[发明专利]一种基于LLE结合SOM的矿工体检情况辨识方法

说明书

本发明涉及一种基于LLE结合SOM的矿工体检情况辨识方法，采集人体各项生理指标数据；按照LLE算法选择出采集的生理指标数据中重要体检生理指标；将选择出重要体检生理指标随机划分为训练集和测试集；利用训练集数据作为SOM算法的输入，建立体检数据异常情况识别模型；利用测试集对建立异常情况识别模型进行识别；得到正常与异常生理指标样本的辨识；非常适合高维数据的可视化，能够维持输入空间的拓扑结构，具有很高的泛化能力，它甚至能识别之前从没遇过的输入样本；可实现矿工体检异常情况的精准辨识。

技术领域

本发明涉及体检情况辨识技术领域，具体的是涉及一种基于LLE结合SOM的矿工体检情况辨识方法。

背景技术

矿工的身心健康是煤矿安全生产的重要组成部分，煤矿井下工作环境复杂，作业条件苛刻，矿井下煤尘、噪声、潮湿的作业环境严重威胁着矿工的身心健康与人身安全。长期工作在粉尘的矿井中，工人易患受尘肺和矽肺病等肺部疾病，潮湿的工作环境可造成职业性皮肤病。长期在噪声的环境中，工人易患有噪声性耳聋疾病。对矿工体检数据进行分析，辨识出体检不健康的工人，可实现职业病的早期检测与筛查，为后期职业病的治疗提供辅助诊断。

人工智能和机器学习算法作为病理学领域的一种新工具，因其有效率和准确性的不断提高，越来越引起人们的重视。目前，常规的人工智能算法大多数建立在大量标记的数据集上，然而医学体检样本往往需要提前标注，标注需要消耗大量的人力和物力，且有些样本存在标注不明确的情况，在对矿工的体检情况进行判断时容易出现较大的误差。

发明内容

为了克服上述现有技术的缺点，本发明的目的是提供一种从大量无标签数据中深入挖掘数据信息，减少标签标记的人工成本，克服了算法仅适用于标签数据的单一性，有效提高体检情况识别的基于LLE结合SOM的矿工体检情况辨识方法。

为达到上述目的，本发明采用以下技术方案，一种基于LLE结合SOM的矿工体检情况辨识方法，

采集人体各项生理指标数据；

按照LLE算法选择出采集的生理指标数据中重要体检生理指标；

将选择出重要体检生理指标随机划分为训练集和测试集；

利用训练集数据作为SOM算法的输入，建立体检数据异常情况识别模型；

利用测试集对建立异常情况识别模型进行识别；得到正常与异常生理指标样本的辨识。

所述LLE算法按照如下方法进行：

计算出采集到的人体各项生理指标数据样本点的k个近邻点，将该k个近邻点作为最初提供的值；

计算出采集到的人体各项生理指标数据样本点的局部重建权值矩阵X，描述重构误差：

δ(X)＝∑|Y_i-∑X_ijY_j|²

其中，Y_i代表i个样本，X_ij表示权重系数；

局部协方差矩阵S：

其中，x代表一个特定的点，表示其k个近邻点，表示其j个近邻点；

此时的目标函数为：

可得：

w_j表示权重系数向量，C代表局部协方差矩阵；

将采集到的人体各项生理指标数据样本点映射到低维空间，映射条件满足如下：