本发明公开了一种基于言语测听的助听增益适配方法及设备。本方法为：1)获取并量化待测者的响度感知能力；2)计算测试材料的易混淆词对在选定的听力正常人上引起的特性响度模式，选出识别正确率能反映区分性感知线索的词对；3)使用筛选出的词对对听者进行言语测听；对言语测听结果进行估计，得到听者在不同频带、声强下的斜率；4)根据斜率计算出各频带在若干个设定声强范围内的助听增益的压缩率，更新对应声强范围的助听增益；5)根据斜率和压缩率从测试材料中选取下一轮言语测听的测听词对；6)重复步骤3)～5)，直到满足设定的终止条件；然后选择最后若干轮迭代的助听增益的均值作为该待测者最终的助听增益适配结果。
1.一种基于言语测听的助听增益适配方法，其步骤包括：
1)利用Moore响度模型来获取并量化待测者的响度感知能力；
2)根据设定的易混淆元音对、辅音对构建易混淆词对语料作为言语测听的测试材料，利用Moore响度模型计算该测试材料的易混淆词对在选定的听力正常人上引起的特性响度模式；基于所述特性响度模式对该测试材料进行筛选，选出识别正确率能反映区分性感知线索的词对；将一易混淆词对的特性响度模式之比定义为该易混淆词对的区分性感知线索；
3)使用筛选出的词对对听者进行言语测听；所述听者包括该待测者和选定的听力正常人；
4)使用全连接神经网络对言语测听结果进行估计，得到听者在不同频带及不同声强下的斜率SlopeLGF；
5)根据所述斜率SlopeLGF计算出各频带在若干个设定声强范围内的助听增益的压缩率CR(I,f)，并根据压缩率CR(I,f)更新对应声强范围的助听增益；
6)根据当前得到的斜率SlopeLGF和压缩率CR(I,f)从该测试材料中选取下一轮言语测听的测听词对，对听者进行言语测听；
7)重复步骤4)～6)，直到满足设定的终止条件；然后选择最后若干轮迭代的助听增益的均值作为该待测者最终的助听增益适配结果；
其中所述终止条件为：当前估计得到的斜率SlopeLGF最大值等于或小于设定阈值SlopeNH，或者连续n次估计得到的压缩率CR(I,f)值之间的标准误小于设定阈值，或者连续m次该待测者的测听结果都完全正确；
计算所述压缩率CR(I,)的方法为：(1)若当前迭代次数iter＝1，通过 计算得到CR(I,f)；(2)当iter>1时，若当前估计所得斜率Slopecurr在设定的最小强度处大于上一次迭代估计所得斜率Slopepre，且大于设定阈值SlopeNH，则通过CRiter(I,f)＝CRiter-1(I,f)计算得到CR(I,f)；(3)当iter>1时，若当前估计所得斜率Slopecurr在设定的最小强度处大于上一次迭代估计所得斜率Slopepre，且小于设定阈值SlopeNH，则通过计算得到CR(I,f)；(4)当iter>1时，且不符合上述情况(2)、(3)，则通过 计算得到CR(I,f)；其中，SlopeHI表示
听力损失者的响度增长斜率，CRiter(I,f)为第iter次迭代时计算得到的CR(I,f)，CRiter-1(I,f)为第iter-1次迭代时计算得到的CR(I,f)，CRiter-2(I,f)为第iter-2次迭代时计算得到的CR(I,f)。
2.如权利要求1所述的方法，其特征在于，采用阈上单词辨别测试方法进行言语测听；
在每一轮言语测听中，同一混淆词对重复测试多次，每次测试时随机播放该混淆词对中的一个词或音节，根据该待测试者反馈答案的平均正确率作为本轮言语测听的结果。
3.如权利要求1所述的方法，其特征在于，使用逻辑回归预测测试每一轮所选测听词对的识别正确率；将识别正确率和测听词对的特性响度比输入所述全连接神经网络中，估计出听者在不同频带及不同声强下的斜率SlopeLGF；然后选择能带来斜率SlopeLGF增量最大的测听词对作为下一轮言语测听的测听词对。
