CN113284620A - 一种职业健康数据分析模型的建立方法 - Google Patents

一种职业健康数据分析模型的建立方法 Download PDF

Info

Publication number
CN113284620A
CN113284620A CN202110479863.1A CN202110479863A CN113284620A CN 113284620 A CN113284620 A CN 113284620A CN 202110479863 A CN202110479863 A CN 202110479863A CN 113284620 A CN113284620 A CN 113284620A
Authority
CN
China
Prior art keywords
krill
population
individual
optimal
kelm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110479863.1A
Other languages
English (en)
Other versions
CN113284620B (zh
Inventor
胡锋
周孟然
刘丹丹
闫鹏程
卞凯
曹珍贯
梁喆
凌六一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University of Science and Technology
Yijishan Hospital of Wannan Medical College
Original Assignee
Anhui University of Science and Technology
Yijishan Hospital of Wannan Medical College
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui University of Science and Technology, Yijishan Hospital of Wannan Medical College filed Critical Anhui University of Science and Technology
Priority to CN202110479863.1A priority Critical patent/CN113284620B/zh
Publication of CN113284620A publication Critical patent/CN113284620A/zh
Application granted granted Critical
Publication of CN113284620B publication Critical patent/CN113284620B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及数据处理技术领域，公开了一种职业健康数据分析模型的建立方法，包括以下步骤：对多个心电信号的多个时域特征、频域特征和信息域特征进行遗传算法筛选，获得N2个最优的心电信号特征，记为A2；将多个最优的心电信号特征A2与血压数据和心率数据合并，获得心功能数据，记为A3；采用自适应磷虾群算法优化KELM模型的正则化系数C和径向基核函数的参数g，得到最优正则化系数Cbest和最优径向基核函数的参数gbest；将心功能数据A3作为KELM模型的输入，获取KELM模型的最优适应度，采用最优适应度的KELM模型对A3测试集进行处理，采用这种职业健康数据分析模型进行心功能数据处理，提高了心电信号分析识别的精度，同时提升了心功能数据的处理速度。

