Kunstig intelligensi høreapparater
Digitale høreapparater har i dag avanserte funksjoner som kompresjon, støyreduksjon og retningsmikrofoner, som kan tilpasse lyden til ulike miljøer. Men fordi de er basert på forhåndsdefinerte regler, er de ikke så dynamiske som vi ønsker.
Analyserer lydmiljøet
Mange moderne høreapparater bruker i tillegg maskinlæring – en form for kunstig intelligens – til å analysere lydmiljøet mer detaljert. Maskinlæringsalgoritmer er trent på store mengder lyddata slik at de kan gjenkjenne mønstre, for eksempel tale versus bakgrunnsstøy. Dette gir grunnlag for mer fleksibel behandling i sanntid, der apparatet tilpasser innstillingene etter lydmiljøet (1). Dette er ikke «tenkende» høreapparater, men statistiske modeller som gjenkjenner akustiske mønstre.
Taleforståelse i støy
Mange med hørselsutfordringer opplever tale i bakgrunnsstøy som ekstra vanskelig. Derfor har forskere undersøkt nevrale nettverk for bedre å kunne skille tale fra forstyrrende lyd.
I 2023 ble et deep learning-system testet på brukere med moderat til alvorlig hørselstap. I studien kunne systemet gjenopprette taleforståelsen til samme nivå som personer med normal hørsel (2).
Resultatene tyder på at maskinlæring kan bidra til mer målrettet forsterkning av tale, og demping av unødvendig støy enn dagens teknologi. Men effekten varierer med apparatmodell, brukerens hørselsprofil og det konkrete lyttemiljøet.
Cocktailparty-problemet
Et klassisk problem i høreapparatteknologi er det såkalte cocktailparty-fenomenet, altså evnen til å skille ut én stemme i et komplekst lydlandskap. Maskinlæringsmetoder kan her gi forbedringer ved å kombinere flere signalbehandlingsstrategier, som mikrofonretning (beamforming) og statistisk klassifisering av lyd.
Nevrale nettverk kan forbedre separasjon av konkurrerende stemmer betydelig, men full isolasjon av én stemme i alle situasjoner er fortsatt ikke oppnådd (3). Du må fortsatt bruke alle sanser for å følge samtaler i komplekse miljøer, selv om apparatet gjør signalbehandlingen mer tilpasningsdyktig.
Lærer brukeradferd
Maskinlæring kan også brukes til å samle erfaringer fra brukerens preferanser. For eksempel kan apparatet «legge merke til» at du ofte senker volumet i visse typer lyttesituasjoner og over tid justere innstillingene tilsvarende automatisk. Dette bygger på at systemet registrerer og lærer ut fra brukeradferd, noe som gir grunnlag for mer individuell tilpasning i hverdagen (4). Dette er en form for statistisk tilpasning, der apparatet «gjetter» basert på mønstre i adferd.
Interaktiv samhandling
I tillegg til passiv tilpasning har det de senere årene kommet mer avanserte løsninger der høreapparatbrukeren selv kan samhandle og chatte direkte med funksjoner basert på dype nevrale nettverk (deep learning). Slike løsninger kan foreslå mer komplekse lydjusteringer i sanntid i krevende lyttesituasjoner.
Når justeringen er gjort, kan brukeren umiddelbart vurdere resultatet og gi tilbakemelding. Over tid kan slike systemer lære av disse tilbakemeldingene og i større grad treffe på brukerens preferanser i fremtidige situasjoner.
Studier tyder på at denne typen interaktiv tilpasning gir økt tilfredshet og motivasjon for å bruke høreapparater (5).
For enkelte brukere kan denne typen teknologi også føre til mindre behov for manuelle programbytter eller færre forhåndsdefinerte programmer.
Teknikken har fortsatt grenser
Maskinlæring krever imidlertid mer prosessorkraft enn tradisjonelle algoritmer, og det påvirker batterilevetid og energibruk. Produsenter jobber derfor med mer effektive kretsløsninger for å balansere dette, men det er fortsatt praktiske begrensninger.
Et annet tema er personvern. Høreapparater analyserer kontinuerlig lyd, men i mange løsninger skjer analysen lokalt i apparatet eller på telefonen. I enkelte systemer kan anonyme bruks- og preferansedata lagres i sikre skyløsninger, men dette forutsetter normalt at brukeren har samtykket til datadeling.
Kilder:
1. Lesica, N. A. et al. (2021). Harnessing the power of artificial intelligence to transform hearing healthcare and research. Nature Machine Intelligence.
2. Diehl, P. U. et al. (2023). Restoring speech intelligibility for hearing aid users with deep learning. Scientific Reports.
3. Bramsløw, L. et al. (2018). Improving competing voices segregation for hearing impaired listeners using a low-latency deep neural network algorithm. Journal of the Acoustical Society of America.
4. Jensen, N. S. et al. (2019). Perceptual effects of adjusting hearing-aid gain by means of a machine-learning approach based on individual user preference. Trends in Hearing.
5. Hoydal EH, Jensen NS, Fischer R-L, Haag S, Taylor B. AI assistant improves both wearer outcomes and clinical efficiency. Hearing Review. 2021.
Ordliste
Kunstig intelligens (KI)/ Artificial intelligence (AI): Datasystemer som kan lære av erfaring og løse oppgaver som normalt krever menneskelig intelligens.
Kompresjon: Teknikk som gjør svake lyder sterkere og sterke lyder svakere.
Maskinlæring: En type kunstig intelligens der datamaskiner lærer av eksempler uten å bli eksplisitt programmert for hver enkelt situasjon.
Algoritme: Oppskrift eller sett med regler som datamaskinen følger for å løse en oppgave.
Dype nevrale nettverk/Deeplearning: Avanserte maskinlæringssystemer inspirert av hvordan hjernen fungerer, som kan gjenkjenne komplekse mønstre i data.
Beamforming: Teknikk der mikrofoner rettes mot lyden foran deg for å dempe støy fra andre retninger.





– Når man må anstrenge seg for å høre, kan det påvirke evnen til å hente seg inn igjen og også føre til stress over å ikke kunne følge med i samtaler. Et annet aspekt, som man snakket mer om før, er at man kan følge seg usikker av å ikke høre om det skjer noe. Hvor stort dette problemet er, vet jeg ikke.
Markus Jansson-Fröjmark er søvnforsker og lektor i psykologi ved Karolinska Institutet. Han har også ledet en studie om KBT-behandling (kognitiv atferdsterapi) for personer med nedsatt hørsel som lider av søvnløshet.
Forsøk å sov til faste tider. Stå opp legg deg til omtrent samme tid hver dag. Ta så langt det er mulig utgangspunkt i din egen døgnrytme.



Det var vinteren 2025 at Terje Lyngstad merket at hørselen hadde endret seg. Han kan faktisk tidfeste oppdagelsen helt nøyaktig: Som styreleder ved et kunstnersenter i Sogn og Fjordane skulle han lede årsmøtet i et lokale med lav takhøyde og dårlig akustikk.
– Jeg skjønte at jeg måtte ta en hørselstest, men utsatte det en god stund. I fjor høst tok jeg testen, og det ble bekreftet at jeg har nedsatt hørsel. Men jeg hørte ikke så dårlig at de ville utrede med tanke på høreapparat. De ba meg om å komme tilbake i år, og det skal jeg selvsagt gjøre.
– De neste bøkene vil ha samme hovedperson og persongalleri, men med noen nye kategorier, blant annet «I helsevesenet» og «Hinsides alt», opplyser Terje Lyngstad, som til daglig jobber som lærer. Siden bokutgivelsen har han blitt invitert til å holde muntre foredrag i flere av Hørselsforbundets lokallag og fylkeslag.