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.