一种基于PTC的耳蜗死区边缘检测方法

技术特征：
1.一种基于ptc的耳蜗死区边缘检测方法，其特征在于，其包括以下步骤：s1：基于ptc原理构建受试者响应概率模型；所述受试者响应概率模型为v形曲线，基于参数θ＝[f
e
,l
e
,k1,k2]表示所述受试者响应概率模型的模型参数；其中，f
e
为v形曲线的尖端处频率，l
e
为v形曲线的尖端处声强；(f
e
,l
e
)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；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：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；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；f
e
为v形曲线的尖端处频率，l
e
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；s3：设已经有采样样本则有：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；s4：基于贝叶斯条件概率公式，有：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；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f
i
处的注意力权重a的计算方法为：其中，表示均值为lnf
e
，方差为0.01的正态分布在lnf
i
的概率；表示当前观测样本；表示当前f
e
的边缘分布；σ2表示方差；s6：模型下一次测试的刺激参数x
next
的计算方法为：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；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f
e
,l
e
,k1,k2,f
mask
,l
mask
测试范围后实施初始化测试；
所述初始化测试包括：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f
e
的所述测试范围中最小值的均值纯音信号频率和f
e
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将初始化得到的采样结果送入到中；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
；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；停止条件为：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f
e
值之间相差均小于f
e
所在倍频程的1/20；s11：构建ptc曲线基础图；所述ptc曲线基础图横坐标为频率，纵坐标为强度；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。2.根据权利要求1所述一种基于ptc的耳蜗死区边缘检测方法，其特征在于：步骤s6中，所述互信息的计算方法为：其中，为香农熵，用以衡量某个随机变量的不确定度；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：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：3.根据权利要求1所述一种基于ptc的耳蜗死区边缘检测方法，其特征在于：所述停止置信度阈值设置为0.5。4.根据权利要求1所述一种基于ptc的耳蜗死区边缘检测方法，其特征在于：步骤s8，还可以通过以下步骤进行操作实施：a1：分别获取本次测试中的f
e
、f
mask
、l
e
、l
mask
、k1和k2的所述测试范围；a2：在所述测试范围中，将强度参数l
e
和l
mask
按照等间隔，频率参数f
e
和f
mask
按照指数等
间隔，分别取25个数据点；使用f
e
、f
mask
、l
e
、l
mask
的所有数据点，构建6维参数矩阵p；所述参数矩阵p中，每组元素[f
e
,l
e
,k1,k2,f
mask
,l
mask
]都符合p(y＝1|x,θ)的计算关系；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5.根据权利要求1所述一种基于ptc的耳蜗死区边缘检测方法，其特征在于：所述测试范围包括：f
e
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；l
e
和l
mask
的测试范围设置为纯音信号强度l
sig
以下15db至90db；k1和k2的测试范围设置为10-3
至10-0.5
。

技术总结
本发明提供一种基于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，同时将将注意力机制引入到受试者响应概率模型中，提出了以主动学习(active-learning)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，解决了现有的PTC方法耗时过长的问题，同时实现了高的频率精度特性。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性的平衡。到测试时间与准确性的平衡。到测试时间与准确性的平衡。


技术研发人员：宫琴 张宇翔
受保护的技术使用者：清华大学无锡应用技术研究院 清华大学
技术研发日：2022.10.31
技术公布日：2023/1/31