耳内式助听器外壳三维建模解剖学分区匹配数据本数据集通过已经经过分割的用户原始耳道数据,将鼓段、水平段、耳甲段、耳甲艇、耳屏、对耳屏等解剖学分区信息同步至对应的助听器外壳数据上,使得可以在助听器外壳上直接区分出不同外观大小、佩戴深度(如耳内式ITE、耳甲腔式ITC、完全耳道式CIC等)的助听器在耳道内佩戴的深度、位置不同。该数据集可以用于助听器外壳的精准建模,修模师根据助听器外壳区域在耳道内的实际位置,优化助听器外壳模型,实现更为精准的个性化定制;还可作为助听器外壳设计相关神经网络模型的训练数据集。一、加工前的数据说明
采用专业助听器外壳修模师根据不同用户原始耳道数据修模处理后得到的3D影像数据。在处理助听器外壳三维建模数据之前,已获取对应的原始耳道区域分割数据。
二、处理规则
(一)构建空间检索树
利用原始耳道区域分割数据,加载原始耳道点云模型,为模型顶点构建空间检索树。
(二)检索最近顶点索引
针对助听器外壳的每一个三维顶点,在空间检索树中秒级检索距离它最近的原始耳道顶点索引。
(三)赋予外壳颜色属性
以原始耳道顶点索引为纽带,将原始耳道点云模型对应的 RGB 颜色数据精准赋予到助听器外壳的同位置三维顶点,从而在几何发生形变后仍能得到助听器外壳表面的对应的耳道解剖学区域标签或颜色属性。
三、数据内容描述
最终形成的数据集合包含以下内容:原始外壳3D点云文件、原始外壳点云数据、原始耳道顶点索引、颜色编码等。
本数据集可用于助听器外壳的精准建模,以及助听器外壳设计相关神经网络模型的训练。
耳内式助听器外壳三维建模解剖学分区匹配数据本数据集通过已经经过分割的用户原始耳道数据,将鼓段、水平段、耳甲段、耳甲艇、耳屏、对耳屏等解剖学分区信息同步至对应的助听器外壳数据上,使得可以在助听器外壳上直接区分出不同外观大小、佩戴深度(如耳内式ITE、耳甲腔式ITC、完全耳道式CIC等)的助听器在耳道内佩戴的深度、位置不同。该数据集可以用于助听器外壳的精准建模,修模师根据助听器外壳区域在耳道内的实际位置,优化助听器外壳模型,实现更为精准的个性化定制;还可作为助听器外壳设计相关神经网络模型的训练数据集。
听障人群听力损失信息分析数据本数据集通过收集听障人群的听力图相关信息(如各频率测得的气导-骨导听力阈值、不舒适阈值),通过基于听力学的科学计算判断出对后续助听器验配起到关键作用的数据(如气、骨导平均听力阈值,气骨导差,听力损失类型等),再关联整合一些其他关键数据(如年龄、性别、是否有中耳炎病史、佩戴助听器时间等)组成听障人群听力损失信息分析数据集。该数据集可以用于指导听障人群选择助听器型号、样式、功率及换能器的规格,以及后续助听器的验配调试;未来还可以用于通过机器学习技术训练神经网络模型,实现根据听障人士听力信息输出与其适配程度最高的助听器参数集合,让其在各种不同的声学场景下获得最优的聆听清晰度及佩戴舒适度。
听障人群外耳三维建模分区训练数据本数据集通过将扫描采集的外耳三维建模原始数据与AI算法相结合,实现对外耳及耳道进行精准区域分割(包括鼓段、水平段、耳甲段、耳甲艇、耳屏、对耳屏等部位),并对同一区域进行标记,通过颜色编码的形式保存在数据集中。利用数据集中的分割信息可以对不同听障人士的外耳及耳道形状进行快速准确的定位,为后续不同外观大小、佩戴深度的助听器(如耳内式ITE、耳甲腔式ITC、完全耳道式CIC等)进行贴合度与声学特性仿真所使用的神经网络精准投喂训练数据,有效避免冗余数据造成的训练幻觉,加快收敛速度。同时,数据集支持快速计算出耳道容积、耳道投影面积等数据,为后续助听器数字孪生物理引擎研发提供了有力的数据支撑。
面向汉语母语听障群体的助听目标增益曲线预测数据本数据集通过收集大量以汉语为母语的中国听障群体在一定时间周期内的最终稳定调试数据和听损基本数据,结合AI算法计算预测出对于不同听力特征的听障者在中国特有的声学场景下能达到最优聆听清晰度及舒适度的多条频响曲线数据集(针对不同输入声强度)。该数据集可用于实现基于PPO强化学习算法的助听器自动调参算法,该算法可通过助听器参数的不断自主调整,使得助听器参数对应的实际频响曲线与目标频响曲线基本一致,从而完成人工智能验配操作。
