使用优化深度学习预测模型将职业事故报告中的伤害严重程度置于背景中.
Mohamed Zul Fadhli Khairuddin1, Suresh Sankaranarayanan2, Khairunnisa Hasikin3
1Institute of Medical Science Technology, Universiti Kuala Lumpur, Kajang, Selangor, Malaysia.
PeerJ. Computer science
|April 25, 2024
概括
这项研究使用深度学习来从叙述中预测职业伤害严重程度. 优化的双向长期短期记忆 (Bi-LSTM) 模型实现了高精度,为工作场所安全提供了洞察力.
科学领域:
- 职业安全与健康问题 职业安全与健康问题
- 数据科学数据科学数据科学
- 机器学习 机器学习
背景情况:
- 传统的职业伤害评估依赖于结构化数据.
- 非结构化的伤害叙述包含丰富的,未充分利用的信息.
- 提出了一种新的深度学习方法来分析这些叙述.
研究的目的:
- 开发和验证深度学习模型,用于预测职业伤害严重程度.
- 从非结构化的伤害叙述中提取可操作的见解.
- 加强职业伤害评估和积极的安全措施.
主要方法:
- 在美国职业安全与健康管理局 (OSHA) 数据 (2015-2023) 上利用自然语言处理 (NLP).
- 应用术语频率-反向文档频率 (TF-IDF) 和全球向量 (GloVe) 嵌入.
- 开发并优化了一种双向长期短期记忆 (Bi-LSTM) 模型,并进行特征重要性分析.
主要成果:
- 优化的Bi-LSTM模型实现了高精度:住院0.95,截肢0.98.
- 与传统分类器相比,证明了更快的模型处理时间.
- 功能重要性分析确定了与受伤原因相关的关键词,提高了可解释性.
结论:
- 优化的Bi-LSTM模型为改善工作场所安全提供了有效的工具.
- 调查结果支持主动安全措施,有助于企业生产力和可持续性.
- 建立了职业安全和健康领域预测分析的基础.
