杭州惠耳听力技术设备有限公司

本数据集通过将已完成修模操作的耳内式助听器外壳三维建模数据与AI算法相结合，可以解析出助听器外壳区域分割信息（包括出声孔、通气孔、底面、内表面、外表面等5个部分的物理结构分区信息），并通过颜色编码的方式保存在数据集中。利用数据集的分区信息，可以对用于助听器外壳设计的神经网络进行训练数据的投喂，是实现快速根据用户耳道的实际情况和所选定外壳来动态调整耳内式助听器外壳的厚度、大小、孔径等参数，实现更加精准的个性化定制。一、加工前的数据说明 采用专业助听器外壳修模师根据不同用户原始耳道数据修模处理后得到的3D影像数据。 二、处理规则 针对助听器外壳三维建模数据设计一个双分支混合架构的3D点云语义分割网络，由点云分支、体素分支和分割头三部分组成。 （一）点云分支 点云分支接收形状为4096点的原始点云，先通过机器学习旋转矩阵进行空间对齐，再经过4层一维卷积，每层使用批归一化和ReLU激活函数提取多尺度特征，其中第3层输出后使用一个特征变换矩阵进行特征对齐。最后对512维特征进行全局最大池化得到全局特征，并将4层输出拼接得到多尺度点特征。 （二）体素分支 体素分支接收体素特征和坐标，首先将输入通道投影到16维，随后经过6个阶段的稀疏卷积编码。前2个阶段保持分辨率，后4个阶段进行2倍下采样（共下降32倍），输出的通道数依次为16、32、64、128、128、128，每个阶段由2个含跳跃连接的基础稀疏计算块组成。最后将第5阶段和第6阶段特征上采样后与第4阶段特征拼接实现多尺度融合，经投影和卷积处理后，通过全局平均池化输出体素特征。 （三）分割头 分割头首先将点云全局特征和体素特征拼接扩展，后与点特征拼接得到综合所有信息的总特征，经3层一维卷积（前两层带批归一化和ReLU激活函数）后输出逐点分类结果，完成逐点语义分割。 （四）模型训练 使用Diceloss作为损失函数，优化算法选择Adam，学习率设置为0.0001。将数据集划分为训练集、验证集和测试集，比例为7:2:1。使用训练集对神经网络进行训练，设置训练轮数为 1000轮，批次大小为16。在训练过程中，实时监控验证集的损失，当验证集损失连续10轮没有下降时，提前停止训练，防止过拟合。对模型进行超参数调整，尝试不同的隐藏层节点数、学习率和批次大小等参数，找到最佳的模型性能。 三、数据内容描述 最终形成的数据集合包含以下内容：原始外壳3D点云文件、文件名称、原始外壳点云数据、外壳物理结构区域、颜色编码、体素特征和坐标、分类结果、损失函数、优化算法、学习率、训练轮数、批次大小、损失值、超参数调整策略等。 本数据集可用于助听器外壳设计相关神经网络模型的训练，实现基于用户耳道进行精准的助听器个性化定制。