 근심하게 하는 것을 돕기 위해 보청기에서 합성적으로 발생되는 사운드를 나타낸다.

일 양태에서, 긴장완화 사운드는 원하지 않는 그리고 불안감을 주는 사운드로부터 사용자의 주의를 전환시킴으로써 또는 차폐함으로써 이를 달성할 수 있다. 다른 양태에서, 긴장완화 사운드는 원하지 않는 그리고 불안감을 주는 사운드가 존재하는지의 여부에 독립적으로, 그 자체로 이를 달성하는 것을 도울 수 있다는 것이 판명되었다.

일반적으로, 본 발명자는 사용자의 선호도가 하루 동안 다수회까지 상당히 변경될 수도 있고, 따라서 선호도가 시각(아침, 점심 또는 저녁) 또는 사용자의 기분 또는 사용자가 가담하고 있는 활동의 유형에 의존할 수 있다는 것을 발견하였기 때문에, 긴장완화 사운드가 사용자의 현재 선호도에 적응될 수 있으면(즉, 맞춤화됨) 사용자를 위한 상당한 향상점을 제공한다는 것을 발견하였다.

다수의 사용자의 다양한 선호도의 결과로서, 본 발명자는 다양한 유형의 긴장완화 사운드를 청취하는데 너무 많은 시간을 소비하지 않고 맞춤화가 실행될 수 있으면 사용자를 위해 상당한 향상점을 제공한다는 것을 또한 발견하였다.

다수의 사용자의 다양한 선호도의 부가의 결과로서, 본 발명자는, 맞춤화가 제한된 프로세싱 리소스를 갖는 보청기 시스템만을 사용하여 실행될 수 있으면, 이는 맞춤화가 어느 곳에서든 언제든지 수행되는 것을 가능하게 하기 때문에, 사용자를 위한 상당한 향상점을 제공한다는 것을 발견하였다.

더욱이, 본 발명자는 사용자가 복잡한 방식으로 보청기 시스템과 상호작용하는 것을 요구하지 않고 맞춤화가 실행될 수 있는 것이 상당히 중요하다는 점을 발견하였다.

특히, 본 발명자는, 보청기 시스템 사용자가 2개의 보청기 시스템 설정을 비교하고 설정 중 하나를 다른 하나보다 얼마나 선호하는지의 등급을 매기도록(rate) 유도되면(prompted), 보청기 시스템 맞춤화가 이전에 보지 못한 프로세싱 효율을 갖고 실행되는 것을 가능하게 하는 분석적 표현이 도출될 수 있다는 것을 발견하였다.

전술된 바와 같이, 본 발명은 긴장완화 사운드의 맞춤화를 위해 특히 바람직하다.

보청기 시스템 내의 구현을 위해 적절한 인공적으로 발생되는 긴장완화 사운드의 일 예시는 예를 들어, WO-A1-02/41296호에서 발견할 수 있다.

또한, 본 발명자는, 사운드의 발생을 제어하는데 사용되는 파라미터가 의사 랜덤식으로(pseudo-randomly) 변동되는 것이 허용되는 범위를 최적화함으로써, 바람직하게 WO-A1-02/41296호에 개시된 것들과 같은 인공적으로 발생되는 긴장완화 사운드가 맞춤화된다는 것을 발견하였다. 그러나, 그 맞춤화 접근법에 대한 일 대안으로서, 본 발명자는 발생된 긴장완화 사운드의 하모닉스(harmonics) 특성의 최적화가 사용자를 위한 상당한 향상점을 제공할 수 있다는 것을 발견하였다.

본 발명의 제1 실시예에 따른 긴장완화 사운드를 맞춤화하는 방법을 먼저 참조한다.

제1 단계에서, 한 세트의 파라미터가 보청기 시스템에 의한 긴장완화 사운드의 발생을 제어하는 파라미터의 그룹으로부터 선택된다.

파라미터는 이들의 허용된 범위에 걸쳐 변동될 때, 상당한 변동을 갖는 것으로서 인지되는 다수의 긴장완화 사운드를 제공하는 것이 가능하도록 선택된다.

본 실시예의 일 변형예에 따르면, WO-A1-02/41296호를 참조하면, 한 세트의 파라미터는 WO-A1-02/41296호의 실시예에 따른 다수의 사운드 발생기에 의해 발생된 신호에 추가된 특정 하모닉스를 포함한다. 이에 의해, 사운드 발생기는 사용자에 의해 선호된 하모닉 특성을 갖는 사운드를 제공하도록 맞춤화된다.

본 발명의 다른 변형예에 따르면, 그리고 재차 WO-A1-02/41296호를 참조하면, 제1 세트의 파라미터는 하나 이상의 사운드 발생기에 대해, 제공된 난수에 의해 사운드 발생기의 주파수 및 페이드아웃(fade-out) 시간이 제어됨에 따라 변동될 수 있는 허용된 범위를 포함한다. 따라서, 본 발명자는 이 변동이 랜덤하게 제어될 수 있지만, 파라미터값이 변동되는 것이 허용되는 범위를 맞춤화함으로써 사용자를 위한 상당한 향상점이 제공될 수 있다는 것을 발견하였다.

제2 단계에서, 제1 세트 및 제2 세트의 파라미터값이 선택되고(이는 또한 제1 파라미터값 및 제2 파라미터값 설정, 또는 단지 제1 설정 및 제2 설정으로 나타내어질 수 있음), 이에 의해 제1 긴장완화 사운드가 발생되어 제1 세트의 파라미터값에 기초하여 사용자에 제공되고, 제2 긴장완화 사운드가 발생되어 제2 세트의 파라미터값에 기초하여 사용자에 제공된다. 본 실시예에 따르면, 제1 세트 및 제2 세트의 파라미터값은 랜덤하게 선택된다.

변형예에서, 제1 세트 및 제2 세트의 파라미터값은 랜덤하게 선택될 필요는 없다. 대신에, 제1 세트의 파라미터값은 보청기 시스템을 전원 오프할 때 활성이었던 세트이다. 다른 변형예에서, 제1 파라미터값 및 제2 파라미터값 설정은 동일할 수 있다.

