JP7276433B2 - フィッティング支援装置、フィッティング支援方法、及びプログラム - Google Patents
フィッティング支援装置、フィッティング支援方法、及びプログラム Download PDFInfo
- Publication number
- JP7276433B2 JP7276433B2 JP2021515724A JP2021515724A JP7276433B2 JP 7276433 B2 JP7276433 B2 JP 7276433B2 JP 2021515724 A JP2021515724 A JP 2021515724A JP 2021515724 A JP2021515724 A JP 2021515724A JP 7276433 B2 JP7276433 B2 JP 7276433B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- fitting
- parameter data
- missing
- subject
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R25/00—Deaf-aid sets, i.e. electro-acoustic or electro-mechanical hearing aids; Electric tinnitus maskers providing an auditory perception
- H04R25/70—Adaptation of deaf aid to hearing loss, e.g. initial electronic fitting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R25/00—Deaf-aid sets, i.e. electro-acoustic or electro-mechanical hearing aids; Electric tinnitus maskers providing an auditory perception
- H04R25/50—Customised settings for obtaining desired overall acoustical characteristics
- H04R25/505—Customised settings for obtaining desired overall acoustical characteristics using digital signal processing
- H04R25/507—Customised settings for obtaining desired overall acoustical characteristics using digital signal processing implemented by neural network or fuzzy logic
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Otolaryngology (AREA)
- Neurosurgery (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、本発明は、フィッティング支援装置、フィッティング支援方法に関し、更には、これらを実現するためのプログラムに関する。
生体に装着して用いる装着機器は、生体に合わせた調整（フィッティング）が必要である。例えば、補聴器の場合、技能者が、対象者の聴力、耳の構造、生活環境などを加味してフィッティングを実施している。
ところが、技能者の熟練度（技能レベル）によっては、対象者に対して適切なフィッティングが実施されないことがある。そこで、フィッティングを支援するシステムが提案されている。
関連する技術として、特許文献１には、補聴器のフィッティングを自動で実施するフィッティング装置が開示されている。特許文献１に開示のフィッティング装置によれば、あらかじめ作成された環境音を対象者に試聴させ、試聴させた環境音の聞こえ方を対象者に評価させ、対象者が満足できるようになるまで補聴器の調整を繰り返すことにより、フィッティングをする装置である。
しかしながら、特許文献１に開示のフィッティング装置は、環境音に含まれる騒音をうるさく感じないようにするフィッティングを行うことができるが、熟練度の高い技能者が実施するようなフィッティングを実施することは難しい。
また、装着機器に対してフィッティングを行う場合には、様々な対象者がいるので、対象者それぞれに対して特徴を加味する必要がある。そのため、熟練度の低い技能者では、対象者に対して適切なフィッティングを実施することは難しい。
本発明の目的の一例は、フィッティングの精度を向上させるフィッティング支援装置、フィッティング支援方法、及びプログラムを提供することにある。
上記目的を達成するため、本発明の一側面におけるフィッティング支援装置は、
対象者に対して実施した検査の結果を表す検査情報と、前記対象者に関係する調査の結果を表す調査情報とを取得する、取得手段と、
前記対象者に機器を適合させるために用いるパラメータデータのフィッティングにおいて、取得した前記検査情報と前記調査情報とを入力して、前記パラメータデータの適合度を表す適合指標及びその分布を推定する、推定手段と、
を有することを特徴とする。
対象者に対して実施した検査の結果を表す検査情報と、前記対象者に関係する調査の結果を表す調査情報とを取得する、取得手段と、
前記対象者に機器を適合させるために用いるパラメータデータのフィッティングにおいて、取得した前記検査情報と前記調査情報とを入力して、前記パラメータデータの適合度を表す適合指標及びその分布を推定する、推定手段と、
を有することを特徴とする。
また、上記目的を達成するため、本発明の一側面におけるフィッティング支援方法は、
（ａ）対象者に対して実施した検査の結果を表す検査情報と、前記対象者に関係する調査の結果を表す調査情報とを取得し、
（ｂ）前記対象者に機器を適合させるために用いるパラメータデータのフィッティングにおいて、取得した前記検査情報と前記調査情報とを入力して、前記パラメータデータの適合度を表す適合指標及びその分布を推定する
することを特徴とする。
（ａ）対象者に対して実施した検査の結果を表す検査情報と、前記対象者に関係する調査の結果を表す調査情報とを取得し、
（ｂ）前記対象者に機器を適合させるために用いるパラメータデータのフィッティングにおいて、取得した前記検査情報と前記調査情報とを入力して、前記パラメータデータの適合度を表す適合指標及びその分布を推定する
することを特徴とする。
更に、上記目的を達成するため、本発明の一側面におけるプログラムは、
コンピュータに、
（ａ）対象者に対して実施した検査の結果を表す検査情報と、前記対象者に関係する調査の結果を表す調査情報とを取得する、ステップと、
（ｂ）前記対象者に機器を適合させるために用いるパラメータデータのフィッティングにおいて、取得した前記検査情報と前記調査情報とを入力して、前記パラメータデータの適合度を表す適合指標及びその分布を推定する、ステップと、
を実行させることを特徴とする。
コンピュータに、
（ａ）対象者に対して実施した検査の結果を表す検査情報と、前記対象者に関係する調査の結果を表す調査情報とを取得する、ステップと、
（ｂ）前記対象者に機器を適合させるために用いるパラメータデータのフィッティングにおいて、取得した前記検査情報と前記調査情報とを入力して、前記パラメータデータの適合度を表す適合指標及びその分布を推定する、ステップと、
を実行させることを特徴とする。
以上のように本発明によれば、フィッティングの精度を向上させることができる。
（実施の形態）
以下、本発明の実施の形態について、図１から図１３を参照しながら説明する。
以下、本発明の実施の形態について、図１から図１３を参照しながら説明する。
［装置構成］
最初に、図１を用いて、本実施の形態におけるフィッティング支援装置１の構成について説明する。図１は、フィッティング支援装置の一例を示す図である。
最初に、図１を用いて、本実施の形態におけるフィッティング支援装置１の構成について説明する。図１は、フィッティング支援装置の一例を示す図である。
図１に示すフィッティング支援装置は、対象者に機器を適合させる調整（フィッティング）の精度を向上させる装置である。また、図１に示すように、フィッティング支援装置１は、取得部２と、推定部３とを有する。
機器とは、例えば、生体に装着して用いる機器などが考えられる。具体的には、機器として、補聴器、イヤホン、スマートグラス、ヘッドマウントディスプレイ、スマートウォッチ、楽器、医療用装具、介護ロボットなどが考えられる。ただし、機器は、生体に装着せずに用いる機器でもよい。
このうち、取得部２は、対象者に対して実施した検査の結果を表す検査情報と、対象者に関係する調査の結果を表す調査情報とを取得する。推定部３は、対象者に機器を適合させるために用いるパラメータデータのフィッティングにおいて、取得した検査情報と調査情報とを入力として、パラメータデータの適合度を表す適合指標及びその分布を推定する。
検査情報は、対象者に対して実施した検査の結果を表す情報（説明変数）である。調査情報は、対象者に関係する調査の結果を表す情報（説明変数）である。パラメータデータ（目的変数）は、対象とする機器のハードウェア、ソフトウェアを調整するために用いるデータ（設定値）である。
適合指標は、フィッティングにおけるパラメータデータの適合度を表す指標である。適合指標としては、例えば、パラメータデータの有望度を表す確率などが考えられる。他にも、ドメイン知識に基づいて定められているフィッティングに関する安全基準などの制約条件を満たしている数などを、適合指標として用いてもよい。
