CN117077540B - 基于深度学习的生物安全风险指标的监测方法 - Google Patents
基于深度学习的生物安全风险指标的监测方法 Download PDFInfo
- Publication number
- CN117077540B CN117077540B CN202311316282.1A CN202311316282A CN117077540B CN 117077540 B CN117077540 B CN 117077540B CN 202311316282 A CN202311316282 A CN 202311316282A CN 117077540 B CN117077540 B CN 117077540B
- Authority
- CN
- China
- Prior art keywords
- temperature
- sequence
- aerosol particle
- particle number
- average
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 239000000443 aerosol Substances 0.000 claims abstract description 111
- 239000002245 particle Substances 0.000 claims abstract description 110
- 244000005700 microbiome Species 0.000 claims abstract description 83
- 241000700605 Viruses Species 0.000 claims abstract description 76
- 230000002159 abnormal effect Effects 0.000 claims abstract description 56
- 239000012855 volatile organic compound Substances 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims description 42
- 230000005856 abnormality Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000006185 dispersion Substances 0.000 claims description 9
- 230000003612 virological effect Effects 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 8
- 238000009395 breeding Methods 0.000 claims description 5
- 230000001488 breeding effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 15
- 230000008569 process Effects 0.000 abstract description 10
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- VEMKTZHHVJILDY-UHFFFAOYSA-N resmethrin Chemical compound CC1(C)C(C=C(C)C)C1C(=O)OCC1=COC(CC=2C=CC=CC=2)=C1 VEMKTZHHVJILDY-UHFFFAOYSA-N 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/12—Means for regulation, monitoring, measurement or control, e.g. flow regulation of temperature
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
- C12M41/34—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of gas
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K3/00—Thermometers giving results other than momentary value of temperature
- G01K3/02—Thermometers giving results other than momentary value of temperature giving means values; giving integrated values
