Gros morceau avant de s’attaquer à l’application qui va mesurer tout cela !!
Le but est ici, comme précédemment avec le rapport Signal/Bruit à la sortie de l’aide auditive, de fournir une application libre (sous R) qui va calculer tous ces indices. Mais avant de fournir ce code, il est nécessaire de faire un (tout) petit tour d’horizon des indices existants les plus connus en audiologie prothétique, liste très loin d’être exhaustive.
L’application qui sera présentée dans un post suivant s’appelle OIQ (Objective Intelligibilité & Quality). Elle repose sur l’enregistrement d’une aide auditive à divers RSB, de -12 à +12dB (par incrément de 3dB), puis dans le silence, donc 10 séquences.
On en extrait beaucoup d’indices, de qualité et d’intelligibilité (ou ce qui favoriserait l’intelligibilité, on va le voir).
Il me semblait important, par culture personnelle, masochisme, curiosité, folie, recherche, … de mettre un peu les mains dans le cambouis et de tenter de comprendre un peu ces indices qui se retrouvent de plus en plus souvent dans la littérature professionnelle.
On y va !! j’ai séparé ça en deux catégories d’indices :
- les indices d’intelligibilité (ou de ce qui la favorise, ce qui n’est pas tout à fait pareil = perception)
- les indices de qualité (le son est-il dégradé par l’aide auditive et par le bruit, de combien ?)
Application OIQ · Mémo de référence
Les indices objectifs de perception & de qualité
Ce que calcule chaque indice de l’application, ce qu’il signifie, son unité, ses forces et ses limites — Le modèle d’audition de Kates, socle commun aux indices HASPI, HASQI et HAAQI.
Vue d’ensemble
Neuf indices, deux familles. Les cinq indices de perception prédisent le pourcentage d’intelligibilité de mots ou phrases compris ou plutôt le pourcentage de chance de les comprendre (ce qui est plus juste); les quatre indices de qualité jugent la fidélité par rapport à l’original / l’agrément du son. Beaucoup sont des indices « intrusifs » : ils comparent un signal dégradé (à la sortie de l’aide auditive, dans le bruit) à un signal de référence propre.Le indices intrusifs s’obtiennent a posteriori, c’est à dire après une analyse de la mesure. Ce sont donc plutôt des indices de laboratoire.
| Indice | Famille | Ce qu’il mesure | Unité / plage | Sens ↑ |
|---|---|---|---|---|
| HASPI v2 | Intel. | Perception de « phrases » via modèle auditif + réseau de neurones | 0 → 1 (proportion) | plus haut = mieux |
| HASPI w2 | Intel. | Même chaîne, réseau entraîné sur le % de mots-clés corrects | 0 → 1 (proportion) | plus haut = mieux |
| STOI | Intel. | Corrélation d’enveloppes temporelles courtes par bande | 0 → 1 (indice) | plus haut = mieux |
| ESTOI | Intel. | STOI « étendu » : corrélation spectrale (bruits modulés) | ≈0 → 1 (indice) | plus haut = mieux |
| SIIBGauss | Intel. | Débit d’information mutuelle référence ↔ dégradé | bits/s (0 → ~200+) | plus haut = mieux |
| HASQI v2 | Qual. | Qualité de parole : distorsion non linéaire (souffle, écrêtage, pompage) × coloration linéaire (chgt de timbre) | 0 → 1 (indice) | plus haut = mieux |
| HAAQI v1 | Qual. | Qualité audio/musique, même modèle auditif, pondérations musique | 0 → 1 (indice) | plus haut = mieux |
| EDI | Qual. | Écart entre l’enveloppe temporelle dégradée et la référence | 0 → 1 (distorsion) | plus bas = mieux |
| PESQ | Qual. | Qualité perçue « type MOS = Mean Opinion Score » (norme télécom P.862) | MOS ≈1 → 4,5 | plus haut = mieux |
Attention à EDI : c’est le seul indice « à l’envers » — il mesure une distorsion de l’enveloppe temporelle, Une valeur basse est bonne. Donc 0 = parfait = totalement conforme à l’original et 1 = 100% de déformation par rapport à l’original.
Deux familles simulent l’effet de l’audition. HASPI, HASQI et HAAQI passent les signaux dans le modèle cochléaire de Kates paramétré par l’audiogramme (et, pour HASQI/HAAQI, appliquent éventuellement NAL-R à la référence — neutre pour la courbe Normo, à 0 dB HL) : ils dépendent du profil auditif. Par contre, pour l’acquisition à la sortie de l’aide auditive, NAL-R n’est pas ajouté, l’appareil ayant déjà été ajusté selon la méthodologie que vous aurez choisie. À l’inverse, STOI, ESTOI, SIIB, PESQ et EDI sont purement acoustiques : aucun modèle d’oreille, aucun audiogramme, aucune correction NAL-R ou autre. Leurs courbes « Normo » et « Appareillé » ne désignent que le micro de référence (voie 1/left) et la sortie de l’aide (voie 2/right). Donc si l’on change le profil auditif (audiogramme N3 → audiogramme N4), seuls HASPI, HASQI et HAAQI changent ; les autres indices restent identiques.
Le modèle d’audition de Kates
HASPI, HASQI et HAAQI partagent un même « front-end » : une simulation de l’oreille
(fonction ear_model). L’idée est de ne pas comparer directement deux fichiers audio,
mais de les comparer après modélisation de ce que l’oreille en perçoit — d’abord l’oreille du malentendant appareillé,
puis celle d’un normo-entendant de référence. C’est ce qui rend ces indices sensibles à un type
spécifique de perte auditive, et donc en fait des indices plus réalistes.
Le tronc commun (bleu) transforme deux signaux en réponses cochléaires. Les trois « back-ends » (HASPI en bleu, qualité en ocre) n’exploitent ensuite que ces réponses — c’est pourquoi HASQI et HAAQI, à réglages identiques, partagent exactement le même calcul d’oreille.
Étape par étape, chaque bloc modélise un maillon mathématiquement simulé de la chaîne auditive :
- 1. Rééchantillonnage à 24 kHz. Uniformise la cadence pour que les filtres cochléaires aient toujours la même forme, quelle que soit la fréquence du fichier d’entrée (44,1 kHz, 48 kHz…).
- 2. Alignement temporel. Recale le signal dégradé sur la référence : une aide auditive introduit un délai de traitement qu’il faut compenser avant de comparer (typiquement, de 0,5 à plus de 8ms).
- 3. Égalisation NAL-R (mode qualité uniquement). Applique à la référence l’amplification prescrite selon l’audiogramme — on juge la qualité de ce que l’appareil restitue, pas d’un signal jamais amplifié. Quand la référence est à 0dB, aucune amplification NAL-R n’est appliquée, de même qu’à la sortie de l’appareil (déjà amplifiée selon une méthodologie préalable.
- 4. Oreille moyenne. Un filtre passe-bande reproduit la transmission tympan + osselets, qui atténue les très graves et les très aigus.
- 5. Banc de filtres cochléaires. 32 filtres gammatone de 80 à 8000 Hz sur l’échelle ERB (Equivalent Rectangular Bandwidth de BCJ Moore) reproduisent la tonotopie : chaque point de la membrane basilaire répond à une fréquence. La perte auditive élargit ces filtres → perte de sélectivité fréquentielle (atteinte des cellules ciliées externes).
- 6. Compression des cellules ciliées externes (CCE/OHC). Un gain dépendant du niveau introduit une compression de la dynamique acoustique. La perte auditive réduit cette compression : c’est le recrutement (les sons faibles disparaissent, les forts deviennent vite trop forts).
- 7. Cellules ciliées internes (CCI/IHC). Atténuation liée à la perte, puis adaptation neuronale qui renforce les attaques (débuts de sons) — le nerf auditif réagit surtout aux changements (attaques, transitions rapides), moins aux sons établis sur une longue durée.
