Die Erfindung betrifft ein Verfahren zur Klassifikation und Anwendung von Filtern für Active Noise Control in Hörsystemen gemäß Anspruch 1.

Hörsysteme aller Art, seien es etwa Hörgeräte oder Kopfhörer (im weiteren Synonym für alle Arten von Hörsystemen verwendet) der Arten Over-ear, On-ear, In-ear, oder Ear-Buds, mit ANC (wird in dieser Anmeldung als Abkürzung für Active Noise Cancelling bzw. Active Noise Control und synonym mit ANR, also Active Noice Reduction, verwendet) sind vom Problem der tragesituationsabhängigen ANC-Performance betroffen. Ohren sind individuell sehr unterschiedlich und bei jedem aufsetzen bzw. einsetzen der Kopfhörer ändert sich die Tragesituation, was sich, insbesondere bei statischen, d.h. nicht adaptiven Systemen, in hohem Maße auf die ANC-Performance auswirkt. Zusätzlich besitzen Kopfhörer üblicherweise nicht überall und in jeder Tragesituation die gleiche passive Dämpfung, weshalb die passive Dämpfung des Kopfhörers je nach Einfallsrichtung variiert, und somit auch die ANC-Performance. Um diese Einflüsse zu Kompensieren und immer eine optimale ANC-Performance zu gewährleisten, muss ein System die aktuelle Tragesituation/Störschall- Einfallsrichtung evaluieren und die Filter des ANC-Kreises anpassen. Ein typischer Ansatz sind adaptive Filter, wobei Least Mean Squares (LMS) am weitesten verbreitet ist. In der Praxis ergeben sich mit diesem Ansatz jedoch Probleme: Für die adaptive Regelung wird üblicherweise eine identische Abtastrate für das Filter und den LMS Algorithmus vorausgesetzt. Das ist in Integrated Circuits (ICs) üblicherweise jedoch nicht der Fall, da Audioverarbeitung bei hohen Abtastraten (z.B. 384kHz) und Regelung bei niedrigen Abtastraten (z.B. 16kHz) erfolgt. Für adaptive Filter gibt es nur aufwändige Lösungen für das Problem, etwa die Interpolation für höhere Abtastraten oder Frequency-Warping (sofern die Hardware dies überhaupt zulässt). Ein weiteres Problem ist die Messung. Da ein adaptives Filter versucht ein Fehlersignal zu minimieren, bezieht sich das in diesem Fall auf das Signal am Feedback-Mikrophon eines Hybrid- ANC Systems (d.h. eines Systems mit einem Feedback- und einem Feedforward-Pfad). Dieses befindet sich jedoch nicht am Trommelfell des Trägers, die Wahrnehmung der ANC-Wirkung durch den Träger oder die Trägerin wird daher, etwa aufgrund der Unterschiede im Gehörgang, vom Optimum des Filters abweichen. Es wurden daher im Stand der Technik einige Versuche Unternommen die ANC-Qualität zu verbessern. Die US 9,773,490 B2 offenbart ein Verfahren bei dem eine akustische Leckage zwischen einem Lautsprecher eines Kopfhörers und einem Fehlermikrophon gemessen oder geschätzt und das Rückkopplungssystem entsprechend angepasst wird, um Instabilitäten des ANC- Systems zu vermeiden. Basis für dieses Verfahren ist das Vorhandensein eines Nutzsignals (Source Signal) welches am Referenzmikrofon gemessen wird. Problematisch daran ist, dass in einem typischen Anwendungsfall von ANC Systemen kein Source Signal zur Verfügung steht.

Die US 9,142,205 B2 offenbart weiters ein Verfahren, das die akustische Leckage zwischen Lautsprecher und Fehlermikrophon misst oder schätzt und das rückgekoppelte ANC-System so anpasst, dass ein Teil des Wiedergabesignals, der am Referenzmikrophon ankommt, nicht ausgelöscht wird. Nachteilig an diesem Verfahren ist, dass lediglich auf ideale Nutzsignal Wiedergabe-Performance optimiert wird.

Die US 9,516,407 B2 zeigt ein Verfahren zur Schätzung der Transferfunktion eines ANC- Systems. Nachteilig darin ist, unter Anderem das komplexe zweistufige Verfahren der Filterauswahl.

Es ist Ziel und Aufgabe der Erfindung ein Verfahren zur Verfügung zu stellen, das die Erkennung und entsprechende Anpassung des ANC-Systems auf den Nutzer und dessen individuelle physische Eigenschaften sowie dessen Tragesituation ermöglichen und dafür auf die Tragesituation angepasste, im Vorfeld bestimmte und auf einem Speicher hinterlegte Filter auswählt, um die ANC-Eigenschaften eines Kopfhörers, in dem das Verfahren angewendet wird, zu optimieren.