Description

一种职业健康数据分析模型的建立方法
技术领域
本发明涉及职业健康数据处理技术领域，特别涉及一种职业健康数据分析 模型的建立方法。
背景技术
我国煤矿生产环境中存在粉尘、噪声、高温等多种职业病危害，这些职 业病危害严重威胁劳动者身体健康和生命安全。
在煤矿生产过程中，岩巷掘进、综采机割煤、块煤破碎等诸多环节会产生 各种各样的噪声。大量的噪声污染不仅让人烦躁、影响工作效率，而且会对人 体的健康造成损害，尤其是影响人的听力和心血管的功能。噪声对于听力功能 的影响受到的关注较多，也比较容易进行定期检查。而噪声污染对于心功能危 害的关注较少，同时矿工的心功能快速检测体系还不够完善。针对矿工的心功 能进行早期检测可以实现职业性心功能异常的早期识别，提高职业性心功能异 常的早期发现率，加深矿工对于心血管健康的认识程度，减少职业性心血管疾 病给矿工带来的严重负担。
现阶段，心功能的检测主要是通过测量血压、心率、心电等体征参数数据， 随后分析这些体征数据给出心功能的检测结果。随着人工智能算法的不断发展 和应用，将人工智能算法用于血压、心率、心电等体征参数数据的分析成为一 个研究热点，并取得了一系列的成功应用。然而，心电信号数据复杂度高，特 征提取和分析难度大，将传统的人工智能算法用于心电信号分析是存在识别精 度低、耗时长等不足。
鉴于此，本发明的目的在于提供一种职业健康数据分析模型的建立方法， 采用职业健康数据分析模型对职业健康数据进行处理。
发明内容
本发明提供一种职业健康数据分析模型的建立方法，能够提高心电信号分 析识别的精度，提升心功能数据的处理速度。
本发明提供了一种职业健康数据分析模型的建立方法，包括以下步骤：
S1、搭建矿工心功能健康数据检测系统；
S2、通过检测系统采集多个矿工的血压数据；采集多个矿工的心率数据； 采集多个矿工的心电信号；
S3、提取心电信号的多个时域特征、频域特征和信息域特征，将时域特征、 频域特征和信息域特征合并，得到心电信号特征，记为A1；
S4、对多个心电信号的多个时域特征、频域特征和信息域特征进行遗传算 法筛选，获得N2个最优的心电信号特征，记为A2；
S5、将多个最优的心电信号特征A2与血压数据和心率数据合并，获得心功 能数据，记为A3，心功能数A3分为A3训练集和A3测试集；
S6、使用A3训练集构建多分类的核极限学习机(Kernel Extreme LearningMachine，KELM)模型，获得目标函数；
S7、采用径向基核函数作为KELM模型的核函数，建立KELM职业健康 数据分析模型；
S8、采用自适应磷虾群(Adaptive Krill Herd，AKH)算法优化KELM职 业健康数据分析模型的正则化系数C和径向基核函数的参数g，得到最优正则 化系数Cbest和最优径向基核函数的参数gbest；
S9、将最优正则化系数Cbest和最优径向基核函数的参数gbest代入目标函数， 获取最优适应度的KELM职业健康数据分析模型；
S10、采用最优适应度的KELM职业健康数据分析模型对A3测试集进行分 析处理。
所述步骤S3中心电信号的时域特征包括：心电信号的最大值、最小值、 均值、方差、标准差、峰-峰值、峭度、偏度、峰值因子、脉冲因子、裕度因 子、峭度因子和波形因子；所述心电信号的频域特征包括：特征频率、重心频 率、频率方差、频率标准差、均方频率和均方根频率；所述心电信号的信息域 特征包括心电信号的近似熵和信息熵。
所述步骤S4中对心电信号的时域特征、频域特征和信息域特征进行遗传 算法筛选的具体步骤包括：
S41、初始化种群：
初始化种群的一个染色体是将一个零向量A＝[A1,A2,…,A21]，其中 Ai＝0,i＝1,2,…,21为A中的第i个列向量的随机N2维变成1，即从心电信号的 时域特征、频域特征和信息域特征中随机选了N2个特征，N2＝1，2，…，21， 重复上述过程n次，则得到一个有n条染色体的初代种群M(0)，n条染色体中 每条染色体都不相同；
S42、计算当前种群M(t)中每条染色体的适应度值f(m)：
将每一条染色体的适应度值求出，即将每一条染色体所代表的N2维特征 选出，计算出基于类内类间距离的可分性判据，作为该染色体的适应度值f(m)， 经过n次计算之后，得到每条染色体的适应度值；
S43、基于适应度值的选择：
按照选择概率P(f(m))对种群M(t)中的染色体进行采样，由采样出的染色 体繁殖出下一代染色体，组成新一代种群M(t+1)，具体方法为：将种群M(t) 中每条染色体的适应度值逐个累加，得到多个从0到1的区间，从0到1中取 一个随机数，该数落在哪个区间，就取哪条染色体，重复n次，得到了基于上 一代种群适应度值的新一代种群M(t+1)，而且保证了种群的染色体数目n不 改变；
S44、交叉：
首先将一个种群平均分成两部分，称为两个父代种群，将这两个父代种群 随机打乱，再从两个父代中分别取一个染色体进行交叉，这样就完成了一次随 机匹配的过程；
S45、变异：
基因突变是染色体的某一个位点上基因的改变，先按一定的变异概率选择 是否进行变异操作，若是，则随机从种群中选择一个个体，再随机地选择一个 基因进行反转，若该基因由1变为了0，则再随机选一个0变成1，反之也执 行同样的操作，直至遍历完种群中所有的个体；
S46、重复迭代：
在进行完选择、交叉和变异操作之后，上一代的种群M(t)已经变成了新一 代种群M(t+1)，重复上述步骤S42，在遗传算法迭代的过程中，种群中的染 色体会趋于所选特征数中的最优解，达到迭代次数t后，算法停止，输出最终 种群中适应度值最大的染色体，即完成了在多维特征中选择N2个最优的特征。
所述n∈[1～100]。
所述步骤S6中的目标函数为极限学习机的输出fELM(xk)，极限学习机的输 出fELM(xk)为：
Figure BDA0003048198460000041
其中，j为极限学习机隐含层神经元的第j个节点，m为极限学习机隐含 层神经元的节点数，βj＝[βj1 βj2 … βjl]T为隐含层神经元的第j个节点l 维的输出权值，
Figure BDA0003048198460000042
为隐含层神经元网络的阈值函数即“Sigmoid”函数， wj＝[w1j w2j … wnj]为隐含层神经元的第j个节点的n维输入权值，xk＝[xk1 xk2 … xkn]T为k次采样的n维输入值，其中采样次数k＝1,2,…,N， N为样本数，bj＝[b1 b2 … bm]T为隐含层神经元的第j个节点的阈值。