- G01K3/04—Thermometers giving results other than momentary value of temperature giving means values; giving integrated values in respect of time
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
- G16B5/20—Probabilistic models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Wood Science & Technology (AREA)
- Databases & Information Systems (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Organic Chemistry (AREA)
- Biochemistry (AREA)
- Medical Informatics (AREA)
- Zoology (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Microbiology (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Genetics & Genomics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Sustainable Development (AREA)
Abstract
本发明涉及深度学习技术领域，具体涉及基于深度学习的生物安全风险指标的监测方法，采集空气温度、湿度、气溶胶颗粒数及VOCs浓度数据，根据空气温度、湿度数据的概率分布与不适宜微生物繁殖的温度、湿度之间的差异，构建当前时间段的病毒微生物温度繁殖舒适度，根据病毒微生物温度繁殖舒适度对气溶胶颗粒数及VOCs浓度数据组成的序列分别进行修正；根据修正后气溶胶颗粒数序列及VOCs浓度分别得到其平均异常自离散系数；结合神经网络完成生物安全风险监测。从而实现生物安全风险指标的监测，避免了以往检测方法的时效性不足和操作过程复杂的问题，缩短了检测时间，降低了检测难度。
Description
技术领域
本申请涉及深度学习技术领域，具体涉及基于深度学习的生物安全风险指标的监测方法。
背景技术
高铁站作为重要的交通枢纽，是人群容易高密度聚集的地方，旅客在此停留的时间较长，空气的流通性较差，该环境下的空气质量尤为重要。空气中除了一些对人体有害的无机物以外，一些附带病毒的微生物也会通过空气进行传播。这些病毒会以呼吸或触摸多种方式进入人体，对身体健康的危害更为严重，导致呼吸道疾病，心血管疾病等，所以对空气中的病毒微生物风险测具有重要的现实意义。
然而现有的空气中病毒微生物检测方法主要先通过气溶胶采样来收集空气中的微小颗粒，再将收集的样本进行分子生物学检测来判断空气中微生物含量。这种方式在针对某一特定病毒可能有好的效果，然而存在的问题是该过程需要相对较长的分析时间，不具有实时性，需要专业人员进行实验以及复杂的处理步骤，具有操作复杂性。
综上所述，本发明通过短时间内空气温度和湿度数据得到病毒微生物繁殖舒适度，通过繁殖舒适度对气溶胶颗粒数和VOCs浓度序列进行修正，根据修正后气溶胶颗粒数和VOCs浓度序列构建平均异常自离散系数，结合神经网络得到病毒微生物安全风险等级，增强了风险检测实时性，缩短了检测时间。
发明内容
为了解决上述技术问题，本发明提供基于深度学习的生物安全风险指标的监测方法，以解决现有的问题。
本发明的基于深度学习的生物安全风险指标的监测方法采用如下技术方案：
本发明一个实施例提供了基于深度学习的生物安全风险指标的监测方法，该方法包括以下步骤：
采集各监测点空气温度、湿度、气溶胶颗粒数及挥发性有机物浓度数据；
在各时间段内，将各时刻所有监测点的温度数据均值作为各时刻的第一温度数据；根据各时刻的第一温度数据得到第一温度直方图；根据不适宜病毒微生物繁殖的温度数据得到不适宜温度序列；根据第一温度直方图及不适宜温度序列得到病毒微生物的温度繁殖舒适度；获取病毒微生物的湿度繁殖舒适度；根据病毒微生物的温度及湿度繁殖舒适度得到病毒微生物的繁殖舒适指数；根据病毒微生物的繁殖舒适度得到气溶胶颗粒数的修正序列；根据气溶胶颗粒数的修正序列中元素变化得到气溶胶颗粒数修正序列的平均异常指数；根据气溶胶颗粒数修正序列的平均异常指数得到气溶胶颗粒数的平均异常自离散系数；获取挥发性有机物浓度的平均异常自离散系数；
根据气溶胶颗粒数、挥发性有机物浓度的平均异常自离散系数得到第一、第二平均异常自离散系数序列；根据第一、第二平均异常自离散系数序列结合神经网络得到风险等级，完成生物安全风险监测。
优选的，所述根据各时刻的第一温度数据得到第一温度直方图，具体为：
将第一温度数据的温度分布区间等分成对各小区间，对各小区间进行温度数据统计，将各小区间作为横坐标、对应统计值作为纵坐标进行概率分布统计得到概率分布直方图；将概率分布直方图作为第一温度直方图。
优选的，所述根据不适宜病毒微生物繁殖的温度数据得到不适宜温度序列，具体为：
