Die Herausforderung der digitalen Signalverarbeitung in modernen Hörgeräten

Digitale Hörgeräte sind hochentwickelte medizinische Geräte, die Audioverarbeitung in Echtzeit in einem Formfaktor ausführen, der kleiner als ein Fingernagel ist. Im Mittelpunkt jedes modernen Hörgeräts steht ein digitaler Signalprozessor (DSP), der für die Ausführung komplexer Algorithmen verantwortlich ist, die den Klang analysieren, filtern und verstärken. Die Anforderungen an diese Prozessoren sind beträchtlich: Sie müssen Lärmreduzierung, Sprachverbesserung, Rückkopplungsauslöschung, gerichtete Mikrofonverarbeitung und oft drahtloses Streaming bewältigen, während sie mit einem winzigen Akku arbeiten müssen, der Tage oder sogar Wochen dauern muss. Diese Fallstudie untersucht die Strategien, technischen Ansätze und messbaren Ergebnisse eines Projekts, das sich auf die Optimierung der DSP-Prozessorauslastung in einer neuen Generation digitaler Hörgeräte konzentriert.

Hintergrund: Die Verarbeitungsbelastung bei Hörgeräten

Die grundlegende Herausforderung beim Hörgerätedesign ist die Spannung zwischen Verarbeitungskapazität und Stromverbrauch. Im Gegensatz zu Smartphones oder Laptops können Hörgeräte keine großen Batterien oder aktive Kühlung aufnehmen. Das gesamte Gerät muss bequem in oder hinter das Ohr passen, mit einer Batteriekapazität, die typischerweise in Milliamperestunden gemessen wird. Die Benutzer erwarten jedoch immer ausgefeiltere Funktionen: automatische Umgebungserkennung, Sprach-in-Rausch-Algorithmen, Tinnitus-Management und Bluetooth-Verbindung zu Smartphones und Fernsehern.

Moderne Hörgeräte-DSPs basieren typischerweise auf ultra-powerarmen Architekturen, oft mit speziellen Kernen, die speziell für die Audioverarbeitung entwickelt wurden. Diese Chips arbeiten mit Taktraten, die weit unter denen von Allzweckprozessoren liegen, manchmal im Bereich von 5-50 MHz, und müssen jede Anweisung mit maximaler Effizienz ausführen. Die Verarbeitungslast variiert je nach akustischer Umgebung dramatisch: Ein ruhiges Wohnzimmer erfordert weit weniger Verarbeitung als ein lautes Restaurant oder eine windige Außenumgebung.

Die Kernverarbeitungsfunktionen

Um zu verstehen, wo Optimierungsbemühungen die größten Renditen erzielen, ist es hilfreich, die primären Verarbeitungsblöcke innerhalb eines Hörgerät-DSP zu untersuchen:

  • Feedback-Kündigung — Dieser Algorithmus erkennt und unterdrückt akustische Rückmeldungen (Pfeifen), ohne den gewünschten Signalgewinn zu reduzieren.
  • Rauschunterdrückung — Multiband-Rauschschätzung und spektrale Subtraktionsalgorithmen analysieren eingehende Geräusche, um Sprache von Hintergrundgeräuschen zu unterscheiden. Diese Funktionen sind rechenintensiv, insbesondere in komplexen akustischen Szenen.
  • Dynamische Bereichskompression — Das Hörgerät muss einen breiten Bereich von Eingangsschallpegeln in den reduzierten Dynamikbereich des Benutzers abbilden. Mehrkanalkompressionssysteme erfordern sorgfältige Verstärkungsberechnungen für jedes Frequenzband.
  • Direktionale Verarbeitung — Strahlformungsalgorithmen kombinieren Signale von mehreren Mikrofonen, um sich auf Schall aus bestimmten Richtungen zu konzentrieren. Diese Verarbeitung ist für das Sprachverständnis im Rauschen unerlässlich, verbraucht aber signifikante MIPS (Millionen von Anweisungen pro Sekunde).
  • Umweltklassifizierung — Machine Learning Modelle klassifizieren die akustische Umgebung (ruhig, Sprache, Musik, Wind, Verkehr) und passen die Verarbeitungsparameter entsprechend an.