所述步骤S8中，采用自适应磷虾群AKH算法优化KELM模型的正则化 系数C和径向基核函数的参数g，其具体步骤为：
S81、AKH算法参数设定
设定种群大小ZQ，待优化参数维数WS，最大迭代次数DD，最大诱导速 度Nmax，觅食速度Fv，个体最大随机游动速度Dmax，初始化移动次数k＝0；
S82、种群初始化
在搜索空间内随机产生一组初始化种群，种群内每只磷虾个体代表待优化 问题的一个可行解；
S83、适应度评价
根据每只磷虾所处位置分别计算磷虾个体的适应度值，即由所在位置确定 的正则化系数C和径向基核函数的参数g构造出KELM模型，然后利用训练集 进行模型训练，最后对测试集进行预测分析，并将KELM预测结果和实际结 果之间的误差作为适应度评价的标准，其适应度函数表示为：
Figure BDA0003048198460000051
其中
Figure BDA0003048198460000052
其中，Ntest为测试集样本数目，Ei为测试集中第i个样本的预测误差， YKELM(i)为KELM职业健康数据分析模型预测的结果，Yi为实际结果；
检查适应度值是否降低，即判断FUNk是否小于FUNk-1，若降低，则执行 步骤S84，否则执行步骤S87；
S84、位置变化计算
磷虾个体位置的变化分为种群迁移引起的位置变化、觅食行为引起的位置 变化和磷虾个体随机游动引起的位置变化，其第k次移动表示为：
Figure BDA0003048198460000053
其中，
Figure BDA0003048198460000061
为群体迁移，是个体i在其他磷虾行为影响下做出的移动，
Figure BDA0003048198460000062
为觅食移动，是个体i由食物引导而做出的移动；
Figure BDA0003048198460000063
则是个体i自身的随机游 动而作为的移动；
(1)种群迁移引起的位置变化：基于最近邻感应原则，若磷虾个体与其 他个体之间的距离小于所设定的感知半径，则向距离最近的磷虾方向移动，磷 虾个体i受其他磷虾影响下的第k次种群迁移引起的位置变化表示为：
Figure BDA0003048198460000064
其中，Nmax为最大诱导速度，ωn∈[0,1]为前后两次种群迁移的惯性权重，
Figure BDA0003048198460000065
为种群迁移源，决定了移动方向；
(2)觅食行为引起的位置变化：磷虾觅食移动主要受当前食物位置指引 和先前觅食经验的影响，磷虾个体的第k次觅食行为引起的位置变化表示为：
Figure BDA0003048198460000066
其中，Fv为觅食速度，ωf为前后两次觅食移动的惯性权重，
Figure BDA0003048198460000067
为觅食移动源，
Figure BDA0003048198460000068
表示食物对磷虾个体i的吸引力，
Figure BDA0003048198460000069
表示到当前时刻为止磷虾个体i所取得的最优适应度对i的活动的影响；
(3)磷虾个体随机游动引起的位置变化：磷虾自身游动会产生位置移动， 该活动被视作一个随机过程，由最大随机游动速度Dmax和随机方向矢量
Figure BDA00030481984600000610
决 定，具体表示为：
Figure BDA00030481984600000611
其中，
Figure BDA00030481984600000612
是[-1，1]的随机数；
从理论上说，磷虾个体的位置越好，则其随机扩散游动越不明显，随着时 间的推移，即迭代次数增加，种群迁移和觅食行为对磷虾个体游动的影响越小， 为了使个体的随机游动随时间减弱，因此在
Figure BDA00030481984600000613
中引入迭代递减的环节，
Figure BDA00030481984600000614
其中，DD为最大迭代次数；
S85、自适应位置更新：综合种群迁移、觅食行为和个体游动引起的磷虾 位置变化量，在此基础上进行遗传和自适应调节，更新磷虾个体在搜索空间中 的位置；
S86、迭代计算：根据更新后的位置返回步骤S83；
S87、算法结束：输出最优正则化系数Cbest和最优径向基核函数的参数gbest。 所述步骤S85中，更新磷虾个体在搜索空间中的位置，具体包含以下步骤：
S851、引入遗传繁殖机制调节磷虾位置：在传统磷虾群优化算法中引入遗 传繁殖机制，加入交叉、变异操作，以提高算法性能；
交叉操作模拟基因重组过程，按一定的交叉概率Pc对种群中两个磷虾个体 的部分基因替换重组，提高了算法的全局搜索能力，定义磷虾个体i和磷虾个 体j通过变异操作产生新个体的过程为：
Figure BDA0003048198460000071
所述变异操作以变异概率Pm对磷虾个体进行修改，表示为：
Figure BDA0003048198460000072
其中，
Figure BDA0003048198460000073
表示最优磷虾个体的位置；
S852、引入自适应机制调节磷虾位置：为提高算法在最优解附近搜寻潜在 更优解的能力，加入自适应算子Γ，具体操作为：
Figure BDA0003048198460000074
其中，
Figure BDA0003048198460000075
是磷虾种群个体与最优磷虾的最远距离，赋权值0＜ξ＜0.5以 调节邻域范围的限定，算子Γ只针对最优解邻域的磷虾个体，
Figure BDA0003048198460000076
为[-0.5，0,5] 上的随机值。
与现有技术相比，本发明的有益效果在于：
本发明通过采用遗传算法对心电信号在时域、频域和信息域的多个特征进 行特征筛选，降低原始心电数据的维度，提高了心电信号分析识别的精度，降 低了心电信号分析的时长。
本发明通过核极限学习机(KELM)构建职业健康数据分析模型，具有训 练时间短、分类精度高、不易出现过拟合等优点。
本发明采用种群优化算法中的自适应磷虾群(AKH)算法来进行KELM 模型的正则化系数C和径向基核函数的参数g的参数寻优，解决了人工选择 KELM参数繁琐且不准确的问题，提升了心功能健康数据分析的精度和速度。
附图说明
