Monaurale und Binaurale Lautheitsskalierung bei Cochlea- Implantat-Trägern

Ähnliche Dokumente
Acoustics Research Institute Austrian Academy of Sciences

Institut für Schallforschung

Acoustics Research Institute Austrian Academy of Sciences

Acoustic Research Institute ARI

Approximation. E(N) N. Beachte: Der Wert für N = 32 ist vernachlässigt, da er in der Grössenordnung der Rechengenauigkeit liegt.

Höhere Mathematik für Physiker II

Psychophysik und Skalierung. PWP 1 Skalierung in der Psychophysik. Logarithmische Funktion. Beispiel Lautstärke

PWP 1 Skalierung in der Psychophysik

Stichwortverzeichnis. Symbole

Deskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien

Kapitel 5 Reihen 196

Lautheitsbasierte Insitu-Perzentilanpassung von Hörgeräten in Theorie und Praxis oder kurz LPFit (Loudness-based Percentile Fitting)

Naive Bayes für Regressionsprobleme

f Z (z) = 0 sonst = 1

Exemplar für Prüfer/innen

Mathematisches Institut der Universität Heidelberg Prof. Dr. E. Freitag /Thorsten Heidersdorf. Probeklausur

Proportions Tests. Proportions Test können in zwei Fällen benutzt werden. Vergleich von beobachteten vs. erwarteten Proportionen

Inhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden

Übungsaufgabe Parameter und Verteilungsschätzung

Präsentation

Wenn man eine Folge gegeben hat, so kann man auch versuchen, eine Summe. a 0 + a 1 + a 2 +

Schweizer Statistiktage, Aarau, 18. Nov. 2004

Biomathematik für Mediziner

Anpassung und Überprüfung von Hörhilfen mit verschiedenen Verfahren der Hörflächenskalierung

6 Iterationsverfahren für lineare und nichtlineare Gleichungssysteme

Messunsicherheit und Fehlerrechnung

Nichtlineare Gleichungen in einer und mehreren Unbekannten

Permutationstests II.

Meta-Modellierung mit OptiY Gewinnung mathematischer Ersatzmodelle aus Messdaten oder komplexen FEA

Zahlen in der Medizin. Warum gute Zahlen helfen können

Numerische Verfahren und Grundlagen der Analysis

Fragebogen zur Standortbestimmung von Zürcher Volksschulen: Ermittlung und Darstellung von Ergebnissen der einzelnen Schulen

1 k = = Sie ist also gerade der Grenzwert der zur Folge (r k 10 k ) k N0 gehörenden Reihe( n

3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen Definition: Eine Folge ist eine geordnete Menge von Elementen an (den sogenannten Gliedern ), die

Zusammengesetzte Übungsaufgaben lineare Funktionen

Welche der folgenden Aussagen sind richtig (jeweils 1 Punkt)?

Folgen und Reihen. Mathematik-Repetitorium

geprägt durch Fechner 1860 Zusammenhang externer physikalischer Stimuli und Wahrnehmung

Nichtlineare Gleichungen in einer und mehreren Unbekannten

I. Zahlen, Rechenregeln & Kombinatorik

Eine Prüfung erstellen

Statistik für Betriebswirte I 1. Klausur Wintersemester 2014/

Nachklausur Statistik

Oldenburger MessprOgraMMe

"Korrelation" bei Nominaldaten: Kontingenz

Mathematische und statistische Hilfsmittel für Pharmazeuten

Reliabilitäts- und Itemanalyse

Statistik I. 1. Klausur Wintersemester 2010/2011 Hamburg, Art der Anmeldung: STiNE FlexNow Zulassung unter Vorbehalt

Einführung. Ablesen von einander zugeordneten Werten

- Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden.

