一个基于非对称卷积的噪音引起的听力损失预测模型,用于暴露于复杂工业噪音的工人
Yu Tian1,2, Haoqi Zhao1,2, Peixian Li1
1Engineering Research Center of EMR and Intelligent Expert System, Ministry of Education, Key Laboratory for Biomedical Engineering of Ministry of Education, College of Biomedical Engineering and Instrument Science, Zhejiang University, Hangzhou, Zhejiang Province, China.
Ear and hearing
|January 10, 2024
概括
一个新的模型通过分析时间频噪声特征来预测噪声引起的听力损失 (NIHL),其性能优于传统方法. 这种方法通过将高级功能与个人数据相结合,提高了工人听力保护.
科学领域:
- 职业健康 职业健康 职业健康
- 声学 声学 声学 声学
- 机器学习 机器学习
背景情况:
- 目前的噪音引起的听力损失 (NIHL) 模型,如ISO 1999,主要使用噪音能量和暴露时间.
- 这些传统方法忽略了噪声的关键时间频率特征,这些特征显著影响NIHL.
- 需要先进的模型,将这些复杂的声学特征纳入更准确的NIHL预测.
研究的目的:
- 开发和评估一个创新的NIHL预测模型.
- 该模型旨在使用不对称卷积算法将时间和光谱噪声特征纳入.
- 将拟议模型的性能与ISO 1999和支持矢量机 (SVM) 等既定方法进行比较.
主要方法:
- 利用23家工厂2214名工人的个人数据和职业噪音记录.
- 提取时间频谱图,使用诸如短时间里叶变换等技术,并采用非对称卷积核.
- 集成提取的特征与个人数据 (年龄,服务长度) 和优化模型使用交叉验证和统计测试.
主要成果:
- 拟议的模型实现了0.7768 ± 0.0223的曲线下面积 (AUC),显著优于SVM (0.7504 ± 0.0273) 和ISO 1999 (0.5094 ± 0.0071).
- 统计分析 (Wilcoxon签名等级测试) 证实了新模型的显著优势 (p < 0.003).
- 废弃实验验证了采用时间频率特征的拟议方法的有效性.
结论:
- 引入了一种新的NIHL预测方法,为工业噪音暴露提供了更深入的见解.
- 与ISO 1999和SVM模型相比,新模型显示出更高的预测准确性.
- 这种方法有效地将传统噪声评估与机器学习相结合,增强了工人听力保护策略.