图1为本发明提供的一种职业健康数据分析模型的建立方法的流程图。
图2为本发明提供的一种职业健康数据分析模型的建立方法所用的心功能 健康数据检测系统结构框图。
图3为本发明提供的一种职业健康数据分析模型的建立方法中所用的自适 应磷虾群算法优化KELM参数的流程示意图。
具体实施方式
下面结合附图1-3，对本发明的一个具体实施方式进行详细描述，但应当 理解本发明的保护范围并不受具体实施方式的限制。
如图1所示，本发明提供了一种职业健康数据分析模型的建立方法，包括 以下步骤：
S1、搭建矿工心功能健康数据检测系统；
S2、采集矿工心功能相关的体征信号；
S3、提取心电信号的时域特征、频域特征和信息域特征；
S4、心电信号特征的遗传算法筛选；
S5、矿工心功能数据的整合重构；
S6、构建多分类的核极限学习机(Kernel Extreme Learning Machine，KELM) 模型，在满足相应约束下形成目标函数；
S7、采用径向基核函数作为KELM分析模型的核函数，建立用于矿工心 功能健康数据分析的KELM模型；
S8、采用自适应磷虾群(Adaptive Krill Herd，AKH)算法优化KELM分 析模型的正则化系数C和径向基核函数的参数g，得到最优正则化系数Cbest和 最优径向基核函数的参数gbest；
S9、将体征数据A3，心功能数据A3按照4:1的比例随机划分为A3训练集和 A3测试集，作为KELM分析模型的输入，将最优正则化系数Cbest和最优径向 基核函数的参数gbest代入KELM模型的目标函数以构建职业健康数据分析模 型，获取KELM分析模型的最优适应度；
S10、采用职业健康模型对矿工心功能相关的体征信号进行处理。
较佳地，所述步骤S1中，矿工心功能健康数据检测系统主要包含血压采 集单元、心率采集单元以及心电采集单元，其中血压采集单元的核心部件是 XGZP6847A压力传感器，心率采集单元的核心部件是AD8232心率传感器， 心电采集单元的核心部件是BMD101心电采集传感器，此外还包括了用于矿工 心功能相关体征数据分析的上位机。
较佳地，所述步骤S2中，利用矿工心功能健康数据检测系统采集若干个 矿工的心功能相关的体征信号，主要是包括血压、心率和心电信号。
较佳地，所述步骤S3中，针对心电信号的时域特征，主要是计算原始心 电信号的最大值、最小值、均值、方差、标准差、峰-峰值、峭度、偏度、峰 值因子、脉冲因子、裕度因子、峭度因子、波形因子；针对心电信号的频域特 征，首先对原始心电信号进行快速傅里叶变换，然后计算特征频率、重心频率、 频率方差、频率标准差、均方频率和均方根频率；针对心电信号的信息域特征， 主要是计算心电信号的近似熵和信息熵；将时域特征、频域特征和信息域特征 合并，得到心电信号的特征，记为A1。
较佳地，所述步骤S4中，利用遗传算法对上述S3中心电信号的时域特征、 频域特征和信息域特征进行特征筛选，选择出对于心功能职业健康数据分析最 有用的特征属性，记为A2，降低心电特征数据的维度，提高分析精度和效率， 其具体步骤如下：
S41、初始化种群：上述S3中一个矿工的心电数据包含了21个不同的特 征属性，假设我们要从这21个特征中筛选出N2个特征，则初始化的一个染色 体为将一个零向量的随机N2位变成1，这样就从21维特征中随机选了N2维， 重复上述过程n次，则可以得到一个有n条染色体的初代种群M(0)，每条染色 体都不相同；
例如：将A＝[A1,A2,…,A21]的随机N2＝3维变成1，则随机得到新的 A＝[0,0,1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1]，那么则将心电信号的第3、4、21 个特征取出；
S42、计算当前种群M(t)中每条染色体的适应度值f(m)：将每一条染色体 的适应度值求出，即将每一条染色体所代表的N2维特征选出，计算出基于类 内类间距离的可分性判据，作为该染色体的适应度值f(m)，经过n次计算之后， 可以得到每条染色体的适应度值；
S43、基于适应度值的选择：按照选择概率P(f(m))对种群中的染色体进 行采样，由采样出的染色体经过一定的操作繁殖出下一代染色体，组成下一 代的种群M(t+1)，将种群中每条染色体的适应度值逐个累加，得到一些从0 到1的区间，从0到1中取一个随机数，该数落在哪个区间，就取哪条染色体。 重复n次，得到了基于上一代种群适应度值的新子代种群M(t+1)，而且保证 了种群的染色体数目不改变，恒为n；
S44、交叉：首先将一个种群平均分成两部分，称为两个父代种群，将这 两个父代种群随机打乱，再从两个父代中分别取一个染色体进行交叉，这样就 完成了一次随机匹配的过程；
S45、变异：基因突变是染色体的某一个位点上基因的改变，先按一定的 变异概率选择是否进行变异操作，若是，则随机从种群中选择一个个体，再随 机地选择一个基因进行反转，若该基因由1变为了0，则再随机选一个0变成 1，反之也执行同样的操作，直至遍历完种群中所有的个体；
S46、重复迭代：在进行完选择、交叉、和变异操作之后，上一代的种群M(t) 已经变成了新一代的种群M(t+1)。重复上述步骤S42，在遗传算法迭代的过 程中，种群中的染色体会趋于所选特征数中的最优解，达到一定的迭代次数t后， 算法停止，输出最终种群中适应度值最大的染色体，即完成了在21维特征中 选择N2个最优的特征。
较佳地，所述步骤S5中，将上述S4中筛选出的心电信号特征A2和S2中 的血压和心率数据合并，得到整合重构的矿工心功能数据，记为A3。
较佳地，所述步骤S6中，针对传统极限学习机未加入正则化，存在过拟 合的缺点，借鉴支持向量机中引入核函数的启发，将核函数引入极限学习机， 则得到核极限学习机，其输出可以表示为：
Figure BDA0003048198460000111
其中，j为极限学习机隐含层神经元的第j个节点，m为极限学习机隐含 层神经元的节点数，βj＝[βj1 βj2 … βjl]T为隐含层神经元的第j个节点l 维的输出权值，
Figure BDA0003048198460000112
为隐含层神经元网络的阈值函数即“Sigmoid”函数， wj＝[w1j w2j … wnj]为隐含层神经元的第j个节点的n维输入权值， xk＝[xk1 xk2 … xkn]T为k次采样的n维输入值，其中采样次数k＝1,2,…,N， N为样本数，bj＝[b1 b2 … bm]T为隐含层神经元的第j个节点的阈值。
