基于机器学习的可编程助听器探测方法与流程

1.本发明涉及一种基于机器学习的可编程助听器探测方法。

背景技术：

2.目前的可编程数字助听器可以连接电脑进行电声放大参数的配置，以适应不同听力损失用户的需求。助听器需要配合电脑编程软件与编程工具使用。
3.通过电脑上的编程软件读取助听器时，由于各品牌、款式助听器涉及多种芯片，如果验配师不明确助听器型号，则需要编程软件遍历调用每种芯片的调试接口来自动探测助听器，这样每次读取与调试助听器都比较浪费时间。同时，对于助听器生产者，生产助听器型号常受到市场政策、产品销量的影响，如果遍历调用每种芯片的调试接口自动探测助听器同样浪费时间。而如果每次根据生产型号精确选择接口，则增加了操作步骤和出错风险。

技术实现要素：

4.本发明提供了一种基于机器学习的可编程助听器探测方法解决上述提到的技术问题，具体采用如下的技术方案：
5.一种基于机器学习的可编程助听器探测方法，包含以下步骤：
6.获取关系矩阵，所述关系矩阵包含不同的助听器的接入权重；
7.根据所述关系矩阵对多个芯片调试接口进行排序；
8.根据排序顺序调用所述芯片调试接口与助听器建立连接直至连接成功。
9.进一步地，在所述根据排序顺序调用所述芯片调试接口与助听器建立连接直至连接成功之后，所述基于机器学习的可编程助听器探测方法还包含：
10.对所述关系矩阵进行第一修正。
11.进一步地，对所述关系矩阵进行第一修正的具体方法为：
12.将所述关系矩阵中对应本次连接成功的助听器的接入权重的值加1。
13.进一步地，在对所述关系矩阵进行第一修正之前，判定是否满足特殊修正的条件，若不满足则进行所述第一修正，若满足则对所述关系矩阵进行特殊修正。
14.进一步地，判断当前是否满足特殊修正的具体方法为：
15.当连续成功连接同一助听器时，判断连续连接的次数a是否达到预定次数b，连续连接的次数a达到预定次数b则判定满足所述特殊修正的条件。
16.进一步地，判断当前是否满足特殊修正的具体方法为：
17.当在第一预设时间内连续成功连接同一助听器时，判断连续连接的次数a是否达到预定次数b，连续连接的次数a达到预定次数b则判定满足所述特殊修正的条件。
18.进一步地，确定所述预定次数b的具体方法为：
19.以当前助听器接入时刻为起点，向前统计第二预定时间内的所有助听器的总连接次数，根据所述总连接次数确定所述预定次数b。
20.进一步地，所述根据所述总连接次数确定所述预定次数b的值的具体方法为：
21.若所述总连接次数小于等于第一预设值且大于等于第二预设值，则所述预定次数b取值为3；
22.若所述总连接次数大于所述第一预设值，则所述预定次数b取值为2；
23.若所述总连接次数小于所述第二预设值，则所述预定次数b取值为4。
24.进一步地，对所述关系矩阵进行特殊修正的具体方法为：
25.将所述关系矩阵中对应本次连接成功的助听器的接入权重的值加2a。
26.进一步地，在获取关系矩阵之前，所述基于机器学习的可编程助听器探测方法还包含：
27.在首次连接之前，配置初始的所述关系矩阵。
28.本发明的有益之处在于所提供的基于机器学习的可编程助听器探测方法，解决了助听器调试时，针对各型号助听器的自动探测读取速度慢问题，节约时间，并且可以根据连接情况自动对连接程序进行优化改进。
附图说明
29.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
30.图1是本发明的一种基于机器学习的可编程助听器探测方法的示意图。
具体实施方式
31.下面详细描述本技术的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
32.如图1所示为本技术的一种基于机器学习的可编程助听器探测方法，包含以下步骤：s1：获取关系矩阵，关系矩阵包含不同的助听器的接入权重。s2：根据关系矩阵对多个芯片调试接口进行排序。s3：根据排序顺序调用芯片调试接口与助听器建立连接直至连接成功。以下具体介绍上述步骤。
33.对于步骤s1：获取关系矩阵，关系矩阵包含不同的助听器的接入权重。
34.当检测到有助听器接入到设备上时，首先获取关系矩阵。
35.助听器类型a＝{a1，a2，a3，a4，...，an-1，an}，芯片类型b＝{b1，b2，b3，b4，...，bm-1，bm}。每种助听器类型an都可能装有不同的芯片类型bm，从而两两组合下，形成m
×
n个不同型号的助听器。每个型号的助听器都具有其特定的芯片调试接口，从而形成一个两维的关系矩阵t，该关系矩阵t为：
36.37.其中，ω
11
表示使用芯片b1的a1助听器的接入权重,ω
n3
表示使用芯片b3的an助听器的接入权重。所谓的接入权重反应的是一个未知的助听器，其可能是某一种具体型号的助听器的可能性。
38.因此，在获取关系矩阵之前，基于机器学习的可编程助听器探测方法还包含：
39.在首次连接之前，配置初始的关系矩阵。
40.配置初始的关系矩阵的方法可以是设定一个均衡的初始值，如将所有ω取值为同一个数，如10，这样得到一个初始每个元素都为10的关系矩阵t。
41.可以理解的是，为了使初始的关系矩阵t更加科学，可以将一个在其他设备上已经经过优化后的关系矩阵t导入到当前的设备中。这样，初始的关系矩阵t已经体现了较为合理的各个助听器的接入权重。
42.对于步骤s2：根据关系矩阵对多个芯片调试接口进行排序。
43.关系矩阵t中的不同的ω值能够反应出对应的助听器在市场中的占用率。该占有率较大程度上反应了当前接入到编程设备上的助听器具体可能是哪一种助听器。这样，根据关系矩阵中的各个元素的值的大小，从大到小对这些元素所对应的芯片调试接口进行排序。
44.对于步骤s3：根据排序顺序调用芯片调试接口与助听器建立连接直至连接成功。
45.再根据排序按照顺序一一调用芯片调试接口与该助听器建立连接，不断尝试，直至连接成功为止，完成本次的助听器连接流程。
46.作为一种优选的实施方式，在根据排序顺序调用芯片调试接口与助听器建立连接直至连接成功之后，基于机器学习的可编程助听器探测方法还包含：
47.对关系矩阵进行第一修正。
48.为了使关系矩阵t能够根据实际的连接情况进行自我更新，在每次接入助听器时，根据当前接入的助听器的具体型号对关系矩阵进行第一修正。对关系矩阵进行第一修正的具体方法为：
49.将关系矩阵中对应本次连接成功的助听器的接入权重的值加1。
50.作为一种优选的实施方式，在对关系矩阵进行第一修正之前，判定是否满足特殊修正的条件，若不满足则进行第一修正，若满足则对关系矩阵进行特殊修正。
51.可以理解的是，为了使关系矩阵t能够更加快速的成型，相互之间能够快速的根据接入次数拉开相互之间的距离，便于进行排序。在本技术中，每次接入助听器后，除了对关系矩阵t进行较为常规的第一修正，当满足特征条件时，还对关系矩阵t进行特殊修正。
52.在本技术中，判断当前是否满足特殊修正的具体方法为：
53.当连续成功连接同一助听器时，判断连续连接的次数a是否达到预定次数b，连续连接的次数a达到预定次数b则判定满足特殊修正的条件。
54.对关系矩阵进行特殊修正的具体方法为：
55.将关系矩阵中对应本次连接成功的助听器的接入权重的值加2a。
56.距离说明，假设预定次数为3，若连续2次都连接到某一型号的助听器，则不执行特殊修正。若连续3次都连接到某一型号的助听器，则将该型号的助听器所对应的接入权值加6。若连续4次都连接到某一型号的助听器，则将该型号的助听器所对应的接入权值加8，以此类推。
57.作为更为优选的实施方式，判断当前是否满足特殊修正的具体方法为：
58.当在第一预设时间内连续成功连接同一助听器时，判断连续连接的次数a是否达到预定次数b，连续连接的次数a达到预定次数b则判定满足特殊修正的条件。与前一实施例向比，在本实施例中，对连续接入的统计时间进行了限定。只有在第一预定时间内完成的连续接入才能够算是有效接入。该第一预定时间可以根据需要进行设定。在本技术中，第一预定时间设定为24h。以当前接入时间为起点，向前统计24h内该助听器的连续连接次数。
59.可以理解的是，预定次数b是可以根据具体情况进行设定的。在本技术中，确定预定次数b的具体方法为：
60.以当前助听器接入时刻为起点，向前统计第二预定时间内的所有助听器的总连接次数，根据总连接次数确定预定次数b。
61.进一步地，根据总连接次数确定预定次数b的值的具体方法为：
62.若总连接次数小于等于第一预设值且大于等于第二预设值，则预定次数b取值为3。
63.若总连接次数大于第一预设值，则预定次数b取值为2。
64.若总连接次数小于第二预设值，则预定次数b取值为4。
65.具体地，在本技术中，向前统计72h内的所有助听器的总连接次数。当总连接次数在50至100之间时，预定次数b取值为3。当总连接次数大于100，表明当前设备接入的助听器数量大，种类繁多，其更难取得连续接入的机会，因此，将预定次数b取值稍微小一点。当总连接次数小于20，表明当前设备接入的助听器数量小，种类也可能更少，其相对更容易取得连续接入的机会。因此，将预定次数b取值稍微大一点。可以理解的是，第一预设值、第二预设值和第二预定时间都是可以根据具体情况进行调整的，此处不作限定。
66.以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

技术特征：

1.一种基于机器学习的可编程助听器探测方法，其特征在于，包含以下步骤：获取关系矩阵，所述关系矩阵包含不同的助听器的接入权重；根据所述关系矩阵对多个芯片调试接口进行排序；根据排序顺序调用所述芯片调试接口与助听器建立连接直至连接成功。2.根据权利要求1所述的基于机器学习的可编程助听器探测方法，其特征在于，在所述根据排序顺序调用所述芯片调试接口与助听器建立连接直至连接成功之后，所述基于机器学习的可编程助听器探测方法还包含：对所述关系矩阵进行第一修正。3.根据权利要求2所述的基于机器学习的可编程助听器探测方法，其特征在于，对所述关系矩阵进行第一修正的具体方法为：将所述关系矩阵中对应本次连接成功的助听器的接入权重的值加1。4.根据权利要求3所述的基于机器学习的可编程助听器探测方法，其特征在于，在对所述关系矩阵进行第一修正之前，判定是否满足特殊修正的条件，若不满足则进行所述第一修正，若满足则对所述关系矩阵进行特殊修正。5.根据权利要求4所述的基于机器学习的可编程助听器探测方法，其特征在于，判断当前是否满足特殊修正的具体方法为：当连续成功连接同一助听器时，判断连续连接的次数a是否达到预定次数b，连续连接的次数a达到预定次数b则判定满足所述特殊修正的条件。6.根据权利要求5所述的基于机器学习的可编程助听器探测方法，其特征在于，判断当前是否满足特殊修正的具体方法为：当在第一预设时间内连续成功连接同一助听器时，判断连续连接的次数a是否达到预定次数b，连续连接的次数a达到预定次数b则判定满足所述特殊修正的条件。7.根据权利要求6所述的基于机器学习的可编程助听器探测方法，其特征在于，确定所述预定次数b的具体方法为：以当前助听器接入时刻为起点，向前统计第二预定时间内的所有助听器的总连接次数，根据所述总连接次数确定所述预定次数b。8.根据权利要求7所述的基于机器学习的可编程助听器探测方法，其特征在于，所述根据所述总连接次数确定所述预定次数b的值的具体方法为：若所述总连接次数小于等于第一预设值且大于等于第二预设值，则所述预定次数b取值为3；若所述总连接次数大于所述第一预设值，则所述预定次数b取值为2；若所述总连接次数小于所述第二预设值，则所述预定次数b取值为4。9.根据权利要求5-8任一所述的基于机器学习的可编程助听器探测方法，其特征在于，对所述关系矩阵进行特殊修正的具体方法为：将所述关系矩阵中对应本次连接成功的助听器的接入权重的值加2a。10.根据权利要求1所述的基于机器学习的可编程助听器探测方法，其特征在于，在获取关系矩阵之前，所述基于机器学习的可编程助听器探测方法还包含：在首次连接之前，配置初始的所述关系矩阵。

技术总结

本发明公开了一种基于机器学习的可编程助听器探测方法，包含以下步骤：获取关系矩阵，所述关系矩阵包含不同的助听器的接入权重；根据所述关系矩阵对多个芯片调试接口进行排序；根据排序顺序调用所述芯片调试接口与助听器建立连接直至连接成功。本发明提供的基于机器学习的可编程助听器探测方法，解决了助听器调试时，针对各型号助听器的自动探测读取速度慢问题，节约时间，并且可以根据连接情况自动对连接程序进行优化改进。连接程序进行优化改进。连接程序进行优化改进。