黑料福利网

鈥淗et cocktailpartyprobleem beschrijft hoe het menselijke auditieve systeem zich op 茅茅n geluid richt boven vele andere 鈥� een probleem dat men op elk druk feest kan tegenkomen鈥�, zegt Luan Fiorio.

Mensen met normaal gehoor kunnen specifieke stemmen isoleren uit een kamer vol stemmen, maar mensen met gehoorverlies hebben moeite om 茅茅n stem te onderscheiden van veel andere stemmen, geluiden en galmen. 鈥淗oortoestellen en andere gehoorapparaten kunnen helpen, en recente ontwikkelingen in machine learning-modellen hebben ze nog beter gemaakt, maar deze vooruitgang vereist veel rekenkracht.鈥�

Gitaarversterkte nieuwsgierigheid

Sommige van Fiorio's naaste familieleden hebben last van gehoorverlies, en 茅茅n gebruikt zelfs een gehoorapparaat. Zijn aanvankelijke motivatie om gehoorapparaten te verbeteren voor zijn promotieonderzoek komt echter niet voort uit hoortoestellen.

鈥淚k ben opgegroeid met gitaar spelen, en ik was altijd nieuwsgierig naar hoe gitaarversterkers werkten en welke verwerkingsalgoritmen erachter zaten. Dit bracht me naar het vakgebied van audioverwerking en later kwam ik in contact met onderzoek naar het probleem van audioprocessing in hoortoestellen. Het feit dat mijn promotieonderzoek een positieve invloed kon hebben op hoortoesteltechnologie毛n, en daarmee op het leven van veel mensen, was ook een enorme motivatie tijdens mijn promotietraject.鈥�

Labeluitgaven

Een belangrijk punt dat Fiorio onderzocht, was de training van de software in hoortoestellen. 鈥淗oortoestellen moeten in staat zijn om verschillende geluiden in een omgeving te identificeren, wat kan worden gebruikt om het cocktailpartyprobleem te onderdrukken. Dit betekent dat de apparaten verschillende geluiden moeten kunnen herkennen, zoals stemmen, evenals kenmerken van de akoestische omgeving鈥�, zegt Fiorio.

Normaal gesproken wordt hoortoestelsoftware (in deze context neurale netwerkmodellen) getraind via supervised learning, waarbij elk audiosignaal een label heeft dat het signaal beschrijft. Dit kan echter enkele problemen opleveren.

鈥淟abels dragen vooroordelen. Zo kan de ene persoon een bepaald geluid labelen als afkomstig van een metrostation, terwijl een ander het als afkomstig van een luchthaven bestempelt鈥�, zegt Fiorio. 鈥淥m labelbias te vermijden, heb ik geen labels gebruikt! In plaats daarvan gebruikte ik onbegeleid leren, waarbij het mogelijk is om neurale netwerken bepaalde taken te laten leren zonder het 'juiste antwoord' bij de hand te hebben. Dit gebeurt via interessante wiskunde en kansrekening, en het is een van mijn favoriete onderwerpen binnen mijn scriptie.鈥�

Machine learning is hier om te blijven

Machine learning speelde een centrale rol in Fiorio's onderzoek, en hij erkent snel het belang ervan. 鈥淗et is moeilijk om moderne audioverwerking zonder machine learning te bedenken. Elk groot hoortoestelbedrijf heeft minstens 茅茅n apparaat in zijn catalogus dat een op deep learning gebaseerde aanpak toepast, en bijna alle moderne apparaten maken gebruik van machine learning.鈥�

Machinelearningmethoden blijken handig wanneer ze worden gebruikt in situaties waarin ruis onvoorspelbaar is en akoestische omstandigheden plotseling kunnen veranderen 鈥� wat beide typerend zijn voor het cocktailpartyprobleem.

Testen zonder mensen

Fiorio richtte zich vooral op het verbeteren van de algoritmen in hoortoestellen. Hij controleerde de resultaten met meetgegevens en door te luisteren naar de audioclips die de software produceerde. Helaas kon hij de software niet testen in hoortoestellen die daadwerkelijk door mensen werden gedragen.

Volgens Fiorio is het voor onderzoekers lastig om nieuwe algoritmen in echte hoortoestellen te testen, omdat zij vaak geen toegang hebben tot de benodigde apparatuur. 鈥淓r zijn nauwelijks bedrijven die testapparaten voor gehooronderzoek maken. Hoortoestelfabrikanten hebben meestal wel hun eigen testapparatuur, maar die gebruiken ze vooral intern.鈥�

Toekomstige hoortoestellen

Naarmate computerchips effici毛nter worden en gezien de kracht van machine of deep learning, lijken hoortoestellen in de toekomst meer te zullen steunen op machine learning-benaderingen.

鈥淒eze algoritmen zijn afhankelijk van effici毛nte hardware-implementatie om hun rekenkosten te compenseren, wat ook een bottleneck is鈥�, merkt Fiorio op. 鈥淓en effici毛ntere implementatie zou een lager batterijverbruik betekenen.鈥�

Fiorio gelooft dat zijn werk om hoortoestellen te trainen om geluiden te herkennen zonder het labelen van geluiden cruciaal zal zijn. 鈥淥n-the-fly leren voor hoortoestellen tijdens de operatie is het ultieme doel. Op deze manier heeft elke gebruiker toegang tot een gespecialiseerd apparaat dat zich aanpast aan zijn of haar behoeften op basis van hun persoonlijke voorkeuren en de omgeving om hen heen. De eerste stap naar deze prestatie is labels vergeten en je te richten op de audiocontent zelf.鈥�

Fiorio zal zijn werk voortzetten aan het vormgeven van de toekomst van hoortoestellen met een nieuwe functie als onderzoeker bij GN Hearing, onderdeel van het Deense bedrijf GN Store Nord.