利用人工神经网络建立基于纵向数据集的听力损失预测模型及其对管理听力保护计划的影响

科学领域:

• 职业健康 职业健康 职业健康
• 听力学 听力学是指听力学.
• 数据科学数据科学数据科学

背景情况:

• 传统的人工神经网络 (ANN) 模型用于噪音引起的听力损失 (NIHL) 通常使用横截面数据,限制它们捕捉长期职业噪音暴露的听力损伤的慢性质的能力.
• 这种局限性需要开发更强大的预测模型,以解释NIHL的时间进展.

研究的目的:

• 开发和评估人工神经网络 (ANN) 模型,以使用全面的八年纵向数据集预测噪声引起的听力损失 (NIHL).
• 评估使用纵向数据和更广泛的变量集的优势,以提高工业工人NIHL预测准确度.

主要方法:

• 利用了170名钢铁工业工人的个人听力值水平 (HTL) 的八年纵向数据集.
• 纳入个人 (7) 和环境 (2) 变量,包括噪音模式和个人防护设备 (PPE) 的使用,到ANN模型中.
• 使用纵向数据与从横截面数据获得的子数据集进行预测性能比较.

主要成果:

• 与横截面数据集相比,纵向数据集显示了NIHL的优越预测能力.
• 包括一个全面的数据集,考虑诸如噪音模式和个人防护设备使用等因素,显著提高了NIHL预测的准确性.
• ANN模型始终确定NIHL进展的明显趋势,尽管测量HTL的个体波动.

结论:

• 开发的ANN模型显示与测量听力值水平 (HTLs) 一致的相关性,为行业提供了有价值的工具.
• 由于HTL的变化,建议对个人工人的预测保持谨慎,但这些模型为管理工业听力保护计划提供了可靠的参考.
• 使用ANN技术进行纵向数据分析,在预测和管理职业噪音引起的听力损失方面取得了重大进展.