EP1470735B1 - Method for determining an acoustic environment situation, application of the method and hearing aid - Google Patents

Description

Die vorliegende Erfindung betrifft ein Verfahren zur Bestimmung einer akustischen Umgebungssituation, eine Anwendung des Verfahrens, eine Vorrichtung zur Bestimmung der akustischen Umgebungssituation sowie ein Hörhilfegerät.The present invention relates to a method for determining an acoustic environmental situation, an application of the method, a device for determining the acoustic environment situation, and a hearing aid device.

Moderne Hörgeräte können heute mit Hilfe verschiedener Hörprogramme unterschiedlichen akustischen Umgebungssituationen angepasst werden. Damit soll das Hörgerät dem Benutzer in jeder Situation einen optimalen Nutzen bieten.Modern hearing aids can be adapted today with the help of different hearing programs different acoustic environment situations. Thus, the hearing aid should offer the user an optimal benefit in every situation.

Die Wahl des Hörprogramms kann entweder über die Fernbedienung oder über einen Schalter am Hörgerät selbst vorgenommen werden. Das Umschalten zwischen verschiedenen Hörprogrammen ist jedoch für viele Benutzer lästig oder schwierig, wenn nicht sogar unmöglich. Welches Programm zu welchem Zeitpunkt den optimalen Komfort und die beste Sprachverständlichkeit bietet, ist auch für versierte Hörgeräteträger nicht immer einfach zu bestimmen. Ein automatisches Erkennen der akustischen Umgebungssituation und ein damit verbundenes automatisches Umschalten des Hörprogramms im Hörgerät ist daher wünschenswert.The choice of hearing program can be made either via the remote control or via a switch on the hearing aid itself. However, switching between different programs is annoying or difficult, if not impossible, for many users. Which program offers the optimum comfort and the best speech intelligibility at which point in time is not always easy to determine even for experienced hearing aid wearers. An automatic recognition of the acoustic environment situation and an associated automatic switching of the hearing program in the hearing aid is therefore desirable.

Es sind derzeit verschiedene Verfahren für die automatische Klassifizierung von akustischen Umgebungssituationen bekannt. Bei all diesen Verfahren werden aus dem Eingangssignal, das beim Hörgerät von einem oder mehreren Mikrofonen stammen kann, verschiedene Merkmale extrahiert. Basierend auf diesen Merkmalen trifft ein Mustererkenner unter Anwendung eines Algorithmus eine Entscheidung über die Zugehörigkeit des analysierten Eingangssignals zu einer bestimmten akustischen Umgebungssituation. Die verschiedenen bekannten Verfahren unterscheiden sich dabei einerseits durch die unterschiedlichen Merkmale, welche bei der Beschreibung der akustischen Umgebungssituation verwendet werden (Signalanalyse), und andererseits durch den verwendeten Mustererkenner der die Merkmale klassifiziert (Signalidentifikation).There are currently various methods for the automatic classification of acoustic environmental situations known. In all of these methods, various features are extracted from the input signal that may originate from one or more microphones in the hearing aid. Based on these characteristics, a pattern recognizer, using an algorithm, makes a decision about the affiliation of the analyzed input signal to a specific acoustic environment situation. The various known methods differ on the one hand by the different features that are used in the description of the acoustic environment situation (signal analysis), and on the other hand classified by the used pattern recognizer of the features (signal identification).

Aus der Veröffentlichung der internationalen Patentanmeldung mit dem Veröffentlichungsaktenzeichen WO 01/20 965 sind ein Verfahren sowie eine Vorrichtung zur Bestimmung der akustischen Umgebungssituation bekannt. Es handelt sich dabei um eine einstufige Verarbeitung eines akustischen Eingangssignals in einer Merkmalsextraktionseinheit und einer dieser nachgeschalteten Klassifizierungseinheit, in der die extrahierten Merkmale zur Erzeugung von Klasseninformationen klassifiziert werden. Mit der bekannten Lehre werden zwar, insbesondere bei Verwendung von auditorisch-basierten Merkmalen, gute Resultate erhalten. Eine Verbesserung wird aber insbesondere im Anwendungsbereich von Hörhilfegeräten gewünscht, da gerade in diesem Anwendungsgebiet die Klassifikation von akustischen Umgebungssituation äussert akkurat sein muss.From the publication of the international patent application with the publication file symbol WO 01/20965 For example, a method and a device for determining the acoustic ambient situation are known. This is a single-stage processing of an acoustic input signal in a feature extraction unit and a classification unit downstream of this, in which the extracted features are classified to generate class information. With the known teaching, although good results are obtained, in particular when using auditory-based features. However, an improvement is desired, in particular in the field of application of hearing aids, since it is precisely in this field of application that the classification of the acoustic environment situation must be extremely accurate.

Gleichzeitig bereitet das Vorhandensein von mehreren, sehr allgemeinen Geräuschklassen, wie Musik oder Rauschen, einige Schwierigkeiten. So entspricht es der Natur dieser Geräuschklassen, dass sie sehr allgemein und breit, d.h. in vielfältiger Weise auftreten können. Die Geräuschklasse Rauschen, zum Beispiel, enthält die unterschiedlichsten Geräusche wie Hintergrundgespräche, Bahnhofgeräusche, Haartrockner, und die Geräuschklasse Musik beinhaltet Popmusik, klassische Musik, Einzelinstrumente, Gesang, usw.At the same time, the presence of several, very general noise classes, such as music or noise, presents some difficulties. Thus, it is the nature of these noise classes that they are very general and broad, i. can occur in a variety of ways. The noise class, for example, contains a variety of sounds such as background calls, station sounds, hairdryers, and the noise class music includes pop music, classical music, solo instruments, vocals, etc.

Gerade aufgrund der sehr allgemeinen Natur dieser Geräuschklassen ist es aber sehr schwierig, eine gute Erkennungsrate mit Hilfe der bekannten Verarbeitungsmethode in eine Merkmalsextraktionseinheit und einer nachgeschalteten Klassifizierungseinheit zu erhalten. Zwar kann die Robustheit des Erkennungssystems durch eine geeignete Wahl von Merkmalen verbessert werden, wie dies in WO 01/20965 erstmals aufgezeigt worden ist, indem auditorisch-basierte Merkmale verwendet werden, doch ist es insbesondere aufgrund einer hohen Varianz zwischen allgemeinen Geräuschklassen schwierig, diese klar und zweifelsfrei voneinander zu unterscheiden.However, due to the very general nature of these noise classes, it is very difficult to obtain a good recognition rate by means of the known processing method into a feature extraction unit and a downstream classification unit. Although the robustness of the recognition system can be improved by a suitable choice of features, as described in US Pat WO 01/20965 For the first time it has been demonstrated by using auditory-based features, but it is difficult to distinguish them clearly and unequivocally, in particular because of a high variance between general noise classes.

WO 01/76321 offenbart eine zweistufige Hidden-Markov-Modell-(HMM) Struktur, die eine Extraktionsphase und zwei Identifikationsphasen aufweist, die sich bei auf die Ergebnisse der Extraktionsphase beziehen. WO 01/76321 discloses a two-step hidden Markov model (HMM) structure that has one extraction phase and two identification phases related to the results of the extraction phase.

Der vorliegenden Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren zur Bestimmung einer akustischen Umgebungssituation anzugeben, das gegenüber den bekannten Verfahren robuster und genauer ist.The present invention is therefore based on the object, a method for determining an acoustic Specify environmental situation, which is more robust and accurate compared to the known methods.

Diese Aufgabe wird durch die in Anspruch 1 angegebenen Massnahmen gelöst. Vorteilhafte Ausgestaltungen der Erfindung, eine Anwendung des Verfahrens, eine Vorrichtung sowie ein Hörhilfegerät sind in weiteren Ansprüchen angegeben.This object is achieved by the measures specified in claim 1. Advantageous embodiments of the invention, an application of the method, a device and a hearing aid are specified in further claims.

Indem ein akustisches Eingangssignal in einem mehrstufigen Verfahren, das aus mindestens zwei Klassifizierungsstufen besteht, wobei jede Stufe eine Extraktionsphase und eine Identifikationsphase beinhaltet,By including an acoustic input signal in a multi-stage process consisting of at least two classification stages, each stage including an extraction phase and an identification phase,

verarbeitet wird, wird eine überaus robuste und genaue Klassifikation der momentanen akustischen Umgebungssituation erhalten. So kann mit dem erfindungsgemässen Verfahren beispielsweise eine falsche Klassifizierung von Popmusik in die Kategorie "Sprache in Geräusch" erfolgreich vermieden werden. Das erfindungsgemässe Verfahren ermöglicht ferner die Unterteilung einer allgemeinen Geräuschklasse, beispielsweise Rauschen, in Unterklassen, wie beispielsweise Verkehrslärm oder Gesprächshintergrundlärm. Spezielle Situationen, wie sie beispielsweise im Innern eines Automobiles auftreten ("in-the-car noise"), können ebenfalls erkannt werden. Ganz allgemein können Raumeigenschaften identifiziert und entsprechend bei der Weiterverarbeitung von wichtigen Signalanteilen mitberücksichtigt werden. Es hat sich gezeigt, dass mit dem erfindungsgemässen Verfahren es zudem möglich ist, die Lärmquellen zu lokalisieren, womit die Möglichkeit geschaffen worden ist, das Vorhandensein einer spezifischen Lärmquelle in mehreren anderen Lärmquellen zu detektieren. Die Erfindung wird nachfolgend anhand von Zeichnungen beispielsweise näher erläutert. Dabei zeigen:

Fig. 1

eine bekannte einstufige Vorrichtung zur Bestimmung einer akustischen Umgebungssituation,

Fig. 2

eine erste Ausführungsform einer erfindungsgemässen Vorrichtung mit zwei Verarbeitungsstufen,

Fig. 3

eine zweite, allgemeine Ausführungsform einer erfindungsgemässen mehrstufigen Vorrichtung,

Fig. 4

eine dritte, allgemeine Ausführungsform einer erfindungsgemässen mehrstufigen Vorrichtung,

Fig. 5

eine vierte, allgemeine Ausführungsform einer erfindungsgemässen mehrstufigen Vorrichtung,

Fig. 6

ein gegenüber der zweistufigen Ausführungsform gemäss Fig. 2 vereinfachtes nicht beanspruchtes Beispiel und

Fig. 7

ein Hörhilfegerät mit einer erfindungsgemässen mehrstufigen Vorrichtung gemäss Fig. 2 bis 5.

is processed, a very robust and accurate classification of the current acoustic environment situation is obtained. Thus, for example, a false classification of pop music into the category "speech in noise" can be successfully avoided with the method according to the invention. The inventive method also allows the subdivision of a general noise class, such as noise, in subclasses, such as traffic noise or background noise. Special situations, such as those that occur inside an automobile ("in-the-car noise"), can also be detected. In general, spatial properties can be identified and correspondingly taken into account in the further processing of important signal components. It has been found that it is also possible with the inventive method, the Locate sources of noise, which has created the ability to detect the presence of a specific noise source in several other noise sources. The invention will be explained in more detail with reference to drawings, for example. Showing:

Fig. 1

a known single-stage device for determining an acoustic environment situation,

Fig. 2

A first embodiment of a device according to the invention with two processing stages,

Fig. 3

a second, general embodiment of a multi-stage device according to the invention,

Fig. 4

A third, general embodiment of a multi-stage device according to the invention,

Fig. 5

A fourth, general embodiment of a multi-stage device according to the invention,

Fig. 6

a versus the two-stage embodiment according to Fig. 2 simplified unclaimed example and

Fig. 7

a hearing aid with a novel multi-stage device according to Fig. 2 to 5 ,

Fig. 1 zeigt eine bekannte einstufige Vorrichtung zum Bestimmen der akustischen Umgebungssituation, wobei die Vorrichtung aus einer Hintereinanderschaltung von einer Merkmalsextraktionseinheit F, einer Klassifizierungseinheit C und einer Nachverarbeitungseinheit P besteht. Fig. 1 shows a known single-stage device for determining the acoustic environment situation, wherein the device consists of a series connection of a feature extraction unit F, a classification unit C and a post-processing unit P.

Ein akustisches Eingangssignal IN, das beispielsweise mit einem Mikronfon aufgenommen wurde, ist der Merkmalsextraktionseinheit F beaufschlagt, in der charakteristische Merkmale extrahiert werden.An acoustic input signal IN, recorded, for example, with a micronphone, is applied to the feature extraction unit F, in which characteristic features are extracted.