Statistical Coaching. Thomas Forstner

Das Doppelstern-Modell Vorgehen beim Bestimmen der Modellparameter und ihrer Fehler

Physikprotokoll: Fehlerrechnung. Martin Henning / Torben Zech / Abdurrahman Namdar / Juni 2006

Modellierung von Temperaturdaten bei Lichtbogenschweißversuchen

If something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra

Instrument zur Untersuchung eines linearen Zusammenhangs zwischen zwei (oder mehr) Merkmalen.

Marcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 12. Winterthur, 17. Mai Institut für Datenanalyse und Prozessdesign

Kreisdiagramm, Tortendiagramm

Folgen und Reihen. Kapitel Zahlenfolgen

Einsatz von Varianzreduktionstechniken II

Polynome. Ein Term der Form. mit n und a 0 heißt Polynom. Die Zahlen a, a, a,... heißen Koeffizienten des Polynoms.

Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. mit dem R Commander. A Springer Spektrum

HM I Tutorien 6 und 7

Modellschularbeit. Mathematik. März Teil-2-Aufgaben. Korrekturheft

Bachelorprüfung: Statistik (1 Stunde)

Good data... don t need statistics

6.4 Der Kruskal-Wallis Test

= (n 2 ) 1 (Kurzschreibweise: a n = n 2 ) ergibt die Zahlenfolge 1, 4, 9, 16, 25, 36,.

Freedom für r N24 Anwendungsbeobachtung

Prof. J. Zhang Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 28. Oktober 2003

Basis-Kurs Statistik und SPSS für Mediziner Lösungen. SPSS-Übung Deskriptive Statistik

Folgen und Reihen. Christoph Laabs, n s k und ist Grenzwert dieser Reihe.

Funktionen. D. Horstmann: Oktober

Proseminarprogramm Sommersemester 2012

Wie werte ich meine Daten richtig aus?

Statistik und Wahrscheinlichkeitsrechnung

Bildverbesserung. Frequenz-, Punkt- und Maskenoperationen. Backfrieder-Hagenberg

Genauigkeit von Nächst- Nachbarmodellen in pflanzenzüchterischen Versuchen

Sind die nachfolgenden Aussagen richtig oder falsch? (0,5 Punkte pro korrekter Beantwortung)

Sommersemester Marktforschung

Exemplar für Prüfer/innen

Kapitel 2. Häufigkeitsverteilungen

Neue jbeam Erweiterung erleichtert Verrechnung von Kanälen mit unterschiedlichen Zeitbasen und Einheiten

d) Man kann in der Zeichnung sehen, dass der Graph 3 Nullstellen besitzt.

Monte-Carlo-Verfahren nach GUM Supplement 1. Gerd Wübbeler Physikalisch-Technische Bundesanstalt

Musterlösung zur Übungsklausur Statistik

Stochastik-Praktikum

Aufgabe 3 Bei 16 PKWs desselben Typs wurde der Benzinverbrauch pro 100 km gemessen. Dabei ergab sich die folgende Urliste (in Liter pro 100km):

4. Kumulierte Häufigkeiten und Quantile

Wahrscheinlichkeitstheorie und Statistik

Kurvenanpassung mit dem SOLVER

Good data... don t need statistics

Forschungsstatistik I

Einführung in die medizinische Bildverarbeitung WS 12/13

Die folgende Tabelle 1 wurde im Rahmen einer Umfrage unter den Studenten eines Statistikseminars erstellt.

3. Lektion: Deskriptive Statistik

Einführung in die Statistik für Politikwissenschaftler Sommersemester 2011

4. Kumulierte Häufigkeiten und Quantile

Arbeit: Page, Brin, Motwani, Winograd (1998). Ziel: Maß für absolute

4. Erstellen von Klassen

Transkript:

Monaurale und Binaurale Lautheitsskalierung bei Cochlea- Implantat-Trägern F. Wippel, B. Laback, P. Majdak Institut für Schallforschung Österreichische Akademie der Wissenschaften