이제, 보청기 시스템에 의해 긴장완화 사운드의 발생을 제어하는 d개의 선택된 파라미터의 값을 포함하는 d-차원 벡터(x)를 고려한다.

이하에서, d개의 파라미터의 특정값을 갖는 d-차원 벡터(x)는 또한 설정 또는 파라미터값 설정으로 나타내어질 수 있다.

제3 단계에서, 사용자는 제1 긴장완화 사운드와 제2 긴장완화 사운드를 비교하고 2개의 긴장완화 사운드 중 어느 것을 사용자가 선호하는지의 결정을 가능하게 하는 제1 사용자 응답(이하에서, 또한 관측값으로 나타내어질 수 있음)을 제공하도록 유도된다.

본 실시예에 따르면, 관측값은 점진적인(graduated) 응답을 포함하고, 이에 의해 사용자는 0과 1 사이의 유계 범위(bounded range)(또한 간격으로 나타내어질 수 있음) 내로부터 수를 선택함으로써 제1 긴장완화 사운드(및 이에 의해 제1 파라미터값 설정)가 얼마나 많이 제2 긴장완화 사운드(및 이에 의해 제2 파라미터값 설정)보다 선호되는지 등급을 매겨서, 1의 사용자 응답은 예를 들어 제1 파라미터값 설정이 제2 파라미터값 설정보다 막연히(indefinitely) 더 양호하다는 것을 암시하고, 0은 제2 세트가 제1 세트보다 막연히 더 양호하다는 것을 암시하며, 0.5의 값은 2개의 옵션이 동등하게 양호하게 등급이 매겨진 것을 암시한다.

본 실시예의 변형예에서, 유계 범위는 기본적으로 예를 들어, -1 내지 +1의 범위 또는 -10 내지 +10의 범위와 같은 임의의 범위를 커버할 수 있다. 그러나, 일반적으로 그리고 특히 본 발명의 맥락 내에서, 사용자가 하나 또는 다른 설정을 선택하는 테스트는 서로에 대한 설정의 사용자의 등급(rating)을 제공하는 것으로 고려될 수는 없다는 것이 강조된다. 따라서, 본 발명의 맥락 내에서, 사용자 응답이 유계 범위로부터의 수의 형태를 취할 때, 이 범위(또는 간격)는 2개보다 많은 요소를 갖는다.

제4 단계에서, 사용자는 다수의 파라미터값 설정에 기초하여 다수의 부가의 사용자 응답을 제공하고, 여기서 한 세트(X)의 n개의 테스트된 파라미터값 설정은 아래와 같이 제공될 수 있으며,

m개의 유계 관측값의 벡터는 u_k, v_k∈{1, ..., n}을 암시하는 설정

에 기초하여 긴장완화 사운드의 쌍에 관련되고, 아래와 같이 되며,

여기서, 유계 관측값은 형태

를 갖는다.

한 세트(X^*)의 모든 n^*개의 가능한 파라미터값 설정은 아래와 같이 표현된다,

사용자의 미지의 내부 응답 함수는 f로 나타내어지고, 파라미터값의 설정(x)이 주어지면 특정 사운드의 사용자의 인식을 코딩하도록 전제된다.

이하에서, (확률적; stochastic) 벡터(f)는 사용자의 내부 응답 함수(f)의 X 내의 n개의 설정 각각에 대해 함수값 f(x_i)를 포함하는 것으로서 규정된다.

제5 단계에서, 유계 관측값(y)의 벡터는 무계(unbounded) 관측값(z)의 벡터로 워핑된다(warped). 이는 유계, 또는 부분적 유계 관측값(y)을 무계 관측값으로 맵핑함으로써 규정된 워핑 함수, z=g(y)를 사용하여 행해진다,

맵핑을 실행하기 위한 적절한 함수는 가우시안 분포의 역 누적 분포 함수, 역 시그모이드 함수(inverse sigmoid function) 및 역 쌍곡선 탄젠트 함수를 포함하는 단조적으로 증가하는 함수의 그룹으로부터 선택될 수 있다.

이 방식으로 관측값을 맵핑 또는 워핑함으로써(이하에서, 이들 용어는 상호교환 가능하게 사용될 수 있음), 맞춤화 방법의 성능은 수렴 속도(즉, 사용자가 선호하는 파라미터값 설정을 발견하는데 요구되는 사용자 응답의 수)에 관하여 그리고 강인성(robustness)(즉, 맞춤화 방법이 사용자의 내부 응답 함수를 반영한 예측을 제공할 수 있는 기회)에 관하여 모두에 대해 향상될 수 있다. 그러나, 워핑이 적용되는 것은 본 발명의 방법에 대해 필수불가결한 것은 아니다.

제6 단계에서, 워핑된 관측값(z)은 아래의 식에 의해 제공되는 것으로 전제되고,

여기서, ε은 독립적이고 동일하게 분포되는 가우시안 노이즈(ε ~ N(0, σ²)이고, 점진적인 응답을 실행할 때의 사용자의 불확실성(uncertainty)을 나타낸다. 이 전제에 기초하여, z를 관측하기 위한 우도 함수가 아래와 같이 직접 결정될 수 있다,

여기서, z_k는 특정 워핑된 사용자 응답을 나타내고, σ²은 사용자 응답의 분산을 나타내며,

은 평균값[f(x_u) - f(x_v)] 및 분산(σ²)을 갖는 변수 z_k에 걸친 단일 변량(single variate) 가우시안 분포이다. 이하에, 분산(σ²)은 또한 우도 하이퍼 파라미터(θ_lik)로 나타내어질 수 있다.

제7 단계에서, 우도는 아래의 새롭고 발명적인 표현을 사용하여 결정된다.

여기서, I_m _×m는 m×m 단위(identity) 행렬이고,

, 행렬(M)은 m×n 행렬이며, 원소

및

을 제외하고는 제로만을 포함한다.

따라서,

은 평균 벡터(Mf) 및 공분산(covariance) 행렬(σ²I_m×m)을 갖는 한 세트의 사용자 응답(z)에 걸친 다변량(multivariate) 가우시안 분포를 나타낸다.