Erfindungsgemäß werden diese Ziele durch ein Verfahren zur Klassifikation und Anwendung von ANC-Systemen in Kopfhörern erreicht, dass die im Anspruch 1 angegebenen Verfahrensschritte aufweist. Mit anderen Worten wird ein Verfahren verwendet, das die Tragesituation und Störschall-Einfallsrichtung von ANC-Kopfhörem sowie die physischen Eigenschaften (z.B. Ohrform, Kiefer-/Schädelform,. . .) der die Kopfhörer tragenden Person identifiziert und mittels eines klassifizierenden Algorithmus, aus einer Vielzahl von Filtern den auf die jeweilige Tragesituation und Geräuschumgebung bestgeeigneten Filter auswählt, so dass dieser für das ANC-System angewendet werden kann. Ein wesentlicher Vorteil des Verfahrens ist es das ANC-System Abtastraten-unabhängig vom den Filter wählenden System arbeiten zu lassen. Die unabhängige Umsetzung zwischen dem den Filter wählenden System Teil und ANC-System-Teil ermöglicht eine energieeffizientere und fehlerresistentere Implementierung.

Bevor das Verfahren zur Anwendung kommen kann, müssen für einen Kopfhörer, der das erfindungsgemäße Verfahren verwendet, Messungen durchgeführt und die Üb ertragungs strecken für unterschiedliche Ohren (die bei jedem Träger anders geformt sind), Tragesituationen und Störschalleinfallsrichtungen in unterschiedlichen Umgebungen ermittelt werden. Diese Messungen werden in einer kontrollierten Umgebung (z.B. akustisches Labor) an einem oder mehreren Kopfhörern des gleichen Modells durchgeführt. Auf Basis dieser Messungen wird ein Satz Filter ermittelt, welcher die unterschiedlichen Situationen (bzw. Mittelungen aus diesen) abdeckt. Dieser Filtersatz repräsentiert ein möglichst breites Feld von Situationen, in denen Störschall auftreten kann, von Straßenlärm, über Turbinenlärm, der Geräuschkulisse eines Kaffeehauses bis hin zu spielenden Kindern. Den Technikern sind hier aufgrund des kontrollierten Umfelds des akustischen Labors kaum Grenzen gesetzt.

Für eine gewählte Abtastrate werden diese Filter auf einem im Kopfhörer befindlichen Speicher hinterlegt (gespeichert). Je nach Topologie des im Kopfhörer verwendeten ICs können diese (abgelegten) Filter FIR (finite impulse response) oder IIR (infinite impulse response) Koeffizienten sein. Im Betrieb der Kopfhörer trifft dann ein neuartiger klassifizierender Algorithmus die Entscheidung welcher Satz Filter-Koeffizienten derzeit die beste ANC Performance liefert und wendet diese Filter in der Audiokette an. Der Vorgang der Adaption umfasst für eine typische Anwendung erfindungsgemäß folgende Schritte:

1) Klassifizierung welcher Satz Koeffizienten die beste Performance liefert.

2) Anwenden des selektierten Koeffizienten-Satzes in der Audio- Verarbeitung.

3) Anpassen der Verstärkung des aktuellen Filters.

4) Stoppen der Adaption, solange die Performance gut bleibt, Starten der Adaption, sobald die Performance einen Schwellwert überschreitet sowie Stoppen der Adaption bei Störereignissen, die der Regelung hinderlich sind (z.B. Kau-Bewegungen u.Ä.). Die Erfindung wird nachfolgend anhand der Figuren näher erläutert. Dabei zeigt

Fig. 1 eine schematische Darstellung des Verfahrens,

Fig. 2 ein Anwendungsbeispiel des Verfahrens nach Fig. 1 und

Fig. 3 ein Flussdiagramm des Klassifizierers eines Verfahrens nach Fig. 1 oder Fig. 2.

