CN115644873A - 一种面向噪音职业危害的脑电波焦虑监测分析方法 - Google Patents
一种面向噪音职业危害的脑电波焦虑监测分析方法 Download PDFInfo
- Publication number
- CN115644873A CN115644873A CN202211320983.8A CN202211320983A CN115644873A CN 115644873 A CN115644873 A CN 115644873A CN 202211320983 A CN202211320983 A CN 202211320983A CN 115644873 A CN115644873 A CN 115644873A
- Authority
- CN
- China
- Prior art keywords
- noise
- target monitoring
- monitoring person
- time period
- anxiety
- 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.)
- Pending
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种面向噪音职业危害的脑电波焦虑监测分析方法,通过对各目标监测人员对应各异常时间段的噪音分贝浮动指数、噪音影响指数和大气环境影响系数进行分析,并综合分析得到各目标监测人员对应的噪音焦虑系数,从一方面来说,避免了现有技术中对噪音监测分析的片面性,大幅度提升了各目标监测人员对应噪音焦虑系数的精准性、有效性和科学依据性;从另一方面来说,为各职业类型对应噪音焦虑系数的分析提供了有力的数据支撑,便于各职业类型人员及时进行相应的调整和休息,在很大程度上避免了各职业类型人员噪音职业病的诱发。
Description
技术领域
本发明涉及脑电波焦虑监测分析技术领域,具体而言,涉及一种面向噪音职业危害的脑电波焦虑监测分析方法。
背景技术
随着社会经济的不断发展和社会文明的不断进步,各种各样的危害席卷人类,例如强噪音危害、强光线危害等。其中,噪声危害作为严重危害之一,不仅对人体脑电波的影响重大,同时极易对人员产生焦虑的情绪,由此凸显了噪音职业危害的脑电波焦虑监测分析方法的重要性。
众所周知,噪声对人体的危害是全身性的,它不仅对人体听觉系统产生损伤,同时对人体的神经系统和心血系统产生一定的损害,目前随着各种职业的兴起,越来越多的职业人群因噪声的干扰而诱发各种疾病,当前对噪声危害进行监测和分析时,主要通过对环境噪声进行监测分析,无法保障分析结果的精准性,其具体体现在以下方面:
1.人体脑电波能直观地反映人员对噪音分贝的敏感度,当前技术中没有对监测人员对应的大气环境和噪声环境进行采集,进而无法在模拟大气环境和模拟噪声环境中对监测人员对应的脑电波进行监测,降低了监测人员噪音敏感度分析结果的科学性和精准性,从而不利于后续对职业类型的噪音危害程度的分析。
2.由于人对声音感官的个体差异性,不同的人员对噪声的容忍度各不相同。当前技术中没有对监测人员对应的噪声容忍度进行分析,进而无法消除人体对噪声强度的主观差异性,使得分析结果缺乏可靠性和科学依据性。
发明内容
为了克服背景技术中的缺点,本发明实施例提供了一种面向噪音职业危害的脑电波焦虑监测分析方法,能够有效解决上述背景技术中涉及的问题。
本发明的目的可以通过以下技术方案来实现:
一种面向噪音职业危害的脑电波焦虑监测分析方法,包括如下步骤:
A1、目标监测人员职业信息获取:对各目标监测人员的职业类型进行获取,同时在设定周期内对各目标监测人员对应的职业大气环境和职业噪音环境进行获取,得到在设定周期内各目标监测人员对应的职业大气环境集合和职业噪音环境集合;
A2、目标监测人员大气环境模拟:基于设定周期内各目标监测人员对应的职业大气环境集合对各目标监测人员对应的监测大气环境进行模拟,得到各目标监测人员对应的模拟大气环境;
A3、目标监测人员噪音环境模拟:基于设定周期内各目标监测人员对应的职业噪音环境集合对各目标监测人员对应的监测噪音环境进行模拟,得到各目标监测人员对应的模拟噪音环境;
A4、目标监测人员脑电波监测分析:通过脑电图仪对各目标监测人员在其对应的模拟大气环境和模拟噪音环境中各设定时间段的脑电波进行监测,得到各目标监测人员对应各设定时间段的脑电图,并对各目标监测人员对应各设定时间段的脑电波波段进行分析;
A5、目标监测人员脑电波异常分析:对各目标监测人员对应各设定时间段的各脑电波波段进行异常分析,得到各目标监测人员对应的异常时间段集合;
A6、目标监测人员噪音焦虑分析:对各目标监测人员进行噪音焦虑分析,得到各目标监测人员对应的容忍噪音分贝值;
A7、目标监测人员噪音影响分析:获取各目标监测人员对应各异常时间段的时长,对各目标监测人员对应各异常时间段的噪音影响进行分析,得到各目标监测人员对应各异常时间段的噪音影响指数;