推定部３は、過去に取得した複数の検査情報と、過去に取得した複数の調査情報と、過去に機器に設定されたパラメータデータとを入力として、機械学習により生成された、パラメータデータの適合指標及びその分布の推定に用いる学習モデルを有する。
機械学習は、例えば、教師あり学習、半教師あり学習などが考えられる。具体的には、機械学習は、回帰（ベイズ線型回帰などの回帰手法）、多クラス分類（決定木などのアルゴリズム）などである。
このように、本実施の形態において、フィッティング支援装置１は、パラメータデータの適合指標を推定できるので、推定したパラメータデータの適合指標及びその分布を技能者に提示できる。そのため、技能者は、対象者に対して適切なフィッティングを実施できる。
具体的には、フィッティング支援装置１は、パラメータデータの適合指標の分布として確率分布を出力装置に出力することで、技能レベルの低い技能者でも、出力された確率分布を参考にして、対象者に対して適切なフィッティングを実施することができる。そのため、技能レベルの低い技能者の技能を向上させることができるので、フィッティングの精度を向上させることができる。
［システム構成］
続いて、図２を用いて、本実施の形態におけるフィッティング支援装置１の構成をより具体的に説明する。図２は、フィッティング支援装置１を有するシステムの一例を示す図である。
続いて、図２を用いて、本実施の形態におけるフィッティング支援装置１の構成をより具体的に説明する。図２は、フィッティング支援装置１を有するシステムの一例を示す図である。
図２に示すように、本実施の形態におけるフィッティング支援装置１を有するシステムは、フィッティング支援装置１に加え、入力装置２１と、出力装置２２とを有する。ただし、システムは、図２に示した構成に限定されるものではない。
フィッティング支援装置１は、（１）パラメータデータの適合指標及びその分布を推定する。また、フィッティング支援装置１は、（２）パラメータデータを決定するために対象者に対して行う調査内容を推定する。
（１）パラメータデータの適合指標及びその分布の推定について
（１）においては、従来のように候補となるパラメータデータを技能者に一つだけ提示するのではなく、適合指標及びその分布までも推定することで、分布全体や有望な複数の候補となるパラメータを提示する。
（１）においては、従来のように候補となるパラメータデータを技能者に一つだけ提示するのではなく、適合指標及びその分布までも推定することで、分布全体や有望な複数の候補となるパラメータを提示する。
従来のように候補となるパラメータデータを技能者に一つだけ提示する場合、対象者に、その候補となるパラメータデータを用いて設定された機器が、自身に適合しているかを評価させる。そして、適合していると対象者が評価した場合、フィッティングを終了する。しかし、実際のフィッティングにおいて、一度のフィッティングで、機器を対象者に適合させることは困難である。
対象者が適合していないと評価した場合、技能者は、パラメータを修正しなくてはならない。ところが、技能レベルの低い技能者の場合、パラメータデータをどのように修正したらいいのかが分からず、試行錯誤を繰り返すため、フィッティングに要する時間が長くなる。
つまり、具体的なフィッティングの方針が不明であるため、フィッティングに要する時間が長くなる。更に、最終的に決定したパラメータを用いて機器を調整しても、実際には対象者に適合していないこともある。
そこで、（１）においては、パラメータデータの適合指標及びその分布までも推定し、分布全体や有望な複数の候補となるパラメータを技能者に提示することで、技能者がフィッティングのために要する時間を短縮する。また、候補となるパラメータを用いることで、パラメータを対象者に適合し易くする。
（２）パラメータデータを決定するために対象者に対して行う調査内容の推定について
フィッティングにおいて、対象者に機器を適合させるためには、パラメータデータ（目的変数）を決定するために、ある程度の検査情報、調査情報などの説明変数が必要である。ところが、フィッティングにおいて、必要な検査情報、調査情報などの説明変数が揃わない（不足する）場合がある。
フィッティングにおいて、対象者に機器を適合させるためには、パラメータデータ（目的変数）を決定するために、ある程度の検査情報、調査情報などの説明変数が必要である。ところが、フィッティングにおいて、必要な検査情報、調査情報などの説明変数が揃わない（不足する）場合がある。
そうすると、説明変数が不足しているため、決定したパラメータデータが、実際には対象者に適合していない。そこで、（２）においては、必要な説明変数を得るために調査をし、調査結果に基づいて必要な説明変数を推定する。
具体的には、（２）においては、必要な説明変数を得るために必要な質問内容・検査内容など（調査内容）を求めて、技能者、又は対象者、又は両者に提示する。続いて、調査内容に対する応答、すなわち不足している検査情報、又は調査情報、又はそれら両方（説明変数）を得る。その後、技能者は、当該説明変数を用いて、再度、フィッティング支援装置１にパラメータデータを推定させる。
このように、（２）によれば、調査内容を提示できるので、具体的なフィッティングの方針が明確にできるため、技能者がフィッティングのために要する時間を短縮できる。また、必要な説明変数をできるだけ揃えることができるので、対象者に適合したパラメータを推定する精度を向上させることができる。
なお、フィッティング支援装置１は、取得部２、推定部３に加えて、選択部２４と、出力情報生成部２５とを有する。更に、推定部３は、学習モデル２６を有する。選択部２４は、学習モデル２７、学習モデル２８を有する。ただし、学習モデル２６、２７、２８は、フィッティング支援装置１の内部に設けてもよいし、フィッティング支援装置１の外部に設けてもよい。
入力装置２１は、検査情報及び調査情報を、フィッティング支援装置１に入力するために用いる装置である。具体的には、入力装置２１は、まず、機器の販売店、製造元、関連施設などに設けられている情報処理装置又は記憶装置などから、対象者の検査情報、調査情報を取得する。続いて、入力装置２１は、取得した検査情報及び調査情報を、フィッティング支援装置１の取得部２へ有線又は無線などの通信を用いて送信する。
また、入力装置２１は、フィッティングに用いる検査情報、又は調査情報、又はそれら両方に不足している情報があったが、その後に不足している情報が取得できた場合、取得した情報をフィッティング支援装置１へ追加入力する際に用いる。
不足している情報とは、パラメータデータ（目的変数）を得るために必要な説明変数が分かっている場合に、まだ取得できていない説明変数（未観測データの変数）のことを示す。
なお、入力装置２１は、例えば、パーソナルコンピュータ、モバイルコンピュータ、スマートフォン、タブレットなどの情報処理装置である。また、入力装置２１を複数用意して、別々の入力装置２１から検査情報及び調査情報を入力してもよい。
出力装置２２は、出力情報生成部２５により、出力可能な形式に変換された、出力情報を取得し、その出力情報に基づいて、生成した画像及び音声などを出力する。出力装置２２は、例えば、液晶、有機ＥＬ（Electro Luminescence）、ＣＲＴ（Cathode Ray Tube）を用いた画像表示装置などである。更に、画像表示装置は、スピーカなどの音声出力装置などを備えていてもよい。なお、出力装置２２は、プリンタなどの印刷装置でもよい。
フィッティング支援装置１について詳細に説明する。
取得部２は、運用フェーズにおいて、入力装置２１から検査情報、調査情報を取得する。具体的には、取得部２は、入力装置２１から送信された、対象者に対して実施した検査の結果を表す検査情報と、対象者に関係する調査の結果を表す調査情報とを受信する。
取得部２は、運用フェーズにおいて、入力装置２１から検査情報、調査情報を取得する。具体的には、取得部２は、入力装置２１から送信された、対象者に対して実施した検査の結果を表す検査情報と、対象者に関係する調査の結果を表す調査情報とを受信する。
推定部３は、運用フェーズにおいて、取得した検査情報及び調査情報を入力として、パラメータデータの適合度を表す適合指標及びその分布を推定する。更に、推定部３は、フィッティングに用いる検査情報、又は調査情報、又はそれら両方に不足している情報があった場合、不足している情報を取得した後、取得した情報を追加して、再度、パラメータデータの適合指標及びその分布を推定する。
具体的には、推定部３は、まず、検査情報及び調査情報（説明変数）を取得する。続いて、推定部３は、取得した検査情報及び調査情報（説明変数）を、学習モデル２６に入力し、パラメータデータの適合度を表す適合指標及びその分布を推定する。
例えば、学習モデル２６に入力する説明変数がすべて揃っている場合、入力は数１のように表すことができる。
［数１］
そして、入力する説明変数がすべて揃っている場合には、パラメータデータ（目的変数）の適合指標の分布は、例えば、確率分布を用いて、数２のように表すことができる。
［数２］
また、学習モデル２６へ入力する説明変数が不足している場合、入力は数３のように表すことができる。数３の例では、不足している情報を未観測データＺ３、Ｚ４として表している。
［数３］
また、未観測データＺ３、Ｚ４がある場合には、パラメータデータ（目的変数）の確率分布は、数４のように表すことができる。
［数４］
ただし、数４では、未観測データＺ３、Ｚ４は、未観測データＺ３、Ｚ４以外の観測データに依存しない場合について示したが、依存してもよい。
