一种个性化听力损失建模方法

摘要

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。

说明书

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

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。

优选，步骤(A)中的助听器插入增益G共有133维，分别为50dB、55dB、60dB、65dB、70dB、80dB和90dB SPL输入声压级下各19个频点125Hz、160Hz、200Hz、250Hz、315Hz、400Hz、500Hz、630Hz、800Hz、1000Hz、1250Hz、1600Hz、2000Hz、2500Hz、3150Hz、4000Hz、5000Hz、6300Hz、和8000Hz处的插入增益。

优选，步骤(B)中听障患者样本按听损程度分类的步骤为：

B1)、对于每个听力图HL

式中，HL

B2)、根据听障患者样本g

G

G

G

优选，步骤(C)具体包括如下步骤：

C1)、设定最大迭代次数为N，分类个数为k，根据步骤(B)的分类构建插入增益的样本集合G＝{g

C2)、从输入的样本集合中随机选择一个点作为第一个聚类中心μ

C3)、对于每一个点g

C4)、选择D

C5)、重复步骤C3)和C4)，直到选出k个聚类中心{μ

C6)、计算每个样本g

C7)、对于类别c

C8)、如果所有k个聚类中心向量μ

C9)、对于每个分类好的子集Gm，其样本个数为

C10)、计算所有k值下的轮廓系数，保留轮廓系数最大情况下对应的分类数k和对应的聚类中心{μ

优选，2≤k≤6。

优选，样本的系数

本发明的有益效果是：

与现有技术相比，本发明通过构建一种基于助听器增益的个体听损建模方法，将不同听损的听障患者进行分类，并选择代表性听力图来表征不同类别听损患者的差异以克服现有助听器非常依赖听力专家验配的现状，其中：

1)基于增益的分类方法更符合听障患者的实际补偿效果，能更好体现听障患者的个体差异；

2)根据不同听损的患者进行分类，可以更好实现听损补偿，使助听器验配尽可能少的依赖听力专家；

3)本发明可以增强听力图的可解释性，充分解释或最佳利用听力图中包含的大量临床信息，可以使非专家能够根据需要决定是否将患者转介给听力学专家、听力仪器专家或医师。

附图说明

图1是本发明中度听力损失建模结果示例图，x轴表示频率，纵坐标表示听力损失；

图2是本发明重度听力损失建模结果示例图，x轴表示频率，纵坐标表示听力损失；

图3是本发明极重度听力损失建模结果示例图，x轴表示频率，纵坐标表示听力损失。

具体实施方式

下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

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。

此步骤是获取样本数据源，其中，获取的数据源数量越多，本发明的分类精度越高，建议数量不低于(500-1000)个。

优选的，步骤(A)中的助听器插入增益G共有133维，分别为50dB、55dB、60dB、65dB、70dB、80dB和90dB SPL输入声压级下各19个频点125Hz、160Hz、200Hz、250Hz、315Hz、400Hz、500Hz、630Hz、800Hz、1000Hz、1250Hz、1600Hz、2000Hz、2500Hz、3150Hz、4000Hz、5000Hz、6300Hz、和8000Hz处的插入增益。助听器插入增益G共有133维，分别包括：

1)、50dBSPL(sound pressure level)输入声压级下19个频点处的插入增益；

2)、55dBSPL(sound pressure level)输入声压级下19个频点处的插入增益；

3)、60dBSPL(sound pressure level)输入声压级下19个频点处的插入增益；

4)、65dBSPL(sound pressure level)输入声压级下19个频点处的插入增益；

5)、70dBSPL(sound pressure level)输入声压级下19个频点处的插入增益；

6)、80dBSPL(sound pressure level)输入声压级下19个频点处的插入增益；

7)、90dBSPL(sound pressure level)输入声压级下19个频点处的插入增益。

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。

优选的，步骤(B)中听障患者样本按听损程度分类的步骤为：

B1)、对于每个听力图HL

式中，HL

B2)、根据听障患者样本g

G

G

G

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，使用无监督聚类方法(如K-Means，mean shift,DBSCAN等)对各类听障患者样本的助听器插入增益分别进行分类。

优选的，步骤(C)具体包括如下步骤：

C1)、设定最大迭代次数为N，分类个数为k，根据步骤(B)的分类构建插入增益的样本集合G＝{g

C2)、从输入的样本集合中随机选择一个点作为第一个聚类中心μ

C3)、对于每一个点g

C4)、选择D

C5)、重复步骤C3)和C4)，直到选出k个聚类中心{μ

C6)、计算每个样本g

C7)、对于类别c

C8)、如果所有k个聚类中心向量μ

C9)、对于每个分类好的子集Gm，其样本个数为

其中，样本的系数

C10)、计算所有k值下的轮廓系数，保留轮廓系数最大情况下对应的分类数k和对应的聚类中心{μ

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。

下面结合具体实施例进行说明，其中，实验数据来自于美国全国健康和营养检查调查(NHANES)，调查的一部分通过纯音测听评估受试者的听力状态，NHANES数据集包含大量的基本纯音听力图。实验检索了从1999年到2016年获得的听力图，从而得到了年龄在12至85岁(平均：39±21岁)的参与者的21436张听力图的数据集，其中，听力图是使用标准纯音测听协议，使用带有耳听式或插入式耳机的常规听力计获得的。数据包含7个测试频率下的空气传导阈值：500Hz、1000Hz、2000Hz、3000Hz、4000Hz、6000Hz和8000Hz。

为了有效的进行评估，我们对数据进行了预处理：

1)、删除了至少一个阈值缺失的不完整听力图；

2)、丢弃中度听损以下的数据，即500Hz、1000Hz、2000Hz和4000Hz处的平均阈值低于40dB HL的听力图。

筛选后的数据中共有中度听力损失样本1578个，重度听力损失样本356个，极重度听力损失样本63个。其中：中度听损样本被划分为3类，各自包括494、393和691个样本；重度听损样本被划分为3类，各自包括135、122和99个样本；极重度听损样本分为2类，各自包括22和41个样本，共8类。中度，重度和极重度听损样本分类结果的轮廓系数分别可达到0.345、0.380和0.466。分类的结果如图1到图3所示：

从图1可以看出，不同的类别在高频部分区分度较高，符合听障患者高频损失重的特点。整个听障人群分为8类，低于传统的分类方法，为免验配助听器的类别切换提供实现可能。而且，经过专家验配的时间要远大于本发明的方法，而本发明的验配时间几乎为零。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或者等效流程变换，或者直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。