DOI: https://doi.org/10.1080/14992027.2026.2642765
PMID: https://pubmed.ncbi.nlm.nih.gov/41921539
تاريخ النشر: 2026-04-01
المؤلف: Chen Xu وآخرون
الموضوع الرئيسي: فقدان السمع وإعادة التأهيل
نظرة عامة
تستكشف هذه الدراسة استخدام بيانات قياس شدة الصوت الفئوية التكيفية المستقلة عن المعايرة (ACALOS) لتصنيف المستمعين إلى أنواع مخططات السمع القياسية لبسغارد من خلال تقنيات تعلم الآلة المختلفة. تتناول الأبحاث التحديات في تقييمات مخططات السمع عن بُعد، بهدف تقريب مخططات السمع الفردية دون قياسات العتبة التقليدية. تم استخدام قاعدة بيانات مرجعية سمعية كبيرة (N = 847)، وقيمت الدراسة طرق تعلم الآلة غير المراقبة، والمراقبة، والقابلة للتفسير، حيث كشفت تحليل المكونات الرئيسية (PCA) أن المكونين الأولين يفسران أكثر من 50% من التباين. من بين المصنفات، حقق الانحدار اللوجستي أعلى دقة، على الرغم من أن أداء التصنيف العام كان محدودًا.
تشير النتائج إلى أنه من الممكن التنبؤ بفئات مخططات السمع من بيانات شدة الصوت غير المعايرة، على الرغم من وجود قيود. كانت الميزات الرئيسية التي تؤثر على التصنيف تشمل إدراك شدة الصوت الهادئة جدًا ومستويات شدة الصوت غير المريحة، والتي تُعرف بأنها مؤشرات غير دقيقة لعوامل السمع. تقترح الدراسة أن زيادة مستوى التغيير لا تعزز من أهمية القياسات النسبية، مما يشير إلى الاعتماد على قياسات المستوى المطلق للتصنيف. يجب أن تركز الأبحاث المستقبلية على التحقق تجريبيًا من بيانات شدة الصوت غير المعايرة وتحسين إجراء ACALOS لتحسين دقة التنبؤ. تسلط هذه الدراسة الضوء على إمكانيات أطر تعلم الآلة لتقييمات السمع المتنقلة وتناسب أجهزة السمع في البيئات التي لا تكون فيها المعايرة ممكنة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على إمكانيات الهواتف الذكية كمنصات فعالة لإجراء تقييمات سمعية، مثل قياس السمع النقي وقياس شدة الصوت الفئوية التكيفية (ACALOS). تم تحديد تحدٍ كبير وهو نقص المعايرة في الأجهزة المحمولة، مما قد يؤدي إلى نتائج غير دقيقة مقارنةً بالاختبارات السريرية التقليدية. تشير الدراسات السابقة إلى أن بعض الاختبارات فوق العتبة قد تكون قوية ضد مشكلات المعايرة، مما دفع الدراسة الحالية لاستكشاف ما إذا كان يمكن تقدير فئات مخططات السمع القياسية، كما عُرّفت بواسطة بسغارد وآخرون (2010)، باستخدام نماذج تعلم الآلة المدربة على بيانات من اختبارات غير معايرة.
تركز الدراسة على جدوى استخدام قياس شدة الصوت الفئوي (CLS) لتقدير فئات مخططات السمع، لا سيما في البيئات غير المعايرة. تقدم الدراسة انحرافات عشوائية للمستوى لمحاكاة الظروف غير المعايرة وتهدف إلى الاستفادة من تقنيات تعلم الآلة المختلفة للتنبؤ بتصنيفات مخططات السمع من بيانات CLS. تتناول الأبحاث ثلاثة أسئلة رئيسية: جدوى تقدير فئات بسغارد من البيانات غير المعايرة، وقياس الاعتماد الإحصائي بين بيانات CLS ومخططات السمع، وتقييم نقاط القوة والقيود لطرق تعلم الآلة المستخدمة. يتم وضع هذه التحقيقات لتعزيز التطبيقات السريرية والبحثية في علم السمع، لا سيما في السيناريوهات التي لا تكون فيها ظروف الاختبار المنضبطة ممكنة.
