Moderne hoortoestellen worden steeds slimmer. Dankzij technieken uit de kunstmatige intelligentie (AI) – en specifiek Deep Neural Networks (DNN) – kunnen ze geluiden beter herkennen én lokaliseren. Deze AI-modellen helpen het hoortoestel om geluiden te plaatsen in de ruimte. Daarmee komt natuurlijk lokaliseren van geluid – dat bij slechthorendheid vaak verloren gaat – weer een stap dichterbij. Die ontwikkeling biedt grote voordelen voor mensen met gehoorverlies, vooral in drukke of rumoerige situaties.
| Audiologie
Het belang van goede geluidslokalisatie
Goed kunnen horen is meer dan spraakverstaan. Het draait ook om oriëntatie. Waar komt een geluid vandaan? Waar staan of zitten de gesprekspartners precies? Waar komen andere geluiden vandaan? En hoe ver weg is dat geluid?
Bij mensen met normaal gehoor zorgen verschillende akoestische cues voor oriëntatie in de ruimte. De belangrijkste daarvan zijn het tijdsverschil waarmee geluid beide oren bereikt (interaural time difference, ITD) en het verschil in geluidsniveau tussen links en rechts (interaural level difference, ILD). Daarnaast spelen ook spectrale verschillen door de vorm van de oorschelpen en reflecties van het hoofd en lichaam een rol.
Eerdere generaties hoortoestellen konden deze cues onvoldoende voor slechthorenden herstellen. Daardoor was het goed lokaliseren van geluid niet mogelijk. Nieuwe technieken die het lokaliseren met hoortoestellen verbeteren zorgen dat gesprekken in gezelschap minder inspannend zijn en deelnemen aan het verkeer veiliger.
Traditionele methoden schieten tekort in rumoerige situaties
Er zijn al decennia technieken zoals Time-Difference-of-Arrival (TDOA), Steered Response Power (SRP) en MUSIC (een methode voor Multiple Signal Classification) beschikbaar om de richting van geluid te bepalen met behulp van microfoonarrays. Maar in de praktijk blijken deze methoden gevoelig voor ruis, echo’s en situaties waarin zich meerdere geluidsbronnen tegelijkertijd voordoen. In realistische omgevingen presteren ze daardoor vaak minder goed.
Machine learning en DNN biedt uitkomst
De afgelopen jaren is een sterke verschuiving zichtbaar van klassieke algoritmen naar machine learning-benaderingen. Hierbij leert een systeem zelf uit data hoe het geluiden kan lokaliseren. Met name Deep Neural Networks (DNN), een subcategorie binnen kunstmatige intelligentie (AI), hebben hun waarde bewezen.
Deze AI-modellen herkennen complexe patronen in geluidsdata en presteren aanzienlijk beter dan traditionele methoden in omgevingen met veel achtergrondgeluid, galm of wanneer zich meerdere geluidsbronnen tegelijkertijd voordoen. Ook kunnen ze beter omgaan met variaties in akoestische omstandigheden, zoals een veranderende ruimte of bewegende geluidsbronnen.
Volgens een recent overzichtsartikel van Khan, Waqar, Kim en Park – gepubliceerd in Sensors and Actuators Reports – presteren DNN-modellen bij geluidslokalisatie in veel gevallen beter dan klassieke methoden als TDOA en SRP. Deze technieken zijn terug te vinden in de nieuwe generaties hoortoestellen.
Van de natuur leren: nieuwe hardware voor geluidslokalisatie
Naast softwareverbeteringen komen er ook innovaties in de hardware. Onderzoekers ontwikkelen diverse oplossingen om lokaliseren van geluid beter te ondersteunen in hoortoestellen en implantaten. Daarbij laten ze zich vaak inspireren door de natuur.
Een voorbeeld is het uitzonderlijk verfijnde gehoor van de vlieg Ormia ochracea. Deze vlieg kan met grote precisie bepalen waar een geluid vandaan komt, ondanks de minimale afstand tussen haar oren. Die bijzondere geluidslokalisatie-eigenschap dient als inspiratiebron voor de ontwikkeling van biomimetische microfoons.
Door deze natuurlijke structuur na te bootsen, zijn kleine MEMS-microfoons ontwikkeld die geluid uit meerdere richtingen tegelijk kunnen opvangen – zonder daarbij gebruik te hoeven maken van grote microfoonarrays. Zulke microfoons zijn klein genoeg om in hoortoestellen en cochleaire implantaten te worden geïntegreerd.
Een andere hardwarematige oplossing komt van de Nederlandse start-up BeephoniX. Hun technologie is geïnspireerd op bijen, die hun antennes gebruiken als beweegbare oren. Op basis daarvan ontwikkelde het bedrijf een roterende microfoon, de Beepod, die dankzij het dopplereffect de richting van geluiden kan bepalen. Ook deze techniek is bedoeld om lokaliseren van geluid in complexe omgevingen, zoals een drukke borrel of het verkeer, sterk te verbeteren.
Toekomst lokaliseren met hoortoestellen: nog slimmer en energiezuiniger
Toekomstige hoorhulpmiddelen moeten niet alleen nauwkeuriger zijn, maar ook zuiniger met energie omgaan. Op dit moment schakelen sommige hoortoestellen hun DNN-chip alleen in als de geluidsomgeving uitdagend is. In de toekomst kunnen geavanceerde microfoons ook zelf ‘wakker worden’ zodra ze een complexe akoestische omgeving detecteren. Zo blijft het energieverbruik laag bij rustige situaties, terwijl slimme verwerking actief wordt wanneer dat nodig is.
Ook quantumtechnologie staat aan de vooravond van een doorbraak. ‘Quantum microphones‘ kunnen individuele geluidsdeeltjes – fononen – detecteren. Daarmee komt super nauwkeurige geluidslokalisatie binnen bereik. Ideaal voor toepassingen in medische diagnostiek, industrie en hoortoestellen van de toekomst.
Dankzij kunstmatige intelligentie (AI), deep learning, innovatieve oplossingen zoals biomimetische technologie kunnen hoortoestellen straks de geluidsomgeving nog nauwkeuriger en slimmer in kaart brengen.
Bronnen:
Khan et al., 2025: A Review on Recent Advances in Sound Source Localization Techniques, Challenges, and Applications. Sensors and Actuators Reports, 2025, 100313, ISSN 2666-0539,
https://doi.org/10.1016/j.snr.2025.100313.
Beephonix: NWO
