【技术实现步骤摘要】
本专利技术涉及医疗信息，更具体地说，本专利技术涉及一种基于机器学习的噪声性频率听力损失预测方法及系统。
技术介绍
1、听力的受损会导致语言认知能力、理解能力以及社会适应能力出现长期缺陷，复杂噪声职业是引起听力损失的主要原因之一，长时间暴露在危险水平的噪声中会造成永久性听力损伤，由于职业噪声暴露的普遍性和语言频率听力损失的后果，需要对语言频率听力损失进行早期预测并及时干预，现有技术中，对听力损失的早期预防手段较少。
2、那么，公开号为cn111223564a的专利申请提供了一种基于卷积神经网络的噪声性听力损失预测系统，该技术方案收集噪声暴露数据和工人的个人信息，并通过数据预处理模块将其转换为卷积神经网络可处理的时序数据，利用卷积神经网络的听力损失预测模块，判断工人在噪声暴露下是否会产生听力损失；公开号为cn111584065a的中国专利提供了噪声性听力损失预测及易感人群筛选方法、装置、终端和介质，该专利获取待测人群样本中的医学特征数据和听力阈值测量数据，比较预测切迹面积值和实际切迹面积值，据以判断待测人群样本的个体易感情况。
3、上述现有技术虽然都通过噪声数据以及个人信息对听力损失进行预测，但是上述现有技术没有综合考虑各个维度数据对于听力损失预测的权重，这样导致预测模型无法识别和量化各个维度数据对听力损失的具体贡献，影响预测的准确性。
4、鉴于此，本专利技术提出一种基于机器学习的噪声性频率听力损失预测方法及系统以解决上述问题。
技术实现思路
1、为
2、为实现上述目的，本专利技术提供如下技术方案：
3、第一方面，提供了一种基于机器学习的噪声性频率听力损失预测方法，包括：
4、获取相关病历信息，将相关病历信息输入到预构建的用户分类模型中，获得分类结果，分类结果包括易损失用户和不易损失用户，相关病历信息表征的是与听力损失相关的病历信息；
5、获取环境噪声数据以及用户工作数据，根据环境噪声数据确定相关性信息，基于环境噪声数据以及相关性信息计算噪声影响度值，根据用户工作数据确定隶属度信息，基于用户工作数据以及隶属度信息计算工作影响度值；
6、基于分类结果确定对应的标准影响因子，将噪声影响度值、工作影响度值和标准影响因子输入到预构建的损失预测模型中，获得损失预测结果。
7、进一步地，根据环境噪声数据确定相关性信息的方法包括：
8、获取w组噪声子数据，遍历w组噪声子数据，统计每组噪声子数据中任意两个第一元素同时出现的次数，将同时出现的次数除以w，得到相关性因子，将s个相关性因子进行组合得到相关性信息，噪声子数据包括h个第一元素。
9、进一步地，环境噪声数据包括目标持续时间、目标分贝值以及目标频率值，基于环境噪声数据以及相关性信息计算噪声影响度值的方法包括：
10、根据目标持续时间、目标分贝值和目标频率值的关系，结合对数变换、反三角和双曲函数计算，得到噪声影响度。
11、进一步地，根据用户工作数据确定隶属度信息的方法包括：
12、基于用户工作数据，计算每个第二元素与相应标准值之间的比例值，并将所有比例值求和得到比例总值，计算每个第二元素的比例值占比例总值的比值，将其作为该第二元素的隶属度，用户工作数据包括f个第二元素。
13、进一步地，用户工作数据包括用户工龄、平均工作时长、防护频率值以及最大接触时长，基于用户工作数据以及隶属度信息计算工作影响度值的方法包括：
14、根据用户工龄、平均工作时长、防护频率值和最大接触时长的对数变换及正切函数进行计算，得到工作影响度值。
15、进一步地，标准影响因子的获取方法包括：
16、预设分类结果对应的初始影响因子，将噪声影响度值、工作影响度值和初始影响因子输入到预构建的初始预测模型中，获得初始预测结果；
17、获取实时检测结果，计算初始预测结果与实时检测结果之间的相似度，根据相似度以及智能优化算法对初始影响因子进行优化，获得标准影响因子。
18、进一步地，初始预测模型的构建方法包括：
19、获取样本数据集，所述样本数据集中包括历史噪声影响度值、历史工作影响度值、历史初始影响因子和历史初始预测结果；
20、将样本数据集划分为样本训练集和样本测试集，构建回归网络；
21、以样本训练集中的历史噪声影响度值、历史工作影响度值以及历史初始影响因子作为回归网络的输入数据，以样本训练集中的历史初始预测结果作为回归网络的输出数据，对回归网络进行训练，得到用于预测初始预测结果的初始回归网络；
22、利用样本测试集对初始回归网络进行测试，输出小于预设误差值的初始回归网络作为初始预测模型。
23、进一步地，智能优化算法为模拟退火算法，根据相似度以及智能优化算法对初始影响因子进行优化的方法包括：
24、s301：随机选择一个初始影响因子作为初始动态配比，预设模拟退火的初始温度以及冷却速度α，1＞α＞0；
25、s302：将初始动态配比下的相似度作为目标函数值；
26、s303：在当前动态配比的基础上添加随机扰动，生成新动态配比，所述当前动态配比的起点为初始动态配比；
27、s304：计算新动态配比对应的新相似度，将新相似度与当前相似度进行比较，当前相似度与当前动态配比对应；
28、s305：判断是否更新动态配比，令，并返回s303，所述的起点为；
29、s306：重复上述s303-s305，直至＜，停止迭代，输出最优动态配比，将最优动态配比作为标准影响因子，为温度参数、为预设最小温度值。
30、进一步地，判断是否更新动态配比的方法包括：
31、若，则令=；
32、若，则随机生成0到1之间的概率阈值r，判断概率k是否大于概率阈值r，若是，则令=，若否，则保持不变，通过新相似度与当前相似度之差除以温度参数，得到计算结果，取计算结果的负值作为指数函数的输入，获得所述概率k。
33、第二方面，提供了一种基于机器学习的噪声性频率听力损失预测系统，其用于实现上述的一种基于机器学习的噪声性频率听力损失预测方法，包括：
34、用户分类模块：用于获取相关病历信息，将相关病历信息输入到预构建的用户分类模型中，获得分类结果，分类结果包括易损失用户和不易损失用户，相关病历信息表征的是与听力损失相关的病历信息；
35、数据处理模块：用于获取环境噪声数据以及用户工作数据，根据环境噪声数据确定相关性信息，基于环境噪声数据以及相关性信息计算噪声影响度值，根据用户工作数据确定隶属度信息，基于用户工作数据以及隶属度信息计算工作影响度值；
36、损失预测模块：基于分类结果确定对应的标准影响因子，将噪声影响度值、工作影响度值和标准影响本文档来自技高网...
【技术保护点】
1.一种基于机器学习的噪声性频率听力损失预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于机器学习的噪声性频率听力损失预测方法，其特征在于，所述根据环境噪声数据确定相关性信息的方法包括：
3.根据权利要求2所述的一种基于机器学习的噪声性频率听力损失预测方法，其特征在于，所述环境噪声数据包括目标持续时间、目标分贝值以及目标频率值，基于环境噪声数据以及相关性信息计算噪声影响度值的方法包括：
4.根据权利要求1所述的一种基于机器学习的噪声性频率听力损失预测方法，其特征在于，所述根据用户工作数据确定隶属度信息的方法包括：
5.根据权利要求2所述的一种基于机器学习的噪声性频率听力损失预测方法，其特征在于，所述用户工作数据包括用户工龄、平均工作时长、防护频率值以及最大接触时长，基于用户工作数据以及隶属度信息计算工作影响度值的方法包括：
6.根据权利要求1所述的一种基于机器学习的噪声性频率听力损失预测方法，其特征在于，所述标准影响因子的获取方法包括：
7.根据权利要求6所述的一种基于机器学习的噪声性频率听力损失
8.根据权利要求7所述的一种基于机器学习的噪声性频率听力损失预测方法，其特征在于，所述智能优化算法为模拟退火算法，根据相似度以及智能优化算法对初始影响因子进行优化的方法包括：
9.根据权利要求8所述的一种基于机器学习的噪声性频率听力损失预测方法，其特征在于，所述判断是否更新动态配比的方法包括：
10.一种基于机器学习的噪声性频率听力损失预测系统，其用于实现权利要求1-9中任一项所述的一种基于机器学习的噪声性频率听力损失预测方法，其特征在于，包括：
...【技术特征摘要】
1.一种基于机器学习的噪声性频率听力损失预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于机器学习的噪声性频率听力损失预测方法，其特征在于，所述根据环境噪声数据确定相关性信息的方法包括：
3.根据权利要求2所述的一种基于机器学习的噪声性频率听力损失预测方法，其特征在于，所述环境噪声数据包括目标持续时间、目标分贝值以及目标频率值，基于环境噪声数据以及相关性信息计算噪声影响度值的方法包括：
4.根据权利要求1所述的一种基于机器学习的噪声性频率听力损失预测方法，其特征在于，所述根据用户工作数据确定隶属度信息的方法包括：
5.根据权利要求2所述的一种基于机器学习的噪声性频率听力损失预测方法，其特征在于，所述用户工作数据包括用户工龄、平均工作时长、防护频率值以及最大接触时长，基于用户工作数据以及隶属度信息计算...
【专利技术属性】
技术研发人员：王慧，于霄，李林鹏，殷善开，
申请(专利权)人：上海市第六人民医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。