获取近一年来空气温度的最高温度及最低温度，将最高温度与最低温度之间的区间作为第一温度区间；将不适宜病毒微生物繁殖的温度作为第二温度区间；将第一温度区间与第二温度区间的交集作为不适宜温度区间；在不适宜温度区间中随机抽取多个数据组成的序列作为不适宜温度序列。
优选的，所述根据第一温度直方图及不适宜温度序列得到病毒微生物的温度繁殖舒适度，具体包括：
计算第一温度直方图中各横坐标温度与不适宜温度序列中各温度的差值，计算各横坐标温度对应概率与所述差值的乘积绝对值，计算所有乘积绝对的和值，将所述和值作为病毒微生物的温度繁殖舒适度。
优选的，所述根据病毒微生物的温度及湿度繁殖舒适度得到病毒微生物的繁殖舒适指数，具体包括：
将各时刻的第一温度数据组成的集合作为第一温度集合；将各时刻的第一湿度数据组成的集合作为第一湿度集合；计算归一化温度繁殖舒适度与第一温度集合中温度数据方差的乘积，记为第一乘积；计算归一化湿度繁殖舒适度与第一湿度集合中湿度数据方差的乘积，记为第二乘积；将第一乘积与第二乘积的和值作为病毒微生物的繁殖舒适指数。
优选的，所述根据病毒微生物的繁殖舒适度得到气溶胶颗粒数的修正序列，具体包括：
将各时刻所有监测点的气溶胶颗粒数数据的均值作为各时刻的气溶胶颗粒数；将各时刻的气溶胶颗粒数组成的序列作为气溶胶颗粒数序列；计算以自然常数为底、病毒微生物的繁殖舒适指数为指数的指数函数的计算结果；将所述计算结果的复数与气溶胶颗粒数序列中各元素的乘积作为修正序列中各元素值；将所述修正序列中各元素值组成的序列作为气溶胶颗粒数的修正序列。
优选的，所述根据气溶胶颗粒数的修正序列中元素变化得到气溶胶颗粒数修正序列的平均异常指数，具体包括：
计算气溶胶颗粒数修正序列中所有元素的均值；计算所述均值与气溶胶颗粒数修正序列中各元素的差值，获取所述差值的平方的均值；将所述均值作为气溶胶颗粒数修正序列的平均异常指数。
优选的，所述根据气溶胶颗粒数修正序列的平均异常指数得到气溶胶颗粒数的平均异常自离散系数，具体包括：
获取气溶胶颗粒数修正序列中元素的概率分布直方图；获取所述概率分布直方图中各横坐标对应概率；计算以自然常数为底、以各横坐标对应概率为指数的指数函数的计算结果；计算各横坐标对应概率与所述计算结果的乘积的和值；将所述和值与气溶胶颗粒数修正序列的平均异常指数的乘积作为气溶胶颗粒数的平均异常自离散系数。
优选的，所述根据气溶胶颗粒数、挥发性有机物浓度的平均异常自离散系数得到第一、第二平均异常自离散系数序列，具体为：
将各时间段气溶胶颗粒数的平均异常自离散系数按时间升序组成的序列作为第一平均异常自离散系数序列；将各时间段挥发性有机物浓度的平均异常自离散系数按时间升序组成的序列作为第二平均异常自离散系数序列。
优选的，所述根据第一、第二平均异常自离散系数序列结合神经网络得到风险等级，具体为：
将所有气溶胶颗粒数组成的序列记为第三序列；将所有挥发性有机物组成的序列作为第四序列；将第一、第二平均异常自离散系数序列及第三、第四序列输入已训练好的LSTM神经网络中，输出为1是为低风险，输出为2时为高风险。
本发明至少具有如下有益效果：
本发明通过使用不同传感器采集高铁站内对病毒微生物繁殖有影像的各项数据，构建气溶胶颗粒数和挥发性有机物（VOCs）浓度的平均异常自离散系数，结合神经网络对生物安全风险等级进行分类，避免了以往检测方法的时效性不足和操作过程复杂的问题，缩短了检测时间，降低了检测难度；
本发明采集空气温度、湿度、气溶胶颗粒数及VOCs浓度数据，根据空气温度、湿度数据的概率分布与不适宜微生物繁殖的温度、湿度之间的差异，构建当前时间段的病毒微生物温度繁殖舒适度，根据病毒微生物温度繁殖舒适度对气溶胶颗粒数及VOCs浓度数据组成的序列分别进行修正；根据修正后气溶胶颗粒数序列及VOCs浓度分别得到其平均异常自离散系数；结合神经网络完成生物安全风险监测，具有较高检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明提供的基于深度学习的生物安全风险指标的监测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于深度学习的生物安全风险指标的监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于深度学习的生物安全风险指标的监测方法的具体方案。
本发明一个实施例提供的基于深度学习的生物安全风险指标的监测方法。
具体的，提供了如下的基于深度学习的生物安全风险指标的监测方法，请参阅图1，该方法包括以下步骤：
步骤S001，采集空气温度、湿度、气溶胶颗粒数及挥发性有机物浓度数据。
在高铁站内不同位置安装各类传感器采集各类空气环境数据，其中包括通过红外温度传感器采集空气温度数据，通过电容式湿度传感器采集空气湿度数据，通过激光粒子计数器采集空气中气溶胶颗粒数，以及通过电子气体传感器检采集空气中挥发性有机物（VOCs）浓度数据。安装此四类传感器的原因是：适宜的温度和湿度为病毒的生长繁殖提供了有利的条件，会加快其扩散速度，而气溶胶颗粒变多会增加病毒微生物的附着点，使其随空气的流通进行传播，一些病毒寄生在病毒微生物细胞中会释放挥发性有机物（VOCs），检测VOCs浓度可以间接检测空气中的病毒含量。