A8、职业类型噪音焦虑影响分析显示:对各目标监测人员对应的噪音焦虑系数进行分析,同时对各目标监测人员对应的职业类型进行同类筛选,得到各职业类型对应的各目标监测人员,并对各职业类型对应的噪音焦虑系数进行分析,进而进行相应排列和显示。
作为本发明的进一步改进,所述步骤A1中在设定周期内对各目标监测人员对应的职业大气环境和职业噪音环境进行获取,其具体获取方式如下:
将设定周期按照预设时间间隔划分为各设定时间段,并通过温度传感器、湿度传感器、光照强度传感器和空气流速传感器分别对各目标监测人员在对应所处大气环境中各设定时间段的大气温度、大气湿度、大气光照强度和大气空气流速进行采集,得到各目标监测人员在对应所处大气环境中各设定时间段的大气温度、大气湿度、大气光照强度和大气空气流速,由此构成在设定周期内各目标监测人员对应的职业大气环境集合;
通过噪声传感器对各目标监测人员在对应所处大气环境中各设定时间段中各时间点的噪音分贝进行监测,得到各目标监测人员在对应所处大气环境中各设定时间段中各时间点的噪音分贝值,由此构成在设定周期内各目标监测人员对应的职业噪音环境集合。
作为本发明的进一步改进,所述步骤A4中对各目标监测人员对应各设定时间段的脑电波波段进行分析,其具体分析方式如下:
从各目标监测人员对应各设定时间段的脑电图中提取各目标监测人员对应各设定时间段存在的脑电波波形,得到各目标监测人员对应各设定时间段的各脑电波波形;
将各目标监测人员对应各设定时间段的各脑电波波形与存储的各种脑电波波段对应的脑电波波形进行匹配,得到各目标监测人员对应各设定时间段的各脑电波波段。
作为本发明的进一步改进,所述步骤A5中对各目标监测人员对应各设定时间段的各脑电波波段进行异常分析,其具体分析方式如下:
从各目标监测人员对应各设定时间段的各脑电波波段中提取各脑电波波段对应的幅度下限值、幅度上限值、频率下限值和频率上限值,分别记为和i表示为各目标监测人员的编号,i=1,2,......,n,j表示为各设定时间段的编号,j=1,2,......,m,r表示为各脑电波波段的编号,r=1,2,......,s,进而计算出各目标监测人员对应各设定时间段的脑电波异常指数,记为
将各目标监测人员对应各设定时间段的脑电波异常指数与设定的脑电波异常指数阈值进行对比,若某目标人员对应某设定时间段的脑电波异常指数大于脑电波异常指数阈值,则将该目标人员对应的该设定时间段记为异常时间段,同时按照相同的分析方法得到各目标监测人员对应的各异常时间段。
作为本发明的进一步改进,所述步骤A6中对各目标监测人员进行噪音焦虑分析,其具体分析方式如下:
B1:从各目标监测人员对应的模拟噪音环境中提取各目标监测人员对应各异常时间段的噪音分贝集合,并从各目标监测人员对应各异常时间段的噪音分贝集合中提取各目标监测人员对应各异常时间段中各指定时间点的噪音分贝值;
B2:将各目标监测人员对应各异常时间段中各指定时间点的噪音分贝值按照从大到小的顺序依次进行排列,并从中筛选出各目标监测人员对应各异常时间段的集中噪音分贝值、中点噪音分贝值、最大噪音分贝值和最小噪音分贝值,分别记为和q表示为各异常时间段的编号,q=1,2,......,w;
B4:从各目标监测人员对应的各设定时间段中剔除各目标监测人员对应的各异常时间段,将各目标监测人员对应的其他设定时间段记为正常时间段,同时从各目标监测人员对应的模拟噪音环境中提取各目标监测人员对应各正常时间段的噪音分贝集合;
B5:从各目标监测人员对应各正常时间段的噪音分贝集合中提取各目标监测人员对应正常时间段的最大噪音分贝值,记为标记分贝值,同时从各目标监测人员对应各异常时间段的噪音分贝集合中提取各目标监测人员对应异常时间段的最小噪音分贝值,记为临界分贝值;
B7:将各目标监测人员对应的噪音分贝比例系数与设定的各种噪音分贝比例系数对应的比例等级进行匹配,得到各目标监测人员对应的比例等级,并将其与设定的各种比例等级对应的预测噪音差进行匹配,得到各目标监测人员对应的预测噪音差;
B8:将各目标监测人员对应的预测噪音差与各目标监测人员对应的标记分贝值进行作差,得到各目标监测人员对应的容忍噪音分贝值。
作为本发明的进一步改进,所述步骤B3中各目标监测人员对应各异常时间段的噪音分贝浮动指数,其具体计算公式为:e表示为自然常数,表示为设定的第i个目标监测人员对应第q个异常时间段的平均噪音分贝值,ΔZ集中、ΔZ中点、ΔZmax、ΔZmin分别表示为设定的允许集中噪音分贝值差、允许中点噪音分贝值差、允许最大噪音分贝值差、允许最小噪音分贝值差,b1、b2、b3、b4分别表示为设定的集中噪音分贝值、中点噪音分贝值、最大噪音分贝值、最小噪音分贝值对应的权值因子。
作为本发明的进一步改进,所述步骤A7中对各目标监测人员对应各异常时间段的噪音影响进行分析,其具体分析方式为:
将各目标监测人员对应各异常时间段中各指定时间点的噪音分贝值与各目标监测人员对应的容忍噪音分贝值进行对比,若某目标监测人员对应某异常时间段中某指定时间点的噪音分贝值大于其对应的容忍噪音分贝值,则将该指定时间点记为异常点,由此对各目标监测人员对应各异常时间段中存在的异常点数量进行统计;
作为本发明的进一步改进,所述步骤A8中对各目标监测人员对应的噪音焦虑系数进行分析,其具体分析方式为:
作为本发明的进一步改进,所述步骤A8中各职业类型对应的噪音焦虑系数进行分析,其具体分析方式为:
从各目标监测人员对应的噪音焦虑系数中提取各职业类型对应各目标监测人员的噪音焦虑系数,按照从大到小的顺序依次进行排列,并从中筛选出各职业类型对应的最大噪音焦虑系数、最小噪音焦虑系数和中点噪音焦虑系数,分别记为和l表示为各职业类型的编号,l=1,2,......,t;
依据公式计算出各职业类型对应的噪音焦虑系数,ψl表示为第l个职业类型对应的噪音焦虑系数,表示为设定的第l个职业类型对应的平均噪音焦虑系数,u1、u2、u3分别表示为设定的最大噪音焦虑系数、最小噪音焦虑系数、中点噪音焦虑系数对应的系数因子。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
1、本发明通过对各目标监测人员对应的职业大气环境和职业噪音环境进行采集,并基于各目标监测人员对应的职业大气环境和职业噪音环境对各目标监测人员进行场景模拟,不仅大幅度增加了各目标监测人员对应监测数据的可靠性和真实性,同时还在很大程度上保障了脑电波焦虑监测分析方法可行性。
2、本发明通过脑电图仪对各目标监测人员在其对应的模拟大气环境和模拟噪音环境中各设定时间段的脑电波进行监测,从一方面来说,提高了各目标监测人员对应脑电图的真实性和可靠性,避免了因场景过于单一造成分析结果不够精准和全面;从另一方面来说,为后续各目标监测人员对应容忍噪音分贝值的分析提供了可靠的数据支撑,有利于后续对职业类型的噪音危害程度的分析。
3、本发明通过对各目标监测人员对应各设定时间段的各脑电波波段进行分析,得到各目标监测人员对应的各异常时间段,进而通过各目标监测人员对应各异常时间段的标记分贝值和临界分贝值对各目标监测人员对应的容忍噪音分贝值进行分析,弥补了当前技术中对各监测人员对应噪声容忍度分析的不足,在最大限度上消除了人体对噪声强度的主观差异性,有效解决了现有技术中人体对噪声强度的主观差异性问题,使得后续各目标监测人员对应的噪音焦虑系数分析结果的可靠性增强。
4、本发明通过对各目标监测人员对应各异常时间段的噪音分贝浮动指数、噪音影响指数和大气环境影响系数进行分析,并综合分析得到各目标监测人员对应的噪音焦虑系数,从一方面来说,避免了现有技术中对噪音监测分析的片面性,大幅度提升了各目标监测人员对应噪音焦虑系数的精准性、有效性和科学依据性;从另一方面来说,为各职业类型对应噪音焦虑系数的分析提供了有力的数据支撑,便于各职业类型人员及时进行相应的调整和休息,在很大程度上避免了各职业类型人员噪音职业病的诱发。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明方法步骤连接示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1所示,本发明提供一种面向噪音职业危害的脑电波焦虑监测分析方法,包括如下步骤:
A1、目标监测人员职业信息获取:对各目标监测人员的职业类型进行获取,同时在设定周期内对各目标监测人员对应的职业大气环境和职业噪音环境进行获取,得到在设定周期内各目标监测人员对应的职业大气环境集合和职业噪音环境集合。
作为本发明的进一步改进,所述步骤A1中在设定周期内对各目标监测人员对应的职业大气环境和职业噪音环境进行获取,其具体获取方式如下:
将设定周期按照预设时间间隔划分为各设定时间段,并通过温度传感器、湿度传感器、光照强度传感器和空气流速传感器分别对各目标监测人员在对应所处大气环境中各设定时间段的大气温度、大气湿度、大气光照强度和大气空气流速进行采集,得到各目标监测人员在对应所处大气环境中各设定时间段的大气温度、大气湿度、大气光照强度和大气空气流速,由此构成在设定周期内各目标监测人员对应的职业大气环境集合;
通过噪声传感器对各目标监测人员在对应所处大气环境中各设定时间段中各时间点的噪音分贝进行监测,得到各目标监测人员在对应所处大气环境中各设定时间段中各时间点的噪音分贝值,由此构成在设定周期内各目标监测人员对应的职业噪音环境集合。
A2、目标监测人员大气环境模拟:基于设定周期内各目标监测人员对应的职业大气环境集合对各目标监测人员对应的监测大气环境进行模拟,得到各目标监测人员对应的模拟大气环境。
A3、目标监测人员噪音环境模拟:基于设定周期内各目标监测人员对应的职业噪音环境集合对各目标监测人员对应的监测噪音环境进行模拟,得到各目标监测人员对应的模拟噪音环境。