Das Optimierungsprojekt: Umfang und Methodik

Das in dieser Fallstudie beschriebene Optimierungsprojekt wurde von einem mittelständischen Hörgerätehersteller initiiert, der eine neue Produktlinie mit verbesserten Funktionen auf den Markt bringen wollte, ohne die Batteriegröße zu erhöhen oder die Lebensdauer der Batterie zu reduzieren.

Vergleichsmessungen

In der ersten Phase des Projekts wurde eine umfassende Basislinie der aktuellen DSP-Auslastung erstellt. Mithilfe von Tools zur Hardware-Profilerstellung und Softwareinstrumentierung hat das Ingenieurteam den MIPS-Verbrauch für jeden Verarbeitungsblock in einer Reihe typischer akustischer Szenarien gemessen. Die Basisdaten ergaben mehrere kritische Erkenntnisse:

  • Feedback-Abbruch verbraucht etwa 28% der gesamten DSP MIPS in High-Gain-Situationen.
  • Die Mehrkanalkompression machte 22 % der Verarbeitungslast aus.
  • Die Algorithmen zur Rauschreduzierung verbrauchten 18 % der MIPS.
  • Die direkte Verarbeitung erforderte 15% der verfügbaren Zyklen.
  • Die Umweltklassifizierung und die System-Overhead machten die restlichen 17% aus.

Diese Messungen zeigten, dass Feedback-Auslöschung und -Komprimierung die teuersten Blöcke waren, aber auch, dass kein einzelner Algorithmus das Verarbeitungsbudget dominierte.

Optimierungsstrategien umgesetzt

Verbesserung der Algorithmus-Effizienz

Das Ingenieurteam führte eine systematische Überprüfung aller Signalverarbeitungsalgorithmen durch, um Möglichkeiten für eine rechnerische Reduktion zu identifizieren, ohne die Leistung zu beeinträchtigen.

Reduzierte Filterbankoperationen - Die ursprüngliche Implementierung verwendete eine einheitliche 32-Kanal-Filterbank für alle Verarbeitungen. Durch den Wechsel zu einer ungleichmäßigen Filterbank mit breiteren Bändern bei höheren Frequenzen (wo die menschliche Hörauflösung niedriger ist) und schmaleren Bändern bei kritischen Sprachfrequenzen reduzierte das Team die Gesamtzahl der Filterkanäle auf 24. Diese Änderung reduzierte allein den MIPS-Verbrauch um etwa 12% über alle Verarbeitungsblöcke, die sich auf die Filterbank-Ausgabe stützten.

Vereinfachte arithmetische Operationen — Der Feedback-Kündigungsalgorithmus verwendete ursprünglich eine doppelte Präzisions-Fließkomma-Arithmetik für adaptive Filteraktualisierungen. Die Analyse zeigte, dass die Einzelpräzision-Arithmetik in Kombination mit einer sorgfältigen Skalierung eine gleichwertige Leistung in der überwiegenden Mehrheit der realen Bedingungen zur Verfügung stellte.

Hardware-Beschleunigungsauslastung - Die DSP-Plattform enthielt eine Hardware-Multiple-Acculate (MAC)-Einheit, die die ursprüngliche Firmware nicht vollständig nutzte. Durch das Umschreiben kritischer Schleifen im Assemblycode, um die MAC-Einheit zu nutzen, erreichte das Team eine 3x-Beschleunigung bei den Faltungsoperationen, die für die digitale Filterung verwendet wurden. Diese Verbesserung kam insbesondere den Blocks zur Rauschreduzierung und Richtungsverarbeitung zugute.

Adaptive und dynamische Datenverarbeitungszuweisung

Eine der leistungsfähigsten Optimierungsstrategien bestand darin, von einer festen Verarbeitungszuweisung zu einem dynamischen Modell überzugehen, das die Verarbeitungstiefe auf der Grundlage der aktuellen akustischen Umgebung und der Benutzeraktivität anpasst.

Kontextbewusste Verarbeitungsstufen — Der Umweltklassifikator wurde verbessert, um nicht nur ein Label (ruhig, Sprache, Rauschen, Musik) auszugeben, sondern auch ein Konfidenzniveau und eine Schätzung der Verarbeitungsschwierigkeiten. In ruhigen Umgebungen, die mit hohem Vertrauen klassifiziert wurden, konnte das System die Aktualisierungsrate des Feedback-Cancellers und der Geräuschreduzierungsalgorithmen um 50% reduzieren. In herausfordernden Umgebungen wie lauten Restaurants wurde die volle Verarbeitungstiefe wiederhergestellt. Dieser adaptive Ansatz reduzierte den durchschnittlichen MIPS-Verbrauch unter ruhigen Bedingungen um 30%, während die volle Leistung unter schwierigen Bedingungen erhalten blieb.

Variable Frame sizes — Das ursprüngliche System verarbeitete Audio in festen 2 ms-Rahmen. Das Team implementierte ein variables Frame-Größenschema, bei dem größere Frames (4-8 ms) in stabilen akustischen Umgebungen verwendet wurden und kleinere Frames (1-2 ms) verwendet wurden, wenn eine schnelle Anpassung erforderlich war. Diese Änderung reduzierte den mit der Rahmenverarbeitung verbundenen Overhead um durchschnittlich etwa 20%, ohne dass sich die Klangqualität bemerkbar machte.

Batteriebewusste Planung - Der DSP-Scheduler wurde modifiziert, um die verbleibende Batterieladung bei Verarbeitungszuweisungsentscheidungen zu berücksichtigen. Wenn die Batteriespannung unter einen definierten Schwellenwert fiel, reduzierte das System allmählich die Verarbeitungstiefe für nicht kritische Algorithmen und verlängerte die Batterielebensdauer in den letzten Stunden des Batteriebetriebs um bis zu 15%. Benutzer berichteten, dass die allmähliche Reduktion unter den meisten Bedingungen nicht wahrnehmbar war.

Hardware und Software Co-Design

Das Optimierungsprojekt umfasste auch eine enge Zusammenarbeit zwischen den Hardware- und Firmware-Teams, um Möglichkeiten für das Auslagern der Verarbeitung von dem softwaregesteuerten DSP auf dedizierte Hardwareblöcke zu identifizieren.

Hardware-Feedback-Kündigung — Eine dedizierte Feedback-Kündigungs-Engine wurde als Hardware-Block auf dem DSP-Chip implementiert. Dieser Hardware-Beschleuniger verarbeitete die rechenintensivsten Teile des adaptiven Filter-Updates und reduzierte die MIPS-Belastung des Haupt-DSP um 40% für diesen Algorithmus. Der Hardware-Block verbrauchte weniger als 5% der Leistung, die die Software-Implementierung erforderte.

Hardware-Komprimierungsmaschine — Die Multikanal-Komprimierung des Dynamikbereichs wurde teilweise auf eine dedizierte Hardware-Zustandsmaschine übertragen. Die Hardware übernahm die Verstärkungsberechnung und -anwendung, während der DSP die Kontrolle über Parameteraktualisierungen und -anpassungen behielt. Diese Arbeitsteilung reduzierte DSP-MMPS für die Komprimierung um fast 60%.

Speicheroptimierung - Das Team führte eine gründliche Analyse der Speicherzugriffsmuster durch und gestaltete das Datenlayout neu, um Cache-Ausfälle zu minimieren. Durch die Organisation von Filterkoeffizienten und Audiodaten in zusammenhängenden Speicherblöcken, die mit der Cachezeilengröße des DSP übereinstimmten, reduzierten sie die speicherbezogenen Stände um 25%. Diese Verbesserung übersetzte sich direkt in niedrigere effektive MIPS, da der DSP weniger Zyklen auf Daten wartete.

Gemessene Ergebnisse und Performance-Gewinne

Das Optimierungsprojekt erzielte Ergebnisse, die die ursprünglichen Ziele übertrafen. Nach der Umsetzung aller oben beschriebenen Strategien führte das Ingenieurteam eine umfassende Bewertung sowohl mit objektiven Messungen als auch mit subjektiven Hörtests durch.

MIPS und Stromverbrauch

Die wichtigsten Gewinne waren in der Verarbeitungseffizienz:

  • Der Spitzenverbrauch von MIPS in anspruchsvollen akustischen Umgebungen sank von 42 MIPS auf 33 MIPS, was einer Reduzierung von 21% entspricht.
  • Der durchschnittliche MIPS-Verbrauch in allen Umgebungen sank um 27% von 31 MIPS auf 22,6 MIPS.
  • Der Gesamtstromverbrauch des Geräts sank um 23% im Vergleich zum Ausgangswert und übertraf damit das Ziel von 20%.
  • Die Lebensdauer der Batterie im typischen Gebrauch erhöhte sich von 5,2 Tagen auf 6,8 Tage, eine Verbesserung von 31%.

