一种基于PTC的耳蜗死区边缘检测方法

一种基于ptc的耳蜗死区边缘检测方法
技术领域
1.本发明涉及耳蜗死区检测的技术领域，具体为一种基于ptc的耳蜗死区边缘检测方法。


背景技术：

2.耳蜗是人体内将外界声波输入的机械能转换为神经冲动的器官。耳蜗的圆窗接受听小骨传来的声振动并引起基底膜振动，不同频率的声音引起基底膜的振动部位不同，基底膜的振动带动毛细胞振动产生听觉。听觉毛细胞分为外毛细胞和内毛细胞，其中外毛细胞类似放大器，主要负责放大声音在基底膜上引起的振动，其损伤会降低耳蜗放大器的增益；而内毛细胞类似换能器，主要将基底膜振动转化为听神经的兴奋，其损伤会降低听神经动作电位的数量。通常情况下感音神经性耳聋主要由外毛细胞的损伤引起，这时候通过助听器将输入放大即可使患者重新听到声音，然而在某些情况下，耳蜗中某个频率区域的内毛细胞或听神经的神经元受到严重损伤，导致在这部分频域内的声音如何放大都无法使患者产生听觉，这部分频率区域被称为耳蜗死区，或简称为死区。
3.耳蜗死区是耳蜗中内毛细胞或听觉神经元失去或基本失去功能的区域，这部分区域不论接受多强的刺激都难以将声信号转化为电信号，大约有36％到43％的助听器佩戴者或电子耳蜗植入者具有不同程度的耳蜗死区，从而导致助听器验配结果的不准确或人工耳蜗的准确植入。对耳蜗死区的检测在助听器验配与人工耳蜗植入中均有着重要的意义。现有的对耳蜗死区的检测方法大多基于心理物理调谐曲线(psychophysical tuning curves，以下简称ptc)进行，ptc测试中受试者的任务是在窄带掩蔽噪声存在的情况下判断纯音信号是否存在。在整个测试过程中，纯音信号的频率(f
sig
)和强度(l
sig
)固定不变，每次测试会采用具有不同中心频率和强度(f
mask
、l
mask
)的窄带噪声。ptc的检测结果是受试者恰好不能够听到纯音所需要的掩蔽声强度l
mask
值关于掩蔽声频率f
mask
的函数曲线。对于听力正常的受试者和听力受损但无死区的受试者，ptc的最小值在f
sig
附近，也就是信号和噪声的频率重合处。当信号频率在死区范围内时，受试者实际上是通过死区外的内毛细胞感受纯音，或者是靠死区边缘频率(fe)处感受纯音，因此，当f
mask
≈fe时，ptc将出现最小值。现有技术中的ptc法能够获得对死区边缘频率更精确的估计，但它本身也存在着诸多不足：现有技术中的ptc测试需要测定在多个频率点处的掩蔽阈值，这通常需要消耗大量的时间(一般需要30分钟到一个小时)，导致在实际的生产工作中应用场景受限。


技术实现要素：

4.为了解决现有技术中基于ptc检测耳蜗死区的方法耗时较长，导致在实际的生产工作中应用受限的问题，本发明提供一种基于ptc的耳蜗死区边缘检测方法，其不但检测结果准确且可以极大地缩小检测时间。
5.本发明的技术方案是这样的：一种基于ptc的耳蜗死区边缘检测方法，其特征在于，其包括以下步骤：
6.s1：基于ptc原理构建受试者响应概率模型；
7.所述受试者响应概率模型为v形曲线，基于参数θ＝[fe,le,k1,k2]表示所述受试者响应概率模型的模型参数；
[0008]
其中，fe为v形曲线的尖端处频率，le为v形曲线的尖端处声强；(fe,le)为所述受试者响应概率模型曲线的顶点坐标；k1表示所述受试者响应概率模型曲线的前向斜率，k2表示所述受试者响应概率模型曲线的后向斜率；
[0009]
s2：基于所述受试者响应概率模型，受试者听到纯音的概率p(y＝1|x,θ)表示为：
[0010][0011]
其中，φ(x)为标准正态分布的累积分布函数；f
mask
为掩蔽声频率；
[0012]
x＝[f
mask
,l
mask
]表示刺激参数，f
mask
为掩蔽噪声的频率,l
mask
为掩蔽噪声的强度；fe为v形曲线的尖端处频率，le为v形曲线的尖端处声强；y＝1表示受试者在刺激参数x的条件下听得到纯音；y＝0表示受试者在刺激参数x的条件下听不见纯音；σ为超参数；
[0013]
s3：设已经有采样样本则有：
[0014][0015]
其中，表示在某一组参数θ下，采样得到样本的概率，n为采样点个数，i表示第i次迭代；
[0016]
s4：基于贝叶斯条件概率公式，有：
[0017][0018]
其中，表示在已有观测样本下参数θ的分布；p(θ)表示参数θ的先验分布；
[0019]
s5：将注意力机制引入到所述受试者响应概率模型中，第i个频率fi处的注意力权重a的计算方法为：
[0020][0021]
其中，表示均值为lnfe，方差为0.01的正态分布在lnfi的概率；
[0022]
表示当前观测样本；表示当前fe的边缘分布；σ2表示方差；
[0023]
s6：模型下一次测试的刺激参数x
next
的计算方法为：
[0024][0025]
其中，i是单位矩阵；为在当前采样结果下，采样点x对参数θ的互信息；
[0026]
s7：每次测试开始前，设置纯音信号参数f
sig
和l
sig
和窄带噪声的测试参数fe,le,
k1,k2,f
mask
,l
mask
测试范围后实施初始化测试；
[0027]
所述初始化测试包括：
[0028]
以10db为l
mask
的步长，在测试纯音信号频率f
sig
、纯音信号频率和fe的所述测试范围中最小值的均值纯音信号频率和fe的所述测试范围中最大值的均值三个频率处的受试响应，每测试一个频率，当受试响应有一次变化后停止这个频率点的测量，这样能够得到最初的一系列采样结果
[0029]
将初始化得到的采样结果送入到中；
[0030]
s8：通过计算得到x对应的y；计算得到当前的后验参数分布后，计算得到
[0031]
s9：通过下一次测试的刺激参数的公式，计算得到下一次的刺激参数x
next
；
[0032][0033]
s10：将刺激参数x
next
作为输入x，循环执行步骤s8～s9，直至符合下面的停止条件后，测试停止；
[0034]
停止条件为：
[0035]
连续三次测试中大于预设的停止置信度阈值，且这三次测试中得到的三个fe值之间相差均小于fe所在倍频程的1/20；
[0036]
s11：构建ptc曲线基础图；
[0037]
所述ptc曲线基础图横坐标为频率，纵坐标为强度；
[0038]
将测试过程中，y＝0时，对应的x＝[f
mask
,l
mask
]标注到所述ptc曲线基础图中，对所有的点进行拟合，即得到作为本次测试结果的受试者响应概率模型曲线。
[0039]
其进一步特征在于：
[0040]
步骤s6中，所述互信息的计算方法为：
[0041][0042]
其中，为香农熵，用以衡量某个随机变量的不确定度；
[0043]
为在当前采样结果下，采样点x对参数θ的互信息；具体的采用如下公式计算：
[0044][0045][0046]
所述停止置信度阈值设置为0.5；
[0047]
步骤s8，还可以通过以下步骤进行操作实施：
[0048]
a1：分别获取本次测试中的fe、f
mask
、le、l
mask
、k1和k2的所述测试范围；
[0049]
a2：在所述测试范围中，将强度参数le和l
mask
按照等间隔，频率参数fe和f
mask
按照指数等间隔，分别取25个数据点；
[0050]
使用fe、f
mask
、le、l
mask
的所有数据点，构建6维参数矩阵p；
[0051]
所述参数矩阵p中，每组元素[fe,le,k1,k2,f
mask
,l
mask
]都符合p(y＝1|x,θ)的计算关系；
[0052]
a3：当需要执行步骤s8时，将刺激参数x＝[f
mask
,l
mask
]在所述参数矩阵p中查询，得到对应的
[0053]
所述测试范围包括：
[0054]
fe和f
mask
的测试范围设置在纯音信号频率f
sig
附近一个倍频程的位置；
[0055]
le和l
mask
的测试范围设置为纯音信号强度l
sig
以下15db至90db；
[0056]
k1和k2的测试范围设置为10-3
至10-0.5
。
[0057]
本发明提供的一种基于ptc的耳蜗死区边缘检测方法，其构建了受试者响应概率模型，受试者响应概率模型为v型曲线，测试过程中无需将所有的窄带掩蔽噪声的频率都进行测试即可得到测试结果，提高了测试速度；本技术将注意力机制引入到受试者响应概率模型中，构建为以主动学习为基础的active-ptc检测方法，基于主动学习为基础的active-ptc检测方法能够快速且准确地找到模型下一次测试的刺激参数x
next
，不但大大加速了测试速度，解决了ptc方法耗时过长的问题；同时因为本技术中x
next
计算方法基于互信息进行计算，其中互信息中通过香农熵体现了采样点x对参数θ的不确定性，本技术中计算得到的x
next
对θ的信息量最大，确保每次采样得到的信息量尽量多，进一步加速ptc测试，同时提高了测试结果的准确性。在具体实现时，基于受试者响应概率模型p(y＝1|x,θ)，预先构建参数矩阵p，对于每一个刺激参数x无需计算，而是通过查询得到对应的进一步提高了测试速度。
附图说明
[0058]
图1为本技术中active-ptc中使用的概率模型示意图；
[0059]
图2为以60db为均值的标准正态分布的累积分布函数示意图；
[0060]
图3为active-ptc保存的测试结果实施例；
[0061]
图4为本技术中技术方案与现有技术方案的实验结果中测试用时间比较示意图；
[0062]
图5为本技术中技术方案与现有技术方案的实验结果中ptc曲线尖端频率比较示意图。
具体实施方式
[0063]
本发明包括一种基于ptc的耳蜗死区边缘检测方法，其包括以下步骤。
[0064]
s1：基于ptc原理构建受试者响应概率模型；
[0065]
受试者响应概率模型为v形曲线，基于参数θ＝[fe,le,k1,k2]表示受试者响应概率模型的模型参数；
[0066]
其中，fe为v形曲线的尖端处频率(对应死区边缘频率)，le为v形曲线的尖端处声强
(对应fe处所需的最小掩蔽强度)；(fe,le)为受试者响应概率模型曲线的顶点坐标；k1表示受试者响应概率模型曲线的前向斜率，k2表示受试者响应概率模型曲线的后向斜率。
[0067]
s2：基于受试者响应概率模型，若掩蔽参数为x，模型参数为θ，则受试者听到纯音的概率为受试者听到纯音的概率p(y＝1|x,θ)表示为：
[0068][0069]
其中，φ(x)为标准正态分布的累积分布函数；f
mask
为掩蔽声频率；
[0070]
x＝[f
mask
,l
mask
]表示刺激参数，f
mask
为掩蔽噪声的频率,l
mask
为掩蔽噪声的强度；fe为v形曲线的尖端处频率，le为v形曲线的尖端处声强；y＝1表示受试者在刺激参数x的条件下听得到纯音；y＝0表示受试者在刺激参数x的条件下听不见纯音；σ为超参数，更大的σ使模型能够容忍更大的误差，但同时收敛也会变慢，本实施例中，将σ设置在5至10之间，均能取得较好的测试效果。
[0071]
为标准正态分布的累积分布函数，φ(x)将测试点与听力阈值之间的距离转化为概率，如图1所示，横坐标为频率，纵坐标为强度，现有技术中的ptc曲线(图中标记为ptc result)为实线所示的曲线，本技术技术方案中，构建的受试者响应概率模型对应的曲线为虚线所示的曲线(图中标记为active-ptc result)，active-ptc result曲线及其参数θ＝[fe,le,k1,k2]在1250hz处黄线所对应的值是60db，则在1250hz处掩蔽声强度和受试者听到纯音的概率关系如图2所示，是以60db为均值的标准正态分布的累积分布函数。
[0072]
s3：设已经有采样样本则有：
[0073][0074]
其中，表示在某一组参数θ下，采样得到样本的概率，n为采样点个数；i表示第i次迭代。
[0075]
s4：基于贝叶斯条件概率公式，有：
[0076][0077]
其中，表示在已有观测样本下参数θ的分布；p(θ)表示参数θ的先验分布。
[0078]
在测试中认为受试者听力参数θ的先验分布p(θ)是均匀分布，则可以得到在已有观测下θ的分布即通过测试样本得到对于模型参数的估计。
[0079]
在提出受试者响应概率模型，通过模型进行参数估计的基础上，本方法中将主动学习引入采样过程，使每次采样得到的信息量尽量多，进一步加速ptc测试。主动学习的目标就是找到下一个采样点x
next
，使其对θ的信息量最大。关于x
next
的计算，基于互信息公式实现：
[0080][0081]
其中，为香农熵，用以衡量某个随机变量的不确定度；
[0082]
为在当前采样结果下，采样点x对参数θ的互信息；具体的计算如下公式近似计算：
[0083][0084][0085]
公式(4)的具体信息参照文件houlsby,n.,husz
á
r,f.,ghahramani,z.,&lengyel,m.(2011).bayesian active learning for classification and preference learning.arxiv,abs/1112.5745。
[0086]
在本技术的受试者响应概率模型的中fe,le,k1,k2四个参数拥有相同的权重，这常会导致互信息大的地方存在于ptc“v”形曲线的两端最高点，但在死区检测的实际应用中，更为关心ptc曲线的尖端在何处，对应到参数上就是fe相对f
sig
发生偏移的大小。所以本技术技术方案中，在互信息的基础上加入了注意力机制，通过当前的计算得到当前fe的边缘分布之后根据的值叠加上一层高斯分布作为注意力加权，注意力机制使模型更关注在fe附近频率的测试点，更可能找到“v”形曲线的最低点。
[0087]
s5：将注意力机制引入到受试者响应概率模型中，得到基于主动学习(active-learning)的ptc检测方法，即为active-ptc模型；
[0088]
则，第i个频率fi处的注意力权重a的计算方法为：
[0089][0090]
其中，表示均值为lnfe，方差为0.01的正态分布在lnfi的概率；
[0091]
表示当前观测样本；表示当前fe的边缘分布；σ2表示方差。
[0092]
计算得到所有频率下的注意力后，将其归一化到[0,1]的区间内，得到注意力矩阵a，为了保留模型对整个空间进行探索的能力，保留了0.5的权重给所有空间，防止模型在一个小区域内不停检测。
[0093]
s6：模型下一次测试的刺激参数x
next
的计算方法为：
[0094][0095]
其中，i为单位矩阵；为在当前采样结果下，采样点x对参数θ的互信息。
[0096]
s7：每次测试开始前，设置纯音信号参数f
sig
和l
sig
和窄带噪声的测试参数fe,le,k1,k2,f
mask
,l
mask
测试范围后实施初始化测试；
[0097]
初始化测试包括：
[0098]
以10db为l
mask
的步长，在测试纯音信号频率f
sig
、纯音信号频率和fe的测试范围中
最小值的均值纯音信号频率和fe的所述测试范围中最大值的均值三个频率处的受试响应，每测试一个频率，当受试响应有一次变化(即从“听见”变为“听不见”或是从“听不见”变为“听见”)后停止这个频率点的测量，这样能够得到最初的一系列采样结果将初始化得到的采样结果送入到中。
[0099]
本技术中，通过初始化方法能够确保后续使迭代有较好的初值，进而能确保后续计算能更快达到稳定。
[0100]
本实施例中，设置的测试范围包括：
[0101]
fe和f
mask
的测试范围设置在纯音信号频率f
sig
附近一个倍频程的位置；
[0102]
le和l
mask
的测试范围设置为纯音信号强度l
sig
以下15db至90db；
[0103]
k1和k2的测试范围设置为10-3
至10-0.5
。
[0104]
s8：通过计算得到x对应的y；计算得到当前的后验参数分布后，计算得到
[0105]
s9：通过下一次测试的刺激参数的公式，计算得到下一次的刺激参数x
next
；
[0106][0107]
s10：将刺激参数x
next
作为输入x，循环执行步骤s8～s9，直至符合下面的停止条件后，测试停止；
[0108]
停止条件为：
[0109]
连续三次测试中大于预设的停止置信度阈值，且这三次测试中得到的三个fe值之间相差均小于fe所在倍频程的1/20。
[0110]
其中，停止置信度阈值根据测试需要进行适应设置，通过停止置信度阈值来控制测试的精准度和测试实施时间，一般来说，停止置信度阈值越大则实施时间越长，精准度越高；本实施例中，停止置信度阈值设置为0.5。
[0111]
本技术技术方案中，通过设置停止条件，确保能够在节约测试时间的同时达到足够精确的结果。其中，条件“连续三次测试中大于预设的停止置信度阈值”确保测试值足够集中，条件“三次测试中得到的三个fe值之间相差均小于fe所在倍频程的1/20”确保测试值的稳定性，二者结合确保测试值的准确性。
[0112]
具体实施时，停止条件也可以设置为通过实验人员主观判断，若实验者在实验过程中认为已经取得较为满意的结果，也可以手动停止测试。
[0113]
s11：构建ptc曲线基础图；
[0114]
ptc曲线基础图横坐标为频率，纵坐标为强度；