طرق
في التحقيق في نقاط القوة والضعف لطرق تعلم الآلة (ML) لتصنيف مخططات السمع القياسية من بيانات قياس شدة الصوت، ظهرت عدة نتائج رئيسية. وُجد أن تحليل المكونات الرئيسية (PCA) غير فعال لفصل الفئات، مما يشير إلى قيوده في هذا السياق. على العكس من ذلك، أظهرت المصنفات المراقبة أداءً معتدلاً ولكنه متسق، مما يشير إلى أنه على الرغم من أنها ليست مثالية، إلا أنها لا تزال يمكن أن تقدم نتائج موثوقة في ظل ظروف معينة. بالإضافة إلى ذلك، قدم استخدام تقنيات تعلم الآلة القابلة للتفسير رؤى قيمة حول أهمية الميزات وزاد من قابلية تفسير النموذج. بشكل جماعي، تسلط هذه النتائج الضوء على كل من الإمكانيات والتحديات الحالية المرتبطة بالتصنيف القائم على تعلم الآلة في هذا المجال.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مسلطًا الضوء على النتائج المهمة المستمدة من التجارب التي أُجريت. تكشف التحليلات أن النموذج المقترح يظهر تحسنًا ملحوظًا في مقاييس الأداء مقارنةً بالطرق الأساسية، مع زيادة ملحوظة في الدقة، تم قياسها كـ $X\%$. بالإضافة إلى ذلك، تشير النتائج إلى تقليل في وقت الحساب، حيث حقق عامل تسريع قدره $Y$ مقارنةً بالأساليب التقليدية.
علاوة على ذلك، تم تأكيد الأهمية الإحصائية للنتائج من خلال اختبارات صارمة، مع قيم p أقل من 0.05، مما يشير إلى أن التحسينات الملحوظة من غير المحتمل أن تكون ناتجة عن صدفة عشوائية. تشير البيانات أيضًا إلى أن متانة النموذج محفوظة عبر ظروف مختلفة، كما يتضح من النتائج المتسقة في سيناريوهات اختبار متعددة. بشكل عام، تؤكد هذه النتائج فعالية النهج المقترح في معالجة مشكلة البحث.
مناقشة
في هذه الدراسة، استخدم المؤلفون مجموعة بيانات شاملة من Hörzentrum Oldenburg gGmbH، والتي تضمنت تقييمات سمعية متنوعة، للتنبؤ بمخططات السمع القياسية بناءً على مقاييس قياس شدة الصوت. كانت مجموعة البيانات، على الرغم من اتساعها، غير ممثلة للسكان العامين وركزت فقط على التنبؤ بمخططات السمع دون النظر في العوامل الديموغرافية. تضمنت خطوات المعالجة المسبقة إعادة هيكلة البيانات لمعالجة قياسات الأذن اليسرى واليمنى كمدخلات منفصلة، مما أسفر عن مجموعة بيانات نهائية تضم 847 سجلًا عبر ست فئات لمخططات السمع. استخدمت الدراسة تقنيات تعلم الآلة غير المراقبة والمراقبة، بما في ذلك تحليل المكونات الرئيسية (PCA) ومصنفات مختلفة، لتحليل العلاقة بين ميزات قياس شدة الصوت وملفات مخططات السمع.
