[发明专利]基于深度学习网络的助听器自验配方法

权利要求书

1.基于深度学习网络的助听器自验配方法，其特征在于：包括以下步骤，

步骤(A)，建立患者综合信息数据库；

步骤(B)，构建深度学习网络，并基于患者综合信息数据库内的信息进行训练；

步骤(C)，根据训练后的深度学习网络，结合患者的评价反馈，对助听器进行自验配测试；

步骤(B)，构建深度学习网络，并基于患者综合信息数据库内的信息进行训练，包括以下步骤，

(B1)，根据解码器层、编码器层和输出层架构，构建卷积长短期记忆网络，同时增加增益调节层来反馈患者的评价；

(B2)，通过编码器层对接收加权的输入语音，并进行编码处理，输出给解码器层；

(B3)，通过解码器层对编码器层的输出进行解码，并将解码数据送入输出层进行输出；

(B4)，通过输出层将解码器层输出的多通道语音进行合并，输出并反馈给患者；

(B5)，将输出层的隐层状态、编码层的隐层状态与患者的评价共同输入增益调节层来生成优化后的输入参数增益；

步骤(C)，根据训练后的深度学习网络，结合患者的评价反馈，对助听器进行自验配测试，包括以下步骤，

(C1)，将多通道语音输入步骤(B)深度学习网络，生成的测试声音提供给当前患者；

(C2)，当前患者对声音质量进行满意度评估，若当前患者对声音质量不满意，则将输出层的隐层状态、编码层的隐层状态与患者的评价共同输入增益调节层来生成优化后的新输入参数增益，并作用给多通道语音，返回(C1)，并重新进行当前助听器声音测试，直到患者对声音质量满意，则结束验配；若当前患者对声音质量满意，则结束验配。

2.根据权利要求1所述的基于深度学习网络的助听器自验配方法，其特征在于：步骤(A)，建立患者综合信息数据库，所述患者综合信息数据库，包括

(A1)，患者基本信息库，包含年龄，性别，听力图以及听障年限；

(A2)，认知能力指标库，包括空间听觉测量、场景分析能力测量、一心多用时的动态听觉测量、听觉记忆容量测量、听觉注意测量、疲劳与耐受力测量；

(A3)，验配过程信息库，包括验配所用语音，每次参数变化情况、每次调整生成的语音患者的反馈情况。

3.根据权利要求1所述的基于深度学习网络的助听器自验配方法，其特征在于：(B1)，所述编码器层、解码器层均含有2层卷积长短期记忆学习单元，位于最顶层的卷积长短期记忆学习单元是将多通道数据融合成固定长度的语音输出；

所述增益调节层含有1层卷积长短期记忆学习单元，该卷积长短期记忆学习单元，通过编码器层、解码器层的隐层状态以及患者的评价反馈信息共同产生一组权重的概率分布值，将该概率权重作用于不同的通道上。

4.根据权利要求3所述的基于深度学习网络的助听器自验配方法，其特征在于：所述卷积长短期记忆学习单元，由智能调节器、输出控制、细胞更新处理、激活函数、乘法器组成，当前时刻t的输出都受到前一时刻t-1的细胞状态和隐层状态的影响，所述卷积长短期记忆学习单元，表达式如式(1)所示，

其中，G_t是智能调节器输出针对候选细胞状态与前一时刻细胞状态的加权值，通过softmax将一组向量映射成另一组取值在0-1之间的常数，并获得相应的概率值，其中sigmoid函数表示将一组向量映射成一个取值在0-1之间的常数；为当前时刻状态信息的候选值；C_t和C_t-1为t时刻和t-1时刻的细胞状态；o_t是当前输出控制量；h_t和h_t-1为t时刻和t-1时刻的隐层状态输出；与o_t的计算中均采用卷积操作，用来挖掘多通道数据内在关系；W_a、与W_o分别为智能调节器、状态信息和输出控制门的权值，与b_o分别代表状态信息和输出控制门的偏置；x_t和x_t-1分别为t时刻和t-1时刻的输入。

5.根据权利要求2所述的基于深度学习网络的助听器自验配方法，其特征在于：所述患者的评价是根据患者对提问的问题进行选择，并将用户的选择编码成12位长的1-0序列。