[发明专利]听力装置的运行方法及基于用语音可懂度预测算法优化的算法提供语音增强的听力装置

说明书

本申请公开了听力装置的运行方法及基于用语音可懂度预测算法优化的算法提供语音增强的听力装置，其中用于优化语音分量的可懂度的算法的训练方法包括：提供第一数据库；通过用第一数据库的至少部分预定时间段及对应的测得的语音可懂度优化第一算法而确定第一算法的优化的第一参数，第一算法提供对应的预测的语音可懂度；提供包括第二电输入信号的多个时间段的第二数据库；及通过用多个时间段优化第二算法而确定第二算法的优化的第二参数，其中所述第二算法配置成提供所述第二电输入信号的展现由所述第一算法估计的相应预测的语音可懂度的处理后版本。

技术领域

本申请涉及听力装置如助听器领域。

背景技术

任何助听器系统的主要目标在于提高用户理解语音的能力。这通过放大传入声音并试图消除不想要的噪声和失真进行。现今的系统在安静环境中能够很好地实现该目标，但在有噪声和声学上复杂的环境中经常不能提高可懂度。

发明内容

本发明涉及包括语音增强单元的听力装置如助听器。语音增强可基于算法如神经网络。该算法如神经网络可用语音可懂度预测算法进行优化(训练)(后者例如通过神经网络实施，例如使用包括(有噪声和/或处理后的)语音的(例如不同长度的)声音段的数据库进行优化(例如按受监督的方式训练)，每一声音段具有相关联的测得的可懂度)。

在放大可在安静环境中提高可懂度的同时，在有噪声情形下，有必要采用高度进行降噪和语音增强的算法。现有的降噪算法基于简单的噪声模型并聚焦于从统计的角度消除噪声。换言之，它们聚焦于消除噪声而不是提高可懂度。在这两个目标可能重叠的同时，我们提出目标直接在于可懂度提高的算法，相较传统的方法，其表现将更好。

提出直接目标在于使语音更可懂的、处理音频信号的语音增强系统。这通过使用神经网络如深度神经网络(deep neural network，DNN)方法(或具有类似性质的另一机器学习方法)进行。具体地，我们提出离线训练DNN(即找到其参数)，其将处理有噪声和/或失真的输入信号以使信号的可懂度最大化。在下面，这种最后将在助听器中执行以处理其输入的DNN称为SE-DNN(语音增强DNN)。SE-DNN按受监督的方式进行训练以针对语音可懂度优化。使用直接的机器学习训练方法，这将需要大的听音测试结果即有噪声/失真语音信号的数据库，其已由人在可懂度听音测试结果中进行评估。由于这样的听音测试数据库较少且不必然大，我们提出另一方法：我们提出由用于听音测试的机器代理即另一预训练的DNN代替前述听音测试，其在下面记为SIP-DNN(语音可懂度预测-DNN)。SIP-DNN已被离线训练以预测(理想地)任何有噪声/处理后的语音信号的语音可懂度。总之，我们提出找到可懂度增强DNN(SE-DNN)的使用于人听音测试的机器代理即语音可懂度预测DNN(SIP-DNN)估计的可懂度最大化的参数。

因此，与以前的处理方案[1,2]相比，我们训练神经网络以针对估计的可懂度直接优化。训练阶段为下面详述的两步过程。

听力装置的运行方法

在本申请的一方面，提供优化声音信号的语音分量的可懂度(训练用于优化声音信号的语音分量的可懂度的算法)的方法。该方法包括：

-提供第一数据库(MSI)(或提供对第一数据库的访问)，其包括

--表示声音的第一电输入信号的多个预定时间段PDTS_i,i＝1,…,N_PDTS，每一时间段包括

---表示至少一音素或音节或词的语音分量；和/或

---所述语音分量的处理或滤波版；和/或

---噪声分量；及

--每一所述预定时间段PDTS_i的对应的测得的语音可懂度P_i,i＝1,…,N_PDTS(例如在听音测试之前测得)；