4.如权利要求1所述的方法，其特征在于，所述步骤5)中，根据所述斜率SlopeLGF计算出各频带在50-65dB SPL、65-80dB SPL和80-90dB SPL三个声强范围内的助听增益的压缩率CR(I,f)，并根据压缩率CR(I,f)更新助听增益Gain50(f)、Gain65(f)和Gain80(f)。
5.一种基于言语测听的助听增益适配设备，其特征在于，包括Moore响度模型、测试材料和助听增益适配单元；所述助听增益适配单元包括估计模块、助听增益适配模块和判断模块；其中，所述测试材料为根据设定的易混淆元音对、辅音对构建易混淆词对语料；
所述Moore响度模型，用于获取并量化待测者的响度感知能力，以及计算该测试材料的易混淆词对在选定的听力正常人上引起的特性响度模式；基于所述特性响度模式对该测试材料进行筛选，选出识别正确率能反映区分性感知线索的词对，用于对听者进行言语测听；
所述听者包括该待测者和选定的听力正常人；将一易混淆词对的特性响度模式之比定义为该易混淆词对的区分性感知线索；
所述估计模块，用于使用全连接神经网络对言语测听结果进行估计，得到听者在不同频带及不同声强下的斜率SlopeLGF；
所述助听增益适配模块，用于根据所述斜率SlopeLGF计算出各频带在若干个设定声强范围内的助听增益的压缩率CR(I,f)，并根据压缩率CR(I,f)更新对应声强范围的助听增益；
所述判断模块，用于根据当前得到的斜率SlopeLGF和压缩率CR(I,f)从该测试材料中选取下一轮言语测听的测听词对，对听者进行言语测听；以及根据设定的终止条件判断是否终止适配过程，如果满足所述终止条件，则选择最后若干轮迭代的助听增益的均值作为该待测者最终的助听增益适配结果；其中所述终止条件为：当前估计得到的斜率SlopeLGF最大值等于或小于设定阈值SlopeNH，或者连续n次估计得到的压缩率CR(I,f)值之间的标准误小于设定阈值，或者连续m次该待测者的测听结果都完全正确；
所述助听增益适配模块计算所述压缩率CR(I,f)的方法为：(1)若当前迭代次数iter＝
1，通过 计算得到CR(I,f)；(2)当iter>1时，若当前估计所得斜率Slopecurr在设定的最小强度处大于上一次迭代估计所得斜率Slopepre，且大于设定阈值SlopeNH，则通过CRiter(I,f)＝CRiter-1(I,f)计算得到CR(I,f)；(3)当iter>1时，若当前估计所得斜率Slopecurr在设定的最小强度处大于上一次迭代估计所得斜率Slopepre，且小于设定阈值SlopeNH，则通过 计算得到CR(I,f)；(4)当iter>1时，且不符合上述情况(2)、(3)，则通过 计算得到CR(I,f)；其
中，SlopeHI表示听力损失者的响度增长斜率，CRiter(I,f)为第iter次迭代时计算得到的CR(I,f)，CRiter-1(I,f)为第iter-1次迭代时计算得到的CR(I,f)，CRiter-2(I,f)为第iter-2次迭代时计算得到的CR(I,f)。
6.如权利要求5所述的助听增益适配设备，其特征在于，所述判断模块使用逻辑回归预测测试每一轮所选测听词对的识别正确率；将识别正确率和测听词对的特性响度比输入所述全连接神经网络中，估计出听者在不同频带及不同声强下的斜率SlopeLGF；然后选择能带来斜率SlopeLGF增量最大的测听词对作为下一轮言语测听的测听词对。
一种基于言语测听的助听增益适配方法及设备
技术领域
[0001] 本发明属于助听技术领域，涉及助听增益适配方法及设备，具体涉及一种基于言语测听的助听增益适配方法及设备。
背景技术
[0002] 听力损失是重要的公共健康问题之一，世界卫生组织对其成员国听力残疾状况的评估数据显示，听力残疾者已逾4.6亿人次，根据2006年第二次全国残疾人抽样调查，我国有2780万人患有听力损失，占残疾人口总数的34％。给予恰当的听力康复服务能够使绝大部分听力损失者的听力得到补偿，从而改善其言语交流能力并提高生活质量。助听器是目前使用最多的一种听力损失补偿的设备，它能放大外界声音，有效补偿患者的听力损失。