听障人群听力损失信息分析数据本数据集通过收集听障人群的听力图相关信息(如各频率测得的气导-骨导听力阈值、不舒适阈值),通过基于听力学的科学计算判断出对后续助听器验配起到关键作用的数据(如气、骨导平均听力阈值,气骨导差,听力损失类型等),再关联整合一些其他关键数据(如年龄、性别、是否有中耳炎病史、佩戴助听器时间等)组成听障人群听力损失信息分析数据集。该数据集可以用于指导听障人群选择助听器型号、样式、功率及换能器的规格,以及后续助听器的验配调试;未来还可以用于通过机器学习技术训练神经网络模型,实现根据听障人士听力信息输出与其适配程度最高的助听器参数集合,让其在各种不同的声学场景下获得最优的聆听清晰度及佩戴舒适度。一、加工前的数据说明
采集听障人群的听力图相关信息,如用户ID和250hz、500hz、750hz、1000hz、1500hz、2000hz、3000hz、4000hz、6000hz、8000hz十个频点测得的气导和骨导听力阈值(dB)、不舒适阈值(dB)等。系统已对每个用户的隐私数据进行保密、隐私化及匿名化处理,分配不可逆向还原的唯一匿名ID(用户ID),此ID与用户的真实身份信息没有直接关联。
二、处理规则
针对听障人群与听力相关的基础信息大数据集,基于听力学理论研究与临床实践,计算得出一些关键特征量(如气、骨导平均听力阈值,气骨导差,听力损失类型等),对后续的助听器参数验配方案选择上起到至关重要的决定性因素。
(一)计算气、骨导平均听力阈值
根据气导和骨导在500hz、1000hz、2000hz、4000hz四个频点的听力阈值(dB)分别计算气、骨导平均听力阈值(dB);
(二)计算气骨导差
根据气、骨导平均听力阈值的差值(简称气骨导差,单位dB)判定听障者的听力损失类型。判断依据如下:
骨导平均听阈<25dB且气骨导差>10dB为传导性耳聋;
气骨导差<10dB为神经性耳聋;
骨导平均听阈>25dB且气骨导差>10dB为混合性耳聋。
(三)数据整合
通过用户ID将上述数据与其他关键数据(如年龄((当前日期-用户出生日期)/365)、性别(1/0代表男/女)、是否有中耳炎病史(1/0代表是/否)、佩戴助听器时间(月)等)进行关联匹配,形成听障人群听力损失信息分析数据集。该数据集对助听器型号、样式、功率及换能器的规格选择以及后续助听器的验配调试有非常重要的临床指导意义。
三、数据内容描述
最终形成的数据集合包含以下内容:用户ID、年龄、性别、是否有中耳炎病史、佩戴助听器时间(月),气导-骨导在250hz、500hz、750hz、1000hz、1500hz、2000hz、3000hz、4000hz、6000hz、8000hz十个频点的听力阈值(dB),气、骨导平均听力阈值(dB),气骨导差(dB),不舒适域在250hz、500hz、750hz、1000hz、1500hz、2000hz、3000hz、4000hz、6000hz、8000hz十个频点的阈值(dB),听力损失类型等。
本数据集可用于指导助听器参数验配方案的选择,以及用于利用机器学习技术训练神经网络模型。
听障人群外耳三维建模分区训练数据本数据集通过将扫描采集的外耳三维建模原始数据与AI算法相结合,实现对外耳及耳道进行精准区域分割(包括鼓段、水平段、耳甲段、耳甲艇、耳屏、对耳屏等部位),并对同一区域进行标记,通过颜色编码的形式保存在数据集中。利用数据集中的分割信息可以对不同听障人士的外耳及耳道形状进行快速准确的定位,为后续不同外观大小、佩戴深度的助听器(如耳内式ITE、耳甲腔式ITC、完全耳道式CIC等)进行贴合度与声学特性仿真所使用的神经网络精准投喂训练数据,有效避免冗余数据造成的训练幻觉,加快收敛速度。同时,数据集支持快速计算出耳道容积、耳道投影面积等数据,为后续助听器数字孪生物理引擎研发提供了有力的数据支撑。一、加工前的数据说明
采用专业耳道3D扫描设备对用户耳道进行精准扫描,采集用户原始3D耳道影像数据。
二、处理规则
针对外耳三维建模数据,采用U-Net编码器-解码器结构,通过序列化编码将无序3D点云转化为有序1D序列,使用标准Transformer架构的神经网络进行特征学习,实现3D智能分割。
(一)编码器设计
编码器分5个阶段,每个阶段包含下采样层和多个Transformer块。下采样层利用序列化编码将邻近点分组并池化,点数逐级减半,通道数逐级翻倍。Transformer每个块包含条件位置编码,层归一化,多头自注意力,MLP(多层感知机),残差连接。每个块交替使用不同的排序策略(z-order、z-trans等),使模型从多方向捕捉空间结构。
(二)解码器设计
解码器分4个阶段,每个阶段包含上采样层和多个Transformer 块,利用编码器保存的逆映射信息将特征映射回高分辨率,并与编码器对应层跳跃连接融合,点数逐级恢复,通道数逐级减半。Transformer块结构与编码器的相同,进行特征精炼。分割头将解码器输出的特征映射为每个点的类别,完成逐点语义分割。
(三)模型训练
使用Diceloss作为损失函数,优化算法选择Adam,学习率设置为0.0001。将数据集划分为训练集、验证集和测试集,比例为7:2:1。使用训练集对神经网络进行训练,设置训练轮数为1000轮,批次大小为16。在训练过程中,实时监控验证集的损失,当验证集损失连续10轮没有下降时,提前停止训练,防止过拟合。对模型进行超参数调整,尝试不同的隐藏层节点数、学习率和批次大小等参数,找到最佳的模型性能。
三、数据内容描述
最终形成的数据集合包含以下内容:3D点云文件、文件名称、耳道区域、颜色编码、1D序列、损失函数、优化算法、学习率、训练轮数、批次大小、损失值、超参数调整策略等。
本数据集可用于精准定位、分割不同听障人士的外耳及耳道,后续还可用于相关神经网络模型的训练,未来可用于为助听器数字孪生物理引擎研发提供数据支撑。
面向汉语母语听障群体的助听目标增益曲线预测数据本数据集通过收集大量以汉语为母语的中国听障群体在一定时间周期内的最终稳定调试数据和听损基本数据,结合AI算法计算预测出对于不同听力特征的听障者在中国特有的声学场景下能达到最优聆听清晰度及舒适度的多条频响曲线数据集(针对不同输入声强度)。该数据集可用于实现基于PPO强化学习算法的助听器自动调参算法,该算法可通过助听器参数的不断自主调整,使得助听器参数对应的实际频响曲线与目标频响曲线基本一致,从而完成人工智能验配操作。一、加工前的数据说明
采集了大量以汉语为母语的中国听障群体在一定时间周期内的听力损失基本数据(如年龄(自动换算得出,年龄=(当前日期-用户出生日期)/365)、性别(“1”代表“男”,“0”代表“女”)、是否佩戴过助听器(“1”代表“是”,“0”代表“否”)、历史佩戴时长(月)、是否双耳聋、听力图等)和最终稳定调试数据(如助听器型号等),其中,听力图数据是十个频点的气导-骨导听力阈值、不舒适阈值,单位为db。
二、处理规则
(一)模型设计
频响曲线预测模型由特征嵌入层、特征提取层、特征交互层、卷积神经网络(CNN)与池化层以及MLP输出层等模块构成。模型输入的特征有用户的年龄、性别、是否佩戴过助听器、历史佩戴时长、是否双耳聋、听力图(十个频点的气导-骨导听力阈值、不舒适阈值)、助听器型号等,上述特征通过特征嵌入层转换成256维的特征向量,然后使用双向长短期记忆神经网络(BiLSTM)提取听力图特征,将特征向量输入到特征提取层与特征交互层,紧接着通过卷积神经网络(CNN)与最大池化降维,最后通过MLP输出所预测的多条频响曲线(单位dB SPL)。
(二)模型训练
模型训练过程中采用均方误差(MSE)作为损失函数,优化算法选择Adam,并使用学习率动态调整算法(余弦退火算法),共进行30000轮训练(最初5轮为预热)。训练集、验证集和测试集比例为7:2:1,当验证集损失函数连续10轮没有下降时,即停止训练(防止过拟合)。使用Nvidia 4090算力进行训练,每次训练大约30小时。对模型进行超参数调整,尝试不同的特征向量维度大小、学习率和批次大小等参数,找到最佳的模型性能。
三、数据内容描述
最终形成的数据集合包含以下内容:用户的年龄(自动换算得出,年龄=(当前日期-用户出生日期)/365)、性别(“1”代表“男”,“0”代表“女”)、是否佩戴过助听器(“1”代表“是”,“0”代表“否”)、历史佩戴时长(月)、是否双耳聋、助听器型号、听力图(十个频点的气导-骨导听力阈值、不舒适阈值,dB)、预测频响曲线(dB SPL)、损失函数、优化算法、学习率、训练轮数、批次大小、超参数调整策略等。
本数据集可用于实现基于PPO强化学习算法的助听器自动调参算法,进而实现人工智能验配操作。
耳内式助听器外壳三维建模分区训练数据本数据集通过将已完成修模操作的耳内式助听器外壳三维建模数据与AI算法相结合,可以解析出助听器外壳区域分割信息(包括出声孔、通气孔、底面、内表面、外表面等5个部分的物理结构分区信息),并通过颜色编码的方式保存在数据集中。利用数据集的分区信息,可以对用于助听器外壳设计的神经网络进行训练数据的投喂,是实现快速根据用户耳道的实际情况和所选定外壳来动态调整耳内式助听器外壳的厚度、大小、孔径等参数,实现更加精准的个性化定制。一、加工前的数据说明
采用专业助听器外壳修模师根据不同用户原始耳道数据修模处理后得到的3D影像数据。
二、处理规则
针对助听器外壳三维建模数据设计一个双分支混合架构的3D点云语义分割网络,由点云分支、体素分支和分割头三部分组成。
(一)点云分支
点云分支接收形状为4096点的原始点云,先通过机器学习旋转矩阵进行空间对齐,再经过4层一维卷积,每层使用批归一化和ReLU激活函数提取多尺度特征,其中第3层输出后使用一个特征变换矩阵进行特征对齐。最后对512维特征进行全局最大池化得到全局特征,并将4层输出拼接得到多尺度点特征。
(二)体素分支
体素分支接收体素特征和坐标,首先将输入通道投影到16维,随后经过6个阶段的稀疏卷积编码。前2个阶段保持分辨率,后4个阶段进行2倍下采样(共下降32倍),输出的通道数依次为16、32、64、128、128、128,每个阶段由2个含跳跃连接的基础稀疏计算块组成。最后将第5阶段和第6阶段特征上采样后与第4阶段特征拼接实现多尺度融合,经投影和卷积处理后,通过全局平均池化输出体素特征。
(三)分割头
分割头首先将点云全局特征和体素特征拼接扩展,后与点特征拼接得到综合所有信息的总特征,经3层一维卷积(前两层带批归一化和ReLU激活函数)后输出逐点分类结果,完成逐点语义分割。
(四)模型训练
使用Diceloss作为损失函数,优化算法选择Adam,学习率设置为0.0001。将数据集划分为训练集、验证集和测试集,比例为7:2:1。使用训练集对神经网络进行训练,设置训练轮数为 1000轮,批次大小为16。在训练过程中,实时监控验证集的损失,当验证集损失连续10轮没有下降时,提前停止训练,防止过拟合。对模型进行超参数调整,尝试不同的隐藏层节点数、学习率和批次大小等参数,找到最佳的模型性能。
三、数据内容描述
最终形成的数据集合包含以下内容:原始外壳3D点云文件、文件名称、原始外壳点云数据、外壳物理结构区域、颜色编码、体素特征和坐标、分类结果、损失函数、优化算法、学习率、训练轮数、批次大小、损失值、超参数调整策略等。
本数据集可用于助听器外壳设计相关神经网络模型的训练,实现基于用户耳道进行精准的助听器个性化定制。
耳内式助听器外壳三维建模分区训练数据本数据集通过将已完成修模操作的耳内式助听器外壳三维建模数据与AI算法相结合,可以解析出助听器外壳区域分割信息(包括出声孔、通气孔、底面、内表面、外表面等5个部分的物理结构分区信息),并通过颜色编码的方式保存在数据集中。利用数据集的分区信息,可以对用于助听器外壳设计的神经网络进行训练数据的投喂,是实现快速根据用户耳道的实际情况和所选定外壳来动态调整耳内式助听器外壳的厚度、大小、孔径等参数,实现更加精准的个性化定制。