学習モデル２６は、学習フェーズにおいて、過去に取得した複数の利用者の検査情報（説明変数）と、過去に取得した複数の利用者の調査情報（説明変数）と、過去に機器に設定されたパラメータデータとを入力として、機械学習により生成される、学習モデルである。また、学習モデル２６は、説明変数を入力して、パラメータデータが有する目的変数それぞれの適合指標やその分布を出力する。学習モデル２６の詳細については後述する。
なお、図２において学習モデル２６は、フィッティング支援装置１の内部に設けられているが、フィッティング支援装置１の外部に設けられた、図２に不図示の情報処理装置又は記憶装置に設けてもよい。その場合、推定部３は、情報処理装置又は記憶装置と、互いに通信によりやり取りが可能な構成とする。
選択部２４は、運用フェーズにおいて、フィッティングに用いる検査情報、又は調査情報、又はそれら両方に不足している情報がある場合、不足している情報を補うために、不足している情報に関連付けられた質問情報を選択する。
具体的には、選択部２４は、まず、フィッティングに用いる検査情報、又は調査情報、又はそれら両方（説明変数）に、不足している情報があるか否かを検出する。
続いて、選択部２４は、不足している情報（説明変数）がある場合、不足している情報を得るために用いる情報（例えば、説明変数ごとに情報取得済みか否かを表すバイナリ値を要素とするベクトルなど）を、学習モデル２７に入力し、不足している情報の確率分布を推定する。不足している情報の確率分布（学習データにおける出現頻度）は、数５のように表すことができる。
［数５］
学習モデル２７は、学習フェーズにおいて、過去に取得した複数の利用者の検査情報（説明変数）と、過去に取得した複数の利用者の調査情報（説明変数）とを入力として、機械学習により生成される、学習モデルである。また、学習モデル２７は、検査情報及び調査情報（説明変数）ごとに不足している情報を得るために用いる情報（例えば、情報取得済みか否かを表すバイナリ値を要素とするベクトルなど）を入力して、未取得の説明変数それぞれの確率分布を出力する。学習モデル２７の詳細については後述する。
また、選択部２４は、不足している情報がある場合、不足している情報を得るために用いる情報（例えば、説明変数ごとに情報取得済みか否かを表すバイナリ値を要素とするベクトル）を、学習モデル２８に入力し、パラメータデータと不足している情報との同時分布を推定する。同時分布は、数６のように表すことができる。
［数６］
学習モデル２８は、学習フェーズにおいて、過去に取得した複数の利用者の検査情報（説明変数）と、過去に取得した複数の利用者の調査情報（説明変数）と、過去に機器に設定されたパラメータデータ（目的変数）とを入力として、機械学習により生成される、学習モデルである。また、学習モデル２８は、検査情報及び調査情報（説明変数）とパラメータデータ（目的変数）を入力して、説明変数と目的変数の同時分布を出力する。学習モデル２８の詳細については後述する。
続いて、選択部２４は、不足している情報ごとに、推定した確率分布と、同時分布とを用いて、情報量（重要度）を算出する。情報量は、数７のように表すことができる。
［数７］
続いて、選択部２４は、不足している情報ごとに、パラメータデータ（目的変数）との相関を表す情報量を算出し、この情報量に基づいて、不足している情報の中から一つ以上の情報を選択する。情報量は、例えば、条件付き情報量などが考えられる。なお、選択部２４は、情報量の示す重要度が高い順に、不足している情報を選択することが望ましい。
続いて、選択部２４は、選択した不足している情報に基づいて、説明変数を識別する識別情報と質問情報とが関連付けられた選択情報を参照し、質問情報を選択する。質問情報は、例えば、不足している情報を取得するために、対象者に対して実施する質問の内容を表す情報である。選択情報は、例えば、フィッティング支援装置１の内部又は外部に設けられた記憶装置に記憶されている。
図３は、選択情報のデータ構造の一例を示す図である。図３には、機器を補聴器とした場合の選択情報の例が示されている。ここで、補聴器は、例えば、集音部（マイク）を用いて集音し、処理部を用いて集音された音を増幅及び加工し、出力部（レシーバ）を用いて増幅及び加工された音を出力する装置である。
図３の選択情報においては、「項目」には検査情報及び調査情報を識別する識別情報が記憶され、「質問内容」には検査情報及び調査情報を取得するために用いる質問内容を表す質問情報が記憶されている。
出力情報生成部２５は、推定部３が推定したパラメータデータの適合指標を、出力装置２２に出力するために用いる出力情報を生成する。そして、出力情報生成部２５は、生成した出力情報を出力装置２２へ出力する。
図４は、パラメータデータのデータ構造の一例を示す図である。また、図４は、機器が補聴器の場合のパラメータデータを示している。図４の例では、パラメータデータは、例えば、補聴器に設けられている集音部、又は処理部、又は出力部、又はそれら各部の一つ以上の調整に用いるデータである。
また、パラメータデータが有するデータ（目的変数）それぞれは、図４に示すように、補聴器の種類、出力レベルごと（５０［ｄＢ］、７０［ｄＢ］、９０［ｄＢ］、最大出力レベル）の周波数特性値、騒音抑制強度、ハウリング抑制強度、指向性タイプ、衝撃音抑制度などが考えられる。
更に、図４の例では、パラメータデータは、パラメータデータが有する目的変数の項目を表す「項目」の情報と、推定したパラメータデータ（目的変数）を表す「パラメータ」の情報と、データの種別を表す「データ種別」の情報とが関連付けられている。
パラメータデータの適合指標の分布は、例えば、図５に示すように表示することが考えられる。図５は、パラメータデータの適合指標の分布の表示例を示す図である。
図４の「項目」、５０［ｄＢ］における周波数特性値の場合、目的変数は、周波数２５０［Ｈｚ］、５００［Ｈｚ］・・・それぞれに対応する、出力レベル３０［ｄＢ］、４０［ｄＢ］・・・となる。したがって、これら目的変数を決定する支援をするために、目的変数ごとに推定した確率分布を表示する。このように、表示する目的変数ごとに確率分布を表示することで、複数の目的変数の候補を、技能者に提示できる。
なお、図６に示すような表示をしてもよい。図６は、パラメータデータの適合指標の分布の表示例を示す図である。また、目的変数ごとに確率分布は、柱状図を用いて表示をしてもよい。更に、確率の大きさを、ヒートマップを用いて表示してもよい。
また、出力情報生成部２５は、選択部２４が選択した質問情報が表す質問内容を、出力装置２２に出力するために用いる出力情報を生成する。そして、出力情報生成部２５は、生成した出力情報を出力装置２２へ出力する。
例えば、機器が補聴器の場合に、検査情報、調査情報が、図７、図８に示すような説明変数を有するものとする。図７は、検査情報のデータ構造の一例を示す図である。図８は、調査情報のデータ構造の一例を示す図である。
図７の例では、機器が補聴器の場合、検査情報は、少なくとも気導オージオグラム、骨導オージオグラム、不快閾値、語音明瞭度のうち一つ以上の情報を有する。なお、図７の例では、検査情報には、聴力検査の項目を表す「項目」の情報と、聴力検査結果を表す「聴力検査結果」の情報と、データの種別を表す「データ種別」の情報とが関連付けられ、記憶装置に記憶されている。
図８の例では、調査情報は、例えば、少なくとも対象者の年齢、性別、職業、居所、家族構成、病歴、治療歴、機器の使用履歴、症状、身体的特徴に関する情報（例えば、身長、体重、耳音響など）のうちいずれか一つ以上の情報を有する。なお、耳音響は、耳の音響特性を表す情報である。
また、調査情報には、対象者の生活環境音を表す情報、趣向を表す情報、調整情報を有してもよい。生活環境音とは、対象者の普段の生活で聞こえている音を表す情報である。趣向は、対象者の音に対する趣向を表す情報である。調整情報は、機器の調整日時、調整場所、調整者識別番号などを表す情報である。更に、属性情報には、補聴器の種類を表す情報を含めてもよい。
なお、図８の例では、調整情報には、対象者に関係する調査（属性、背景など）の項目を表す「項目」の情報と、対象者の調査内容を表す「調査内容」の情報と、データの種別を表す「データ種別」の情報とが関連付けられ、記憶装置に記憶されている。
このような説明変数を揃える場合に、例えば、不足している情報が、「語音明瞭度」「年齢」だとした場合、これらの説明変数に対応する、図４に示す質問内容「語音明瞭度の検査を結果の入力をしてください。」「年齢を入力してください。」を、出力装置２２に表示する。
更に、出力情報生成部２５は、選択部２４が算出した情報量を、出力装置２２に出力するために用いる出力情報を生成する。そして、出力情報生成部２５は、生成した出力情報を出力装置２２へ出力する。
図９は、不足している情報に対応する情報量の表示例を示す図である。例えば、不足している情報に対する情報量を、図９に示すようなグラフを表示することが考えられる。
次に、学習モデルの生成について説明する。
図１０は、学習装置を有するシステムの一例を示す図である。図１０に示す学習装置３１は、機械学習を用いて学習モデル２６、２７、２８を生成する装置である。
図１０は、学習装置を有するシステムの一例を示す図である。図１０に示す学習装置３１は、機械学習を用いて学習モデル２６、２７、２８を生成する装置である。
図１０に示す学習装置３１を有するシステムは、学習装置３１に加えて、記憶装置３２を有する。また、学習装置３１は、取得部３３と、分類部３４と、分類部３５と、生成部３６とを有する。
記憶装置３２は、過去において取得した説明変数（検査情報、調査情報）と、目的変数（パラメータデータ）とを記憶している。
過去において取得した複数の検査情報とは、過去において、複数の機器の利用者が、利用者ごとに実施した検査の結果を表す情報である。過去において取得した複数の調整情報とは、過去において、複数の機器の利用者が、利用者ごとに取得した調整情報である。