在一个具体的实施例中,本发明通过对各目标监测人员对应的职业大气环境和职业噪音环境进行采集,并基于各目标监测人员对应的职业大气环境和职业噪音环境对各目标监测人员进行场景模拟,不仅大幅度增加了各目标监测人员对应监测数据的可靠性和真实性,同时还在很大程度上保障了脑电波焦虑监测分析方法可行性。
A4、目标监测人员脑电波监测分析:通过脑电图仪对各目标监测人员在其对应的模拟大气环境和模拟噪音环境中各设定时间段的脑电波进行监测,得到各目标监测人员对应各设定时间段的脑电图,并对各目标监测人员对应各设定时间段的脑电波波段进行分析。
在一个具体的实施例中,本发明通过脑电图仪对各目标监测人员在其对应的模拟大气环境和模拟噪音环境中各设定时间段的脑电波进行监测,从一方面来说,提高了各目标监测人员对应脑电图的真实性和可靠性,避免了因场景过于单一造成分析结果不够精准和全面;从另一方面来说,为后续各目标监测人员对应容忍噪音分贝值的分析提供了可靠的数据支撑,有利于后续对职业类型的噪音危害程度的分析。
作为本发明的进一步改进,所述步骤A4中对各目标监测人员对应各设定时间段的脑电波波段进行分析,其具体分析方式如下:
从各目标监测人员对应各设定时间段的脑电图中提取各目标监测人员对应各设定时间段存在的脑电波波形,得到各目标监测人员对应各设定时间段的各脑电波波形;
将各目标监测人员对应各设定时间段的各脑电波波形与存储的各种脑电波波段对应的脑电波波形进行匹配,得到各目标监测人员对应各设定时间段的各脑电波波段。
A5、目标监测人员脑电波异常分析:对各目标监测人员对应各设定时间段的各脑电波波段进行异常分析,得到各目标监测人员对应的异常时间段集合。
在一个具体的实施例中,本发明通过对各目标监测人员对应各设定时间段的各脑电波波段进行分析,得到各目标监测人员对应的各异常时间段,进而通过各目标监测人员对应各异常时间段的标记分贝值和临界分贝值对各目标监测人员对应的容忍噪音分贝值进行分析,弥补了当前技术中对各监测人员对应噪声容忍度分析的不足,在最大限度上消除了人体对噪声强度的主观差异性,有效解决了现有技术中人体对噪声强度的主观差异性问题,使得后续各目标监测人员对应的噪音焦虑系数分析结果的可靠性增强。
作为本发明的进一步改进,所述步骤A5中对各目标监测人员对应各设定时间段的各脑电波波段进行异常分析,其具体分析方式如下:
从各目标监测人员对应各设定时间段的各脑电波波段中提取各脑电波波段对应的幅度下限值、幅度上限值、频率下限值和频率上限值,分别记为和i表示为各目标监测人员的编号,i=1,2,......,n,j表示为各设定时间段的编号,j=1,2,......,m,r表示为各脑电波波段的编号,r=1,2,......,s,进而计算出各目标监测人员对应各设定时间段的脑电波异常指数,记为
计算出各目标监测人员对应各设定时间段的脑电波异常指数,e表示为自然常数,F′rmin、F′rmax、P′rmin、P′rmax分别表示为存储的第r个脑电波波段对应的异常幅度下限值、异常幅度上限值、异常频率下限值、异常频率上限值,ΔFrmin、ΔFrmax、ΔPrmin、ΔPrmax分别表示为设定的第r个脑电波波段对应的允许幅度下限值差、允许幅度上限值差、允许频率下限值差、允许频率上限值差,a1、a2、a3、a4分别表示为设定的幅度下限值、幅度上限值、频率下限值、频率上限值对应的权值因子。
将各目标监测人员对应各设定时间段的脑电波异常指数与设定的脑电波异常指数阈值进行对比,若某目标人员对应某设定时间段的脑电波异常指数大于脑电波异常指数阈值,则将该目标人员对应的该设定时间段记为异常时间段,同时按照相同的分析方法得到各目标监测人员对应的各异常时间段。
A6、目标监测人员噪音焦虑分析:对各目标监测人员进行噪音焦虑分析,得到各目标监测人员对应的容忍噪音分贝值。
作为本发明的进一步改进,所述步骤A6中对各目标监测人员进行噪音焦虑分析,其具体分析方式如下:
B1:从各目标监测人员对应的模拟噪音环境中提取各目标监测人员对应各异常时间段的噪音分贝集合,并从各目标监测人员对应各异常时间段的噪音分贝集合中提取各目标监测人员对应各异常时间段中各指定时间点的噪音分贝值;
B2:将各目标监测人员对应各异常时间段中各指定时间点的噪音分贝值按照从大到小的顺序依次进行排列,并从中筛选出各目标监测人员对应各异常时间段的集中噪音分贝值、中点噪音分贝值、最大噪音分贝值和最小噪音分贝值,分别记为和q表示为各异常时间段的编号,q=1,2,......,w;
需要说明的是,集中噪音分贝值表示为各目标监测人员对应各异常时间段噪音分贝值的众数,若某目标监测人员对应某异常时间段噪音分贝值的众数为多个,则取其平均值作为集中噪音分贝值;
中点噪音分贝值表示为各目标监测人员对应各异常时间段噪音分贝的中位数。