[0003] 助听增益的适配是通过助听器获得听力补偿的重要环节。为改善佩戴者的言语交流能力，验配师通常使用适配公式根据患者的听阈直接推导出能够补偿其听力损失的助听增益，根据使用的适配公式不同，推导得到的助听增益也不同，如何选择合适的增益则依赖于验配师的经验。为了提高佩戴者的舒适度和满意度，验配师通常根据佩戴者的反馈对助听增益进行微调，满足其个性化的需求，这通常需要多次反复的调整和测试，并且对验配师的技术水平有较高的要求。
[0004] 目前主流的适配公式有DSL[i/o]公式、CAMEQ公式和NAL-NL2公式等。由于适配公式仅仅基于听者的纯音听阈，在满足个体的助听需求上有所不足，而使用精细调试使助听器参数虽然能够满足个体需求，但又非常依赖验配师的经验，因此，一些研究者们开始研究助听增益的其他适配方法。这些方法都基于恢复响度感知的基本思想，其缺陷在于都需要适配公式的结果作为初始值，或者需要直接测量听者的最适阈等。这使得这些方法在面对无法得到准确听阈和无法保障测听环境时，难以有较好的表现。
[0005] 近年来，随着智能设备的普及，基于智能手机等移动终端的测听和助听方法得到了广泛的关注。相比于传统的助听方法，基于智能手机的助听方法具有廉价、方便易得的特点。许多研究者和助听器公司纷纷开发出基于移动终端的测听及助听应用，例如针对英语人群的美国斯坦福大学Selig等人开发的SoundFocus、美国国立卫生研究院的Sabin等人开发的EarMachine、美国Bxtel公司开发的Enhanced Ears等，针对汉语人群，有北京大学言语听觉研究中心开发的听伴App。上述基于移动终端的助听应用通常使用分带增益的助听方法，它们允许用户调整各个带内的增益，但通常对于不具有专业知识和缺乏经验的用户来说，通过简单的调整各个带的增益就达到合适且令人满意的助听效果是非常难的，因此需要一个可靠的助听增益适配方法。
[0006] 相比于通过验配师完成的助听增益适配，基于智能设备的助听增益适配更加便捷，大大减小了患者的负担，但基于移动终端的助听增益适配也面临着很大的挑战。首先，通过适配公式推导助听增益的前提是能够获得较为准确的听阈，如果使用移动终端作为测听设备，因其未经过专业的声学标定，测试结果不可靠。此外，听阈的测量对于测听环境有严格的要求，一般需要在隔音室或消声室中进行，而基于移动终端的纯音测听方法难以保障其测试环境的可靠性。因此，在基于移动终端的助听增益适配中使用适配公式是不可靠的。
发明内容
[0007] 针对现有方法的缺点，本发明提出一种基于言语测听的助听增益适配方法及设备。言语测听的结果既能够直观的反映使用者言语感知能力恢复的情况，同时，言语测听无需复杂的指导，方便使用者的操作。相较于纯音测听对环境和测听设备的严格要求，言语测听具有更强的鲁棒性和适应性。因此在基于移动终端的助听增益适配中，言语测听是一种更为合适的听力评估方法。
[0008] 本发明中所提出的基于言语测听的助听增益适配方法的基本思想是：根据响度模型，利用响度增长函数的斜率作为指标量化听者的响度感知能力，并推导出根据该指标确定多通道压缩算法的助听增益的公式。获得言语测听的结果后，利用人工神经网络模型估计响度增长曲线的斜率，并基于逻辑回归进行迭代更新。本发明的重要创新之处在于使用言语测听来指导助听器适配过程，言语测听能够评估听者的言语交流能力，且对测听条件的依赖性弱，易于在智能设备上实施。因此，本发明是解决移动终端助听增益适配问题的一种可行方案。
[0009] 本发明的技术方案为：
[0010] 一种基于言语测听的助听增益适配方法，其步骤包括：