本发明搭建了包含血压采集单元、心率采集单元以及心电采集单元的矿工 心功能检测系统，其中血压采集单元的核心部件是XGZP6847A压力传感器， 心率采集单元的核心部件是AD8232心率传感器，心电采集单元的核心部件是 BMD101心电采集传感器，此外还包括了用于矿工心功能相关体征数据分析的 上位机，如图2所示。
本发明人工智能算法开始用于矿工职业病，特别是职业性心血管相关职业 健康数据的分析，为矿山职工提供了多模式的职业健康数据分析方法。
本发明采用遗传算法对心电信号在时域、频域和信息域的21个特征进行 特征筛选，降低原始心电数据的维度，提高分析精度和效率。
本发明核极限学习机(KELM)算法训练时间短、分类精度高、不易出现 过拟合。
本发明在进行KELM模型参数选择的过程中，采用一种群优化算法来进 行KELM分析模型的正则化系数C和径向基核函数的参数g的参数寻优，解决 了人工选择KELM参数繁琐且不准确的缺点。
本发明在传统磷虾群优化算法中引入遗传繁殖机制(加入交叉、变异操作) 和自适应机制，增强了算法搜索最优解的能力，提高了寻优精度，并将该自适 应磷虾群(AKH)算法用于KELM职业健康数据分析模型的参数寻优，提升 了心功能数据分析的精度。
本申请提供了一种职业健康数据分析模型的建立方法，通过搭建矿工心功 能健康数据检测系统采集矿工的血压、心率和心电等心功能相关的体征信号， 在进行心功能健康数据分析过程中采用自适应磷虾群优化的KELM算法保证 了矿工心功能相关职业健康数据的快速、准确分析，准确可靠的掌握矿工的心 功能情况有助于准确、及时地掌握矿工的身体健康状态。针对矿工这一特殊群 体进行心脏功能相关健康数据的检测分析，实现矿工心脏健康状态的准确、实 时测量分析，完成职业性心血管疾病等部分职业病的前期预警，保障矿工的生 命健康。
在进行心电信号分析过程中为了提高分析精度，首先提取了心电信号在时 域、频域和信息域的21个特征，然后借助遗传算法对21个特征进行特征筛选， 优选出对于心功能健康数据分析最有用的特征属性，降低原始心电数据的维度， 提高分析精度和效率。
在构建矿工心功能健康数据分析模型的过程中，首先是采用KELM模型 来分析体征数据，有效避免了过拟合的问题；其次，针对如何选择KELM模 型参数这一难题，采用了一种群优化算法来进行KELM分析模型的正则化系 数C和径向基核函数的参数g的参数寻优，解决了人工选择KELM参数的不足。
最后，针对传统磷虾群优化算法常存在样本退化的缺点，为克服这一问题 并改善种群多样性，在传统磷虾群优化算法中引入遗传繁殖机制，加入交叉、 变异操作，增强了算法搜索最优解的能力，提高了寻优精度。
实施例1：
所述步骤S1中，矿工心功能健康数据检测系统主要包含血压采集单元、 心率采集单元以及心电采集单元，其中血压采集单元的核心部件是 XGZP6847A压力传感器，心率采集单元的核心部件是AD8232心率传感器， 心电采集单元的核心部件是BMD101心电采集传感器，此外还包括了用于矿工 心功能相关体征数据分析的上位机。
实施例2：
所述步骤S3中，针对心电信号的时域特征，主要是计算原始心电信号的 最大值、最小值、均值、方差、标准差、峰-峰值、峭度、偏度、峰值因子、 脉冲因子、裕度因子、峭度因子、波形因子；针对心电信号的频域特征，首先 对原始心电信号进行快速傅里叶变换，然后计算特征频率、重心频率、频率方 差、频率标准差、均方频率和均方根频率；针对心电信号的信息域特征，主要 是计算心电信号的近似熵和信息熵；将时域特征、频域特征和信息域特征合并， 得到心电信号的特征，记为A1。
实施例3：
所述步骤S4中，利用遗传算法对上述S3中心电信号的时域特征、频域特 征和信息域特征进行特征筛选，选择出对于心功能健康数据分析最有用的特征 属性，记为A2，降低心电特征数据的维度，提高分析精度和效率，其具体步骤 如下：
S41、初始化种群：上述S3中一个矿工的心电数据包含了21个不同的特 征属性，假设我们要从这21个特征中筛选出N2个特征，则初始化的一个染色 体为将一个零向量的随机N2位变成1，这样就从21维特征中随机选了N2维， 重复上述过程n次，则可以得到一个有n条染色体的初代种群M(0)，每条染色 体都不相同；
S42、计算当前种群M(t)中每条染色体的适应度值f(m)：将每一条染色体 的适应度值求出，即将每一条染色体所代表的N2维特征选出，计算出基于类 内类间距离的可分性判据，作为该染色体的适应度值f(m)，经过n次计算之后， 可以得到每条染色体的适应度值；
S43、基于适应度值的选择：按照选择概率P(f(m))对种群中的染色体进 行采样，由采样出的染色体经过一定的操作繁殖出下一代染色体，组成下一 代的种群M(t+1)，将种群中每条染色体的适应度值逐个累加，得到一些从0 到1的区间，从0到1中取一个随机数，该数落在哪个区间，就取哪条染色体。 重复n次，得到了基于上一代种群适应度值的新子代种群M(t+1)，而且保证 了种群的染色体数目不改变，恒为n；
S44、交叉：首先将一个种群平均分成两部分，称为两个父代种群，将这 两个父代种群随机打乱，再从两个父代中分别取一个染色体进行交叉，这样就 完成了一次随机匹配的过程；
S45、变异：基因突变是染色体的某一个位点上基因的改变，先按一定的 变异概率选择是否进行变异操作，若是，则随机从种群中选择一个个体，再随 机地选择一个基因进行反转，若该基因由1变为了0，则再随机选一个0变成 1，反之也执行同样的操作，直至遍历完种群中所有的个体；
S46、重复迭代：在进行完选择、交叉、和变异操作之后，上一代的种群M(t) 已经变成了新一代的种群M(t+1)。重复上述步骤S42，在遗传算法迭代的过 程中，种群中的染色体会趋于所选特征数中的最优解，达到一定的迭代次数t后， 算法停止，输出最终种群中适应度值最大的染色体，即完成了在21维特征中 选择N2个最优的特征。
实施例4：
如图3所示，所述步骤S8中，采用自适应磷虾群优化算法优化KELM分 析模型的正则化系数C和径向基核函数的参数g，其具体步骤为：
S81、AKH算法参数设定
设定种群大小ZQ，待优化参数维数WS，最大迭代次数DD，最大诱导速 度Nmax，觅食速度Fv，个体最大随机游动速度Dmax，初始化移动次数k＝0；
