[发明专利]一种个性化听力损失建模方法

说明书

本发明公开了一种个性化听力损失建模方法，步骤(A)、获取大量听障患者样本的听力图和对应的助听器插入增益；步骤(B)、将听障患者样本按照听损程度分为中度听损、重度听损和极重度听损三类；步骤(C)、针对分类后的中度听损、重度听损和极重度听损的听障患者样本，将每类听障患者样本的助听器插入增益分别进行分类；步骤(D)、计算各类别下的助听器插入增益对应的听力图曲线的平均值，用来表征各类个体听力损失；步骤(E)、对于待分类的听力图，计算其与每类个体听力损失的距离并按照其与每类个体听力损失的最小距离进行归类。可以使助听器验配尽可能少的依赖听力专家，弥补现有助听器技术单纯依靠听力图进行听力损失分类的不足。

技术领域

本发明涉及一种个性化听力损失建模方法。

背景技术

目前，全球有3.5亿人患有某种形式的听力损失，该数字将在未来十年左右攀升至6.3亿。总体而言，全球经济中的听力损失负担估计为每年7500亿美元，因此，迅速识别和解决受影响个体的听力障碍是非常必要且紧迫的。

听力图是标准听力测验的输出，并在倒置图上以频谱形式直观显示受试者的听力阈值，实际上，它只是听觉离散阈值随频率变化的曲线图，听力图的正确解释是做出最佳临床诊断和推荐最佳治疗方法的关键。虽然移动和自动测听能为听觉病患者短缺问题提供部分解决方案，但是许多用户(例如初级保健医生、护士和技术人员)缺乏必要的培训，无法充分解释或最佳利用听力图中包含的大量临床信息。

听力图分类过程不仅是一种有效的听力损失个性化建模方法，而且可以用于研究不同类型的听力损失的患病率。现代听力学之父雷蒙德·卡哈特(Raymond Carhart)早在1945年提出了首批标准化的听力图分类系统，多年来，研究者已经提出了各种各样的分类系统，其中大多数分类系统依靠专家制定的一套规则。比如，Margolis和Saly24对Carhart系统的复杂性和刚性不满意，因此设计了AMCLASS^TM，这是一种基于规则的系统，专门用于对自动听力计生成的听力图进行分类。AMCLASS^TM是目前的最新技术，由161条手动制定的规则组成，以最大程度地提高系统与专家组之间关于听力图配置、严重性、对称性和病变部位的注释任务之间的分类协议。

机器学习是直接从数据中学习的一系列数据驱动技术，而监督学习是机器学习的一个分支，其从注释数据中训练模型，这种学习在医疗应用中正变得越来越流行。比如，有的学者就利用听力专家对听力图数据进行分类标注，然后利用决策树进行个性化听力损失建模。但是，监督学习的方法需要人为的对各种听力图数据进行标注，这非常依靠标注专家的专业知识，而且易受听力专家的主观偏好的影响。

如何建立一种客观有效的个性化听力损失建模方法来增强听力图的可解释性，是提高助听器性能和推广的关键，是当前需要解决的问题。

发明内容

针对上述问题，本发明提供一种个性化听力损失建模方法，可以使助听器验配尽可能少的依赖听力专家，弥补现有助听器技术单纯依靠听力图进行听力损失分类的不足。

为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种个性化听力损失建模方法，包括：

步骤(A)、获取大量听障患者样本的听力图和对应的助听器插入增益；

步骤(B)、将听障患者样本按照听损程度分为中度听损、重度听损和极重度听损三类；

步骤(C)、针对分类后的中度听损、重度听损和极重度听损的听障患者样本，利用无监督聚类方法对各类听障患者样本的助听器插入增益分别进行分类；

步骤(D)、计算各类别下的助听器插入增益对应的听力图曲线的平均值，用来表征各类个体听力损失；

步骤(E)、对于待分类的听力图，计算其与每类个体听力损失的距离并按照其与每类个体听力损失的最小距离进行归类。