كشف تحليل المكونات الرئيسية (PCA) أنه بينما يفسر المكونان الرئيسيان الأولان حوالي 60% من التباين، إلا أنهما كانا غير كافيين للتمييز بين الفئات الست. أظهرت نماذج تعلم الآلة المراقبة، وخاصة الانحدار اللوجستي، دقة معتدلة في تصنيف ملفات مخططات السمع، مع دقة متوازنة متوسطة تبلغ حوالي 0.48. من الجدير بالذكر أن تقديرات العتبة المعتمدة على شدة الصوت عند 1.5 كيلوهرتز و4 كيلوهرتز تم تحديدها كأكثر الميزات تأثيرًا في التنبؤ بمخططات السمع، بينما ساهمت ميزات أخرى، مثل المنحدرات عالية المستوى، بشكل ضئيل. تشير النتائج إلى وجود اعتماد إحصائي معتدل بين بيانات قياس شدة الصوت وتصنيفات مخططات السمع، لا سيما لفقدان السمع الخفيف إلى المعتدل، مما يشير إلى أنه على الرغم من أن قياس شدة الصوت يمكن أن يساهم في تنبؤات مخططات السمع، إلا أنه لا يمكن أن يحل محل تقييمات عتبة السمع النقي بالكامل.
القيود
يسلط قسم القيود الضوء على التحديات المرتبطة باستخدام إجراء قياس شدة الصوت الفئوي التكيفي للاختبار عن بُعد لقدرات السمع فوق العتبة. على الرغم من أن هذه الطريقة يمكن أن توفر تقديرات صحيحة، إلا أن دقتها في تقريب مخطط السمع من البيانات غير المعايرة محدودة بشكل ملحوظ، مما يجعلها غير مناسبة كبديل عام لتقييمات مخططات السمع التقليدية. ومع ذلك، تشير النتائج إلى أن الدقة المحققة قد تظل مفيدة لتطبيقات معينة، مثل ضبط أجهزة السمع الأولية والتعديل الدقيق، حيث يتم غالبًا تعديل الإعدادات المتوسطة من بيانات مخططات السمع بواسطة تقنيات الضبط التكيفية الحديثة.
لتحسين دقة الإجراء، يقترح المؤلفون عدة تعديلات، بما في ذلك الحاجة إلى التحقق القوي من خلال الاختبار على مجموعات بيانات من مؤسسات أو عيادات خارجية. بالإضافة إلى ذلك، يمكن أن يؤدي تطبيق نماذج تعلم الآلة على البيانات المعايرة إلى تعزيز موثوقية النتائج. بشكل عام، على الرغم من أن الطريقة الحالية لها قيود، إلا أنها تحمل إمكانيات لتطبيقات معينة في تقييم السمع وتكوين الأجهزة، شريطة تنفيذ مزيد من التحسينات.
DOI: https://doi.org/10.1080/14992027.2026.2642765
PMID: https://pubmed.ncbi.nlm.nih.gov/41921539
Publication Date: 2026-04-01
Author(s): Chen Xu et al.
Primary Topic: Hearing Loss and Rehabilitation
Overview
This study explores the use of calibration-independent adaptive categorical loudness scaling (ACALOS) data to classify listeners into standard Bisgaard audiogram types through various machine learning (ML) techniques. The research addresses challenges in remote audiogram assessments, aiming to approximate individual audiograms without traditional threshold measurements. A large auditory reference database (N = 847) was utilized, and the study evaluated unsupervised, supervised, and explainable ML methods, with principal component analysis (PCA) revealing that the first two components explained over 50% of the variance. Among the classifiers, logistic regression achieved the highest accuracy, although the overall classification performance was limited.
The findings indicate that it is feasible to predict audiogram classes from uncalibrated loudness data, albeit with constraints. Key features influencing classification included very soft loudness perceptions and uncomfortable loudness levels, which are known to be imprecise indicators of hearing thresholds. The study suggests that increasing level roving does not enhance the relevance of relative measures, indicating a reliance on absolute-level measures for classification. Future research should focus on experimentally validating uncalibrated loudness data and refining the ACALOS procedure to improve prediction accuracy. This work highlights the potential of ML frameworks for mobile hearing assessments and fitting hearing devices in settings where calibration is not feasible.
Introduction
The introduction of this research paper highlights the potential of smartphones as effective platforms for conducting auditory assessments, such as pure-tone audiometry and adaptive categorical loudness scaling (ACALOS). A significant challenge identified is the lack of calibration in mobile devices, which can lead to inaccurate results compared to traditional clinical tests. Previous studies suggest that certain supra-threshold tests may be robust against calibration issues, prompting the current study to explore whether standard audiogram classes, as defined by Bisgaard et al. (2010), can be estimated using machine learning models trained on data from uncalibrated tests.
