操作助听器系统的方法和助听器系统与流程

本发明涉及操作具有自适应滤波器的助听器系统的方法。本发明还涉及适用于实施所述方法的助听器系统，并且涉及一种具有当被执行时实施所述方法的计算机可执行指令的计算机可读存储介质。

背景技术：

通常，根据本发明的助听器系统被理解为意味着下列任何装置：其提供可以被用户感知为声信号的输出信号或有助于提供这种输出信号，并且其具有被定制以便补偿用户的个体听力损失或有助于补偿用户的听力损失的装置。具体地，它们是可以佩戴在身体上或通过耳朵佩戴(特别是佩戴在耳朵上或耳朵中)并且可以完全或部分植入的助听器。然而，也附带地包括其主要目的不是补偿听力损失但是却具有用于补偿个体的听力损失的措施的那些装置，例如消费者电子装置(包括移动电话、电视、高保真系统、mp3播放器)和移动健康护理装置(包含也可以被称为可听装置或可穿装置的电声输出换能器)。

在本背景内，传统的助听器可以被理解为设计成由听力受损用户佩戴在人耳后或人耳中的小型电池供电微电子装置。在使用前，助听器验配员根据处方调整助听器。处方基于对听力受损用户的无辅助听力表现的听力测试，从而产生所谓的听力图。研发被形成以便达到一种设定，其中通过放大处于可听频率范围的用户遭受听力缺陷的那些部分的频率的声音，助听器将减轻听力损失。助听器包括：一个或更多个麦克风、电池、包括信号处理器的微电子电路、以及声输出换能器。信号处理器优选地是数字信号处理器。助听器被封装在适用于装配在人耳后面或人耳中的壳体中。

在本背景内，助听器系统可以包括单个助听器(所谓的单声道(monaural)助听器系统)，或者包括两个助听器，助听器用户的每个耳朵一个(所谓的双声道(binaural)助听器系统)。此外，助听器系统可以包括适于与助听器系统的其他装置交互的外部计算装置，诸如，具有软件应用程序的智能电话。因此，在本背景内，术语“助听器系统装置”可以表示助听器或外部计算装置。

助听器的机械设计已经发展成许多总体类别。顾名思义，耳背式(bte)助听器佩戴在耳朵后面。更准确地说，包括外壳的电子单元佩戴在耳后，所述外壳包含其主要的电子部件。用于向助听器用户发射声音的耳机佩戴在耳中，例如在外耳或耳道中。在传统的bte助听器中，声管用于传送来自位于电子单元的外壳中的输出换能器的声音传送并且将声音传送到耳道，所述输出换能器在助听器术语中通常被称为接收器。在一些现代类型的助听器中，包括电导体的导电构件传送来自外壳的电信号并且将电信号传送到放置在耳朵中的耳机中的接收器。这种助听器通常被称为耳内接收器(rite)助听器。在特定类型的rite助听器中，接收器放置在耳道内部。这种类别有时被称为耳道内接收器(ric)助听器。

耳内式(ite)助听器被设计用于布置在耳朵中，通常布置在耳道的漏斗形外部中。在特定类型的ite助听器中，助听器基本上被放置在耳道内部。这种类别有时被称为完全耳道内(cic)助听器。这种类型的助听器需要特别紧凑的设计以便允许其布置在耳道中，同时容纳助听器操作所必需的部件。

听力受损人员的听力损失往往是与频率相关的(frequency-dependent)。这意味着人员的听力损失取决于频率而变化。因此，当补偿听力损失时，利用与频率相关的放大可以是有利的。因此，助听器通常提供将由助听器的输入换能器所接收的输入声音信号划分成被独立处理的各种频率间隔(也被称为频带)。以此方式，有可能单独地调整每个频带的输入声音信号，以便解释相应频带中的听力损失。通常通过实施用于每个频带的频带分离滤波器和压缩器(即所谓的频带分离压缩器)来进行与频率相关的调整，所述频带分离压缩器可以被概括为多频带压缩器。以此方式，取决于特定频率范围中的听力损失以及输入声音信号的输入电平，有可能单独调整在每个频带中的增益。例如，与为响亮声音提供的增益相比，频带分离压缩器可以在其频带中为柔和声音提供更高的增益。

在助听器系统领域内众所周知的是将自适应滤波器应用于多个不同的目的，诸如噪声抑制和声反馈消除。

ep-b1-2454891公开了一种包含自适应滤波器的助听器系统，所述自适应滤波器被设置为从第一助听器系统麦克风接收信号作为输入信号，并且提供输入信号的之前样本的线性组合作为输出信号，其中所述输出信号被设置为尽可能类似于来自第二助听器系统麦克风的信号，由此在麦克风中诱发的风噪声可以被抑制。因此如果：

-来自第一助听器系统麦克风的信号被表示为x(n)，并且第一组信号样本因此可以被表示为xn＝[xn，xn-1，xn-2，..，xn-n-1]^t，其中n是时间下标，

-自适应滤波器具有n个系数，所述n个系数被表示为w＝[w1，w2，..，wn]^t，

-来自第二助听器系统麦克风的信号被表示为d(n)，

那么自适应滤波器被设置为根据以下公式来进行操作：

dn＝wn^txn+ε，

其中ε表示被包括在两个麦克风信号中的噪声。

wo-a1-2014198332公开了一种包含自适应滤波器的助听器系统，所述自适应滤波器被设置为从助听器系统的第一助听器的第一麦克风接收信号作为输入信号，并且提供输入信号的之前样本的线性组合作为输出信号，其中所述输出信号被设置为尽可能类似于来自助听器系统的第二助听器的第二麦克风的信号，其中输出信号与来自第二麦克风的信号之间的差被用来估计噪声水平，并且其中噪声水平估计作为输入被用于要被应用的随后的算法以便抑制麦克风信号中的噪声。因此如果：

-来自第一麦克风的信号被表示为x(n)并且来自第二麦克风的信号被表示为d(n)，那么在这种情况下，自适应滤波器也被设置为根据以下公式来进行操作：

dn＝wn^txn+ε，

其中ε表示可以被用来估计噪声的估计误差，并且其中噪声估计被用于改善助听器系统中的随后的噪声抑制。在下文中，ε也可以被理解为一般表示噪声，由此术语噪声在它包括自适应滤波器估计误差的范围内被给出相对宽的解读。

因此本领域中存在改善自适应滤波器的性能的需要。在一个方面中，性能可以通过最小化由自适应滤波引入的所谓的伪影的发生来增强。当自适应滤波器必须对输入信号或期望信号的突然改变做出快速反应时，伪影的发生尤其是一个问题。

因此，本发明的特征是提供一种使伪影发生最小化的操作助听器系统的方法。

本发明的另一特征是提供一种助听器系统，所述助听器系统适于提供使伪影发生最小化的操作助听器系统的方法。

技术实现要素：

在第一方面中，本发明提供了根据权利要求1所述的操作助听器系统的方法。

这提供了一种关于由于助听器系统中的各种类型的自适应滤波导致的声伪影量的操作助听器系统的改善的方法。

在第二方面中，本发明提供了根据权利要求14所述的计算机可读存储介质。

在第三方面中，本发明提供了根据权利要求15所述的助听器系统。

这提供了一种具有用于操作助听器系统的改进装置的助听器系统。

在从属权利要求中出现进一步的有利特征。

从以下描述中，本发明的另外其他特征对于本领域的技术人员来说将变得明显，其中将更详细地解释本发明的实施例。

附图说明

作为举例，示出并描述了本发明的优选实施例。如将认识到的，本发明能够具有其他实施例，并且其若干细节能够在所有各种明显方面进行修改，而不脱离本发明。因此，这些附图和描述将被视为在本质上是说明性的而不是限制性的。在附图中：

图1高度示意性地图示了根据本发明的实施例的助听器系统的选定部分；

图2高度示意性地图示了根据本发明的实施例的助听器系统的选定部分的细节；

图3高度示意性地图示了根据本发明的实施例的助听器的选定部分；

图4高度示意性地图示了根据本发明的实施例的助听器；以及

图5高度示意性地图示了根据本发明的实施例的助听器的选定部分。

具体实施方式

在本背景内，术语“后验概率(posterior)”表示模型参数给定的观测数据的分布，术语“似然概率(likelihood)”表示观测数据给定的模型参数的分布，术语“先验概率(prior)”表示模型参数的分布，并且术语“边缘似然概率(marginallikelihood)”(其也可以被表示为“迹象(evidence)”)表示观测数据的分布，其中术语“模型参数”表示自适应滤波器设定(即自适应滤波器系数)，并且其中术语“观测数据”表示自适应滤波器试图适用于的期望信号。

然而，在下文中，术语后验概率、概率、先验概率和边缘似然概率可以在未明确参照它们表示分布的事实的情况下被使用，并且在其他情况下，分布可以被表示为概率分布，尽管修正项事实上可以是概率密度函数。

首先参照图1，其高度示意性地图示了根据本发明的实施例的助听器系统100的选定部分。

助听器系统100的选定部分包括第一声电输入换能器101(即麦克风)、第二声电输入换能器102、自适应滤波器103、第一自适应滤波器估计器104、第二自适应滤波器估计器105、第三自适应滤波器估计器106和求和单元107。

根据图1的实施例，麦克风101和102提供模拟电信号，所述模拟电信号分别被模数转换器(未示出)转换为第一数字输入信号110和第二数字输入信号111。然而，在下文中，术语数字输入信号可以与术语输入信号互换使用，并且对于所有参考的其他信号也是如此，因为它们可以或可以不被具体表示为数字信号。

第一数字输入信号110被分支，由此它被提供给求和单元107的第一输入并且被提供给第一、第二和第三自适应滤波器估计器104、105和106。第二数字输入信号111也被分支，由此它被提供给自适应滤波器103作为输入信号并且被提供给第一、第二和第三自适应滤波器估计器104、105和106。自适应滤波器103提供被提供给求和单元107的第二输入的输出信号112。输出信号112包含数字输入信号110的相关联部分的估计。最后，求和单元107提供求和单元输出信号113，该求和单元输出信号113通过从第一数字输入信号110减去自适应滤波器输出信号112而形成，由此输出信号113能够被用来估计第一数字输入信号的不相关联部分。因此，输出信号113的水平可以被用作由麦克风101接收的信号110中的噪声的估计。

然而，根据图1的实施例，自适应滤波器输出信号112被提供给助听器系统的其余部分，即被提供给被配置为向声输出换能器提供输出信号的数字信号处理器，其中来自数字信号处理器的输出信号适用于减轻个体助听器用户的听觉缺损。因此，根据本实施例，助听器系统的其余部分包括适用于减轻听觉损伤的放大装置。在变型中，其余部分也可以包括额外的降噪装置。由于清楚的原因，助听器系统的这些其余部分未在图1中进行示出。

根据图1的实施例的另一变型，例如在实施传统的基于梯度的算法(诸如lms算法)的情况下，求和单元输出信号113也可以被提供给滤波器估计器104、105和106中的至少一个。

根据图1的实施例，自适应滤波器被配置为作为线性预测滤波器操作，其中第一数字输入信号110构成期望信号的噪声观测值，并且因此在下文中可以被表示为dn，其中n是时间下标，其中第二数字输入信号111作为输入信号被提供给自适应滤波器103，其中自适应滤波器103具有n个自适应滤波器系数，所述n个自适应滤波器系数可以被给出为向量wn＝[w1，w2，..，wn]^t，并且其中自适应滤波器103试图根据以下公式基于第二数字输入信号的一组最近的样本来预测期望信号dn，所述第二数字输入信号的一组最近的样本可以被给出为向量xn＝[xn，xn-1，xn-2，..，xn-n-1]^t：

dn＝wn^txn+ε，

其中ε表示来自第一和第二数字输入信号(即求和单元输出信号113)的不相关联的噪声。

根据本实施例，ε被假设为是具有高斯分布的独立同分布(i.i.d.)随机变量，因此意味着：

然而，在变型中，其他分布可以被假设用于噪声，诸如各种超高斯分布(像学生t-分布和拉普拉斯分布)、或诸如各种有界分布(像例如截断高斯分布、贝塔分布或伽玛分布)。

在另一变型中，ε不被假设为是独立同分布(i.i.d.)随机变量。i.i.d.假设仅在来自一个样本的观测噪声与另一样本不相关联时是合理的。因此，在ε表示相关联的噪声的情况下，忽略i.i.d.假设是更好的。基本上，i.i.d.假设允许所谓的乘积法则被应用，并且在一些情况下，这可以导致不那么复杂的数学表达，由此可以减轻处理要求。

在本实施例的进一步的变型中，ε是表示自适应滤波器的估计误差或自适应滤波器未被设置对模型的影响(诸如非线性影响)的随机变量。

在本实施例的其他变型中，自适应滤波器被用来预测未知潜在过程f(x)，并且在这种情况下，可以应用如上面给出的相同公式：

dn＝wn^txn+ε

其中：

f(x)＝w^tx

因此，在这种情况下，dn表示未知潜在过程f(x)的噪声观测值。

因此，在本背景内，术语“期望信号”一般可以表示任何类型的期望信号，而且也可以表示希望建模的未知过程的噪声观测值。

类似地，术语“噪声”可以被用来表征变量ε，尽管该ε也可以表示自适应滤波器的估计误差。

根据本实施例，期望信号dn的单个样本被扩展以包括可以被给出为向量dn＝[dn，dn-1，..，dn-m-1]^t的一组m个最近的信号样本，并且类似地，矩阵xn保存输入信号样本的m个最近的向量，并且因此被给出为：

并且我们的线性模型因此变为：

dn＝xnwn十∈

并且噪声可以被表示为：

其中i表示单位矩阵。

通过使用期望信号的多个信号样本，对于一些声音环境可以获得具有更少的处理伪影的处理，但是通常这以更高的处理要求为代价。因此，作为一个示例，当处理元音时，这种类型的处理通常将是有利的。

通过仅使用期望信号的单个信号样本，一方面，处理将更适合于避免处理由于声音环境的快速变化而导致的伪影。因此，作为一个示例，当处理辅音时，这种类型的处理通常将是有利的。

在贝叶斯学习后，我们将考虑可以被表示为d的观测值和滤波器系数wn随机变量，由此归一化的后验概率从贝叶斯法则推断为：

或为：

其中为了清楚的原因，时间下标n被省略，并且由此可见，本发明的目的是基于更早的滤波器系数wold推测新的自适应滤波器系数w。

使用贝叶斯学习的术语，表达式p(wold，d|w)可以表示似然概率，术语p(w)可以表示先验概率，并且术语p(wold，d)可以表示边缘似然概率或迹象(evidence)。

通过假设我们的旧的滤波器wold和我们的当前观测值d是独立的，给出新的滤波器系数w，那么似然概率可以被分解为：

p(wold，d|w)＝p(wold|w)p(d|w)

因此，归一化的后验概率可以被给出为：

根据本实施例，多变量高斯分布将被假设用于似然概率和先验概率，由此针对似然概率可以导出以下表达式：

其中σ²表示与期望信号相关联的噪声ε的方差，并且其中k是通过定义滤波器系数可以如何从样本到样本(即从一个时间下标n-1到下一个时间下标n)地改变来定义自适应滤波器103的动态的过渡协方差矩阵。通过经由密集过渡矩阵在不同的滤波器系数之间强加依赖性，我们将有效滤波器的空间限制到使给定的之前滤波器状态有意义的那些空间。应注意，在下文中，当指的是滤波器的状态(即滤波器系数的值)时，术语“滤波器”和“滤波器系数”可以在一些情况下被可互换地使用，并且对于先验概率：

其中μ表示先验概率自适应滤波器向量的先验概率平均值(并且在下文中μ可以简单地表示先验概率平均值)，并且其中∑是先验概率协方差矩阵，所述先验概率协方差矩阵被用来将一组可能的滤波器状态限制于事实上期望的滤波器状态。发明人已经发现，假如期望信号的观测值仅仅是噪声，或是声的突然突变的结果，那么滤波器估计器可能建议不期望的滤波器状态，并且这能够通过相应地配置先验概率协方差矩阵∑而被至少部分地避免。

类似于关于噪声ε的假设的变型，也可以在变型中假设似然概率和先验概率的分布可以是例如各种超高斯分布(像学生t-分布和拉普拉斯分布)、或诸如各种有界分布(像例如截断高斯分布、贝塔分布或伽玛分布)。

然而，使用高斯分布的显著优点是，它们一般导致非常适合于数值计算的闭合表达式。

在本背景中，术语“闭合表达式”被理解为可以包括基本数学运算(加法、减法、乘法、除法)、实指数的求幂(其包括n次方根的提取)、对数和三角函数的表达式，而在另一方面，无穷级数、连分式、极限、近似和积分不能是闭合表达式的一部分。

如本领域技术人员众所周知的，协方差矩阵可以通过计算矩阵中的每个元素cov(yi，yj)而被确定为：

cov(yi，yj)＝e[(yi-μi)(yj-μj)]

其中向量y是保存到协方差矩阵的输入的向量，并且其中μi＝e(yi)是向量y中的第i个条目的预期值。

现在基于由向量d表示的期望信号的多个信号样本考虑最大后验概率(map)方案的更一般的情况。

首先，我们找到未归一化的后验概率的对数：

使用上面导出的分布，未归一化的对数后验概率变为：

现在，用于自适应滤波器系数的设定的map解的闭合表达式能够通过获取未归一化的对数-后验概率的梯度、设定它等于零并针对自适应滤波器系数向量w进行求解来找到：

其中

该闭合表达式一般是适用的，并且因此对于本发明的许多变型是相关的，并非仅仅对于图1的实施例。

闭合表达式的特定优点是，根据最大后验概率(map)准则，自适应滤波器系数的最佳设定能够针对到自适应滤波器的输入信号的和期望信号的每个样本来实现。这与基于沿正确方向(rightdirection)的获取步骤的更新自适应滤波器的更传统的方法相反，该更传统的方法因此使自适应滤波器经过不是最佳的中间滤波器系数状态。

本发明的另一优点是，它允许基于不同角度被配置的自适应滤波器的操作。根据传统自适应滤波器观点，滤波器更新等式被分析以便理解自适应滤波器的操作。根据本发明，自适应滤波器的操作可以通过考虑来自未归一化的对数-后验概率的三项来进行分析。

第一项是纯粹数据依赖性的，因此如果只有该项被使用，则我们就将具有最大似然概率优化。噪声方差σ²的值可以是预定常数，或它可以是基于一定形式的实时噪声估计的变量。在本背景内，噪声方差也可以被表示超参数(hyperpararmeter)，因为与基础数据的模型的参数相反，即与拟合数据的自适应滤波器系数相反，它是存在于概率密度函数中的参数，例如，存在于似然或先验概率分布中的参数。

一般来说，希望将噪声方差的值保持得相对大，因为太大的值仅对整体自适应滤波器操作提供微小的影响，而在另一方面，太小的值将朝向自适应滤波器试图适用于噪声的不期望情况偏置自适应滤波器的操作。

第二项定义了旧的滤波器如何调整新的滤波器，即额外的信息如何被引入以便防止例如过度拟合(over-fitting)。通常，该信息处于对复杂性的惩罚(penaltyforcomplexity)的形式，诸如对平滑性或向量空间范数上的边界的限制。

因此，如果过渡协方差矩阵k是对角矩阵，那么对角矩阵中的值与w中的自适应滤波器系数中的每一个上的个体步骤尺寸进行稍微类似的解释。

然而，通过实施k的密集版本(非零的非对角元素)，可以获得显著的改善，因为非对角元素允许某些滤波器系数的行为基于其他滤波器系数的当前状态来进行控制。这是难以包含在用于操作自适应滤波器的传统方法中的重要的方面。

第三且最后一项(先验概率)被用来支持具体类型的滤波器系数设定。使用该项的一种简单方式是将先验概率定义为具有零平均值(即μ＝0)并且指定先验概率协方差矩阵∑是对角矩阵，由此对角矩阵中的元素将朝向零引导(或渗透)滤波器系数的值。此外，通过包含用于矩阵元素的非对角衰减(roll-off)，则将支持自适应滤波器系数之间的平滑性，并且因此也支持自适应滤波器的脉冲响应的平滑性。

根据本发明的各种实施例的一种特定变型，先验概率协方差矩阵∑可以被配置使得沿着特定行的非对角元素在正与负之间交替，由此包含一定程度的周期性的声音，诸如例如音乐或语音，被自适应滤波器支持，并且因此将趋向于经过未被衰减的自适应滤波器。假如助听器系统适用于基于例如声音环境的分类或响应于用户交互而在可用先验概率协方差之间进行选择，则这种类型的变型可以是特别有利的。

在进一步的变型中，根据图1的实施例，用于更新自适应滤波器系数的闭合表达式可以基于归一化的后验概率而非未归一化的后验概率来导出。然而，由于归一化的后验概率的分母不取决于自适应滤波器系数，因此使导数基于归一化的后验概率不是必需的。

再次考虑图1的特定实施例，第一滤波器估计器104被设置为提供当前滤波器向量w，第二滤波器估计器105被设置为基于缓慢map估计提供滤波器向量wslow，并且第三滤波器估计器106被设置为基于快速map估计提供滤波器向量wfast。

根据图1的实施例，wslow和wfast使用上面给出的用于w的闭合公式，通过选择用于σ，k，μ和∑的恒定值来确定。

σslow和σfast通常是相同的，并且根据本实施例，当第一或第二数字输入信号主要由噪声组成时，σslow和σfast被确定为第一或第二数字输入信号的标准偏差。根据特定实施例，σslow和σfast的值是恒定的，并且被设定为0.02。在变型中，恒定值可以选自0.01与0.5之间的间隔，并且在进一步的变型中，值可以基于经确定的噪声估计被持续更新适用。在更进一步的变型中，σslow可以被设定为比σfast相对更大，由此第二滤波器估计器105的速度相对于第三滤波器估计器106的速度被降低。

过渡协方差矩阵kslow和kfast都是对角矩阵，其中缓慢协方差过渡矩阵kslow的对角元素的值小于快速协方差过渡矩阵kfast的对应值。因此来自第二滤波器估计器105的滤波器系数wslow的map估计相对于来自第三滤波器估计器106的map估计wfast仅被允许缓慢地改变。根据特定实施例，kslow中的对角元素的中心元素被设定为5x10^-4，并且其余对角元素的值通过假设围绕中心元素的对称指数函数(诸如正态分布)来确定，并且被配置为使得最外元素值具有大约3x10^-4的值，并且kfast中的对角元素的中心元素的对应值被设定为0.1x10^-4，并且最外元素的值为大约0.05x10-4，并且其余对角元素通过假设与在kslow中使用的相同类型的指数函数来确定。

先验概率协方差矩阵∑slow和∑fast都是对角一致矩阵，其中缓慢先验概率协方差矩阵∑slow的对角元素的值大于快速先验概率协方差矩阵∑fast的对角元素的对应值。优选地，∑fast的对角元素的一致值被设定为靠近零的值，使得来自第三滤波器估计器106的map估计wfast将趋向于建议不太远离零向量的事物(something)。根据本实施例，快速先验概率协方差矩阵∑fast的对角元素的值被设定为1，并且在变型中，在0.5与10之间的范围内，而缓慢先验概率协方差矩阵∑slow的对角元素的值被设定为1000，并且在变型中，在500与50000之间的范围内，并且在进一步的变型中，甚至可以选择更高的值。

根据本实施例，先验概率平均值向量μfast和μslow都被设定为零向量。在变型中，先验概率平均值向量的元素被设定为小于1。

被用来确定当前滤波器系数向量w的nxn过渡协方差矩阵k，现在能够被确定为：

k＝[w-e(w)][w-e(w)]^t，其中w＝[wslow，wfast，wold]其中第三滤波器系数向量wold被确定为自适应滤波器的最近(即之前样本)的设定。

在本实施例的变型中，wold不需要被精确地确定为最近的设定，即wn-1，它也可以是一些其他之前样本，例如第二最近的样本wn-2。

被用来找到当前滤波器系数向量w的先验概率协方差矩阵∑基于最近的例如3000次快速滤波上的方差来确定。

这些最近的例如3000次快速滤波的平均值被用来确定μ的值，并且在变型中，被用来确定平均值的快速滤波的数量可以选自500与5000之间的范围或甚至选自50与50000之间的范围。

标准偏差σ根据本实施例被给予与用于σslow与σfast的值相同的固定值。

然而，在本实施例的变型中，标准偏差σ的值可以是被动态地确定的变量。用于动态地估计信号的标准偏差的多种方法是可用的，如对于本领域技术人员将是显而易见的。

然而，用于map自适应滤波器系数向量w的闭合表达式的创造性导出不要实施如图1的实施例中的三个不同的自适应滤波器估计器。对于图1的实施例，也不要求第二和第三自适应滤波器估计器105和106应用map方法，事实上基本上任何自适应滤波器估计技术都能够被用来提供自适应滤波器系数向量wslow和wfast。

然而，假如选择将map方法应用于第二和第三自适应滤波器估计器105和106中的至少一个中，那么应注意，map方法的使用方法不要求使用导出的闭合表达式以便找到map解。相反地，可以使用在先验概率领域中已知的更传统的实施方式以便找到map解，诸如基于梯度方法，其中迭代算法被用来朝向map解采取步骤。因此，例如假如找到用于后验概率的闭合表达式是可能的，则这些方法可以是有利的。

在图1的实施例的特定变型中，第二和第三自适应滤波器估计器被省略，并且自适应滤波器系数向量w基于固定协方差矩阵来确定。根据这样的变型，将在单个自适应滤波器估计器中使用的固定协方差矩阵k和∑可以等于快速或缓慢系数估计器kslow、kfast、∑slow和∑fast、或快速和缓慢协方差矩阵的组合，诸如平均。

在更进一步的变型中，当前协方差矩阵可以基于当前声音环境的分类而从多个协方差矩阵中选择。相同的变型能够被用来确定标准偏差σ和平均值先验概率滤波器系数向量μ。

一般来说，被用来找到超参数k、∑、μ和σ的值的方法可以被彼此独立地选择，作为一个示例，协方差矩阵可以独立于声音环境的分类，而对于μ和σ不需要是这样的情况。

此外，在图1的实施例的变型中，仅第二或第三自适应滤波器估计器被省略，由此可以以性能为代价来缓解处理要求。

图1的实施例基于噪声以及似然概率和先验概率的概率密度函数被假设为是高斯的假设。然而，其他分布也可以是适合的，诸如各种超高斯分布(像学生t-分布和拉普拉斯分布)、或诸如各种有界分布(像例如截断高斯分布、贝塔分布或伽玛分布)。

图1的实施例还基于期望信号的多个样本可用并且在向量dn中被给出的假设。然而，在变型中，针对仅具有期望信号dn的当前值的情况的闭合表达式可以从针对具有期望信号的多个样本的情况的对应表达式中直接导出：

w＝bwold+(i-b)μ+axn(1+xn^taxn)-¹(d-xn^t(bwold+(i-b)μ))其中

b＝∑(k+∑)^-1

此外应注意，图1的配置仅是其中能够使用用于操作自适应滤波器的创造性方法的应用的一个示例。

应当认识到，至少在应用包括根据公式dn＝wn^txn操作的自适应滤波器的的范围内，本发明可以独立于所选择的应用被使用，其中信号样本dn表示期望信号，其中wn表示时间n处的自适应滤波器系数，其中xn表示到自适应滤波器的输入信号的最近的样本值，并且其中ε是表示噪声的随机变量。

然而，在本发明的各种实施例的变型中，自适应滤波器可以以这样的方式来操作：即能够例如通过允许向量xn包括非线性项(即到自适应滤波器的输入信号的最近的样本值的指数)来模拟非线性现象。

因此参照图2，图2高度示意性地图示了其最一般形式的助听器系统200的选定部分(即助听器)。助听器包括声电输入换能器201(通常是麦克风)、适用于缓解听力缺陷的数字信号处理器202、电声输出换能器203(通常被表示为接收器)，以及允许听力系统用户与助听器系统200交互的用户输入装置204。

然后参照图3，图3高度示意性地图示了根据本发明的实施例的图2的数字信号处理器202的选定部分。数字信号处理器202包括自适应滤波器213、自适应滤波器估计器214、保存过渡协方差矩阵的第一存储器215、保存先验概率协方差矩阵的第二存储器216、保存期望信号的噪声方差的估计的第三存储器217，以及保存之前自适应滤波器系数的平均值的第四存储器218。

图3的实施例因此图示了根据本发明的实施例的本发明的一般性质，其中包含过渡协方差矩阵、先验概率协方差矩阵、噪声的估计和自适应滤波器系数设定的平均值的闭合表达式被用来控制自适应滤波器的操作。因此，强调的是本发明一般独立于自适应滤波器是其一部分的助听器系统背景。然而，在例如语音增强、声反馈抑制、去混响、频谱转置和噪声估计的背景下，根据本发明的实施例的自适应滤波器的操作可以是特别有利的。

在本发明的各种实施例的进一步的变型中，操作自适应滤波器所需的处理的至少一部分可以在外部装置中被实施。在更特定的变型中，助听器系统被配置为使得数字输入信号的样本和数字期望信号的至少一个样本从助听器被传递并且被传递到外部计算装置，并且其中最佳自适应滤波器系数被传递回到助听器。通常，数据的传递将使用无线链路来实施。

在本发明的各种实施例的其他变型中，助听器系统包括保存过渡协方差矩阵和先验概率协方差矩阵的多个存储器，并且包括算法，该算法确定自适应滤波器系数的值并且适用于使得特定过渡协方差矩阵和/或先验概率协方差矩阵根据当前声音环境的分类或响应于用户交互从给定的多个协方差矩阵中进行选择，其中用户选择至少一个特定协方差矩阵。在更特定的变型中，保存多个过渡和先验概率协方差矩阵的多个存储器被容纳在外部计算装置中，选定的协方差矩阵可以响应于当前声音环境的分类或用户交互而从中被上传到助听器。在其他变型中，可以使用外部计算装置作为网关从外部服务器下载协方差矩阵。在各种实施例的更进一步的变型中，保存协方差矩阵的多个存储器可以被集成在单个存储器中。

在本发明的各种实施例的更进一步的变型中，助听器系统适用于持续更新协方差矩阵，并且在进一步的变型中，还基于这些超参数的最优化，持续更新噪声估计，如将在下面进一步讨论的。

在允许自适应滤波器通过从自适应滤波器系数的一个估计的map最佳化直接跳到下一个估计的map最佳化而不必沿着朝向估计的最佳化的梯度移动并且因此而不必基于预定步骤尺寸采取中间步骤(这不可避免地需要自适应滤波器来接受不是估计的最佳化的设定)来更新的范围内，本发明是特别有利的。

发明人已经证明，本发明的方法和对应系统允许自适应滤波器对输入信号和期望的输出信号的迅速改变做出非常快的反应，由此伪影量能够被可观地减少。

在公开的实施例的又一变型中，自适应滤波器103可以用被定位在由分析滤波器组提供的多个频带中的一个中的至少一个子带自适应滤波器来替代。

现在参照图4，图4高度示意性地图示了具有自适应反馈抑制系统的助听器，所述自适应反馈抑制系统包含自适应反馈抑制滤波器。助听器400基本上包括麦克风401、助听器处理器402、接收器403、自适应反馈抑制滤波器404，以及适用于确定自适应反馈抑制滤波器404的自适应滤波器系数的设定的滤波器估计器405。在图4中，作为输出信号从自适应反馈抑制滤波器404提供的反馈抑制信号407从求和单元中的输入信号406中被减去，并且求和单元输出信号408被用作用于助听器处理器402的输入信号，所述助听器处理器402适用于缓解个体用户的听力缺陷。助听器处理器输出信号409被提供到接收器403、自适应反馈抑制滤波器404和滤波器估计器405。最后，输入信号406也被提供到滤波器估计器405。

因此，在本申请的背景下，输入信号406被认为是期望信号，并且助听器处理器输出信号409被认为是(到自适应滤波器的)输入信号。

当在自适应反馈抑制的背景下实施时，根据本发明的操作自适应滤波器的方法是特别有利的，因为可以被认为是可接受的自适应滤波器系数向量设定的数量(即样本空间)是相对有限的，因为确定基础模型的物理参数是相对恒定的，并且因此先验概率协方差矩阵可以被确定，使得不可接受的自适应滤波器系数向量设定的显著数量能够被避免。为了抑制由于直接闭环偏置引起的声音伪影，这可以是特别有利的，即与声音环境相关联的声音(诸如音乐)可以触发反馈系统试图消除来自明显不是期望情况的声音环境的声音。在变型中，公开的实施例也可以基于间接闭环或接合输入-输出方法被应用于反馈的抑制。

先验概率协方差矩阵可以是恒定的，其基于作为正常助听器拟合的一部分被实施的所谓的反馈测试来确定，其中反馈测试包括完全随机的输入信号，并且因此能够被用来估计声反馈路径的传递函数并且因此估计先验概率协方差矩阵的对角元素的对应值。

然而，先验概率协方差矩阵可以额外地或替代地基于环境中的自然声音以规律间隔或在用户的请求下被更新。根据特定变型，助听器系统具有用于确定是否能够获得声反馈传递函数的可靠估计的装置。基本上，这包括确定反馈路径是否是相对固定的以及声音环境是否诱发偏置，即反馈路径是否被很好地估计。

根据图4的实施例的特定变型，过渡协方差矩阵可以被设置为避免可能是不期望的中间滤波器状态。当自适应滤波器设定从蜂鸣诱发设定被改变并且通过经过滤波器提供接近干净的正弦信号以便抑制蜂鸣的中间状态而被改变为非蜂鸣诱发设定时，会经历这种不期望的中间滤波器状态的一个示例。通过谨慎地设计协方差过渡矩阵，这种中间状态可以被避免。

在一般水平上，反馈系统的基础模型能够通过考虑声反馈路径来确定，所述声反馈路径主要通过助听器听筒的出口、残余音量、麦克风和接收器的传递函数，以及自由空间(即听筒和耳道外部)中的从出口并且到助听器麦克风的声音传播的传递函数来确定。在这些物理参数中，主要将自由空间中的声音传播的传递函数预期为反馈路径的突然改变的主要来源，诸如假如有人保持他的手或电话靠近助听器麦克风。然而，当被定位在用户的耳道中时听筒周围的声音泄露也可以导致突然的改变，例如，由于助听器用户咀嚼或打哈欠。

反馈路径的基础模型可以包含由于麦克风的固有非线性和接收器传递函数而导致的非线性部分。在自适应反馈抑制的背景下的本发明的实施方式因此呈现包括非线性自适应滤波器的本发明的变型可以是有利的情况。作为一个示例，自适应滤波器可以在滤波器预测包括输入信号样本被平方的项的意义上是非线性的。

根据本发明的另一方面，公开的实施例及其各种变型可以通过考虑被用来限定与在本发明中公开的自适应滤波的方法相关联的先验概率、似然概率和噪声的假设的概率分布的超参数的优化来进一步改善。

现在再次考虑图1，由麦克风101和102接收的信号中的噪声水平的估计可以通过最大化边缘似然概率(即归一化的后验概率的分母)来确定。也可以被表示迹象的边缘似然概率由下式给出：

如果假设似然和先验概率分布是高斯分布并且噪声方差也是高斯分布，那么确定边缘似然概率所需的积分能够被解析地求解，并且能够根据由假设的分布限定的超参数求解用于边缘似然概率导出的闭合表达式。随后，边缘似然概率因此能够关于例如假设的高斯噪声方差被最大化。

现在考虑仅期望信号dn的当前值可用的情况。在这种情况下，我们发现：

其可以被表示为：

其中a被限定为：

现在假设的高斯噪声方差因此能够通过关于假设的高斯噪声方差最大化获得的用于边缘似然概率的闭合表达式来确定。最大化可以使用选自包含broyden-fletcher-goldfarb-shanno(bfgs)算法、单纯型算法和梯度下降或上升算法的组中的迭代数值优化技术来实施。然而，在优选变型中，闭合表达式的最大化可以基于具有超先验概率的闭合表达式的正则化来实施。

根据一个特定实施例，最大化通过使用梯度下降算法来最小化用于边缘似然概率的闭合表达式的负对数来实施，所述梯度下降算法是相对简单的，并且因此特别适用于助听器系统中的实施，因为关于假设的高斯噪声的偏导数能够被表示为：

其中：

其他超参数μ，k和∑可以与参照图1实施例及其变型公开的那样来设定。但是基本上其他超参数可以以任何其他合适的方式被确定。

根据特定变型，假设的分布的所有超参数可以使用边缘似然概率的基于梯度的最大化来一起优化。

根据图1实施例的另一变型，自适应滤波器103不需要以与参照图1或参照图1实施例的相关联变型所公开的相同的方式进行操作。具体地，另一后验概率可以被选择，例如不取决于自适应滤波器系数的之前的设定的后验概率。

在其他变型中，似然概率、先验概率和噪声分布中的至少一些的假设的分布不需要是假设的高斯分布。然而，高斯分布假设通常提供对处理能力具有相对宽松的要求的超参数优化算法。

在进一步的变型中，诸如lms和rls的标准算法可以被用于独立于上面提到的用于估计噪声标准偏差或噪声方差的方法来操作自适应滤波器。

在更进一步的变型中，来自自适应滤波器103或求和单元107的输出信号不需要被提供给助听器系统100的其余部分，相反地，自适应滤波器的唯一目的可以是提供噪声估计，所述噪声估计然后可以被应用于助听器系统中的各种目的，所有各种目的对于本领域技术人员来说都是已知的。然而，作为到噪声抑制算法的输入，噪声估计将明显地是特别有用的。

根据又一变型，公开的用于超参数优化的方法也可以被应用在不同于图1中公开的配置的其他配置中。作为一个示例，自适应线路增强器(adaptivelineenhancer)的配置可以对于估计噪声是特别有利的。

因此现在参照图5，图5高度示意性地图示了具有自适应线路增强器的助听器系统500的选定部分。助听器系统500的选定部分包括麦克风501、时间延迟单元502、自适应滤波器503、适用于确定自适应滤波器503的自适应滤波器系数的设定的滤波器估计器504，以及求和单元505。在图5中，来自麦克风501的输入信号510被分支，并且被提供给时间延迟单元502和被提供给求和单元505的第一输入。从时间延迟单元502输出的时间延迟输入信号511被提供给自适应滤波器503，并且来自自适应滤波器513的输出信号(其可以被表示为线路增强的输出信号)被分支，并且被提供给助听器的其余部分和被提供给求和单元505的第二输入，由此线路增强的输出信号513在求和单元中从输入信号510中减去，并且得到的求和单元输出信号512被提供给自适应滤波器估计器504，所述自适应滤波器估计器504被设置为确定自适应滤波器503的将最小化求和单元输出信号512的一组自适应滤波器系数。

自适应线路增强器通过延迟输入信号510来起作用，使得输入信号510的噪声部分变得与时间延迟的输入信号511不相关联，由此线路增强的输出信号513理想地成为输入信号510的无噪声部分的估计。

因此，在本申请的背景下，(来自麦克风的)输入信号510被认为是期望信号，并且时间延迟输入信号511被认为是(到自适应滤波器的)输入信号。

根据图5的实施例，线路增强的输出信号513被提供给助听器系统的其余部分，即被提供给被配置为向声输出换能器提供输出信号的数字信号处理器，其中来自数字信号处理器的输出信号适用于缓解个体助听器用户的听力缺陷。因此根据本实施例，助听器系统的其余部分包括适用于缓解听力缺损的放大装置。在变型中，其余部分也可以包括额外的降噪装置。为了清楚的原因，助听器系统的这些其余部分未在图5中示出。然而，在变型中，线路增强的输出信号513仅被提供给求和单元505，而不被提供给助听器系统的其余部分。因此，根据该变型的自适应线路增强器的目的仅是估计输入信号的噪声。

在其他变型中，参照图1公开的方法也可以被应用于参照图5公开的自适应线路增强器。因此，根据本发明的自适应线路增强器不需要包括超参数优化。

通常，公开的用于超参数优化的方法需要显著量的处理资源，并且如果这样的方法被实施在助听器系统或个体助听器，则这特别是一个问题。

根据公开的实施例的另一变型，超参数优化的多个部分因此可以被离线地实施，以便减轻对助听器系统中的处理资源的要求。

在本背景中，术语“离线”可以被理解为意味着“离线”方法步骤在将助听器系统交给用户之前作为助听器系统拟合的一部分被执行。

因此，根据本发明的实施例，可以执行拟合助听器系统的包含以下步骤的方法。

首先，后验概率被选择。该后验概率可以与参照图1实施例公开的相同，即p(w|wold，d)。然而，本实施例也可以基于其他后验概率，诸如不取决于之前的自适应滤波器系数设定(即wold)的后验概率。

在第二步骤中，用于先验概率和似然概率的分布被选择。根据本实施例，先验概率和似然概率分布被假设为是高斯分布，但是这不必是这样的情况。

在第三步骤中，用于边缘似然概率(其也可以表示为迹象)的表达式基于用于先验概率和似然概率的选定的分布来导出。

在第四步骤中，基于特定输入信号样本并且基于用于选定的概率分布的每个超参数的选定的一组初始值使用迭代优化方法关于第一选定的超参数优化边缘似然概率，由此改善第一选定的超参数的第一优化值。因此，根据本实施例，仅一个超参数被优化。然而，在变型中，多个或所有超参数被优化。通常，多个超参数的优化将需要使用基于梯度的优化方法。

在第五步骤中，使用用于每个超参数的不同的一组初始值同时仍然使用相同的特定输入信号样本重复第四步骤，并且因此提供用于第一选定的超参数的多个第一优化值。该步骤对于大多数情况并且对于大多数假设的概率分布是需要的，以便避免优化找到局部最优而非全局最优。

在第六步骤中，基于边缘似然概率的值中的最高值的确定提供第一选定的超参数的第二优化值，该边缘似然概率的值使用用于第一选定的超参数的第一优化值并且使用用于每个未优化的超参数的对应的不同组初始值并且通过使用相同的输入信号样本来计算，所述未优化的超参数形成用于优化第一选定的超参数的基础。因此，第一选定的超参数的第二优化值提供了全局最优的改善的估计。

在第七步骤中，针对多个输入信号样本重复第四、第五和第六步骤，由此提供第一选定的超参数的多个第二优化值。这是有利的，因为第一选定的超参数的该多个第二优化值表示取决于输入信号样本(其同样表示声音环境)的先验概率超参数优化。

在第八步骤中，通过将多个第二优化值进行分组成集群(cluster)并且随后基于每个集群中的多个第二优化值的平均值选择用于该集群的第三优化值，从所述多个第二优化值中选择第一选定的超参数的第三优化值。根据本实施例，每个集群与助听器系统能够使用在助听器系统的领域内众所周知的许多声音分类技术中的一种进行识别的声音环境相关联。

然而，在变型中，第三优化值不需要基于平均值来确定，但是可以以一些其他方式来确定，诸如通过简单地选择与对应的输入信号样本一起提供边缘似然概率的最高值的值。根据另一变型，第三优化值不需要针对每个集群进行选择，相反地可以选择一个全局值。

在第九和最终步骤中，第一选定的超参数的所述第三优化值被存储在助听器系统中。

根据公开的实施例的又一变型，超参数优化可以被用来确定自适应滤波器中的滤波器系数的最佳数量。这要求公开的用于确定优化的超参数的方法独立于多个不同的自适应滤波器长度(即自适应滤波器系数的数量)来实施，并且边缘似然概率然后针对每个自适应滤波器长度及其对应的优化的超参数来计算，并且选择提供边缘似然概率的最大值的滤波器长度。在变型中，这可以针对多个不同的声音环境来实施。

根据特别有利的变型，最佳滤波器长度针对多个不同的声音环境进行确定，使得当助听器系统识别特定声音环境时，那么这触发特定超参数的对应的选择，其中超参数中的至少一个已经被优化，并且根据更进一步的变型，通过先验概率协方差矩阵的谨慎设计来选择用于每个识别的声音环境的适当的自适应滤波器长度。

然而，假如高斯未被假设，那么先验概率协方差矩阵可能是不可用的，并且在该情况下，自适应滤波器长度可以使用一些其他机制来进行选择，诸如针对某些识别的声音环境简单地将一个或更多个自适应滤波器系数设定为零。

因此根据本实施例，用于至少一个超参数的表示一组集群的一组超参数值与关于选定的后验概率和假设的概率分布的信息一起被存储在助听器系统中。因此，助听器系统中的超参数优化能够以各种不同的方式被执行。

一种方法包括在助听器系统中针对每个样本在线地实施以下步骤：

-计算用于每个集群的边缘似然概率，即通过使用选定的一组初始(即未优化的)超参数值结合针对至少一个超参数被选择为表示集群的值，以及

-使用当针对目前样本计算时提供边缘似然概率的最高值的集群的超参数组。

这种超参数优化方法是有利的，因为它仅需要有限的处理资源。

根据一变型，另一方法包括在助听器系统中针对每个样本在线地被实施以下步骤：

-使用当针对目前样本计算时提供边缘似然概率的最高值的集群的超参数组作为一组初始值，并且基于目前样本使用迭代优化方法以提供至少一个超参数的优化值。

这种超参数优化方法是有利的，因为它仅需要相对有限的处理资源，同时提供改善的性能。处理资源与性能之间的权衡可以通过选择优化方法被允许实施的迭代步骤的数量来调整。

在变型中，如果边缘似然概率的计算值对于目前样本较高，则可以代替集群超参数组使用最近的一组超参数值。

在又一变型中，超参数优化所需的所有步骤都可以通过助听器系统来实施，然而，至少在目前，关于处理能力并且因此也关于助听器系统尺寸和功率消耗，这将呈现显著的缺点。

在进一步的变型中，根据所公开实施例的方法和助听器的所选部分也可以在不是助听器系统(即它们不包括用于补偿听力损失的装置)但是仍然包括声电输入换能器和电声输出换能器两者的系统和装置中实现。目前，这种系统和装置通常被称为可听装置(hear-able)。然而，至少部分可穿戴健康监测装置(被称为可穿戴装置)和头戴式耳机是这种系统的其他示例。

本发明可以在助听器系统领域内并且更一般地在也可以被表示为可穿戴装置的至少部分可穿戴健康监测装置领域内是尤其有利的。

对于本领域技术人员来说，结构和程序的其他修改和变型将是明显的。