Evaluation of Electroacoustic Test Signals I: Comparison with Amplified Speech
Notice bibliographique
Résumé
In Brief Objective To evaluate the ability of clinical test signals to match the aided levels of real speech, across a range of hearing aid circuit types and strengths. Design Hearing aids (N = 41) were set to DSL targets for moderate, severe, and profound hearing losses. These hearing aids were tested with three test signals (Fonix Pure Tones, Fonix Composite Noise, and Audioscan Swept), as well as with running speech. The difference between the aided test signal and the aided speech was calculated. Results Accuracy of matches between aided test signals and aided speech levels depended on circuit type, signal type, and test level. Conclusions Clinical test signals can more accurately match the aided levels of speech for all types of hearing aids if they are 1) speech-weighted and 2) temporally modulated. Matches were more accurate at low to moderate test levels (i.e., 50 to 70 dB SPL), and less accurate at high test levels (i.e., 85 dB SPL). Selection of amplification includes matching appropriate electroacoustic characteristics of the hearing aid to the auditory characteristics and needs of the patient. This is done with a prescriptive formula, which provides a target frequency/gain function intended to amplify speech to given target levels across frequencies. A variety of clinical test signals then can be used to verify that the hearing aid meets the intended amplification targets. This study evaluated the ability of clinical test signals (some of which are more speech-like than others) to match the aided levels of real speech across a range of hearing aid circuit types and strengths. Accuracy of matches between aided test signals and aided speech levels depended on circuit type, signal type, and test level.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».