[发明专利]一种职业健康数据分析模型的建立方法

说明书

本发明涉及数据处理技术领域，公开了一种职业健康数据分析模型的建立方法，包括以下步骤：对多个心电信号的多个时域特征、频域特征和信息域特征进行遗传算法筛选，获得Nsubgt;2/subgt;个最优的心电信号特征，记为Asubgt;2/subgt;；将多个最优的心电信号特征Asubgt;2/subgt;与血压数据和心率数据合并，获得心功能数据，记为Asubgt;3/subgt;；采用自适应磷虾群算法优化KELM模型的正则化系数C和径向基核函数的参数g，得到最优正则化系数Csubgt;best/subgt;和最优径向基核函数的参数gsubgt;best/subgt;；将心功能数据Asubgt;3/subgt;作为KELM模型的输入，获取KELM模型的最优适应度，采用最优适应度的KELM模型对Asubgt;3/subgt;测试集进行处理，采用这种职业健康数据分析模型进行心功能数据处理，提高了心电信号分析识别的精度，同时提升了心功能数据的处理速度。

技术领域

本发明涉及职业健康数据处理技术领域，特别涉及一种职业健康数据分析模型的建立方法。

背景技术

我国煤矿生产环境中存在粉尘、噪声、高温等多种职业病危害，这些职业病危害严重威胁劳动者身体健康和生命安全。

在煤矿生产过程中，岩巷掘进、综采机割煤、块煤破碎等诸多环节会产生各种各样的噪声。大量的噪声污染不仅让人烦躁、影响工作效率，而且会对人体的健康造成损害，尤其是影响人的听力和心血管的功能。噪声对于听力功能的影响受到的关注较多，也比较容易进行定期检查。而噪声污染对于心功能危害的关注较少，同时矿工的心功能快速检测体系还不够完善。针对矿工的心功能进行早期检测可以实现职业性心功能异常的早期识别，提高职业性心功能异常的早期发现率，加深矿工对于心血管健康的认识程度，减少职业性心血管疾病给矿工带来的严重负担。

现阶段，心功能的检测主要是通过测量血压、心率、心电等体征参数数据，随后分析这些体征数据给出心功能的检测结果。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血压、心率、心电等体征参数数据的分析成为一个研究热点，并取得了一系列的成功应用。然而，心电信号数据复杂度高，特征提取和分析难度大，将传统的人工智能算法用于心电信号分析是存在识别精度低、耗时长等不足。

鉴于此，本发明的目的在于提供一种职业健康数据分析模型的建立方法，采用职业健康数据分析模型对职业健康数据进行处理。

发明内容

本发明提供一种职业健康数据分析模型的建立方法，能够提高心电信号分析识别的精度，提升心功能数据的处理速度。

本发明提供了一种职业健康数据分析模型的建立方法，包括以下步骤：

S1、搭建矿工心功能健康数据检测系统；

S2、通过检测系统采集多个矿工的血压数据；采集多个矿工的心率数据；采集多个矿工的心电信号；

S3、提取心电信号的多个时域特征、频域特征和信息域特征，将时域特征、频域特征和信息域特征合并，得到心电信号特征，记为A₁；

S4、对多个心电信号的多个时域特征、频域特征和信息域特征进行遗传算法筛选，获得N₂个最优的心电信号特征，记为A₂；

S5、将多个最优的心电信号特征A₂与血压数据和心率数据合并，获得心功能数据，记为A₃，心功能数A₃分为A₃训练集和A₃测试集；

S6、使用A₃训练集构建多分类的核极限学习机(Kernel Extreme LearningMachine，KELM)模型，获得目标函数；

S7、采用径向基核函数作为KELM模型的核函数，建立KELM职业健康数据分析模型；