技术摘要：
本发明公开了矿工健康评估方法及系统，涉及人体健康管理技术领域，1、搭建矿工健康管理系统；2、系统采集不同健康状况的矿工生理参数数据；3、采用ABC‑RS算法对原始矿工健康数据进行属性约简；4、将属性约简后的数据按比例随机划分成训练集和预测集；5、利用训练集建  全部
背景技术：
随着煤矿开采深度的不断增加，井下的作业环境条件亦在逐步恶化。作业场所粉 尘污染严重、环境恶劣，矿工患职业病危的可能性大幅提升，研究粉尘、有毒气体、潮湿等恶 劣作业环境对矿工身体健康影响的机理以及对矿工身心健康检测的影响，筛选特征指标， 可实现职业病早期判断，提高职业病的早期发现率，加深人们对健康的认识程度，减少职业 病及经济上给矿工带来的的严重负担。 现阶段矿工职业病的预测与评估需要利用数据挖掘技术对健康管理系统采集的 健康数据进行分析与评估，然而处理数据常用的是简单的统计学方法，处理数据的效率与 所得结果的精度不够高。目前人工智能算法开始运用于大数据处理领域，运用基于人工蜂 群的粗糙集ABC-RS结合极限学习机ELM的人工智能算法全面分析与评估采集到的井下旷工 健康数据，对矿工职业病的预测有着重大的研究意义。因此，本申请提供了矿工健康评估方 法及系统，将ABC-RS与ELM相结合用于矿工健康数据的评估，实现了矿工职业病快速且准确 的预测与评估。完成部分职业病的前期预警及保障矿工的生命健康。
技术实现要素：
本发明的目的在于提供矿工健康评估方法及系统，将ABC-RS与ELM相结合用于矿 工健康数据的评估，实现了矿工职业病快速且准确的预测与评估。完成部分职业病的前期 预警及保障矿工的生命健康。 本发明提供了矿工健康评估方法，包括以下步骤： S1：搭建矿工健康管理系统； S2：采集矿工健康数据； S3：采用ABC-RS算法对原始矿工健康数据进行属性约简，约简掉冗余的属性，保留 有用的属性； S4：将属性约简后的矿工健康数据样本按一定的比例随机划分成训练集和预测 集； S5：建立健康诊断的预测模型：将训练集的数据输入到ELM模型中进行训练，将预 测集用于职业病早期类别预测效果的检验，实现矿工健康状况的评估。 较佳地，所述步骤S1中，所述矿工健康管理系统由基本信息管理、体检项目管理、 健康数据采集、信息查询、数据处理分析及系统管理组成。 较佳地，所述步骤S2中，采集患尘肺病、振动病、噪声性耳聋、职业中毒以及健康矿 工的P个健康相关生理参数数据，所述健康相关生理参数数据包括体重、肺活量、心电、脑 电、肌电、心率、血糖、血压、血氧、尿常规、体温、尿酸、胆固醇、精神压力和疲劳程度。 较佳地，所述步骤S3采用ABC-RS算法对原始矿工健康数据进行属性约简，其具体 4 CN 111613340 A 说　明　书 2/6 页 步骤如下： S31：构造决策表系统S＝(U,A,V,F)，U为论域，A＝C∪D，A为属性集合，C为条件属 性，D为决策属性；输出为决策表系统S＝(U,A,V,F)的一个相对约简； S32：计算S关于属性集合A的正区域POSA(D)，即式： POSA(D)＝∪X∈U/DIQ 式中，IQ为属性子集I的下近似； S33：初始化侦查蜂群规模W，跟随蜂群规模W，迭代次数为n，蜂群的食物源数量为 n； S34：侦查蜂搜索蜂蜜源，随机生成W个蜜源的位置x(i)(i＝1,2,...,W)； S35：侦查蜂变成引领蜂，引领蜂集合跟随蜂，按照轮盘赌原则计算适应度fit(x)， 并选择最好的事物源x(a)； S36：不断搜索新的事物源并选择目前最好的事物源； S37：直到人工蜂群算法达到收敛条件为止，则终止迭代，否则返回S35继续循环迭 代； S38：根据最优解组成的决策表系统，进而得到决策表系统S的一个包含n个属性的 相对属性约简集合{Z1,Z2,Z3,…Zn}(n