[论文解读] A Bayesian binary classification approach to pure tone audiometry

Marco Cox, Bert de Vries|arXiv (Cornell University)|Nov 27, 2015

Control Systems and Identification参考文献 9被引用 3

一句话总结

该论文提出了一种用于纯音听力测试的贝叶斯二分类方法 GP-PTA，将听力阈值建模为频率上的平滑高斯过程，从而实现自适应、具有不确定性感知的阈值估计，且测量次数更少。通过结合概率响应模型与基于 BALD 准则的主动学习，该方法优化了刺激选择，减少了患者负担，同时提供了阈值估计的置信区间。

ABSTRACT

The pure tone hearing threshold is usually estimated from responses to stimuli at a set of standard frequencies. This paper describes a probabilistic approach to the estimation problem in which the hearing threshold is modelled as a smooth continuous function of frequency using a Gaussian process. This allows sampling at any frequency and reduces the number of required measurements. The Gaussian process is combined with a probabilistic response model to account for uncertainty in the responses. The resulting full model can be interpreted as a two-dimensional binary classifier for stimuli, and provides uncertainty bands on the estimated threshold curve. The optimal next stimulus is determined based on an information theoretic criterion. This leads to a robust adaptive estimation method that can be applied to fully automate the hearing threshold estimation process.

研究动机与目标

• 为解决传统纯音听力测试缺乏不确定性量化和对先验知识利用不足的问题。
• 通过将听力阈值建模为频率的连续平滑函数，克服冗余的固定频率测量需求。
• 开发一种自适应测试协议，通过在任意频率选择最具信息量的刺激，最小化试验次数。
• 基于估计阈值曲线的不确定性带，提供客观、概率性的停止准则。
• 通过完整的贝叶斯框架，自然地整合感知不确定性与先验知识。

提出的方法

• 将听力阈值建模为频率上的高斯过程（GP）先验，实现在所有频率上的平滑、连续估计。
• 使用二值响应模型捕捉患者响应中的不确定性，假设感知噪声服从正态分布。
• 将完整模型解释为一个二维二分类器，其中频率方向采用高斯过程，强度方向采用心理物理函数。
• 使用拉普拉斯近似进行贝叶斯推断，以估计阈值曲线的后验分布。
• 利用 BALD（基于分歧的贝叶斯主动学习）准则选择最优下一刺激，以最大化信息增益。
• 通过迭代的主动学习循环，交替执行最具信息量刺激的选择与基于患者响应的后验分布更新。

实验结果

研究问题

• RQ1 能否通过将听力阈值视为频率的连续函数的概率模型，相较于标准的固定频率方法，减少所需的听力测试次数？
• RQ2 如何系统性地建模并整合患者响应中的不确定性，以提高阈值估计的可靠性？
• RQ3 基于信息论准则（如 BALD）的主动学习能否实现更快收敛，并降低听力评估中的认知负荷？
• RQ4 在多大程度上可以利用高斯过程先验对典型听力阈值形状的先验知识进行编码与利用？
• RQ5 连续频率采样与不确定性量化对听力阈值估计的准确性与鲁棒性有何影响？

主要发现

• GP-PTA 方法通过基于信息增益自适应选择任意频率的刺激，显著减少了所需试验次数，减轻了患者负担。
• 该方法为估计的阈值曲线提供了不确定性带，从而可基于期望精度实现客观的停止准则。
• 信息增益最优的刺激强度被证明为给定频率下后验阈值估计的均值，验证了其理论最优性。
• BALD 准则实现了对刺激空间的有效探索，算法收敛速度优于传统的阶梯法。
• 完整的概率框架自然地整合了对阈值曲线平滑性与感知变异性等先验知识，提升了估计的鲁棒性。
• 仿真结果表明，该方法在减少测量次数的同时，通过不确定性量化保持了高可靠性，实现了精确的阈值估计。