一种基于深度学习的职业性尘肺病多模态分析方法技术

本发明专利技术提供了一种基于深度学习的职业性尘肺病多模态分析方法，属于尘肺病分析领域，包括：采集人员的胸部X片影像信息和个人基础信息；对个人基础信息进行词向量化处理；构建一维卷积神经网络和二维卷积神经网络，并在此基础上建立多模态卷积神经网络MM‑CNN模型；将上述两种信息作为多模态卷积神经网络MM‑CNN模型的输入，建立多分类MM‑CNN尘肺病分析模型，在满足相应约束下形成目标函数；采用混合跳蛙算法SFLA优化多分类MM‑CNN尘肺病分析模型的超参数；采用优化后的多分类MM‑CNN尘肺病分析模型对人员的胸部X片影像信息和词向量化处理后的个人信息进行分析，并输出分析结果。该方法能够实现人员肺部健康的准确、实时检测分析，完成部分职业性尘肺病的早期预警。

【技术实现步骤摘要】
一种基于深度学习的职业性尘肺病多模态分析方法
本专利技术属于尘肺病分析领域，具体涉及一种基于深度学习的职业性尘肺病多模态分析方法。
技术介绍
近年来，我国安全生产实现了持续稳定好转，生产安全事故死亡人数实现了连续多年快速下降，但职业健康工作面临的形势仍然十分严峻。职业性尘肺病作为职业病的一种，主要分布在煤炭、有色、机械、建材、轻工等工业行业中。例如在煤矿生产过程中，岩巷爆破、岩巷装载、岩巷掘进、煤巷爆破、煤巷加固、选煤运输等诸多环节会产生许多的粉尘(主要包括煤尘和矽尘)，过多粉尘的吸人是造成尘肺病的元凶。尘肺病是劳动者在职业活动中长期吸入大量游离二氧化硅与其他粉尘而发生的肺组织纤维化为主的疾病。这些粉尘绝大部分被排出，但仍有一部分长期滞留在细支气管与肺泡内，不断被肺泡巨噬细胞吞噬，这些粉尘及吞尘的巨噬细胞是主要致病因素。一系列的研究表明，尘肺病变形成后，肺内残留的粉尘还继续与肺泡巨噬细胞起作用，这是尘肺病人虽然脱离粉尘作业但病变仍继续发展的主要原因。尘肺病患者普遍症状是胸闷、胸痛、气短、咳嗽、全身无力，重者丧失劳动能力，甚至不能平卧，最后造成肺功能衰竭，跪着而死，其状目不忍睹。尘肺病是可防不可治的疾病，目前世界上没有能治愈尘肺病的特效药，洗肺只能在一定程度上减轻病人的痛苦，减缓病情的发展，但无法从根本上逆转病情。而针对人员的肺部健康状况进行早期检测可以实现职业性尘肺病的早期识别，提高职业性尘肺病的早期发现率，减少职业性尘肺病给人员带来的严重负担。因此，开发针对这一特殊群体的职业性尘肺病的诊断装置及分析方法是必要且重要的，其能够实现人员肺部健康状态的准确、实时测量分析，对于部分职业性尘肺病的前期预警以及保障人员的生命健康具有重要的意义。现阶段，判别职业性尘肺病主要是依赖于《职业性尘肺病的诊断》(GBZ70-2015)，医生通过对比分析患者的胸片和尘肺病X射线诊断标准片，在相关诊断标准和原则的基础上，依赖于个人经验进行尘肺病的诊断分析。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胸片影像数据的辅助分析成为一个研究热点，并取得了一系列的成功应用。然而，胸片采集过程中受到被照体位置、曝光条件、操作误差和胶片等多种因素的影响，因此胸片的图像质量层次不齐，其特征提取和分析难度大，将传统的人工智能算法直接用于胸片的分析是存在识别精度低、耗时长等不足。随着深度学习理论的提出和数值计算设备的改进，卷积神经网络(ConvolutionalNeuralNetwork，CNN)得到了快速发展，CNN作为图像处理和文本分析中特征提取最好的方式之一，并被应用于计算机视觉、自然语言处理等领域。虽然CNN模型具有优良的性能，但是如何针对具体应用问题设计合适的网络结构、找到最佳的模型参数是CNN应用过程中的一个难题。鉴于此，本专利技术提供了一种基于深度学习的职业性尘肺病多模态分析方法。
技术实现思路
为了克服上述现有技术存在的不足，本专利技术提供了一种基于深度学习的职业性尘肺病多模态分析方法。为了实现上述目的，本专利技术提供如下技术方案：一种基于深度学习的职业性尘肺病多模态分析方法，包括以下步骤：采集人员的胸部X片影像信息和个人基础信息；对所述个人基础信息进行词向量化处理；构建一维卷积神经网络(One-dimensionalConvolutionalNeuralNetwork，1D-CNN)和二维卷积神经网络(Two-dimensionalConvolutionalNeuralNetwork，2D-CNN)，并在此基础上建立多模态卷积神经网络(Multi-modalConvolutionNeuralNetwork，MM-CNN)模型；将人员的胸部X片影像信息和词向量化处理后的个人信息作为多模态卷积神经网络MM-CNN模型的输入，建立用于职业性尘肺病分析的多分类MM-CNN尘肺病分析模型，在满足相应约束下形成目标函数；采用混合跳蛙算法(ShuffledFrogLeapingAlgorithm，SFLA)优化多分类MM-CNN尘肺病分析模型的超参数；采用优化后的多分类MM-CNN尘肺病分析模型对人员的胸部X片影像信息和词向量化处理后的个人信息进行分析，并输出职业性尘肺病分析的结果。优选地，对所述个人基础信息进行词向量化处理中，采用word2vec中的skip-gram模型来进行人员个人基础信息的词向量化转换，上下文窗口大小设置为10，词向量维度大小设置为50，采样大小设置为1e-3。优选地，所述构建一维卷积神经网络1D-CNN具体为，通过连接多个一维卷积单元的方式实现一维卷积神经网络层数的加深，卷积核的大小都设置为3，当一个卷积层为第L个卷积层则其卷积核数量为8×L，一维池化层采用最大池化方式，池化大小为2；所述构建二维卷积神经网络具体为，通过连接多个二维卷积单元的方式实现二维卷积神经网络层数的加深，卷积核的大小都设置为3×3，当一个卷积层为第L个卷积层则其卷积核数量为8×L，二维池化层采用最大池化方式，池化大小为2×2。优选地，所述建立用于职业性尘肺病分析诊断的多分类MM-CNN模型，并将MM-CNN分析模型的预测精度作为目标函数。优选地，所述采用混合跳蛙算法SFLA优化多分类MM-CNN尘肺病分析模型的超参数，包括1D-CNN网络层数M、1D-CNN激活函数、2D-CNN网络层数N、2D-CNN激活函数、优化器以及学习率，其具体步骤为：青蛙种群初始化；青蛙分类：对种群S中的青蛙按照适应度递增的顺序排序，记录S中适应度最好的青蛙位置Px为F(1)；族群划分：根据下式划分文化基因体；Mk＝[Fk(j),fk(j)|Fk(j)＝F(k+m(j-1)),fk(j)＝f(k+m(j-1)),j＝1,2,…,n；k＝1,2,…,m]；文化基因体传承进化：每个文化基因体Mk(k＝1,2,…,m)根据局部搜索步骤独立进化；将各文化基因体进行混合：在每个文化基因体都进行过一轮局部搜索之后，将重新组合种群S，并再次根据适应度递增排序，更新种群中最优青蛙，并记录全局最优青蛙的位置Px；检验停止条件：若满足了算法收敛条件，则停止算法执行过程；否则，返回执行族群划分。优选地，所述局部搜索过程实现的具体步骤为：步骤A：定义计算器：设mi＝0，其中mi是文化基因体的计数器，标记当前进化文化基因体的序号；设ni＝0，其中ni是独立进化次数的计数器，标记并比较当前文化基因体的独立进化次数是否小于最大独立进化次数；步骤B：初始化计算器：mi＝mi+1；步骤C：初始化计算器：ni＝ni+1；步骤D：根据pj＝2(n+1-j)/n(n+1)，j＝1,2,…,n来构建子文化基因体：步骤E：青蛙位置更新：根据来更新最差青蛙位置，并利用F(q)＝PW+L来计算新位置F(q)，若F(q)在可行域，计算新的适应度f(q)；否则进入步骤F执行；若新的适应度比旧的适应度好，即产生一个更好的结果，本文档来自技高网...

【技术保护点】
1.一种基于深度学习的职业性尘肺病多模态分析方法，其特征在于，包括以下步骤：/n采集人员的胸部X片影像信息和个人基础信息；/n对所述个人基础信息进行词向量化处理；/n构建一维卷积神经网络1D-CNN和二维卷积神经网络2D-CNN，并在此基础上建立多模态卷积神经网络MM-CNN模型；/n将人员的胸部X片影像信息和词向量化处理后的个人信息作为多模态卷积神经网络MM-CNN模型的输入，建立用于职业性尘肺病分析的多分类MM-CNN尘肺病分析模型，在满足相应约束下形成目标函数；/n采用混合跳蛙算法SFLA优化多分类MM-CNN尘肺病分析模型的超参数；/n采用优化后的多分类MM-CNN尘肺病分析模型对人员的胸部X片影像信息和词向量化处理后的个人信息进行分析，并输出职业性尘肺病分析的结果。/n

【技术特征摘要】
1.一种基于深度学习的职业性尘肺病多模态分析方法，其特征在于，包括以下步骤：
采集人员的胸部X片影像信息和个人基础信息；
对所述个人基础信息进行词向量化处理；
构建一维卷积神经网络1D-CNN和二维卷积神经网络2D-CNN，并在此基础上建立多模态卷积神经网络MM-CNN模型；
将人员的胸部X片影像信息和词向量化处理后的个人信息作为多模态卷积神经网络MM-CNN模型的输入，建立用于职业性尘肺病分析的多分类MM-CNN尘肺病分析模型，在满足相应约束下形成目标函数；
采用混合跳蛙算法SFLA优化多分类MM-CNN尘肺病分析模型的超参数；
采用优化后的多分类MM-CNN尘肺病分析模型对人员的胸部X片影像信息和词向量化处理后的个人信息进行分析，并输出职业性尘肺病分析的结果。


2.根据权利要求1所述的基于深度学习的职业性尘肺病多模态分析方法，其特征在于，对所述个人基础信息进行词向量化处理中，采用word2vec中的skip-gram模型来进行人员个人基础信息的词向量化转换，上下文窗口大小设置为10，词向量维度大小设置为50，采样大小设置为1e-3。


3.根据权利要求1所述的基于深度学习的职业性尘肺病多模态分析方法，其特征在于，所述构建一维卷积神经网络1D-CNN具体为，通过连接多个一维卷积单元的方式实现一维卷积神经网络层数的加深，卷积核的大小都设置为3，当一个卷积层为第L个卷积层则其卷积核数量为8×L，一维池化层采用最大池化方式，池化大小为2；
所述构建二维卷积神经网络具体为，通过连接多个二维卷积单元的方式实现二维卷积神经网络层数的加深，卷积核的大小都设置为3×3，当一个卷积层为第L个卷积层则其卷积核数量为8×L，二维池化层采用最大池化方式，池化大小为2×2。


4.根据权利要求1所述的基于深度学习的职业性尘肺病多模态分析方法，其特征在于，所述建立用于职业性尘肺病分析诊断的多分类MM-CNN模型，并将MM-CNN分析模型的预测精度作为目标函数。


5.根据权利要求1所述的基于深度学习的职业性尘肺病多模态分析方法，其特征在于，所述采用混合跳蛙算法SFLA优化多分类MM-CNN尘肺病分析模型的超参数，包括1D-CNN网络层数M、1D-CNN激活函数、2D-CNN网络层数N、2D-CNN激活函数、优化器以及学习率，其具体步骤为：
青蛙种群初始化；
青蛙分类：对种群S中的青蛙按照适应度递增的顺序排序，记录S中适应度最好的青蛙位置Px为F(1)；
族群划分：根据下式划分文化基因体；
Mk＝[Fk(j),fk(j)|Fk(j)＝F(k+m(j-1)),fk(j)＝f(k+m(j-1)),j＝1,2,…,n；k＝1...

【专利技术属性】
技术研发人员：周孟然，杨先军，胡锋，陈焱焱，卞凯，闫鹏程，
申请(专利权)人：安徽理工大学，合肥博谐电子科技有限公司，
类型：发明
国别省市：安徽;34