[发明专利]一种基于LightGBM算法的食源性致病菌分类方法

说明书

本发明公开了一种基于LightGBM算法的食源性致病菌分类方法，包括步骤1：光谱背景拟合和数据预处理；步骤2：食源性病菌拉曼光谱数据预处理；步骤3：Light GBM分类模型，计算初始梯度值，初始值设为零，建立树并设置树的深度不超过100层。本发明通过对LightGBM集成算法建立一种分类模型使其对食源性致病菌光谱数据进行分析分类，能提高食品安全检测的效率，保障人民的食品卫生安全。

技术领域

本发明涉及拉曼光谱、LightGBM集成算法和机器学习领域，特别涉及一种基于LightGBM算法的食源性致病菌分类方法。

背景技术

据WHO最新研究表明，全球每年因食品安全问题而感染食源性疾病的患者达数亿，因而采取一定检测方法来判别食源性疾病，传统的方法有培养鉴定技术、分子检测技术、免疫学检测技术、生物传感器等。这些传统的生物方法操作繁琐，灵敏度低，特异性低。使用表面增强的拉曼散射生物传感技术是目前研究食源性致病菌检测方法的重点，将生物工程与机器学习技术结合能有效快速地检测食源性病原，具有准确率高、检测速度快、消耗量低的特点。常规的机器学习分类方法有SVM、logistic分类、boost集成算法，随机森林等，但是这些方法提出较早，准确率相比最新的学习算法较低。

因此本发明使用微软最新研发的基于决策树算法的轻量级梯度提升算法作为食源性致病菌分类模型的算法，它将单边梯度采样算法(GOSS)和EFB算法相结合，是为了解决XGboost算法中的缺点。Light GBM算法具有精确度更高、处理大规模数据、更快的训练速度和更高的效率等特点，能显著提升病菌的拉曼光谱分类准确率和效率。

发明内容

为了克服现有技术中的不足，本发明提供一种基于LightGBM算法的食源性致病菌分类方法，解决传统的食源性致病菌检测时间长，准确率低的问题。

为了达到上述发明目的，解决其技术问题所采用的技术方案如下：

一种基于LightGBM算法的食源性致病菌分类方法，包括以下步骤：

步骤1：光谱背景拟合和数据预处理；

步骤2：食源性病菌拉曼光谱数据预处理；

步骤3：Light GBM分类模型，计算初始梯度值，初始值设为零，建立树并设置树的深度不超过100层。

进一步的，步骤1包括以下内容：

步骤1.1：对原始数据进行归一化，采用波长大于532nm的激光激发被测物质，降低荧光干扰的概率，将去除荧光背景的光谱截断为偏移600至2000的区间内，绘制光谱图片；

步骤1.2：再采取最大最小标准化的方法对原始数据进行归一化，公式如下：

其中，Max是数据的最大值，Min是数据的最小值，x’是归一化后的样本数值；

再使用SG方法对光谱中尖锐的峰值平滑处理；

步骤1.3：使用分段线性拟合法对光谱进行基线校正，解决拉曼光谱基线漂移现象，采用移动窗口结合最小二乘法对大肠杆菌和布鲁氏菌的数据噪声进行抑制。

进一步的，步骤2包括以下内容：

步骤2.1：对降噪后的光谱数据使用PCA降维，选取数据集中的主特征；

步骤2.2：将数据集分成训练集和测试集，其中30％的数据集用来训练模型，70％的数据集用来测试模型的准确率，以便提高模型的健壮性和准确性。

进一步的，步骤3包括以下内容：

步骤3.1：计算直方图，从直方图中选择最大收益的特征分裂，建立根结点，重复选取最佳分裂结点，分裂特征，直到叶子结点数量限制或者叶子结点不能分割为止；