제8 단계에서, 사용자의 미지의 내부 응답 함수의 함수값에 걸친 사전(prior) 분포

는 제로-평균(zero-mean) 가우시안 프로세스로부터 획득된다. 이는 제로-평균 가우시안 프로세스가, 다변량 가우시안 분포로서 유한 세트의 함수값(f)에 걸쳐 결합(joint) 분포를 규정한다는 사실에 기초하여 획득되고,

여기서 임의의 2개의 함수값 사이의 공분산은 포지티브 준정부호(semi-definite) 공분산 함수[k(x_i, x_j, θ_cov)]에 의해 제공되어, 공분산 행렬(K)은 아래에 의해 결정되며,

k는 아래의 식으로서 규정되는 제곱 지수 공분산 함수(또한 가우시안 커널로 나타내어질 수 있음)이고,

σ_f 및 포지티브 준정부호 행렬(L)은 사용자의 내부 응답 함수의 평활도(smoothness)를 주로 결정하는 공분산 하이퍼 파라미터이다. 공분산 하이퍼 파라미터(σ_f 및 L)는 함께 θ_cov로 나타내어질 수 있다.

일반적으로, 가우시안 프로세스(이하, GP로 약칭될 수 있음)로부터 획득된 사전값(prior)은 상이한 보청기 파라미터 사이의 상호작용 및 파라미터값 설정(x)의 함수로서 사용자 내부 응답 함수(f)의 평활도에 관한 전제를 캡처한다.

가우시안 프로세스에 의해 모델링된 함수[f(x)]로부터 임의의 유한 세트의 함수값의 결합 분포를 항상 얻을 수 있는 것은 가우시안 프로세스의 기본적인 특성이다. 따라서, 우리는 함수값을 포함하는 2개의 벡터를 합치고 예를 들어, 아래와 같이 대응 결합 분포를 얻을 수 있다.

여기서,

이고,

이로부터, 다른 벡터가 제공되면 함수값의 일 벡터의 조건 분포를 획득하는 것은 흔한 일이다. 예를 들어,

그러나, 본 발명의 변형예에서, 다른 포지티브 준정부호 공분산 함수가 가우시안 커널 대신에 적용될 수 있다. 그러한 공분산 함수의 예는 γ-지수 공분산 함수, 마테른 클래스(Matern class)의 공분산 함수, 유리 2차(rational quadratic) 공분산 함수, 주기적 공분산 함수 및 선형 공분산 함수이다.

제9 단계에서, 하이퍼 파라미터[θ = {θ_cov, θ_lik}]는 주변(marginal) 우도에 대한 표현의 최대화에 기초하여 선택되고, 이에 의해, 관측된 데이터의 우도가 또한 최대화된다. 주변 우도는 우도[

] 및 사전값[

]에 기초하여 결정된다.

마지막 비례 부호는 워핑 함수가 고정되면 성립하는데, 최적화될 필요가 있는 하이퍼 파라미터를 포함하지 않는 것을 의미한다.

통상적으로, ML-II 또는 MAP-II 최적화 기술이 적용된다. 그러나, 본 실시예의 변형예에서, 다른 최적화 기술이 또한 적용될 수 있다.

ML-II 방법을 적용할 때, 하이퍼 파라미터에 관한 주변 우도의 최대화는 하이퍼 파라미터에 관한 네거티브 로그 주변 우도를 최소화함으로써 성취된다,

본 실시예의 변형예에 따르면, MAP-II로서 공지된 방법이 적용될 수도 있고, 여기서 주변 우도는 예를 들어, 하프 스튜던트 t 분포(half-student's-t distribution), 감마 분포(Gamma distribution), 라플라스 분포(Laplace distribution), 가우시안 분포 또는 노이즈 파라미터에 대한 균일한 사전값과 같은 적절한 하이퍼 사전 분포, p(θ)로 정규화된다.

이후에, 정규화된 주변 우도는 네거티브 로그(logarithmic)의 최소값을 발견함으로써

에 관하여 최대화된다. 따라서, MAP-II 최적화는 아래에 의해 제공된다.

본 발명자는, 50개의 관측값보다 적은 수가 이용 가능할 때 이 방법이 특히 바람직하다는 것을 발견하였는데, 이는 통상적으로 보청기 시스템을 맞춤화할 때의 경우이다.

주변 우도에 대한 새로운 분석적인 표현은 함수값과, 함수값에 걸친 관측값 사이의 결합 분포를 주변화함으로써(marginalizing) 도출된다. 이 결합 분포는 이에 의해 우도와 사전값의 적(product)이고, 이하를 제공한다.

하이퍼 파라미터의 MAP-II 또는 ML-II 최적화를 위해 주변 우도를 사용할 때, 주변 우도의 네거티브 로그를 최소화하는 것이 통상적으로 보다 수치적으로 강인하고,

또는 원래 비-워핑된 관측값(y)을 고려하면,

y의 네거티브 로그 주변 우도에 대해 부가된 마지막 항은 자코비안(Jacobian)이고, 자코비안은 워핑이 고정되면 하이퍼 파라미터에 의존하지 않는다는 것을 주목하라. 따라서, 자코비안은 하이퍼 파라미터의 그래디언트(gradient) 상승(ascend)/하강(descend) 최적화에 영향을 미치지 않고, 따라서 하이퍼 파라미터의 ML-II 또는 MAP-II 최적화를 수행할 때 무시될 수 있다.

본 발명의 변형예에 따르면, 워핑 함수는 가우시안 분포 Φ^-1(y)의 역 누적 밀도 함수이고, 이 경우에 자코비안 항은 아래와 같이 쉽게 발견된다.

따라서, 본 발명자는 주변 우도의 네거티브 로그에 대한 분석적인 표현 및 이에 의해 또한 하이퍼 파라미터에 관한 주변 우도의 네거티브 로그의 그래디언트를 도출했고, 이에 의해 하이퍼 파라미터는 매우 프로세싱 효율적인 방식으로 결정될 수 있다.

그러나, 본 실시예의 변형예에서, 공분산 및 우도의 하이퍼 파라미터는 조건부 추정(qualified guess)을 제공하도록 유사한 상황으로부터의 경험을 사용하여 간단히 설정될 수 있다. 특정 변형예에서, 하이퍼 파라미터는 다른 보청기 시스템 사용자로부터의 경험에 기초하여 설정된다.