[0011] 1)引入Moore的响度模型来量化响度感知能力，具体而言，使用响度增长曲线的斜率作为量化听者响度感知能力的指标。可以推导出压缩系数CR、助听增益Gain和不同听力状况SlopeLGF之间的关系。
[0012] 2)根据易混淆元音对和辅音对构建易混淆词对语料作为言语测听的测试材料，利用Moore响度模型计算这些易混淆词对中易混淆的元音/辅音对在选定的听力正常人上引起的特性响度模式，将一易混淆词对的特性响度模式之比定义为该易混淆词对的区分性感知线索。一易混淆词对的特性响度比差异最大处所对应的频率，定义为该易混淆词对的区分性特征频率。通过主观实验对易混淆词对进行筛选，选出其识别正确率能反映区分性感知线索的词对，作为下一步测听的材料。
[0013] 3)使用步骤2)构建的言语测听材料进行言语测听，言语测听方法为阈上单词辨别测试。在每一轮言语测听中，同一对测试词对重复测试3次，每次测试时随机播放该词对中的一个词或音节，受试者在给出的两个答案中进行选择，3次测试的结果的平均正确率是本轮言语测听的结果。
[0014] 4)获得言语测听结果后，使用全连接神经网络估计响度增长曲线的参数(包括兴奋水平阈值A、函数的斜率变化α)，从而计算得到不同频带及不同声强下的斜率SlopeLGF。神经网络的训练数据来自构建言语测听材料时主观实验的数据，网络结构见图2。
[0015] 5)根据各频带各声强下的SlopeLGF值计算出各频带在50-65dB SPL、65-80dB SPL和80-90dB SPL三个声强范围内的助听增益的压缩率CR(I,f)。并根据各个频带的压缩率CR(I,f)更新助听增益Gain50(f)、Gain65(f)和Gain80(f)。计算公式将在具体实施方式部分给出。
[0016] 6)挑选下一轮言语测听的测听词对时，使用逻辑(Logistic)回归预测测试词对的识别正确率。将识别正确率和该词对的特性响度比输入步骤4)所述的神经网络中，估计出斜率值，选择能带来斜率值增量最大的测听词对作为下一轮测听的语料。Logistic回归的训练数据是构建言语测听材料时主观实验的数据。
[0017] 7)若受试者的响度增长恢复正常，或助听增益稳定，或恢复了言语感知能力，则停止适配，选择最后若干轮(比如最后5轮)迭代的助听增益的均值作为最终的助听增益适配结果；否则使用当前增益对下一轮测听语料进行处理，进行下一轮言语测听，重复步骤4)～7)。
[0018] 与现有技术相比，本发明的积极效果为：
[0019] 本发明使用言语测听来指导助听器适配过程，言语测听无需复杂的指导，方便使用者的操作，且对环境和测听设备的依赖性弱，易于在智能设备上实施。
[0020] 本发明在非专业环境下也能得到较为稳定可靠的效果，能得到与传统的适配公式方法相近的补偿效果，因此是解决移动终端助听增益适配问题的一种可行方案。
附图说明
[0021] 图1为助听增益适配方法框架图；
[0022] 图2为本发明使用的神经网络结构示意图；
[0023] 图3为本发明迭代模块示意图；
[0024] 图4为隔音室条件下轻度模拟听力损失使用本发明所得平均适配结果和CAMEQ方法所得适配结果；
[0025] 图5为5名听力损失被试(10只耳)在隔音室条件下使用本发明所得平均适配结果和CAMEQ方法所得的适配结果；
[0026] 图6为不同测试环境下模拟听力损失的适配结果图；
[0027] (a)图是重度模拟听损在不同测试环境下的平均结果；
[0028] (b)图是轻度模拟听损在不同测试环境下的平均结果；
[0029] 图7为不同测试环境下听力损失者的平均适配结果图；
[0030] 图8为模拟听力损失在不同适配方法所得助听增益下的SRT结果图；
[0031] 图9为真实听力损失在不同适配方法所得助听增益下的SRT结果图。
具体实施方式