Soundqualität und User Experience

Diese Effizienzsteigerungen gingen nicht zu Lasten der Klangqualität. Objektive Maßnahmen, einschließlich des Hörgeräte-Sprachqualitätsindex (HASQI) und des Hörgeräte-Soundqualitätsindex (HASPI), zeigten keine statistisch signifikante Verschlechterung. Tatsächlich verbesserten sich einige Maßnahmen aufgrund einer konsistenteren Verarbeitung leicht:

  • HASQI-Werte blieben innerhalb von 0,02 von Baseline (nicht klinisch signifikant).
  • Die Rückkopplungs-Abbruchmarge verbesserte sich um 3 dB, was auf einen stabileren Gewinn vor dem Feedback hindeutet.
  • Umfragen zur Nutzerzufriedenheit, die mit einem Panel von 40 Hörgerätenutzern durchgeführt wurden, zeigten eine Verbesserung der Werte um 12% für die Zufriedenheit mit der Akkulaufzeit und eine Verbesserung um 8% für die Gesamtzufriedenheit.

Trade-Offs und Limitierungen

Kein Optimierungsaufwand ist ohne Kompromisse. Das Team dokumentierte mehrere Einschränkungen und Bereiche, in denen das neue Design ein sorgfältiges Management erforderte:

  • Die Hardware-Beschleuniger fügten dem Chip-Die-Bereich etwa 8% hinzu, was die Herstellungskosten leicht erhöhte.
  • Die Algorithmen für die dynamische Verarbeitungszuweisung erforderten eine umfangreichere Abstimmung und Validierung in einem größeren Bereich akustischer Umgebungen.
  • In seltenen Szenarien mit sich schnell ändernden akustischen Bedingungen verursachte das variable Rahmengrößenschema gelegentlich hörbare Artefakte, die zusätzliche Glättungsfilter erforderten.

Branchenkontext und breitere Implikationen

Die Ergebnisse dieser Fallstudie stimmen mit breiteren Trends in der Hörgeräteindustrie überein. Da der globale Hörgerätemarkt aufgrund der alternden Bevölkerung und des zunehmenden Bewusstseins für die Hörgesundheit weiter wächst, stehen die Hersteller vor dem unerbittlichen Druck, mehr Funktionen in kleineren Geräten mit längerer Akkulaufzeit zu liefern. Die hier beschriebenen Optimierungsstrategien bieten einen replizierbaren Rahmen, um diese Ziele zu erreichen.

Laut der Weltgesundheitsorganisation erfahren mehr als 1,5 Milliarden Menschen weltweit einen gewissen Grad an Hörverlust, was die enormen potenziellen Auswirkungen effektiverer und zugänglicher Hörlösungen hervorhebt. Fortschritte in der DSP-Effizienz tragen direkt zu besseren Benutzerergebnissen bei, da Geräte in anspruchsvolleren Umgebungen einen klareren Klang liefern können, ohne die Lebensdauer der Batterie zu beeinträchtigen oder den Komfort zu tragen.

Darüber hinaus sind die Prinzipien der Algorithmusoptimierung, der adaptiven Ressourcenzuweisung und des Hardware-Software-Co-Designs, die hier demonstriert werden, über Hörgeräte hinaus anwendbar. Ingenieure, die an anderen batteriebetriebenen Geräten mit Echtzeit-Signalverarbeitungsanforderungen arbeiten, wie drahtlose Ohrhörer, intelligenter Gehörschutz und medizinische Überwachungsgeräte, können direkt auf diese Techniken zurückgreifen. Die FLT:0-Prinzipien der Optimierung von DSP-Code für eingebettete Systeme mit geringer Leistung sind gut etabliert, aber ihre Anwendung in Hörgeräten ist angesichts der Kombination von Größe, Leistung und Echtzeitbeschränkungen besonders anspruchsvoll.

