CN111223564A - 一种基于卷积神经网络的噪声性听力损失预测*** - Google Patents
一种基于卷积神经网络的噪声性听力损失预测*** Download PDFInfo
- Publication number
- CN111223564A CN111223564A CN202010038991.8A CN202010038991A CN111223564A CN 111223564 A CN111223564 A CN 111223564A CN 202010038991 A CN202010038991 A CN 202010038991A CN 111223564 A CN111223564 A CN 111223564A
- Authority
- CN
- China
- Prior art keywords
- layer
- hearing loss
- data
- neural network
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于卷积神经网络的噪声性听力损失预测***,该***包括数据采集模块、数据预处理模块和基于卷积神经网络的听力损失预测模块;数据采集模块用于采集设定时长的噪声数据和暴露在噪声中工人的个人信息数据;数据预处理模块用于将各种数据融合成为卷积神经网络能够处理的时序数据;基于卷积神经网络的听力损失预测模块用于构建听力损失预测模型,利用训练好的模型进行是否将产生听力损失的预测。本发明利用机器学习方法,使用卷积神经网络从噪声的时域结构中发掘信息,能够较精准地预测复杂噪声引发的听力损伤。
Description
技术领域
本发明属于医疗领域及机器学习领域,尤其涉及一种基于卷积神经网络的噪声性听力损失预测***。
背景技术
听力损失是全世界面临的重大公共健康问题,会导致语言和认知发展,理解能力,行为和社会适应方面的长期缺陷。据2018年世界卫生组织发布的关于听力损失的最新数据,全球大约有4.66亿人患有残疾性听力损失,超过全世界人口的5%。我国的情况同样不容乐观,据调查,我国患中度以上听力障碍的人占总人口的5.17%。复杂噪声职业暴露是听力损失的主要原因之一。随着我国工业化的迅猛发展,职业性噪声暴露导致的听力损失正在迅速增加,成为威胁我国工人健康的严重问题之一。在我国,职业性噪声听力损失已经代替慢性化学中毒成为继尘肺病之后的第二大职业病,其患病率占噪声接触人员的20%以上,在采矿业、制造业和建筑业中尤其普遍。
在噪声的测量与评价方面,美国的听力保护协会建立了包括工种暴露模型和工作任务暴露模型的评价模型来评价工人的累计噪声暴露量。国际标准组织制定了ISO 9612:2009《声学-测定职业噪声暴露-工程方法》,提出基于工时记录的噪声评价方法。2009年,美国国家职业安全与卫生研究院(NIOSH)开发了基于工作任务的累计暴露剂量软件(DOSES),用于计算煤矿工人的全天噪声暴露剂量。而我国目前在这方面的手段和方法仍较单一,尚缺乏***深入的研究与实践。
当前的复杂噪声普遍是带有冲击性或脉冲性的复杂噪声,而目前使用的国际噪声暴露标准(ISO-1999,2013)是基于20世纪50~60年代收集的平稳噪声的数据,对于复杂噪声所致听力损失存在低估的不足。现有的噪声标准大多采用时域加权评估的能量度量来刻画噪声所致的生物效应,因而会造成噪声的时域结构被忽略。
发明内容
本发明的目的在于针对现有噪声评估指标忽略噪声时域结构的不足,提供一种基于卷积神经网络的噪声性听力损失预测***。近来机器学习算法的迅猛发展为解决复杂噪声的评估问题提供了新思路、新技术。机器学习可以充分利用复杂噪声数据的潜在信息,更加准确地评估各种复杂噪声引起的听力损伤。适用于时序序列数据的卷积神经网络可以捕获纵向数据中存在的时间模式。因此,本发明提出一种基于噪声时间特性和频谱特性的卷积神经网络方法,建立了噪声性听力损失预测***,从噪声的时域结构中发掘信息,对听力损伤进行预测。
本发明的目的是通过以下技术方案来实现的:一种基于卷积神经网络的噪声性听力损失预测***,该***包括数据采集模块、数据预处理模块、基于卷积神经网络的听力损失预测模块。
所述数据采集模块用于采集设定时长的噪声数据和暴露在噪声中工人的个人信息数据;所述个人信息数据包括年龄特征、工龄特征和不同频率下的听力阈值,听力阈值可通过听力实验测得,为是否能够听到声音的临界分贝值。
所述数据预处理模块用于将各种数据融合成为卷积神经网络能够处理的时序数据,具体为:从描述噪声特性的时域结构出发,以设定的时间窗口计算噪声数据的能量特征(A计权等效声级)、峰度特征(kurtosis)、统计学特征(如均值、方差)和频谱特征(各倍频程声压级),上述特征与个人信息数据结合后共产生64种特征,每种特征包含n个时序值,构成大小为n*64的纵向矩阵,针对每种特征进行数据归一化,将归一化后的数据作为卷积神经网络的输入;以个人信息数据中双耳在1kHz、2kHz、3kHz、4kHz处的平均听力阈值是否大于25dB作为是否患有听力损失的标准,即训练神经网络的标签。
所述基于卷积神经网络的听力损失预测模块用于构建听力损失预测模型,利用训练好的模型进行是否将产生听力损失的预测;所述听力损失预测模型的构建具体如下:
考虑到不同的卷积核和不同深浅的卷积神经网络可以捕捉到到不同类型的特征,基于两个不同尺度的卷积神经网络设计一个多尺度卷积神经网络模型来预测复杂工业噪声所致的听力损失,两个不同尺度的卷积神经网络分别记为CNN1和CNN2;
CNN1包含6个卷积层和3个池化层,其结构为:卷积层1-池化层1-卷积层2-池化层2-卷积层3-卷积层4-池化层3-卷积层5-卷积层6-全连接层1-全连接层2-softmax输出层;
CNN2包含4个卷积层和3个池化层,其结构为:卷积层1-池化层1-卷积层2-池化层2-卷积层3-卷积层4-池化层3-全连接层1-全连接层2-softmax输出层;
去除CNN1和CNN2的所有全连接层和softmax输出层,之后将去除全连接层和softmax输出层之后的CNN1和CNN2输出的特征分别展平为一维向量的形式,并将两个一维向量进行串联,最后依次连接两个全连接层和一个softmax输出层,得到多尺度卷积神经网络;
所述听力损失预测模型的训练过程如下:
针对单个样本,模型的输入特征为预处理模块得到的n*64矩阵,标签为是否患有听力损失;首先分别训练结构完整的CNN1与CNN2,接着固定CNN1和CNN2的卷积层和池化层的参数,训练多尺度卷积神经网络;训练过程中,使用mini-batch Adam算法进行参数调优,采取dropout正则化和early stop方法避免数据过拟合。
进一步地,该***还包括结果展示模块,为用户展示听力损失预测结果,即是否会发生听力损失。
本发明的有益效果是:本发明利用机器学习的方法,使用卷积神经网络从噪声的时域结构中发掘信息,进行听力损伤预测。使用卷积神经网络可以充分利用复杂噪声数据的潜在信息(尤其是时域信息),更加准确地预测复杂噪声引发的听力损伤。
附图说明
图1为本发明***分布框架图;
图2为本发明***的具体工作流程图;
图3本发明所提出的的卷积神经网络模型的具体架构。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
如图1所示,本发明提供的一种基于卷积神经网络的噪声性听力损失预测***,该***包括数据采集模块、数据预处理模块、基于卷积神经网络的听力损失预测模块;具体实现流程如图2所示。
所述数据采集模块用于采集设定时长(可设置为8h)的噪声数据和暴露在噪声中工人的个人信息数据;所述个人信息数据包括年龄特征、工龄特征和不同频率下的听力阈值,听力阈值通过听力实验测得,为是否能够听到声音的临界分贝值。
所述数据预处理模块用于将各种数据融合成为卷积神经网络能够处理的时序数据,具体为:从描述噪声特性的时域结构出发,以设定的时间窗口(可以设置为40秒)计算噪声数据的能量特征(A计权等效声级)、峰度特征(kurtosis)、统计学特征(如均值、方差)和频谱特征(各倍频程声压级),上述特征与个人信息数据结合后共产生64种特征,每种特征包含n个时序值,构成大小为n*64的纵向矩阵,针对每种特征进行数据归一化,将归一化后的数据作为卷积神经网络的输入;以个人信息数据中双耳在1kHz、2kHz、3kHz、4kHz处的平均听力阈值是否大于25dB作为是否患有听力损失的标准,即训练神经网络的标签。
所述基于卷积神经网络的听力损失预测模块用于构建听力损失预测模型,利用训练好的模型进行是否将产生听力损失的预测;如图3所示,所述听力损失预测模型的构建具体如下:
设计两个不同尺度的卷积神经网络,记为CNN1和CNN2。考虑到不同的卷积核和不同深浅的卷积神经网络可以捕捉到到不同类型的特征,基于两个不同尺度的卷积神经网络设计一个多尺度卷积神经网络模型来预测复杂工业噪声所致的听力损失。
CNN1包含6个卷积层和3个池化层,其结构为:卷积层1-池化层1-卷积层2-池化层2-卷积层3-卷积层4-池化层3-卷积层5-卷积层6-全连接层1-全连接层2-softmax输出层;
CNN2包含4个卷积层和3个池化层,其结构为:卷积层1-池化层1-卷积层2-池化层2-卷积层3-卷积层4-池化层3-全连接层1-全连接层2-softmax输出层;
去除CNN1和CNN2的所有全连接层和softmax输出层,之后将去除全连接层和softmax输出层之后的CNN1和CNN2输出的特征分别展平为一维向量的形式,并将两个一维向量进行串联,最后依次连接两个全连接层和一个softmax输出层,得到多尺度卷积神经网络;
所述听力损失预测模型的训练过程如下:
针对单个样本,模型的输入特征为预处理模块得到的n*64矩阵,标签为是否患有听力损失;首先分别训练结构完整的CNN1与CNN2,接着固定CNN1和CNN2的卷积层和池化层的参数,训练多尺度卷积神经网络;训练过程中,使用mini-batch Adam算法进行参数调优,采取dropout正则化和early stop方法避免数据过拟合。
该***还可以包括结果展示模块,以友好的界面输出给用户,为用户展示听力损失预测结果,即是否会发生听力损失。
以下给出一个具体的应用场景:为预测一批工人在工业噪声暴露环境中是否有产生听力损失的风险,使用该***的数据采集模块采集每位暴露在噪声中的工人约8小时的噪声数据和其个人信息数据;所述个人信息数据包括年龄特征、工龄特征和不同频率下(1kHz、2kHz、3kHz、4kHz)的听力阈值;
使用该***的数据预处理模块将各种数据融合成为卷积神经网络能够处理的时序数据,具体为:从描述噪声特性的时域结构出发,以40秒的时间窗口计算噪声数据的能量特征(A计权等效声级)、峰度特征(kurtosis)、统计学特征(均值、方差等)和频谱特征(各倍频程声压级),上述特征与个人信息数据结合后共产生64种特征,每种特征包含640个时序值,构成大小为640*64的纵向矩阵,针对每种特征进行数据归一化,将归一化后的数据作为卷积神经网络的输入;以个人信息数据中双耳在1kHz、2kHz、3kHz、4kHz处的平均听力阈值是否大于25dB作为是否患有听力损失的标准,即训练神经网络的标签;
使用基于卷积神经网络的听力损失预测模块用于构建听力损失预测模型,利用训练好的模型进行这批工人是否将产生听力损失的预测;所述听力损失预测模型的构建具体如下:
设计两个不同尺度的卷积神经网络,记为CNN1和CNN2;
CNN1包含6个卷积层和3个池化层,其结构为:卷积层1-池化层1-卷积层2-池化层2-卷积层3-卷积层4-池化层3-卷积层5-卷积层6-全连接层1-全连接层2-softmax输出层;
CNN2包含4个卷积层和3个池化层,其结构为:卷积层1-池化层1-卷积层2-池化层2-卷积层3-卷积层4-池化层3-全连接层1-全连接层2-softmax输出层;
去除CNN1和CNN2的所有全连接层和softmax输出层,之后将去除全连接层和softmax输出层之后的CNN1和CNN2输出的特征分别展平为一维向量的形式,并将两个一维向量进行串联,最后依次连接两个全连接层和一个softmax输出层,得到多尺度卷积神经网络;
所述听力损失预测模型的训练过程如下:
针对训练数据集中的单个工人样本,模型的输入特征为预处理模块得到的640*64矩阵,标签为是否患有听力损失;首先分别训练结构完整的CNN1与CNN2,接着固定CNN1和CNN2的卷积层和池化层的参数,训练多尺度卷积神经网络;训练过程中,使用mini-batchAdam算法进行参数调优,采取dropout正则化和early stop方法避免数据过拟合。
将该批工人通过数据预处理模块得到的特征输入训练结束的模型,即可得到模型给出的每位工人是否将会患上听力损失的预测结果。结果将通过结果展示模块向用户展示。该***的AUC(Area Under the Curve)可达到0.75以上,可进行较精准的听力损失预测。
以上仅为本发明的实施实例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,不经过创造性劳动所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (2)
1.一种基于卷积神经网络的噪声性听力损失预测***,其特征在于,该***包括数据采集模块、数据预处理模块和基于卷积神经网络的听力损失预测模块。
所述数据采集模块用于采集设定时长的噪声数据和暴露在噪声中工人的个人信息数据;所述个人信息数据包括年龄特征、工龄特征和不同频率下的听力阈值。
所述数据预处理模块用于将各种数据融合成为卷积神经网络能够处理的时序数据,具体为:从描述噪声特性的时域结构出发,以设定的时间窗口计算噪声数据的能量特征、峰度特征、统计学特征和频谱特征,上述特征与个人信息数据结合后共产生64种特征,每种特征包含n个时序值,构成大小为n*64的纵向矩阵,针对每种特征进行数据归一化,将归一化后的数据作为卷积神经网络的输入;以个人信息数据中双耳在1kHz、2kHz、3kHz、4kHz处的平均听力阈值是否大于25dB作为是否患有听力损失的标准,即训练神经网络的标签。
所述基于卷积神经网络的听力损失预测模块用于构建听力损失预测模型,利用训练好的模型进行是否将产生听力损失的预测;所述听力损失预测模型的构建具体如下:
设计两个不同尺度的卷积神经网络,记为CNN1和CNN2;
CNN1包含6个卷积层和3个池化层,其结构为:卷积层1-池化层1-卷积层2-池化层2-卷积层3-卷积层4-池化层3-卷积层5-卷积层6-全连接层1-全连接层2-softmax输出层;
CNN2包含4个卷积层和3个池化层,其结构为:卷积层1-池化层1-卷积层2-池化层2-卷积层3-卷积层4-池化层3-全连接层1-全连接层2-softmax输出层;
去除CNN1和CNN2的所有全连接层和softmax输出层,之后将去除全连接层和softmax输出层之后的CNN1和CNN2输出的特征分别展平为一维向量的形式,并将两个一维向量进行串联,最后依次连接两个全连接层和一个softmax输出层,得到多尺度卷积神经网络;
所述听力损失预测模型的训练过程如下:
针对单个样本,模型的输入特征为预处理模块得到的n*64矩阵,标签为是否患有听力损失;首先分别训练结构完整的CNN1与CNN2,接着固定CNN1和CNN2的卷积层和池化层的参数,训练多尺度卷积神经网络;训练过程中,使用mini-batch Adam算法进行参数调优,采取dropout正则化和early stop方法避免数据过拟合。
2.根据权利要求1所述的一种基于卷积神经网络的噪声性听力损失预测***,其特征在于,该***还包括结果展示模块,为用户展示听力损失预测结果,即是否会发生听力损失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010038991.8A CN111223564A (zh) | 2020-01-14 | 2020-01-14 | 一种基于卷积神经网络的噪声性听力损失预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010038991.8A CN111223564A (zh) | 2020-01-14 | 2020-01-14 | 一种基于卷积神经网络的噪声性听力损失预测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111223564A true CN111223564A (zh) | 2020-06-02 |
Family
ID=70829516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010038991.8A Pending CN111223564A (zh) | 2020-01-14 | 2020-01-14 | 一种基于卷积神经网络的噪声性听力损失预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111223564A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111818436A (zh) * | 2020-07-14 | 2020-10-23 | 无锡清耳话声科技有限公司 | 基于机器学习的真耳分析测试*** |
CN112966754A (zh) * | 2021-03-10 | 2021-06-15 | 中国平安人寿保险股份有限公司 | 样本筛选方法、样本筛选装置及终端设备 |
CN113080947A (zh) * | 2021-03-26 | 2021-07-09 | 北京京东拓先科技有限公司 | 一种线上测听方法和*** |
CN114216557A (zh) * | 2021-12-21 | 2022-03-22 | 中国疾病预防控制中心职业卫生与中毒控制所 | 归一化噪声暴露等级的测定方法及装置 |
CN114861835A (zh) * | 2022-07-04 | 2022-08-05 | 浙江大学 | 一种基于非对称卷积的噪声性听力损失预测*** |
CN114997738A (zh) * | 2022-07-18 | 2022-09-02 | 天津渤化讯创科技有限公司 | 预测噪声听力损失风险的算法及噪声健康风险管理*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170300631A1 (en) * | 2016-04-12 | 2017-10-19 | Bertrand Johnson Acoustique Inc. | Method to estimate real noise exposure levels |
US20180160984A1 (en) * | 2016-12-13 | 2018-06-14 | Stefan Jozef Mauger | Speech production and the management/prediction of hearing loss |
CN108416755A (zh) * | 2018-03-20 | 2018-08-17 | 南昌航空大学 | 一种基于深度学习的图像去噪方法及*** |
CN110222843A (zh) * | 2019-07-01 | 2019-09-10 | 上海交通大学 | 一种噪声预测***及方法 |
-
2020
- 2020-01-14 CN CN202010038991.8A patent/CN111223564A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170300631A1 (en) * | 2016-04-12 | 2017-10-19 | Bertrand Johnson Acoustique Inc. | Method to estimate real noise exposure levels |
US20180160984A1 (en) * | 2016-12-13 | 2018-06-14 | Stefan Jozef Mauger | Speech production and the management/prediction of hearing loss |
CN108416755A (zh) * | 2018-03-20 | 2018-08-17 | 南昌航空大学 | 一种基于深度学习的图像去噪方法及*** |
CN110222843A (zh) * | 2019-07-01 | 2019-09-10 | 上海交通大学 | 一种噪声预测***及方法 |
Non-Patent Citations (3)
Title |
---|
严雁翎,何小新: "基于人工神经网络的非稳态噪声性耳聋发病率预测模型的研究" * |
沈波;王李仁;陈艳;许旭艳;郑能雄;: "中低强度噪声致高频听力损伤的BP神经网络模型研究" * |
赵艳霞: "基于机器学习的复杂噪声所致听力损失预测模型研究" * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111818436A (zh) * | 2020-07-14 | 2020-10-23 | 无锡清耳话声科技有限公司 | 基于机器学习的真耳分析测试*** |
CN111818436B (zh) * | 2020-07-14 | 2021-09-28 | 无锡清耳话声科技有限公司 | 基于机器学习的真耳分析测试*** |
CN112966754A (zh) * | 2021-03-10 | 2021-06-15 | 中国平安人寿保险股份有限公司 | 样本筛选方法、样本筛选装置及终端设备 |
CN112966754B (zh) * | 2021-03-10 | 2023-11-07 | 中国平安人寿保险股份有限公司 | 样本筛选方法、样本筛选装置及终端设备 |
CN113080947A (zh) * | 2021-03-26 | 2021-07-09 | 北京京东拓先科技有限公司 | 一种线上测听方法和*** |
CN114216557A (zh) * | 2021-12-21 | 2022-03-22 | 中国疾病预防控制中心职业卫生与中毒控制所 | 归一化噪声暴露等级的测定方法及装置 |
CN114216557B (zh) * | 2021-12-21 | 2023-12-29 | 中国疾病预防控制中心职业卫生与中毒控制所 | 归一化噪声暴露等级的测定方法及装置 |
CN114861835A (zh) * | 2022-07-04 | 2022-08-05 | 浙江大学 | 一种基于非对称卷积的噪声性听力损失预测*** |
WO2024008045A1 (zh) * | 2022-07-04 | 2024-01-11 | 浙江大学 | 一种基于非对称卷积的噪声性听力损失预测*** |
CN114997738A (zh) * | 2022-07-18 | 2022-09-02 | 天津渤化讯创科技有限公司 | 预测噪声听力损失风险的算法及噪声健康风险管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111223564A (zh) | 一种基于卷积神经网络的噪声性听力损失预测*** | |
CN111951824A (zh) | 一种基于声音判别抑郁症的检测方法 | |
CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN114861835B (zh) | 一种基于非对称卷积的噪声性听力损失预测*** | |
CN115101203A (zh) | 心理健康指数评估方法及*** | |
CN114566282A (zh) | 一种基于超声心动图检测报告的治疗决策*** | |
CN104143165A (zh) | 面向抑郁情绪的心理干预方案个性化推荐方法 | |
CN113674767A (zh) | 一种基于多模态融合的抑郁状态识别方法 | |
CN112331340B (zh) | 育龄夫妇妊娠概率的智能预测方法及*** | |
CN113470694A (zh) | 水轮机组遥听监测方法、装置和*** | |
Chen et al. | Edge2Analysis: a novel AIoT platform for atrial fibrillation recognition and detection | |
CN111789629A (zh) | 一种基于深度学习的呼吸音智能诊疗***及方法 | |
CN116344023A (zh) | 一种基于智慧养老医疗的远程监护*** | |
CN112768074A (zh) | 一种基于人工智能的重疾风险预测方法及*** | |
CN117542540A (zh) | 传染病风险预测方法、装置、电子设备及存储介质 | |
KR20190095678A (ko) | 자아 투사 이미지 기반으로 한 고령자의 주거 우울 지수 산출 방법 및 장치 | |
CN115147768B (zh) | 一种跌倒风险评估方法及*** | |
CN113642669B (zh) | 基于特征分析的防欺诈检测方法、装置、设备及存储介质 | |
CN111965733B (zh) | 一种预报因子与太阳耀斑发生的相关性评估方法 | |
CN114818832A (zh) | 多尺度特征融合的变压器声纹分类方法 | |
CN114464319A (zh) | 一种基于慢特征分析和深度神经网络的ams易感性评估*** | |
CN114881074A (zh) | 一种基于聚类-深度学习的工程结构变形预测方法 | |
KR102071604B1 (ko) | Khtp 이미지 기반으로 한 고령자의 주거 우울 지수 산출 방법 및 장치 | |
CN113571186B (zh) | 一种失能人员健康预警方法 | |
Jin | Time Warping clustering for the forecast and analysis of COVID-19 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |