حذف تطبیقی فیدبک صوتی در سمعک‌های ایرانی: راهکاری برای تجربه شنیداری بهتر

کم‌شنوایی یکی از شایع‌ترین اختلالات حسی در جهان است که بر اساس گزارش سازمان بهداشت جهانی (WHO)، بیش از 466 میلیون نفر را تحت تأثیر قرار داده است. سمعک‌های دیجیتال با تقویت سیگنال‌های صوتی، نقش حیاتی در بهبود کیفیت زندگی افراد کم‌شنوا ایفا می‌کنند. با این حال، یکی از چالش‌های اصلی این دستگاه‌ها، فیدبک صوتی (Acoustic Feedback) است که منجر به تولید صدای آزاردهنده‌ای به نام "هولینگ" (howling) می‌شود. این پدیده نه‌تنها تجربه کاربری را مختل می‌کند، بلکه حداکثر تقویت قابل‌اعمال توسط سمعک را محدود می‌سازد.

روش‌های سنتی حذف فیدبک تطبیقی (Adaptive Feedback Cancellation - AFC) در شرایط واقعی، به‌ویژه با سیگنال‌های پیچیده مانند گفتار یا موسیقی، با مشکلاتی مانند انحراف در تطبیق (bias) و مصنوعات صوتی (distortion artifacts) مواجه هستند. این مقاله یک رویکرد نوآورانه مبتنی بر سیستم ساب‌باند و گام متغیر غیرپارامتریک را معرفی می‌کند که فیدبک را به‌طور مؤثر حذف کرده و کیفیت صدا را حفظ می‌کند. همچنین، نقش سمعک‌های ایرانی در پیاده‌سازی این فناوری با قیمت مقرون‌به‌صرفه بررسی می‌شود. در پایان، با راهنمایی برای انتخاب سمعک مناسب و تأکید بر اهمیت باتری‌های باکیفیت از fannkala.com، به شما کمک می‌کنیم تا تجربه شنیداری بهتری داشته باشید.

 

فیدبک صوتی: مشکلی دیرینه در سمعک‌ها

فیدبک صوتی زمانی رخ می‌دهد که سیگنال خروجی سمعک از طریق مسیرهای صوتی (مانند نشت صدا از گوش) یا مکانیکی (مانند ارتعاشات بدنه سمعک) به میکروفون بازمی‌گردد و یک حلقه تقویت ایجاد می‌کند. این حلقه منجر به تولید صدای هولینگ می‌شود که برای کاربر و اطرافیان آزاردهنده است. فیدبک صوتی به‌ویژه در سمعک‌های با تقویت بالا یا در شرایطی که سمعک به‌درستی در گوش قرار نگرفته باشد، شایع است.

در سمعک‌های آنالوگ، فیدبک با کاهش تقویت یا استفاده از فیلترهای ساده کنترل می‌شد، اما این روش‌ها کیفیت صدا را کاهش می‌دادند. سمعک‌های دیجیتال با معرفی الگوریتم‌های AFC، مانند فیلترهای تطبیقی LMS (Least Mean Squares) و NLMS (Normalized Least Mean Squares)، پیشرفت چشمگیری داشتند. این الگوریتم‌ها مسیر فیدبک را مدل‌سازی کرده و سیگنال فیدبک را از ورودی حذف می‌کنند. با این حال، سیگنال‌های ورودی پیچیده، مانند گفتار یا موسیقی، که دارای طیف رنگی (غیرسفید) هستند، باعث انحراف در تطبیق فیلترها می‌شوند. این انحراف می‌تواند به اعوجاج صدا یا پدیده‌ای به نام entrainment (همگام‌سازی نادرست فیلتر با سیگنال) منجر شود.

 

روش پیشنهادی: حذف فیدبک مبتنی بر ساب‌باند

روش پیشنهادی در این مقاله یک سیستم حذف فیدبک مبتنی بر ساب‌باند را معرفی می‌کند که با گام متغیر غیرپارامتریک و تخمین توان سیگنال ورودی بهبود یافته است. این رویکرد عملکرد بهتری نسبت به روش‌های تمام‌باند سنتی ارائه می‌دهد و برای سمعک‌های ایرانی با محدودیت‌های سخت‌افزاری مناسب است.

1.سیستم ساب‌باند

در این روش، سیگنال صوتی به چندین باند فرکانسی تقسیم می‌شود و حذف فیدبک به‌صورت جداگانه در هر باند انجام می‌گیرد. مزایای این رویکرد شامل:

کاهش همبستگی: تقسیم سیگنال به باندهای فرکانسی، همبستگی بین سیگنال‌های ورودی را کاهش می‌دهد، که عملکرد فیلترهای تطبیقی را بهبود می‌بخشد.

دقت بالاتر: تنظیم دقیق‌تر پارامترهای حذف فیدبک در هر باند فرکانسی.

کارایی محاسباتی: بهینه‌سازی محاسبات برای دستگاه‌های کم‌مصرف، مانند سمعک‌ها.

