英文题目：Subjective Evaluation of DNN AND Auditory-Model-Based Hearing-Loss Compensation

标签：#语音增强 | #主观评测 | #助听器 | #言语感知

评分：6.3/10 | 创新 1.2/2 | 技术严谨 1.1/1.5 | 实验充分 1/1.5 | 清晰度 0.7/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

👥 作者与机构

  • Chuan Wen：机构信息未在 arXiv HTML 中可靠披露
  • Brent Nissens：机构信息未在 arXiv HTML 中可靠披露
  • Nele De Poortere：机构信息未在 arXiv HTML 中可靠披露
  • Morgan Thienpont：机构信息未在 arXiv HTML 中可靠披露
  • Matthias Inghels：机构信息未在 arXiv HTML 中可靠披露
  • Attila Fráter：机构信息未在 arXiv HTML 中可靠披露
  • Guy Torfs：机构信息未在 arXiv HTML 中可靠披露
  • Sarah Verhulst：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

感音神经性听力损失患者的核心难点是外毛细胞损伤同时抬高阈值并展宽听觉滤波器，传统助听器只能恢复可听度而难以恢复噪声下频率选择性。本文输入为含餐馆多人babble噪声的矩阵句混合语音，输出为经深度神经网络补偿后直接馈给耳机的增强语音，目标是在个体化耳蜗响应层面逼近正常听力。方法链分为三步：先以纯音测听诊断个体阈值，再经迁移学习将正常听力dCoNNear耳蜗模块个性化为听损耳蜗模块并冻结双通路，最后以多尺度平均绝对误差训练共享dCoNNear结构的助听器模块，使听损通路对增强信号的响应逼近正常参考。与基于处方的NAL-NL2固定增益规则不同，该策略不预设压缩曲线，而是从正常与听损时域耳蜗响应差异中数值优化出与电平相关的补偿，具有恢复调谐的实际意义。在固定Slope35_5听力图和-3 dB信噪比条件评测下，OHC补偿的HASPIv2得分为0.9181，高于未处理条件的HASPIv2得分0.4581。该结论适用边界受限于轻中度斜坡型为主的样本与受控实验室耳机聆听，尚未验证与NAL-NL2的行为优劣及音质维度。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

感音神经性聋为什么难靠放大解决？

输入是这篇论文的原文证据与两张官方原图，目标是让刚入门的研究生能复述方法与实验条件，输出是 1 篇可核对的中文解读，必须保留的关键信息包括个性化耳蜗建模、助听器训练损失、客观与主观评估条件以及主要数字。本文只讲论文实际做的外毛细胞补偿任务，教学举例会明确标注为例子。感音神经性聋的核心困难不只是听不到小声，更是在噪声中听不清。

传统助听器按听力图给分频增益和宽动态压缩，解决了可听度，却没有恢复耳蜗调谐变宽带来的频率选择性下降。论文把主要矛盾定为外毛细胞损伤，它是耳蜗主动放大的来源，损伤后阈值升高且滤波器变宽。举例来说，这好比收音机选台旋钮变松，相邻电台互相串扰，单纯调大音量并不能分开电台。先理解这个矛盾，后面才能明白为什么作者不用固定处方，而是让模型从听觉响应差异中学习补偿。

外毛细胞损伤 × 频率选择性： 外毛细胞损伤指耳蜗放大器功能受损，负责对弱声的主动放大；频率选择性指耳蜗不同位置区分相邻频率的能力，依赖于放大的锐调谐。两者搭配的原因是损伤直接导致调谐变宽，组合意义在于本文把补偿目标定为恢复调谐而不只是提高响度。

外毛细胞损伤与频率选择性的组合决定了评估标准：只看阈值是否降低是不够的，必须在噪声下测词语识别率，并同时检查音质是否受损。论文因此安排了客观指标与人耳矩阵测试两条线，这也是全文方法与实验展开的学习依赖起点。

已有路线提供了什么，又缺了哪块证据？

与本文同输入、同目标的路线包括传统 NAL-NL2 处方和近年基于听觉模型的深度网络补偿。NAL-NL2 的输入是纯音听力图，目标是恢复响度与可听度，运行阶段是实时分频段压缩，已在临床广泛使用。另一条路线是仿生深度网络助听算法，输入是波形，监督来自听觉模型正常与听损响应的差异，目标是数值优化补偿策略，已在 HASPI 和 HASQI 等客观指标上显示收益。

