Neue Deep-Learning-Verfahren helfen sowohl Trägern von Cochlea-Implantaten als auch Nutzern herkömmlicher Hörgeräte, Umgebungsgeräusche von Hintergrundlärm zu unterscheiden.

Wer schwerhörig ist, kennt die Herausforderung: Ein Auto hupt, während Sie einem Gespräch folgen wollen; in der Küche brutzelt es, während Sie einen Podcast hören; Naturgeräusche vermischen sich mit dem Summen im Haushalt. Menschen mit normalem Gehör meistern das durch eine Art neuronale Sortierung und isolieren rasch das Geräusch, auf das sie sich konzentrieren möchten. Für Nutzer von Hörsystemen – ob herkömmliche Hörgeräte oder Cochlea-Implantate – bleibt dieses „Cocktailparty-Problem“ jedoch eine der frustrierendsten Lücken zwischen Technik und dem Hören im Alltag.

Forschende der University of Texas at Dallas wollten prüfen, ob künstliche Intelligenz verbessern kann, wie Hörsysteme mit konkurrierenden Umgebungsgeräuschen umgehen. Im Mittelpunkt stand dabei nicht die Sprache, sondern die vielfältige Schicht akustischer Ereignisse, die unseren Alltag ausmachen – raschelndes Laub, bellende Hunde, fließendes Wasser, zuschlagende Türen.

Hintergrund: Warum die Forschenden das untersucht haben

Träger von Cochlea-Implantaten stehen bei der Wahrnehmung von Umgebungsgeräuschen vor besonderen Herausforderungen. Moderne CI-Technik überträgt Sprachsignale zwar hervorragend, doch die diffuseren, wechselhaften akustischen Muster von Umgebungsereignissen – Vogelgesang, Regen, Straßenverkehr – sind schwerer zu verarbeiten. Diese Einschränkung betrifft die Sicherheit (herannahende Fahrzeuge sind schwer zu hören), die Lebensqualität (Naturgeräusche lassen sich weniger genießen) und die Selbstständigkeit insgesamt.

Die technische Herausforderung ist real: Wenn sich mehrere Schallquellen überlagern, erfordert ihre Trennung hohen Rechenaufwand. Die herkömmliche Audioverarbeitung hat schrittweise Fortschritte gemacht, doch Deep Learning eröffnet einen neuen Weg. Indem sie neuronale Netze mit großen Bibliotheken gekennzeichneter Geräusche und deren Mischungen trainieren, können Forschende Algorithmen beibringen, bestimmte Quellen selbst in lauten, komplexen Situationen zu isolieren.

So wurde die Studie durchgeführt

Shekar und Hansen entwickelten einen Versuchsaufbau, der reale Hörsituationen nachbildete. Sie erstellten Mischungen aus zwei Schallquellen, bei denen ein „Ziel“-Geräusch (etwa Regen oder Vögel) mit einem konkurrierenden „Stör“-Geräusch kombiniert wurde. Sowohl CI-Träger als auch normalhörende Menschen hörten drei Versionen jeder Mischung: die unbearbeitete Mischung als Ausgangswert, eine nur per Quellentrennung bearbeitete Version und eine Version, die die Quellentrennung mit dem eigenen Verbesserungsverfahren der Forschenden für nichtsprachliche Geräusche kombinierte.

Der Algorithmus zur Quellentrennung nutzte eine Deep-Learning-Architektur namens SUDORMEND (Successive Downsampling and Resampling of Multi-Resolution Features network). Die Hörer bewerteten das bearbeitete Audio in drei Dimensionen: Reduzierung von Störgeräuschen, Audioqualität und Verzerrung. Außerdem absolvierten sie Präferenztests mit erzwungener Auswahl und gaben an, welche Version sie bevorzugten.

Was die Forschenden herausgefunden haben

Die Ergebnisse unterschieden sich zwischen den beiden Hörergruppen deutlich. Träger von Cochlea-Implantaten zeigten eine statistisch signifikante Verbesserung bei der Reduzierung von Störgeräuschen, allerdings nur bei Naturgeräuschen in Kombination mit Störgeräuschen derselben Kategorie (F=4.935, p=0.0175). Das deutet darauf hin, dass die CI-Verarbeitung stark auf Sprache ausgerichtet ist und der Umgang mit Umgebungsgeräuschen im weiteren Sinne weniger ausgereift ist.

Normalhörende Hörer zeigten deutlich breitere Verbesserungen. Bei ihnen wurden Störgeräusche in allen getesteten Kategorien nichtsprachlicher Geräusche reduziert, mit hochsignifikanten statistischen Werten (F-Werte von 8.481 bis 32.37, p-Werte weit unter 0.001). Beide Gruppen – CI-Träger und Normalhörende – bevorzugten klar die Kombination aus Quellentrennung und Klangverbesserung, wenn sie Naturgeräusche und Haushaltsgeräusche wie fließendes Wasser oder klapperndes Geschirr hörten.

Der Kontrast ist aufschlussreich: Wenn der Algorithmus die Freiheit erhält, die Wahrnehmung nichtsprachlicher Geräusche über eine sprachorientierte Verarbeitung hinaus zu verbessern, bemerken die Nutzer das und bevorzugen das Ergebnis. Dass normalhörende Hörer breitere Verbesserungen erzielten, legt nahe, dass Hörsysteme erheblich von Algorithmen profitieren könnten, die für akustische Umgebungen optimiert sind – und nicht nur für Gespräche.

Was das für Menschen mit Hörverlust bedeutet

Diese Arbeit erweitert, was Hörsysteme leisten könnten. Heute legen die meisten herkömmlichen Hörgeräte und Cochlea-Implantate den Schwerpunkt auf die Sprachverständlichkeit – und das zu Recht, denn Gespräche stehen im Mittelpunkt des Alltags. Doch Menschen leben nicht in einer Welt, die nur aus Sprache besteht. Zur Fülle des Hörerlebens gehören Musik, Lachen, Natur, Warnsignale und die feinen akustischen Hinweise, die uns helfen, uns in unserer Umgebung zurechtzufinden und sie zu genießen.

Die Forschung zeigt, dass Deep Learning sich überlagernde Umgebungsgeräusche voneinander trennen und ihre Wahrnehmbarkeit verbessern kann. Noch wichtiger: Sie zeigt, dass Hörer mit Hörverlust diese Verbesserungen aktiv bevorzugen. Gerade für Träger von Cochlea-Implantaten, denen Umgebungsgeräusche oft größere Schwierigkeiten bereiten als Sprache, könnte eine solche Verarbeitung Selbstständigkeit und Lebensqualität spürbar steigern.

Fortschritte bei der Klangtrennung in moderner Hörtechnik

Die Erkenntnisse der Studie zur Trennung von Schallquellen sind genau die Art technologischer Neuerung, die die bei der FDA registrierten Kategorien für rezeptfreie Hörgeräte und Direktvertrieb ermöglicht haben. Unternehmen haben nun Spielraum, fortschrittliche Audioverarbeitung in Hörsystemen einzusetzen, ohne an das traditionelle Modell gebunden zu sein, bei dem alles über eine Praxis läuft. Deep-Learning-Algorithmen für den Umgang mit Umgebungsgeräuschen fügen sich ganz natürlich in diese Entwicklung ein.

Geräte wie das Panda Quantum verbinden klinisch validierte Hörtests mit adaptiver Geräuschunterdrückung und Bluetooth-Verbindung für Telefonate und Musik. Eine erlernte Quellentrennung – trainiert mit realen akustischen Umgebungen – wäre die nächste Stufe. Der Algorithmus übernimmt die aufwendige Rechenarbeit, die relevanten Quellen herauszufiltern, sodass sich der Hörgeräteträger auf das konzentrieren kann, was er hören möchte.

Bei leichtem bis mittelgradigem Hörverlust können rezeptfreie Modelle inzwischen solche fortschrittlichen Verarbeitungsfunktionen bieten. Bei hochgradigem oder an Taubheit grenzendem Hörverlust sind Cochlea-Implantate oder verschreibungspflichtige, von einem Audiologen angepasste Geräte oft die bessere Wahl – die zugrunde liegende Forschung zur Klangtrennung gilt jedoch für das gesamte Spektrum.

Mehr über Hörgeräte mit fortschrittlicher Audioverarbeitung erfahren Sie beim Panda Quantum.

Grenzen dieser Studie

Die Studie verwendete im Labor kontrollierte Mischungen aus zwei Schallquellen. Das vereinfacht reale Hörsituationen, in denen drei, vier oder noch viel mehr Quellen miteinander konkurrieren. Zwar bewerteten die Teilnehmenden die wahrgenommenen Ergebnisse, doch Langzeitdaten aus dem Alltag, die zeigen, wie diese Algorithmen beim tatsächlichen täglichen Hören abschneiden, würden das Vertrauen in ihren praktischen Nutzen stärken.

Zudem zeigte die Gruppe mit Cochlea-Implantaten geringere Verbesserungen als die normalhörende Gruppe, was darauf hindeutet, dass die CI-Signalverarbeitung eigenen Beschränkungen unterliegt. Algorithmen, die für eine Art von Hörsystem optimiert sind, lassen sich möglicherweise nicht direkt auf eine andere übertragen. In der Veröffentlichung wurden keine Finanzierungskonflikte oder konkurrierenden Interessen angegeben.

Was bleibt

Deep Learning entwickelt sich in der Hörtechnik von einer Neuheit zu einem praktischen Werkzeug. Diese Arbeit zeigt, dass Algorithmen, die auf die Trennung und Verbesserung von Umgebungsgeräuschen trainiert sind, messbare und von Hörern bevorzugte Verbesserungen bringen können. Da rezeptfreie und vernetzte Hörsysteme zum Standard werden, steht zunehmend die Rechenleistung zur Verfügung, um diese Algorithmen auszuführen. Im nächsten Schritt gilt es, diese Fortschritte in reale Geräte zu integrieren und sie in unterschiedlichen Hörumgebungen und Nutzergruppen zu validieren.

Shekar, Ram C M C, and John H L Hansen. "Deep learning-based environmental source separation and sound enhancement: Advancements for cochlear implant and normal hearing listeners." The Journal of the Acoustical Society of America, 2026. Abgerufen über PubMed. DOI: 10.1121/10.0042760