【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 ...
【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
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。