다른 변형예에서, 워핑 함수는 하이퍼 파라미터를 포함할 수 있다.

제10 단계에서, 사용자의 내부 응답 함수[

]의 미지의 함수값에 걸친 분석적 사후(posterior) 분포는 베이즈 룰(Bayes rule)에 기초하여 도출된다.

미리 제공된 신규한 페어와이즈(pairwise) 가우시안 우도를 적용함으로써, 우도와 사전값의 적의 사용자의 내부 응답 함수에 걸친 적분으로서 주변 우도 및 가우시안 프로세스를 사용하여 사전값이 도출되고, 다음에 사후값에 대한 분석적 표현이 아래와 같이 발견될 수 있다.

제11 단계에서, 사용자의 내부 응답 함수의 미지의 함수값에 걸친 예측적 분포에 대한 분석적 표현이 발견된다. 풀 베이지언(full Bayesian) 모델링에서, 예측은 관측값(y)이 제공되면 또는 워핑된 관측값(z)의 경우에, 새로운 함수값

의 예측 분포와 관련된다. 따라서, 예측 분포는 조건 분포이고, 조건은 관측값에만 있다. 이는 아래의 식으로부터 도출된다.

는 제8 단계를 참조하여 이미 미리 논의된 바와 같은 가우시안 프로세스에 기인하는 가우시안이라는 것을 주목하라. 본 실시예에 따른 사후 분포가 형태[

] 상의 가우시안 분포이기 때문에, 다음에 적분에 대한 해(solution)는 분석해(analytical solution)를 갖고, 예측 분포는 사후 분포로부터 평균 및 공분산을 삽입함으로써 제공되고, 이에 의해 이하가 획득되며,

여기서,

이고

그리고,

이다.

이제, 상기 표현으로부터, 아래의 식에 의해 제공된 μ^*로 나타내는 예측 분포의 평균 벡터를 고려하고,

그로부터 항(K_*)만이 X^*에 속하는 파라미터값 설정에 의존하는 것이 바로 이어진다.

제12 단계에서, 사용자가 모든 가능한 설정[즉, 세트(X^*)] 사이에서 선호하는 파라미터값 설정은 n^*=1을 암시하는, 하나의 설정 x^*만을 X^*가 포함하는 경우를 고려함으로써 발견될 수 있고, 이에 의해 아래의 식을 얻는다.

이는 단일의 입력(x^*)을 취하고 모든 테스트된 파라미터값 설정(x_i)에 대해 공분산 함수 출력의 벡터를 반환하는 함수이다. 이에 의해, 우리는 이하와 같이 대응 평균 함수값을 반환하는 단일의 파라미터값 설정의 함수로서 예측 분포의 평균값을 해석할 수 있고,

여기서, 행렬(B)은 x^*에 의존하지 않는다.

단일의 입력을 취하는 함수로서의 평균값의 이러한 해석은 아래의 식에 의해 제공된 그래디언트를 사용하여, 입력(x^*)에 관하여 예측 분포의 평균의 (로컬) 최대값을 발견하는 것을 가능하게 한다.

따라서, 본 발명은 모든 가능한 파라미터값 설정 중에, 사용자가 선호하는 파라미터값 설정의 추정값을 제공하게 되고, 여기서 추정값은 그래디언트에 대한 분석적 표현의 가용성에 기인하여 매우 제한된 프로세싱 및 메모리 리소스만을 사용하여 제공될 수 있다.

그러나, 본 실시예의 변형예에 따르면, 테스트된 설정 중에서 사용자가 선호하는 파라미터값 설정은, 이 경우에 세트(X^*) 내의 파라미터값 설정이, 사용자에 제시되어 있는 설정(즉, X에 속하는 설정)과 동일한 것을 고려함으로써 발견될 수 있고, 따라서 우리는 아래의 식,

및 따라서,

을 갖는다.

이에 의해, 사용자가 선호하는 파라미터값 설정의 추정값은, 세트(X)가 통상적으로 제한된 크기를 갖고 따라서 그래디언트 접근법 없이 발견될 수 있기 때문에, 본 실시예보다 더욱 더 적은 프로세싱 및 메모리 리소스를 필요로 하는 방법으로 발견될 수 있다.

그러나, 본 실시예에 따르면, 사용자가 비교하도록 유도되는 설정은 랜덤하게 선택되지 않는다. 대신에, 현재 가장 양호한 파라미터값 설정(

)과 비교될 다음의 새로운 설정은, 아래의 식에 의해 제공된 새로운 이변량 예측 향상(bivariate Expected Improvement)을 최대화하는 파라미터값 설정(

)으로서 발견되고,

여기서,

이며,

그리고,

이고,

는 가우시안 분포의 표준 누적 분포 함수이다.

이변량 예측 향상의 그래디언트에 대한 분석적 표현이 아래와 같이 도출되는 것을 가능하게 한다는 것이 이변량 예측 향상을 위한 분석적 표현의 추가의 특정 장점이고,

여기서,

이며,

그리고,

이다.

이변량 예측 향상을 위한 새로운 분석적 표현을 도출할 때, 본 발명자는 새로운(즉, 아직 테스트되지 않은) 파라미터값 설정(x^*)의 함수값[f(x^*)]을, 이어서 새로운 파라미터값 설정(x^*)의 함수값을 모델링하기 위해 가우시안 프로세스를 사용할 때, 현재 최대값(

)에서 함수값[

]과 공분산하는 것을 고려하였다. 원래의 잘 알려진(단변량; uni-variate) 예측 향상 공식(이하에 간단히 EI로 칭해질 수 있음)은 이를 고려하지 않는다. 대신에, EI 공식은

가 결정론적으로 규정되는 것을 요구한다. 따라서, 가우시안 프로세스와 함께 EI를 사용할 때, 최대점에서의 평균 함수값(

)은 대응 함수값[

]의 결정론적 예측으로서 사용되고, 따라서 제11 단계로부터의 예측 분포로부터 이용 가능한 새로운 파라미터값 설정을 위한 함수값과의 공분산 및 분산(

) 모두를 무시한다. 매우 통상적인 시나리오에서, 이는 모든 가능한 새로운 파라미터값 설정(x^*) 중에서, 가장 큰 EI를 갖는 파라미터값 설정이 현재 최대값(

)에 임의로 근접한 설정인 바람직하지 않은 결과를 갖는다. 이에 의해, EI 기준(criterion)은, 단지 공분산이 무시되기 때문에, 현재 최대값에 임의로 근접한 점을 제안하는 것으로 종료될 것이다. 본 발명자에 의해 설계된 이변량 예측 향상은, 공분산이 포함되기 때문에, 이 바람직하지 않은 거동을 회피한다.