過去において取得したパラメータデータとは、過去において、複数の機器の利用者に対して、技能レベルの高い技能者が実施したフィッティングにおいて、機器の調整に用いたパラメータデータである。また、過去において取得したパラメータデータは、過去において、複数の機器の利用者に対して、フィッティング支援装置１を用いて実施したフィッティングにおいて、機器の調整に用いたパラメータデータである。
学習装置について説明する。
取得部３３は、過去において取得した学習データを取得する。具体的には、取得部３３は、記憶装置３２から、過去において取得した複数の検査情報、調整情報、パラメータデータなどの学習データを取得し、取得した学習データを分類部３４へ送信する。
取得部３３は、過去において取得した学習データを取得する。具体的には、取得部３３は、記憶装置３２から、過去において取得した複数の検査情報、調整情報、パラメータデータなどの学習データを取得し、取得した学習データを分類部３４へ送信する。
分類部３４は、受信した学習データを分類する。具体的には、分類部３４は、まず、過去において、利用者がフィッティングに対して満足したか否かを表すスコア（満足度）と、あらかじめ設定した閾値とを比較する。続いて、分類部３４は、スコアが閾値以上である場合、閾値以上のスコアに関連付けられている学習データを分類する。
このように、分類部３４は、満足度が高い学習データのみを用いて学習モデル２６、２７、２８に学習をさせることができるため、学習モデル２６、２７、２８を用いて推定したパラメータデータは、利用者の満足度が高くなる。
分類部３５は、分類部３４で分類した学習データを更に分類する。具体的には、分類部３５は、分類部３４で分類した学習データに対して、更にクラスタリング処理を実行する。
クラスタリング処理では、高次元の情報を低次元の情報へ変換する。その理由は、文章や時系列信号で表現されうる説明変数は膨大な数値・カテゴリ次元を持つ変数となってしまい、そのまま学習をすると、計算資源量が増加する。そこで、文字列データに対しては各単語の有無の評価、ＴＦ－ＩＤＦなどを適用して、数値ベクトルへ変換し、このベクトル化したデータに対して、例えば、ｋ－平均法、深層学習などを用いて高次元の情報を低次元の情報へ変換をすることが考えられる。
一例として、まず、高次元の情報（例えば、文字列、時系列信号など）を、深層ニューラルネットワークに入力して、ベクトル値に変換する。続いて、変換したベクトル値を、ｋ近傍法を用いて、低次元の情報（例えば、ラベルなど）に変換する。
なお、ドメイン知識から作成されたラベルを用いて教師あり学習で分類を行う他にも、ラベルが事前に付与されていない場合でも、ｋ－平均法などによるクラスタリング手法を用いることで教師無し学習でラベルを作ることができる。
このように、分類部３４においては、満足度が高い学習データのみを用いて学習モデル２６、２７、２８に学習をさせることができるため、学習モデル２６、２７、２８を用いて推定したパラメータデータは、利用者の満足度が高くなる。更に、学習データを削減することができるので、学習にかかる時間の短縮、メモリ使用量の低減など、計算資源量を削減することができる。
また、分類部３５においては、分類部３４で分類した学習データに対してクラスタリング処理を実行することで、学習する場合において、更に計算資源量を削減することができる。
生成部３６は、分類部３５で分類した学習データを用いて機械学習をさせて、学習モデル２６、２７、２８を生成し、生成した学習モデル２６、２７、２８を推定部３に記憶する。又は、生成部３６は、学習モデル２６、２７、２８を、学習装置３１を有するシステム、又はフィッティング支援装置１を有するシステム、又はそれら以外の記憶装置に記憶してもよい。
なお、機械学習は、例えば、教師あり学習、半教師あり学習などが考えられる。例えば、回帰（最小二乗法、ベイズ線型回帰、ランダムフォレストなどの回帰手法）、多クラス分類（決定木などのアルゴリズム）などの学習を用いることが考えられる。なお、上述した機械学習に限定されるものではなく、上述した機器学習以外を用いてもよい。
ただし、生成部３６の入力は、分類部３５で分類された学習データを用いてもよいし、又は分類部３４で分類された学習データを用いてもよいし、又は分類されていない学習データを用いてもよい。
また、学習モデル２６、２７、２８を生成するために用いる学習データは、過去に適合状態と判断された検査情報と、調整情報と、パラメータデータとを用いてもよい。
このように、学習装置３１は、過去において取得した検査情報だけでなく、過去において取得した調整情報、パラメータデータなども加味した、学習モデル２６、２７、２８を生成できる。特に、技能レベルの高い技能者が実施したフィッティングの結果を入力として、学習モデル２６、２７、２８を生成できる。
［装置動作］
次に、本発明の実施の形態におけるフィッティング支援装置の動作について図１１を用いて説明する。図１１は、フィッティング支援装置の動作の一例を示す図である。以下の説明においては、適宜図２から９を参照する。また、本実施の形態では、フィッティング支援装置を動作させることによって、フィッティング支援方法が実施される。よって、本実施の形態におけるフィッティング支援方法の説明は、以下のフィッティング支援装置の動作説明に代える。
次に、本発明の実施の形態におけるフィッティング支援装置の動作について図１１を用いて説明する。図１１は、フィッティング支援装置の動作の一例を示す図である。以下の説明においては、適宜図２から９を参照する。また、本実施の形態では、フィッティング支援装置を動作させることによって、フィッティング支援方法が実施される。よって、本実施の形態におけるフィッティング支援方法の説明は、以下のフィッティング支援装置の動作説明に代える。
また、本発明の実施の形態における学習装置の動作について図１２を用いて説明する。図１２は、学習装置の動作の一例を示す図である。以下の説明においては、適宜図１０を参照する。また、本実施の形態では、学習装置を動作させることによって、学習方法が実施される。よって、本実施の形態における学習方法の説明は、以下の学習装置の動作説明に代える。
フィッティング支援装置の動作について説明する。
図１１に示すように、最初に、取得部２は、運用フェーズにおいて、入力装置２１から対象者の検査情報、調査情報（説明変数）を取得する（ステップＡ１）。具体的には、ステップＡ１において、取得部２は、入力装置２１から送信された、対象者に対して実施した検査の結果を表す検査情報と、対象者に関係する調査の結果を表す調査情報とを受信する。
図１１に示すように、最初に、取得部２は、運用フェーズにおいて、入力装置２１から対象者の検査情報、調査情報（説明変数）を取得する（ステップＡ１）。具体的には、ステップＡ１において、取得部２は、入力装置２１から送信された、対象者に対して実施した検査の結果を表す検査情報と、対象者に関係する調査の結果を表す調査情報とを受信する。
次に、推定部３は、運用フェーズにおいて、取得した検査情報及び調査情報を入力として、パラメータデータの適合度を表す適合指標及びその分布を推定する（ステップＡ２）。具体的には、ステップＡ２において、推定部３は、まず、検査情報及び調査情報（説明変数）を取得する。続いて、ステップＡ２において、推定部３は、取得した検査情報及び調査情報（説明変数）を、学習モデル２６に入力し、パラメータデータの適合度を表す適合指標及びその分布を推定する。
次に、選択部２４は、運用フェーズにおいて、フィッティングに用いる検査情報、又は調査情報、又はそれら両方に不足している情報がある場合、不足している情報を補うために用いる質問情報を選択する（ステップＡ３）。具体的には、ステップＡ３において、選択部２４は、まず、フィッティングに用いる検査情報、又は調査情報、又はそれら両方（説明変数）に、不足している情報があるか否かを検出する。
続いて、ステップＡ３において、選択部２４は、不足している情報（説明変数）がある場合、不足している情報を得るために用いる情報（例えば、説明変数ごとに情報取得済みか否かを表すバイナリ値を要素とするベクトルなど）を、学習モデル２７に入力し、不足している情報の確率分布を推定する。また、ステップＡ３において、選択部２４は、不足している情報がある場合、不足している情報を得るために用いる情報（例えば、説明変数ごとに情報取得済みか否かを表すバイナリ値を要素とするベクトルなど）を、学習モデル２８に入力し、パラメータデータと不足している情報との同時分布を推定する。
続いて、ステップＡ３において、選択部２４は、不足している情報ごとに、推定した確率分布と、同時分布とを用いて、情報量（重要度）を算出する。続いて、ステップＡ３において、選択部２４は、不足している情報ごと、パラメータデータ（目的変数）との相関を表す情報量を算出し、この情報量に基づいて、不足している情報の中から一つ以上の情報を選択する。
その後、ステップＡ３において、選択部２４は、選択した不足している情報に基づいて、説明変数を識別する識別情報と質問情報とが関連付けられた選択情報を参照し、質問情報を選択する。
次に、出力情報生成部２５は、推定部３が推定したパラメータデータの適合指標を、出力装置２２に出力するために用いる出力情報を生成する（ステップＡ４）。そして、出力情報生成部２５は、生成した出力情報を出力装置２２へ出力する（ステップＡ５）。
なお、パラメータデータの適合指標は、例えば、図５、図６に示すように表示することが考えられる。また、目的変数ごとに確率分布は、柱状図を用いて表示をしてもよい。更に、確率の大きさを、ヒートマップ又は等高線図などを用いて表示してもよい。
また、ステップＡ４において、出力情報生成部２５は、選択部２４が選択した質問情報が表す質問内容を、出力装置２２に出力するために用いる出力情報を生成する。そして、ステップＡ５において、出力情報生成部２５は、生成した出力情報を出力装置２２へ出力する。
