作者：徐晨阳
相信很多小伙伴都有这样的经历，线上开会的时候、上课的时候或者是在某个大会的时候，演讲者将麦克风打开了之后听到一阵尖锐的声音，与吹哨子的声音一样，但是更加尖锐更加刺耳，这样的现象就叫做啸叫，由扬声器和麦克风之间的声耦合造成，属于一种正反馈。在助听器中啸叫抑制是影响助听器增益的关键因素。下图就是一个啸叫的例子：
第一张图显示了一段十秒钟的音乐，第二张图模拟了该语音在助听器环路中啸叫的情况，听起来是什么样的呢？让如下两个音频告诉你：
可以听到很多类似于口哨声的杂音，并且比原声音更响亮，这还只是比较轻微的啸叫，如果助听器增益再增大，会导致啸叫声充满整个时间线，原始的声音信息被完全淹没，这种声音是极其刺耳的。啸叫会严重破坏语音质量和语音可懂度。助听器的啸叫要从它的结构分析，典型的助听器结构如下图：
为了舒适性，助听器一般会有一个通道[1]，但这会带来声反馈，外界声音被麦克风接收后经扬声器放大，放大后的声音不仅会传到人们耳中，还会传到麦克风处，进入下一轮放大，这样就有可能产生啸叫。这个传递的路径被称为反馈路径，如下图：
简单来说，反馈声经过一轮放大后，相比经过反馈前的增益，叫做有效闭环增益，当有效闭环增益(最大)大于1的时候，就会产生啸叫。
最简单的方法是在预计会出现反馈峰值的频率区域降低增益，将在助听器装配期间调整陷波滤波器用于降低所选窄带频率区域中的增益。虽然降低了啸叫的可能性，但增益的降低也可能降低清晰度。
数字助听器中自适应反馈消除技术AFC（Adaptive Feedback Cancellation）对反馈路径响应进行数学建模，并从输入到助听器的信号中减去建模的响应。完美匹配意味着麦克风处的反馈信号将被建模信号完全抵消，并且系统对于任何数量的放大都将是完全稳定的AFC的关键在于反馈路径的辨识，如下图：
一般使用NLMS算法进行路径辨识，在闭环系统中，扬声器信号和输入信号之间具有非零相关性，自适应滤波器估计值存在偏差，所以就有了很多去相关方法，比如探测噪声方法，即将噪声信号添加到扬声器信号中，理论上可以防止偏差，其不足之处：探头噪声水平与原始扬声器信号相比足够大才能有很好的性能；其他方法例如利用预测误差滤波器去相关也能得到较好的AFC效果。
随着深度学习的兴起，有学者将深度学习运用到助听器声反馈消除中，Chengshi Zheng, Meihuang Wang在2022年提出了一种基于深度学习的助听器AFC方法。文中分析了边缘稳定的系统。开发了一种称为深度边缘反馈消除（DeepMFC）的深度学习框架，以抑制啸叫，减少色彩效应，并限制某些频率下的过度放大。文中还提出由于使用助听器时语音质量和可懂度是两个主要问题，本文仅研究了源信号为语音的情况。研究DeepMFC是否对其他类型的声音是否有效将是一件有趣的事情。
[1] Kates J M . Digital Hearing Aids[M]. Plural Pub. 2008.
[2]Chengshi Zheng, Meihuang Wang, Xiaodong Li, and Brian C. J. Moore , "A deep learning solution to the marginal stability problems of acoustic feedback systems for hearing aids", The Journal of the Acoustical Society of America 152, 3616-3634 (2022)
当前暂无评论，小编等你评论哦！
