Gebruikers van cochleaire implantaten kampen vaak met grote uitdagingen wanneer zij proberen gesprekken te volgen in omgevingen met veel achtergrondruis. Hoewel moderne computermodellen kunnen helpen om deze ruis te filteren, vormt het hoge energieverbruik van deze systemen tot nu toe een barrière voor integratie in draagbare medische apparatuur.
In een wetenschappelijke publicatie van 28 augustus 2026 beschrijven Ludovic Boulanger en Sean U. N. Wood een nieuwe aanpak om dit probleem op te lossen. De onderzoekers stellen dat traditionele Deep Neural Networks (DNN) weliswaar effectief zijn in het verbeteren van spraak, maar dat hun energievraag te hoog is voor processors met een laag vermogen. Volgens de analyse op arxiv.org maakt dit de inzet van standaard DNN's problematisch voor implantaten met processors met een laag vermogen.
Om deze efficiëntie te verhogen, hebben de wetenschappers een model ontwikkeld op basis van Spiking Neural Networks (SNN). Deze architectuur is ontworpen om prestaties te leveren die vergelijkbaar zijn met traditionele netwerken, maar dan met een fractie van het stroomverbruik. Het nieuwe systeem is gebaseerd op de 'Deep ACE'-architectuur en combineert twee cruciale processen in één end-to-end benadering: het wegfilteren van ruis en het coderen van de spraak voor het implantaat. In het rapport op wordt uitgelegd dat deze geïntegreerde methode leidt tot een gelijktijdige uitvoering van spraakverbetering en CI-codering.
De resultaten van het onderzoek zijn veelbelovend. Door gebruik te maken van meetwaarden zoals de signal-to-noise ratio improvement (SNRi) en de vocoded short-time objective intelligibility (VSTOI), konden de onderzoekers aantonen dat het SNN-model concurrerend is met bestaande technologieën. Het meest significante voordeel is echter de energiebesparing. Uit de data in de publicatie via blijkt dat het nieuwe model meer dan zes keer energie-efficiënter is dan de oorspronkelijke Deep ACE-architectuur.
Deze innovatie past in een bredere trend waarbij energiezuinige AI-modellen essentieel worden voor draagbare technologie en zintuiglijke protheses. Terwijl softwarematige oplossingen zoals google.com zich richten op het wegnemen van taalbarrières, focust dit onderzoek zich op de hardwarematige optimalisatie van hoe mensen geluid waarnemen.
Door de implementatie van SNN's wordt de weg vrijgemaakt voor intelligentere implantaten die in real-time complexe geluidsomgevingen kunnen filteren zonder de batterijduur drastisch te verkorten. De volledige technische details en de methodologie achter deze architectuur zijn terug te vinden in de documentatie op .