更に、ステップＡ４において、出力情報生成部２５は、選択部２４が算出した情報量を、出力装置２２に出力するために用いる出力情報を生成する。そして、ステップＡ５において、出力情報生成部２５は、生成した出力情報を出力装置２２へ出力する。
このように、パラメータデータを決定するために必要な検査情報及び調査情報（説明変数）が揃うまで、ステップＡ１からＡ５の処理を繰り返す。
なお、不足している情報があった場合には、ステップＡ１において、質問内容を用いて取得した不足している情報を追加して、再度、ステップＡ２からＡ５の処理を実行する。
学習装置の動作について説明する。
図１２に示すように、最初に、取得部３３は、過去において取得した学習データを取得する（ステップＢ１）。具体的には、ステップＢ１において、取得部３３は、記憶装置３２から、過去において取得した複数の検査情報、調査情報、パラメータデータなどの学習データを取得し、取得した学習データを分類部３４へ送信する。
図１２に示すように、最初に、取得部３３は、過去において取得した学習データを取得する（ステップＢ１）。具体的には、ステップＢ１において、取得部３３は、記憶装置３２から、過去において取得した複数の検査情報、調査情報、パラメータデータなどの学習データを取得し、取得した学習データを分類部３４へ送信する。
次に、分類部３４は、受信した学習データを分類する（ステップＢ２）。具体的には、ステップＢ２において、分類部３４は、まず、過去において、利用者がフィッティングに対して満足したか否かを表すスコア（満足度）と、あらかじめ設定した閾値とを比較する。続いて、ステップＢ２において、分類部３４は、スコアが閾値以上である場合、閾値以上のスコアに関連付けられている学習データを分類する。
次に、分類部３５は、ステップＢ２において分類した学習データを更に分類する（ステップＢ３）。具体的には、ステップＢ３において、分類部３５は、ステップＢ２において分類した学習データに対して、更にクラスタリング処理を実行する。クラスタリング処理では、高次元の情報を低次元の情報へ変換する。
次に、生成部３６は、分類部３５で分類した学習データを用いて機械学習をさせて、学習モデル２６、２７、２８を生成し（ステップＢ４）、生成した学習モデル２６、２７、２８を推定部３に記憶する（ステップＢ５）。又は、ステップＢ５において、生成部３６は、学習モデル２６、２７、２８を、学習装置３１を有するシステム、又はフィッティング支援装置１を有するシステム、又はそれら以外の記憶装置に記憶してもよい。
ただし、生成部３６の入力は、分類部３５で分類された学習データを用いてもよいし、又は分類部３４で分類された学習データを用いてもよいし、又は分類されていない学習データを用いてもよい。
また、学習モデル２６、２７、２８を生成するために用いる学習データは、過去に適合状態と判断された検査情報と、調整情報と、パラメータデータとを用いてもよい。
［本実施の形態の効果］
以上のように本実施の形態によれば、フィッティング支援装置１は、パラメータデータの適合指標及びその分布を推定できるので、推定したパラメータデータの適合指標及びその分布を技能者に提示できる。そのため、技能者に複数の候補となるパラメータを提示できる。
以上のように本実施の形態によれば、フィッティング支援装置１は、パラメータデータの適合指標及びその分布を推定できるので、推定したパラメータデータの適合指標及びその分布を技能者に提示できる。そのため、技能者に複数の候補となるパラメータを提示できる。
具体的には、フィッティング支援装置１は、パラメータデータの適合指標の分布として確率分布を出力装置に出力することで、技能レベルの低い技能者でも、出力された確率分布を参考にして、対象者に対して適切なフィッティングを実施することができる。そのため、技能レベルの低い技能者の技能を向上させることができるので、フィッティングの精度を向上させることができる。
また、パラメータデータの適合指標及びその分布を推定し、複数の候補となるパラメータを技能者に提示することで、具体的なフィッティングの方針を提示できるため、技能者がフィッティングのために要する時間を短縮できる。また、候補となるパラメータを用いることで、パラメータを対象者に適合し易くできる。
また、調査内容を提示できるので、具体的なフィッティングの方針が明確にできる。そのため、技能者がフィッティングのために要する時間を短縮できる。また、必要な説明変数をできるだけ揃えることができるので、対象者に適合したパラメータを推定する精度を向上させることができる。
［プログラム］
本発明の実施の形態におけるパラメータデータの適合指標及びその分布を推定するためのプログラムは、コンピュータに、図１１に示すステップＡ１からＡ５を実行させるプログラムであればよい。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態におけるフィッティング支援装置とフィッティング支援方法とを実現することができる。この場合、コンピュータのプロセッサは、取得部２、推定部３、選択部２４、出力情報生成部２５として機能し、処理を行なう。
本発明の実施の形態におけるパラメータデータの適合指標及びその分布を推定するためのプログラムは、コンピュータに、図１１に示すステップＡ１からＡ５を実行させるプログラムであればよい。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態におけるフィッティング支援装置とフィッティング支援方法とを実現することができる。この場合、コンピュータのプロセッサは、取得部２、推定部３、選択部２４、出力情報生成部２５として機能し、処理を行なう。
また、本実施の形態におけるパラメータデータの適合指標及びその分布を推定するためのプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されてもよい。この場合は、例えば、各コンピュータが、それぞれ、取得部２、推定部３、選択部２４、出力情報生成部２５のいずれかとして機能してもよい。
更に、本発明の実施の形態における学習モデルを生成するためのプログラムは、コンピュータに、図１２に示すステップＢ１からＢ５を実行させるプログラムであればよい。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態における学習装置と学習方法とを実現することができる。この場合、コンピュータのプロセッサは、取得部３３、分類部３４、分類部３５、生成部３６として機能し、処理を行なう。
また、本実施の形態における学習モデルを生成するためのプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されてもよい。この場合は、例えば、各コンピュータが、それぞれ、取得部３３、分類部３４、分類部３５、生成部３６のいずれかとして機能してもよい。
［物理構成］
ここで、実施の形態におけるプログラムを実行することによって、フィッティング支援装置又は学習装置を実現するコンピュータについて図１３を用いて説明する。図１３は、本発明の実施の形態におけるフィッティング支援装置又は学習装置を実現するコンピュータの一例を示すブロック図である。
ここで、実施の形態におけるプログラムを実行することによって、フィッティング支援装置又は学習装置を実現するコンピュータについて図１３を用いて説明する。図１３は、本発明の実施の形態におけるフィッティング支援装置又は学習装置を実現するコンピュータの一例を示すブロック図である。
図１３に示すように、コンピュータ１１０は、ＣＰＵ（Central Processing Unit）１１１と、メインメモリ１１２と、記憶装置１１３と、入力インターフェイス１１４と、表示コントローラ１１５と、データリーダ／ライタ１１６と、通信インターフェイス１１７とを備える。これらの各部は、バス１２１を介して、互いにデータ通信可能に接続される。なお、コンピュータ１１０は、ＣＰＵ１１１に加えて、又はＣＰＵ１１１に代えて、ＧＰＵ（Graphics Processing Unit）、又はＦＰＧＡ（Field-Programmable Gate Array）を備えていてもよい。
ＣＰＵ１１１は、記憶装置１１３に格納された、本実施の形態におけるプログラム（コード）をメインメモリ１１２に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）などの揮発性の記憶装置である。また、本実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体１２０に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス１１７を介して接続されたインターネット上で流通するものであってもよい。
また、記憶装置１１３の具体例としては、ハードディスクドライブの他、フラッシュメモリなどの半導体記憶装置があげられる。入力インターフェイス１１４は、ＣＰＵ１１１と、キーボード及びマウスといった入力機器１１８との間のデータ伝送を仲介する。表示コントローラ１１５は、ディスプレイ装置１１９と接続され、ディスプレイ装置１１９での表示を制御する。
データリーダ／ライタ１１６は、ＣＰＵ１１１と記録媒体１２０との間のデータ伝送を仲介し、記録媒体１２０からのプログラムの読み出し、及びコンピュータ１１０における処理結果の記録媒体１２０への書き込みを実行する。通信インターフェイス１１７は、ＣＰＵ１１１と、他のコンピュータとの間のデータ伝送を仲介する。