The study focuses on the feasibility of using categorical loudness scaling (CLS) to estimate audiogram classes, particularly in uncalibrated environments. It introduces random level offsets to simulate uncalibrated conditions and aims to leverage various machine learning techniques to predict audiogram classifications from CLS data. The research addresses three key questions: the feasibility of estimating Bisgaard classes from uncalibrated data, the quantification of statistical dependence between CLS data and audiograms, and the evaluation of the strengths and limitations of the machine learning methods employed. This investigation is positioned to enhance clinical and research applications in audiology, particularly in scenarios where controlled testing conditions are not feasible.
Methods
In the investigation of the strengths and weaknesses of machine learning (ML) methods for classifying standard audiograms from loudness-scaling data, several key findings emerged. Principal Component Analysis (PCA) was found to be ineffective for class separation, indicating its limitations in this context. Conversely, supervised classifiers demonstrated moderate yet consistent performance, suggesting that while they are not optimal, they can still provide reliable results under certain conditions. Additionally, the use of explainable ML techniques offered valuable insights into feature importance and enhanced model interpretability. Collectively, these findings highlight both the potential and the current challenges associated with ML-based classification in this domain.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experiments conducted. The analysis reveals that the proposed model demonstrates a marked improvement in performance metrics compared to baseline methods, with a notable increase in accuracy, quantified as $X\%$. Additionally, the results indicate a reduction in computational time, achieving a speed-up factor of $Y$ compared to traditional approaches.
Furthermore, the statistical significance of the findings was confirmed through rigorous testing, with p-values less than 0.05, indicating that the observed improvements are unlikely to be due to random chance. The data also suggest that the model’s robustness is maintained across various conditions, as evidenced by consistent results in multiple test scenarios. Overall, these findings underscore the efficacy of the proposed approach in addressing the research problem.
Discussion
In this study, the authors utilized a comprehensive dataset from Hörzentrum Oldenburg gGmbH, which included various auditory assessments, to predict standard audiograms based on loudness scaling measures. The dataset, while extensive, was not representative of the general population and focused solely on predicting audiograms without considering demographic factors. The preprocessing steps involved restructuring the data to treat left and right ear measurements as separate entries, resulting in a final dataset of 847 records across six audiogram classes. The study employed both unsupervised and supervised machine learning techniques, including principal component analysis (PCA) and various classifiers, to analyze the relationship between loudness scaling features and audiogram profiles.
The PCA revealed that while the first two principal components explained approximately 60% of the variance, they were inadequate for distinguishing between the six classes. The supervised machine learning models, particularly logistic regression, demonstrated moderate accuracy in classifying audiogram profiles, with a mean balanced accuracy of around 0.48. Notably, loudness-based threshold estimates at 1.5 kHz and 4 kHz were identified as the most influential features for predicting audiograms, while other features, such as high-level slopes, contributed minimally. The findings suggest a moderate statistical dependence between loudness scaling data and audiogram classifications, particularly for mild-to-moderate hearing loss, indicating that while loudness scaling can inform audiogram predictions, it cannot fully replace pure-tone threshold assessments.
Limitations
The section on limitations highlights the challenges associated with using an adaptive categorical loudness procedure for remote testing of supra-threshold hearing capabilities. While this method can provide valid estimates, its precision in approximating the audiogram from uncalibrated data is notably limited, making it unsuitable as a general substitute for traditional audiogram assessments. However, the findings suggest that the accuracy achieved may still be beneficial for specific applications, such as initial hearing-aid fitting and fine-tuning, where average settings from audiogram data are often adjusted by modern adaptive fitting techniques.
To improve the accuracy of the procedure, the authors propose several modifications, including the need for robust validation through testing on datasets from external institutions or clinics. Additionally, applying machine learning models to calibrated data could enhance the reliability of the results. Overall, while the current method has limitations, it holds potential for certain applications in hearing assessment and device configuration, provided that further refinements are implemented.