S82、种群初始化
在搜索空间内随机产生一组初始化种群，种群内每只磷虾个体代表待优化 问题的一个可行解；
S83、适应度评价
根据每只磷虾所处位置分别计算磷虾个体的适应度值，即由所在位置确定 的正则化系数C和径向基核函数的参数g构造出KELM模型，然后利用训练集 进行模型训练，最后对测试集进行预测分析，并将KELM预测结果和实际结 果之间的误差作为适应度评价的标准，其适应度函数表示为：
Figure BDA0003048198460000151
其中
Figure BDA0003048198460000152
其中，Ntest为测试集样本数目，Ei为测试集中第i个样本的预测误差， YKELM(i)为KELM职业健康数据分析模型预测的结果，Yi为实际结果；
检查适应度值是否降低，即判断FUNk是否小于FUNk-1，若降低，则执行 步骤S84，否则执行步骤S87；
S84、位置变化计算
磷虾个体位置的变化分为种群迁移引起的位置变化、觅食行为引起的位置 变化和磷虾个体随机游动引起的位置变化，其第k次移动表示为：
Figure BDA0003048198460000161
其中，
Figure BDA0003048198460000162
为群体迁移，是个体i在其他磷虾行为影响下做出的移动，
Figure BDA0003048198460000163
为觅食移动，是个体i由食物引导而做出的移动；
Figure BDA0003048198460000164
则是个体i自身的随机游 动而作为的移动；
(1)种群迁移引起的位置变化：基于最近邻感应原则，若磷虾个体与其 他个体之间的距离小于所设定的感知半径，则向距离最近的磷虾方向移动，磷 虾个体i受其他磷虾影响下的第k次种群迁移引起的位置变化表示为：
Figure BDA0003048198460000165
其中，Nmax为最大诱导速度，ωn∈[0,1]为前后两次种群迁移的惯性权重，
Figure BDA0003048198460000166
为种群迁移源，决定了移动方向；
(2)觅食行为引起的位置变化：磷虾觅食移动主要受当前食物位置指引 和先前觅食经验的影响，磷虾个体的第k次觅食行为引起的位置变化表示为：
Figure BDA0003048198460000167
其中，Fv为觅食速度，ωf为前后两次觅食移动的惯性权重，
Figure BDA0003048198460000168
为觅食移动源，
Figure BDA0003048198460000169
表示食物对磷虾个体i的吸引力，
Figure BDA00030481984600001610
表示到当前时刻为止磷虾个体i所取得的最优适应度对i的活动的影响；
(3)磷虾个体随机游动引起的位置变化：磷虾自身游动会产生位置移动， 该活动被视作一个随机过程，由最大随机游动速度Dmax和随机方向矢量
Figure BDA00030481984600001611
决 定，具体表示为：
Figure BDA00030481984600001612
其中，
Figure BDA00030481984600001613
是[-1，1]的随机数；
从理论上说，磷虾个体的位置越好，则其随机扩散游动越不明显，随着时 间的推移，即迭代次数增加，种群迁移和觅食行为对磷虾个体游动的影响越小， 为了使个体的随机游动随时间减弱，因此在
Figure BDA0003048198460000171
中引入迭代递减的环节，
Figure BDA0003048198460000172
其中，DD为最大迭代次数；
S85、自适应位置更新：综合种群迁移、觅食行为和个体游动引起的磷虾 位置变化量，在此基础上进行遗传和自适应调节，更新磷虾个体在搜索空间中 的位置，具体包含以下步骤：
S851、引入遗传繁殖机制调节磷虾位置：针对传统磷虾群优化算法常存在 样本退化的缺点，为克服这一问题并改善种群多样性，在传统磷虾群优化算法 中引入遗传繁殖机制，加入交叉、变异操作，以提高算法性能；
交叉操作模拟基因重组过程，按一定的交叉概率Pc对种群中两个磷虾个体 的部分基因替换重组，这在很大程度上提高了算法的全局搜索能力。定义磷虾 个体i和磷虾个体j通过变异操作产生新个体的过程为：
Figure BDA0003048198460000173
(2)变异操作以变异概率Pm对磷虾个体进行修改，防止算法出现早熟， 表示为：
Figure BDA0003048198460000174
其中，
Figure BDA0003048198460000175
表示最优磷虾个体的位置；
S852、引入自适应机制调节磷虾位置：传统磷虾群优化算法中，最优磷虾 个体位置是影响磷虾种群位置更新的决定因素，距最优磷虾越近的个体，其位 置更新将会受到越大限制，这是影响算法寻优精度的主要因素之一。为提高算 法在最优解附近搜寻潜在更优解的能力，加入自适应算子Γ，具体操作为：
Figure BDA0003048198460000176
其中，
Figure BDA0003048198460000181
是磷虾种群个体与最优磷虾的最远距离，赋权值0＜ξ＜0.5以 调节邻域范围的限定，算子Γ只针对最优解邻域的磷虾个体，
Figure BDA0003048198460000182
为[-0.5，0,5] 上的随机值。
S86、迭代计算：根据更新后的位置，返回步骤S83；
S87、算法结束：检查是否满足终止条件，若满足则输出最优个体位置(即 输出最优正则化系数Cbest和最优径向基核函数的参数gbest)，否则返回步骤S84。
本发明通过采用遗传算法对心电信号在时域、频域和信息域的多个特征进 行特征筛选，降低原始心电数据的维度，提高了心电信号分析识别的精度，降 低了心电信号分析识别的时长。
本发明通过核极限学习机(KELM)模型训练时间短、分类精度高、不易 出现过拟合。
本发明采用种群优化算法中的自适应磷虾群(AKH)算法来进行KELM 模型的正则化系数C和径向基核函数的参数g的参数寻优，解决了人工选择 KELM参数繁琐且不准确的问题，同时提升了心功能数据的处理速度。
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限 于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (7)