아래측에서, 이변량 예측 향상 접근법은 제11 단계로부터, 예측 분포의 전체 공분산 행렬이 계산되고 저장되는 것을 요구한다. 단지 작은 수의, 즉 3개보다 많은 파라미터에 의해, 공분산 행렬의 크기는 심지어 수십 GB의 가용 메모리를 갖는 보청기 시스템 메모리 내에 저장되기에 너무 클 것이다. 따라서, 그래디언트 상승 절차로 최대화되는 것이 허용되기 때문에, 전체 공분산 행렬이 계산되어 저장되는 것을 요구하지 않는 이변량 예측 향상을 위한 분석적 표현을 본 발명자가 제공했다는 점이 상당히 중요하다.

제1 실시예의 변형예에서, 다음의 새로운 설정은 새롭고 발명적인 이변량 예측 향상 방법을 사용하여 결정될 필요가 없다. 대신에, 다음의 새로운 설정이 단일의 변량 예측 향상 방법을 사용하여 결정될 수 있다.

제1 실시예의 다른 변형예에서, 본 발명자는 보청기 시스템 설정의 임의의 맞춤화가, 개시된 방법으로부터 이익을 얻을 수 있다는 것을 발견하였다.

이제, 본 발명의 제2 실시예에 따른, 보청기 시스템 내에서 파라미터를 맞춤화하는 방법을 참조한다.

제1 단계에서, 다수의 보청기 시스템 파라미터가 사용자 맞춤화를 위해 선택된다. 본 실시예에 따르면, 보청기 시스템은 맞춤화될 파라미터를 사용자가 선택하게 하는 그래픽 사용자 인터페이스를 포함한다. 본 실시예의 변형예에서, 보청기 시스템은, 예를 들어 노이즈 감소 또는 긴장완화 사운드를 맞춤화할지의 여부를 메뉴로부터 선택하는 것을 사용자가 제공받도록 구성되고, 보청기 시스템은 사용자의 선택에 응답하여, 맞춤화될 적절한 파라미터 및 파라미터가 변동하도록 허용되는 범위를 선택할 것이다.

제2 단계에서, 사용자는 2개의 상이한 파라미터값 설정의 함수로서 보청기 시스템으로부터 음향 출력을 비교하고 서로에 대한 2개의 상이한 파라미터값 설정의 사용자의 등급을 나타내는 사용자 응답을 제공하도록 유도된다. 본 실시예에 따르면, 보청기 시스템은 사용자가 자신의 등급을 입력하는 것을 가능하게 하는 그래픽 사용자 인터페이스를 포함한다.

제3 단계에서, 다수의 사용자 응답 및 대응 파라미터값 설정이 보청기 시스템의 메모리 내에 적어도 일시적으로 저장되고, 이어서 파라미터값 설정은 n×n 크기의 공분산 행렬(K)을 결정하는데 사용되고, 여기서 n은 아래의 식으로서 제공된 테스트된 파라미터값 설정의 수이고,

k는 제곱 지수 공분산 함수와 같은 포지티브 준정부호 공분산 함수이며, x₁, x₂, ..., x_d는 상이한 파라미터값 설정을 나타내는 벡터이다.

제4 단계에서, m×m 크기의 행렬(M)이 제공되고, 여기서 m은 제공된 사용자 응답의 수이며, M은

및

을 제외하고는 제로만을 포함하고, 인덱스 k는 k번째 사용자 응답을 나타내며 인덱스(u_k 및 v_k)는 k번째 사용자 응답을 유도하는데 사용된 파라미터값 설정을 나타낸다.

본 실시예의 변형예에 따르면, 테스트된 파라미터값 설정 중에서 사용자가 선호하는 파라미터값 설정(

)은 아래의 식으로서 제공되고,

여기서 σ²은 독립적이고 동일하게 분포되고 점진적인 응답을 실행할 때 사용자의 불확실성을 나타내는 가우시안 노이즈이며, z는 제공된 사용자 응답으로부터 도출된 벡터이다.

본 실시예에 따르면, σ²은 본 발명의 제1 실시예에 대해 상세히 설명된 바와 같이 MAP-II 최적화에 기초하여 결정되고, 벡터(z)는 또한 본 발명의 제1 실시예에 대해 상세히 설명된 바와 같이 유계 사용자 응답의 벡터(y)로부터 도출된다.

이제, 본 발명의 제3 실시예에 따른 보청기 시스템(100)을 매우 개략적으로 도시하는 도 1을 참조한다. 보청기 시스템(100)은 보청기(101) 및 외부 디바이스(102)를 포함한다. 외부 디바이스(102)는 그래픽 사용자 인터페이스(103), 파라미터 설정 선택기(104), 파라미터 메모리(105) 및 최적 파라미터 추정기(106)를 포함한다. 보청기(101)는 오디오 입력(107), 보청기 디지털 신호 프로세서(digital signal processor; DSP)(108), 파라미터 제어기(109) 및 전기-음향 출력 트랜스듀서(110)를 포함한다.

먼저, 그래픽 사용자 인터페이스(103)는 보청기 시스템 사용자의 선호도에 대한 맞춤화를 위해, 보청기 시스템 사용자(111)가 보청기 파라미터의 수를 선택하는 것을 가능하게 하도록 구성된다. 파라미터 메모리(105)는 파라미터가 변동하도록 허용되는 범위와 같은, 맞춤화를 위해 선택될 수 있는 파라미터에 대한 정보를 보유한다.

파라미터 설정 선택기(104)는 보청기 사용자(111)에 의해 등급이 매겨질 다음의 2개의 파라미터값 설정이 결정되는 것을 가능하게 하는 알고리즘을 포함하고, 파라미터 설정 선택기(104)는 또한 보청기(101)의 파라미터 제어기(109)에 전송될 상기 2개의 파라미터값 설정을 제공하도록 구성된다.

