一种基于中红外光谱和PLSDA的奶牛乳房炎诊断模型的构建方法技术

本发明专利技术提供一种基于中红外光谱和PLSDA的奶牛乳房炎诊断模型的构建方法，包括：一、按照预定步骤，采集并保存若干数量的牛奶样品；二、将牛奶样品置于乳成分分析仪器上进行检测，获得中红外光谱数据；三、将中红外光谱数据划分为训练集和测试集，按照预设法对其进行预处理；四、将训练集通过偏最小二乘判别分析PLSDA，得到诊断模型及训练集的敏感性、特异性和ROC曲线下面积AUC，将测试集带入诊断模型，得到测试集的敏感性、特异性和ROC曲线下面积AUC；五、根据训练集及测试集的敏感性、特异性和ROC曲线下面积AUC，获取最终诊断模型。本发明专利技术能够实现对奶牛乳房炎的批量诊断，实现奶牛乳房炎及时防治。乳房炎及时防治。乳房炎及时防治。

【技术实现步骤摘要】
一种基于中红外光谱和PLSDA的奶牛乳房炎诊断模型的构建方法


[0001]本专利技术涉及奶牛乳房炎诊断
，具体涉及一种基于中红外光谱和PLSDA的奶牛乳房炎诊断模型的构建方法。

技术介绍

[0002]奶牛乳房炎是奶牛乳腺组织受到细菌感染、外伤或化学刺激所引起的乳房炎症，是奶牛场危害最大、防治最困难的一种奶牛疾病。乳房炎降低了奶牛生产效益，使奶牛治疗和饲喂成本提高，牛奶及奶制品品质降低，奶牛的产奶年限缩短、繁殖性能下降。牛奶中体细胞数和体细胞分型计数可以用作大群体的奶牛乳房炎的指示性指标，通过划分体细胞数和体细胞种类分型计数的阈值分辨出健康、隐性、慢性和临床性乳房炎牛群。但是，体细胞数和体细胞分型计数易受到仪器、校准方法、实验室环境等多重影响，且技术知识产权均属于国外乳成分分析仪器公司，仪器和检测试剂等费用昂贵。
[0003]牛奶中红外光谱(4000cm
‑1～400cm
‑1)可以灵敏捕捉牛奶中所有物质种类和含量变化的信息，光谱分析技术成熟且能适用于批量规模化的牛奶物质成份定性和定量的分析检测。在奶牛生产性能测定工作(Diary Herd Improvement，DHI)中，光谱分析技术广泛用于乳脂率、乳蛋白率和乳糖率等乳成分快速、准确和高通量检测。此外，光谱分析技术还可以用于牛奶脂肪酸和凝集性能检测，及奶牛能量负平衡、繁殖障碍等奶牛养殖中常见疾病的预测。在乳房炎发生和发展过程中，牛奶中物质成份随之发生变化。目前，现有技术中还没有中红外光谱在奶牛乳房炎诊断方面的应用研究，因此，提供一种基于中红外光谱和PLSDA的奶牛乳房炎诊断模型的构建方法。

技术实现思路

[0004]有鉴于此，本专利技术提供一种基于中红外光谱和PLSDA的奶牛乳房炎诊断模型的构建方法，对大量牛奶或牛群进行日常化、自动化和规模化在线检测，实现对奶牛乳房炎的批量诊断，实现奶牛乳房炎及时防治，提高奶牛生产效率、牛奶品质、奶牛健康和动物福利水平。
[0005]为解决上述技术问题，本专利技术提供一种基于中红外光谱和PLSDA的奶牛乳房炎诊断模型的构建方法，包括以下步骤：
[0006]步骤一、按照预定步骤，采集并保存若干数量的牛奶样品；
[0007]步骤二、将步骤一采集的牛奶样品置于乳成分分析仪器上进行检测，获得对应牛奶样品的中红外光谱数据；
[0008]步骤三、将步骤二所得中红外光谱数据划分为训练集和测试集，按照预设法对中红外光谱数据进行预处理；
[0009]步骤四、将所述训练集通过偏最小二乘判别分析PLSDA，得到诊断模型及所述训练集的敏感性、特异性和ROC曲线下面积AUC，将所述测试集带入诊断模型，得到所述测试集的
敏感性、特异性和ROC曲线下面积AUC；
[0010]步骤五、根据所述训练集的敏感性、特异性和ROC曲线下面积AUC及所述测试集的敏感性、特异性和ROC曲线下面积AUC，获取基于中红外光谱和PLSDA的奶牛乳房炎诊断模型。
[0011]进一步的，所述步骤一的具体操作方法为：采集并保存不同乳房炎类型的牛奶样品，具体的样品采集和保存步骤包括奶样采集方法符合操作要求、样品运输和贮存的环境温度在预设范围内。
[0012]进一步的，样品运输和贮存的环境温度控制在0℃
‑
4℃，并在在72h之内冷链运送到实验室。
[0013]进一步的，所述步骤二的具体操作方法为：将牛奶样品进行预热和摇匀后放置于乳成分分析仪器上进行检测，获得对应牛奶样品的中红外光谱数据，预热温度是39℃～41℃，时间15min。
[0014]进一步的，所述步骤三的具体操作方法为：将不同乳房炎类型对应的牛奶样品分为用于构建乳房炎诊断模型的过程中对模型进行训练的训练集和用于对模型进行验证的测试集，其中，训练集按照4：1的比例进行内部验证，测试集选择独立于训练集外的红外光谱数据用于外部验证，先将红外光谱数据中水和噪声区域去除，再采用卷积平滑二阶导(Savitzky
‑
Golay二阶求导)的方法进行预处理。
[0015]进一步的，所述步骤四的具体操作方法为：通过对训练集偏最小二乘判别分析(Partial least squares discriminant analysis，PLSDA)，得到乳房炎诊断模型以及关于训练集的敏感性、特异性和ROC曲线下面积AUC，然后通过测试集对乳房炎诊断模型进行测试，得到测试集对应的敏感性、特异性和ROC曲线下面积AUC。
[0016]进一步的，所述步骤五的具体操作方法为：根据偏最小二乘判别分析得到训练集的敏感性、特异性和ROC曲线下面积AUC及测试集的敏感性、特异性和ROC曲线下面积AUC，确定符合要求的乳房炎诊断模型，当训练集AUC值最大，且测试集AUC值最大，即为符合预设要求的奶牛乳房炎诊断模型。
[0017]本专利技术的上述技术方案至少包括以下有益效果：
[0018]1、本专利技术针对奶牛乳房炎诊断，相对于采用荧光定量PCR进行病原菌核酸检测的方法，采用牛奶样品进行疾病检验检测方法研究，减少了家畜应激、减少生物安全风险，对奶牛生物健康安全体系建设具有重要意义和示范推广作用；
[0019]2、本专利技术采用的牛奶中红外光谱可以灵敏捕捉牛奶中所有物质种类和含量的变化信息，其分析技术成熟且能适用于批量、快速、规模化的牛奶物质成份定性和定量的分析检测、并用于奶牛疾病健康诊断。
[0020]3、本专利技术建立的奶牛乳房炎诊断模型和技术方法，能够实现对大批量牛群进行日常化、自动化和规模化在线检测和监管，以实现大批量牛群的乳房炎状况快速诊断；
[0021]4、本专利技术采用光谱预处理，光谱预处理能够最大程度的去除冗余信息，降低基线漂移和噪声的影响，更有利于优化光谱信息，在一定程度上能够提高模型的稳健性；
[0022]5、本专利技术中所使用到的偏最小二乘判别分析(Partial least squares discriminant analysis，PLSDA)是偏最小二乘回归的另一种方式，能更好地处理多重共线性数据的分类判别问题，敏感性是患病牛只正确分类即真阳性比例，特异性是未患病牛只
正确分类即真阴性比例，AUC是接受者操作特性曲线即ROC曲线下面积，是模型的评价标准之一。
附图说明
[0023]图1为本专利技术实施例中基于中红外光谱和PLSDA的奶牛乳房炎诊断模型的构建方法的流程图；
[0024]图2为试验例1中原始中红外光谱数据图；
[0025]图3为试验例1中Savitzky
‑
Golay二阶求导处理之后的中红外光谱数据；
[0026]图4为试验例1中2组和4组诊断模型训练集结果；
[0027]图5为试验例1中2组和4组诊断模型测试集结果。
具体实施方式
[0028]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例的附图1
‑
5，对本专利技术实施例的技术方案进行清楚、完整地描述。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于中红外光谱和PLSDA的奶牛乳房炎诊断模型的构建方法，其特征在于，包括以下步骤：步骤一、按照预定步骤，采集并保存若干数量的牛奶样品；步骤二、将步骤一采集的牛奶样品置于乳成分分析仪器上进行检测，获得对应牛奶样品的中红外光谱数据；步骤三、将步骤二所得中红外光谱数据划分为训练集和测试集，按照预设法对中红外光谱数据进行预处理；步骤四、将所述训练集通过偏最小二乘判别分析PLSDA，得到诊断模型及所述训练集的敏感性、特异性和ROC曲线下面积AUC，将所述测试集带入诊断模型，得到所述测试集的敏感性、特异性和ROC曲线下面积AUC；步骤五、根据所述训练集的敏感性、特异性和ROC曲线下面积AUC及所述测试集的敏感性、特异性和ROC曲线下面积AUC，获取基于中红外光谱和PLSDA的奶牛乳房炎诊断模型。2.根据权利要求1所述的基于中红外光谱和PLSDA的奶牛乳房炎诊断模型的构建方法，其特征在于，所述步骤一的具体操作方法为：采集并保存不同乳房炎类型的牛奶样品，具体的样品采集和保存步骤包括奶样采集方法符合操作要求、样品运输和贮存的环境温度在预设范围内。3.根据权利要求2所述的基于中红外光谱和PLSDA的奶牛乳房炎诊断模型的构建方法，其特征在于，样品运输和贮存的环境温度控制在0℃
‑
4℃，并在在72h之内冷链运送到实验室。4.根据权利要求1所述的基于中红外光谱和PLSDA的奶牛乳房炎诊断模型的构建方法，其特征在于，所述步骤二的具体操作方法为：将牛奶样品进行预热和摇匀后放置于乳成分分析仪器上进行检测，获得对应...

【专利技术属性】
技术研发人员：张震，闫磊，任小丽，闫跃飞，刘长磊，白雪利，张志阳，王雅春，娄文琦，李静茹，皇超英，连真真，卜秋月，刘欢，高娜，薛永康，周峰，谷淑华，岳婷婷，张淑君，冯豆，杨兰，刘小峰，朱业霞，刘晓曼，
申请(专利权)人：河南省奶牛生产性能测定中心河南省奶牛生产性能测定有限公司，
类型：发明
国别省市：