また、記録媒体１２０の具体例としては、ＣＦ（Compact Flash（登録商標））及びＳＤ（Secure Digital）などの汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）などの磁気記録媒体、又はＣＤ－ＲＯＭ（Compact Disk Read Only Memory）などの光学記録媒体があげられる。
なお、本実施の形態におけるフィッティング支援装置１又は学習装置３１は、プログラムがインストールされたコンピュータではなく、各部に対応したハードウェアを用いることによっても実現可能である。更に、フィッティング支援装置１又は学習装置３１は、一部がプログラムで実現され、残りの部分がハードウェアで実現されていてもよい。
［付記］
以上の実施の形態に関し、更に以下の付記を開示する。上述した実施の形態の一部又は全部は、以下に記載する（付記１）から（付記１８）により表現することができるが、以下の記載に限定されるものではない。
以上の実施の形態に関し、更に以下の付記を開示する。上述した実施の形態の一部又は全部は、以下に記載する（付記１）から（付記１８）により表現することができるが、以下の記載に限定されるものではない。
（付記１）
対象者に対して実施した検査の結果を表す検査情報と、前記対象者に関係する調査の結果を表す調査情報とを取得する、取得部と、
前記対象者に機器を適合させるために用いるパラメータデータのフィッティングにおいて、取得した前記検査情報と前記調査情報とを入力して、前記パラメータデータの適合度を表す適合指標及びその分布を推定する、推定部と、
を有することを特徴とするフィッティング支援装置。
対象者に対して実施した検査の結果を表す検査情報と、前記対象者に関係する調査の結果を表す調査情報とを取得する、取得部と、
前記対象者に機器を適合させるために用いるパラメータデータのフィッティングにおいて、取得した前記検査情報と前記調査情報とを入力して、前記パラメータデータの適合度を表す適合指標及びその分布を推定する、推定部と、
を有することを特徴とするフィッティング支援装置。
（付記２）
付記１に記載のフィッティング支援装置であって、
前記パラメータデータの適合指標及びその分布を表す出力情報を生成して出力装置に出力する、出力情報生成部と、
を有することを特徴とするフィッティング支援装置。
付記１に記載のフィッティング支援装置であって、
前記パラメータデータの適合指標及びその分布を表す出力情報を生成して出力装置に出力する、出力情報生成部と、
を有することを特徴とするフィッティング支援装置。
（付記３）
付記２に記載のフィッティング支援装置であって、
前記推定部は、過去に取得した複数の利用者の検査情報と、過去に取得した複数の利用者の調査情報と、過去に前記機器に設定されたパラメータデータとを入力として、機械学習により生成された、前記パラメータデータの適合指標及びその分布の推定に用いる学習モデルを有する
ことを特徴とするフィッティング支援装置。
付記２に記載のフィッティング支援装置であって、
前記推定部は、過去に取得した複数の利用者の検査情報と、過去に取得した複数の利用者の調査情報と、過去に前記機器に設定されたパラメータデータとを入力として、機械学習により生成された、前記パラメータデータの適合指標及びその分布の推定に用いる学習モデルを有する
ことを特徴とするフィッティング支援装置。
（付記４）
付記３に記載のフィッティング支援装置であって、
フィッティングに用いる前記検査情報、又は前記調査情報、又はそれら両方に不足している情報がある場合、前記不足している情報を補うために、前記不足している情報に関連付けられた質問情報を選択する、選択部と、
前記出力情報生成部は、前記質問情報を用いて質問内容を表す前記出力情報を生成して出力装置に出力する
ことを特徴とするフィッティング支援装置。
付記３に記載のフィッティング支援装置であって、
フィッティングに用いる前記検査情報、又は前記調査情報、又はそれら両方に不足している情報がある場合、前記不足している情報を補うために、前記不足している情報に関連付けられた質問情報を選択する、選択部と、
前記出力情報生成部は、前記質問情報を用いて質問内容を表す前記出力情報を生成して出力装置に出力する
ことを特徴とするフィッティング支援装置。
（付記５）
付記４に記載のフィッティング支援装置であって、
前記選択部は、前記不足している情報と前記パラメータデータとの相関を表す情報量を、前記不足している情報に対して算出し、算出した前記情報量に基づいて、前記不足している情報を選択する
ことを特徴とするフィッティング支援装置。
付記４に記載のフィッティング支援装置であって、
前記選択部は、前記不足している情報と前記パラメータデータとの相関を表す情報量を、前記不足している情報に対して算出し、算出した前記情報量に基づいて、前記不足している情報を選択する
ことを特徴とするフィッティング支援装置。
（付記６）
付記４又は５に記載のフィッティング支援装置であって、
前記推定部は、前記質問情報を用いて前記不足している情報が取得された場合、取得された前記不足している情報を追加して、再度、前記パラメータデータの適合指標及びその分布を推定する
を有することを特徴とするフィッティング支援装置。
付記４又は５に記載のフィッティング支援装置であって、
前記推定部は、前記質問情報を用いて前記不足している情報が取得された場合、取得された前記不足している情報を追加して、再度、前記パラメータデータの適合指標及びその分布を推定する
を有することを特徴とするフィッティング支援装置。
（付記７）
（ａ）対象者に対して実施した検査の結果を表す検査情報と、前記対象者に関係する調査の結果を表す調査情報とを取得する、ステップと、
（ｂ）前記対象者に機器を適合させるために用いるパラメータデータのフィッティングにおいて、取得した前記検査情報と前記調査情報とを入力して、前記パラメータデータの適合度を表す適合指標及びその分布を推定する、ステップと、
を有することを特徴とするフィッティング支援方法。
（ａ）対象者に対して実施した検査の結果を表す検査情報と、前記対象者に関係する調査の結果を表す調査情報とを取得する、ステップと、
（ｂ）前記対象者に機器を適合させるために用いるパラメータデータのフィッティングにおいて、取得した前記検査情報と前記調査情報とを入力して、前記パラメータデータの適合度を表す適合指標及びその分布を推定する、ステップと、
を有することを特徴とするフィッティング支援方法。
（付記８）
付記７に記載のフィッティング支援方法であって、
（ｃ）前記パラメータデータの適合指標及びその分布を表す出力情報を生成して出力装置に出力する、ステップと、
を有することを特徴とするフィッティング支援方法。
付記７に記載のフィッティング支援方法であって、
（ｃ）前記パラメータデータの適合指標及びその分布を表す出力情報を生成して出力装置に出力する、ステップと、
を有することを特徴とするフィッティング支援方法。
（付記９）
付記８に記載のフィッティング支援方法であって、
前記（ｂ）のステップにおいて、過去に取得した複数の利用者の検査情報と、過去に取得した複数の利用者の調査情報と、過去に前記機器に設定されたパラメータデータとを入力として、機械学習により生成された、前記パラメータデータの適合指標及びその分布の推定に用いる学習モデルを用いる
ことを特徴とするフィッティング支援方法。
付記８に記載のフィッティング支援方法であって、
前記（ｂ）のステップにおいて、過去に取得した複数の利用者の検査情報と、過去に取得した複数の利用者の調査情報と、過去に前記機器に設定されたパラメータデータとを入力として、機械学習により生成された、前記パラメータデータの適合指標及びその分布の推定に用いる学習モデルを用いる
ことを特徴とするフィッティング支援方法。
（付記１０）
付記９に記載のフィッティング支援方法であって、
（ｄ）フィッティングに用いる前記検査情報、又は前記調査情報、又はそれら両方に不足している情報がある場合、前記不足している情報を補うために、前記不足している情報に関連付けられた質問情報を選択する、ステップを有し、
前記（ｃ）のステップにおいて、前記質問情報を用いて質問内容を表す前記出力情報を生成して出力装置に出力する
ことを特徴とするフィッティング支援方法。
付記９に記載のフィッティング支援方法であって、
（ｄ）フィッティングに用いる前記検査情報、又は前記調査情報、又はそれら両方に不足している情報がある場合、前記不足している情報を補うために、前記不足している情報に関連付けられた質問情報を選択する、ステップを有し、
前記（ｃ）のステップにおいて、前記質問情報を用いて質問内容を表す前記出力情報を生成して出力装置に出力する
ことを特徴とするフィッティング支援方法。
（付記１１）
付記１０に記載のフィッティング支援方法であって、
前記（ｄ）の処理において、前記不足している情報と前記パラメータデータとの相関を表す情報量を、前記不足している情報に対して算出し、算出した前記情報量に基づいて、前記不足している情報を選択する
ことを特徴とするフィッティング支援方法。
付記１０に記載のフィッティング支援方法であって、
前記（ｄ）の処理において、前記不足している情報と前記パラメータデータとの相関を表す情報量を、前記不足している情報に対して算出し、算出した前記情報量に基づいて、前記不足している情報を選択する
ことを特徴とするフィッティング支援方法。
（付記１２）
付記１０又は１１に記載のフィッティング支援方法であって、
前記（ｂ）の処理において、前記質問情報を用いて前記不足している情報が取得された場合、取得された前記不足している情報を追加して、再度、前記パラメータデータの適合指標及びその分布を推定する
ことを特徴とするフィッティング支援方法。
付記１０又は１１に記載のフィッティング支援方法であって、
前記（ｂ）の処理において、前記質問情報を用いて前記不足している情報が取得された場合、取得された前記不足している情報を追加して、再度、前記パラメータデータの適合指標及びその分布を推定する