برای مثال، در یک مکالمه در رستوران، باندهای فرکانسی مرتبط با گفتار (500 تا 4000 هرتز) تقویت می‌شوند، در حالی که باندهای مرتبط با نویزهای کم‌فرکانس (مانند صدای تهویه) یا فیدبک پر‌فرکانس (هولینگ) تضعیف می‌شوند.

2.گام متغیر غیرپارامتریک

در الگوریتم‌های AFC سنتی، گام تطبیق (step size) معمولاً ثابت یا بر اساس مدل‌های پارامتری ساده تنظیم می‌شود. این رویکرد در شرایط پویا، مانند تغییر سریع مسیر فیدبک (مثلاً هنگام حرکت کاربر یا تنظیم سمعک)، عملکرد محدودی دارد. روش پیشنهادی از یک گام متغیر غیرپارامتریک استفاده می‌کند که به‌صورت پویا و بدون وابستگی به مدل‌های پیش‌فرض تنظیم می‌شود. این گام بر اساس تخمین توان سیگنال ورودی اصلی محاسبه می‌شود.

3.تخمین توان سیگنال ورودی

برای تنظیم دقیق گام متغیر، روشی برای تخمین توان سیگنال ورودی بدون تأثیر فیدبک ارائه شده است. این فرآیند شامل:

تحلیل سیگنال: تقسیم سیگنال ورودی به باندهای فرکانسی با استفاده از بانک فیلتر.

جداسازی همبستگی: کاهش همبستگی بین سیگنال فیدبک و سیگنال اصلی با تکنیک‌های decorrelation، مانند تزریق نویز سفید کنترل‌شده.

تخمین توان: محاسبه توان سیگنال اصلی با مدل‌های ریاضی.

تنظیم گام: به‌روزرسانی پویای گام تطبیق برای بهینه‌سازی عملکرد فیلتر.

این روش تضمین می‌کند که فیلتر تطبیقی به‌جای سیگنال اصلی، روی حذف فیدبک تمرکز کند.

4.پیاده‌سازی عملی

این سیستم با تعداد پارامترهای کم طراحی شده تا برای سمعک‌های دیجیتال با محدودیت‌های پردازشی و توان مناسب باشد. پیاده‌سازی شامل:

پردازنده DSP کم‌مصرف: برای اجرای الگوریتم‌های ساب‌باند و گام متغیر.

میکروفون و تقویت‌کننده: برای ضبط و پخش سیگنال با کیفیت بالا.

باتری کارآمد: برای عملکرد طولانی‌مدت سمعک.

برای مثال، سمعک ایرانی پارس تک مجهز به این سیستم می‌تواند در یک کنسرت شلوغ، فیدبک ناشی از نزدیکی بلندگوها را حذف کند و صدای موسیقی را با وضوح بالا ارائه دهد. برای عملکرد بهینه، استفاده از باتری‌های باکیفیت پارس تک از fannkala.com  ضروری است.

 

ارزیابی عملکرد سیستم

آزمایش‌ها

برای ارزیابی سیستم، آزمایش‌هایی با سیگنال‌های ورودی متنوع، شامل گفتار (مکالمه عادی و لهجه‌های مختلف)، موسیقی (کلاسیک و پاپ)، و نویزهای محیطی (مانند صدای رستوران یا ترافیک) انجام شد. معیارهای ارزیابی شامل:

میزان حذف فیدبک: توانایی سیستم در کاهش یا حذف هولینگ.

کیفیت صدا: حفظ کیفیت سیگنال اصلی بدون اعوجاج.

پیچیدگی محاسباتی: بررسی منابع پردازشی مورد نیاز.

پایداری در شرایط پویا: عملکرد در سناریوهای متغیر، مانند حرکت کاربر یا تغییر مسیر فیدبک.

آزمایش‌ها در شرایط واقعی، مانند مکالمات در کافه، جلسات کاری، و فضاهای عمومی، انجام شدند.

نتایج کلیدی

حذف هولینگ: سیستم فیدبک صوتی را در سیگنال‌های گفتاری و موسیقیایی به‌طور کامل حذف کرد.

کیفیت صدا: مصنوعات صوتی تا 70%  کاهش یافت و کیفیت صدای خروجی طبیعی‌تر بود.

کارایی محاسباتی: پیچیدگی محاسباتی در سطحی بود که برای سمعک‌های مدرن عملی است.

پایداری: سیستم در شرایط پویا، مانند تغییر سریع مسیر فیدبک (مثلاً هنگام برداشتن گوشی تلفن)، عملکرد پایداری داشت.

مقایسه با روش‌های سنتی

در مقایسه با الگوریتم‌های AFC مبتنی بر LMS و NLMS، سیستم پیشنهادی:

عملکرد بهتر در سیگنال‌های رنگی: کاهش اعوجاج در گفتار و موسیقی.

پایداری بالاتر: مقاومت در برابر پدیده entrainment.

انعطاف‌پذیری بیشتر: سازگاری با تغییرات محیطی و سیگنال‌های پویا.

 

جدول مقایسه روش پیشنهادی با روش‌های سنتی