基于U-Net-DCL深度神经网络模型的年龄与听力损失对并发元音识别影响的研究

《IEEE Access》：A Deep Neural Network Model for Understanding the Effects of Age and Hearing Loss on Identification of Two Overlapping Vowels

本文推荐一项创新性研究：为解决年龄增长和听力损失(HL)如何影响人类在复杂听觉场景下识别并发元音的问题，研究人员开发了统一深度神经网络(DNN)模型UNet-DCL(U-Net结合扩张卷积层和多任务学习)。该模型通过模拟年轻正常听力(YNH)、老年正常听力(ONH)和老年听力损失(OHI)人群的听觉神经(AN)响应，首次成功预测了三类人群在不同基频(F0)差异下的双元音和单元音识别正确率。结果表明模型评分与行为数据高度吻合(χ2值分别为1.012/1.768/1.112)，显著优于现有F0-seg和TDNN-MTL模型，为听觉计算建模提供了新视角。

　　

在喧嚣的鸡尾酒会中，人类听觉系统能够神奇地聚焦特定说话声——这种现象被称为"鸡尾酒会问题"。当多个说话声同时出现时，人耳依赖基频(F₀)差异来分离和识别不同声源。并发元音识别实验是研究这种能力的经典范式，通过呈现两个重叠的合成元音（具有相同时长和强度但不同F₀）来考察听觉分离机制。

如图1所示，当两个元音F₀相同时（0 Hz条件），识别仅依赖共振峰频率差异，难度较高；当F₀差异增大至26 Hz时，谐波结构分离为识别提供额外线索。行为研究表明，年轻正常听力(YNH)者的识别正确率随F₀差异增大而提高，在3 Hz以上渐近饱和；而老年正常听力(ONH)和老年听力损失(OHI)者的表现显著下降。然而，现有计算模型难以统一预测三类人群的识别表现，特别是缺乏能够同时捕捉年龄和听力损失效应的深度神经网络架构。

为解决这一挑战，研究人员在《IEEE Access》发表了一项创新研究，开发了名为UNet-DCL的统一深度神经网络模型。该模型首次整合了U-Net架构、扩张卷积层(DCL)和多任务学习(MTL)，通过模拟不同生理状态的听觉神经响应，成功预测了三类人群在不同F₀差异下的并发元音识别能力。

关键技术方法包括：1）使用生理真实的听觉神经(AN)模型生成YNH、ONH和OHI三类人群对并发元音的神经放电率（ONH模型模拟内淋巴电位(EP)降低和听神经同步损失(CS)，OHI模型额外加入外毛细胞(OHCs)和内毛细胞(IHCs)功能损伤）；2）构建UNet-DCL网络架构（包含5个编码器块、扩张卷积层、4个解码器块和多任务输出），输入为100个特征频率(CF)的时域放电率数据；3）采用多任务学习同时预测主导元音和隐性元音，通过加权损失函数优化模型；4）使用单一F₀差异(6 Hz)的YNH数据训练，测试时泛化至17个条件。

模型训练与验证

模型在YNH组6 Hz F₀差异数据上训练（2500个样本），通过早停法在92轮终止训练。验证损失与训练损失收敛一致，未出现过拟合。识别阈值设定为39（YNH/OHI）和36（ONH），使模型评分与行为数据匹配。

并发元音识别结果

UNet-DCL模型在双元音识别任务中表现出色：YNH组评分随F₀差异增大而提高，在3 Hz以上饱和（图6A方框），与行为数据（钻石）高度一致；ONH和OHI组评分分别呈现与年龄和听力损失相符的下降趋势（图6B-C）。卡方检验显示模型与行为数据的拟合度（χ²= 1.012/1.768/1.112）显著优于F0-seg模型（17.190/4.420/18.111）和TDNN-MTL模型（3.880）。

单元音识别与F₀益处分析

模型在单元音识别任务中同样精准：三类人群的评分均独立于F₀差异（图6D-F），与行为数据吻合。F₀益处（26 Hz与0 Hz条件评分差）计算显示，UNet-DCL预测值（YNH:36%, ONH:24%, OHI:12%）与实测值（32%, 22%, 7%）趋势高度一致，显著优于对比模型。

讨论与意义

本研究首次建立了一个统一DNN架构，成功量化了年龄和听力损失对听觉场景分析的复合影响。通过将耳蜗生理变化（EP降低、CS、毛细胞损伤）映射至神经响应退化，再经由UNet-DCL解码，模型揭示了中枢听觉处理如何利用退化时空线索完成声源分离。扩张卷积层对捕捉长时程时间动态至关重要，多任务学习则有效协调了双元音识别中的主次关系。

该模型的突破性在于：1）仅用单一F₀差异数据训练即可泛化至多条件多人群；2）网络组件（卷积层、批归一化等）具有听觉皮层处理的生理似然性；3）为个性化听力康复设备开发提供了计算框架。未来工作可扩展至自然语音环境、个体化病理参数建模，以及结合小样本学习技术提升泛化能力。

这项由印度Vellore理工学院和GITAM理工学院合作完成的研究，通过深度融合听觉生理模型与深度学习，为理解老年性听力损失的认知机制开辟了新途径，标志着计算听觉场景分析研究的重要进展。