基于机器学习的复杂噪声所致听力损失预测模型研究

发布时间：2020-08-04 09:38

【摘要】：听力损失是全世界面临的重大公共健康问题。造成听力损失的最主要原因是噪声暴露。因此,充分挖掘噪声暴露大数据中包含的潜在价值从而准确评估噪声诱发的听力损失,对节约医疗成本和加强听力防护等具有重要作用。当前评估噪声引起听力损失的标准是国际噪声暴露标准(ISO-1999)。然而该标准的建立是基于20世纪50～60年代的稳态噪声数据,因而对噪声暴露类型不敏感,往往会低估复杂噪声造成的听力损失。此外,不能利用除能量之外的其他有效特征参量,成为限制该标准对复杂噪声所致生物效应做出准确预测的又一重要原因。数据驱动的机器学习方法可以充分利用数据包含的有效信息,因而基于噪声暴露大数据和机器学习算法,建立一个更精准的听力损失预测模型,以评估噪声暴露对听力危害的影响,具有重要意义。本论文从机器学习的角度研究复杂噪声暴露下听力损失预测新方法,提高听力损伤预测的性能。模型具有合理的听力学解释,并对听力损失预防及早期干预具有重要意义。主要创新点概括如下:针对复杂噪声所致听力损失预测,论文提出基于SVM、MLP、随机森林和AdaBoost的机器学习方法,有效利用复杂噪声数据中的潜在信息,建立了听力损失与损伤综合预测模型,并系统的对比分析了多种机器学习算法的效果。提出一种复杂噪声特性与个体特征融合方法,解决传统方法对噪声暴露类型的不敏感性问题,建立了听力损伤预测模型,预测性能显著优于现有行业国际标准。提出基于卷积神经网络的复杂噪声时序模型特征发现方法,捕获被处理成二维矩阵的噪声时序数据中存在的时间模式,建立了更精准的复杂噪声所致听力损伤预测模型。
【学位授予单位】：浙江大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：R764;TP181
【图文】：

神经元结构

个训练得到的弱分类器按权重组合成一个强分类器，即逡逑Ｈｆｉｎａｌ邋＝邋ｓｉｇｎ（Ｊ％ｉａｍＨｍ｛，ｘ））逦（２－２３）逡逑知机（ＭＬＰ＞算法逡逑知机（ＭＬＰ）也叫人工神经网络（ＡＮＮ），是由神经元模型并行相连逡逑，除了输入输出层，中间可以有多个隐藏层，能够模拟神经系统对逡逑物体所作出的交互反应，主要用来解决分类和回归问题。多层感知逡逑分是处于隐藏层中的神经元模型，该模型结构的构建过程直接决定逡逑算法的质量。图２．１即为神经元结构的图示。图中神经元楔型的激逡逑），它通过对神经元的非线性激活，使得网络能够逼近任意的非线逡逑入变量＆的权重为％，神经元模型的偏置为６。图中Ｅ即为求和函逡逑？＝１％４邋＋邋办。逡逑

示意图,间隔带,中间的,支持向量回归

量回归示意图，两条虚线中间的部分为ｓ间隔带，落入其中的样本不计量￥和系，则原问题模型转化为如下形式：逡逑｜｜ｗ｜｜２邋＋逦＋邋５；）邋，邋ｓ．ｔ．邋ｓ邋＋邋Ｓｔ邋＞逦－邋ｙｔ＞邋－ｓ邋－Ｓｉｔ邋（２，邋Ｓ，邋２邋０，邋ｉ邋＝邋１，２，…，ｍ．逡逑入拉格朗日乘子Ａ邋２邋０，名２邋０，的２邋０，邋Ａ邋２邋０，由拉格朗日乘子法拉格朗日函数：逡逑ｂ．ａ＾＾．Ｓ，＾）邋＝＾｜｜ｗ｜｜２邋＋邋Ｃ＇Ｚ＾１（．Ｓｉ邋＋２＾１ａｉ（ｙｉ邋＋邋ｆ邋＋邋＾邋－邋ｆ｛ｘ｛））邋－邋ＥＩ＾ｉ？ｔ（／（ｘｉ）邋＋邋￡邋＋逦￣邋ｙｄ邋（２－，足５，对ｖｖ，逦和或求偏导为零可得逡逑ｍ逡逑

特征图,结构示意图,特征图,卷积

浙江大学博士学位论文逦逡逑接的数目。另一方面降低了模型的复杂度，缓解了模型的过拟合问题。权值共享逡逑其实就是对图像用同样的卷积核进行卷积操作，这意味着它能检测到处于图像中逡逑不同位置的同一类型特征，也就是卷积神经网络能很好的适应矩阵的小范围的平逡逑移性，即有较好的平移不变性。如图２．３所示，卷积神经网络通常由卷积层，降逡逑采样层（池化层）和全连接层３层结构构成，其中，低层由卷积层和池化层交替逡逑组成网络的核心特征提取模块，每层有多个特征图，每个特征图有多个神经元；逡逑高层一般采用ｓｏｆｔｍａｘ全连接的方式。局部特征的提取工作由输入图像和滤波器逡逑通过卷积的方式实现，卷积神经网络提取的特征与其他特征具有确定的位置关系。逡逑特征图特征图yL经元逡逑

【参考文献】