Fig. 1 zeigt eine schematische Darstellung des erfindungsgemäßen Verfahrens, bei dem ein klassifizierender Algorithmus die Entscheidung trifft, welches Filter, definiert durch einen Satz von Koeffizienten, derzeit die Beste ANC Performance liefert und diese Filter in der Audiokette anwendet. Das Verfahren umfasst dabei ein Hörsystem mit zumindest einem Feedforward-Mikrofon und zumindest einem Feedback-Mikrofon, zumindest einem Lautsprecher, zumindest einem aus einem Speicher und zumindest einer Prozessoreinheit bestehenden Integrated Circuit, zumindest einem Feedback-Pfad und zumindest einem Feedforward-Pfad und durchläuft dabei mehrere Schritte: a) Empfang eines als Feedback-Mikrofonsignal bezeichneten Audiosignals durch das zumindest eine Feedback-Mikrofon (FB-Mikrofon) und eines als Feedforward Mikrofonsignal bezeichneten Audiosignals durch das zumindest eine Feedforward- Mikrofon (FF-Mikrofon). al) Optional: Pre-Filtering des Audiosignals, wobei dafür klassische Hochpass-, Tiefpass-, Bandpass-, o.ä. Filter in Frage kommen (siehe auch Fig. 2). Aufgabe des Pre-Filters ist es z.B. den frequenzbezogenen Bandbreitebereich für die ANC Optimierung einzuschränken und/oder zu gewichten. b) Schätzung der Transferfunktion des Feedback-Pfades (FB-Pfad) auf Basis des Vergleichs von innerem (Feedback) Mikrofonsignal und Signal des Lautsprechers (Speakersignal), wobei ein adaptiver Algorithmus (zu adaptiven Algorithmen gehören beispielsweise alle LMS-Varianten inklusive dem neuen PEAK-LMS, RLS, affine Projektion oder auch Algorithmen basierend auf Kreuzkorrelation) zur Schätzung der Transferfunktion verwendet wird, wobei sowohl Varianten im Zeitbereich, wie im Frequenzbereich (Subband/ Frequency -Domain LMS) möglich sind. c) Berechnung verschiedener, nicht notwendigerweise aller aber mindestens einer, relevanter Eigenschaften aus der Transferfunktion des Feedback-Pfades. Dabei kann es sich um eine, mehrere, oder alle der folgenden Eigenschaften handeln: Totale Verstärkung, temporal Centroid, mittlere Energie, Enveloppe, Anstiegszeit der Enveloppe, Scheitelfaktor, Autokorrelation, Histogramm, Spectral Flatness Measure oder auch Kurtosis. Die Berechnung erfolgt mit der Fachperson aus dem Stand der Wissenschaft bekannten Algorithmen. d) Bestimmung des Performance-Indikators anhand des Pegels am Feedback-Mikrofon in Relation zum Feedforward-Mikrofon. e) Wahl eines Koeffizientensatzes durch einen klassifizierenden Algorithmus, auf Basis der in c) bestimmten Relevanten Eigenschaften der Transferfunktion und des in d) bestimmten Pegels, wobei es zwei Möglichkeiten gibt: Entweder der klassifizierende Algorithmus (folgend „Klassifizierer“ genannt) gibt diskret eine Klasse aus, der ein auf einem im Kopfhörer befindlichen Speicher hinterlegten Satz Filter zugeordnet ist, oder der Klassifizierer gibt eine eindimensionale Funktion aus. Als klassifizierende Algorithmen geeignet sind beispielsweise: Decision Tree, Support Vector Machine, Multivariate Gauss oder Neural-Network. Bevorzugte Umsetzungen sind Decision Tree und nichtlineare mehrschichtige neuronale Netze. Das Training des klassifizierenden Algorithmus erfolgt üblicherweise offline, d.h. in Laborumgebung. Im Fall einer diskreten Ausgabe erfolgt die Entscheidung für einen Filter, indem der klassifizierende Algorithmus, der auf die Auswahl eines Filters trainiert wurde, einen konkreten Filter aus der Liste der hinterlegten Filter auswählt. Im Fall einer eindimensionalen Funktion gibt es einen Quantifizierer, der jedem Wertebereich eine Filterfunktion zuordnet. In beiden Fällen ist jeder Klasse ein Satz Filterkoeffizienten zugeordnet, die dem Lookup Table (LUT) entnommen werden können. Die eindimensionale Funktion ist besonders vorteilhaft bei Verwendung eines neuronalen Netzes. Ein neuronales Netz als Klassifizierer hat für jede Klasse ein Neuron in der Ausgabeschicht. Dies bedeutet einen gewissen Rechenaufwand, welcher reduziert werden kann wenn das Netz auf ein einzelnes Ausgabe-Neuron reduziert wird. In diesem Fall durchläuft das Ausgabe Neuron die Klassen (hier der LUT). In diesem Sinne wird die Ausgabe des Netzes als eindimensionale Funktion verstanden, welche quantisiert dem LUT zugwiesen wird. f) Anwendung des in e) gewählten Koeffizientensatzes des Filters im aktuellen Feedback- Audiopfad, d.h. die Koeffizienten werden in den aktuellen Feedback- Audiopfad FB(z) (symbolisiert durch die schrägen Pfeile für einen veränderlichen Funktionsblock) kopiert oder es wird ein Verweis zur Startadresse der Koeffizienten gemacht g) Mit aktiviertem FB-ANC erfolgt eine Schätzung des Feedforward-Pfades (FF-Pfad) auf Basis des Vergleichs von unter a) bestimmtem äußeren (Feedforward) und innerem (Feedback) Mikrofonsignal, wobei ein adaptiver Algorithmus (LMS oder Vergleichbares, siehe auch Pkt. b) zur Schätzung der Transferfunktion des FF-Pfads verwendet wird, wobei sowohl Varianten im Zeitbereich wie im Frequenzbereich (Subband/Frequency-Domain LMS) möglich sind. h) Berechnung verschiedener, nicht notwendigerweise aller aber mindestens einer, relevanter Eigenschaften aus der Transferfunktion des Feedforward -Pfades, analog zu Punk c). Dabei kann es sich um eine, mehrere, oder alle der folgenden Eigenschaften handeln: Totale Verstärkung, temporal Centroid, mittlere Energie, Enveloppe, Anstiegszeit der Enveloppe, Scheitelfaktor, Autokorrelation, Histogramm, Spectral Flatness Measure oder auch Kurtosis. Die Berechnung erfolgt mit der Fachperson aus dem Stand der Wissenschaft bekannten Algorithmen. i) Bestimmung eines Performance-Indikators durch referenzieren des Feedback- Mikrophon- Signals (FB-Mic-Signal) auf das Feedforward-Mikrophon-Signal (FF- Mic-Signal), analog zu Punk d). Dieser zeigt die derzeitige ANC Performance des Systems. Die Referenzierung ist beispielweise eine Division und erfolgt bevorzugt im Frequenzbereich, kann jedoch, falls erforderlich, auch im Zeitbereich stattfinden. Im Fall der Division im Zeitbereich erfolgt eine Mittelung der Signale und Gleichrichtung vor der Division und nachfolgend eine zusätzliche Glättung mit einer optionalen Filterung für Fokus auf Frequenzbereiche. Für den Fall der Division im Frequenzbereich ist auch eine Glättung sinnvoll bzw. möglich. Im Fall einer Glättung deren Ausgabe als Performance-Indikator herangezogen. Die Glättung stellt in diesem Sinne eine Form der Mittelung der Ergebnisse der Division über einen definierten Zeitraum dar. Der entsprechende Zeitraum lässt sich in, für die Anwendung sinnvollen Grenzen, frei definieren. j) Die in h) geschätzten Transferfunktionen und der in i) bestimmte Performance- Indikator werden als Eingaben eines klassifizierenden Algorithmus, in Fig. 1 als Block „Entscheidung“ dargestellt, verwendet, der damit einen Koeffizientensatz, entweder durch Ausgabe einer diskreten Klasse auswählt, die einem auf dem im Kopfhörer befindlichen Speicher hinterlegten Satz Filter zugeordnet ist, oder durch Ausgabe einer eindimensionalen Funktion, die einen auf dem im Kopfhörer befindlichen Speicher hinterlegten Satz Filter auswählt, wobei die meisten klassifizierenden Algorithmen geeignet sind. Beispiele dafür sind wieder: Decision Tree, Support Vector Machine, Multivariate Gauss, Neural-Network. Bevorzugte Umsetzungen sind Decision Tree und nichtlineare mehrschichtige neuronale Netze. Das Training des klassifizierenden Algorithmus erfolgt analog zu Pkt. e) üblicherweise offline, d.h. in Laborumgebung. Alle in Punkt e) betreffend diskrete Filterklassen und eindimensionale Funktionen getätigte Aussagen sind auch auf diesen Fall anwendbar. k) Anwendung der in j) gewählten Filterfunktion, d.h. die Koeffizienten werden in den aktuellen Feedforward- Audiopfad FF(z) (symbolisiert durch die schrägen Pfeile für einen veränderlichen Funktionsblock) kopiert oder ein Verweis zur Startadresse der Koeffizienten gemacht. l) Neujustierung der Filter durch erneuten Durchlauf des erfindungsgemäßen Verfahrens, wobei entweder das gesamte Verfahren ab Pkt. a) erneut durchlaufen wird, oder aber nur eine Anpassung des FF-Filters (Durchlauf des Verfahrens ab Pkt. g) erfolgt. Erfolgt nur eine Anpassung der FF-Filter, so erfolgt zwischen f) und g) erneut der Empfang und die Verarbeitung das FF-Mikrofonsignals. Sofern eine Anpassung des FB-Filters erfolgt, erfolgt daher immer auch eine Anpassung des FF- Filters, umgekehrt ist eine Anpassung des FF-Filters aber ohne Anpassung des FB- Filters möglich. Die Anpassung des FB-Filters erfolgt daher höchsten gleich oft wie die Anpassung des FF-Filters. Die Entscheidung ob nur der FF-Filter angepasst wird, oder FF- und FB-Filter angepasst werden müssen kann entweder durch ein definiertes Schema fest vorgegeben sein, durch Usereingabe festgelegt werden, oder durch einen Algorithmus (z.B. auf Basis der Performance-Indikators, des Schalldrucks, oder eines ähnlich geeigneten Maßstabs für die Systemqualität) entschieden werden. Die Anwendung der Pre-Filter aus Pkt. al) erfolgt optional. Für ein System mit mehreren FF- bzw. FB-Mikrofonen bzw. Lautsprechern müssen analog dazu auch für jede der gewünschten Kombinationen die FF- bzw. FB-Pfade bestimmt werden. Dieser Schritt ist für die Fachperson in Kenntnis der Erfindung logisch und ohne weitere Erklärungen ausführbar. Es wurde in obiger Verfahrensbeschreibung dennoch zu besseren Lesbarkeit des Beispiels die Einzahl der Komponenten gewählt.