파라미터 제어기(109)는 사운드가 보청기 내에서 합성적으로 발생될 경우에 오디오 입력(107)을, 보청기 DSP(108)가 오디오 입력(107)으로부터 사운드를 처리할 때 등급이 매겨질 파라미터를 사용하는 경우에 보청기 디지털 신호 프로세서(108)를 제어하도록 구성된다.

오디오 입력(107)은, 예를 들어 긴장완화 사운드를 나타내는 합성적으로 발생된 전기 신호를 제공할 수도 있고, 또는 하나 이상의 음향-전기 트랜스듀서로부터 수신된 신호를 중계(relay)할 수 있다.

보청기 DSP(108)는 사용자가 청각 장애를 겪고 있는 가청 주파수 범위의 해당 부분 내의 주파수에서 사운드를 증폭함으로써 청력 손실을 완화하기 위해, 오디오 입력(107)으로부터 수신된 사운드를 나타내는 전기 신호를 처리하고 처리된 신호를 전기-음향 트랜스듀서(110)에 제공하도록 구성된다.

최적 파라미터 추정기(106)는 보청기 시스템 사용자(111)에 의해 제공된 사용자 응답 및 이전의 실시예를 참조하여 더 상세히 설명된 바와 같이 평가된 파라미터값 설정에 기초하여 보청기 시스템 사용자(111)가 선호하는 파라미터값 설정을 추정하도록 구성된다. 최적 파라미터 추정기(106)는 더욱이, 보청기 내의 파라미터 설정을 조정하고 이에 의해 맞춤화 프로세스를 완료하기 위해, 보청기에 바람직한 파라미터 설정을 제공하도록 구성된다. 이는 이를 트리거링하는 사용자 입력에 응답하여, 사용자가 사전결정된 수의 등급 매기기를 실행한 것에 응답하여, 또는 소정의 다른 수렴 기준이 충족된 것에 응답하여 행해질 수 있다.

이전의 실시예의 변형예에 따르면, 맞춤화 프로세스는 복수의 적어도 의사 랜덤식으로 선택된 파라미터값 설정을 위한 예측 향상의 조합된 크기가 사전결정된 임계값 아래일 때 수렴하는 것으로 간주된다.

일반적으로, 특정 실시예와 관련하여 언급된 변형예는 적용 가능하면, 다른 개시된 실시예를 위한 변형예로 마찬가지로 고려될 수 있다.

이는 특히, 개시된 방법이 보청기 시스템 설정의 임의의 유형의 최적화(즉, 맞춤화)를 위해 사용될 수 있다는 사실에 관해서도 해당한다.

이는 또한 공분산 및 우도 함수의 모두에 대한 하이퍼 파라미터의 값을 선택하는 방법에 관해서도 해당한다.

더욱이, 이는 맵핑(또한 워핑으로 나타내어질 수 있음) 기술이 적용되는지 여부에 관해서도 해당한다.

이는 마찬가지로 사용자에 의해 등급이 매겨질 다음의 파라미터값 설정을 결정하기 위한 방법에 대해서도 해당한다. 본 발명은 다음의 파라미터값 설정을 결정하기 위한 특정 방법에 의존하지 않지만, 새롭고 발명적인 이변량 예측 향상 방법이 상당히 유리할 수 있다.

맞춤화될 파라미터가 어떻게 사운드가 보청기 시스템에서 처리되는지를 제어하는데 사용되는지 여부 또는 이들 파라미터가 어떻게 사운드가 보청기 시스템에 의해 합성적으로 발생되는지를 제어하는데 사용되는지 여부는 마찬가지로 특정 실시예에 독립적이다.

따라서, 예를 들어, 어떻게 보청기 시스템 파라미터가 사용자 맞춤화를 위해 제공되거나 공급되거나 선택되는지는 특정 실시예에 의존하지 않는다. 또한 사용자 응답을 제공하는 방법도 특정 실시예에 의존하지 않는다.

본 발명에 있어서, 사용자의 내부 응답 함수의 미지의 함수값에 걸친 분포는 주로 하이퍼 파라미터가 명백하게 나타나도록 표현된다. 그러나, 그렇지 않은 경우에, 모든 장소에서 하이퍼 파라미터는 암시적으로 개시되도록 명백하게 전제된다.

Claims

보청기(hearing aid) 시스템 내에서 파라미터를 최적화하는 방법으로서,
- 최적화될 한 세트의 파라미터(x₁, x₂, ..., x_d)를 제공하는 단계;
- 제1 파라미터값 설정 x₁ = [x₁₁, x₂₁, ..., x_d1]에 기초하여 제1 사운드를 제공하고, 제2 파라미터값 설정 x₂ = [x₁₂, x₂₂, ..., x_d2]에 기초하여 제2 사운드를 제공하는 단계;
- 상기 제1 사운드 및 제2 사운드를 서로에 대해 등급을 매기도록(rate) 사용자를 유도하는(prompting) 단계;
- 서로에 대한 2개의 사운드의 사용자의 등급(rating)을 나타내는 사용자 응답(y₁)을 제공하는 단계;
- m개의 사용자 응답(y=[y₁, y₂, ..., y_m])을 제공하는 단계로서, 상기 사용자 응답 각각은 서로에 대한 2개의 사운드의 사용자의 등급을 나타내고, 상기 사운드는 다수의 n개의 파라미터값 설정(x₁, x₂, ..., x_n)으로부터 도출되는(derived) 것인, 상기 m개의 사용자 응답(y=[y₁, y₂, ..., y_m])을 제공하는 단계;
- 아래의 식으로서 가우시안 우도 함수(Gaussian likelihood function)를 규정하는 단계로서,

여기서, f(x_u) 및 f(x_v)는 사용자의 내부(internal) 응답 함수(f)의 특정 함수값을 나타내고, y_k는 특정 사용자 응답을 나타내며, σ²은 사용자 응답의 분산(variance)을 나타내고,
는 평균값[f(x_u) - f(x_v)] 및 분산(σ²)을 갖는 변수(y_k)에 걸친 단일의 변량(variate) 가우시안 분포인 것인, 상기 가우시안 우도 함수를 규정하는 단계;
- 아래의 식으로서 상기 우도를 규정하는 단계로서,

