How to efficiently individualize hearing aid processed sound in 2013?

论文地址：高效个性化的助听器处理声音 引用格式：Nielsen J B, Nielsen J. Efficient individualization of hearing aid processed sound[C]//2013 IEEE International Conference on Acoustics, Speech and Signal Processing. IEEE, 2013: 398-402. 摘要 　　由于现代数字助听器中大量可调参数提供了大量的选项，即使是微调专业人员，也越来越难以进行参数微调，以满足助听器用户的偏好。此外，微调专业人员和助听器使用者之间的沟通可能会混淆任务。在本论文中，提出了一个交互系统，以减轻和加快微调助听器，以适应个人用户的偏好。系统在学习用户偏好的同时，也让用户意识到自己的偏好。由于学习是基于概率建模的概念，系统有效地处理不一致的用户反馈。在听力受损的受试者身上进行的实验表明，该系统可以迅速发现每个用户偏好的助听器设置，这些设置在连续的微调过程中是一致的。 关键字：助听器个性化，贝叶斯学习，高斯过程，主动学习，偏好学习 1 引言 　　现代数字助听器(HAs)包含大量可调参数，提供几乎无限数量的可能设置。不同的设置使助听器强调传入的声音的部分，使其或多或少的舒适，可听，可理解等为听障人士(HI)。将HAs安装到用户身上的过程是由熟练的专业人员执行的，比如听力学家。 　　在为HI用户的听力损失安装了一套HAs，以确保传入的声音的可听性和可理解性，仍然有几个选项留给听力专家选择。其中一些与用户的偏好有关。这些参数的微调通常是通过手动调整提供的配件软件中可用的一些处理。在这一点上，应该考虑两个方面。首先，由于参数的数量和设置的数量很大，即使对于像听力学家这样的微调专家来说，手动程序可能也不足以为所有参数找到最佳设置。其次，微调过程的成功与否取决于医管局使用者与听力学家之间的沟通。通常，HA用户事先没有意识到自己的偏好，这可能会混淆通信并导致不适当的微调。 　　为了充分利用现代数字助听器，需要更精密的微调工具。这些应该发现在健壮和高效的程序中每个个体的最佳设置，以充分利用HAs的灵活性。 　　在本文中，我们考虑了一个交互系统，它可以让HA用户通过简单地听结果声音来比较不同的设置来识别自己的偏好。在一系列的比较中，通过让用户选择一种设置比另一种设置更受欢迎，交互系统开始了解用户的偏好。最后，交互系统能够建议数字助听器(HAs)用户首选哪个设置(或设置的子集)。该系统建立在假设每个用户都有一个不被观察的内部偏好表示(IRP)，这是一个助听器设置的随机函数(或过程)。在交互系统中，内部偏好表示(IRP)的平均响应是由一个高斯过程(GP)[1]建模的，它松散地定义了函数的分布，从而定义了内部偏好表示(IRP)的可能平均响应。在本文的其余部分中，IRP指代IRP的平均响应。每次用户使用[2]中先前提出的高斯过程(GP)框架在两个数字助听器(HAs)设置之间进行比较和选择时，内部偏好表示(IRP)的分布都会迭代更新。为了减少系统了解用户偏好所需的比较次数，高斯过程(GP)提供的内部偏好表示(IRP) 的分布被用来决定下一个进行比较的设置对。在文献中，这被称为主动学习，在本文中，我们使用了期望改进(EI)[3]的二元版本。 　　为了开发能够微调HAs和其他设备设置的系统，人们已经在几个方向上进行了研究。一些最初的尝试使用了修正的单纯形程序[4]，但需要大量不切实际的偏好评估才能收敛。其他基于比赛的尝试使用了遗传算法[5,6]，但收敛时间往往与可调参数的数量不一致。最有希望的建议之一[7]也是概率性的，它包含至少两个与本文所述工作的理念相似的理念。首先，该方法也是基于用户IRP的概率建模，但没有使用最先进的高斯过程(GP)。稍后将在稍微不同的上下文中包括这些内容[8]。其次，这两种方法也依赖于概率选择模型，直接解决了人类通常不完全一致地进行知觉评估的事实。然而，这两种方法都是基于强制选择(离散决策)，采用了[9,10,11]的选择模型和框架，即受试者只选择自己喜欢的选项(离散选择)。这与[11]中提出的选择模型形成了对比，在[11]中，被试也决定他们有多喜欢所选择的设置(连续决策)。[2]中的结果让我们有理由相信，连续决策中包含的额外信息减少了学习用户偏好设置所需的比较次数。这是本工作中考虑的应用程序的关键。然而，实际比较离散选择和连续决策得到的结果超出了这项工作的范围。尽管如此，这对未来的研究绝对是非常有意义的。相反，重点是研究IRP和系统使用连续决策建议的首选设置之间的可变性。