Ziele Eine automatische Prozedur mit: Kurze Testdauer bei möglichst hoher Genauigkeit Möglichkeit von monauralen und binauralen Tests Vergleichbarkeit der Lautheiten zwischen unterschiedlichen Elektroden einer Testperson Als Grundlage wurden zwei Prozeduren von Brand (2000) benutzt: Oldenburger Constant Stimuli -Prozedur Oldenburger adaptive Prozedur

Das Cochlea-Implantat

Die kategorische Skala Unmodifizierte Skala Projektion auf eine metrische Skala Kategorialeinheiten: cu (categorical units)

Die kategorische Skala Eine modifizierte Skala Projektion auf eine metrische Skala Kategorialeinheiten: cu (categorical units)

Die Constant Stimuli -Prozedur Vortest: Start: Eine nicht hörbare Stromstärke Pegel wird erhöht bis zur ersten > 0 cu Bewertung Pegel wird in großen Schritten erhöht bis 80 % des Dynamikbereichs Pegel wird in kleinen Schritten erhöht bis zu einer >= 90 cu Kategorie ( Sehr Laut / Laut ) Berechnung von 7 Pegel gleichverteilt im Intervall [10, 90] durch lineare Interpolation zwischen dem ersten Punkt mit 10 cu und dem letzten Punkt => 90 cu Haupttest: 7 Pegel in zufälliger Reihenfolge einige Male präsentiert Zum Schluss: Anpassung einer Modellfunktion an die Daten von Vortest und Haupttest

Die Adaptive Prozedur Vortest: Start: Stromstärke 80 % von dem Dynamikbereich Pegel wird langsam erhöht bis zu einer Bewertung >= 90 cu Pegel wird in großen Schritten erniedrigt bis zur Bewertung Unhörbar (0 cu) Pegel wird in kleinen Schritten erhöht bis zur Bewertung >= 10 cu Lineare Interpolation zwischen den Punkten 10 cu und >= 90 cu 4 Stromstärken werden berechnet. Haupttest 1. Block: Präsentation von diesen 4 Pegel Anpassung einer Modellfunktion an alle Daten (Vortest und 1. Block) 5 Pegel werden berechnet (10 cu, 30 cu, 50 cu, 70 cu and 90 cu) Haupttest 2. Block: Präsentation von diesen 4 Pegel Anpassung einer Modellfunktion an alle Daten 5 Pegel werden berechnet Haupttest n. Blocks: Der 2. Block wird wiederholt für höhere Genauigkeit

Illustration der Vortests Constant Stimuli: Adaptiv:

Die adaptive Prozedur Constant Stimuli: 7 Stimuli werden berechnet Jeder Stimulus 8-mal präsentiert Adaptiv: 5 Stimuli werden berechnet Einmal präsentiert 5 neue Stimuli werden berechnet Und so weiter

Die binaurale adaptive Prozedur Vortest (monaurale Lautheitsfunktionen müssen vorhanden sein): Start: Die 2 Pegel der 70 cu Stromstärken von den monauralen Daten Pegel wird in 5 cu Schritten erhöht bis zu einer >= 90 cu Beurteilung Pegel wird in großen 15 cu Schritten reduziert bis zu einer 0 cu Bewertung Pegel wird wieder in kleinen 5 cu Schritten erhöht bis zu einer > 0 cu Bewertung 2 x 4 Pegel werden durch lineare Interpolation zwischen den Punkten 10 cu und 90 cu (30 cu, 50 cu, 70 cu, 90 cu) berechnet (Vortest)

Die binaurale adaptive Procedur (Haupttest) Haupttest, 1. Block: 8 Pegel werden präsentiert Anpassung einer Modellfunktion an alle Daten 2 x 5 Pegel werden berechnet (10 cu, 30 cu, 50 cu, 70 cu, 90 cu) Haupttest, 2. Block 8 Pegel werden präsentiert Anpassung einer Modellfunktion an alle Daten 2 x 5 Pegel werden berechnet (10 cu, 30 cu, 50 cu, 70 cu, 90 cu) Haupttest, n-ter Block Der 2. Block wird wiederholt für höhere Genauigkeit

