耳朵聽到的只是聲音，大腦理解了才能交流，那么大腦聆聽過程是怎樣的？

奧迪康腦聆聽研究表明，在自然聆聽過程中，大腦首先需要獲取完整的聲音場景，對周圍環(huán)境實現(xiàn)初步的分析，隨后大腦的子系統(tǒng)再對某些感興趣的聲音進行關(guān)注和分析。

當(dāng)發(fā)生聽力損失，需要助聽器來補償時，簡單的聲音環(huán)境（如安靜室內(nèi)一對一交談）并沒有給大腦和助聽器帶來多大挑戰(zhàn)，助聽器將聲音進行放大，就能讓大腦獲得足夠多的聲音信息，來進行關(guān)注和分析。

一旦環(huán)境變得嘈雜，比如到了餐廳中、馬路邊，聲音的動態(tài)、交雜和不可預(yù)測性為聆聽帶來了巨大的挑戰(zhàn)。普通的放大方式已無法支持聽損患者的大腦對環(huán)境變化實現(xiàn)動態(tài)感知，或?qū)χ匾穆曇粜盘枌崿F(xiàn)準(zhǔn)確判斷。

因此當(dāng)環(huán)境變得復(fù)雜時，大腦的聆聽難度加大，將更依賴于助聽器能否對環(huán)境中的各種聲音進行更加準(zhǔn)確的分析與處理，來為大腦提供高質(zhì)量的聲音信號。

嘈雜環(huán)境的特點就是聲音復(fù)雜多變，不斷移動。助聽器如何更好地區(qū)分出不同的聲音？如何更好地捕捉語音信息？

答案是：只有當(dāng)它從多層面學(xué)習(xí)和了解不同聲音的特征才能實現(xiàn)。

Own助聽器基于奧迪康當(dāng)前的Polaris平臺。與傳統(tǒng)助聽器不同，Own是具有深度神經(jīng)網(wǎng)絡(luò)人工智能算法(DNN)的定制式助聽器，該算法模型不僅可以模仿人類大腦的學(xué)習(xí)方式對各種聲音特征進行自主學(xué)習(xí)，并且經(jīng)過了大量真實聲音場景的學(xué)習(xí)和訓(xùn)練，已能夠更聰明地對各種復(fù)雜環(huán)境的聲音信號進行準(zhǔn)確識別與處理。

廣泛學(xué)習(xí)：Own的深度神經(jīng)網(wǎng)絡(luò)人工智能技術(shù)(DNN)，經(jīng)過1200萬聲音場景學(xué)習(xí)，能夠識別海量聲音及其細(xì)節(jié)。

數(shù)據(jù)訓(xùn)練：在開發(fā)過程中，通過大量復(fù)雜的真實聲音場景，訓(xùn)練其在不同聲音之間創(chuàng)建對比和平衡的能力，使它在不同環(huán)境下皆能還原完整、清晰、平衡的聲音畫面。

準(zhǔn)確識別：根據(jù)自主學(xué)習(xí)與開發(fā)訓(xùn)練獲得的成熟經(jīng)驗來識別處理不同聲音，幫助用戶在不同聆聽環(huán)境下更容易區(qū)分聲音和抓住語音。

對如此多種聲音進行學(xué)習(xí)與特征提取，是一個復(fù)雜與龐大的工程，而許多人工智能算法更依賴于人工的干預(yù)、硬性參數(shù)設(shè)定來學(xué)習(xí)，用于聲音學(xué)習(xí)容易存在缺漏與片面的情況。深度神經(jīng)網(wǎng)絡(luò) (DNN)不僅可以根據(jù)模型和大量的數(shù)據(jù)訓(xùn)練來進行自我學(xué)習(xí)，而且非常擅長處理龐大、復(fù)雜的數(shù)據(jù)集。

深度自主探索：DNN是深度學(xué)習(xí)算法的一種，是由3層以上的神經(jīng)網(wǎng)絡(luò)組成，相比于其他人工智能，它可自主從多個層面掌握不同聲音數(shù)據(jù)的復(fù)雜特征。

精細(xì)特征解析：DNN擅長處理龐大、復(fù)雜的數(shù)據(jù)集，這使它可以完成對大量聲音特征的提取，并將大部分的聲音特征提取為部分自動化。

智能優(yōu)化反饋：DNN接受結(jié)果反饋，只需告知其結(jié)果，便可對分析過程進行改進，對聲音數(shù)據(jù)做出有理有據(jù)的判斷。