1.一种职业健康数据分析模型的建立方法，其特征在于，包括以下步骤：
S1、搭建矿工心功能健康数据检测系统；
S2、通过检测系统采集多个矿工的血压数据；采集多个矿工的心率数据；采集多个矿工的心电信号；
S3、提取心电信号的多个时域特征、频域特征和信息域特征，将时域特征、频域特征和信息域特征合并，得到心电信号特征，记为A1；
S4、对多个心电信号的多个时域特征、频域特征和信息域特征进行遗传算法筛选，获得N2个最优的心电信号特征，记为A2；
S5、将多个最优的心电信号特征A2与血压数据和心率数据合并，获得心功能数据，记为A3，心功能数A3分为A3训练集和A3测试集；
S6、使用A3训练集构建多分类的核极限学习机即KELM模型，获得目标函数；
S7、采用径向基核函数作为KELM模型的核函数，建立KELM职业健康数据分析模型；
S8、采用自适应磷虾群AKH算法优化KELM职业健康数据分析模型的正则化系数C和径向基核函数的参数g，得到最优正则化系数Cbest和最优径向基核函数的参数gbest；
S9、将最优正则化系数Cbest和最优径向基核函数的参数gbest代入目标函数，获取最优适应度的KELM职业健康数据分析模型；
S10、采用最优适应度的KELM职业健康数据分析模型对A3测试集进行分析处理。
2.如权利要求1所述的职业健康数据分析模型的建立方法，其特征在于，所述步骤S3中心电信号的时域特征包括：心电信号的最大值、最小值、均值、方差、标准差、峰-峰值、峭度、偏度、峰值因子、脉冲因子、裕度因子、峭度因子和波形因子；所述心电信号的频域特征包括：特征频率、重心频率、频率方差、频率标准差、均方频率和均方根频率；所述心电信号的信息域特征包括心电信号的近似熵和信息熵。
3.如权利要求2所述的职业健康数据分析模型的建立方法，其特征在于，所述步骤S4中对心电信号的时域特征、频域特征和信息域特征进行遗传算法筛选的具体步骤包括：
S41、初始化种群：
初始化种群的一个染色体是将一个零向量A＝[A1,A2,…,A21]，其中Ai＝0,i＝1,2,…,21为A中的第i个列向量的随机N2维变成1，即从心电信号的时域特征、频域特征和信息域特征中随机选了N2个特征，N2＝1，2，…，21，重复上述过程n次，则得到一个有n条染色体的初代种群M(0)，n条染色体中每条染色体都不相同；
S42、计算当前种群M(t)中每条染色体的适应度值f(m)：
将每一条染色体的适应度值求出，即将每一条染色体所代表的N2维特征选出，计算出基于类内类间距离的可分性判据，作为该染色体的适应度值f(m)，经过n次计算之后，得到每条染色体的适应度值；
S43、基于适应度值的选择：
按照选择概率P(f(m))对种群M(t)中的染色体进行采样，由采样出的染色体繁殖出下一代染色体，组成新一代种群M(t+1)，具体方法为：将种群M(t)中每条染色体的适应度值逐个累加，得到多个从0到1的区间，从0到1中取一个随机数，该数落在哪个区间，就取哪条染色体，重复n次，得到了基于上一代种群适应度值的新一代种群M(t+1)，而且保证了种群的染色体数目n不改变；
S44、交叉：
首先将一个种群平均分成两部分，称为两个父代种群，将这两个父代种群随机打乱，再从两个父代中分别取一个染色体进行交叉，这样就完成了一次随机匹配的过程；
S45、变异：
基因突变是染色体的某一个位点上基因的改变，先按一定的变异概率选择是否进行变异操作，若是，则随机从种群中选择一个个体，再随机地选择一个基因进行反转，若该基因由1变为了0，则再随机选一个0变成1，反之也执行同样的操作，直至遍历完种群中所有的个体；
S46、重复迭代：
在进行完选择、交叉和变异操作之后，上一代的种群M(t)已经变成了新一代种群M(t+1)，重复上述步骤S42，在遗传算法迭代的过程中，种群中的染色体会趋于所选特征数中的最优解，达到迭代次数t后，算法停止，输出最终种群中适应度值最大的染色体，即完成了在多维特征中选择N2个最优的特征。
4.如权利要求3所述的职业健康数据分析模型的建立方法，其特征在于，所述n∈[1～100]。
5.如权利要求1所述的职业健康数据分析模型的建立方法，其特征在于，所述步骤S6中的目标函数为极限学习机的输出fELM(xk)，极限学习机的输出fELM(xk)为：
Figure FDA0003048198450000031
其中，j为极限学习机隐含层神经元的第j个节点，m为极限学习机隐含层神经元的节点数，βj＝[βj1 βj2 … βjl]T为隐含层神经元的第j个节点l维的输出权值，
Figure FDA0003048198450000032
为隐含层神经元网络的阈值函数即“Sigmoid”函数，wj＝[w1j w2j … wnj]为隐含层神经元的第j个节点的n维输入权值，xk＝[xk1 xk2 … xkn]T为k次采样的n维输入值，其中采样次数k＝1,2,…,N，N为样本数，bj＝[b1 b2 … bm]T为隐含层神经元的第j个节点的阈值。
6.如权利要求1所述的职业健康数据分析模型的建立方法，其特征在于，所述步骤S8中，采用自适应磷虾群AKH算法优化KELM模型的正则化系数C和径向基核函数的参数g，其具体步骤为：
S81、AKH算法参数设定
设定种群大小ZQ，待优化参数维数WS，最大迭代次数DD，最大诱导速度Nmax，觅食速度Fv，个体最大随机游动速度Dmax，初始化移动次数k＝0；
S82、种群初始化
在搜索空间内随机产生一组初始化种群，种群内每只磷虾个体代表待优化问题的一个可行解；
S83、适应度评价
根据每只磷虾所处位置分别计算磷虾个体的适应度值，即由所在位置确定的正则化系数C和径向基核函数的参数g构造出KELM模型，然后利用训练集进行模型训练，最后对测试集进行预测分析，并将KELM预测结果和实际结果之间的误差作为适应度评价的标准，其适应度函数表示为：
Figure FDA0003048198450000041
其中
Figure FDA0003048198450000042
其中，Ntest为测试集样本数目，Ei为测试集中第i个样本的预测误差，YKELM(i)为KELM职业健康数据分析模型预测的结果，Yi为实际结果；
检查适应度值是否降低，即判断FUNk是否小于FUNk-1，若降低，则执行步骤S84，否则执行步骤S87；
S84、位置变化计算
磷虾个体位置的变化分为种群迁移引起的位置变化、觅食行为引起的位置变化和磷虾个体随机游动引起的位置变化，其第k次移动表示为：
Xi (k)＝Ni (k)+Fi (k)+Di (k)
其中，Ni (k)为群体迁移，是个体i在其他磷虾行为影响下做出的移动，Fi (k)为觅食移动，是个体i由食物引导而做出的移动；Di (k)则是个体i自身的随机游动而作为的移动；
(1)种群迁移引起的位置变化：基于最近邻感应原则，若磷虾个体与其他个体之间的距离小于所设定的感知半径，则向距离最近的磷虾方向移动，磷虾个体i受其他磷虾影响下的第k次种群迁移引起的位置变化表示为：
Figure FDA0003048198450000056
其中，Nmax为最大诱导速度，ωn∈[0,1]为前后两次种群迁移的惯性权重，
Figure FDA0003048198450000051
为种群迁移源，决定了移动方向；
(2)觅食行为引起的位置变化：磷虾觅食移动主要受当前食物位置指引和先前觅食经验的影响，磷虾个体的第k次觅食行为引起的位置变化表示为：
Figure FDA0003048198450000057
其中，Fv为觅食速度，ωf为前后两次觅食移动的惯性权重，
Figure FDA0003048198450000052
为觅食移动源，
Figure FDA0003048198450000053
表示食物对磷虾个体i的吸引力，
Figure FDA0003048198450000054
表示到当前时刻为止磷虾个体i所取得的最优适应度对i的活动的影响；
(3)磷虾个体随机游动引起的位置变化：磷虾自身游动会产生位置移动，该活动被视作一个随机过程，由最大随机游动速度Dmax和随机方向矢量δi (k)决定，具体表示为：
Di (k)＝Dmaxδi (k)
其中，δi (k)是[-1，1]的随机数；
从理论上说，磷虾个体的位置越好，则其随机扩散游动越不明显，随着时间的推移，即迭代次数增加，种群迁移和觅食行为对磷虾个体游动的影响越小，为了使个体的随机游动随时间减弱，因此在Di (k)中引入迭代递减的环节，
Figure FDA0003048198450000055
其中，DD为最大迭代次数；
S85、自适应位置更新：综合种群迁移、觅食行为和个体游动引起的磷虾位置变化量，在此基础上进行遗传和自适应调节，更新磷虾个体在搜索空间中的位置；
S86、迭代计算：根据更新后的位置返回步骤S83；
S87、算法结束：输出最优正则化系数Cbest和最优径向基核函数的参数gbest。
7.如权利要求6所述的职业健康数据分析模型的建立方法，其特征在于，所述步骤S85中，更新磷虾个体在搜索空间中的位置，具体包含以下步骤：
S851、引入遗传繁殖机制调节磷虾位置：在传统磷虾群优化算法中引入遗传繁殖机制，加入交叉、变异操作，以提高算法性能；
交叉操作模拟基因重组过程，按一定的交叉概率Pc对种群中两个磷虾个体的部分基因替换重组，提高了算法的全局搜索能力，定义磷虾个体i和磷虾个体j通过变异操作产生新个体的过程为：
Figure FDA0003048198450000061
所述变异操作以变异概率Pm对磷虾个体进行修改，表示为：
Figure FDA0003048198450000062
其中，
Figure FDA0003048198450000063
表示最优磷虾个体的位置；
S852、引入自适应机制调节磷虾位置：为提高算法在最优解附近搜寻潜在更优解的能力，加入自适应算子Γ，具体操作为：
Figure FDA0003048198450000064
其中，
Figure FDA0003048198450000065
是磷虾种群个体与最优磷虾的最远距离，赋权值0＜ξ＜0.5以调节邻域范围的限定，算子Γ只针对最优解邻域的磷虾个体，θi (k)为[-0.5，0,5]上的随机值。
CN202110479863.1A 2021-04-30 2021-04-30 一种职业健康数据分析模型的建立方法 Active CN113284620B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110479863.1A CN113284620B (zh) 2021-04-30 2021-04-30 一种职业健康数据分析模型的建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110479863.1A CN113284620B (zh) 2021-04-30 2021-04-30 一种职业健康数据分析模型的建立方法