Experimente Testpersonen: 7 binaurale Cochlea-Implantat-Träger 5 postlingual Ertaubte: 3 mit Skala ( Nicht Hörbar Zu Laut ) 2 mit Skala ( Nicht Hörbar Sehr Laut ) 2 prelingual Ertaubte (Skala: Nicht Hörbar Sehr Laut ) Zwischen 1 und 4 Elektroden pro Testperson Insgesamt 20 bzw. 16 Elektroden wurden getestet (monaural bzw. binaural) Tests: Monaurale Constant-Stimuli -Prozedur (8 Präsentationen pro Pegel) Monaurale adaptive Prozedur (8 Blocks) Binaurale adaptive Prozedur (8 Blocks, mit Tonhöhe-angepassten Elektrodenpaaren) Binauraler Lautheitsabgleich (noch keine Resultate) Modellfunktion: Lineare Funktion mit einem Robust Least-Square Fit während der adaptiven Prozedur Eine modifizierte Funktion, angepasst an die Daten im Zuge der Analyse

Monaurale Lautheitsfunktionen

Datenanalyse: Antwortverhalten Die adaptive Prozedur hat eine bessere Verteilung der Stimuli, dadurch ein glätteres Histogramm und somit mehr Bewertungen Laut bis Zu laut.

Modellfunktion: Das Problem Die erste Idee: Potenzfunktion der Form y = a*x^p + b Hochzahlen: p > 1 p < 1 Probleme: Lautheitsfunktion schneidet nicht immer den Wert 0 cu. Dadurch große Ungenauigkeiten in der Repräsentation der Daten im leisen Lautheitsbereich Falsche Vorhersage für nicht gehörte Stimuli

Die modifizierten Modellfunktionen: Beispiele

Konvergenzverhalten der Lautheitsfunktion: Methode Konvergenz: die Funktion verändert sich nicht mehr von einer Probe bis zur Nächsten. Kriterium: Die absolute Fläche zwischen zwei Funktionen bezogen auf den Dynamikbereich. Resultat: Durchschnittliche Änderung der Lautheit

Konvergenz: Zwei nicht konvergente Typen

Konvergenz: Zwei konvergente Typen

Konvergenz: Resultate Monaurale Constant Stimuli -Prozedur: 80 % konvergent 30% konvergent (Median: 18) 40% unter der Schwelle von Anfang an 15% monoton steigend (Testdauer zu kurz) 5% zu grosse Steigung im Endbereich (Testdauer zu kurz) Monaurale adaptive Prozedur: 90 % konvergent 50% konvergent (Median: 21) 40% unter der Schwelle von Anfang an 10% monoton Steigend (Testdauer zu kurz) Binaurale adaptive Prozedur: 90 % konvergent 75% konvergent (Median: 27) 12.5% unter der Schwelle von Anfang an 12.5% monoton Steigend (Testdauer zu kurz)

Monaurale Lautheitsfunktionen

Binaurale Lautheitsfunktionen

Schlussfolgerungen Die adaptive Prozedur hat einen bessere Verteilung der Stimuli aufgrund der ständigen Neuberechnung und Anpassung an die Daten Die adaptive und die Constant Stimuli -Prozedur haben eine sehr ähnliches Konvergenzverhalten Die modifizierte Modellfunktion hat folgende Vorteile: Schnittpunkt mit dem Wert der Lautheit Unhörbar Bessere Repräsentation der Daten im niedrigen Lautheitsbereich Repräsentiert die hohen Lautheitsbereiche gleich gut wie die nicht modifizierte Potenzfunktion Die Konvergenzkriterien sind auf alle Datensätze der drei Prozeduren anwendbar und eindeutig Bis zu 90% der Lautheitsfunktionen sind nach 45 Trials konvergent