作为本发明的进一步改进,所述步骤B3中各目标监测人员对应各异常时间段的噪音分贝浮动指数,其具体计算公式为:e表示为自然常数,表示为设定的第i个目标监测人员对应第q个异常时间段的平均噪音分贝值,ΔZ集中、ΔZ中点、ΔZmax、ΔZmin分别表示为设定的允许集中噪音分贝值差、允许中点噪音分贝值差、允许最大噪音分贝值差、允许最小噪音分贝值差,b1、b2、b3、b4分别表示为设定的集中噪音分贝值、中点噪音分贝值、最大噪音分贝值、最小噪音分贝值对应的权值因子。
B4:从各目标监测人员对应的各设定时间段中剔除各目标监测人员对应的各异常时间段,将各目标监测人员对应的其他设定时间段记为正常时间段,同时从各目标监测人员对应的模拟噪音环境中提取各目标监测人员对应各正常时间段的噪音分贝集合;
B5:从各目标监测人员对应各正常时间段的噪音分贝集合中提取各目标监测人员对应正常时间段的最大噪音分贝值,记为标记分贝值,同时从各目标监测人员对应各异常时间段的噪音分贝集合中提取各目标监测人员对应异常时间段的最小噪音分贝值,记为临界分贝值;
需要说明的是,各目标监测人员对应的噪音分贝比例系数,其具体计算公式为: 分别表示为第i个目标监测人员对应的标记分贝值、临界分贝值,Y′表示为设定的参考忍受分贝值上限,ΔY″标记、ΔY″临界分别表示为设定的允许标记分贝值差、允许临界分贝值差,b5、b6分别表示为设定的标记分贝值、临界分贝值对应的系数因子。
值得注意的是,若某目标监测人员对应的标记分贝越大,其对应的噪音分贝比例系数越大,表明该目标监测人员对应的噪音容忍度越高;若某目标监测人员对应的临界分贝越大,其对应的噪音分贝比例系数越小,表明该目标监测人员对应的噪音容忍度越低。
B7:将各目标监测人员对应的噪音分贝比例系数与设定的各种噪音分贝比例系数对应的比例等级进行匹配,得到各目标监测人员对应的比例等级,并将其与设定的各种比例等级对应的预测噪音差进行匹配,得到各目标监测人员对应的预测噪音差;
B8:将各目标监测人员对应的预测噪音差与各目标监测人员对应的标记分贝值进行作差,得到各目标监测人员对应的容忍噪音分贝值。
需要说明的是,容忍噪音分贝值=标记分贝值+预测噪音差。
A7、目标监测人员噪音影响分析:获取各目标监测人员对应各异常时间段的时长,对各目标监测人员对应各异常时间段的噪音影响进行分析,得到各目标监测人员对应各异常时间段的噪音影响指数。
作为本发明的进一步改进,所述步骤A7中对各目标监测人员对应各异常时间段的噪音影响进行分析,其具体分析方式为:
将各目标监测人员对应各异常时间段中各指定时间点的噪音分贝值与各目标监测人员对应的容忍噪音分贝值进行对比,若某目标监测人员对应某异常时间段中某指定时间点的噪音分贝值大于其对应的容忍噪音分贝值,则将该指定时间点记为异常点,由此对各目标监测人员对应各异常时间段中存在的异常点数量进行统计;
需要说明的是,依据公式计算出各目标监测人员对应各异常时间段的噪音影响指数,分别表示为第i个目标监测人员对应第q个异常时间段的时长、异常点数量,T′、N′分别表示为存储的异常时间段参考时长、允许异常点数量,c1、c2分别表示为设定的异常时间段时长、异常点数量对应的影响因子。
A8、职业类型噪音焦虑影响分析显示:对各目标监测人员对应的噪音焦虑系数进行分析,同时对各目标监测人员对应的职业类型进行同类筛选,得到各职业类型对应的各目标监测人员,并对各职业类型对应的噪音焦虑系数进行分析,进而进行相应排列和显示。
在一个具体的实施例中,本发明通过对各目标监测人员对应各异常时间段的噪音分贝浮动指数、噪音影响指数和大气环境影响系数进行分析,并综合分析得到各目标监测人员对应的噪音焦虑系数,从一方面来说,避免了现有技术中对噪音监测分析的片面性,大幅度提升了各目标监测人员对应噪音焦虑系数的精准性、有效性和科学依据性;从另一方面来说,为各职业类型对应噪音焦虑系数的分析提供了有力的数据支撑,便于各职业类型人员及时进行相应的调整和休息,在很大程度上避免了各职业类型人员噪音职业病的诱发。
需要说明的是,对各职业类型对应的噪音焦虑系数进行相应的排列和显示,其具体为:
将各职业类型对应的噪音焦虑系数按照从大到小的排列顺序依次进行排列,进而按照各职业类型对应的噪音焦虑系数排序结果进行相应的显示。
作为本发明的进一步改进,所述步骤A8中对各目标监测人员对应的噪音焦虑系数进行分析,其具体分析方式为:
需要说明的是,依据公式计算出各目标监测人员对应各异常时间段的大气环境影响系数,分别表示为第i个目标监测人员对应第q个异常时间段的大气温度、大气湿度、大气光照强度、大气空气流速,wd′、sd′、qd′、ls′分别表示为设定的参考大气温度、参考大气湿度、参考大气光照强度、参考大气空气流速,v1、v2、v3、v4分别表示为设定的大气温度、大气湿度、大气光照强度、大气空气流速对应的系数因子。
作为本发明的进一步改进,所述步骤A8中各职业类型对应的噪音焦虑系数进行分析,其具体分析方式为:
从各目标监测人员对应的噪音焦虑系数中提取各职业类型对应各目标监测人员的噪音焦虑系数,按照从大到小的顺序依次进行排列,并从中筛选出各职业类型对应的最大噪音焦虑系数、最小噪音焦虑系数和中点噪音焦虑系数,分别记为和l表示为各职业类型的编号,l=1,2,......,t;
需要说明的是,各职业类型对应的中点噪音焦虑系数表示为各职业类型对应各目标监测人员的中位数噪音焦虑系数。
依据公式计算出各职业类型对应的噪音焦虑系数,ψl表示为第l个职业类型对应的噪音焦虑系数,表示为设定的第l个职业类型对应的平均噪音焦虑系数,u1、u2、u3分别表示为设定的最大噪音焦虑系数、最小噪音焦虑系数、中点噪音焦虑系数对应的系数因子。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (9)
1.一种面向噪音职业危害的脑电波焦虑监测分析方法,其特征在于,包括如下步骤:
A1、目标监测人员职业信息获取:对各目标监测人员的职业类型进行获取,同时在设定周期内对各目标监测人员对应的职业大气环境和职业噪音环境进行获取,得到在设定周期内各目标监测人员对应的职业大气环境集合和职业噪音环境集合;
A2、目标监测人员大气环境模拟:基于设定周期内各目标监测人员对应的职业大气环境集合对各目标监测人员对应的监测大气环境进行模拟,得到各目标监测人员对应的模拟大气环境;
A3、目标监测人员噪音环境模拟:基于设定周期内各目标监测人员对应的职业噪音环境集合对各目标监测人员对应的监测噪音环境进行模拟,得到各目标监测人员对应的模拟噪音环境;
A4、目标监测人员脑电波监测分析:通过脑电图仪对各目标监测人员在其对应的模拟大气环境和模拟噪音环境中各设定时间段的脑电波进行监测,得到各目标监测人员对应各设定时间段的脑电图,并对各目标监测人员对应各设定时间段的脑电波波段进行分析;
A5、目标监测人员脑电波异常分析:对各目标监测人员对应各设定时间段的各脑电波波段进行异常分析,得到各目标监测人员对应的异常时间段集合;
A6、目标监测人员噪音焦虑分析:对各目标监测人员进行噪音焦虑分析,得到各目标监测人员对应的容忍噪音分贝值;
A7、目标监测人员噪音影响分析:获取各目标监测人员对应各异常时间段的时长,对各目标监测人员对应各异常时间段的噪音影响进行分析,得到各目标监测人员对应各异常时间段的噪音影响指数;
A8、职业类型噪音焦虑影响分析显示:对各目标监测人员对应的噪音焦虑系数进行分析,同时对各目标监测人员对应的职业类型进行同类筛选,得到各职业类型对应的各目标监测人员,并对各职业类型对应的噪音焦虑系数进行分析,进而进行相应排列和显示。
2.根据权利要求1所述的一种面向噪音职业危害的脑电波焦虑监测分析方法,其特征在于:所述步骤A1中在设定周期内对各目标监测人员对应的职业大气环境和职业噪音环境进行获取,其具体获取方式如下:
将设定周期按照预设时间间隔划分为各设定时间段,并通过温度传感器、湿度传感器、光照强度传感器和空气流速传感器分别对各目标监测人员在对应所处大气环境中各设定时间段的大气温度、大气湿度、大气光照强度和大气空气流速进行采集,得到各目标监测人员在对应所处大气环境中各设定时间段的大气温度、大气湿度、大气光照强度和大气空气流速,由此构成在设定周期内各目标监测人员对应的职业大气环境集合;
通过噪声传感器对各目标监测人员在对应所处大气环境中各设定时间段中各时间点的噪音分贝进行监测,得到各目标监测人员在对应所处大气环境中各设定时间段中各时间点的噪音分贝值,由此构成在设定周期内各目标监测人员对应的职业噪音环境集合。
3.根据权利要求1所述的一种面向噪音职业危害的脑电波焦虑监测分析方法,其特征在于:所述步骤A4中对各目标监测人员对应各设定时间段的脑电波波段进行分析,其具体分析方式如下:
从各目标监测人员对应各设定时间段的脑电图中提取各目标监测人员对应各设定时间段存在的脑电波波形,得到各目标监测人员对应各设定时间段的各脑电波波形;
将各目标监测人员对应各设定时间段的各脑电波波形与存储的各种脑电波波段对应的脑电波波形进行匹配,得到各目标监测人员对应各设定时间段的各脑电波波段。
4.根据权利要求1所述的一种面向噪音职业危害的脑电波焦虑监测分析方法,其特征在于:所述步骤A5中对各目标监测人员对应各设定时间段的各脑电波波段进行异常分析,其具体分析方式如下:
从各目标监测人员对应各设定时间段的各脑电波波段中提取各脑电波波段对应的幅度下限值、幅度上限值、频率下限值和频率上限值,分别记为和i表示为各目标监测人员的编号,i=1,2,......,n,j表示为各设定时间段的编号,j=1,2,......,m,r表示为各脑电波波段的编号,r=1,2,......,s,进而计算出各目标监测人员对应各设定时间段的脑电波异常指数,记为
将各目标监测人员对应各设定时间段的脑电波异常指数与设定的脑电波异常指数阈值进行对比,若某目标人员对应某设定时间段的脑电波异常指数大于脑电波异常指数阈值,则将该目标人员对应的该设定时间段记为异常时间段,同时按照相同的分析方法得到各目标监测人员对应的各异常时间段。
5.根据权利要求1所述的一种面向噪音职业危害的脑电波焦虑监测分析方法,其特征在于:所述步骤A6中对各目标监测人员进行噪音焦虑分析,其具体分析方式如下:
B1:从各目标监测人员对应的模拟噪音环境中提取各目标监测人员对应各异常时间段的噪音分贝集合,并从各目标监测人员对应各异常时间段的噪音分贝集合中提取各目标监测人员对应各异常时间段中各指定时间点的噪音分贝值;
B2:将各目标监测人员对应各异常时间段中各指定时间点的噪音分贝值按照从大到小的顺序依次进行排列,并从中筛选出各目标监测人员对应各异常时间段的集中噪音分贝值、中点噪音分贝值、最大噪音分贝值和最小噪音分贝值,分别记为和q表示为各异常时间段的编号,q=1,2,......,w;
B4:从各目标监测人员对应的各设定时间段中剔除各目标监测人员对应的各异常时间段,将各目标监测人员对应的其他设定时间段记为正常时间段,同时从各目标监测人员对应的模拟噪音环境中提取各目标监测人员对应各正常时间段的噪音分贝集合;
B5:从各目标监测人员对应各正常时间段的噪音分贝集合中提取各目标监测人员对应正常时间段的最大噪音分贝值,记为标记分贝值,同时从各目标监测人员对应各异常时间段的噪音分贝集合中提取各目标监测人员对应异常时间段的最小噪音分贝值,记为临界分贝值;
B7:将各目标监测人员对应的噪音分贝比例系数与设定的各种噪音分贝比例系数对应的比例等级进行匹配,得到各目标监测人员对应的比例等级,并将其与设定的各种比例等级对应的预测噪音差进行匹配,得到各目标监测人员对应的预测噪音差;
B8:将各目标监测人员对应的预测噪音差与各目标监测人员对应的标记分贝值进行作差,得到各目标监测人员对应的容忍噪音分贝值。
9.根据权利要求1所述的一种面向噪音职业危害的脑电波焦虑监测分析方法,其特征在于:所述步骤A8中各职业类型对应的噪音焦虑系数进行分析,其具体分析方式为:
从各目标监测人员对应的噪音焦虑系数中提取各职业类型对应各目标监测人员的噪音焦虑系数,按照从大到小的顺序依次进行排列,并从中筛选出各职业类型对应的最大噪音焦虑系数、最小噪音焦虑系数和中点噪音焦虑系数,分别记为和l表示为各职业类型的编号,l=1,2,......,t;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211320983.8A CN115644873A (zh) | 2022-10-26 | 2022-10-26 | 一种面向噪音职业危害的脑电波焦虑监测分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211320983.8A CN115644873A (zh) | 2022-10-26 | 2022-10-26 | 一种面向噪音职业危害的脑电波焦虑监测分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115644873A true CN115644873A (zh) | 2023-01-31 |
Family
ID=84990927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211320983.8A Pending CN115644873A (zh) | 2022-10-26 | 2022-10-26 | 一种面向噪音职业危害的脑电波焦虑监测分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115644873A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117224151A (zh) * | 2023-11-14 | 2023-12-15 | 江西科技学院 | 一种脑电异常信号的预警方法及系统 |
-
2022
- 2022-10-26 CN CN202211320983.8A patent/CN115644873A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117224151A (zh) * | 2023-11-14 | 2023-12-15 | 江西科技学院 | 一种脑电异常信号的预警方法及系统 |
CN117224151B (zh) * | 2023-11-14 | 2024-01-19 | 江西科技学院 | 一种脑电异常信号的预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Anderer et al. | An E-health solution for automatic sleep classification according to Rechtschaffen and Kales: validation study of the Somnolyzer 24× 7 utilizing the Siesta database | |
CN109273085B (zh) | 病理呼吸音库的建立方法、呼吸疾病的检测系统及处理呼吸音的方法 | |
Vizza et al. | Methodologies of speech analysis for neurodegenerative diseases evaluation | |
Fang et al. | A novel sleep respiratory rate detection method for obstructive sleep apnea based on characteristic moment waveform | |
CA2888394A1 (en) | Method and system for sleep detection | |
JP2001503667A (ja) | 睡眠プロファイルを求める装置と方法 | |
WO2019127558A1 (zh) | 基于脑电的麻醉深度监测方法和装置 | |
JPH07204168A (ja) | 生体情報自動識別装置 | |
CN110301890B (zh) | 呼吸暂停监测的方法及装置 | |
EP3964134A1 (en) | Lung health sensing through voice analysis | |
CN106901727A (zh) | 一种基于脑电信号的抑郁症风险筛查装置 | |
CN115644873A (zh) | 一种面向噪音职业危害的脑电波焦虑监测分析方法 | |
WO2010123483A2 (en) | Analyzing the prosody of speech | |
Müller et al. | Hyper-frequency network topology changes during choral singing | |
Lathadevi et al. | Objective Acoustic Analysis and Comparison of Normal and Abnormal Voices. | |
Villafuerte-Gonzalez et al. | Acoustic analysis and electroglottography in elite vocal performers | |
Xing et al. | Assessment of noise annoyance level of shield tunneling machine drivers under noisy environments based on combined physiological activities | |
Mahmoudi et al. | Sensor-based system for automatic cough detection and classification | |
Doheny et al. | Estimation of respiratory rate and exhale duration using audio signals recorded by smartphone microphones | |
Shemla et al. | Beating rate variability of isolated mammal sinoatrial node tissue: insight into its contribution to heart rate variability | |
Hanna et al. | Anthropometric and demographic correlates of dual-axis swallowing accelerometry signal characteristics: a canonical correlation analysis | |
NEILI et al. | Analysis of acoustic parameters from respiratory signal in copd and pneumonia patients | |
Kim et al. | Validation of the dysphonia severity index in the Dr. Speech Program | |
Behera et al. | Artificial neural network based arousal detection from sleep electroencephalogram data | |
Kulkas et al. | New tracheal sound feature for apnoea analysis |
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 |