论文指出客观指标不能可靠预测人耳行为收益，前人 1 次主观测试仅 13 人且未处理基线高达 61% 词语识别率，可能存在天花板效应而掩盖真实增益。本文的定位不是提出全新网络，而是补上行为验证缺口：在控制基线难度后，用配对比较检验仿生补偿是否真能提高噪声下可懂度，并保留与 NAL-NL2 的客观对照以说明差异。

本文要回答的具体问题是什么？

本文要回答的问题是：针对外毛细胞损伤，用听觉模型差异训练出的 dCoNNear 助听模型，能否在人耳听辨中稳定提高噪声下言语可懂度。具体操作被限定为 3 步：先按每位受试者的纯音听力图个性化耳蜗模型，再冻结耳蜗参数训练助听器，最后用弗拉芒矩阵测试比较未处理与助听处理后的词语正确率。问题的输入是含噪混合语音，输出是增强波形，评价在人耳端完成。

论文同时报告客观评估，但明确两者的听力图与信噪比并不严格匹配，客观部分用固定听力图与固定信噪比，主观部分用个体听力图与个体信噪比。因此不能把客观分直接当作主观分的预测值，只能看趋势是否一致。未验证的推测是该方法可集成到未来助听芯片，本文没有测量功耗与延迟，不能据此承诺实时性。

三阶段流程如何串起诊断、训练与听测？

全流程可沿一个样本走一遍：1 位受试者先测 125 赫兹到 16 千赫的纯音阈值，得到听力图；听力图用于把正常耳蜗模型微调为该受试者的听损耳蜗模型；随后训练一个助听器，它接收含噪混合语音并输出增强语音，目标是让听损通路对增强信号的响应接近正常通路对原信号的响应；最后增强语音经耳机呈现给该受试者做矩阵选词。

表示层面是时域耳蜗响应随特征频率展开，组件包括正常与听损两个耳蜗分支和中间的助听器，目标是最小化多尺度响应差异，输出是可直接播放的波形。下图把该闭环画成 4 个色块，右上诊断、右下个性化与训练、左下可懂度测试、左上受试者，箭头构成回路，理解时先看主路径再看分支汇合。

从诊断出发沿黑色粗箭头向右上蓝色诊断框看听力图示意，再向下进入紫色训练框，这是全文方法全景的骨架，听测结果又指回受试者形成验证闭环。

看图路径： 1. 先沿右上诊断框到右下个性化与训练框的向下箭头确认流程顺序；2. 再看右下框内助听器、两个耳蜗模块与损失函数的连接关系；3. 最后沿左下听力测试框回到左上人头图标的闭环箭头理解评估回路

原论文 Figure 1：Subjective evaluation procedure for biophysically-inspired hearing aid models: (1) Diagnosis using…

论文图 1。原论文 Figure 1:：“Subjective evaluation procedure for biophysically-inspired hearing aid models: (1) Diagnosis using clinical audiogram; (2) Model personalization & HA training; (3) Listening…”。

该图右下紫色框内可见波形输入后分出助听器支路与两个耳蜗模块，汇入损失函数，这是训练时梯度回传的路径依据。左下绿色框标明句子可懂度测试在 babble 噪声下进行，与正文矩阵测试描述一致。记住这个 3 阶段划分，后续组件、训练与实验节分别展开其中一块，不会混淆参数冻结与听测条件的归属。

耳蜗模块与助听器各自算什么？

耳蜗模块基于 dCoNNear 结构，由 12 个记忆块堆叠的全卷积网络构成，每个记忆块包含点卷积加两个扩张深度卷积，分别看历史与未来上下文，核长 64、隐单元 256、激活为双曲正切。它的输入是波形，输出是多特征频率的时域耳蜗响应。正常参考模型先用解析听觉模型仿真响应训练，数据是 2391 句 LibriTTS 语料，90% 训练、10% 验证。个性化时经迁移学习微调，仅用 100 句随机 LibriTTS，以平均绝对误差为目标，得到每位受试者的听损耳蜗模块。助听器共享 dCoNNear 架构但参数不同，也是 12 个记忆块，历史与未来模块核长均为 32、隐单元 256、双曲正切激活，用于捕捉与声级相关的压缩放大。

正常听力通路 × 听损通路： 正常听力通路是用正常参数的耳蜗模型给出参考响应，听损通路是用个性化后参数模拟同一输入下受损耳蜗的响应。两者并行搭配是为了得到同一语音的可比内部表示，组合后以两者的差异作为助听模型的训练误差来源。

dCoNNear 耳蜗模块 × 助听模型： dCoNNear 耳蜗模块负责模拟耳蜗随时间的非线性响应，分工是提供可微的听觉约束；助听模型负责在波形端产生增强信号，分工是可学习的补偿器。搭配理由是两者结构同属可训练卷积栈且梯度可回传，组合后助听器学会让听损响应逼近正常响应。

训练时正常与听损耳蜗模块参数保持冻结，只有助听器更新，梯度来自两通路响应差异经多尺度平均绝对误差回传。原文未报告优化器类型、学习率与重置时机，这些缺项不能从模型名推定，复现时需视为待确认。组件分工至此清晰：耳蜗提供生物约束，助听器提供可学习的波形映射。

助听器用什么数据和损失学会补偿？

助听器训练数据是 4000 句 LibriTTS 语音约 6 小时，划分为 3000 训练、500 验证、500 测试，强调说话人多样性。所有信号均方根归一化到 70 分贝声压级，并切分为 1 秒帧进行训练。监督来源不是干净波形本身，而是正常通路与听损通路的响应对：同一输入下，听损通路对增强信号的响应应逼近正常参考。损失是多尺度平均绝对误差，先在每个时间尺度内对片段求平均绝对误差，再跨尺度平均，尺度包括 10 毫秒、50 毫秒、100 毫秒和 200 毫秒，兼顾精细结构与包络。符号含义是帽子表示听损响应、無帽表示正常响应，上标表示尺度，下标表示片段，计算目标是让增强后的听损响应在多分辨率上都接近正常。

\[\mathcal{L}_{\mathrm{total}}=\frac{1}{J}\sum_{j=1}^{J}\frac{1}{M_{j}}\sum_{m=1}^{M_{j}}\mathrm{MAE}\left(\hat{y}_{m}^{(j)},y_{m}^{(j)}\right)\]

该多尺度设计对应原文明确实现：先片段平均再尺度平均，避免单一分辨率主导。原文未给出梯度是否截断、批量大小与停止准则，复现时只能按冻结耳蜗、更新助听器的事实实现，不猜测未报告的优化细节。训练完成后模型直接处理语音噪声混合信号，得到主观测试用的两种条件之一。

客观与主观评估的条件如何设置才可比？

客观评估要回答处理是否在固定条件下提高预测分。它用固定 Slope35_5 听力图表示 1 千赫以下 5 分贝听力级、高频斜坡到 8 千赫 35 分贝听力级，刺激经头 torso 模拟器在 8 只扬声器环中录制，干净男声来自爱尔摩莎译本奥德赛 LibriVox 录音，正前方 70 分贝声压级，8 只扬声器同时放多说话人 babble，总信噪比在模拟器位置为负 3 分贝。同一录制输入用于未处理、外毛细胞补偿与 NAL-NL23 种条件，指标用 Slope35_5 参数化的 HASPIv2 与 HASQI 计算。NAL-NL2 经 openMHA 生成并在对数频率轴上用单调 3 次 Hermite 插值平滑，避免相邻压缩带突变。资源状态方面，奥德赛录音链接本次未能确认可达，复现时须按暂时不可达处理，不写已公开可用。

下面比较 3 种可运行处理在同一录音与同一信噪比下的客观分，指标方向是越高越好，但两者含义不同，需分开解读。

ConditionHASPIv2HASQI
Unprocessed0.45810.2132
Smoothed NAL-NL20.53050.2132
OHC compensation0.91810.1615

表中外毛细胞补偿的 HASPIv2 为 0.9181，明显高于未处理的 0.4581 和平滑 NAL-NL2 的 0.5305，支持可懂度预测收益；但其 HASQI 为 0.1615，低于另两者的 0.2132，说明按该音质度量存在代价，未胜出项是音质维度的 NAL-NL2 持平未处理。主观评估则用个体化条件：31 人招募，个体信噪比以未处理正确率 40 到 71% 为目标以避开地板与天花板，最终纳入 19 人，耳机为森海塞尔 HDA300 在隔音室呈现，最佳耳按听力图选择，未处理校准到 70 分贝声压级，训练阶段含 10 句干净加 10 句噪声弗拉芒矩阵句，测试刺激为矩阵句与餐厅 babble 按 DNS 挑战的活动段混合，伦理批件为 UZ Gent。两类评估的听力图与信噪比不一致，比较时必须保留该条件差异。

人耳听辨提高了多少，统计是否可靠？

主观测试测的是词语正确率的百分点提升，定义为助听处理减去未处理基线。个体信噪比已把基线控制在 40 到 71%，因此提升可解释为同难度下的处理增益。结果显示 19 人中 17 人至少提升 5 个百分点，总体范围在正 1 到正 27% 之间，配对 t 检验均值差 0.118，t18 为 7.33，p 小于 0.001，效应量 Cohen dz 为 1.68，表明在中等样本下效应稳健。按扩展高频平均阈值 6 到 12 千赫展开，未见损失越重收益越大的清晰关联，论文解释可能与基线范围受控降低了任务难度差异有关。下图对比外毛细胞模型与平滑 NAL-NL2 随频率和输入级的传递函数，有助于理解客观增益的来源形态。

上子图为外毛细胞模型在不同输入声压级下的增益曲线，下子图为 NAL-NL2 的对应曲线，两者共用听力图虚线，横轴为对数频率，纵轴左侧为增益，右侧为听力损失。

看图路径： 1. 先对比上下两幅子图的纵轴量程与曲线平滑程度差异；2. 再看上图中不同输入声压级曲线随频率升高的分离趋势；3. 最后核对虚线听力图右轴刻度与左轴增益曲线的对应关系

原论文 Figure 2：Transfer functions of the OHC model and the smoothed NAL-NL2 algorithm for the Slope35_5 audiogram.

论文图 2。原论文 Figure 2:：“Transfer functions of the OHC model and the smoothed NAL-NL2 algorithm for the Slope35_5 audiogram.”。

像素可见上图曲线呈波动的不规则形态且随声级分离，低声级增益更高并在高频显著上扬，体现学习到的非线性压缩；下图曲线平滑且高声级接近零增益，低频段几乎无放大，反映处方基于听力图的规则形态。这种形态差异支持客观表中可懂度分拉开的机制解释，但不能直接推出音质优劣。下表进一步核对受试者分组与纳入情况，保证主结果的聚合对象清晰。

该表比较 3 组被试的招募与纳入人数及基线控制条件，人数越多不代表效果越好，基线一致才是公平前提，指标方向是纳入后基线落在目标区间。

分组招募人数纳入人数基线目标区间个体信噪比策略
年轻正常听力组9640–71%按个体选信噪比
年长正常听力组14740–71%按个体选信噪比
年长听损组8640–71%按个体选信噪比

表后解释主要收益与代价：纳入后共 19 人进入配对检验，3 组均有正向收益且无一组全员无效，代价是排除了 12 名基线不在区间的受试者，结论外推到极轻或极重基线人群时需谨慎。未胜出或未评测的边界是行为层面未比较 NAL-NL2，客观表的 NAL-NL2 优势不能当作人耳结论。

去掉哪块比较，结论会变弱吗？

论文特有的对照有两类：一是客观表中同时保留未处理与平滑 NAL-NL2，二是主观层面只比较未处理与外毛细胞补偿而缺行为层面的 NAL-NL2。如果去掉 NAL-NL2 客观对照，就无法判断 0.9181 的 HASPIv2 是普遍放大带来的还是仿生学习特有的，保留它才能显示传统处方仅到 0.5305。如果补上行为层面的 NAL-NL2 比较，主观结论可能收窄或反转，这是明确的未评测边界，不能用客观差距代替。另一类反证是 HASQI 下降：外毛细胞补偿在提高可懂度预测的同时音质分更低，说明损失函数只逼近多尺度响应差异，未约束包络与精细结构的自然度。

HASPIv2 × HASQI： HASPIv2 分工是比较干净参考与处理信号在听觉表征上的语音相关相似性，预测可懂度；HASQI 分工是量化包络、精细结构和长期谱的变化，预测音质。搭配使用是为了同时看到补偿的收益与代价，组合意义是本文发现可懂度上升而音质分下降的权衡。