[0115]
将测试过程中，y＝0时，对应的x＝[f
mask
,l
mask
]标注到ptc曲线基础图中，对所有的点进行拟合，即得到作为本次测试结果的受试者响应概率模型曲线。
[0116]
步骤s8，还可以通过以下步骤进行操作实施：
[0117]
a1：分别获取本次测试中的fe、f
mask
、le、l
mask
、k1和k2的测试范围；
[0118]
a2：将强度参数le和l
mask
按照等间隔，频率参数fe和f
mask
按照指数等间隔，分别取
25个数据点；
[0119]
使用fe、f
mask
、le、l
mask
的所有数据点，构建一个6维参数矩阵p；
[0120]
参数矩阵p中，每组元素[fe,le,k1,k2,f
mask
,l
mask
]都符合p(y＝1|x,θ)的计算关系；
[0121]
a3：当需要执行步骤s8时，将刺激参数x＝[f
mask
,l
mask
]在参数矩阵p中查询，得到对应的
[0122]
即，通过参数x对受试者进行测试，得到响应y之后，将(x,y)存入当前结果从矩阵p中查表后根据等式(2)得到再根据等式(3)更新当前的后验参数分布根据计算得到并根据等式(4)计算得到互信息再根据等式(8)确定下一次的测试参数x
next
，将x
next
当做x循环上述过程，直至符合测试停止条件。
[0123]
本技术技术方案中，通过设置6维参数矩阵p，确保在计算互信息的过程中只需要查表，而不需要依次计算参数空间内的值。使每次测试的计算能够在1s内完成，这样在测试中受试在每两个测试点之间不必等待。极大地提高了计算速度。
[0124]
具体实现过程中，将当前互信息以及显示在软件界面，实验操作人员可以根据这些信息手动设置测试参数，若不进行设置，软件自动按照计算得到的参数x
next
进行下一次测试，直至满足停止条件或者实验操作人员手动停止测试。
[0125]
具体的基于本技术中的active-ptc模型测试得到的结果参照图3，通过测得的尖端频率可获得死区边缘频率。
[0126]
图2中，横坐标为频率，纵坐标为强度，将所有的参与测试的刺激参数x＝[f
mask
,l
mask
]标记在图中，其中，原点
●
表示y＝1(图中标记为heard)，x表示y＝0(图中标记为did not hear)，对所有的y＝0的点进行拟合，即得到本技术中的active-ptc模型测试得到的结果v字形折线。
[0127]
使用本发明的技术方案后，同样的测试，同样的测试，如果使用现有技术，每测试一次ptc曲线需要耗时9分钟，使用本技术的技术方案，则单次ptc测试只需要约6分钟，节省30％以上的时间，考虑到在死区检测中通常要进行两次或以上的ptc测试以确定死区边缘频率，本技术的技术方案可以节省较多测试时间。
[0128]
图4为分别使用本技术中技术方案与现有技术方案，对16位受试进行测试后，基于测试结果作成的两个箱型图。图中横坐标为使用的测试方法，纵坐标为单次测试所用时间，二者在统计学上有显著差异，即：图中的统计学p值小于0.0001。
[0129]
同时，本发明的测试结果与现有技术的测试结果具有较好的一致性，测试得到的ptc曲线尖端频率(对应死区边缘频率)基本一致。如图5所示，为利用同样的设备，分别使用本技术中技术方案与现有技术方案，对16位受试进行测试得到的ptc曲线尖端频率后，做成的箱型图。图中横坐标为使用的测试方法，纵坐标为ptc曲线的尖端频率，可见，二个测试方法的测试结果在统计学上无显著差异(图中统计学p值等于0.15)。
[0130]
本技术提出了以主动学习(active-learning)为基础的active-ptc检测方法，构建了用于刻画ptc的受试者响应概率模型通过参数估计的方法得到模型参数，从而通过采样部分样本点得到受试者的ptc曲线，加速测试进行。本发明将主动学习的方法引入参数估计的采样过程，active-ptc使用主动学习的方法，使每次采样得到的信息量尽量多，大大加速了测试，解决了ptc方法耗时过长的问题，同时实现了高的频率精度特性。active-ptc相
较于传统的ptc检测方法，可以更加快速地检测死区边缘频率，并且因为引入了概率模型，实验者可以控制停止实验所需的置信度，达到测试时间与准确度的平衡。