[0032] 下面将更详细地描述本发明的具体实施方式。本发明方法的具体实现步骤包括量化响度感知能力、构建基于易混淆词对的言语测听材料、助听增益适配。各步骤的具体实现过程如下：
[0033] 1.量化响度感知能力
[0034] 本方法引入Moore的响度模型来量化响度感知能力，单个频带内的特性响度N与该频带内的兴奋E(以能量为单位)之间的关系如公式1所示。
[0035] N＝C[(E+A)α-Aα] (1)
[0036] 其中C是常数，A和α则分别是用于调整该函数形状的参数，A对应于兴奋水平阈值，α对应于函数的斜率变化。对公式1求导即可得到响度增长曲线的斜率，即本方法使用的量化听者响度感知能力的指标，如公式2所示。
[0037]
[0038] 在多通道压缩算法中，开始出现压缩的声强被称为压缩阈限(Compression Threshold，CT)，而在输入声强高于CT时，输入与输出的比值称为压缩率或压缩系数(Compression Ratio，CR)。当输入声强在I1到I2之间的范围内时，假设这一范围内SlopeLGF不变，SlopeNH表示听力正常人的响度增长斜率，SlopeHI表示听力损失者的响度增长斜率，当输入声强分别为I1和I2时，对应的听力正常人感知到的响度为N1和N2，此时对于听力损失者，想要恢复相同的响度(N1和N2)，对应的助听增益为Gain1和Gain2，压缩算法的输出为O1和O2。根据多通道压缩算法的原理和公式2，可以推导出CR、Gain和不同听力状况SlopeLGF之间的关系，如公式3，4所示。则在适配过程中，可以根据SlopeLGF的值对助听增益CR和Gain进行调整。
[0039]
[0040]
[0041] 2.构建基于易混淆词对的言语测听材料
[0042] 本发明根据易混淆元音对和辅音对构建了易混淆词对语料作为言语测听的测试材料，利用Moore响度模型计算这些易混淆词对中易混淆的元音/辅音对在听力正常人上引起的特性响度模式，由于响度感知受到声强的影响，因此使用一对易混淆词的特性响度模式之比，而非之差，作为区分性感知线索。我们定义该比值为特性响度比。一对易混淆词的特性响度比差异最大处所对应的频率，定义为区分性特征频率。
[0043] 对听力正常的被试进行听力损失模拟的实验。本发明中使用了6种模拟听力损失类型，模拟听力损失类型之间存在递进关系，即，类型6的听力损失程度轻于类型5，两者的主要差别在于4kHz处是否有听力损伤；类型5的损失程度轻于类型4，两者的主要差别在于2kHz处是否有听力损伤，依此类推。得到每一对易混淆词在每一种模拟的听力损失情况下的平均识别结果，若相邻两种听力损失模拟条件(例如类型6和类型5，类型5和类型4等)下，词对的识别正确率有明显差异(大于设定阈值，比如20％)，则认为这些词对的识别正确率反映了听者是否感知到了词对在某一频率处(两种模拟听力损失类型听阈存在差别的频率)的区分性感知线索，保留这样的词对。
[0044] 其中听力损失模拟的方法来源于响度模型，认为听力损失程度的不同只与响度增长函数有关，不同的听力损失程度直接地体现再响度增长函数形状上，令听力正常者具有与听力损失者相同的响度感知，即完成了听力损失的模拟。
[0045] 3.助听增益适配
[0046] 本发明通过言语测听的结果，估计出听者(包括正常人和听力损失者)不同频率以及不同声强下的SlopeLGF，并利用该值对助听增益进行调整，以此实现了基于言语测听的助听增益适配方法。言语测听方法为阈上单词辨别测试，测试的材料为上文所述的通过主观实验筛选所得的混淆词对，在每一轮言语测听中，同一对测试词对重复测试3次，每次测试时随机播放该词对中的一个词或音节，受试者在给出的两个答案中进行选择，3次测试的结果的平均正确率是本轮言语测听的结果。适配过程包括三个主要的模块，第一个模块是通过言语测听的结果得到SlopeLGF的估计模块，第二个模块是根据估计出来的SlopeLGF值调整助听增益的助听增益适配模块，第三个模块是从所有测听材料中选择下一轮测听的词对，以及判断是否终止适配过程的判断模块。助听增益适配方法框架图见图1。
[0047] 在估计模块中，使用两个相同结构的全连接神经网络，层数为3，输入、隐层及输出层的节点数分别为7、7、6。一个网络用于估计参数A，网络输入为词对的特性响度比和该词对的识别正确率；另一个网络则用于估计参数α，输入与上一个网络相同。网络的训练数据来自构建言语测听材料时主观实验的数据。在适配过程中，网络的输入为测听词对的特性响度比和听者对该测听词对的多次测试的平均识别结果，网络的输出是此时听者的响度感知增长函数的参数。根据公式2，能够通过估计得到的参数A和α计算出对应的响度增长曲线在不同频带以及不同声强下的斜率SlopeLGF。神经网络结构示意图见图2。
[0048] 适配模块的目标是根据估计模块给出的Slope，估计出多通道压缩助听算法在各个频带的助听增益。适配模块主要分为两个步骤，第一步是根据各频带f各声强I下的SlopeLGF值计算出各频带在50-65dB SPL、65-80dB SPL和80-90dB SPL三个声强范围内的助听增益的压缩率CR(I,f)。规则有如下4条：
[0049] (1)若迭代次数iter＝1，通过公式4计算得到CR(I,f)，其中SlopeNH的值通过听力正常人的响度模型计算得到；
[0050] (2)当iter>1时，若本次估计所得Slopecurr在65dB SPL处小于上一次迭代估计所得Slopepre，但大于SlopeNH，则应用下列公式更新CR(I,f)：
[0051]
[0052] (3)当iter>1时，若本次估计所得Slopecurr在65dB SPL处大于上一次迭代估计所得Slopepre，且小于SlopeNH，则应用下列公式更新CR(I,f)：
[0053] CRiter(I,f)＝CRiter-1(I,f) (6)
[0054] (4)当iter>1时，若不符合规则(2)和规则(3)，则使用下列公式更新CR：
[0055]
[0056] 第二步是根据各个频带的压缩率CR(I,f)更新助听增益Gain50(f)、Gain65(f)和Gain(f)：
[0057]
[0058]
[0059] 判断模块的作用是根据估计模块得到的SlopeLGF值和适配模块更新的CR值决定下一轮言语测听的测听词对，或者判定是否结束适配流程。判断模块示意图见图3。挑选下一轮言语测听的测听词对时，使用逻辑(Logistic)回归对挑选的测听词对进行计算，其作用是通过计算词对的特性响度比和此时受试者的SlopeLGF预测该测试词对的识别正确率，然后基于识别正确率来选择下一轮语料。该logistic回归的训练数据是构建言语测听材料时主观实验的数据。每一轮重复测听3次，有4种可能的识别正确率，将这四个可能的识别正确率和该词对的特性响度比输入上文所述的估计模块中，得到对应识别正确率下估计出来的斜率值，再计算得到平均斜率值，选择能带来平均斜率值增量最大的测听词对作为下一轮测听的语料。
[0060] 判断适配是否终止主要根据三个条件：
[0061] (1)若当前估计得到的Slopecurr最大值等于或小于SlopeNH，则认为受试者的响度增长恢复正常，停止适配；
[0062] (2)若连续3次估计得到的CR值之间的标准误(方差的平方根)小于0.1，则认为助听增益稳定，停止适配；
[0063] (3)若连续5次测听结果都完全正确，则认为受试者恢复了言语感知能力，停止适配。
[0064] 适配过程终止后，选择最后若干轮(比如5轮)迭代的助听增益的均值作为最终的助听增益适配结果。
[0065] 下面结合具体实施例说明本发明的优点。
[0066] 使用本方法对模拟的听力损失和真实的听力损失进行了助听增益适配。本方法的结果将与基于听阈的适配公式CAMEQ计算得到的结果进行比较。
[0067] 1.助听增益适配实验设置
[0068] 12名听力正常被试和5名听力损失被试在不同的测试环境下参与了适配过程。其中，听力正常被试在模拟的听力损失条件下进行实验，实验中模拟了常见的重度和轻度听力损失的情况。对于听力正常被试的左耳进行听力损失模拟和助听增益适配，对于听力损失被试分别对其左右耳进行适配。
[0069] 听力损失模拟的方法来源于响度模型，认为听力损失程度的不同只与响度增长函数有关，不同的听力损失程度直接地体现在响度增长函数形状上，令听力正常者具有与听力损失者相同的响度感知，即完成了听力损失的模拟。
[0070] 所有被试分别在隔音室和安静房间(非专业环境)下完成了适配流程，每种测试条件下，被试重复3次适配过程，3次结果的平均作为该条件下的最终结果。
[0071] 2.助听增益适配实验结果
[0072] 在所有模拟听力损失条件下，本发明得到的助听增益都要相对小于适配公式CAMEQ的计算结果，但两者结果相似。图4为隔音室条件下轻度模拟听力损失使用本发明所得平均适配结果和CAMEQ方法所得适配结果图。
[0073] 对于听力损失者，本方法与适配公式CAMEQ的计算结果相似。图5为5名听力损失被试(10只耳)在隔音室条件下使用本发明所得平均适配结果和CAMEQ方法所得的适配结果图。
[0074] 将本方法在隔音室和安静房间下获得的结果进行比较分析，结果表明，本方法在不同测试环境的表现稳定，两次测量的结果基本吻合。不同测试环境下得到的增益值都没有显著差异。图6和图7分别为不同测试环境下模拟听力损失和真实听力损失的适配结果图。
[0075] 3.助听增益效果评估实验设置
[0076] 为了评估本发明获得的助听增益的有效性，分别在本方法得到的助听增益及适配公式的助听增益下进行言语测试。实验使用言语识别阈测试，测量被试在不同的模拟听力损失状况下或真实听力损失下，用两种方法得到的助听增益下的言语识别阈(Speech Recognition Threshold,SRT)，以及未得到助听时的SRT。
[0077] 参与评估实验的被试与助听增益适配实验中的被试相同，所有被试在助听增益适配实验中得到了属于个人的助听增益，在评估实验中，使用在隔音室内测量得到的助听增益。
[0078] 使用自适应方法测量言语识别阈：如果正确率在50％以上，则下次测试时信噪比下降，否则，信噪比上升。初始时信噪比的变化步长为4dB，出现两个拐点后变化的步长变为2dB。被试听完一个列表20句话后，测试结束，以最后的四个拐点的平均值作为被试在该条件下的SRT值。
[0079] 4.助听增益效果评估实验结果
[0080] 对12名听力正常被试在不同测试条件下得到的SRT进行分析，结果表明，本文增益下的SRT和CAMEQ增益下的SRT都显著低于无增益下的SRT值(p＝0.003,p＝0.024)。本文方法所得增益下的SRT则与CAMEQ下的SRT值无显著差别(p＝0.999)。因此，本方法和CAMEQ方法所得增益都能够恢复被试的言语可懂度。图8为模拟听力损失在不同适配方法助听增益下的SRT结果图。
[0081] 对5名听力损失被试共10只耳在不同测试条件下得到的SRT进行分析，结果表明CAMEQ增益下的SRT显著低于无增益下的SRT值(p＝0.025)，本文方法所得增益下的SRT则与CAMEQ下的SRT值无显著差别(p＝0.466)。因此，CAMEQ和本文方法所得增益都能够恢复被试的言语可懂度。图9为真实听力损失在不同适配方法助听增益下的SRT结果图。
[0082] 实验结果表明本文方法能得到与适配公式相近的结果，在助听后言语测试中也达到了与适配公式相同的补偿效果，且在非专业环境下也能得到较为稳定可靠的效果。言语测听无需复杂的指导，方便使用者的操作，易于在智能设备上实施。因此是解决移动终端助听增益适配问题的一种可行方案。