ことを特徴とするフィッティング支援方法。
（付記１３）
コンピュータに、
（ａ）対象者に対して実施した検査の結果を表す検査情報と、前記対象者に関係する調査の結果を表す調査情報とを取得する、ステップと、
（ｂ）前記対象者に機器を適合させるために用いるパラメータデータのフィッティングにおいて、取得した前記検査情報と前記調査情報とを入力して、前記パラメータデータの適合度を表す適合指標及びその分布を推定する、ステップと、
を実行させるプログラム。
コンピュータに、
（ａ）対象者に対して実施した検査の結果を表す検査情報と、前記対象者に関係する調査の結果を表す調査情報とを取得する、ステップと、
（ｂ）前記対象者に機器を適合させるために用いるパラメータデータのフィッティングにおいて、取得した前記検査情報と前記調査情報とを入力して、前記パラメータデータの適合度を表す適合指標及びその分布を推定する、ステップと、
を実行させるプログラム。
（付記１４）
付記１３に記載のプログラムであって、
前記プログラムが、前記コンピュータに、
（ｃ）前記パラメータデータの適合指標及びその分布を表す出力情報を生成して出力装置に出力する、ステップを実行させるプログラム。
付記１３に記載のプログラムであって、
前記プログラムが、前記コンピュータに、
（ｃ）前記パラメータデータの適合指標及びその分布を表す出力情報を生成して出力装置に出力する、ステップを実行させるプログラム。
（付記１５）
付記１４に記載のプログラムあって、
前記（ｂ）のステップにおいて、過去に取得した複数の利用者の検査情報と、過去に取得した複数の利用者の調査情報と、過去に前記機器に設定されたパラメータデータとを入力として、機械学習により生成された、前記パラメータデータの適合指標及びその分布の推定に用いる学習モデルを用いる
ことを特徴とするプログラム。
付記１４に記載のプログラムあって、
前記（ｂ）のステップにおいて、過去に取得した複数の利用者の検査情報と、過去に取得した複数の利用者の調査情報と、過去に前記機器に設定されたパラメータデータとを入力として、機械学習により生成された、前記パラメータデータの適合指標及びその分布の推定に用いる学習モデルを用いる
ことを特徴とするプログラム。
（付記１６）
付記１５に記載のプログラムであって、
前記プログラムが、前記コンピュータに、
（ｄ）フィッティングに用いる前記検査情報、又は前記調査情報、又はそれら両方に不足している情報がある場合、前記不足している情報を補うために、前記不足している情報に関連付けられた質問情報を選択する、ステップを実行させる命令を更に含み、
前記（ｃ）のステップにおいて、前記質問情報を用いて質問内容を表す前記出力情報を生成して出力装置に出力する
ことを特徴とするプログラム。
付記１５に記載のプログラムであって、
前記プログラムが、前記コンピュータに、
（ｄ）フィッティングに用いる前記検査情報、又は前記調査情報、又はそれら両方に不足している情報がある場合、前記不足している情報を補うために、前記不足している情報に関連付けられた質問情報を選択する、ステップを実行させる命令を更に含み、
前記（ｃ）のステップにおいて、前記質問情報を用いて質問内容を表す前記出力情報を生成して出力装置に出力する
ことを特徴とするプログラム。
（付記１７）
付記１６に記載のプログラムであって、
前記（ｄ）のステップにおいて、前記不足している情報と前記パラメータデータとの相関を表す情報量を、前記不足している情報に対して算出し、算出した前記情報量に基づいて、前記不足している情報を選択する
ことを特徴とするプログラム。
付記１６に記載のプログラムであって、
前記（ｄ）のステップにおいて、前記不足している情報と前記パラメータデータとの相関を表す情報量を、前記不足している情報に対して算出し、算出した前記情報量に基づいて、前記不足している情報を選択する
ことを特徴とするプログラム。
（付記１８）
付記１６又は１７に記載のプログラムであって、
前記（ｂ）のステップにおいて、前記質問情報を用いて前記不足している情報が取得された場合、取得された前記不足している情報を追加して、再度、前記パラメータデータの適合指標及びその分布を推定する
ことを特徴とするプログラム。
付記１６又は１７に記載のプログラムであって、
前記（ｂ）のステップにおいて、前記質問情報を用いて前記不足している情報が取得された場合、取得された前記不足している情報を追加して、再度、前記パラメータデータの適合指標及びその分布を推定する
ことを特徴とするプログラム。
以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施の形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
以上のように本発明によれば、フィッティングの精度を向上させることができる。本発明は、生体に装着して用いる機器などを対象者に適合させるフィッティングが必要な分野において有用である。具体的には、機器は、補聴器、イヤホン、スマートグラス、ヘッドマウントディスプレイ、スマートウォッチ、楽器、医療用装具、介護ロボットなどが考えられる。また、機器は、生体に装着せずに用いる機器でもよい。
１ フィッティング支援装置
２ 取得部
３ 推定部
２１ 入力装置
２２ 出力装置
２４ 選択部
２５ 出力情報生成部
２６、２７、２８ 学習モデル
３１ 学習装置
３２ 記憶装置
３３ 取得部
３４、３５ 分類部
３６ 生成部
１１０ コンピュータ
１１１ ＣＰＵ
１１２ メインメモリ
１１３ 記憶装置
１１４ 入力インターフェイス
１１５ 表示コントローラ
１１６ データリーダ／ライタ
１１７ 通信インターフェイス
１１８ 入力機器
１１９ ディスプレイ装置
１２０ 記録媒体
１２１ バス
２ 取得部
３ 推定部
２１ 入力装置
２２ 出力装置
２４ 選択部
２５ 出力情報生成部
２６、２７、２８ 学習モデル
３１ 学習装置
３２ 記憶装置
３３ 取得部
３４、３５ 分類部
３６ 生成部
１１０ コンピュータ
１１１ ＣＰＵ
１１２ メインメモリ
１１３ 記憶装置
１１４ 入力インターフェイス
１１５ 表示コントローラ
１１６ データリーダ／ライタ
１１７ 通信インターフェイス
１１８ 入力機器
１１９ ディスプレイ装置
１２０ 記録媒体
１２１ バス
Claims (9)
- 対象者に対して実施した検査の結果を表す検査情報と、前記対象者に関係する調査の結果を表す調査情報とを取得する、取得手段と、
前記対象者に機器を適合させるために用いるパラメータデータのフィッティングにおいて、取得した前記検査情報と前記調査情報とを入力して、前記パラメータデータの適合度を表す適合指標及びその分布を推定する、推定手段と、
フィッティングに用いる前記検査情報、又は前記調査情報、又はそれら両方に不足している情報がある場合、前記不足している情報と前記パラメータデータとの相関を表す情報量を、前記不足している情報に対して算出し、算出した前記情報量に基づいて、前記不足している情報を選択する、選択手段と、
を有することを特徴とするフィッティング支援装置。 - 請求項１に記載のフィッティング支援装置であって、
前記パラメータデータの適合指標及びその分布を表す出力情報を生成して出力装置に出力する、出力情報生成手段と、
を有することを特徴とするフィッティング支援装置。 - 請求項２に記載のフィッティング支援装置であって、
前記推定手段は、過去に取得した複数の利用者の検査情報と、過去に取得した複数の利用者の調査情報と、過去に前記機器に設定されたパラメータデータとを入力として、機械学習により生成された、前記パラメータデータの適合指標及びその分布の推定に用いる学習モデルを有する
ことを特徴とするフィッティング支援装置。 - 請求項３に記載のフィッティング支援装置であって、
フィッティングに用いる前記検査情報、又は前記調査情報、又はそれら両方に不足している情報がある場合、前記不足している情報を補うために、前記不足している情報に関連付けられた質問情報を選択する、選択手段と、
前記出力情報生成手段は、前記質問情報を用いて質問内容を表す前記出力情報を生成して出力装置に出力する
ことを特徴とするフィッティング支援装置。 - 請求項４に記載のフィッティング支援装置であって、
前記推定手段は、前記質問情報を用いて前記不足している情報が取得された場合、取得された前記不足している情報を追加して、再度、前記パラメータデータの適合指標及びその分布を推定する
を有することを特徴とするフィッティング支援装置。 - （ａ）対象者に対して実施した検査の結果を表す検査情報と、前記対象者に関係する調査の結果を表す調査情報とを取得し、
（ｂ）前記対象者に機器を適合させるために用いるパラメータデータのフィッティングにおいて、取得した前記検査情報と前記調査情報とを入力して、前記パラメータデータの適合度を表す適合指標及びその分布を推定する、
（ｃ）フィッティングに用いる前記検査情報、又は前記調査情報、又はそれら両方に不足している情報がある場合、前記不足している情報と前記パラメータデータとの相関を表す情報量を、前記不足している情報に対して算出し、算出した前記情報量に基づいて、前記不足している情報を選択する、
ことを特徴とするフィッティング支援方法。 - 請求項６に記載のフィッティング支援方法であって、
（ｄ）前記パラメータデータの適合指標及びその分布を表す出力情報を生成して出力装置に出力する、
ことを特徴とするフィッティング支援方法。 - 請求項７に記載のフィッティング支援方法であって、
前記（ｂ）の処理において、過去に取得した複数の利用者の検査情報と、過去に取得した複数の利用者の調査情報と、過去に前記機器に設定されたパラメータデータとを入力として、機械学習により生成された、前記パラメータデータの適合指標及びその分布の推定に用いる学習モデルを有する
