[发明专利]一种基于BP神经网络的食源性疾病致病因子预测的方法和系统

说明书

本发明公开了一种基于BP神经网络的食源性疾病致病因子预测的方法，该预测方法包括以下步骤：S1、数据采集，收集、整理食源性疾病事故案例，建立食源性疾病样本分析数据库，并对每个样本包含的特征项记录；S2、确定训练集和测试集并进行属性选择与神经元定义；有益效果：建立深层BP神经网络模型，通过增加神经网络隐藏层的层数改进网络结构，优化网络计算复杂度，建立食源性疾病流行病学致病因子精准分析预测网络模型，并通过带有自学习功能的动态迁移网络实时更新迭，提高了食源性疾病致病因子预测的判别模型网络的执行效率和灵敏度；对缺失的数据进行预处理，重构了含缺失项的数据并对其进行分析，使之参与有效网络计算。

技术领域：

本发明属于致病因子预测技术领域，特别涉及一种基于BP神经网络的食源性疾病致病因子预测的方法和系统。

背景技术：

食源性疾病(foodborne disease)的定义为“人体摄入被污染的食品所引发的疾病，包括食品生产和制备过程中不同环节污染食品的寄生虫、化学物质和致病菌所引起的一类涵盖范围广的疾病”。食源性疾病对公共卫生、食品行业的健康发展以及社会稳定造成极大的危害，目前许多国家均已开展食源性疾病监测工作。食源性疾病监测体系目的在于鉴别和控制食源性疾病暴发、分析研判致病因子；鉴定易感人群、高风险食品和不良食品操作规程；明确特定致病菌的食源性传播途径；评估食源性疾病影响，减轻食源性疾病危害；制定食品安全评估计划；研究食源性疾病暴发溯源和预警战略措施，在对食源性疾病致病因子算分析预判算法实现方面，Logistic回归属于传统的统计方法过程易于理解但对于输入数据的要求比较高，其要求被分析的数据各个特征项之间是独立的；决策树算法对于输入数据无独立性要求，但其稳定性不好并且处理缺失数据困难；贝叶斯判别分析法应用于食源性疾病致病因子预测其稳定性好，但准确性低；SVM算法对于缺失数据敏感，所以本发明提供一种基于BP神经网络的食源性疾病致病因子预测的方法和系统来解决上述问题。

发明内容：

本发明的目的就在于为了解决上述问题而提供一种基于BP神经网络的食源性疾病致病因子预测的方法和系统，解决了现有小样本稀疏数据条件的属性选择与神经元准确定义问题以及大量含缺失项数据条件下的食源性疾病的致病因子的预测准确率、灵敏度及特异性低的缺点。

为了解决上述问题，本发明提供了一种技术方案：

一种基于BP神经网络的食源性疾病致病因子预测的方法，该预测方法包括以下步骤：

S1、数据采集，收集、整理食源性疾病事故案例，建立食源性疾病样本分析数据库，并对每个样本包含的特征项记录；

S2、确定训练集和测试集并进行属性选择与神经元定义；

S3、对缺失的数据进行预处理，将空值用NaN表示，为了构建准确率较好的深层BP神经网络食源性疾病致病因子预测模型，在训练网络前需要对含NaN的数据做处理；

S4、建立深层BP神经网络系统模型，并用上述训练集数据训练网络；

S5、将测试集数据输入模型，分析灵敏度和特异性。

作为优选，所述S1中数据采集来源于疾病预防控制中心形成的食源性疾病事故分析数据。

作为优选，所述S2中神经网络的输出层的2个神经元，分别为J7“致病因子”与J71“分类”，J7致病因子为字符串型变量，J71“分类”为整型变量，分别为“1＝化学污染物2＝致病菌3＝病毒4＝真菌毒素5＝寄生虫6＝有毒动物7＝有毒植物”；

由此可见，该样本集中致病因子只有一个真菌毒素，为“霉菌”，没有寄生虫致病因子，主要以致病菌居多，于是可以将剩下的5种类别根据J7再进行细分。细分标准为，若J7中同种类型的样本数≥4，则将其单独划分为一类，否则不划分。于是增加J70属性，分别为：