解读六种有机氯农药对HEI-OC1细胞和小鼠耳蜗器官培养物的耳毒性作用

《Hearing Research》：Deciphering the ototoxic effects of six organochlorine pesticides on HEI-OC1 cells and mouse cochlear organotypic cultures

人工耳蜗用户在复杂声场中言语感知研究，采用新型前端信号处理框架ASM 3.0与旧版ASM 1.0对比，测试RONDO 3和SONNET 2音频处理器在空间分离噪声（S0N±90N180）和共定位噪声（S0N0）下的效果。结果显示ASM 3.0在空间分离噪声中显著提升言语识别率（4.1-4.4 dB），但共定位噪声提升不显著（1.2 dB）。用户对RONDO 3满意度高（8.7/10），自评音质良好（84.8/133）。

　　在医学和听力科学领域，随着技术的不断进步，助听设备的功能和性能也在持续提升。对于患有严重至极重度感音神经性听力损失的个体而言，**人工耳蜗植入（Cochlear Implant, CI）** 无疑是革命性的解决方案。截至2022年，全球已有超过一百万台人工耳蜗植入装置被使用，这标志着该技术在临床应用中的广泛接受和高度普及。然而，尽管人工耳蜗在安静环境下的语音识别能力已经达到了相当高的水平，甚至部分用户能够接近正常听力者的表现，但在嘈杂或复杂的声音环境中，如多人交谈、背景噪音、音乐等，其语音识别能力仍存在显著挑战。

在现实生活中，听觉环境往往充满干扰，因此如何在这些环境中提高语音识别能力成为人工耳蜗研究的重点之一。这一挑战不仅涉及对声音信号的提取，还涉及到如何在技术层面优化信号处理流程，使得植入用户能够更有效地感知和理解周围的声音。为此，多家公司不断推出新的信号处理框架，以改善人工耳蜗用户的听觉体验。其中，**MED-EL 公司** 开发的 **Automatic Sound Management（ASM）** 系列框架便是重要的创新之一。ASM 1.0 于1999年随 TEMPO+ 型音频处理器推出，主要功能是通过双环自动增益控制（AGC）实现对声音信号的宽带压缩，使其适应人工耳蜗的有限动态范围。ASM 2.0 于2014年推出，增加了风噪抑制（WNR）和麦克风方向性（MD）等功能，进一步提升了用户在复杂听觉环境中的语音识别能力。

随着技术的演进，**ASM 3.0** 成为了最新一代的信号处理框架，其功能更加完善，能够更好地适应多样的听觉场景。ASM 3.0 主要应用于 **SONNET 2** 和 **RONDO 3** 型音频处理器中。这一版本的信号处理框架不仅保留了前代的功能，还增加了对环境噪音的自适应处理能力，包括**环境噪音抑制（ANR）** 和 **瞬态噪音抑制（TNR）**。此外，ASM 3.0 还引入了**听觉场景分类器（Auditory Scene Classifier）**，能够将输入信号分为五种不同的听觉环境类别，并根据类别自动调整多个前端处理参数，如方向性、风噪抑制、环境噪音抑制和瞬态噪音抑制。这种基于环境分类的自适应调整机制被称为“**适应性智能（Adaptive Intelligence）**”，它显著提升了人工耳蜗用户在复杂听觉环境中的语音识别能力。

在实际应用中，人工耳蜗的前端信号处理框架对语音识别的影响尤为关键。这是因为，语音识别在嘈杂环境中的难度远高于安静环境。尤其是在**空间分离的听觉场景**中，即语音和噪音来自不同的方向，前端处理框架能够通过方向性控制和噪音抑制技术，有效提高语音的清晰度和可理解性。相反，在**空间共存的听觉场景**中，即语音和噪音来自同一方向，前端处理技术的效果则相对有限。因此，研究者在评估新的信号处理框架时，通常会考虑其在不同听觉场景下的表现差异。