对各类空气环境数据，每间隔5s采集一次对应各传感器数据，采集距当前时刻一小时内的历史数据，将每3分钟作为一个时间段，将当前时刻所在时间段作为当前时间段；获取当前时间段内的各类空气环境数据。采集及传输过程中可能导致数据缺失或异常的情况，对于缺失值采用最近邻插值法进行填充，对于异常值采用线性差值法来替换。为了便于分析，将不同传感器的数据进行归一化，后续的处理都将基于归一化的时序数据来进行。
步骤S002，根据空气温度和湿度数据得到病毒微生物繁殖舒适度，根据繁殖舒适度分别得到气溶胶颗粒数和挥发性有机物浓度的平均异常自离散系数。
高铁站的人群密度相对较高，加上空气的流通性差，容易为病毒微生物的繁殖生长营造适宜温度和湿度环境。站内的空气环境会随着旅客人员数量的变化而变换，例如客流量少的阶段，高铁站的温度对病毒微生物的生长没有太大的促进作用，客流量增多时，温度和湿度也会随之增加，此时病毒繁殖加快，增大了因病毒微生物带来的安全风险。所以，对温度湿度的检测分析有助于判断病毒微生物的风险指标。
对于当前时间段内的数据，以温度数据为例，由于同一时刻不同位置温度传感器均进行采集，即同一时刻会采集到多个温度数据，则将此时刻采集的所有温度数据的均值作为此时刻的空气温度数据，记为第一温度数据；获取各时刻的第一温度数据，将各时刻的第一温度数据组成的集合作为第一温度集合，通过上述方式获取其它各类空气环境数据的集合，分别记为第一湿度集合、气溶胶颗粒数集合及VOCs浓度集合。对第一温度集合内的数据进行概率分布直方图统计，具体为，获取第一温度集合内的温度分布区间，将温度分布区间等分成等份，对等分后的每个小区间进行温度数据统计，将每个小区间作为直方图的横坐标，将每个小区间统计到的温度数据个数作为每个小区间的纵坐标，根据横、纵坐标绘制概率分布直方图作为第一温度直方图，需要说明的是，/>的取值实施者可自行设定，本实施例将/>设定为20。
为获取高铁站的温度、湿度对病毒微生物的繁殖适宜性，需要获取高铁站中不适宜微生物繁殖的温度、湿度区间，因此首先获取高铁站一年来最高温度、最低温度及最高湿度、最低湿度，将最高温度与最低温度之间的区间记为第一温度区间，同理获取第一湿度区间；然后从官方医疗机构咨询获取病毒微生物在不同温度、湿度环境中的生长状况，从而获得不适宜病毒微生物进行繁殖的温度、湿度范围，将不适宜病毒微生物进行繁殖的温度范围记为第二温度区间，同理获取第二湿度区间，具体病毒微生物生长状况数据的获取方式，实施者可自行设定，本实施例不做具体限制。高铁站的温度、湿度总在人的可承受范围内，而在人的可承受温度、湿度范围内，温度、湿度越高病毒微生物繁殖越快。获取第一温度区间与第二温度区间的交集，交集所在温度区间即为高铁站内不适宜微生物繁殖的温度区间，记为第三温度区间，从第三温度区间中随机抽取个温度数据组成的序列作为不适宜温度序列。通过上述方法获取不适宜湿度序列。
根据采集到的各类空气环境数据，以温度数据为例，对高铁站的温度数据分析病毒微生物的繁殖适宜性。若高铁站的空气温度分布与病毒微生物不适宜温度序列的拟合度较低，说明在该环境下对病毒微生物的繁殖是有利的，将高铁站的空气温度序列与病毒微生物的不适宜温度序列进行比较，以此来构建病毒微生物温度繁殖舒适度：
式中，为病毒微生物的温度繁殖舒适度，/>为第一温度直方图中横坐标个数，为第一温度直方图中第/>个横坐标所在温度区间的概率分布值，/>为第/>个横坐标所在温度区间的中值温度，/>为不适宜温度序列中第/>个温度，/>为以/>为底的对数函数，/>为归一化函数。/>的绝对值越小，高铁站空气温度与病毒微生物的适宜繁殖温度差别越大，越不适宜病毒微生物繁殖，病毒微生物的温度繁殖舒适度越小；/>的绝对值越大，表明在该温度与不适宜的病毒微生物繁殖温度差异越大，即越适宜病毒微生物生长，其温度繁殖舒适度也越高；概率分布/>为权重，/>的绝对值较大时，/>的值更大，相对的，/>的绝对值较小时，/>的值仍相对较小。
同理，对湿度传感器的数据也作相同的计算，通过计算与不适宜病毒繁殖的湿度数值的概率分布直方图拟合度来构建病毒微生物的湿度繁殖舒适度，通过加权求和构建病毒微生物的繁殖舒适指数：
式中，为病毒微生物的繁殖舒适指数，/>为病毒微生物的温度繁殖舒适度，/>为病毒微生物的湿度繁殖舒适度，/>为第一温度集合中所有温度数据的方差，为第一湿度集合中所有湿度数据的方差。其中，/>为第一乘积，为第二乘积。方差越大，当前时间段内高铁站的温度、湿度变化较大，说明可能在当前时间段内出现了旅客人员短时间大量进站或出站情况。通过/>来分别对温度、湿度繁殖舒适度归一化，例如/>增加，说明温度变化的比值增大，对应的权值增加。计算各自对应的繁殖舒适度所占比重来合成整体的繁殖舒适指数，所以，最终的的值也越大。
通过微生物繁殖舒适度，对气溶胶颗粒数的时序数据进行修正处理，当空气中温度和湿度越高空气中温度和湿度越高，水蒸气凝结在空气中的液态小水滴越多，与空气中微尘、微生物等可形成的气溶胶颗粒数越多，病毒微生物在空气中可附着区域越多，温度湿度数据对空气中的气溶胶颗粒数有较大影响，因此，将气溶胶颗粒数集合中各数据按采集时间先后顺序排列得到气溶胶颗粒数序列，通过病毒微生物繁殖舒适指数来对气溶胶颗粒数序列/>中各数据进行修正得到气溶胶颗粒数修正序列/>：
式中，为气溶胶颗粒数修正序列/>中第/>个元素，/>为以/>为底的指数函数，为病毒微生物繁殖舒适指数，/>为调整因子，用于改变指数函数在定义域下的函数值变化快慢，需要说明的是，/>的值实施者可自行设定，本实施例将/>的值设定为6；/>为气溶胶颗粒数序列/>中第/>个元素。/>和/>都为正值，/>越大，说明气溶胶颗粒数受温度湿度的变化影响越大；/>的取值范围为/>，乘以/>使/>的值增大，从而扩大气溶胶颗粒数修正序列/>的数值变化范围，以此增加不同时间段内的气溶胶颗粒数的差异，有助于分析其异常性。
空气中的气溶胶颗粒数在正常情况下是比较稳定的，所以其传感器值波动基本在均值附近，且方差偏小。由于受到温度湿度及旅客人员数量的影响，气溶胶颗粒数会在某些时间段内发生异常增长，因此，构建气溶胶颗粒数修正序列的平均异常指数：
式中，为气溶胶颗粒数修正序列/>的平均异常指数，/>为气溶胶颗粒数修正序列中元素个数，/>为气溶胶颗粒数修正序列中第/>个元素，/>为气溶胶颗粒数修正序列中所有元素的均值。/>反映了气溶胶颗粒数据在短时内的异常分布情况，当气溶胶颗粒数修正序列/>出现异常时，序列/>中个元素与均值差别增大，使得气溶胶颗粒数平均异常指数变大，异常增长值越大，/>越大。
能在一定程度上反应气溶胶颗粒数序列的异常分布，而异常的出现不一定是规律的，其自身具有一定的离散性。例如高铁站某一区域会因检票短时间聚集大量乘客，大量乘客又快速离去，局部空气的气溶胶颗粒数变化快，离散度高。通过第一温度直方图的构建方式获取气溶胶颗粒数修正序列/>的概率分布直方图作为气溶胶直方图，构建气溶胶颗粒数平均异常自离散系数：
式中，为气溶胶颗粒数平均异常自离散系数，/>为气溶胶颗粒数修正序列/>的平均异常指数，/>为气溶胶直方图中横坐标个数，/>为气溶胶直方图中第/>个横坐标所在区间的概率分布值，/>为以/>为底的对数函数。当短时间内出现频繁的旅客聚集和散去时，气溶胶颗粒序列异常的出现的概率值会变大，因此计算的/>的值会变大，且描述异常分布的/>值变大，最终使得/>变大。气溶胶颗粒数越多，病毒微生物的传播越有利，潜在的风险越高。
对于采集的VOCs浓度的数据，进行和气溶胶颗粒数相同的处理步骤，得到VOCs浓度的平均异常自离散系数。
通过上述方式得到当前时间段的气溶胶颗粒数平均异常自离散系数及VOCs浓度平均异常自离散系数。
通过上述方式获取过去一小时内各时间段的气溶胶颗粒数平均异常自离散系数及VOCs浓度平均异常自离散系数。将各时间段的气溶胶颗粒数平均异常自离散系数按时间升序组成的序列作为第一平均异常自离散系数序列；将各时间段的VOCs浓度平均异常自离散系数按时间升序组成的序列作为第二平均异常自离散系数序列。
步骤S003，根据平均异常自离散系数结合神经网络完成生物安全风险监测。
本发明采用LSTM神经网络模型来对风险等级进行预测，将过去一小时内采集到的所有气溶胶颗粒数按时间升序组成的序列作为第三序列；将过去一小时内采集到的所有VOCs浓度数据按时间升序组成的序列作为第四序列。将第一平均异常自离散系数序列、第二平均异常自离散系数序列、第三序列及第四序列作为输入，将其输入到已训练好的LSTM神经网络模型中进行处理，最终输出生物安全风险等级，若输出风险等级为低风险，此时不需要进行防护；若输出风险等级为高风险，此时高铁站相关工作人员应严格按照要求对地铁站进行消毒、隔离等防范措施并加强乘客间个人防护。具体风险等级分类实施者可自行设定，本实施例不做具体限制。所述LSTM神经网络事先需要进行训练，其输入为大量采集的训练样本，为第一平均异常自离散系数序列、第二平均异常自离散系数序列、第三序列及第四序列，输出为人为标注的风险等级，损失函数采用交叉熵，优化算法采用Adam，神经网络优化训练为本领域技术人员周知的，这里不再赘述其细节，训练完后即可得到训练好的LSTM神经网络模型。
综上所述，本发明实施例通过使用不同传感器采集高铁站内对病毒微生物繁殖有影像的各项数据，构建气溶胶颗粒数和挥发性有机物（VOCs）浓度的平均异常自离散系数，结合神经网络对生物安全风险等级进行分类，避免了以往检测方法的时效性不足和操作过程复杂的问题，缩短了检测时间，降低了检测难度；
本实施例采集空气温度、湿度、气溶胶颗粒数及VOCs浓度数据，根据空气温度、湿度数据的概率分布与不适宜微生物繁殖的温度、湿度之间的差异，构建当前时间段的病毒微生物温度繁殖舒适度，根据病毒微生物温度繁殖舒适度对气溶胶颗粒数及VOCs浓度数据组成的序列分别进行修正；根据修正后气溶胶颗粒数序列及VOCs浓度分别得到其平均异常自离散系数；结合神经网络完成生物安全风险监测，具有较高检测效率。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。
Claims (4)
1.基于深度学习的生物安全风险指标的监测方法，其特征在于，该方法包括以下步骤：
采集各监测点空气温度、湿度、气溶胶颗粒数及挥发性有机物浓度数据；
在各时间段内，将各时刻所有监测点的温度数据均值作为各时刻的第一温度数据；根据各时刻的第一温度数据得到第一温度直方图；根据不适宜病毒微生物繁殖的温度数据得到不适宜温度序列；根据第一温度直方图及不适宜温度序列得到病毒微生物的温度繁殖舒适度；获取病毒微生物的湿度繁殖舒适度；根据病毒微生物的温度及湿度繁殖舒适度得到病毒微生物的繁殖舒适指数；根据病毒微生物的繁殖舒适度得到气溶胶颗粒数的修正序列；根据气溶胶颗粒数的修正序列中元素变化得到气溶胶颗粒数修正序列的平均异常指数；根据气溶胶颗粒数修正序列的平均异常指数得到气溶胶颗粒数的平均异常自离散系数；获取挥发性有机物浓度的平均异常自离散系数；
根据气溶胶颗粒数、挥发性有机物浓度的平均异常自离散系数得到第一、第二平均异常自离散系数序列；根据第一、第二平均异常自离散系数序列结合神经网络得到风险等级，完成生物安全风险监测；
所述根据第一温度直方图及不适宜温度序列得到病毒微生物的温度繁殖舒适度，具体包括：计算第一温度直方图中各横坐标温度与不适宜温度序列中各温度的差值，计算各横坐标温度对应概率与所述差值的乘积绝对值，计算所有乘积绝对的和值，将所述和值作为病毒微生物的温度繁殖舒适度；
所述根据病毒微生物的温度及湿度繁殖舒适度得到病毒微生物的繁殖舒适指数，具体包括：将各时刻的第一温度数据组成的集合作为第一温度集合；将各时刻的第一湿度数据组成的集合作为第一湿度集合；计算归一化温度繁殖舒适度与第一温度集合中温度数据方差的乘积，记为第一乘积；计算归一化湿度繁殖舒适度与第一湿度集合中湿度数据方差的乘积，记为第二乘积；将第一乘积与第二乘积的和值作为病毒微生物的繁殖舒适指数；
所述根据病毒微生物的繁殖舒适度得到气溶胶颗粒数的修正序列，具体包括：将各时刻所有监测点的气溶胶颗粒数数据的均值作为各时刻的气溶胶颗粒数；将各时刻的气溶胶颗粒数组成的序列作为气溶胶颗粒数序列；计算以自然常数为底、病毒微生物的繁殖舒适指数为指数的指数函数的计算结果；将所述计算结果的复数与气溶胶颗粒数序列中各元素的乘积作为修正序列中各元素值；将所述修正序列中各元素值组成的序列作为气溶胶颗粒数的修正序列；
所述根据气溶胶颗粒数的修正序列中元素变化得到气溶胶颗粒数修正序列的平均异常指数，具体包括：计算气溶胶颗粒数修正序列中所有元素的均值；计算所述均值与气溶胶颗粒数修正序列中各元素的差值，获取所述差值的平方的均值；将所述均值作为气溶胶颗粒数修正序列的平均异常指数；
所述根据气溶胶颗粒数修正序列的平均异常指数得到气溶胶颗粒数的平均异常自离散系数，具体包括：获取气溶胶颗粒数修正序列中元素的概率分布直方图；获取所述概率分布直方图中各横坐标对应概率；计算以自然常数为底、以各横坐标对应概率为指数的指数函数的计算结果；计算各横坐标对应概率与所述计算结果的乘积的和值；将所述和值与气溶胶颗粒数修正序列的平均异常指数的乘积作为气溶胶颗粒数的平均异常自离散系数；
所述根据气溶胶颗粒数、挥发性有机物浓度的平均异常自离散系数得到第一、第二平均异常自离散系数序列，具体为：将各时间段气溶胶颗粒数的平均异常自离散系数按时间升序组成的序列作为第一平均异常自离散系数序列；将各时间段挥发性有机物浓度的平均异常自离散系数按时间升序组成的序列作为第二平均异常自离散系数序列。
2.如权利要求1所述的基于深度学习的生物安全风险指标的监测方法，其特征在于，所述根据各时刻的第一温度数据得到第一温度直方图，具体为：
将第一温度数据的温度分布区间等分成对各小区间，对各小区间进行温度数据统计，将各小区间作为横坐标、对应统计值作为纵坐标进行概率分布统计得到概率分布直方图；将概率分布直方图作为第一温度直方图。
3.如权利要求1所述的基于深度学习的生物安全风险指标的监测方法，其特征在于，所述根据不适宜病毒微生物繁殖的温度数据得到不适宜温度序列，具体为：
获取近一年来空气温度的最高温度及最低温度，将最高温度与最低温度之间的区间作为第一温度区间；将不适宜病毒微生物繁殖的温度作为第二温度区间；将第一温度区间与第二温度区间的交集作为不适宜温度区间；在不适宜温度区间中随机抽取多个数据组成的序列作为不适宜温度序列。
4.如权利要求1所述的基于深度学习的生物安全风险指标的监测方法，其特征在于，所述根据第一、第二平均异常自离散系数序列结合神经网络得到风险等级，具体为：
将所有气溶胶颗粒数组成的序列记为第三序列；将所有挥发性有机物组成的序列作为第四序列；将第一、第二平均异常自离散系数序列及第三、第四序列输入已训练好的LSTM神经网络中，输出为1时为低风险，输出为2时为高风险。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311316282.1A CN117077540B (zh) | 2023-10-12 | 2023-10-12 | 基于深度学习的生物安全风险指标的监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311316282.1A CN117077540B (zh) | 2023-10-12 | 2023-10-12 | 基于深度学习的生物安全风险指标的监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117077540A CN117077540A (zh) | 2023-11-17 |