여기서,
은 평균 벡터(Mf) 및 공분산(covariance) 행렬(σ²I)을 갖는 사용자 응답(y)에 걸친 다변량(multivariate) 가우시안 분포를 나타내고, I는 m×m 단위(identity) 행렬이며, M은 원소
및
를 제외하고는 제로 원소만을 갖는 m×n 행렬인 것인, 상기 우도를 규정하는 단계;
- 가우시안 프로세스를 사용하여 사용자의 내부 응답 함수의 함수값에 걸친 사전(prior) 분포를 획득하는 단계;
- 상기 사용자의 내부 응답 함수의 함수값에 걸친 분석적 사후(posterior) 분포를 획득하기 위해 베이즈 룰(Bayes rule)을 사용하는 단계;
- 상기 사용자의 내부 응답 함수의 함수값에 걸친 상기 사후 분포의 분석적 표현에 기초하여 예측 분포에 대한 분석적 표현을 도출하는 단계; 및
- 사용자가 선호하는 파라미터값 설정을 찾기 위해 상기 예측 분포에 대한 분석적 표현을 사용하는 단계
를 포함하는 보청기 시스템 내에서 파라미터를 최적화하는 방법.
제1항에 있어서, 상기 사용자 응답은 유계(bounded) 또는 부분적 유계 간격으로부터의 수의 형태를 취하는 것인 보청기 시스템 내에서 파라미터를 최적화하는 방법.
제1항 또는 제2항에 있어서, 상기 사용자 응답은
에 따라 모델링되고, 여기서 y_k는 사용자 응답이며,
및
는 2개의 상이한 파라미터값 설정(
및
)에 대한 상기 사용자의 내부 응답 함수의 함수값이고, ε은 동일하게 독립적으로 분포된 가우시안 노이즈인 것으로 전제되는 것인 보청기 시스템 내에서 파라미터를 최적화하는 방법.
제1항 내지 제3항 중 어느 한 항에 있어서, 상기 사용자의 내부 응답 함수의 함수값에 걸친 상기 사전 분포는
로서 제공되고, 여기서 X는 한 세트의 n개의 테스트된 파라미터값 설정이며, K는 공분산 행렬인 것인 보청기 시스템 내에서 파라미터를 최적화하는 방법.
제4항에 있어서, 상기 공분산 행렬(K)은
로부터 결정되고, 여기서 k는 제곱 지수 공분산 함수, γ-지수 공분산 함수, 마테른 클래스(Matern class)의 공분산 함수, 유리 2차(rational quadratic) 공분산 함수, 주기적 공분산 함수 및 선형 공분산 함수를 포함하는 함수의 그룹으로부터 선택된 포지티브 준정부호(semi-definite) 공분산 함수인 것인 보청기 시스템 내에서 파라미터를 최적화하는 방법.
제4항 또는 제5항에 있어서, 상기 사용자의 내부 응답 함수의 함수값에 걸친 사후 분포에 대한 분석적 표현은,

로서 제공되는 것인 보청기 시스템 내에서 파라미터를 최적화하는 방법.
제1항 내지 제6항 중 어느 한 항에 있어서, 상기 예측 분포에 대한 분석적 표현은,

로서 제공되고, 여기서,

이고,
그리고,

이며,
θ_cov 및 θ_lik는 공분산 및 우도에 대한 하이퍼 파라미터인 것인 보청기 시스템 내에서 파라미터를 최적화하는 방법.
제1항 내지 제7항 중 어느 한 항에 있어서, 한 세트의 사용자 응답을 제공하는 상기 단계는 이변량 예측 향상(bivariate expected improvement)을 위한 분석적 표현을 사용하여 상기 사용자에 의해 등급이 매겨질 다음의 파라미터값 설정을 결정하는 단계를 포함하는 것인 보청기 시스템 내에서 파라미터를 최적화하는 방법.
제8항에 있어서, 상기 이변량 예측 향상을 위한 분석적 표현은 아래의 식에 의해 제공되고,

여기서,

이고,

,

이며,
그리고,

이고,

는 표준 가우시안 누적 분포 함수인 것인 보청기 시스템 내에서 파라미터를 최적화하는 방법.
제8항 또는 제9항에 있어서, 새로운 파라미터값 설정의 함수로서의 이변량 예측 향상의 그래디언트(gradient)에 대한 분석적 표현은, 그래디언트 상승(ascend) 또는 하강(descend) 접근법을 사용하여 상기 한 세트의 파라미터값의 함수로서의 이변량 예측 향상의 최대값을 찾기 위해 사용되는 것인 보청기 시스템 내에서 파라미터를 최적화하는 방법.
제10항에 있어서, 상기 한 세트의 파라미터값의 함수로서의 이변량 예측 향상의 그래디언트에 대한 분석적 표현의 그래디언트는 아래의 식으로서 제공되고,

여기서,

이며,
그리고,

인 것인 보청기 시스템 내에서 파라미터를 최적화하는 방법.
제1항 내지 제11항 중 어느 한 항에 있어서, 주변(marginal) 우도에 ML-II 또는 MAP-II 최적화를 적용함으로써 공분산 및 우도 하이퍼 파라미터(θ_cov 및 θ_lik)를 결정하는 단계를 포함하는 보청기 시스템 내에서 파라미터를 최적화하는 방법.
제12항에 있어서, 상기 우도 및 공분산 하이퍼 파라미터를 결정하는 단계는 아래의 식