本研究的目标是评估 **ASM 3.0** 在**RONDO 3** 型音频处理器中的表现，与 **ASM 1.0** 进行对比，特别是在空间分离的语音和噪音场景中。此外，研究还对 **SONNET 2** 型音频处理器中的 **ASM 3.0** 与 **ASM 1.0** 进行了比较，以观察其在不同听觉环境下的效果。同时，研究者还使用了两种经过验证的患者报告工具，即 **音频处理器满意度问卷（APSQ）** 和 **人工耳蜗声音质量指数（HISQUI 19）**，来评估用户对 **RONDO 3** 的使用体验和其对声音质量的主观评价。

研究结果显示，**ASM 3.0** 在空间分离的语音和噪音场景中，显著提升了人工耳蜗用户的语音识别能力。具体而言，使用 **RONDO 3** 和 **SONNET 2** 型音频处理器的用户，在 **ASM 3.0** 的支持下，语音识别阈值（SRT 80）平均提高了 4.1 dB 和 4.4 dB，分别优于 **ASM 1.0** 的表现。这一结果表明，**ASM 3.0** 在空间分离的听觉场景中具有更强的适应性和优化能力。然而，在空间共存的听觉场景中，**ASM 3.0** 并未带来显著的提升，仅提高了约 1.2 dB，这一效果与之前研究中 **SONNET 2** 在类似场景中的表现相比，仍具有一定价值。此外，使用 **RONDO 3** 的用户在 **APSQ** 中表现出较高的满意度，平均得分为 8.7/10，在 **HISQUI 19** 中的自我报告声音质量也较高，平均得分为 84.8/133，这说明 **RONDO 3** 在日常使用中能够提供良好的听觉体验。

从更广泛的角度来看，人工耳蜗的信号处理框架对语音识别能力的提升具有重要的临床意义。这些框架不仅能够改善语音识别的准确性，还能增强用户在嘈杂环境中的沟通能力，从而提高其生活质量。随着人工智能和机器学习技术的发展，未来的信号处理框架可能会更加智能化，能够根据用户的听觉习惯和环境变化自动调整参数，从而进一步优化语音识别效果。此外，患者的主观反馈在评估信号处理框架的效果中也扮演着重要角色，这有助于研究者更好地理解用户的需求，并改进技术设计。

在研究方法上，本研究采用了一种系统性的评估方式，涵盖了不同听觉场景下的语音识别表现。通过对比 **ASM 3.0** 与 **ASM 1.0**，研究者能够更清晰地看到新框架带来的改进。同时，使用 **RONDO 3** 和 **SONNET 2** 型音频处理器的对比，也揭示了不同设备在信号处理能力上的差异。这种对比不仅有助于优化设备设计，还能为临床应用提供指导。此外，研究者还通过患者报告工具收集了用户的主观体验数据，这为评估信号处理框架的实际效果提供了更加全面的信息。

在伦理和知情同意方面，本研究严格遵守了《赫尔辛基宣言》（Declaration of Helsinki）的修订版（2013年弗洛伦萨修订版）以及良好的临床实践原则（ISO 14155:2020）。所有研究参与者在进行任何研究相关操作前，均签署了书面并注明日期的知情同意书。这一做法确保了研究的合法性和伦理性，也体现了对研究对象的尊重和保护。

总的来说，**ASM 3.0** 作为新一代的信号处理框架，在提升人工耳蜗用户在复杂听觉环境中的语音识别能力方面表现出色。它不仅在空间分离的场景中带来了显著的提升，还在空间共存的场景中保持了一定的优化效果。此外，**RONDO 3** 型音频处理器在日常使用中能够提供良好的听觉体验，这表明其在实际应用中具有较高的用户满意度和声音质量。未来的研究将继续探索如何进一步优化信号处理框架，以满足更多用户的需求，并提高其在复杂听觉环境中的适应性。同时，患者的主观反馈也将成为技术改进的重要依据，帮助研究者更好地理解用户的真实体验，并推动人工耳蜗技术的发展。