[發明專利]礦工健康評估方法及系統

在審

• 申請號: 202010436457.2
• 申請日: 2020-05-21
• 公開（公告）號: CN111613340A
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 周孟然;楊先軍;胡鋒;陳炎炎;卞凱;閆鵬程
• 申請（專利權）人: 安徽理工大學;合肥博諧電子科技有限公司
• 主分類號: G16H50/70
• 分類號: G16H50/70;G16H50/50;G16H50/30;G06K9/62;G06N3/00;G06N3/08
• 代理公司: 西安銘澤知識產權代理事務所(普通合伙) 61223
• 代理人: 吳林

1.礦工健康評估方法，其特征在于，包括以下步驟：

S1：搭建礦工健康管理系統；

S2：采集礦工健康數據；

S3：采用ABC-RS算法對原始礦工健康數據進行屬性約簡，約簡掉冗余的屬性，保留有用的屬性；

S4：將屬性約簡后的礦工健康數據樣本按一定的比例隨機劃分成訓練集和預測集；

S5：建立健康診斷的預測模型：將訓練集的數據輸入到ELM模型中進行訓練，將預測集用于職業病早期類別預測效果的檢驗，實現礦工健康狀況的評估。

2.如權利要求1所述的礦工健康評估方法，其特征在于，所述步驟S1中，所述礦工健康管理系統由基本信息管理、體檢項目管理、健康數據采集、信息查詢、數據處理分析及系統管理組成。

3.如權利要求1所述的礦工健康評估方法，其特征在于，所述步驟S2中，采集患塵肺病、振動病、噪聲性耳聾、職業中毒以及健康礦工的P個健康相關生理參數數據，所述健康相關生理參數數據包括體重、肺活量、心電、腦電、肌電、心率、血糖、血壓、血氧、尿常規、體溫、尿酸、膽固醇、精神壓力和疲勞程度。

4.如權利要求1所述的礦工健康評估方法，其特征在于，所述步驟S3采用ABC-RS算法對原始礦工健康數據進行屬性約簡，其具體步驟如下：

S31：構造決策表系統S＝(U,A,V,F)，U為論域，A＝C∪D，A為屬性集合，C為條件屬性，D為決策屬性；輸出為決策表系統S＝(U,A,V,F)的一個相對約簡；

S32：計算S關于屬性集合A的正區域POS_A(D)，即式：

POS_A(D)＝∪_X∈U/DIQ

式中，IQ為屬性子集I的下近似；

S33：初始化偵查蜂群規模W，跟隨蜂群規模W，迭代次數為n，蜂群的食物源數量為n；

S34：偵查蜂搜索蜂蜜源，隨機生成W個蜜源的位置x(i)(i＝1,2,…,W)；

S35：偵查蜂變成引領蜂，引領蜂集合跟隨蜂，按照輪盤賭原則計算適應度fit(x)，并選擇最好的事物源x(a)；

S36：不斷搜索新的事物源并選擇目前最好的事物源；

S37：直到人工蜂群算法達到收斂條件為止，則終止迭代，否則返回S35繼續循環迭代；

S38：根據最優解組成的決策表系統，進而得到決策表系統S的一個包含n個屬性的相對屬性約簡集合{Z₁,Z₂,Z₃,…Z_n}(nP)。

5.如權利要求4所述的礦工健康評估方法，其特征在于，所述步驟S32中目標集合Q關于隨機屬性子集的下近似為式：

式中，Q表示目標集合，I為屬性子集，[q]_I為U劃分的等價類。

6.如權利要求1所述的礦工健康評估方法，其特征在于，所述步驟S4中，按照4：3的比例將屬性約簡后的N個礦工健康數據隨機劃分成訓練集和預測集。

7.如權利要求1所述的礦工健康評估方法，其特征在于，所述步驟S5中，將訓練集的數據輸入到ELM模型中進行訓練，將預測集用于職業病早期類別預測效果的檢驗，其具體步驟如下：

S51：設置輸入層和隱含層的隨機連接權值ω與隱含層神經層節點參數b；

S52：當設置激活函數為g(x)，隱含層神經元的個數為K(KM)時，ELM的訓練誤差可無限接近λ≥0，矩陣表示如下：

Hβ＝Y

式中，H為隱含層輸出矩陣；

S53：通過最小化近似平方差的方法求解連接隱藏層和輸出層的權重β，β＝H^*Y，H^*是H的Moore-Penrose廣義逆。目標函數為min||Hβ-T²，T是訓練數據的目標矩陣，

S54：通過上述步驟得到參數β、ω和b，實現了ELM的訓練過程，根據預測集的分類準確率對礦工的健康狀況進行評估。