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

Jeder mit Hörverlust kennt die Herausforderung: Eine Autohupe ertönt, während Sie versuchen, ein Gespräch zu verfolgen; in der Küche brutzelt es, während Sie einem Podcast lauschen; Naturgeräusche vermischen sich mit dem Brummen im Haushalt. Menschen mit normalem Gehör bewältigen dies durch eine Art neuronale Sortierung und isolieren schnell das Geräusch, auf das sie sich konzentrieren möchten. Doch für Träger von Hörgeräten, ob herkömmlicher Geräte oder Cochlea-Implantate, bleibt dieses „Cocktailparty-Problem" eine der frustrierendsten Lücken zwischen Technik und realem Hören.

Forscher an der University of Texas at Dallas wollten testen, ob künstliche Intelligenz verbessern kann, wie Hörgeräte mit konkurrierenden Umgebungsgeräuschen umgehen. Ihr Fokus lag nicht auf Sprache, sondern auf der vielfältigen Schicht akustischer Ereignisse, die das tägliche Leben ausmachen – raschelnde Blätter, bellende Hunde, fließendes Wasser, zuschlagende Türen.

Hintergrund: Warum die Forscher dies untersuchten

Träger von Cochlea-Implantaten stehen bei der Wahrnehmung von Umgebungsgeräuschen vor besonderen Herausforderungen. Während moderne CI-Technik darin brilliert, Sprachsignale zu liefern, bleiben die diffuseren, variableren akustischen Signaturen von Umgebungsereignissen – Vogelgesang, Regen, Verkehr – schwerer zu verarbeiten. Diese Einschränkung betrifft die Sicherheit (Schwierigkeiten, sich nähernde Fahrzeuge zu hören), die Lebensqualität (weniger Freude an Naturgeräuschen) und die allgemeine Selbstständigkeit.

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

Wie die Studie durchgeführt wurde

Shekar und Hansen entwickelten einen experimentellen Rahmen, der reale Hörszenarien nachahmte. Sie erstellten Klangmischungen aus zwei Quellen, indem sie ein „Zielgeräusch" (etwa Regen oder Vögel) mit einem konkurrierenden „Störgeräusch" kombinierten. Sowohl CI-Träger als auch Menschen mit normalem Gehör hörten drei Versionen jeder Mischung an: das rohe Mischsignal als Ausgangsbasis, ein Signal, das allein mit Quellentrennung verarbeitet wurde, und ein Signal, das die Quellentrennung mit der eigens von den Forschern entwickelten Verbesserungstechnik für nichtsprachliche Geräusche kombinierte.

Der Algorithmus zur Quellentrennung verwendete eine Deep-Learning-Architektur namens SUDORMEND (Successive Downsampling and Resampling of Multi-Resolution Features network). Die Hörer bewerteten das verarbeitete Signal in drei Dimensionen: Reduzierung der Störgeräusche, Audioqualität und Verzerrung. Außerdem führten sie Präferenztests mit erzwungener Auswahl durch und gaben an, welche Version sie bevorzugten.

Was die Forscher herausfanden

Die Ergebnisse unterschieden sich deutlich zwischen den beiden Hörergruppen. Träger von Cochlea-Implantaten zeigten eine statistisch signifikante Verbesserung bei der Reduzierung von Störgeräuschen, jedoch nur bei Naturgeräuschen in Kombination mit kategoriegleichen Störgeräuschen (F=4,935, p=0,0175). Dies deutet darauf hin, dass die CI-Verarbeitung möglicherweise stark auf Sprache abgestimmt ist, sodass die Verarbeitung breiterer Umgebungsgeräusche weniger ausgereift bleibt.

Hörer mit normalem Gehör zeigten deutlich umfassendere Verbesserungen. Sie wiesen eine Reduzierung der Störgeräusche über alle getesteten nichtsprachlichen Geräuschkategorien hinweg auf, mit hochsignifikanten statistischen Werten (F-Werte zwischen 8,481 und 32,37, p-Werte deutlich unter 0,001). Beide Gruppen – Cochlea-Implantat-Träger und Normalhörende – äußerten eine starke Präferenz für den kombinierten Ansatz aus Quellentrennung und Verbesserung, wenn sie Naturgeräuschen und Haushaltsgeräuschen wie fließendem Wasser oder klapperndem Geschirr zuhörten.

Der Kontrast ist aufschlussreich: Wenn man dem Algorithmus die Freiheit gibt, die Wahrnehmung nichtsprachlicher Geräusche über die sprachfokussierte Verarbeitung hinaus zu verbessern, bemerken die Nutzer dies und bevorzugen das Ergebnis. Die Tatsache, dass Normalhörende eine breitere Verbesserung erlebten, deutet darauf hin, dass Hörgeräte erheblich von Algorithmen profitieren könnten, die für akustische Umgebungen optimiert sind und nicht nur für Gespräche.

Was es für Menschen mit Hörverlust bedeutet

Diese Arbeit erweitert das, was Hörgeräte leisten könnten. Heute priorisieren die meisten herkömmlichen Hörgeräte und Cochlea-Implantate die Sprachverständlichkeit – und das zu Recht, da Gespräche ein zentraler Bestandteil des täglichen Lebens sind. Doch Menschen leben nicht in einer Welt, die nur aus Sprache besteht. Der Reichtum der akustischen Erfahrung umfasst Musik, Lachen, Natur, Warnsignale und die subtilen akustischen Hinweise, die uns helfen, uns in unserer Umgebung zurechtzufinden und sie zu genießen.

Die Forschung zeigt, dass Deep Learning sich überlagernde Umgebungsquellen entwirren und ihre wahrnehmbare Klarheit verbessern kann. Noch wichtiger: Sie zeigt, dass Hörer mit Hörverlust diese Verbesserungen aktiv bevorzugen. Besonders für Träger von Cochlea-Implantaten, die mit Umgebungsgeräuschen größere Schwierigkeiten haben könnten als allein mit Sprache, könnte eine solche Verarbeitung die Selbstständigkeit und Lebensqualität spürbar steigern.

Fortschritte bei der Geräuschtrennung in moderner Hörtechnologie

Die Erkenntnis der Studie zur Trennung von Schallquellen ist genau die Art technologischer Grenze, die die von der FDA zugelassenen Kategorien rezeptfreier und direkt an Verbraucher gerichteter Hörgeräte ermöglicht haben. Unternehmen haben nun Spielraum, fortschrittliche Audioverarbeitung in Hörgeräten einzusetzen, ohne an das traditionelle, ausschließlich klinikgebundene Modell gebunden zu sein. Deep-Learning-Algorithmen zur Verarbeitung von Umgebungsgeräuschen fügen sich natürlich in diese Entwicklung ein.

Geräte wie das Panda® Quantum verbinden klinisch validierte Hörtests mit adaptiver Geräuschreduzierung und Bluetooth-Konnektivität für Telefon und Musik. Die Hinzufügung erlernter Quellentrennung – trainiert an realen akustischen Umgebungen – stellt die nächste Stufe der Leistungsfähigkeit dar. Der Algorithmus übernimmt die schwierige rechnerische Arbeit, jene Quellen zu isolieren, die wichtig sind, sodass der Hörgeräteträger sich auf das konzentrieren kann, was er hören möchte.

Bei leichtem bis mittelgradigem Hörverlust können rezeptfreie Modelle nun diese Art fortschrittlicher Verarbeitung enthalten. Hochgradiger oder an Taubheit grenzender Hörverlust profitiert oft eher von Cochlea-Implantaten oder verschreibungspflichtigen Geräten, die von einem Hörakustiker angepasst werden, doch die zugrunde liegende Forschung zur Geräuschtrennung gilt über das gesamte Spektrum hinweg.

Erfahren Sie mehr über Hörgeräte mit fortschrittlicher Audioverarbeitung bei Panda® Quantum.

Einschränkungen dieser Forschung

Die Studie verwendete kontrollierte Mischungen aus zwei Quellen in einer Laborumgebung, was reale akustische Szenen vereinfacht, in denen drei, vier oder weit mehr Quellen konkurrieren. Die Teilnehmer bewerteten zwar die Wahrnehmungsergebnisse, doch langfristige Felddaten, die zeigen, wie diese Algorithmen beim tatsächlichen täglichen Hören abschneiden, würden das Vertrauen in den praktischen Nutzen stärken.

Zudem zeigte die Gruppe der Cochlea-Implantat-Träger eine geringere Verbesserung als die Gruppe der Normalhörenden, was darauf hindeutet, dass die CI-Signalverarbeitung ihre eigenen Einschränkungen mit sich bringt. Algorithmen, die für eine Art von Hörgerät optimiert sind, lassen sich möglicherweise nicht direkt auf eine andere übertragen. In der Veröffentlichung wurden keine Finanzierungskonflikte oder konkurrierenden Interessen angegeben.

Wo uns das hinführt

Deep Learning entwickelt sich in der Hörtechnologie von einer Neuheit zu einem praktischen Werkzeug. Diese Arbeit zeigt, dass Algorithmen, die darauf trainiert sind, Umgebungsgeräusche zu trennen und zu verbessern, messbare, von Hörern bevorzugte Verbesserungen liefern können. Da rezeptfreie und vernetzte Hörgeräte zum Standard werden, wird die Rechenleistung verfügbar, um diese Algorithmen auszuführen. Die nächste Phase besteht darin, diese Fortschritte in reale Geräte zu integrieren und sie über verschiedene Hörumgebungen und Nutzergruppen hinweg 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 von PubMed. DOI: 10.1121/10.0042760