[發明專利]一種基于主動學習結合PNN的異常識別方法

在審

• 申請號: 202011247601.4
• 申請日: 2020-11-10
• 公開（公告）號: CN112309568A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 周孟然;胡鋒;卞凱;曹珍貫;凌六一;梁喆;閆鵬程
• 申請（專利權）人: 安徽理工大學
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06K9/62;G06N3/04;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

本發明公開了一種基于主動學習結合PNN的異常識別方法，涉及異常體征識別技術領域，通過篩選最有價值的樣本進行標記，既可降低人工標注成本，又可提高已標注樣本的泛化能力。分類器能夠主動選擇包含信息量大的未標注的礦工體征數據并將其交由專家進行標注，然后置入訓練集進行訓練，從而在訓練集較小的情況下獲得較高的分類正確率，這樣可以有效的降低構建高性能分類器的代價，提升訓練效率，能取得傳統監督學習算法所獲得的近似分類準確率。PNN算法建模過程簡單、訓練速度快、分類更準確、容錯性好。將主動學習與PNN算法相結合，用于體征異常礦工的識別，實現了礦工身體健康狀態的高效且快速識別，完成了部分職業病的前期預警。

技術領域

本發明涉及異常體征識別技術領域，特別涉及一種基于主動學習結合PNN的異常識別方法。

背景技術

煤礦是世界上最主要的傳統能源之一，從事煤礦工作的礦工數量十分龐大，礦工不僅工作強度大，作業時間長。井下的粉塵、有毒氣體、潮濕、設備噪聲等惡劣作業環境都會對礦工身體健康造成嚴重的不良影響，使其易患多種職業病，如塵肺病，職業中毒，風濕病，噪聲性耳聾等。對礦工的體征進行檢測，選擇出體征異常的礦工，可實現礦工職業病的早期判斷，減少疾病給礦工帶來的痛苦與危害。

現階段人工智能算法開始用于礦工職業病的輔助診斷，為礦山職工提供了多模式的職業病的防控與診療手段。然而，這些人工智能算法大都是監督學習算法，需要先對大量的礦工體征數據進行人工標注，不僅費時費力，還易出現標注錯誤的情況。有類標的數據比較稀少而沒有類標的數據是相當豐富的，但是對數據進行人工標注又非常昂貴。因此，本申請提供了一種基于主動學習結合概率神經網絡(Probabilistic neural network，PNN)的異常礦工體征識別方法，針對礦工這一特殊群體進行體征的異常檢測，實現礦工身體健康狀態的準確、實時測量分析，完成部分職業病的前期預警及保障礦工的生命健康。

發明內容

本發明的目的在于提供一種基于主動學習結合PNN的異常識別方法，針對礦工這一特殊群體進行體征的異常檢測，實現礦工身體健康狀態的準確、實時測量分析，完成部分職業病的前期預警及保障礦工的生命健康。

本發明提供了一種基于主動學習結合PNN的異常識別方法，包括以下步驟：

S1：搭建體征分析系統；

S2：采集體征數據導入體征分析系統；

S3：對采集到的體征數據進行數據清洗；

S4：將清洗后的體征數據按一定的比例隨機劃分成訓練集和測試集；

S5：根據主動學習算法策略標注體征數據，并建立PNN異常體征識別模型，對異常體征進行識別。

進一步地，所述步驟S1中的體征分析系統包括中控模塊、體溫檢測模塊、脈搏檢測模塊、呼吸檢測模塊、血壓檢測模塊、血液檢測模塊和心率檢測模塊，所述體溫檢測模塊、脈搏檢測模塊、呼吸檢測模塊、血壓檢測模塊、血液檢測模塊和心率檢測模塊均電連接在所述中控模塊的輸入端。

進一步地，所述步驟S2中的體征數據包括體溫、脈搏、呼吸率、血壓、血氧飽和度和心率。

進一步地，所述步驟S3中數據清洗的具體步驟如下：

S31：將小于Q_L-1.5IQR或大于Q_U+1.5IQR的值，劃分為異常值，其中，Q_L為下四分位數，表示全部觀察值中有四分之一的數據取值比它小，Q_U為上四分位數，表示全部觀察值中有四分之一的數據取值比它大，IQR＝Q_U-Q_L為四分位數間距，是上四分位數Q_U與下四分位數Q_L的差值，包含了全部觀察值的一半；

S32：對異常數據采用箱型圖進行分析；