| CN117077540B true CN117077540B (zh) | 2023-12-22 |
Family
ID=88702715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311316282.1A Active CN117077540B (zh) | 2023-10-12 | 2023-10-12 | 基于深度学习的生物安全风险指标的监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077540B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117310241B (zh) * | 2023-11-30 | 2024-02-02 | 天津瑞芯源智能科技有限责任公司 | 一种具有消防安全功能的电表 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112782050A (zh) * | 2020-12-25 | 2021-05-11 | 杭州电子科技大学 | 基于长短期记忆神经网络的生物气溶胶浓度预测方法 |
| CN112986503A (zh) * | 2021-04-20 | 2021-06-18 | 深圳市儒翰基因科技有限公司 | 一种量化的病原体微生物安全风险指标的监测系统及方法 |
| CN114254249A (zh) * | 2022-03-01 | 2022-03-29 | 深圳市今典建筑科技有限公司 | 一种空间区域健康指数确定方法及系统 |
| CN114813488A (zh) * | 2021-01-28 | 2022-07-29 | 依必安派特尼奥有限两合公司 | 根据预定颗粒在空气中的形态特性检测预定颗粒浓度的装置和方法 |
| CN116735807A (zh) * | 2023-08-09 | 2023-09-12 | 山东优控智能技术有限公司 | 基于多传感器数据的空气质量检测评估方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11262286B2 (en) * | 2019-04-24 | 2022-03-01 | The Regents Of The University Of California | Label-free bio-aerosol sensing using mobile microscopy and deep learning |
-
2023
- 2023-10-12 CN CN202311316282.1A patent/CN117077540B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112782050A (zh) * | 2020-12-25 | 2021-05-11 | 杭州电子科技大学 | 基于长短期记忆神经网络的生物气溶胶浓度预测方法 |
| CN114813488A (zh) * | 2021-01-28 | 2022-07-29 | 依必安派特尼奥有限两合公司 | 根据预定颗粒在空气中的形态特性检测预定颗粒浓度的装置和方法 |
| CN112986503A (zh) * | 2021-04-20 | 2021-06-18 | 深圳市儒翰基因科技有限公司 | 一种量化的病原体微生物安全风险指标的监测系统及方法 |
| CN114254249A (zh) * | 2022-03-01 | 2022-03-29 | 深圳市今典建筑科技有限公司 | 一种空间区域健康指数确定方法及系统 |
| CN116735807A (zh) * | 2023-08-09 | 2023-09-12 | 山东优控智能技术有限公司 | 基于多传感器数据的空气质量检测评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| 深度神经网络在红外光谱定量分析 ＶＯＣｓ 中的应用;张强等;《光谱学与光谱分析》;第40卷(第4期);第1099-1106页 * |
| 面向喷染车间的挥发性有机物浓度预测方法 及应用研究;彭来湖等;《安全与环境学报》;第1-13页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117077540A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117077540B (zh) | 基于深度学习的生物安全风险指标的监测方法 | |
| Sopelsa Neto et al. | Fault prediction based on leakage current in contaminated insulators using enhanced time series forecasting models | |
| Jones et al. | Measuring long‐distance seed dispersal in complex natural environments: an evaluation and integration of classical and genetic methods | |
| CN110118711A (zh) | 基于物联网的室内空气含菌量实时检测与分析方法、系统 | |
| JP4745959B2 (ja) | 微生物の自動特徴づけおよび分類 | |
| Stone et al. | Seasonal patterns contribute more towards phyllosphere bacterial community structure than short-term perturbations | |
| CN109087277B (zh) | 一种空气细颗粒物pm2.5测量方法 | |
| CN109106384B (zh) | 一种心理压力状况预测方法及系统 | |
| Bibi et al. | Prediction of emergency department visits for respiratory symptoms using an artificial neural network | |
| Liu et al. | Comparison of three modelling approaches for predicting deoxynivalenol contamination in winter wheat | |
| Rodríguez‐Moreno et al. | Weather‐data‐based model: an approach for forecasting leaf and stripe rust on winter wheat | |
| Galli et al. | Indigenous Aureobasidium pullulans strains as biocontrol agents of Botrytis cinerea on grape berries | |
| CN110334767B (zh) | 一种用于空气质量分类的改进随机森林方法 | |
| Humphrey et al. | Social and environmental neighborhood typologies and lung function in a low-income, urban population | |
| Meyer et al. | How much data is enough? A reliable methodology to examine long-term wearable data acquisition in gait and postural sway | |
| Santos et al. | Complementary roles of wild boar and red deer to animal tuberculosis maintenance in multi-host communities | |
| CN114038501A (zh) | 一种基于机器学习的背景菌判定方法 | |
| CN114707608A (zh) | 医疗质控数据处理方法、装置、设备、介质及程序产品 | |
| CN117113118B (zh) | 一种生物气溶胶用智能监测方法及系统 | |
| Liu et al. | Rhizosphere fungal dynamics in sugarcane during different growth stages | |
| CN116612820B (zh) | 基于数据分析的乳制品生产智能管理平台 | |
| CN115378653B (zh) | 一种基于lstm和随机森林的网络安全态势感知与预测方法及系统 | |
| Romano et al. | Potential human and plant pathogenic species in airborne PM10 samples and relationships with chemical components and meteorological parameters | |
| CN110277139A (zh) | 一种基于互联网的微生物限度检查系统及方法 | |
| Titeli et al. | Physiological and metabolic traits linked to kiwifruit quality |
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 |