Für die Merkmalsextraktion in Audiosignalen wurde im Aufsatz von J. M. Kates mit dem Titel "Classification of Background Noises für Hearing-Aid Applications" (1995, Journal of the Acoustical Society of America 97(1), Seiten 461 bis 469 ) vorgeschlagen, eine Analyse der zeitlichen Pegelschwankungen und des Spektrums vorzunehmen. Des weiteren wurde in der Europäischen Patentschrift mit der Nummer EP-B1-0 732 036 eine Analyse des Amplitudenhistogramms zur Erreichung des gleichen Ziels vorgeschlagen. Schliesslich wurde die Merkmalsextraktion auch durch eine Analyse verschiedener Modulationsfrequenzen untersucht und angewendet. Diesbezüglich wird auf die beiden Aufsätze von Ostendorf et. al. mit den Titeln "Empirische Klassifizierung verschiedener akustischer Signale und Sprache mittels einer Modulationsfrequenzanalyse" (1997, DAGA 97, Seiten 608 bis 609 ) und " Klassifikation von akustischen Signalen basierend auf der Analyse von Modulationsspektren zur Anwendung in digitalen Hörgeräten" (1998, DAGA 98, Seiten 402 bis 403 ) verwiesen. Ein ähnlicher Ansatz ist auch in einem Aufsatz von Edwards et. al. mit dem Titel "Signal-processing algorithms for a new sofware-based, digital hearing device" (1998, The Hearing Journal 51, Seiten 44 bis 52 ) offenbart. Weitere mögliche Merkmale sind der Pegel selbst oder die Nulldurchgangsrate wie z.B. in H. L. Hirsch, "Statistical Signal Characterization" (Artech House 1992 ) beschrieben. Die bisher zur Audiosignalanalyse verwendeten Merkmale sind also rein technisch-basiert.For the feature extraction in audio signals was in the article of JM Kates entitled "Classification of Background Noises for Hearing-Aid Applications" (1995, Journal of the Acoustic Society of America 97 (1), pages 461-469 ) proposed to perform an analysis of the temporal level fluctuations and the spectrum. Furthermore, in the European patent specification number EP-B1-0 732 036 an analysis of the amplitude histogram to achieve the same goal proposed. Finally, the feature extraction was also investigated and applied by analyzing different modulation frequencies. In this regard, the two essays by Ostendorf et. al. entitled "Empirical Classification of Various Acoustic Signals and Speech by Modulation Frequency Analysis" (1997, DAGA 97, pages 608 to 609 ) and " Classification of acoustic signals based on the analysis of modulation spectra for use in digital hearing aids "(1998, DAGA 98, pages 402-403 ) directed. A similar approach is also in an essay by Edwards et. al. entitled "Signal processing algorithms for a new software-based, digital hearing device" (1998, The Hearing Journal 51, pages 44 to 52 ) disclosed. Other possible features are the level itself or the zero crossing rate such as in HL Hirsch, "Statistical Signal Characterization" (Artech House 1992 ). The features used so far for audio signal analysis are therefore purely technical-based.

Des Weiteren wurde in der bereits zitierten Offenlegungsschrift der internationalen Patentanmeldung WO 01/20965 neben den erwähnten technischen Merkmalen erstmals auf die vorteilhafte Verwendung von auditorisch-basierten Merkmalen hingewiesen.Furthermore, in the already cited published patent application of the international patent application WO 01/20965 in addition to the mentioned technical features for the first time pointed to the advantageous use of auditory-based features.

Gemäss Fig. 1 werden die in der Merkmalsextraktionseinheit F extrahierten Merkmale M der Klassifizierungseinheit C beaufschlagt, in der für die Geräuschklassifikation grundsätzlich einer der bekannten Musteridentifikationsmethoden zum Einsatz kommt. So eignen sich insbesondere so genannte Abstandsschätzer, Bayes Klassifizierer, Fuzzy Logic Systeme oder Neuronale Netzwerke als Mustererkenner. Weitere Informationen zu den zwei erst genannten Methoden können der Druckschrift " Pattern Classification and Scene Analysis" von Richard O. Duda und Peter E. Hart (John Wiley & Sons, 1973 ) entnommen werden. Bezüglich Neuronalen Netzwerken wird auf das Standardwerk von Christopher M. Bishop mit dem Titel "Neural Networks for Pattern Recognition" (1995, Oxford University Press ) verwiesen. Des weiteren wird auf die folgenden Publikationen verwiesen: Ostendorf et. al., "Klassifikation von akustischen Signalen basierend auf der Analyse von Modulationsspektren zur Anwendung in digitalen Hörgeräten" (Zeitschrift für Audiologie, 1998, Seiten 148 bis 150 ); F. Feldbusch, "Geräuscheerkennung mittels Neuronaler Netzwerke" (1998, Zeitschrift für Audiologie, Seiten 30 bis 36 ); Europäische Patentanmeldung mit der Veröffentlichungsnummer EP-A1-0 814 636 ; und US-Patent mit der Veröffentlichungsnummer US-5 604 812 . Neben den erläuterten Mustererkennungsmethoden, bei denen lediglich die statischen Eigenschaften der interessierten Geräuschklassen modelliert werden, sind in der bereits zitierten Offenlegungsschrift der internationalen Patentanmeldung WO 01/20965 auch Methoden genannt, bei denen dynamische Eigenschaften berücksichtigt werden.According to Fig. 1 the features M of the classification unit C extracted in the feature extraction unit F are applied, in which basically one of the known pattern identification methods is used for noise classification. In particular, so-called distance estimators, Bayes classifiers, fuzzy logic systems or neural networks are suitable as pattern recognizers. Further information on the first two methods can be found in the publication " Pattern Classification and Scene Analysis "by Richard O. Duda and Peter E. Hart (John Wiley & Sons, 1973 ). Regarding neural networks, the standard work of Christopher M. Bishop entitled "Neural Networks for Pattern Recognition" (1995, Oxford University Press ). Further reference is made to the following publications: Ostendorf et. al., "Classification of Acoustic Signals Based on the Analysis of Modulation Spectra for Use in Digital Hearing Aids" (Journal of Audiology, 1998, pages 148 to 150 ); F. Feldbusch, "Noise Detection Using Neural Networks" (1998, Journal of Audiology, pages 30 to 36 ); European patent application with publication number EP-A1-0 814 636 ; and U.S. Patent Publication Number U.S. 5,604,812 , In addition to the described pattern recognition methods, in which only the static properties of the interested noise classes are modeled, are in the already cited published patent application of the international patent application WO 01/20965 also called methods in which dynamic properties are taken into account.

Gemäss Fig. 1 werden durch die in der Klassifizierungseinheit C durchgeführten Verarbeitungsschritten Klasseninformation KI erhalten, die gegebenenfalls einer Nachverarbeitungseinheit P zur allfälligen Bereinigung der Klassenzugehörigkeit zugeführt werden. Erhalten werden in der Folge bereinigte Klasseninformationen KI'.According to Fig. 1 class information KI are obtained by the processing steps carried out in the classification unit C, which are optionally fed to a post-processing unit P for the purpose of possibly correcting the class membership. Obtained in the sequence cleaned class information KI '.

In Fig. 2 ist eine erste Ausführungsvariante einer erfindungsgemässen Vorrichtung dargestellt. Es handelt sich dabei um eine Vorrichtung mit zwei Verfahrensstufen S1 und S2, wobei in jeder Verfahrensstufe S1, S2 je eine Merkmalsextraktionseinheit F1 bzw. F2 und eine Klassifizierungseinheit C1 bzw. C2 enthalten sind. Beiden Verfahrensstufen S1 bzw. S2 wird das originäre Eingangssignal IN zugeführt, nämlich sowohl der Merkmalsextraktionseinheit F1 als auch der Merkmalsextraktionseinheit F2, die je für sich mit der entsprechenden Klassifizierungseinheit C1 bzw. C2 in der Folge wirkverbunden sind. Von Bedeutung ist nun, dass Klasseninformationen KI1, welche aufgrund von Berechnungen in der Klassifizierungseinheit C1 der ersten Verfahrensstufe S1 erhalten werden, die Klassifizierungseinheit C2 der zweiten Verfahrensstufe S2 beeinflusst wird, und zwar derart, dass beispielsweise einer von mehreren möglichen Musteridentifikationsmethoden ausgewählt wird und für die Geräuschklassifizierung in der Klassifizierungseinheit C2 der zweiten Verfahrensstufe S2 angewendet wird.In Fig. 2 a first embodiment of an inventive device is shown. It is a device with two process stages S1 and S2, wherein in each process stage S1, S2 depending on a feature extraction unit F1 or F2 and a Classification C1 or C2 are included. The original input signal IN, namely both the feature extraction unit F1 and the feature extraction unit F2, which are each operatively connected to the corresponding classification unit C1 or C2 in the sequence, is fed to both process stages S1 and S2. Of importance now is that class information KI1, which is obtained on the basis of calculations in the classification unit C1 of the first method stage S1, the classification unit C2 of the second method step S2 is influenced, such that, for example, one of several possible pattern identification methods is selected and for the Noise classification in the classification unit C2 of the second method step S2 is applied.

Die allgemeine in Fig. 2 dargestellte Ausführungsvariante der Erfindung wird im Folgenden an einem konkreten Beispiel weiter erläutert:
Durch die Merkmalsextraktionseinheit F1 werden die Merkmale Tonalität, spektraler Schwerpunkt (CGAV: spectral center of gravity), Fluktuation des spektralen Schwerpunkts (CGFS) und spektrale Breite und Einschwingzeit extrahiert und in der Klassifizierungseinheit C1, in der ein HMM-(Hidden Markov Model)-Klassifizierer zum Einsatz kommt, klassifiziert, wobei das Eingangssignal IN mit Hilfe der HMM-Kassifizierung in eine der folgenden Klassen eingeteilt wird: "Sprache", "Sprache in Rauschen", "Rauschen" oder "Musik". Dies wird als Klasseninformation KI bezeichnet. Das Resultat der ersten Verarbeitungsstufe S1 wird der Klassifizierungseinheit C2 der Verarbeitungsstufe S2 beaufschlagt, in der ein zweites Merkmalset mit Hilfe der Merkmalsextraktionseinheit F2 extrahiert wird. Dabei werden neben den Merkmalen Tonalität, spektraler Schwerpunkt und Fluktuation des spektralen Schwerpunkts (CGFS) das zusätzliche Merkmal Varianz der harmonischen Struktur (pitch) - nachfolgend auch etwa als Pitchvar bezeichnet - extrahiert. Aufgrund dieser Merkmale wird mit Hilfe eines Regel-basierten Klassifizierers in der Klassifizierungseinheit C2 das Resultat der ersten Verarbeitungsstufe S1 überprüft und gegebenenfalls korrigiert. Der Regel-basierte Klassifizierer beinhaltet lediglich wenige einfache heuristische Entscheidungen, welche auf den vier Merkmalen basieren und sich an den folgenden Überlegungen orientieren:
Das Merkmal Tonalität wird in jeder Klasse zur Korrektur verwendet, falls die Merkmalswerte vollständig ausserhalb eines zulässigen Wertebereiches der Klasseninformationen KI1 liegen, welche in der ersten Klassifizierungseinheit C1 - d.h. durch den HMM-Klassifizierer - bestimmt worden sind. Erwartungsgemäss ist die Tonalität für "Musik" hoch, für "Sprache" im mittleren Bereich, für "Sprache in Rauschen" ein wenig tiefer und für "Rauschen" tief. Falls beispielsweise ein Eingangssignal IN durch die Klassifizierungseinheit C1 in die Klasse "Sprache" fällt, dann wird erwartet, dass entsprechende Merkmale, welche in der Merkmalsextraktionseinheit F1 ermittelt worden sind, der Klassifizierungseinheit C1 angezeigt haben, dass der relevante Signalanteile im Eingangssignal IN stark fluktuiert. Falls, auf der anderen Seite, die Tonalität für dieses Eingangssignal IN sehr tief ist, handelt es sich mit grösster Wahrscheinlichkeit nicht um "Sprache", sondern um "Sprache in Rauschen". Ähnliche Überlegungen können für die anderen drei Merkmale angestellt werden, nämlich für die Varianz der harmonischen Struktur (Pitchvar), den spektralen Scherpunkt (CGAV) und für die Fluktuation des spektralen Schwerpunkts (CGFS). Entsprechend können die Regeln für den Regel-basierten Klassifizierer, welche in der Klassifizierungseinheit C2 zur Anwendung kommen, wie folgt formuliert werden: Klasseninformation KI1: Bedingung: Klasseninformation KI2: "Sprache" Falls Tonalität tief falls CGFS hoch und CGAV hoch ansonsten "Sprache in Rauschen" "Musik" "Rauschen" "Sprache in Rauschen" Falls Tonalität hoch falls Tonalität tief oder CGAV hoch "Sprache" "Rauschen" "Rauschen" Falls Tonalität hoch "Musik" "Musik" Falls Tonalität tief oder Pitchvar tief oder CGAV hoch "Rauschen" The general in Fig. 2 illustrated embodiment of the invention will be further explained in the following by a concrete example:
The features extraction unit F1 extracts the features tonality, spectral centroid (CGAV), fluctuation of the spectral centroid (CGFS) and spectral width and settling time, and in the classification unit C1 in which a HMM (Hidden Markov Model) Classifier is used, wherein the input signal IN using the HMM-Kassifizierung into one of the following classes is divided: "language", "speech in noise", "noise" or "Music". This is called class information KI. The result of the first processing stage S1 is applied to the classification unit C2 of the processing stage S2, in which a second feature set is extracted by means of the feature extraction unit F2. In addition to the features tonality, spectral centroid and fluctuation of the spectral center of gravity (CGFS), the additional feature variance of the harmonic structure (pitch) - also referred to below as Pitchvar - is extracted. On the basis of these features, the result of the first processing stage S1 is checked using a rule-based classifier in the classification unit C2 and corrected if necessary. The rule-based classifier involves only a few simple heuristic decisions based on the four features and based on the following considerations:
The characteristic Tonality is used in each class for correction, if the feature values are completely outside an allowable value range of the class information KI1, which have been determined in the first classification unit C1, ie by the HMM classifier. As expected, tonality is high for "music", "medium" for speech, slightly lower for "speech in noise" and low for "noise". For example, if an input signal IN falls through the classifying unit C1 into the class "speech", then it is expected that corresponding features which have been determined in the feature extraction unit F1, the classification unit C1 have indicated that the relevant signal components in the input signal IN fluctuates strongly. If, on the other hand, the tonality for this input signal IN is very low, it is most likely not "speech" but "speech in noise". Similar considerations can be made for the other three features, namely, the variance of the harmonic structure (pitchvar), the spectral shear point (CGAV), and the spectral center of gravity fluctuation (CGFS). Accordingly, the rules for the rule-based classifier used in the classification unit C2 may be formulated as follows: Class information KI1: Condition: Class information KI2: "Language" If tonality low if CGFS high and CGAV high otherwise "Speech in noise" "Music" "Noise" "Speech in noise" If tonality high if tonality low or CGAV high "Language" "Noise" "Noise" If tonality high "Music" "Music" If tonality is low or pitch deep or CGAV high "Noise"

Bei dieser Ausführungsform der Erfindung hat sich in überraschender Weise herausgestellt, dass nahezu die gleichen Merkmale in der zweiten Verarbeitungsstufe S2 verwendet werden wie in der ersten Verarbeitungsstufe S1.In this embodiment of the invention, it has surprisingly been found that almost the same features are used in the second processing stage S2 as in the first processing stage S1.

Es hat sich darüber hinaus gezeigt, dass sich das Merkmal Tonalität am besten eignet, um eine Korrektur der durch die Klassifizierungseinheit C1 erzeugten Fehler korrigieren zu können. Es kann also festgehalten werden, dass bei Verwendung des Regel-basierten Klassifizierers die Tonalität von entscheidender Bedeutung ist.In addition, it has been found that the characteristic tonality is best suited to be able to correct a correction of the errors generated by the classification unit C1. Thus, it can be stated that tonality is of crucial importance when using the rule-based classifier.

Beim Austesten der vorstehend beschriebenen Ausführungsform konnte festgestellt werden, dass bereits bei diesem einfachen zweistufigen Verfahren die Trefferrate mindestens um 3% gegenüber dem einstufigen Verfahren verbessert werden konnte. In einigen Fällen konnte sogar eine Verbesserung der Trefferrate um 91% festgestellt werden.When debugging the embodiment described above, it could be stated that even in this simple two-stage process, the hit rate could be improved by at least 3% compared to the single-stage process. In some cases even an improvement of the hit rate by 91% could be determined.

In Fig. 3 ist eine weitere Ausführungsform in allgemeiner Darstellung gezeigt. Es handelt sich dabei um ein Verarbeitungsverfahren mit n Stufen. Jede der Verarbeitungsstufen S1 bis Sn weist in Fortführung der vorstehenden Überlegungen eine Merkmalsextraktionseinheit F1 bis Fn und eine dieser nachgeschalteten Klassifizierungseinheit C1 bis Cn zur Erzeugung der jeweiligen Klasseninformationen KI1 bis KIn auf. Gegebenenfalls ist in jeder oder in einzelnen Verarbeitungsstufen S1 bis Sn eine Nachverarbeitungseinheit P1 bis Pn zur Erzeugung von bereinigten Klasseninformationen KI1' bis KIn' vorhanden.In Fig. 3 a further embodiment is shown in a general representation. It is a n-stage processing technique. Each of the processing stages S1 to Sn has, in continuation of the above considerations, a feature extraction unit F1 to Fn and one of these downstream classification units C1 to Cn for generating the respective class information KI1 to KIn. Optionally, a post-processing unit P1 to Pn for generating cleaned class information KI1 'to KIn' is present in each or individual processing stages S1 to Sn.

In Weiterführung der Ausführungsvariante gemäss Fig. 2 eignet sich die in Fig. 3 gezeigte Ausführungsvariante insbesondere auch für eine sogenannte grob-fein Klassifizierung. In einer grob-fein Klassifizierung wird ein in einer Verarbeitungsstufe i erhaltenes Resultat in einer nachfolgenden Verarbeitungsstufe i+1 verfeinert. Es wird also eine Grobklassifizierung in einer übergeordneten Verarbeitungsstufe vorgenommen, wobei aufgrund der Grobklassifizierung eine Feinklassifizierung, basierend auf spezifischeren Merkmalsextraktionen und/oder Klassifizierungsmethoden, in einer nachgeordneten Verarbeitungsstufe ausgeführt wird. Dieser Prozess kann auch als Hypothesengenerierung in einer übergeordneten Verfahrensstufe angesehen werden, die in einer nachgeordneten Verfahrensstufe überprüft, d.h. bestätigt oder zurückgewiesen werden. Es wird ausdrücklich darauf hingewiesen, dass die Hypothesen, welche an sich in einer übergeordneten Verfahrensstufe (Grobklassifizierung) erstellt worden sind, auch mit anderen Informationen, insbesondere mit manuellen Mitteln, wie Fernbedienungen oder Schalter, eingegeben werden können. In Fig. 3 ist dies, stellvertretend in der ersten Verarbeitungsstufe S1, mittels einer Stellgrösse ST angegeben, über die beispielsweise die Berechnungen in der Klassifizierungseinheit C1 übersteuert werden können. Selbstverständlich kann die Stellgrösse auch einer Klassifizierungseinheit C2 bis Cn oder einer Nachverarbeitungseinheit P1 bis Pn einer anderen Verfahrensstufe S1 bis Sn zugeführt werden.In continuation of the embodiment according to Fig. 2 is suitable in Fig. 3 embodiment shown in particular also for a so-called coarse-fine Classification. In a coarse-fine classification, a result obtained in a processing stage i is refined in a subsequent processing stage i + 1. Thus, a rough classification is made in a higher-level processing stage, whereby due to the rough classification a fine classification based on more specific feature extractions and / or classification methods is carried out in a downstream processing stage. This process can also be regarded as hypothesis generation in a higher-level process, which is checked, ie confirmed or rejected, at a later stage of the process. It is expressly pointed out that the hypotheses, which have themselves been created in a higher-level process (rough classification), can also be entered with other information, in particular with manual means, such as remote controls or switches. In Fig. 3 this is indicated by a manipulated variable ST, representative of the first processing stage S1, via which, for example, the calculations in the classification unit C1 can be overridden. Of course, the manipulated variable can also be supplied to a classification unit C2 to Cn or to a postprocessing unit P1 to Pn of another method stage S1 to Sn.

In einem erfindungsgemässen Klassifizierungssystem mit mehreren Verarbeitungsstufen S1 bis Sn kann jeder Verarbeitungsstufe S1 bis Sn, was jedoch nicht zwingend ist, eine Aufgabe zugeordnet werden, wie zum Beispiel: eine Grobklassifizierung, eine Feinklassifizierung, eine Lokalisierung einer Geräuschquelle, eine Überprüfung, ob eine bestimmte Geräuschquelle, z. B. Automobilgeräusch in einem Fahrzeug, vorhanden ist, oder eine Extraktion von bestimmten Signalanteilen von einem Eingangssignal, z. B. Elimination von Echo unter Berücksichtigung von Raumcharakteristiken. Die einzelnen Verfahrensstufen S1 bis Sn sind daher individuell im Sinne, dass in ihnen verschiedene Merkmale extrahiert und verschiedene Klassifizierungsmethoden verwendet werden.In a classification system according to the invention having a plurality of processing stages S1 to Sn, each processing stage S1 to Sn may, but this is not mandatory is to be assigned a task, such as: a rough classification, a fine classification, a localization of a noise source, a check whether a particular noise source, eg. As automotive noise in a vehicle, is present, or an extraction of certain signal components of an input signal, for. B. Elimination of echo taking into account spatial characteristics. The individual process stages S1 to Sn are therefore individual in the sense that different features are extracted in them and different classification methods are used.

In einem weiteren Anwendungsbeispiel ist vorgesehen, in einer ersten Verarbeitungsstufe S1 ein individuelles Signal in einem Gemisch von verschiedenen Signalanteilen zu lokalisieren, in einer zweiten Verarbeitungsstufe S2 eine Grobklassifizierung der lokalisierten Signalquelle vorzunehmen und in einer dritten Verfahrenstufe S3 eine Feinklassifizierung der in der zweiten Verfahrensstufe S2 erhaltenen groben Klassifizierung vorzunehmen.In a further application example, it is provided to localize an individual signal in a mixture of different signal components in a first processing stage S1, carry out a coarse classification of the localized signal source in a second processing stage S2, and in a third process stage S3 to fine-classify those obtained in the second method stage S2 rough classification.

Die in der ersten Verarbeitungsstufe durchgeführte Lokalisation der Schallquelle kann eine Richtungsfilterung, zum Beispiel mittels Multi-Mikrofon-Technologie, nachgeschaltet werden.The localization of the sound source carried out in the first processing stage can be followed by a directional filtering, for example by means of multi-microphone technology.

Selbstverständlich kann eine Merkmalsextraktionseinheit F1 bis Fn unter mehreren Klassifizierungseinheiten C1 bis Cn aufgeteilt werden, d.h. die Resultate einer Merkmalsextraktionseinheit F1 bis Fn können von mehreren Klassifizierungseinheiten C1 bis Cn verwendet werden. Des weiteren ist denkbar, dass eine Klassifizierungseinheit C1 bis Cn in mehreren Verarbeitungsstufen S1 bis Sn verwendet wird. Schliesslich kann vorgesehen sein, dass die in den verschiedenen Verarbeitungsstufen S1 bis Sn erhaltenen Klasseninformationen KI1 bis KIn bzw. die bereinigten Klasseninformationen KI1' bis KIn' zur Erhaltung der abschliessenden Klassifizierung unterschiedlich gewichtet werden.Of course, a feature extraction unit F1 to Fn may be divided among a plurality of classification units C1 to Cn, that is, the results of a feature extraction unit F1 to Fn may be divided among several Classification units C1 to Cn are used. Furthermore, it is conceivable that a classification unit C1 to Cn is used in a plurality of processing stages S1 to Sn. Finally, it can be provided that the class information KI1 to KIn obtained in the various processing stages S1 to Sn or the adjusted class information KI1 'to KIn' are weighted differently in order to obtain the final classification.

In Fig. 4 ist eine weitere Ausführungsform der Erfindung dargestellt, bei der wiederum mehrere Verarbeitungsstufen S1 bis Sn zum Einsatz kommen. Im Unterschied zur Ausführungsform gemäss Fig. 3 werden die Klasseninformationen KI1 bis KIn nicht nur in den jeweils unmittelbar nachfolgenden Verarbeitungsstufen verwendet, sondern gegebenenfalls in allen untergeordneten Verarbeitungsstufen. In analoger Weise können die Resultate von vorhergehenden Verarbeitungsstufen S1 bis Sn ihre Auswirkungen auch auf die nachfolgenden Merkmalsextraktionseinheiten F1 bis Fn bzw. auf die zu extrahierenden Merkmale haben.In Fig. 4 shows a further embodiment of the invention, in turn, several processing stages S1 to Sn are used. In contrast to the embodiment according to Fig. 3 The class information KI1 to KIn are used not only in the immediately following processing stages, but optionally in all subordinate processing stages. In an analogous manner, the results of previous processing stages S1 to Sn can also have their effects on the subsequent feature extraction units F1 to Fn or on the features to be extracted.

Auch bei der Ausführungsvariante gemäss Fig. 4 sind Nachverarbeitungseinheiten P1 bis Pn denkbar, die Zwischenresultate der Klassifizierung aufbereiten und als bereinigte Klasseninformationen KI1' bis KIn' zur Verfügung stellen.Also in the embodiment according to Fig. 4 Postprocessing units P1 to Pn are conceivable which process the intermediate results of the classification and make them available as adjusted class information KI1 'to KIn'.

In Fig. 5 ist eine weitere Ausführungsvariante einer mehrstufigen Vorrichtung zur Bestimmung der akustischen Umgebungssituation, wiederum in allgemeiner Form, dargestellt. Gezeigt sind wie bereits bei den Ausführungsvarianten gemäss Fig. 3 und 4 mehrere Verarbeitungsstufen S1 bis Sn mit Merkmalsextraktionseinheiten F1 bis Fn und Klassifizierungseinheiten C1 bis Cn. Die in jeder Verarbeitungsstufe S1 bis Sn erhaltenen Klasseninformationen KI1 bis KIn werden einer Entscheidungseinheit FD zugeführt, in der die abschliessende Klassifizierung durch erzeugen der Klasseninformationen KI vorgenommen wird. In der Entscheidungseinheit FD ist gegebenenfalls vorgesehen, Rückkopplungssignale zu erzeugen, welche auf die Merkmalsextraktionseinheiten F1 bis Fn und/oder auf die Klassifizierungseinheiten C1 bis Cn wirken, um beispielsweise einzelne Parameter in diesen Verarbeitungseinheiten anzupassen oder um ganze Klassifizierungseinheiten C1 bis Cn austauschen zu können.In Fig. 5 is a further embodiment of a multi-stage device for determining the acoustic environment situation, again in a general form shown. Shown are as already in the embodiments according to Fig. 3 and 4 a plurality of processing stages S1 to Sn having feature extraction units F1 to Fn and classification units C1 to Cn. The class information KI1 to KIn obtained in each processing stage S1 to Sn are supplied to a decision unit FD in which the final classification is made by generating the class information KI. The decision unit FD may provide feedback signals which act on the feature extraction units F1 to Fn and / or the classification units C1 to Cn, for example to adapt individual parameters in these processing units or to exchange entire classification units C1 to Cn.

Es wird ausdrücklich darauf hingewiesen, dass die Rückwirkungen und Verknüpfungen der Verarbeitungseinheiten der Ausführungsvarianten gemäss Fig. 3 bis 5 nicht auf die dargestellten Varianten beschränkt sind. Denkbar ist, dass einzelne Rückwirkungen oder Verknüpfungen weggelassen werden. Grundsätzlich sind beliebige Kombinationen von Verarbeitungseinheiten und Strukturen möglich.It is expressly pointed out that the reactions and links of the processing units of the embodiments according to Fig. 3 to 5 are not limited to the variants shown. It is conceivable that individual reactions or links are omitted. Basically, any combination of processing units and structures are possible.

Darüber hinaus ist denkbar, dass - beim Einsatz der Erfindung bei Hörhilfegeräten - die verschiedenen Verarbeitungsstufen auch zwischen zwei Hörgeräten, d.h. bei je einem Hörgerät für das linke und das rechte Ohr, verteilt sind. Der Informationsaustausch erfolgt bei dieser Ausführungsform über eine drahtgebundene oder eine drahtlose Übertragungsstrecke.In addition, it is conceivable that - when using the invention in hearing aids - the different processing stages between two hearing aids, i. in each case a hearing aid for the left and the right ear, are distributed. The information exchange takes place in this embodiment via a wired or a wireless transmission link.

Fig. 6 ist ein nicht beanspruchtes Beispiel zur Veranschaulichung der vorstehenden allgemeinen Ausführungen zu den möglichen Strukturen. Obwohl lediglich eine Merkmalsextraktionseinheit F1 vorgesehen ist, sind zwei Verarbeitungsstufen S1 und S2 vorgesehen. Die erste Verarbeitungsstufe S1 besteht aus der Merkmalsextraktionseinheit F1 und der Klassifizierungseinheit C1. Bei der zweiten Verarbeitungsstufe S2 werden die gleichen Merkmale verwendet, die bereits in der ersten Verfahrensstufe S1 verwendet worden sind. Eine Neuberechnung der Merkmale in der Verfahrensstufe S2 erübrigt sich daher, und es können die Resultate der Merkmalsextraktionseinheit F1 der ersten Verfahrensstufe S1 in der zweiten Verfahrensstufe S2 verwendet werden. In der zweiten Verfahrensstufe S2 wird somit lediglich die Klassifizierungsmethode geändert, und zwar in Abhängigkeit der Klasseninformationen KI1 der ersten Verarbeitungsstufe S1. Fig. 6 FIG. 12 is an unclaimed example illustrating the above general explanations of the possible structures. Although only one feature extraction unit F1 is provided, two processing stages S1 and S2 are provided. The first processing stage S1 consists of the feature extraction unit F1 and the classification unit C1. In the second processing stage S2, the same features are used, which have already been used in the first process stage S1. A recalculation of the features in the process step S2 is therefore unnecessary, and the results of the feature extraction unit F1 of the first process step S1 can be used in the second process step S2. In the second method stage S2, therefore, only the classification method is changed, specifically as a function of the class information KI1 of the first processing stage S1.

Fig. 7 zeigt die Verwendung der erfindungsgemässen Vorrichtung bei einem Hörhilfegerät, das im Wesentlichen eine Übertragungseinheit 200 aufweist. Mit 100 ist eine mehrstufige Verarbeitungseinheit bezeichnet, die gemäss einer der in den Fig. 2 bis 5 dargestellten Ausführungsvarianten realisiert ist. Das Eingangssignal IN wird sowohl der mehrstufigen Verarbeitungseinheit 100 als auch der Übertragungseinheit 200 beaufschlagt, in dem das akustische Eingangssignal IN unter Zuhilfenahme der in der mehrstufigen Verarbeitungseinheit 100 erzeugten Klasseninformationen KI1 bis KIn bzw. KI1' bis KIn' bearbeitet wird. Dabei ist vorzugsweise vorgesehen, ein aufgrund der ermittelten akustischen Umgebungssituation ein geeignetes Hörprogramm auszuwählen, wie dies in der Einleitung und in der internationalen Patentanmeldung WO 01/20 965 beschrieben worden ist. Fig. 7 shows the use of the device according to the invention in a hearing aid device, which essentially has a transmission unit 200. With 100 is one multistage processing unit referred to in any of the Fig. 2 to 5 realized embodiments is realized. The input signal IN is applied to both the multi-stage processing unit 100 and the transmission unit 200, in which the acoustic input signal IN is processed with the aid of the class information KI1 to KIn or KI1 'to KIn' generated in the multi-stage processing unit 100. In this case, it is preferably provided to select a suitable hearing program on the basis of the determined acoustic environmental situation, as in the introduction and in the international context Patent application WO 01/20965 has been described.

Mit 300 ist eine manuelle Eingabeeinheit bezeichnet, mit Hilfe der - beispielsweise über eine Funkstrecke, wie dies schematisch in Fig. 7 ersichtlich ist - gegebenenfalls sowohl auf die mehrstufige Verarbeitungseinheit 100 in bereits erläuterten Weise oder auf die Übertragungseinheit 200 einwirkt. Im Falle des Hörhilfegerätes 200 wird auf die Ausführungen in der WO 01/20 965 verwiesen.Denoted by 300 is a manual input unit with the aid of - for example via a radio link, as shown schematically in FIG Fig. 7 is apparent - if necessary, both the multi-stage processing unit 100 in the manner already explained or the transfer unit 200 acts. In the case of the hearing aid 200 is based on the comments in the WO 01/20965 directed.

Als mögliche Klassifizierungsmethoden bei allen erläuterten Ausführungsvarianten der Erfindung kommt insbesondere eine der folgenden Methoden zur Anwendung:

• Hidden Markov Modelle;
• Fuzzy Logic;
• Klassifizierung nach Bayes;
• Regel-basierte Klassifizierung;
• Neuronale Netzwerke;
• Minimale Distanz.

As possible classification methods in all illustrated embodiments of the invention, in particular one of the following methods is used:

• Hidden Markov models;
• Fuzzy logic;
• Classification according to Bayes;
• Rule-based classification;
• Neural networks;
• Minimum distance.

Schliesslich wird ausdrücklich darauf hingewiesen, dass in den Merkmalsextraktionseinheiten F1 bis Fn (Fig. 2 bis 7) technische und/oder auditorisch-basierte Merkmale extrahiert werden können. Für ausführliche Erläuterungen zu den technischen und auditorisch-basierten Merkmalen sei wiederum auf die Ausführungen in der internationalen Patentanmeldung WO 01/20 965 verwiesen.Finally, it is explicitly pointed out that in feature extraction units F1 to Fn (FIG. Fig. 2 to 7 ) technical and / or auditory-based features can be extracted. For detailed explanations of the technical and auditory-based features, turn to the statements in the international patent application WO 01/20965 directed.

Eine bevorzugte Anwendung des erfindungsgemässen Verfahrens zur Bestimmung der akustischen Umgebungssituation ist die Wahl eines Hörprogrammes in einem Hörhilfegerät. Denkbar ist jedoch auch die Verwendung der erfindungsgemässen Vorrichtung bzw. die Anwendung des erfindungsgemässen Verfahrens zur Spracherkennung.A preferred application of the inventive method for determining the acoustic environment situation is the choice of a hearing program in a hearing aid. However, it is also conceivable to use the device according to the invention or the application of the method according to the invention for speech recognition.

Claims (10)

1. Method for determining an acoustic environment situation, wherein the method consists in processing an acoustic input signal (IN) in at least two processing stages (S1, ..., Sn), which acoustic input signal (IN) is preferably recorded with the aid of at least one microphone, in such a way

   - that in each of the at least two processing stages (S1, ..., Sn) an extraction phase is provided in which characteristic features are extracted from the input signal (IN),

   - that in each processing stage (Sl, ..., Sn) an identification phase is provided in which extracted characteristic features are classified,

   - that class information (KI1, ..., KIn) is generated based on the classification of the features in at least one processing stage (S1, ..., SN), which class information characterizes or identifies, respectively, the acoustic environment situation,

   - that the class information (KI1, ..., KIn) obtained in the identification phase of a processing stage i (S1, ..., Sn) determines the manner of processing in the subsequent or subordinate processing stage i+1 (S2, ..., Sn), and

   - that due to the class information (KI1, ..., KIn) obtained in the processing stage i (S1, ..., Sn), specific features in the extraction phase of the subsequent or subordinate processing stage i + 1 (S2, ...., Sn) and/or specific classification methods in the identification phase are selected in the subsequent or subordinate processing stage i + 1 (S2, ..., Sn).
2. Method according to claim 1, characterized in that one of the following classification methods is used in the identification phase:

   - Hidden Markov models;

   - Fuzzy Logic;

   - Classification according to Bayes;

   - Rule-based classification;

   - Neuronal networks;

   - Minimum distance.
3. Method according to one of the preceding claims, characterized in that technical and/or auditory-based features are extracted in the extraction phases.
4. Application of the method according to one of claims 1 to 3 for adapting at least one hearing device to a current acoustic environment situation.
5. Application according to claim 4, characterized in that a hearing program or a transfer function between at least one microphone and a handset in the at least one hearing aid is adjusted based on the determined current acoustic environment situation.
6. Device for determining an acoustic environment situation with a feature extraction unit (F1, ..., Fn), which is operatively connected to a classification unit (C) for processing an input signal (IN), characterized in that at least two processing stages (S1, ..., Sn) are provided, wherein in each of the at least two processing stages (S1, ..., Sn) a feature extraction unit (F1, ..., Fn) is included and wherein in each processing stage (S1, ..., Sn) a classification unit (C1, .. , Cn) is included, that the input signal (IN) is applied to the feature extraction units (F1, ..., Fn), that class information (KI1, ..., KIn) is generated by the classification units (Cl, ..., Cn), that the class information (KI1, ..., KIn) of a processing stage i (S1, ..., Sn) is applied to a subsequent or subordinate processing stage i+1 (S2, ..., Sn), and that the class information (KI1, ..., KIn) of a processing stage i (S1, ..., Sn) of the feature extraction unit (M1, ..., Mn) is applied to a subsequent or subordinate processing stage i+1 (S2, ..., Sn) and/or to the classification unit (C2, ..., Cn) of the subsequent or subordinate processing stage i+1 (S2, ..., Sn).
7. Device according to claim 6, characterized in that the class information (KI1, ..., KIn) of all processing stages (S1, ..., Sn) is applied to a decision unit (ED).
8. Device according to claim 7, characterized in that the decision unit (ED) is operatively connected to at least one feature extraction unit (Fl, ..., Fn) and/or to at least one classification unit (C1, ..., Cn).
9. Hearing aid with a transmission unit (200) that is operatively connected, on its input side, to at least one microphone and, on its output side, to a transducer unit, in particular to a receiver, and with a device according to one of claims 6 to 8 for generating class information (KI1, ..., KIn), the class information (KI1, ..., KIn) being applied to the transmission unit (200).
10. Hearing aid according to claim 9, characterized in that an input unit (300) is provided which is operatively connected, preferably via a radio link, to the transmission unit (200) and/or to the device according to one of claims 6 to 8.

Images