Intelligence artificielle temps réel pour des prothèses auditives plus efficaces – REFINED

Environ 466 millions de personnes dans le monde souffrent d'une perte auditive. Parmi elles, 34 millions se trouvent dans l'UE et 6 millions en France. Avec le vieillissement de la population mondiale, ce nombre devrait passer à 900 millions d'ici 2050 selon l'OMS. Toujours selon l’OMS, une perte auditive invalidante peut entraîner la dépression, la solitude et l'isolement social, en plus de réduire les niveaux d'emploi et de revenu. Le coût associé aux pertes auditives s'élève actuellement à 216 milliards d'euros par an en Europe (Hear-it, 2019) en raison d'une réduction de la productivité, de la baisse de la qualité de vie et des coûts sanitaires et sociétaux.

Les estimations actuelles suggèrent qu'en France (rapport Kervasdoué-Hartmann 2016), seules 30-35% des personnes qui auraient besoin d'une aide auditive en utilisent effectivement une. Les prothèses auditives actuelles offrent une expérience médiocre en environnement bruyant ou pour des flux sonores multiples, ce qui est préjudiciable à la communication sociale. De plus, les patients doivent revenir chez l’audioprothésiste parfois plus de dix fois par an (au début) pour faire évoluer les réglages.

Pour améliorer l’efficacité des aides auditives, une solution consiste à les équiper d'algorithmes de filtrage/séparation pour isoler les flux pertinents. L'apprentissage automatique a permis de rendre crédible l’utilisation de ces algorithmes en conditions réelles, dans des scénarios souvent complexes. Cependant les méthodes d’intelligence artificielle actuelles sont trop complexes pour être appliquées à ces appareils portatifs équipés de processeurs aux faibles capacités de calcul et de mémoire. De plus, les algorithmes de filtrage/séparation existants ne sont en général pas adaptés aux caractéristiques particulières des déficits auditifs des patients.

Le projet REFINED se base sur l’identification en amont les indices auditifs et extra-auditifs spectro-temporels en corrélation avec le niveau de perception de la parole chez les personnes atteintes de troubles du spectre des neuropathies auditives, constituant la frange de 10% de sujets qui ont plus besoin de filtrage/séparation de parole que de la fonction première des aides auditives conventionnelles qui est l'amplification. Nous étudions et développons ensuite des algorithmes efficaces de séparation des flux auditifs basés sur l’apprentissage automatique. Nous les simplifions afin de les mettre en œuvre en temps réel tout en maintenant leurs performances et testons leur efficacité sur une cohorte de patients volontaires soigneusement sélectionnés. Ceci est réalisé dans une démarche originale en interaction constante entre algorithmie, développement embarqué et tests sur patients. Nous élaborons ainsi des stratégies expérimentales basées sur la connaissance de la perception du son pour régler les algorithmes afin d'optimiser la reconnaissance vocale par rapport à la limitation du transfert et du traitement d'informations.

Le consortium réunit des partenaires venant de trois horizons très différents, qui mettront en commun leurs expertises respectives pour concevoir un système qui se trouve naturellement à la frontière de leurs trois mondes. L’institut de l’audition (institut Pasteur) contribue par sa capacité à identifier des sujets audiologiquement bien définis et à tester sur eux des systèmes traitant la parole bruitée, le LORIA (université de Nancy) apporte des compétences en apprentissage automatique appliqué au rehaussement de la parole et à la séparation de sources sonores et le CEA (coordinateur du projet) apporte ses compétences en intelligence artificielle et conception de systèmes embarqués contraints en performances.
À notre connaissance, REFINED sera la première initiative visant à mettre en place une solution adaptative de bout en bout basée sur l'IA pour les patients souffrant de perte auditive, avec en ligne de mire l'aspect embarquable des algorithmes développés.