25dga163 10.3205/25dga163 urn:nbn:de:0183-25dga1636 Meeting Abstract Jehn Jehn Constantin C

Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen, Deutschland

author Vavatzanidis Vavatzanidis Niki K. NK

Universitätsklinikum Carl Gustav Carus, Ear Research Center Dresden, Dresden, Deutschland

author Hahne Hahne Anja A

Universitätsklinikum Carl Gustav Carus, Ear Research Center Dresden, Dresden, Deutschland

author Reichenbach Reichenbach Tobias T

Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen, Deutschland

author German Medical Science GMS Publishing House

Düsseldorf

610 20250318 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0607 163 Deutsche Gesellschaft für Audiologie e. V. und ADANO 27. Jahrestagung der Deutschen Gesellschaft für Audiologie und Arbeitstagung der Arbeitsgemeinschaft Deutschsprachiger Audiologen, Neurootologen und Otologen Postersession Göttingen 20250319 20250321 163 TextFragestellung: Benutzer von Hörgeräten haben oft Schwierigkeiten bei Unterhaltungen, in denen mehrere Sprecher gleichzeitig aktiv sind. Neurofeedback, in welchem der Fokus der Aufmerksamkeit aus EEG-Ableitungen dekodiert wird, könnte benutzt werden, um die Signalverarbeitung im Hörgerät zu steuern und Hintergrundrauschen zu reduzieren. Für ein solches Neurofeedback müssen Dekodierungsstrategien spezifisch für Hörgeschädigte entwickelt und validiert werden. Diese Studie untersucht die Effektivität künstlicher neuronaler Netze im Vergleich mit einem linearen Modell bei Hörgeräteträgern und Hörgeräteträgerinnen sowie einer normalhörenden Kontrollgruppe.Methoden: Es wurden EEG-Daten von 28 Hörgeräteträgern und Hörgeräteträgerinnen sowie von 29 altersentsprechenden normalhörendenden Kontrollprobandinnen und Kontrollprobanden erhoben. Die Studie bestand aus 20 Abschnitten à zwei Minuten, in denen Hörbücher über Lautsprecher aus verschiedenen Richtungen präsentiert wurden. In acht Abschnitten war ein einzelnes Hörbuch zu hören, in den restlichen zwölf Abschnitten wurde ein Mehrsprecherszenario durch die gleichzeitige Präsentation zweier Hörbücher simuliert, wobei sich die Teilnehmerinnen und Teilnehmer abwechselnd auf eine der beiden Geschichten konzentrieren sollten. Die Aufmerksamkeit wurde mittels Verständnisfragen nach den einzelnen Abschnitten überprüft. Zusätzlich wurde die subjektive Höranstrengung in den verschiedenen Bedingungen abgefragt.Wir vergleichen Effektivität eines linearen Ridge Regression Modells mit einem Faltungsnetzwerk (CNN) zur Dekodierung der Spracheinhüllenden des Zielsignals. Vorstudien zeigten signifikant verbesserte Dekodierungsergebnisse durch CNNs bei Normalhörenden sowie bei Nutzern von Cochlea-Implantaten , .Ergebnisse: In beiden Kohorten war die Höranstrengung in der Mehrsprechersituation signifikant höher als in der Einzelsprechersituation. Außerdem gaben die Hörgeräteträger/innen signifikant erhöhte Höranstrengungen in der Mehrsprechersituation verglichen mit der Kontrollgruppe an.In beiden Kohorten war eine signifikante Dekodierung der Spracheinhüllenden möglich. Die Kontrollgruppe erreichte eine Dekodierungsgenauigkeit von 82% auf einem 60-Sekunden Fenster mit dem linearen Modell. Die hörgeschädigte Kohorte erreichte in derselben Modalität eine Genauigkeit von 81%. Unsere Analyse ergab keinen signifikanten Unterschied der Dekodierungsgenauigkeit zwischen den beiden Kohorten.Schlussfolgerungen: Unsere Studie repliziert erhöhte Höranstrengung in Mehrsprechersituation für Normalhörende und Hörgeräteträgerinnen und Hörgeräteträger. Ähnliche Dekodierungsgenauigkeiten in der hörgerätetragenden Kohorte wie in der Kontrollgruppe deuten darauf hin, dass methodische Fortschritte der Dekodierung in Normalhörenden auf Hörgeräteträgerinnen und Hörgeräteträger übertragbar sind. Thornton M Mandic D Reichenbach T Robust decoding of the speech envelope from EEG recordings through deep neural networks 2022 J Neural Eng Thornton M, Mandic D, Reichenbach T. Robust decoding of the speech envelope from EEG recordings through deep neural networks. J Neural Eng. 2022 Jul 6;19(4). DOI: 10.1088/1741-2552/ac7976 http://dx.doi.org/10.1088/1741-2552/ac7976 Jehn C Kossmann A Vavatzanidis NK Hahne A Reichenbach T CNNs improve decoding of selective attention to speech in cochlear implant users 2024 TechRxiv Jehn C, Kossmann A, Vavatzanidis NK, Hahne A, Reichenbach T. CNNs improve decoding of selective attention to speech in cochlear implant users. TechRxiv. 2024. DOI: 10.36227/techrxiv.171710242.23399264/v1 http://dx.doi.org/10.36227/techrxiv.171710242.23399264/v1 0 0 0 0