- 8. Sortie. Pour chaque bande, calcul de l’enveloppe (variations lentes, le « rythme » de la parole) et la structure fine (vibration rapide de la membrane basilaire), exprimées en dB SL (niveau de sensation, au-dessus du seuil).
Fiches — indices d’intelligibilité et de perception
HASPI v2
Hearing-Aid Speech Perception IndexPerception de la parole pour un profil de perte donné.
Calcul
Modèle auditif de Kates → enveloppes par bande → filtrage passe-bas et sous-échantillonnage → coefficients cepstraux – le cepstre (spectre du spectre) sert à extraire le timbre (hauteur de voix) et les harmoniques (formants) → banc de filtres de modulation (10 bandes, 2–256 Hz) → corrélations croisées référence/dégradé → ensemble de 10 réseaux de neurones → indice unique.
Signification
Proportion attendue de parole correctement perçue. Se lit comme un score : 0 = rien perçu, 1 = tout perçu.
Unité / plage
0 → 1 (sans dimension, interprétable en %). Référence normo-entendant à 65 dB SPL (et j’insiste : uniquement à 65dB SPL).
Avantages
Le seul à intégrer explicitement l’audiogramme et la physiologie cochléaire ; conçu pour et validé sur des aides auditives (compression, réduction de bruit, écrêtage).
Limites
Lourd à calculer ; sortie non linéaire (les faibles et forts scores sont comprimés) ; validé surtout en anglais (corpus vocal de phrases IEEE).
Référence
Kates & Arehart (2021), Speech Communication 131, 35–46.
HASPI w2
variante « mots-clés »Même chaîne que HASPI v2, réseau final différent.
Calcul
Front-end et features identiques à HASPI v2 (modèle auditif → cepstre → modulation → corrélations). Seul l’ensemble de réseaux change : il est entraîné sur le pourcentage de mots-clés corrects plutôt que sur des phrases.
Signification
Proportion de mots-clés correctement rapportés — plus proche d’un test de répétition de mots (type logatomes / listes de mots).
Unité / plage
0 → 1 (proportion de mots).
Avantages
Colle mieux aux protocoles cliniques en mots isolés ; « gratuit » en calcul dans l’application OIQ si HASPI v2 est déjà demandé (car le front-end est partagé).
Limites
Mêmes limites que v2 ; moins répandu, donc moins de points de comparaison publiés.
Référence
Kates & Arehart (2021) ; code MATLAB de Kates ebm_GetNeuralNetWords (version « keywords », 2022), porté en Python dans cette app.
STOI
Short-Time Objective IntelligibilityLe standard de fait, simple et robuste.
Calcul
STFT (transformée de Fourrier à court terme) en trames fines (~25 ms, un spectre tous les ~12,5 ms avec le recouvrement de 50%) → regroupement en 15 bandes 1/3 d’octave → l’enchaînement des trames forme l’enveloppe de chaque bande → sur une fenêtre glissante de ~386 ms (≈ 30 trames), corrélation des enveloppes référence/dégradé (après un écrêtage qui borne l’apport du bruit) → moyenne. Les deux durées ne se contredisent pas : ~25 ms = résolution d’analyse (les « pixels » temps-fréquence) ; ~386 ms = fenêtre sur laquelle on corrèle les enveloppes, calée sur les modulations syllabiques (~2–20 Hz) qui portent l’intelligibilité. C’est donc une détection de la parole par recherche de co-modulation.
Signification
Prédicteur monotone de l’intelligibilité : plus l’enveloppe dégradée ressemble à la propre, plus on a de chances d’identifier, et donc de comprendre. Ce n’est pas un % direct (une fonction logistique calibrée le convertit en % de chances de comprendre).
Unité / plage
0 → 1 (similarité, sans dimension).
Avantages
Rapide, stable, très documenté ; excellent pour le bruit additif et le débruitage (masques temps-fréquence = le masqueur est constant, de spectre constant dans le temps).
Limites
Ignore l’audiogramme (auditeur normo-entendant implicite) ; moins fiable pour les bruits fortement modulés et les distorsions non linéaires.
Référence
Taal, Hendriks, Heusdens & Jensen (2011), IEEE TASLP 19(7), 2125–2136.
ESTOI
Extended STOISTOI amélioré pour les bruits qui fluctuent.
Calcul
Même architecture que STOI, mais la corrélation porte sur les spectres complets de chaque segment (structure spectrale prise en bloc) plutôt que bande par bande indépendamment. Cela capte les dépendances entre bandes.
Signification
Même lecture que STOI (similarité → chances d’intelligibilité), mais plus juste quand le masque n’est pas stationnaire (ce qui nous intéresse plus au quotidien).
Unité / plage
≈0 → 1 (peut passer légèrement sous 0).
Avantages
Nettement meilleur pour les bruits modulés (babble fluctuant, parole concurrente) que STOI.
Limites
Toujours normo-entendant ; un peu plus sensible au bruit d’estimation ; même absence de prise en compte de la perte.
Référence
Jensen & Taal (2016), IEEE/ACM TASLP 24(11), 2009–2022.
SIIBGauss
Speech Intelligibility in BitsUne lecture information-théorique de l’intelligibilité.
Calcul
Alignement → STFT → détection d’activité vocale (on ne garde que la parole) → bandes gammatone ERB → masquage temporel → estimation de l’information mutuelle entre référence et dégradé, via la capacité d’un canal gaussien (variante « Gauss », plus rapide que l’estimateur non paramétrique utilisé précédemment par le SIIB). Pour faire simple (est-ce possible?…), Shannon a théorisé le fait que le bruit suit une loi normale (Gaussienne), et que plus le RSB augmente, plus un canal peut transporter de bits (de parole par exemple).
Signification
Débit d’information que le signal dégradé conserve de la parole d’origine : combien de « bits de parole » par seconde traversent le canal bruité. Repères indicatifs (corpus Dantale = listes danoises) : ~17 b/s ≈ 50 % d’intell., ~33 b/s ≈ 95 %.
Unité / plage
bits/seconde (échelle ouverte, typiquement 0 à ~200, voire 2000 dans le silence. Echelle logarithmique.).
Avantages
Cadre théorique élégant et unité physique ; bonne corrélation avec les scores humains ; robuste à des dégradations variées, mais moins adapté à des pertes auditives importantes, encore qu’une perte auditive pourrait être associé grossièrement à une perte de débit d’information.
Limites
Exige ≥ 20 s de parole détectée (pas de durée de segment) pour être stable ; normo-entendant ; sensible à l’alignement.
Référence
Van Kuyk, Kleijn & Hendriks (2018), IEEE SPL 25(1), 115–119 ; variante Gauss dans IEEE/ACM TASLP 26(11), 2153–2166 (2018).
Fiches — indices de qualité
HASQI v2
Hearing-Aid Speech Quality IndexQualité de parole, avec la même oreille simulée que HASPI.
Calcul
Modèle auditif → deux termes multipliés : un terme non linéaire (corrélation cepstrale des enveloppes lissées → capte le bruit et la distorsion) et un terme linéaire (comparaison des spectres à long terme → capte le filtrage / la coloration). HASQI = Qnonlin × Qlin.
Signification
Fidélité perçue de la parole : 1 = identique à la référence, 0 = très dégradé. Sépare implicitement « bruit/distorsion » et « coloration ».
Unité / plage
0 → 1 (sans dimension).
Avantages
Tient compte de l’audiogramme ; adapté aux traitements d’aide auditive ; décompose linéaire vs non linéaire.
Limites
Qualité ≠ intelligibilité (un son peut être clair mais désagréable, et inversement) ; validé surtout en anglais.
Référence
Kates & Arehart (2014), J. Audio Eng. Soc. 62(3), 99–117.
HAAQI v1
Hearing-Aid Audio Quality IndexLe pendant de HASQI, mais pour la musique.
Calcul
Même modèle auditif et même logique (terme non linéaire via corrélation mel-cepstrale à travers un banc de modulation + terme spectral linéaire + terme de synchronisation de la membrane basilaire), mais les pondérations sont entraînées sur des jugements de qualité musicale.
Signification
Qualité audio globale perçue d’un signal musical traité par l’aide auditive.
Unité / plage
0 → 1 (sans dimension).
Avantages
Seul indice pensé pour la musique + malentendance ; partage le moteur auditif de HASPI/HASQI.
Limites
Peu pertinent pour un protocole parole+bruit (d’où son décochage par défaut ici) ; coûteux.
Référence
Kates & Arehart (2016), IEEE/ACM TASLP 24(2), 354–365.
EDI
Envelope Difference IndexUne distorsion d’enveloppe, simple et transparente.
Calcul
Sur référence et dégradé alignés : redressement du signal en valeurs positives |x| → passe-bas Butterworth 6ᵉ ordre à 50 Hz → sous-échantillonnage à 6 kHz → normalisation par la moyenne (pour avoir un signal entre 0 et 1 → EDI = Σ|envdég − envréf| / (2N) (paramètres alignés sur Souza et al., 2012).
Signification
À quel point l’enveloppe temporelle (le rythme, les modulations de la parole) est déformée. 0 = enveloppes identiques ; vers 1 = déformation maximale.
Unité / plage
0 → 1 (distorsion) — indice inversé : bas = mieux.
Avantages
Très simple et interprétable ; calcul instantané ; sensible aux distorsions temporelles (compression rapide, écrêtage).
Limites
Ne regarde que l’enveloppe (ignore le spectre fin et l’audition) ; pas un prédicteur d’intelligibilité en soi.
Référence
Fortune, Woodruff & Preves (1994), Ear and Hearing 15(5), 402–408 (indice original) ; Souza, Hoover & Gallun (2012), J. Speech Lang. Hear. Res. 55(3), 824–837 (calcul sur enveloppes, seuil de distorsion EDI ≈ 0,2).
PESQ
ITU-T P.862 (wide-band P.862.2)La référence télécom de la qualité perçue.
Calcul
Ré-échantillonnage à 16 kHz → alignement → modèle perceptif (transformation en sonie par bandes de Bark = bandes critiques) → calcul de perturbations symétrique et asymétrique entre référence et dégradé → mise en correspondance vers un score de type MOS (MOS-LQO).
Signification
Estime la note moyenne qu’un panel d’auditeurs donnerait à la qualité d’écoute (MOS = Mean Opinion Score).
Unité / plage
MOS-LQO ≈ 1 → 4,5 (1 = mauvais, 4,5 ≈ excellent).
Avantages
Normalisé (ITU-T), très répandu, échelle parlante ; utile comme point de comparaison universel.
Limites
Conçu pour la téléphonie / les codecs, pas pour l’aide auditive ni la perte auditive ; ignore l’audiogramme ; mesure la qualité, pas l’intelligibilité.
Référence
UIT-T Rec. P.862 (2001) ; extension large bande P.862.2 (2007) ; Rix et al., ICASSP 2001.
Note sur le matériau de test
Dans l’application OIQ, le signal cible est le NFIMfrench (EHIMA) : parole française naturelle calibrée sur le spectre à long terme de l’ISTS (Holube et al., 2010) ; le bruit est un babble de 4 ISTS. Cible et bruit partagent ainsi la même base spectrale ISTS, ce qui standardise la mesure. Comme HASPI a été ajusté sur de l’intelligibilité anglaise (phrases IEEE), les comparaisons relatives (appareils, réglages, RSB) restent solides ; les valeurs absolues portent un biais de langue, atténué mais non annulé par ce calage spectral (même densités spectrales entre le signal et le bruit).
Références bibliographiques
- Kates, J. M., & Arehart, K. H. (2021). The Hearing-Aid Speech Perception Index (HASPI) Version 2. Speech Communication, 131, 35–46. [HASPI v2 / w2]
- Kates, J. M., & Arehart, K. H. (2014). The Hearing-Aid Speech Quality Index (HASQI) Version 2. Journal of the Audio Engineering Society, 62(3), 99–117. [HASQI v2]
- Kates, J. M., & Arehart, K. H. (2016). The Hearing-Aid Audio Quality Index (HAAQI). IEEE/ACM Transactions on Audio, Speech, and Language Processing, 24(2), 354–365. [HAAQI]
- Kates, J. M., & Arehart, K. H. (2014). The Hearing-Aid Speech Perception Index (HASPI). Speech Communication, 65, 75–93. [HASPI v1 — modèle auditif fondateur]
- Fortune, T. W., Woodruff, B. D., & Preves, D. A. (1994). A new technique for quantifying temporal envelope contrasts. Ear and Hearing, 15(5), 402–408. [EDI — indice original]
- Souza, P., Hoover, E., & Gallun, F. (2012). Application of the envelope difference index to spectrally sparse speech. Journal of Speech, Language, and Hearing Research, 55(3), 824–837. [EDI — calcul sur enveloppes, seuil ≈ 0,2]
- Taal, C. H., Hendriks, R. C., Heusdens, R., & Jensen, J. (2011). An algorithm for intelligibility prediction of time–frequency weighted noisy speech. IEEE TASLP, 19(7), 2125–2136. [STOI]
- Jensen, J., & Taal, C. H. (2016). An algorithm for predicting the intelligibility of speech masked by modulated noise maskers. IEEE/ACM TASLP, 24(11), 2009–2022. [ESTOI]
- Van Kuyk, S., Kleijn, W. B., & Hendriks, R. C. (2018). An instrumental intelligibility metric based on information theory. IEEE Signal Processing Letters, 25(1), 115–119. [SIIB]
- Van Kuyk, S., Kleijn, W. B., & Hendriks, R. C. (2018). An evaluation of intrusive instrumental intelligibility metrics. IEEE/ACM TASLP, 26(11), 2153–2166. [SIIBGauss]
- ITU-T Recommendation P.862 (2001) & P.862.2 (2007). Perceptual Evaluation of Speech Quality (PESQ), wide-band extension. [PESQ]
- Holube, I., Fredelake, S., Vlaming, M., & Kollmeier, B. (2010). Development and analysis of an International Speech Test Signal (ISTS). International Journal of Audiology, 49(12), 891–903. [ISTS — signal/spectre du matériau NFIMfrench]
L’application OIQ porte sous R/Python des indices de Kates et associés. Les indices « intrusifs » comparent toujours un signal dégradé à une référence propre. Ces indices sont les plus couramment retrouvés dans la littérature audiologique. HASPI/HASQI/HAAQI © J. M. Kates & K. H. Arehart.
Bravo si vous en êtes arrivés là sans sauter de chapitres !!
Avant l’usage de l’application au prochain épisode, vous avez gagné l’interprétation de quelques mesures sur un Bernafon Encanta 400 réglé sur audiogramme N3 en embout fermé.
Les indices de perception/intelligibilité de Kates :
Un couplage fermé, les algos qui vont bien : on dépasse le normo-entendant à RSB négatifs. A noter un malentendant sans appareil pas si mauvais : la référence a été obtenue en fond de conduit auditif anthropomorphe, ça aide avec une petite amplification naturelle de l’oreille !
Le indices d’intelligibilité STOI et ESTOI (ESTOI étant le plus réaliste avec le bruit fluctuant de 4 locuteurs concurrents en ISTS) :
On retrouve un indice étonnamment proche de l’HASPIv2, ce que décrit la littérature scientifique.
Le indices de qualité :
L’EDI montre qu’une aide auditive dégrade l’enveloppe du signal, même dans le calme. Mais d’un autre côté, c’est son but, non ? Selon les fabricants, cette dégradation (pire en compression rapide) varie de 15 à 40%. L’HASQI quantifie également les dégradation de la structure fine en plus de l’enveloppe.
Les indices SIIB et PESQ :
Le SIIB^Gauss est reconnu comme un indice fiable et prédictif de l’intelligibilité. Il ne prend pas en compte la perte auditive. Le PESQ (ici tiré de Loizou) est donné à titre indicatif.
Hasta la vista pour de nouvelles aventures : l’algorithme d’analyse OIQ !