에 의해 제공되는 상기 하이퍼 파라미터의 함수로서의, 네거티브 로그(logarithmic) 정규화(regularized) 주변 우도의 최소값을 찾는 단계를 포함하고,
여기서, p(θ)는 적절한 하이퍼 사전 분포인 것인 보청기 시스템 내에서 파라미터를 최적화하는 방법.
제1항 내지 제13항 중 어느 한 항에 있어서, 최적화될 파라미터는 긴장완화(relaxing) 사운드의 발생을 제어하기 위한 파라미터를 포함하는 것인 보청기 시스템 내에서 파라미터를 최적화하는 방법.
제1항 내지 제14항 중 어느 한 항에 있어서, 유계되거나 부분적으로 유계된 제1 응답 범위로부터, 무계된 제2 응답 범위로 상기 사용자 응답을 맵핑하는 단계를 포함하는 보청기 시스템 내에서 파라미터를 최적화하는 방법.
제15항에 있어서, 상기 한 세트의 사용자 응답을 맵핑하는 단계는 상기 사용자 응답이 상기 제2 응답 범위 내에서 보다 가우시안식으로(Gaussianly) 분포되게 되도록 구성되는 것인 보청기 시스템 내에서 파라미터를 최적화하는 방법.
제15항 또는 제16항에 있어서, 상기 사용자 응답을 맵핑하는 단계는 가우시안 분포의 역 누적 분포 함수, 역 시그모이드(sigmoid) 함수 및 역 쌍곡선(hyperbolic) 탄젠트 함수를 포함하는 함수의 그룹으로부터 선택된 단조적으로(monotonically) 증가하는 함수를 사용하여 실행되는 것인 보청기 시스템 내에서 파라미터를 최적화하는 방법.
보청기 시스템 내에서 파라미터를 최적화하는 방법으로서,
- 최적화될 한 세트의 파라미터(x₁, x₂, ..., x_d)를 제공하는 단계;
- 제1 파라미터값 설정 x₁ = [x₁₁, x₂₁, ..., x_d1]에 기초하여 제1 사운드를 제공하고, 제2 파라미터값 설정 x₂ = [x₁₂, x₂₂, ..., x_d2]에 기초하여 제2 사운드를 제공하는 단계;
- 상기 제1 사운드 및 제2 사운드를 서로에 대해 등급을 매기도록 사용자를 유도하는 단계;
- 서로에 대한 2개의 사운드의 사용자의 등급을 나타내는 사용자 응답(y₁)을 제공하는 단계;
- m개의 사용자 응답(y=[y₁, y₂, ..., y_m])을 제공하는 단계로서, 사용자 응답 각각은 서로에 대한 2개의 사운드의 사용자의 등급을 나타내고, 상기 사운드는 다수의 n개의 파라미터값 설정(x₁, x₂, ..., x_n)으로부터 도출되는 것인, 상기 m개의 사용자 응답(y=[y₁, y₂, ..., y_m])을 제공하는 단계;
- 아래의 식으로서 행렬(K)을 획득하는 단계로서,

여기서, k는 포지티브 준정부호 공분산 함수인 것인, 상기 행렬(K)을 획득하는 단계;
-
및
를 제외하고는 제로만을 포함하는 m×n 행렬인 행렬(M)을 획득하는 단계;
- 테스트된 파라미터값 설정 중에, 아래의 식으로서 상기 사용자가 선호하는 파라미터값 설정(
)을 결정하는 단계로서,

여기서, σ²은 독립적이고 동일하게 분포되며 점진적인(graduated) 응답을 실행할 때 상기 사용자의 불확실성(uncertainty)을 나타내는 가우시안 노이즈인 것인, 상기 사용자가 선호하는 파라미터값 설정(
)을 결정하는 단계
를 포함하는 보청기 시스템 내에서 파라미터를 최적화하는 방법.
보청기 시스템 내에서 파라미터를 최적화하는 방법으로서,
- 최적화될 한 세트의 파라미터(x₁, x₂, ..., x_d)를 제공하는 단계;
- 제1 파라미터값 설정 x₁ = [x₁₁, x₂₁, ..., x_d1]에 기초하여 제1 사운드를 제공하고, 제2 파라미터값 설정 x₂ = [x₁₂, x₂₂, ..., x_d2]에 기초하여 제2 사운드를 제공하는 단계;
- 상기 제1 사운드 및 제2 사운드를 서로에 대해 등급을 매기도록 사용자를 유도하는 단계;
- 서로에 대한 2개의 사운드의 사용자의 등급을 나타내는 사용자 응답(y₁)을 제공하는 단계;
- m개의 사용자 응답(y=[y₁, y₂, ..., y_m])을 제공하는 단계로서, 사용자 응답 각각은 서로에 대한 2개의 사운드의 사용자의 등급을 나타내고, 상기 사운드는 다수의 n개의 파라미터값 설정(x₁, x₂, ..., x_n)으로부터 도출되는 것인, 상기 m개의 사용자 응답(y=[y₁, y₂, ..., y_m])을 제공하는 단계;
- 아래의 식으로서 행렬(K)을 획득하는 단계로서,

여기서, k는 포지티브 준정부호 공분산 함수인 것인, 상기 행렬(K)을 획득하는 단계;
-
및
를 제외하고는 제로만을 포함하는 m×n 행렬인 행렬(M)을 획득하는 단계;
- 단일의 파라미터값 설정의 함수로서 예측 분포의 평균값 μ^*(x^*)를 사용하여 모든 가능한 파라미터값 설정(x^*) 중에서 사용자가 선호하는 파라미터값 설정을 결정하는 단계로서,

이고,
여기서,

이며,
θ_cov 및 θ_lik는 상기 공분산 및 우도 함수에 대한 하이퍼 파라미터이고, σ²은 독립적이고 동일하게 분포되며 점진적인 응답을 수행할 때 사용자의 불확실성을 나타내는 가우시안 노이즈인 것인, 상기 사용자가 선호하는 파라미터값 설정을 결정하는 단계;
- 아래의 식

에 의해 제공된 그래디언트를 사용하여, 입력(x^*)에 관한 상기 예측 분포의 평균의 최대값을 찾기 위해 그래디언트 상승 또는 그래디언트 하강 접근법을 사용하는 단계
를 포함하는 보청기 시스템 내에서 파라미터를 최적화하는 방법.
제1항 내지 제19항 중 어느 한 항에 따른 방법에 따라 보청기 시스템 내에서 파라미터를 최적화하도록 구성된 보청기 시스템.
제20항에 있어서, 상기 보청기 시스템이 최적화하도록 구성되는 파라미터는 긴장완화 사운드의 발생을 제어하기 위한 파라미터를 포함하는 것인 보청기 시스템.