介绍：现今问题
现今助听器调节的调节是有限的，那么怎样设置这些放大参数，才能使佩戴者得到最大的助益呢？
在选配开始时，我们都会利用患者的一些信息（通常指听力图），通过处方公式的计算去推断并设置每一个放大参数值（如：低频增益等）。而处方公式是适用于某一类平均人群的，对于那些不同于平均人群的个体来说，临床工作者就应该针对处方响应考虑，并得到一个符合个体差异的调节值。
但如何实现最优化选配呢？临床上，临床工作者必然要通过设计软件来进行选配，而这就存在了很多不能达到最优化选配的原因：
·选配室通常是一个低噪声、低回响的环境，刺激声也比较单一，只有当外界环境与选配室有着相同的声学特性时，选配才能达到最优化，但达到这点是很难的；
·有些个别的助听器佩戴者希望在某些特殊场合，助听器能实现最优化操作，这在临床中很难达到，因为，现实中的刺激声十分复杂，即使有可能模拟现实环境中的声音，视觉环境也是不能模拟的；
·临床选配时间很受限制，想要让助听器佩戴者在任意环境中使用都能达到最优选配是不实际的。如果他们觉得助听器在使用时的声音很差，就要回到验配中心重新调节或退还助听器。此时，临床工作者就要了解和推断患者到底对那些声音不满，并且调节相应参数。
显然， 这个过程可能需要重复若干次， 尤其是当患者不断体验不同声学特性的新环境时。那么，究竟怎样才能最优化调节助听器呢？以下部分就将介绍一种数据解析型助听器，它将可以解决这个问题。
学习的概念和范围：
数据解析型助听器在复杂性和功效性上有所改变。第一代产品可能只能学习一件事——音量。器械中的记忆装置将记录下患者之前的音量使用状况，当助听器再次启动时，它将自动设置到最近开启时（音量大小）的设置。但如果只是简单地把音量大小设置到上次使用的位置，那助听器就只是回到之前调节的样子。第一代数据解析型助听器是将佩戴者先前使用的所有音量大小的平均值，设置成现在的音量大小。因此，无论是在安静环境，还是在嘈杂环境中，即使佩戴者持续调节助听器，助听器也不会有很大改变。
更高级的数据解析型助听器所调节的音量是与当时的声学环境相匹配的。例如：在总声压级不同的环境中，助听器调整若干次后，逐步显示出一张患者先前所在的每一种环境中增益值的图表。
图1：假设数据显示了助听器佩戴者在六种环境中，相对于每一种环境的总声压级所选择的增益（平均全频频率）
图 1 显示了助听器经过六次调整后的样子。佩戴者大都希望进入嘈杂环境时，增益能够变小。例如：当佩戴者进入一个总声压级 80dB SPL 的新环境时，助听器就将通过上述曲线为佩戴者选择 12dB 的增益，即使佩戴者并没有经历过这个环境。如此，佩戴者就不必碰触音量控制钮，助听器会根据输入声压级自动改变增益。
图 2 显示了一款数据解析型助听器的模块图。声学测量模块由一个能在几秒钟内测量出外界平均声压级的声级计组成。学习运算模块是用来存储佩戴者的调节和相应声学环境信息的，通过适当的统计和数学处理来推断与佩戴者最佳选择相匹配的放大参数。实际上，不需要学习运算模块记忆每一个单独的调节和相对环境声学的设置也能得到这些值。佩戴者控制装置可以是一个按钮，或者是一个上下旋钮，控制装置可以安装在助听器上，也可是远程遥控器。麦克风和受话器都是常规助听器应该有的。
以图 1 的数据为基础，需要注意的是在偏离选配曲线的点上首选增益和输入声压级之间的关系是不一定的。例如，在两个周围环境声压级都为 60dB SPL 的不同场合，其中一个场合佩戴者所选增益为 17dB，而另一个为 25dB。也许在第一个场合的主要声音是人们不想听到的雨声，而在第二个场合（主要声音）是患者着重想理解的言语声。因此，对于数据解析型助听器来说，就要对环境进行更多的测定， 得到另一个混合声压级， 而不只是通过周围 （环境）总声压级（来判断）。例如：助听器可以测量波谱形状，波谱形状改变的速度和程度，声音的来源方向等特征，并将其分类输入到学习运算模块中，或者用多种方法把这些特征和环境相结合，并将结果分类输入到学习运算模块中。
很显然，声音的声学特征的宽广程度会影响放大器的类型和程度。用一张简单的图表是很难把这些声学特征和患者所选择的大量增益值之间的关系概念化的，但推论性的统计表可以用来得出它们的联系。尽管现实中助听器根本不可能读懂患者在想什么（至少在近十年内） ，但是助听器却能“听到”患者所听到的一切声音，并且考虑到患者使用时的诸多因素，来决定在多远的距离助听器音量要调大还是调小。
自动化的技巧（关键）在于助听器首先要了解哪些因素是重要的（是患者想要的），还有每一个因素的价值和患者所需增益之间的联系。从某种程度上来说，是助听器设计者或临床工作者所决定的声学参数来控制放大器。而数据解析型助听器则是患者决定的这些声学参数来影响预设放大器。
调节增益-频率响应：
到现在为止，我们只谈论了因环境改变，佩戴者调节音量控制的助听器自动调整增益。如果助听器总能为佩戴者提供想要的声音的话，将是现有助听器的一大改进。此外，临床工作者最好能知道助听器很多其他方面的调节。例如：放大值要随频率改变，而在每一个频率上放大值又随输入声压级有不同程度的改变。因此，对于数据解析型助听器来说，下一个混合声压级就是增益-频率响应的形状。乍一看，数据解析型助听器可能为佩戴者提供了如混合音频控制，或者音色控制装置等方面的调节，其实，它只为人们提供最小程度的操作指示。如果佩戴者在任何时候都不知道发生了什么，那将是一件很可怕的事情。然而，如果只是指示佩戴者“把这个控制钮调到你认为声音最好的位置，待 10 秒钟或更长时间”，那么即使放大参数一直在不断变化着，患者也只需要执行这个简单的操作。或者提供给佩戴者一些少量的更适合安装在遥控装置上的控制。一旦训练完成遥控装置就可以不再使用了。我们已有的实验显示佩戴者能很可靠的进行三种控制的操作，以此调节增益-频率响应。当然，还有一些其它方法能将控制器和增益-频率响应相结合。
从简单的音量控制数据解析型助听器类推，如果佩戴者能够在任意一个输入声压级下调节增益 -频率响应，并且如果是在有着各自的总输入声压级和波谱形状的多样环境中重复（调节），然后在一个频率区域内学习运算模块就能推算出针对每一个输入声压级所需要的个体增益，及所需压缩比和压缩阈了。当潜在参数改变时，佩戴者是可能不适应这些放大参数。如果想尝试训练更多参数的话，佩戴者用来训练助听器的时间就更长。
从控制非线性增益-频率响应的实验数据表明：数据解析型助听器与不可学习的助听器相比更好，但佩戴者用在训练上的时间更长。即使是在双耳失聪的情况下，也只需几周时间就足以积累助听器调节所需的重要数据，使数据解析型助听器达到最佳化，而且大部分患者都乐于花一段时间来训练他们的助听器。
在这里，我们要将数据解析型助听器与数据记录型助听器鉴别开。一个数据解析型助听器一定要要求助听器为复杂的程序进行数据记录——包括：音量控制，环境声学等特征。此外，数据解析型助听器要对记录的数据进行分析，这点上和数据记录型助听器很相像。但是，对于临床工作者随后的分析和操作或对于选配软件来说，如果助听器只是记录数据，不能自动改变放大器参数，那它就不算是数据解析型助听器。
对临床选配步骤的影响：
数据解析型助听器的目的是通过他或她的个人听力环境定制患者的增益-频率响应的主要形状。倘若制造商的软件从一开始就能相当正确地与处方公式接近，并符合个体需要的话，就不必进行真耳测试和后面的调试了。而现在更多时间是用在联系选配师，并抱怨声音质量上。例如，患者觉得马路上的噪音太嘈杂。于是预约调试，验配师把患者带到最近的马路上反复调试直到患者觉得声音最好为止。假使数据解析型助听器能掌控增益-频率响应，对于声压级高的声音助听器将降低增益。又或数据解析型助听器有精密的环境监控能力，只对于患者不想听到的马路噪声进行自动调节，而不影响其他高强度的低频声音，例如佩戴者自己的声音，很快患者就会了解到助听器在某些场合只要调节一下助听器，就可以对不想听到的声音进行了永久性地解决。在这个过程中，患者可能会有更多的“掌控感”，甚至变成了一个“专家”。
一项临床调查（佩戴助听器的成人）表明：对于数据解析型助听器，几乎所有人都给予了积极的反应。我们希望数据解析型助听器能够做出更有效的定制式助听器，给予佩戴者更多的支配感，并减少拒绝使用的现象和降低助听器的返还率。
其他潜在的优势：
数据解析型助听器还能用来监控佩戴者所选增益的长期变化。很可能当佩戴者的听力退化或者助听器变得不好用时，会提醒患者到临床听力中心进行复查并重编助听器。临床工作者观察到一旦助听器佩戴者有了佩戴经验，就要改变放大需求了。普遍认为刚使用的人与有使用经验的人相比，需要更小的全频增益和更小的高频强化。佩戴者可以按他们希望的时间对数据解析型助听器进行训练。比如：患者用几周时间训练数据解析型助听器，然后在下几周忽略训练并享受数据解析型助听器带来的益处。随后再附加一周或两周的时间恢复训练，如果佩戴者的参数选择有所变化，那么数据解析型助听器就可调节这些变化，而不需要临床工作者更多的干涉了。
如果数据解析型助听器流行起来，临床工作者花在助听器测试，调试和再调试上的时间就会变少，而有更多的时间去：
①了解患者的需求，想要的助益，和动机及缺乏选配前的动机；
②在选配结束后，（向患者）提供关于有助聆听设备的使用，在不同聆听环境交流的技巧，以及电话的使用等方面的信息；
③评估并选配更多的患者；
④应对那些联合人工耳蜗和助听器使用的患者；
⑤处理可能由助听器和其他通讯/娱乐/向耳道提供言语声的功能性装置（对于有重度听力损失的人来说）相结合所产生的问题。
当然，不是每一个人都适合佩戴数据解析型助听器，所以临床工作者要决定哪些患者可以选配数据解析型助听器，以及要为他们提供哪些帮助。
对佩戴者的影响：
数据解析型助听器对佩戴者的积极的作用，包括：
●将被佩戴的助听器都是以他或她在实际环境中的个体偏好来预设放大器的；
●尤其针对那些最初对助听器声音不满意的人们，可以减少去验配中心的次数；
●如果在有了佩戴助听器的经验后他们想改变参数值，或在一个全新的声学环境中佩戴助听器，又或佩戴者的听力损失有波动时，佩戴者有能力自己重新定制他们的助听器；
●在有限的选配调试时间内能制定更多想要的声学参数值；
●对于助听器选配和调试过程有更多的心理“支配感”。
与这些优点相比，在第一次佩戴助听器时，佩戴者需要花费很多时间来练习，这点可能会很不方便。也许有些人会对数据解析型助听器产生质疑，就是助听器所规定放大特性对佩戴者来说不一定是最佳。我们认为这并不确切，因为有谁能很肯定地说什么对病人是最好的呢？也许只有对处方公式有极大自信的人才敢那样断言。如果处方响应对每个人都能达到最理想化，那么助听器选配就将是个很简单的机械过程，而以患者描述为基础的精细调节也就不再重要了。
每一个助听器佩戴者都有不同的期望值，例如，想得到最自然、最佳的定位能力，或者对某些声音最小的干扰作用。如果患者能够利用每一个可供选择的放大（特性）进行自我言语理解度的评估，并和其他因素一起考虑，所获得放大调节对患者来说才是最好、最可靠的。
我们衷心希望更多的需要助听器的人能够意识到助听器的优点，并从中获得助益！
http://bbs.aibaoyl.com/