Empfehlungen für die zukünftige Arbeit

Auf der Grundlage der Ergebnisse dieses Projekts identifizierte das Team mehrere vielversprechende Richtungen für die weitere Optimierung und Innovation:

Machine Learning Beschleunigung

Der im aktuellen System verwendete Umweltklassifikator basierte auf einem relativ einfachen Entscheidungsbaum. Das Team geht davon aus, dass die Bereitstellung eines kleinen neuronalen Netzwerks auf einem dedizierten Hardware-Beschleuniger die Klassifizierungsgenauigkeit um 15-20% verbessern und eine noch aggressivere dynamische Verarbeitungszuweisung ermöglichen könnte. Frühe Simulationsarbeiten legen nahe, dass ein quantisiertes neuronales Netzwerk auf einem Hardware-Beschleuniger laufen könnte, der weniger als 50 Mikrowatt verbraucht, was weit im Rahmen des Strombudgets liegt.

Benutzerspezifische Optimierung

Das aktuelle System verwendet einen einheitlichen Ansatz für die Datenverarbeitungszuweisung. Durch das Lernen der typischen akustischen Umgebungen und Nutzungsmuster des einzelnen Benutzers könnte das Hörgerät sein Verarbeitungsbudget für die Bedingungen optimieren, die für diesen Benutzer am wichtigsten sind. Zum Beispiel könnte ein Benutzer, der die meiste Zeit in ruhigen Büroumgebungen verbringt, von aggressiveren Energieeinsparungen in diesem Zusammenhang profitieren, während ein Benutzer, der häufig Restaurants besucht, von einer vollen Verarbeitungstiefe in lauten Umgebungen profitieren würde.

Wireless Offloading

Da Hörgeräte zunehmend über Bluetooth mit Smartphones verbunden sind, besteht die Möglichkeit, einige Verarbeitungen auf das gekoppelte Telefon zu übertragen. Komplexe Berechnungen wie vollständige neuronale Netzwerkinferenz oder fortgeschrittene binaurale Verarbeitung könnten auf dem leistungsstärkeren Prozessor des Telefons durchgeführt werden, wobei die Ergebnisse an das Hörgerät zurückübertragen werden. Dieser Ansatz würde ein sorgfältiges Management der Latenz und Zuverlässigkeit erfordern, könnte aber die Verarbeitungsfähigkeiten zukünftiger Hörgeräte dramatisch erweitern.

Schlussfolgerung

Die Optimierung der DSP-Prozessorauslastung in digitalen Hörgeräten ist eine facettenreiche technische Herausforderung, die an der Schnittstelle von Algorithmus-Design, Hardware-Architektur, Energiemanagement und Benutzererfahrung liegt. Diese Fallstudie zeigt, dass ein systematischer Ansatz, der Verbesserungen der Algorithmus-Effizienz, adaptive Verarbeitungszuweisung und Hardware-Software-Co-Design kombiniert, erhebliche Gewinne sowohl bei der Batterielebensdauer als auch bei der Verarbeitungsfähigkeit erzielen kann.

Die 23%ige Reduzierung des Stromverbrauchs und die 31%ige Verbesserung der Batterielebensdauer, die in diesem Projekt erreicht wurde, stellen bedeutende Fortschritte in der Hörgerätetechnologie dar. Vielleicht noch wichtiger ist, dass das hier entwickelte Optimierungs-Framework eine skalierbare Methodik bietet, die auf zukünftige Produktgenerationen angewendet werden kann. Da sich die DSP-Technologie weiterentwickelt und die Erwartungen der Nutzer an die Hörgeräteleistung steigen, werden die in dieser Fallstudie beschriebenen Techniken wichtige Werkzeuge für Ingenieure bleiben, die daran arbeiten, bessere Hörlösungen zu liefern.

Die Ergebnisse unterstreichen auch ein wichtiges Prinzip: In eingeschränkten eingebetteten Systemen ist die Optimierung nicht nur eine technische Übung, sondern trägt direkt zur Lebensqualität der Nutzer bei. Jedes eingesparte Milliwatt, jeder eliminierte Zyklus und jeder verfeinerte Algorithmus führt zu einem Hörgerät, das angenehmer zu tragen, natürlicher zu bedienen und effektiver in den realen akustischen Umgebungen zu sein, die für Menschen mit Hörverlust am wichtigsten sind.