NAL-NL2 × 外毛细胞补偿模型： NAL-NL2 分工是按听力图用规则公式给出分频段增益与宽动态压缩，属于预设处方；外毛细胞补偿模型分工是通过最小化正常与听损模型响应差异数值优化出补偿，属于无预设约束的学习。搭配比较是为了检验仿生学习是否超出传统响度恢复，组合后显示两者增益随频率和输入级的变化形态不同。

下面用可运行策略的数字表汇总行为收益与统计量，避免把客观分与人耳分混在同一列，百分点与相对百分比在此严格区分。

评估对象条件对比样本量收益范围统计量
人耳词语识别率助听处理相对未处理19+1 to +27%Mdiff=0.118
人耳词语识别率至少提升阈值17 of 19 listeners (89%)至少 +5%89%
配对检验未处理与助听条件19t(18)=7.33p<.001
效应量组内设计19dz=1.68大效应
客观可懂度外毛细胞相对未处理固定听力图HASPIv2 0.9181高于 0.4581

表后需强调代价与反例：行为收益虽显著但个体差异大，低至 1 个百分点，高至 27 个百分点，总体趋势不等于每人都有大增益；客观音质下降未在行为中测量，不能承诺音质同样改善。不同指标的差值未放在同一模型列下比较，自动指标也没有被当作人评使用。

哪些条件没测，解读时要收住？

直接报告的是：在受控基线与个体信噪比下，外毛细胞补偿相对未处理的人耳可懂度提升显著，且客观 HASPIv2 趋势一致。有限解释是：收益覆盖 3 组与较宽的高频阈值范围，支持对不同程度外毛细胞损伤有一定泛化，但样本仅 19 人且基线被截断，相关性不等于因果。待验证的是：行为层面与 NAL-NL2 的头对头比较、音质与主观偏好的行为测量、不同噪声类型与混响下的稳定性，以及训练资源、推理开销与实际延迟。

论文未报告硬件预算、输出帧率与芯片部署细节，训练资源与推理延迟需分别讨论，不能从总体趋势推定每组每步都成立。实现层面混合信噪比代码存在多乘 1 次缩放导致平均偏移正 1 分贝的说明，复现混合时必须保留该偏移描述，不自行修正数值。

要复现，先准备什么、按什么顺序跑？

复现先做三件事：按 125 赫兹到 16 千赫测听力图并选最佳耳，准备 LibriTTS 划分与弗拉芒矩阵句表，确认耳机校准与隔音室条件。顺序是先训练正常 dCoNNear 耳蜗，再用 100 句微调出个体听损耳蜗并冻结，接着用 3000 训练、500 验证、500 测试训练助听器，信号归一化到 70 分贝声压级并切 1 秒帧，最后用个体信噪比生成未处理与助听两条件刺激并做矩阵选词。关键超参数与信息条件包括耳蜗 12 块核长 64 隐单元 256、助听 12 块核长 32 隐单元 256、双曲正切激活、多尺度 10、50、100、200 毫秒。

代码与权重方面，原文提及 openMHA 与 NAL-NL2 包装版本，但未声明本研究代码开源或权重下载，复现时只能写按原文参数重新实现，不写已公开可用。统计复现用配对 t 检验，注意百分点与相对百分比的写法差异。

何时值得尝试这种仿生补偿？

当任务是噪声下可懂度且怀疑调谐变宽是主因，同时能获得可靠听力图用于个性化，并能接受音质可能受损的代价时，值得尝试这种以正常与听损响应差异为监督的补偿。复现时优先保证基线控制与配对设计，避免天花板效应掩盖增益；还需补上与 NAL-NL2 的行为对照与音质主观评价，才能判断临床价值。常见误解是把 HASPIv2 的高分直接等同于人耳一定听得清，本文恰好用行为实验说明两者需分别测量。

另一个误解是把冻结耳蜗理解为系统输出确定，实际上助听器仍是学习的非线性映射，输出随输入变化。本文的贡献在于用行为证据闭合了客观与感知的缺口，但未证明全面超越现行处方，后续工作应在此边界上继续验证。

📎 论文与评分元数据

排名：前50% | 文档类型：应用研究 | arXiv 原文

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

  • 评分规则：type-aware-v1

  • 评分模型：muse-spark-1.3-contributor

  • 评分请求协议：openai_responses

← 返回 2026-09-25 语音/音乐/音频论文速递