Falls eine Gain-Regelung (Verstärkung) Teil des Systems ist, kann das Gain des Filters optional entweder vor, parallel, oder nach der Filterselektion angepasst werden. Hierzu ist zu bemerken, dass die geschätzte und die angewandte Transferfunktion unterschiedlich sein können. Hat sich der Klassifizierer für eine Klasse (bestimmt durch z.B. durch die Tragesituation) entschieden werden die der Klasse zugewiesenen Filterkoeffizienten im ANC- Pfad angewandt. Das Filter, basierend auf den gewählten Koeffizienten, kann in unterschiedlichen Tragesituationen die Richtige Wahl sein solange das Gain korrekt angepasst wird. Dadurch kann der Fall auftreten, dass rein mathematisch gesehen ein anderes Filter besser geeignet wäre, das gewählte Filter aber aufgrund des Gains ausreichend stark wirkt, um noch keine Anpassung des Filters auszulösen. Es gibt daher in diesem Fall ein Zwischenspiel des Gain-Schätzers und des Klassifizierers. Ein Gainschätzer kann ein PID-Controller, LMS (mit einem Koeffizienten) oder Kreuzkorrelation sein.

Der Koeffizientensatz kann neben den bereits erwähnten FF- und FB-Filtem (in Abb.l als FF(z) und FB(z) dargestellt) auch unterschiedliche Koeffizienten für die Audiowiedergabe beinhalten. Wie auch bei den ANC-Pfaden ist der Audiowiedergabepfad nicht nur von der Audioquelle (Audiostream Quelle in Fig. 1), sondern auch von der Tragesituation und den physischen Eigenschaften (z.B. Ohrform, Kiefer-/Schädelform,. . .) der die Kopfhörer tragenden Person veränderbar und sollte im optimalen Fall mit angepasst werden. Dieses veränderbare Filter für die Audiowiedergabe (bzw. Nutzsignalwiedergabe wie beispielsweise Musik) ist in Abb. l als Audio(z) dargestellt.

Es ist mit dem außenliegenden Mikrofon auch möglich die außenliegenden Schallereignisse bzw. die umgebende Geräuschkulisse der Audiokette zuzuführen, bei Bedarf auch durch ein Filter verändert. Eine derartige Wiedergabe des Außenschalls wird als Ambient Mode, Transparency Mode, Talk Through, Hear Through, etc. bezeichnet und ist in Abb. l als „Ambient“ dargestellt. All diese beschriebenen Audioketten (ANC-Pfade, Audiowiedergabepfad und Ambient-Pfad) werden vor der Wiedergabe über einen Mixer zusammengeführt. Dieser kann ebenso wie auch die Einzelpfade mit einem variablen Gain ausgestattet sein.

Die finale Wiedergabe der Audiokette kann über diverse Systeme wie beispielsweise dynamische Lautsprecher, balanced armature Treiber, MEMS-speaker, bone-conduction Systeme, etc. erfolgen und ist in Abb.l als Lautsprecher dargestellt.

Die Wahl der Filterfunktion und die Berechnung des Gains können gleichzeitig oder abwechselnd (Ping-Pong-Modus) erfolgen. Unter gleichzeitig wird hier verstanden, dass der durchführende Prozessor die Berechnungsergebnisse am Ende des berechnenden Taktes gleichzeitig dem System zur Verfügung stellt. Die Dauer eines Berechnungszyklus bei abwechselnder Wahl der Filterfunktion und Berechnung des Gains (Ping-Pong-Modus) ist variabel wählbar. Beispielsweise kann das System für 100ms die Schätzung der Transferfunktion konvergieren lassen, dann für 100ms das Gain anpassen, dann wieder die Transferfunktion schätzen, usw. Variationen von diesem Schema sind für die Fachperson in Kenntnis der Erfindung leicht verständlich und durchführbar.

