本發明公開了一種基于深度學習網絡的助聽器自驗配方法，通過構建患者綜合信息庫，通過對患者和驗配過程的深入分析，發現驗配過程中有效的策略，從而構建新的智能助聽器自驗配模型，提高驗配效率；引入深度學習網絡，通過大量的數據訓練，使網絡具有人工智能，能根據患者的基本信息快速生成符合患者聽損特性的語音信息，同時還能根據患者的評價反饋，自動調節輸入增益，大大縮短驗配時間，改善用戶滿意度。

1.基于深度學習網絡的助聽器自驗配方法，其特征在于：包括以下步驟，步驟(A)，建立患者綜合信息數據庫；步驟(B)，構建深度學習網絡，并基于患者綜合信息數據庫內的信息進行訓練；步驟(C)，根據訓練后的深度學習網絡，結合患者的評價反饋，對助聽器進行自驗配測試；步驟(B)，構建深度學習網絡，并基于患者綜合信息數據庫內的信息進行訓練，包括以下步驟，(B1)，根據解碼器層、編碼器層和輸出層架構，構建卷積長短期記憶網絡，同時增加增益調節層來反饋患者的評價；(B2)，通過編碼器層對接收加權的輸入語音，并進行編碼處理，輸出給解碼器層；(B3)，通過解碼器層對編碼器層的輸出進行解碼，并將解碼數據送入輸出層進行輸出；(B4)，通過輸出層將解碼器層輸出的多通道語音進行合并，輸出并反饋給患者；(B5)，將輸出層的隱層狀態、編碼層的隱層狀態與患者的評價共同輸入增益調節層來生成優化后的輸入參數增益；步驟(C)，根據訓練后的深度學習網絡，結合患者的評價反饋，對助聽器進行自驗配測試，包括以下步驟，(C1)，將多通道語音輸入步驟(B)深度學習網絡，生成的測試聲音提供給當前患者；(C2)，當前患者對聲音質量進行滿意度評估，若當前患者對聲音質量不滿意，則將輸出層的隱層狀態、編碼層的隱層狀態與患者的評價共同輸入增益調節層來生成優化后的新輸入參數增益，并作用給多通道語音，返回(C1)，并重新進行當前助聽器聲音測試，直到患者對聲音質量滿意，則結束驗配；若當前患者對聲音質量滿意，則結束驗配。2.根據權利要求1所述的基于深度學習網絡的助聽器自驗配方法，其特征在于：步驟(A)，建立患者綜合信息數據庫，所述患者綜合信息數據庫，包括(A1)，患者基本信息庫，包含年齡，性別，聽力圖以及聽障年限；(A2)，認知能力指標庫，包括空間聽覺測量、場景分析能力測量、一心多用時的動態聽覺測量、聽覺記憶容量測量、聽覺注意測量、疲勞與耐受力測量；(A3)，驗配過程信息庫，包括驗配所用語音，每次參數變化情況、每次調整生成的語音患者的反饋情況。3.根據權利要求1所述的基于深度學習網絡的助聽器自驗配方法，其特征在于：(B1)，所述編碼器層、解碼器層均含有2層卷積長短期記憶學習單元，位于最頂層的卷積長短期記憶學習單元是將多通道數據融合成固定長度的語音輸出；所述增益調節層含有1層卷積長短期記憶學習單元，該卷積長短期記憶學習單元，通過編碼器層、解碼器層的隱層狀態以及患者的評價反饋信息共同產生一組權重的概率分布值，將該概率權重作用于不同的通道上。4.根據權利要求3所述的基于深度學習網絡的助聽器自驗配方法，其特征在于：所述卷積長短期記憶學習單元，由智能調節器、輸出控制、細胞更新處理、激活函數、乘法器組成，當前時刻t的輸出都受到前一時刻t-1的細胞狀態和隱層狀態的影響，所述卷積長短期記憶學習單元，表達式如式(1)所示， 其中，G_t是智能調節器輸出針對候選細胞狀態與前一時刻細胞狀態的加權值，通過softmax將一組向量映射成另一組取值在0-1之間的常數，并獲得相應的概率值，其中sigmoid函數表示將一組向量映射成一個取值在0-1之間的常數；為當前時刻狀態信息的候選值；C_t和C_t-1為t時刻和t-1時刻的細胞狀態；o_t是當前輸出控制量；h_t和h_t-1為t時刻和t-1時刻的隱層狀態輸出；與o_t的計算中均采用卷積操作，用來挖掘多通道數據內在關系；W_a、與W_o分別為智能調節器、狀態信息和輸出控制門的權值，與b_o分別代表狀態信息和輸出控制門的偏置；x_t和x_t-1分別為t時刻和t-1時刻的輸入。5.根據權利要求2所述的基于深度學習網絡的助聽器自驗配方法，其特征在于：所述患者的評價是根據患者對提問的問題進行選擇，并將用戶的選擇編碼成12位長的1-0序列。