基于深度学习的生物安全风险指标的监测方法技术

本发明专利技术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

【技术实现步骤摘要】
基于深度学习的生物安全风险指标的监测方法


[0001]本申请涉及深度学习
，具体涉及基于深度学习的生物安全风险指标的监测方法
。

技术介绍

[0002]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
。
[0003]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
。
[0004]综上所述，本专利技术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
。

技术实现思路

[0005]为了解决上述技术问题，本专利技术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
。
[0006]本专利技术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：本专利技术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
。
[0007]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
。
[0008]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
。
[0009]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
。
[0010]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
。
[0011]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
。
[0012]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
。
[0013]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
。
[0014]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
。
[0015]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
。
[0016]本专利技术至少具有如下有益效果：本专利技术通过使用不同传感本文档来自技高网...

【技术保护点】

【技术特征摘要】
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
。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
。5.
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...

【专利技术属性】
技术研发人员：赵超，肖娜，张兮，
申请(专利权)人：天津大学，
类型：发明
国别省市：