Publications (2)

Publication Number Publication Date
CN113284620A true CN113284620A (zh) 2021-08-20
CN113284620B CN113284620B (zh) 2023-07-21

Family

ID=77277844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110479863.1A Active CN113284620B (zh) 2021-04-30 2021-04-30 一种职业健康数据分析模型的建立方法

Country Status (1)

Country Link
CN (1) CN113284620B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113872239A (zh) * 2021-09-26 2021-12-31 华北电力大学（保定） 一种基于知识和数据联合驱动的并网逆变器阻抗获取方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650920A (zh) * 2017-02-19 2017-05-10 郑州大学 一种基于优化极限学习机的预测模型
CN107506602A (zh) * 2017-09-07 2017-12-22 北京海融兴通信息安全技术有限公司 一种大数据健康预测系统
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN110849626A (zh) * 2019-11-18 2020-02-28 东南大学 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统
CN111261289A (zh) * 2018-11-30 2020-06-09 上海图灵医疗科技有限公司 一种基于人工智能模型的心脏疾病的检测方法
CN111613340A (zh) * 2020-05-21 2020-09-01 安徽理工大学 矿工健康评估方法及系统
CN111695611A (zh) * 2020-05-27 2020-09-22 电子科技大学 一种蜂群优化核极限学习和稀疏表示机械故障识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650920A (zh) * 2017-02-19 2017-05-10 郑州大学 一种基于优化极限学习机的预测模型
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN107506602A (zh) * 2017-09-07 2017-12-22 北京海融兴通信息安全技术有限公司 一种大数据健康预测系统
CN111261289A (zh) * 2018-11-30 2020-06-09 上海图灵医疗科技有限公司 一种基于人工智能模型的心脏疾病的检测方法
CN110849626A (zh) * 2019-11-18 2020-02-28 东南大学 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统
CN111613340A (zh) * 2020-05-21 2020-09-01 安徽理工大学 矿工健康评估方法及系统
CN111695611A (zh) * 2020-05-27 2020-09-22 电子科技大学 一种蜂群优化核极限学习和稀疏表示机械故障识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ZHIJIAN WANG；LIKANG ZHENG；JUNYUAN WANG；WENHUA DU: "Research on Novel Bearing Fault Diagnosis Method Based on Improved Krill Herd Algorithm and Kernel Extreme Learning Machine", HINDAWI, pages 1 - 19 *
傅蔚阳;刘以安;薛松;: "基于改进KH算法优化ELM的目标威胁估计", 智能系统学报, no. 05, pages 693 - 699 *
李志鹏；李卫忠；杜瑞超: "自适应磷虾群优化Elman神经网络的目标威胁评估", 计算机工程与应用, vol. 54, no. 7, pages 226 - 231 *
陈强强;戴邵武;戴洪德;朱敏;孙玉玉;: "基于SPA-FIG与优化ELM的滚动轴承性能退化趋势预测", 振动与冲击, no. 19, pages 187 - 194 *
陈馨凝;刘辉;刘雨薇;邹琪骁;李侯君;: "基于改进磷虾群算法优化ESN的短期负荷预测", 湖北工业大学学报, no. 01, pages 38 - 42 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113872239A (zh) * 2021-09-26 2021-12-31 华北电力大学（保定） 一种基于知识和数据联合驱动的并网逆变器阻抗获取方法
CN113872239B (zh) * 2021-09-26 2023-09-08 华北电力大学（保定） 一种基于知识和数据联合驱动的并网逆变器阻抗获取方法

Also Published As

Publication number Publication date
CN113284620B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN110442666B (zh) 一种基于神经网络模型的矿产资源预测方法及系统
CN110880369A (zh) 基于径向基函数神经网络的气体标志物检测方法及应用
CN116153495A (zh) 一种食管癌患者免疫治疗预后生存预测方法
CN111105877A (zh) 基于深度置信网络的慢性病精确干预方法及系统
CN111429970B (zh) 基于极端梯度提升方法进行特征选择来获取多基因风险评分的方法及系统
CN114548482A (zh) 一种基于蠕变型滑坡动能变化率临滑预警方法
CN113284620B (zh) 一种职业健康数据分析模型的建立方法
CN115472221A (zh) 一种基于深度学习的蛋白质适应度预测方法
Dong et al. Microseismic event waveform classification using CNN-based transfer learning models
CN111708865B (zh) 一种基于改进XGBoost算法的技术预见及专利预警分析方法
CN116759067A (zh) 一种基于重建和Tabular数据的肝病诊断方法
CN115881232A (zh) 一种基于图神经网络和特征融合的scRNA-seq细胞类型注释方法
CN111767825B (zh) 一种人脸属性不变鲁棒性人脸识别方法及系统
CN114944198A (zh) 一种计算机处理采集设备数据的融合方法
Suwartane et al. Prediction models of diabetes diseases based on Heterogeneous Multiple Classifiers
CN113743461A (zh) 无人机集群健康度评估方法及装置
Agarwal et al. Crop Prediction Using Ensemble Learning
CN118072976B (zh) 基于数据分析的儿童呼吸道疾病预测系统及方法
CN115050437B (zh) 基于算法和区块链的生物大数据分析、疾病精准识别分类预测系统
Hu et al. Prediction of the positive psychology of college students using LightGBM algorithm based on SMOTE and Bayesian optimization
CN116226629B (zh) 一种基于特征贡献的多模型特征选择方法及系统
CN115952728B (zh) 一种亚硝态氮浓度软测量预测方法
CN117077005B (zh) 一种城市微更新潜力的优化方法和系统
EP4116845A1 (en) Model generation program, model generation method, and information processing apparatus
Gavenciak et al. Exploring the Contribution of Isochrony-based Features to Computerized Assessment of Handwriting Disabilities

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant