一种基于BP人工神经网络的数字助听器智能验配算法的制作方法

本发明属于数字助听器领域的验配算法，更具体的说，是涉及一种基于BP人工神经网络的数字助听器智能验配算法，该算法基于BP人工神经网络，通过大量的训练数据对网络进行训练，得出一个令人满意的成熟网络，并利用自行建立的公式模型对网络进行修正，从而得到成熟的智能验配算法。

背景技术：

目前，中国人口老龄化问题日趋严重，到2030年中国老年人口比例将接近30％，耳聋是老年人的常见病，随着老年人口的增加，患有耳聋的老年人口的数量日益增多，人们对于助听器的需求与日俱增。

数字助听器的诞生为助听器的发展奠定了坚实的基础，无论是语音信号处理的准确性还是应用的便捷性都有了长足的进步，这些性能的优化主要取决于动态范围压缩器，而动态压缩器是如何工作的主要取决于验配公式所得到的增益参数。数字助听器的验配公式有很多，主要分为以听阈为基础的和以响度为基础的，其中以听阈为基础的又分为线性的和非线性的两种。对于以响度为基础的主要有LGOB，线性的主要有NAL、DSL等，非线性的主要包括NAL-NL1、FIG6、DSL(i/o)等，目前最广泛应用的是POGO、NAL、DSL这三种。

不同的验配公式对于同一个患者所得出的结果是不相同的，验配达到的效果也各有利弊。POGO公式是一个简单的半增益方法，即取得患者听阈的一半在加上经验常数得到通道增益，这种验配公式主要是对响度进行了调整，对于语言的可懂度的要求较少。NAL的发展经历了四代，现在的NAL-NL2已经非常成熟，尤其对于中等程度的耳聋患者的选配具有重要的实用价值。DSL验配公式主要适用于儿童。这几种常用的验配公式虽各有优点，但是对于听力损伤严重的耳聋患者效果较差，并且由于不同的患者需要选择不同的验配处方公式以达到最优的验配效果，这给验配工作带来了极大的不便。

验配师希望有一种简单的验配方案，能够根据患者的听力图得出一个十分准确的验配参数，并且会随着验配案例的增多逐步完善，从而达到一个令人满意的验配效果。

技术实现要素：

本发明的目的是为了克服现有技术中的不足，提供一种基于BP人工神经网络的数字助听器智能验配算法，该算法基于BP人工神经网络，通过大量的训练数据对网络进行训练，得出一个令人满意的成熟网络，并利用自行建立的公式模型对网络进行修正，从而得到成熟的智能验配算法；本发明利用遗传算法原理对BP人工神经网络的初始权值和阈值进行优化，并利用现有的听力图和频谱增益响应作为训练数据对BP人工神经网络进行训练，同时通过验配公式模型对网络进行修正，得到成熟的BP人工神经网络来代替现有的验配处方公式，进而得到数字助听器的各通道增益、最大声输出、压缩率以及压缩拐点等参数。

本发明的目的是通过以下技术方案实现的：

一种基于BP人工神经网络的数字助听器智能验配算法，利用现有的听力图和频谱增益响应作为训练数据去训练BP人工神经网络，通过训练后的网络来估计预测新的患者，具体包括以下步骤：

(1)构建BP人工神经网络，包括输入层、隐含层和输出层；

(2)利用遗传算法对步骤(1)建立的BP人工神经网络的初始权值和初始阈值进行优化；

(3)对步骤(2)中经过优化后的BP人工神经网络进行训练，训练数据采用真实患者的案例，通过对BP人工神经网络的不断训练，使其逐步成熟，最终得到一个相对成熟的基于BP人工神经网络的数字助听器验配算法；

(4)搭建用于对经过步骤(3)所述验配算法得到的增益输出进行优化的公式模型；

(5)利用步骤(4)建立的所述公式模型对所述验配算法通过加权方式进行修正，以得到增益输出，随着后续训练数据的不断增多，加权系数会逐渐接近1，最终得到成熟完善的基于BP人工神经网络的数字助听器智能验配算法。

步骤(1)中所述BP人工神经网络参数包括输入层和隐含层之间的权值W_ij以及隐含层和输出层之间的权值W_jk，还包括隐含层和输出层的阈值。

所述输入层、隐含层和输出层的节点数分别为10、20和30，按照频谱分为10个通道，即频率在250、500、750、1000、1500、2000、3000、4000、6000和8000Hz的目标为40dB的增益、压缩比和压缩拐点。

步骤(2)中所述优化流程如下：a.设定遗传算法的种群规模和迭代次数；b.将BP人工神经网络的初始权值和阈值进行GA编码，通过患者的听力图与频谱增益响应得到每个个体的适应度；c.最终经过遗传算法的选择操作、交叉操作和变异操作对初始权值和阈值进行种群适应度的计算，最终达到对网络阈值和权值的寻优。

与现有技术相比，本发明的技术方案所带来的有益效果是：

1.为了更加准确的确定神经网络的初始权值和阈值，本发明利用遗传算法对神经网络进行优化，该优化算法已经非常成熟，遗传算法遵循“数竞人择，优者生存”的原则完成对网络初始权值和阈值的寻优；BP人工神经网络经遗传算法优化后，相对于原始的BP人工神经网络具备了先天的优势，通过将大量验配案例中的听力图和频谱增益响应对网络进行训练，随着训练数据的不断增加，基于BP人工神经网络的数字助听器智能验配算法也将越来越成熟。

2.为了使得验配的结果更加准确，本发明还利用自己建立的公式模型对BP人工神经网络进行了修正，通过两者的加权得出各通道增益，最终得到一个成熟的数字助听器智能验配算法。

3.在验配阶段，验配师只需要将听力测试的结果作为输入数据经本发明智能验配算法计算便可以得出令人满意的各通道增益、压缩比以及压缩拐点等参数，因为基于BP人工神经网络的数字助听器算法是经过大量验配案例训练得到的成熟网络，其输出的结果必然会接近患者真实的验配效果。

4.本发明所涉及到的算法模型已经相对成熟，相比于其他的验配处方公式，基于BP人工神经网络的数字助听器智能验配算法所覆盖的范围更加广泛，并且由于该算法模型是经过真实验配案例所得到的成熟的算法模型，其输出的结果也将在一定程度上优于其他验配处方公式。本发明所涉及到的算法适合于数字助听器验配过程中代替现有的验配处方公式，必将为验配工作提供一个更加准确便捷的验配方案。

附图说明

图1是本发明所用到的BP人工神经网络的拓扑结构示意图。

图2是本发明利用遗传算法优化BP人工神经网络并进行训练的具体流程图。

图3是本发明所用到的公式模型验配方案流程图。

图4是本发明所用到的公式验配原则与BP神经网络智能算法加权验配的流程图。

具体实施方式

下面结合附图对本发明作进一步的描述：

一种基于BP人工神经网络的数字助听器智能验配算法，实际上是利用现有的听力图和频谱增益响应作为训练数据去训练BP人工神经网络，通过训练后的网络来估计预测新的患者。进一步讲就是利用经过遗传算法原理优化的BP人工神经网络，通过现有的听力图和频谱增益响应作为训练数据对BP人工神经网络进行训练，同时利用验配公式的模型对训练后的网络进行修正，最终得到成熟的基于BP人工神经网络的数字助听器验配算法。具体过程步骤如下：

(1)构建BP人工神经网络，本实施例所使用的BP人工神经网络是一种多层次的前馈神经网络，即数据前向传递，误差后向传递。如图1所示，为BP人工神经网络的拓扑结构，BP人工神经网络是一种已经非常成熟的人工神经网络，主要结构包括输入层、隐含层和输出层。主要参数包括输入层和隐含层之间的权值W_ij以及隐含层和输出层之间的权值W_jk，同时还包括隐含层和输出层的阈值。本发明中的验配算法模型规定BP人工神经网络的输入节点为10个，即频率在250、500、1000、2000、3000、4000、6000、8000Hz时的听阈以及性别(用1、2分别代表男和女)和经验(用1、2、3、4分别代表首次用户、短期用户、有经验用户和长期用户)。隐含层节点数为20，输出节点数为30，输出为10通道输出，即频率在250、500、750、1000、1500、2000、3000、4000、6000和8000Hz的目标为40dB的增益、压缩比和压缩拐点。用于训练此网络的训练数据均来自患者的真实验配案例，保证了网络的可靠性。