Fig. 2 zeigt ein Anwendungsbeispiel des Verfahrens nach Fig. 1, bei dem die Wahl der Filterfunktion und die Berechnung des Gains gleichzeitig erfolgen. Wie in der Beschreibung zu Fig. 1 erläutert kann das Gain des Filters optional entweder vor, parallel, oder nach der Filterselektion (siehe Pkt. e) bzw. j) in der Beschreibung zu Fig. 1) angepasst werden. Diese Variante der zeitgleichen Gain/Filter Adaptierung verwendet als maßgebliches Steuerelement den Gain-Regler welcher den Wechsel zwischen den Filterfunktionen initiiert bzw. forciert. Der Verfahrensablauf des in Fig. 2 dargestellten Beispiels ist daher analog zu jenem in Fig. 1, mit Folgenden Unterschieden:

I. Nach einer erstmaligen Anpassung des FB- und FF-Filters kann die Verstärkung des Filters angepasst werden (dargestellt als Variable Gain).

II. Der Pegel am Feedbackmikrofon (Pkt. a) in der Beschreibung zu Fig.l) und am Feedforwardmikrofon (Pkt. g) in der Beschreibung zu Fig.l) und/oder der Perfomance-Indikator (Pkt. i) in der Beschreibung zu Fig.l) werden benutzt, um die für die Tragesituation ideale Filterverstärkung (Funktionsblock „Schätzung Gain“) zu bestimmen.

III. Diese Information wird im Block zur Schätzung der Transferfunktion des FF -Filters (FF(z); Pkt. j) in der Beschreibung zu Fig.l) berücksichtigt und zur Klassifizierung und Anwendung des zum idealen Verstärkungswert passenden Koeffizienten-Satzes in der Audio-Verarbeitung verwendet (Pkt. k) und folgend in der Beschreibung zu Fig.1).

IV. Die Adaption der Verstärkung (des „variable Gain“ in Fig. 2) stoppt bei Störereignissen die der Regelung hinderlich sind (Kau-Bewegungen u.ä.).

Ein Gainschätzer aus Schritt II. kann ein aus der Regelungstechnik bekannter PID-Regler, ein LMS-Algorithmus (mit einem Koeffizienten) oder eine Kreuzkorrelationfunktion sein, (siehe oben)

Bezüglich Schritt IV. (stoppen oder starten der Adaption) gibt es mehrere Subsysteme: Zum einen gibt es für die unterschiedlichen Teile des Systems je einen Noisefloor, d.h. einen unteren Schwellwert der durch die Sensorempfmdlichkeit als absolute Grenze gegeben sein kann, oder für den Algorithmus fest definiert werden kann. Ist dieser unterschritten wird die Adaption gestoppt. Ein Beispiel hierfür ist eine ruhige Umgebung: Da kaum Energie im akustischen Signal vorhanden ist können nur schlechte Schätzungen durchgeführt werden und für gute eine ANC-Performance nicht relevant, da die Umgebung ohnedies leise ist. Daher ist ein Stopp des Systems zu bevorzugen, da es sonst im ungünstigsten Fall zu Störgeräuschen durch das ANC-System selbst kommen kann. Um in diesen Situationen einen definierten Zustand zu gewährleisten ist es vorteilhaft auf ein typisches Filter statisch auszuweichen. Es wird daher für den Algorithmus ein Default-Filter festgelegt, der in solchen Situationen herangezogen werden kann, um diesen, für den Algorithmus bekannten, definierten Zustand zu erreichen.

Bei Umgebungen mit ausreichendem Energiegehalt, d.h. bei einer Geräuschkulisse, die ausreichend stark für den Algorithmus ist, also oberhalb eines Schwellenwerts liegt, wird die Adaption der Filter nur pausiert wenn die Performance (angezeigt durch den Performance- Indikator) ausreichend gut ist oder Störereignisse detektiert werden. Die Schwellenwerte zum Starten und Stoppen der Adaption auf Basis des Indikators können wie bereits beschrieben statisch oder adaptiv sein und ändern sich in letzterem Fall mit einer Langzeit-Mittelung der ANC-Gesamtperformance. Im adaptiven Fall versucht der Algorithmus ein Geräuschminimum zu erreichen. Je nach akustischer Umgebung und Sitz des Hörers kann jedoch nicht immer eine optimale Performance erreicht werden. Ein Stoppen der Adaption ist nötig, um Grenzfälle zu verhindern in denen der Klassifizierer konstant zwischen 2 Zuständen (beispielsweise zwei Filtern) schalten würde. Ein Pausieren bei Störereignissen ist dann vorteilhaft, um Fehladaption zu verhindern. Dafür wird ein Referenzschwellenwert festgelegt, dem das geglättete Signal zugeführt wird. Die Entscheidung, ob eine Adaptierung erfolgt, wird durch einen Schwellenwertschalter getroffen, der üblicherweise eine Hysterese besitzt. Der Performance-Indikator verhindert damit auch ein zu häufiges Springen zwischen Filtern.

Selbst wenn die Adaption der Transferfunktionsschätzung gestoppt wird, kann vorgesehen werden, dass der Klassifizierer auf den aktuellen Wert der Gain-Schätzung achtet: Ist der Wert der Gain-Schätzung über einen definierten Zeitraum auf seinem Maximum oder Minimum kann der Klassifizierer in die nächsthöhere oder -tiefere Filterklasse schalten. Die Begründung hierfür ist, dass bei z.B. konstant hohem Gain ein benachbartes Filter vermutlich bessere Ergebnisse bei mittlerem Gain liefert, was durch die Transferfunktions-Schätzung aber nicht abgebildet wurde.

Im einfachsten Fall achtet der Klassifizierer lediglich auf die Gain-Schätzung, da die Transferfunktion im Extremfall nur von der Gain-Schätzung abhängig gemacht werden kann, und schaltet Klassen entsprechend dieser Information.

Fig. 3 zeigt das Flussdiagramm des in den Beispielen zu Fig. 1 und Fig. 2 verwendeten Klassifizierers mit einem optionalen Timer, der für die Ping-Pong-Varianten Verwendung findet. Der Timer besitzt einen Duty-cycle, ähnlich einer periodischen Rechteckfunktion, und erfüllt die Aufgabe zwischen Gain-Schätzung und Klassifizierer umzuschalten. Ein analog dazu ausgestalteter Timer kann auch verwendet werden, um die Abfolge der Adaptierungsdurchläufe für FB- und FF-Filter zu steuern (Pkt. 1) in der Beschreibung zu Fig l).

Fig. 4 zeigt ein Flussdiagramm, das die Filterauswahl durch den klassifizierenden Algorithmus (Klassifizierer) zeigt, wobei das Schema beim ersten Durchlauf erst ab Unterpunkt g) des Verfahrensablaufs gilt. Darin wird ein adaptiver Algorithmus (siehe Pkt. b) oder h)) zur Schätzung der Transferfunktionen des FF-Pfads und/oder des FB-Pfads verwendet und eine Performance-Indikators verwendet, welcher durch Referenzierung des Feedback-Mikrophon-Signals auf das Feedforward-Mikrophon-Signal bestimmt wird (siehe Pkt. i)). Die vom adaptiven Algorithmus geschätzten Transferfunktionen und der Performance-Indikator dienen als Eingang des klassifizierenden Algorithmus. Die geschätzte Transferfunktion liefert dem klassifizierenden Algorithmus dabei die Charakteristik der aktuellen Tragesituation basierend auf dem Energiegehalt des Umgebungsschalls, er „erkennt“ also die Situation und versucht auf Basis der Transferfunktion das richtige Filter auszuwählen. Der Performance-Indikator andererseits zeigt dem klassifizierenden Algorithmus auf ob das gewählte Filter für die analysierte und klassifizierte Situation ausreichend geeignet ist, oder ob ein besseres Filter gewählt werden muss. Beide Parameter zusammen verarbeitet der Klassifizierer. Dies geschieht indem der klassifizierende Algorithmus, etwa ein neuronales Netzwerk, basierend auf seinem Vorab-Training den Missmatch zwischen Messpunkt (FB-Mikrofon) und Soll-Punkt (Trommelfell) abbildet. Diese Information dient dazu auf Basis der vom adaptiven Algorithmus geschätzten Transferfunktion zu erkennen, welchem Missmatch welches geeignete Filter zugeordnet ist. Das ermittelte Filter wird aus dem auf dem IC hinterlegten Lookup-Table (LUT) entnommen. Das aus dem LUT entnommene Filter wird in weiterer Folge im FF- bzw. FB-Pfad angewendet.

Der Vorteil bei der Verwendung eines solchen Klassifizierers gegenüber adaptiven Filtern ist die Möglichkeit Messungen im Vorfeld (z.B. in speziellen Labors durch eine Fachperson) durchzuführen, welche unterschiedliche Bedingungen erlauben, wie einen reflexionsarmen Raum oder ein diffuses Schallfeld. Außerdem können die Filter für andere Abtastraten berechnet werden als die Abtastrate des Klassifizierers. So ist es üblich, dass Klassifizierer mit Abtastraten <50 kHz arbeiten, während Filter mit >300 kHz angewendet werden. Ein weiterer großer Vorteil der Erfindung gegenüber einem adaptiven System, das die Filter in Echtzeit berechnet, ist die Möglichkeit die Filter beispielsweise mit in-situ Messungen zu ermitteln, also mit Sondenmikrofonen nahe dem Trommelfell (i.d.F. Zielpunkt).

Eine weitere besonders vorteilhafte Eigenschaft des Klassifizierers ist, dass der LUT von der Transferfunktionschätzung getrennt ist und eine beliebige Klassifizierung erfolgen kann. Im Unterschied dazu sei aus dem Stand der Technik (US 9,516,407 B2) zu erwähnen, dass die Transferfunktion zum Zielpunkt im Zuge der laborbasierten Charakterisierungsmessungen im LUT bereits inhärent vorliegt und nicht wie in der Anmeldung US 9,516,407 B2 geschätzt und appliziert wird. Die Transferfunktionschätzung ist limitiert auf ihre Referenzpunkte: beispielsweise die Mikrofone (Feedforward und Feedback). Die Filter im LUT können für einen beliebigen Zielpunkt erstellt werden, welcher nicht notwendigerweise den Mikrofonpunkten entsprechen muss. Der Klassifizierer wird so trainiert, dass er den Unterschied zwischen Mikrofonpunkt und Zielpunkt abbildet.

Beispiel: Die Filter im LUT werden für den Zielpunkt (möglichst nahe dem Trommelfeldpunkt) entworfen. Die Transferfunktionschätzung optimiert für den Feedback- Mikrofonpunkt. Der Klassifizierer wird in einer Laborumgebung mittels In-Situ-Messung für den Zielpunkt trainiert in Referenz zu den Mikrofonpunkten (Feedforward und Feedback).

Die Filter werden in Abhängigkeit von Shape und Gain hierarchisch nach Klassen sortiert in einer Filter-Matrix angeordnet, dadurch sind sequentielle Sprünge möglich und es wird dem Algorithmus erlaubt bei Grenzfällen zwischen zwei Filtern mit leicht unterschiedlichem Shape, oder zwischen leicht unterschiedlichem Gain zu variieren.

Ein großer Vorteil dieses Verfahrens gegenüber adaptiven Filtern liegt darin, dass nur sinnvolle Filter auf dem Speicher hinterlegt sind. Der ANC-Algorithmus läuft daher nicht Gefahr an lokalen Optima hängen zu bleiben. Das System ist damit in jedem Fall stabil und erzeugt auch keine Artefakte (z.B. Hiss-Noise).

Eine besonders bevorzugte Ausgestaltung dieses Verfahrens nutzt statt nur eines klassischen LMS-Algorithmus einen eine Kombination eines klassischen LMS-Algorithmus und eines PEAK-Filters im Sinne der Anmeldung PCT/EP2022/068392, veröffentlicht als WO2023280752A1 am 12. Jänner 2023. Auf diese Weise übertragen sich die Vorteile der zitierten Anmeldung auf die hier dargestellte Applikation.

Zusätzlich kann jeder Klasse (neben Feedforward- und/oder Feedback-Filter) auch ein Audio- Playback-Filter zugewiesen werden. Dieses ist für Abspielen einer Audioquelle gedacht (z.B. Bluetooth -Audio oder 3.5mm Klinke) und hat die Aufgabe bei veränderter Tragesituation das Klangbild konstant zu halten. Der Feedback-Pfad ist definiert als eine als Transferfunktion beschriebene Üb ertragungs strecke zwischen einem internen, in der Nähe des Lautsprechers befindlichen, Feedback-Mikrofon und dem Lautsprecher. Der Feedforward-Pfad ist definiert als die errechnete Übertragungsstrecke (Transferfunktion) basierend auf der Transferfunktion des FF-Mikrofons, der internen Transferfunktion der Lautsprecher (Kopfhörerlautsprecherfrequenzgang) und der Transferfunktion der passiven Dämpfung (mechanisches System). Zusammenfassend lässt sich sagen, dass die Erfindung ein Verfahren zur Klassifikation und Anwendung von akustischen Filtern für Active Noise Control in Hörsystemen betrifft, wobei die Filter im Vorfeld bestimmt und auf einem Speicher im Kopfhörer hinterlegt werden. Während des Tragens des Kopfhörers ist es so möglich schnell und effizient ein bestimmtes Filter auszuwählen und anzuwenden, um so die ANC-Performance und -Stabilität zu verbessern.