机器学习算法的应用,以分析由冲动噪声和稳定噪声引起的NIHL的临床特征

科学领域:

• 听力学 听力学是指听力学.
• 职业健康 职业健康 职业健康
• 机器学习 机器学习

背景情况:

• 职业性听力损失可以根据噪音类型 (冲动或稳定) 以不同的方式呈现.
• 了解这些差异对于在杂的工作环境中制定有效的预防策略至关重要.

研究的目的:

• 为了比较暴露于冲动噪声和稳定噪声的工人听力损失的临床特征.
• 评估机器学习模型在分类这些噪音引起的听力损失类型中的有效性.

主要方法:

• 招募了两组军人 (脉冲噪声,N=92;稳定噪声,N=78).
• 倾向分数匹配 (PSM) 平衡了年龄和工作时间,每组有51名受试者.
• 机器学习模型是使用纯音声听觉值来构建的,用于分类噪声暴露类型.

主要成果:

• 这两组都表现出明显的高频听力损失.
• 稳定的噪音组在语音频率上显著表现出更差的听力,特别是在1kHz.
• XGBoost在根据噪音类型预测和分类听力损失方面表现出卓越的表现.

结论:

• 与冲动噪声相比,在特定的语音频率 (1kHz) 上,持续的噪声暴露会导致更严重的听力损伤.
• XGBoost是区分这些噪音引起的听力损失类别的最佳机器学习模型.
• 这些发现可以为针对性预防不同职业噪音暴露造成的听力损伤提供信息.