(2)对步骤(1)建立的BP人工神经网络的初始权值和初始阈值进行优化；图2是进行优化并对网络进行训练的具体流程图，图1中已经具体阐述了本算法所利用的BP人工神经网络的具体参数，为了保证网络的最优性，本发明通过遗传算法对BP人工神经网络进行优化。遗传算法是一种对数值进行优化的算法，此处旨在为神经网络寻求最优的初始权值和阈值。本发明中规定遗传算法的种群规模为50个个体，迭代次数为1000次。具体优化步骤为将BP人工神经网络的初始权值和阈值进行GA编码，然后通过验配案例中的患者的听力图与频谱增益响应得到每个个体的适应度，然后经过遗传算法的选择操作、交叉操作和变异操作对初始权值和阈值进行种群适应度的计算，最终达到对网络阈值和权值的寻优。在训练过程中，BP神经网络根据输入的测听数据，依次通过隐含层节点的计算和输出节点的计算得出预测输出即各通道增益、压缩比和压缩拐点，预测输出通过与期望输出进行比对得出误差，误差通过网络进行反向传递更新网络中的阈值和权值，使得输出的结果逐渐逼近真实的输出结果。

(3)对步骤(2)中经过优化后的BP人工神经网络进行训练，训练数据采用真实患者的案例，通过对BP人工神经网络的不断训练，使其步成熟，最终得到一个相对成熟的基于BP人工神经网络的数字助听器验配算法；

(4)搭建用于对经过步骤(3)所述验配算法得到的增益输出进行优化的公式模型；图3是搭建的公式模型验配方案的流程图。首先获取输入数据，主要有八通道听阈即频率在250、500、1000、2000、3000、4000、6000、8000Hz时的听阈和是否为传导性耳聋患者(是为1，不是为0)，然后取听阈的一半作为40dB输入时的增益并将采用平均值法将其改为十通道(频率在250、500、750、1000、1500、2000、3000、4000、6000、8000Hz的增益)，即将频率为500和1000Hz的增益取平均值作为750Hz的增益，将1000和2000Hz处的增益取平均作为1500Hz的增益，同时根据是否为传导性耳聋患者进行加6dB修改，最后通过压缩比(传导性耳聋患者取1.2，感音神经性耳聋患者取1.4)和压缩拐点对60dB和80dB输入时的增益进行计算，同时对输入80dB时250Hz处的增益进行减少6dB，在3000～4000Hz附近的增益减少3dB，同时根据输入听阈估测MPO。

(5)利用步骤(4)建立的所述公式模型对所述验配算法通过加权方式进行修正，图4是本发明用到的公式验配原则与BP人工神经网络的智能算法进行加权验配的流程图，加权的目的是为了使得基于BP人工神经网络的智能算法的输出结果进行修正，使得输出的各通道增益更加逼近真实水平。具体方法是首先根据输入得到公式验配结果和智能验配算法验配结果，同时对生成的结果进行处理生成3X10的增益矩阵(频率在250、500、750、1000、1500、2000、3000、4000、6000、8000Hz时输入为40、60、80dB时的增益)，然后将公式验配得到的矩阵和智能算法得到的矩阵中的每一个增益进行加权得到总的增益矩阵，最后根据MPO对输出的结果进行限制，其中加权系数p是一个与网络相关的1X10的矩阵，即神经网络的倒数乘以一个常数k，随着网络的逐渐成熟k值会逐渐变大，直至p中的所有系数均变为1，此时标志网络的成熟，本发明基于BP人工神经网络的数字助听器智能验配算法就成熟且完善了。

本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。