影响个人辐射剂量因素的相关性分析研究

费 淼 杨笑千 严 静 肖 波 郑 炯 张明星 唐 华 曾 波

（中国核动力研究设计院，四川 成都 610213）

核辐射是原子核从一种结构或一种能量状态转变成另一种结构或另一种能量状态过程中所释放出来的微观粒子流[1]，核反应堆在运行过程中主要产生5 类辐射：α 射线、β 射线、χ射线、γ 射线、中子，对人体的外部照射损伤主要由χ 、γ 射线和中子辐射引起，处在该环境下的工作人员会受到不同程度的辐射，大剂量短时间急性辐射会导致人体皮肤出现放射性烧伤，也会引起人体全身疾病乃至死亡[2]。因此个人辐射剂量的大小应实现严格的监控。

个人所受辐射量的多少称为个人剂量，单位为mSv（毫希沃特），根据GB 18871-2002《电离辐射防护与辐射源安全基本标准》，放射性职业工作者一年累积全身受职业照射不得超过20mSv。影响个人剂量与所处辐射环境、个人防护措施、受辐射时间长短等因素相关外，还可能与个人性别、年龄、所属部门相关。

近年来随着大数据、人工智能技术的兴起，数据挖掘分析在各行各业有了较大的发展，相关性分析一般是对存在关联关系的变量之间进行分析，进而用量化的方式判断变量的相关性程度的分析方法，相关性分析主要是用于从数据中挖掘出那些不易为人所知的关系，相关关系的研究在各个领域均有广泛的应用，如王小燕[3]提出利用皮尔逊相关值研究花生发芽率与粗蛋白含量、水分含量的相关关系，张怡文[4]用皮尔逊相关值研究PM 值大小与CO、NO2的关系；曾爱平[5]使用方差分析方法研究土壤、施肥和它们的交互作用对农作物苗高生长的影响，张峰[6]利用方差分析方法比较不同批次的飞机剩余使用寿命是否存在显著性不同，并选择寿命最长的批次。但在个人核辐射剂量的相关性研究中，国内外鲜有资料可循。

本文针对反应堆从业者年所受剂量的大小与个人性别、年龄、所处部门的相关关系进行探究。

1 研究方法与原理

为研究个人所受剂量值与其年龄、性别和所在部门之间是否存在相关关系，本文采用皮尔逊相关值和方差分析对其进行研究。

1.1 皮尔逊相关值

相关性分析是用来研究两个或多个变量间的关联紧密程度的一种方法，为了探求年个人辐射剂量大小与哪些因素相关，故采用相关性分析算法，皮尔逊相关值可以很好的表示两个变量之间的相关性。实验中的部分指标存在线性相关关系，现选择使用皮尔逊相关值计算个人剂量影响因素的相关程度，皮尔逊相关值表达方式如公式（1）所示：

1.2 方差分析

方差分析是一种重要的数理相关统计方法，在工业、农业和商业等领域应用广泛。在实际中，大多需要考虑不同条件对结果的影响。方差分析是检验多个总体均值是否相等的一种统计分析方法。最终根据试验处理平均数的方差与试验误差的方差之间的比值（F 值）的大小来判断该因素对试验结果有无显著的影响。在实验中要考察的结果称为指标，而在实验中变化的因素称为因子，因子在实验中的不同状态称为水平。方差分析分为单因素模型和多因素模型，如果一项实验中，仅有1 个因素发生变化，其他因素保持不变，则称这种试验为单因子方差分析，本文只探究个人剂量大小与所在部门的相关性，故采用单因素方差模型，单因素方差模型实现过程如下：

2 实验数据采集与处理

2.1 数据采集

采集目标：从事放射性工作的人员主要从事反应堆运行与检修、核设施退役、三废处理、辐照效应研究、辐射监测、核技术应用及核燃料元件研制等工作。辐射场主要来源于反应堆及反应堆运行产生的裂变产物和活化产物，从事放射性工作的人员主要受照类型为γ /X 外照射，主要辐射源包括反应堆一回路系统、核设施运行废物、辐照物项、热室、核燃料、放射源等。

采集方法：外照射个人监测采用热释光个人剂量计进行，内照射采用体外之间测量。

采集数据：实验选取2015 年至2020 年共6 年的数据，共有4242 条数据，其中男性有3145 人，占比74.1%，女性有1097 人，占比25.9%，数据中的个人年度剂量值为内外照射和，最终采集结果汇总形成相应文件。

2.2 数据预处理

数据预处理是数据分析挖掘重要的一步，对实验结果有着决定性的影响。本次实验的预处理包括：

数据清洗：对采集来的数据中含有未测量、不完整、不相关、错误的进行清洗和去除。

数据规约：降低数据量，避免脏数据，提取核心数据。

数据初步统计：按照年份、部门等字段将数据集成，将每条数据打上所属员工的年龄、性别标签，为了对数据有初步的了解，对按照部门间对数据进行人数统计、性别统计、年龄统计、平均值计算和方差计算。

3 个人剂量大小与性别、年龄的相关性研究

为探究个人所受剂量对个人性别、年龄的相关性，故选用皮尔逊相关值进行分析。在数据分析平台建立个人剂量皮尔逊相关值分析模型，相关系数的取值为：年度剂量值；员工性别（“0”代表“女性”，“1”代表“男性”）；员工年龄，列出皮尔逊相关系数矩阵如表1 所示。

表1 员工剂量值与性别年龄统计

根据公式(1)得，个人年度剂量与个人性别、年龄的相关系数值分别为0.1845 和0.0126，对结果分析可知，员工所受年度剂量值的大小，与员工的性别存在较弱的相关性，即男性总体受到的剂量值大小要多于女性，员工所受辐射剂量值的大小与年龄无关。

4 个人剂量大小与部门的相关性研究

由于部门不是量化的单位，并且只考虑部门变化这单一因素，故探究个人所受剂量大小与部门的关系时，采用单因子方差分析方法。

在数据分析平台建立个人剂量单因素方差分析模型，实现步骤如下：

4.1 建立方差分析表如表2 所示。

表2 员工部门与剂量值统计

4.2 检验假设H0:μ1=μ2=μ3=…=μn;即各组间的平均值不存在显著差异；

检验假设H1:μ1,μ2,μ3,μ4,… ,μn不完全相等，即各组件的平均值至少有两处存在显著差异。

4.3 实验数据r=13，n=4242 等代入公式（2）（3）（4）（5）（6）后，计算并形成最终方差分析的结果如表3 所示。

表3 员工剂量值与部门关系方差分析结果

5 结论

本文采用皮尔逊相关值法和方差分析法分别对个人性别、年龄和所在部门进行了相关性分析，最后得出结论，个人所受剂量大小与其年龄无关，与员工性别存在较弱的相关性，即男性受到的剂量值要多于女性，与个人所在部门存在显著相关，建议受辐射剂量大部门员工注意采取安全措施，及时调岗或休息。本文确定了个人剂量相关性研究路线，验证了相关性方法的可行性，下一步可对工作场景、工作时间、工作内容等因素进行研究，确定影响个人剂量的关键因素，根据关键因素的权重大小，可以将权重较大因素作为趋势预测的重要因素，然后建立关键因素与个人剂量的回归方程，进行个人剂量下阶段的趋势预测。