一种基于相关性分析的EN结合MPA-SVM的异常体征矿工判别方法技术

本发明专利技术涉及一种基于相关性分析的EN结合MPA

【技术实现步骤摘要】
一种基于相关性分析的EN结合MPA
‑
SVM的异常体征矿工判别方法


[0001]本专利技术涉及职业健康辅助诊断领域，具体是一种基于相关性分析的EN结合MPA
‑
SVM的异常体征矿工判别方法。

技术介绍

[0002]井下开采是非常重要煤矿开采方式，受到煤矿井下环境与设备的制约，井下作业矿工的身体健康状况不容忽视。煤矿工作环境中的粉尘、化学毒物、有害物理因素都会影响矿工的身体健康。人体各种体征参数之间是相互依存的，当人体的基本体征参数发生异常时，人体的体征状态肯定发生了变化，这些异常的体征都将会是患职业病的前兆。只有综合多种体征参数，才能对人体的健康状态做出准确的判断。
[0003]随着诊断的效率与准确率要求不断提高，人工智能算法已应用于体检报告的分析与评估，在健康管理与疾病的辅助诊断方面都有着广泛的应用。然而，常规的人工智能算法大都建立在全属性的数据集上，数据中往往包含冗余且无用的信息，这些信息都会影响最终的判别结果，造成诊断效率低、诊断精度不高的情况。

技术实现思路

>[0004]为了克本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于相关性分析的EN结合MPA
‑
SVM的异常体征矿工判别方法，其特征在于：包括以下步骤：(1)数据采集：收集矿工职业健康体检数据，构造矿工体征参数数据集合；(2)样本集划分：将矿工体征数据按一定比例随机划分成训练集和预测集；(3)归一化处理：将训练集和预测集数据归一化到一定的区间范围内；(4)体征相关性分析：采用皮尔逊相关系数对数据不同体征进行相关性分析，并删除相关性较高的体征数据；(5)EN关键体征选择：利用EN去除冗余体征信息，选择出关键体征数据；(6)MPA
‑
SVM模型构建：将EN选择出的关键体征作为MPA
‑
SVM的输入，建立矿工异常体征判别模型，预测集数据的评价指标用于模型性能的分析与评估。2.根据权利要求1所述的一种基于相关性分析的EN结合MPA
‑
SVM的异常体征矿工判别方法，其特征在于：所述的步骤(1)中，以矿工的身体体征作为研究对象，收集医院的矿工职业健康检查表，并构造矿工体征参数数据集合，打上诊断结果标签，共包含异常体征和目前所检项目未见异常两种诊断情况。3.根据权利要求1所述的一种基于相关性分析的EN结合MPA
‑
SVM的异常体征矿工判别方法，其特征在于：所述的步骤(2)中，矿工体征数据随机划分成训练集和预测集的比例为4:1。4.根据权利要求1所述的一种基于相关性分析的EN结合MPA
‑
SVM的异常体征矿工判别方法，其特征在于：所述的步骤(3)中，将训练集和预测集数据归一化[0,1]区间范围内，消除特征之间量纲的影响，归一化公式如下：式中，x为原始数据，x
min
为原始数据的最小值，x
max
为原始数据的最大值。5.根据权利要求1所述的一种基于相关性分析的EN结合MPA
‑
SVM的异常体征矿工判别方法，其特征在于：所述的步骤(4)中，采用皮尔逊相关系数对数据不同体征进行相关性分析，并删除相关性较高的体征数据，其具体步骤如下：(41)根据样本数据生成的矩阵为B(m
×
n)，m为样本个数，n为体征的个数，即式：式中，B为体征数据矩阵，b
11
，b
12
，
…
，b
mn
为样本的数据；(42)体征之间的皮尔逊相关系数r，其式为：式中，B
ij
和B
vz
为两列不同的体征向量，和分别为对应列的平均值；(43)设置一个阈值为N，如果体征之间的r大于这个阈值，则他们具有明显的线性关系，
则删掉与标签的r较小的那个体征。6.根据权利要求1所述的一种基于相关性分析的EN结合MPA
‑
SVM的异常体征矿工判别方法，其特征在于：所述的步骤(5)中，利用EN对皮尔逊相关系数选择出的重要体征数据进行精简，去除冗余体征信息，选择出关键体征数据，其具体步骤...

【专利技术属性】
技术研发人员：卞凯，周孟然，胡锋，来文豪，戴荣英，胡天羽，孔茜茜，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：