ことを特徴とするフィッティング支援方法。 - コンピュータに、
（ａ）対象者に対して実施した検査の結果を表す検査情報と、前記対象者に関係する調査の結果を表す調査情報とを取得する、ステップと、
（ｂ）前記対象者に機器を適合させるために用いるパラメータデータのフィッティングにおいて、取得した前記検査情報と前記調査情報とを入力して、前記パラメータデータの適合度を表す適合指標及びその分布を推定する、ステップと、
（ｃ）フィッティングに用いる前記検査情報、又は前記調査情報、又はそれら両方に不足している情報がある場合、前記不足している情報と前記パラメータデータとの相関を表す情報量を、前記不足している情報に対して算出し、算出した前記情報量に基づいて、前記不足している情報を選択する、ステップと、
を実行させるプログラム。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2019/018077 WO2020217494A1 (ja) | 2019-04-26 | 2019-04-26 | フィッティング支援装置、フィッティング支援方法、及びコンピュータ読み取り可能な記録媒体 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JPWO2020217494A1 JPWO2020217494A1 (ja) | 2020-10-29 |
| JPWO2020217494A5 JPWO2020217494A5 (ja) | 2022-01-24 |
| JP7276433B2 true JP7276433B2 (ja) | 2023-05-18 |
Family
ID=72940910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021515724A Active JP7276433B2 (ja) | 2019-04-26 | 2019-04-26 | フィッティング支援装置、フィッティング支援方法、及びプログラム |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7276433B2 (ja) |
| WO (1) | WO2020217494A1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11849288B2 (en) * | 2021-01-04 | 2023-12-19 | Gn Hearing A/S | Usability and satisfaction of a hearing aid |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006020906A (ja) | 2004-07-09 | 2006-01-26 | Vision Megane:Kk | 聴力検査装置及びこれを用いた補聴器選定装置並びに管理サーバ及びコンピュータ読み取り可能な記録媒体 |
| JP2017152865A (ja) | 2016-02-23 | 2017-08-31 | リオン株式会社 | 補聴器フィッティング装置、補聴器フィッティングプログラム、補聴器フィッティングサーバ、および補聴器フィッティング方法 |
-
2019
- 2019-04-26 JP JP2021515724A patent/JP7276433B2/ja active Active
- 2019-04-26 WO PCT/JP2019/018077 patent/WO2020217494A1/ja active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006020906A (ja) | 2004-07-09 | 2006-01-26 | Vision Megane:Kk | 聴力検査装置及びこれを用いた補聴器選定装置並びに管理サーバ及びコンピュータ読み取り可能な記録媒体 |
| JP2017152865A (ja) | 2016-02-23 | 2017-08-31 | リオン株式会社 | 補聴器フィッティング装置、補聴器フィッティングプログラム、補聴器フィッティングサーバ、および補聴器フィッティング方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020217494A1 (ja) | 2020-10-29 |
| JPWO2020217494A1 (ja) | 2020-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10977522B2 (en) | Stimuli for symptom detection | |
| JP6815486B2 (ja) | 精神障害の療法のためのモバイルおよびウェアラブルビデオ捕捉およびフィードバックプラットフォーム | |
| US10482352B2 (en) | Information processing device and non-transitory computer readable medium | |
| JP6263308B1 (ja) | 認知症診断装置、認知症診断方法、及び認知症診断プログラム | |
| US10515631B2 (en) | System and method for assessing the cognitive style of a person | |
| CN108135485A (zh) | 通过语音分析评估肺部病症 | |
| US10610109B2 (en) | Emotion representative image to derive health rating | |
| Wang et al. | Automatic assessment of pathological voice quality using multidimensional acoustic analysis based on the GRBAS scale | |
| CN110853620A (zh) | 声音检测 | |
| US11602287B2 (en) | Automatically aiding individuals with developing auditory attention abilities | |
| JPWO2016117358A1 (ja) | 検査データ処理装置および検査データ処理方法 | |
| CN113039814B (zh) | 耳戴式装置外壳建模 | |
| CN112307947A (zh) | 用于生成信息的方法和装置 | |
| JP7276433B2 (ja) | フィッティング支援装置、フィッティング支援方法、及びプログラム | |
| US11830478B2 (en) | Learning device, learning method, and learning program for images and sound which uses a similarity matrix | |
| US20240007807A1 (en) | System and method for performing consumer hearing aid fittings | |
| JP7272425B2 (ja) | フィッティング支援装置、フィッティング支援方法、及びプログラム | |
| CN116344042B (zh) | 基于多模态分析的认知储备干预提升方法及*** | |
| CN114830257A (zh) | 咳嗽检测***和方法 | |
| JP7048893B2 (ja) | 学習装置、学習方法及びコンピュータプログラム | |
| US8666766B2 (en) | System and methods for simulating future medical episodes | |
| KR102512570B1 (ko) | 대화기반 정신장애선별방법 및 그 장치 | |
| US12033614B2 (en) | System and method for secure data augmentation for speech processing systems | |
| US20240221722A1 (en) | Eyewear device and method of use | |
| Sahu et al. | Emotion classification based on EEG signals in a stable environment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211019 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211019 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221108 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221206 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230404 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230417 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 7276433 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |