تساعد تقنيات التعلم العميق الجديدة كلاً من مستخدمي غرسات القوقعة الصناعية وأدوات السمع التقليدية على التمييز بين الأصوات البيئية والضوضاء الخلفية.

أي شخص يعاني من فقدان السمع يعرف هذا التحدي: يصدر صوت بوق السيارة أثناء محاولتك سماع المحادثة؛ يصدر المطبخ صوت أزيز أثناء الاستماع إلى البودكاست؛ تمتزج أصوات الطبيعة مع همهمة المنزل. يتمكن الأشخاص ذوو السمع الطبيعي من إدارة ذلك من خلال نوع من الفرز العصبي، مما يؤدي إلى عزل الصوت الذي يريدون التركيز عليه بسرعة. ولكن بالنسبة لمستخدمي أجهزة السمع، سواء كانت أدوات مساعدة تقليدية أو قوقعة صناعية، فإن "مشكلة حفل الكوكتيل" هذه تظل واحدة من أكثر الفجوات المحبطة بين التكنولوجيا والاستماع في العالم الحقيقي.

بدأ الباحثون في جامعة تكساس في دالاس اختبار ما إذا كان الذكاء الاصطناعي يمكنه تحسين كيفية تعامل أجهزة السمع مع الأصوات البيئية المنافسة. لم يكن تركيزهم على الكلام. لقد كانت الطبقة الغنية من الأحداث الصوتية التي تشكل الحياة اليومية - حفيف أوراق الشجر، ونباح الكلاب، والمياه الجارية، وإغلاق الأبواب.

الخلفية: لماذا نظر الباحثون إلى هذا

يواجه مستخدمو غرسات القوقعة الصناعية تحديات خاصة فيما يتعلق بإدراك الصوت البيئي. في حين أن تقنية CI الحديثة تتفوق في توصيل إشارات الكلام، إلا أن التوقيعات الصوتية المتغيرة والمنتشرة للأحداث البيئية - مثل أغاني الطيور، وهطول الأمطار، وحركة المرور - تظل أكثر صعوبة في المعالجة. يؤثر هذا القيد على السلامة (صعوبة السمع عند الاقتراب من المركبات)، ونوعية الحياة (قلة الاستمتاع بالأصوات الطبيعية)، والاستقلالية الشاملة.

التحدي الهندسي حقيقي: عندما تتداخل مصادر صوتية متعددة، فإن فصلها يتطلب تعقيدًا حسابيًا. حققت المعالجة الصوتية التقليدية تقدمًا تدريجيًا، لكن التعلم العميق يقدم مسارًا جديدًا. ومن خلال تدريب الشبكات العصبية على مكتبات كبيرة من الأصوات المصنفة ومخاليطها، يستطيع الباحثون تعليم الخوارزميات كيفية عزل مصادر محددة حتى في المشاهد الصاخبة والمعقدة.

كيف تمت الدراسة

طور شيكار وهانسن إطارًا تجريبيًا يحاكي سيناريوهات الاستماع في العالم الحقيقي. لقد قاموا بإنشاء خليط صوتي من مصدرين يقرن صوت "الهدف" (مثل هطول الأمطار أو الطيور) مع صوت "تداخل" منافس. استمع كل من مستخدمي CI والأشخاص ذوي السمع الطبيعي إلى ثلاثة إصدارات من كل مزيج: الصوت المختلط الخام كخط أساسي، والصوت الذي تمت معالجته باستخدام فصل المصدر وحده، والصوت الذي يجمع بين فصل المصدر مع تقنية التحسين الخاصة بالباحثين للأصوات غير اللغوية.

استخدمت خوارزمية فصل المصدر بنية تعلم عميقة تسمى SUDORMEND (الاختزال المتتالي وإعادة تشكيل شبكة الميزات متعددة الدقة). قام المستمعون بتقييم الصوت المعالج على ثلاثة أبعاد: تقليل التداخل، وجودة الصوت، والتشويه. كما قاموا بإجراء اختبارات تفضيل الاختيار القسري، للإشارة إلى الإصدار الذي يفضلونه.

ما وجده الباحثون

اختلفت النتائج بشكل كبير بين مجموعتي المستمعين. أظهر مستخدمو غرسات القوقعة الصناعية تحسنًا ملحوظًا إحصائيًا في تقليل التداخل، ولكن فقط لأصوات الطبيعة عند إقرانها بتداخل مطابق للفئة (F=4.935، p=0.0175). يشير هذا إلى أن معالجة CI قد يتم ضبطها بشكل كبير على الكلام، مما يجعل التعامل مع الصوت البيئي الأوسع أقل دقة.

أظهر المستمعون ذوو السمع الطبيعي مكاسب أوسع بكثير. لقد أظهروا تقليل التداخل عبر جميع فئات الصوت غير اللغوية التي تم اختبارها، مع قيم إحصائية عالية الأهمية (تتراوح قيم F من 8.481 إلى 32.37، وقيم p أقل بكثير من 0.001). أعربت كلا المجموعتين - زراعة القوقعة الصناعية والسمع الطبيعي - عن تفضيل قوي لفصل المصدر المدمج ونهج التحسين عند الاستماع إلى أصوات الطبيعة والضوضاء المنزلية مثل جريان الماء أو قعقعة الأطباق.

التناقض واضح: عندما تمنح الخوارزمية الحرية لتعزيز إدراك الصوت غير اللغوي بما يتجاوز المعالجة التي تركز على الكلام، يلاحظ المستخدمون النتيجة ويفضلونها. إن حقيقة أن المستمعين العاديين شهدوا تحسنًا أوسع نطاقًا تشير إلى أن أجهزة السمع يمكن أن تستفيد بشكل كبير من الخوارزميات المحسنة للمناظر الصوتية البيئية، وليس فقط المحادثة.

ماذا يعني للأشخاص الذين يعانون من فقدان السمع

يوسع هذا العمل ما يمكن أن تفعله أجهزة السمع. اليوم، تعطي معظم المعينات السمعية التقليدية وزراعة القوقعة الصناعية الأولوية لوضوح الكلام - وهي محقة في ذلك، لأن المحادثة أمر أساسي في الحياة اليومية. لكن البشر لا يعيشون في عوالم الكلام فقط. يشمل ثراء التجربة الصوتية الموسيقى والضحك والطبيعة وأصوات التنبيه والإشارات الصوتية الدقيقة التي تساعدنا على التنقل والاستمتاع بالمناطق المحيطة بنا.

يوضح البحث أن التعلم العميق يمكنه فك تشابك المصادر البيئية المتداخلة وتعزيز وضوح الإدراك الحسي. والأهم من ذلك، أنه يوضح أن المستمعين الذين يعانون من ضعف السمع يفضلون هذه التحسينات بشكل كبير. بالنسبة لمستخدمي غرسات القوقعة الصناعية على وجه الخصوص، الذين قد يواجهون صعوبة أكبر في التعامل مع الأصوات البيئية مقارنة بالكلام وحده، فإن هذا النوع من المعالجة يمكن أن يعزز بشكل كبير الاستقلالية ونوعية الحياة.

تطوير فصل الصوت في تكنولوجيا السمع الحديثة

إن النتائج التي توصلت إليها الدراسة بشأن فصل مصدر الصوت هي بالضبط نوع الحدود التكنولوجية التي أتاحتها فئات المعينات السمعية المتاحة دون وصفة طبية والتي وافقت عليها إدارة الأغذية والعقاقير (FDA) والمباشرة إلى المستهلك. تتمتع الشركات الآن بإمكانية نشر المعالجة الصوتية المتقدمة في أجهزة السمع دون استخدام نموذج العيادة التقليدي فقط. تتناسب خوارزميات التعلم العميق للتعامل مع الصوت البيئي بشكل طبيعي مع هذا التطور.

تقوم أجهزة مثل Panda Quantum بدمج اختبارات السمع المعتمدة سريريًا مع تقليل الضوضاء التكيفي واتصال Bluetooth للهاتف والموسيقى. تمثل إضافة فصل المصدر المكتسب - الذي تم تدريبه على مقاطع صوتية بيئية حقيقية - الطبقة التالية من القدرة. تقوم الخوارزمية بالعمل الحسابي الصعب المتمثل في عزل المصادر المهمة، مما يترك لمستخدم المعينة السمعية الحرية في التركيز على ما يريد سماعه.

بالنسبة لفقدان السمع الخفيف إلى المتوسط، يمكن للنماذج المتاحة دون وصفة طبية أن تتضمن الآن هذه الأنواع من المعالجة المتقدمة. غالبًا ما يستفيد فقدان السمع الشديد أو العميق أكثر من زراعة القوقعة الصناعية أو الأجهزة الموصوفة طبيًا التي يزودها اختصاصي السمع، ولكن الأبحاث الأساسية المتعلقة بفصل الصوت تنطبق على نطاق واسع.

تعرف على المزيد حول المعينات السمعية المجهزة بمعالجة صوتية متقدمة على Panda Quantum.

حدود هذا البحث

استخدمت الدراسة خلائط ثنائية المصدر يتم التحكم فيها في بيئة معملية، مما يبسط المشاهد الصوتية في العالم الحقيقي حيث تتنافس ثلاثة أو أربعة مصادر أو العديد من المصادر. وبينما قام المشاركون بتقييم النتائج الإدراكية، فإن البيانات الميدانية طويلة المدى التي توضح كيفية أداء هذه الخوارزميات في الاستماع اليومي الحقيقي من شأنها أن تعزز الثقة في الفائدة العملية.

بالإضافة إلى ذلك، أظهرت مجموعة زراعة القوقعة الصناعية تحسنًا أضيق من مجموعة السمع الطبيعية، مما يشير إلى أن معالجة إشارات CI لها قيودها الخاصة. قد لا يتم نقل الخوارزميات المحسنة لنوع واحد من أجهزة السمع مباشرة إلى نوع آخر. ولم تتم الإشارة إلى أي تضارب في التمويل أو مصالح متنافسة في المنشور.

حيث يتركنا هذا

ينتقل التعلم العميق من الحداثة إلى أداة عملية في تكنولوجيا السمع. يوضح هذا العمل أن الخوارزميات المدربة لفصل الأصوات البيئية وتحسينها يمكن أن تقدم تحسينات قابلة للقياس ويفضلها المستمع. مع انتشار أجهزة السمع المتصلة والمتاحة دون وصفة طبية، أصبحت القدرة الحسابية لتشغيل هذه الخوارزميات متاحة. وتتمثل المرحلة التالية في دمج هذه التطورات في أجهزة حقيقية والتحقق من صحتها عبر بيئات الاستماع المتنوعة ومجموعات المستخدمين.

شيكار، رام سي إم سي، وجون إتش إل هانسن. "فصل المصدر البيئي القائم على التعلم العميق وتحسين الصوت: التطورات في زراعة القوقعة الصناعية والمستمعين ذوي السمع الطبيعي." مجلة الجمعية الصوتية الأمريكية، 2026. تم الاسترجاع من PubMed. دوى: 10.1121/10.0042760