一种基于svm的种猪疾病早期预测方法.docVIP

一种基于SVM的种猪疾病早期预测方法 * 黄廷华2* 吴珍芳1 赵书红2 李新云2 1 华南农业大学动物科学学院，广州，510642 2 华中农业大学动物科技学院，武汉，430070 * 表示为共同第一作者 通讯作者：吴珍芳, 男，博士， 教授， Email: wzfemail@163.com 赵书红，女，博士， 教授， Email: shzhao@ 摘要：抗病育种是当前国内外发展健康养殖业的一项重要内容。本文采用支持向量机的方法，利用免疫群体相关数据构建了一个种猪疾病早期诊断模型。利用该模型，我们可以通过测量数个相关的生理生化指标较准确的预测初生仔猪的健康状况。该模型不仅可以应用于生猪生产，亦可用于高抗病型种猪的早期选种。 关键词：疾病早期预测；支持向量机；模式识别 1 引言 猪的抗病育种就是要对猪只或猪群进行自身抗性水平的遗传研究，发现、筛选和固定优良的抗性基因甚至导入其它物种或品种的新基因，从而达到遗传改良的目的，减少疾病的发生，这对于控制疾病、提高养猪效益和安全养殖具有标本兼治的重要意义。常规选择、候选基因法、定位抗病性状QTL、转基因等技术使猪的抗病育种取得了一些进展，但是抗病遗传机理的复杂性使得生产上培育抗病品系的世代间隔较长，增加了抗病育种的难度。抗病育种不仅仅要借助于遗传育种和兽医的知识进行研究，更重要的是，要结合免疫学、生物信息学、统计学等多学科为抗病育种服务。基于统计学习理论的支持向量机（Support Vector Machines, SVM）是目前发展最快的机器学习方法，它较好地解决了小样本、非线性、过拟合、维数和局级小等问题，且具有推广性能好和分类准确率高的优点。SVM的关键在于核函数，低维空间向量集通常难于划分，解决的方法是将它们映射到高维空间。但这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题。也就是说，只要选用适当的核函数，我们就可以得到高维空间的分类函数。本研究利用支持向量机的方法结合免疫指标建立了一种种猪疾病早期预测方法，使得仔猪一出生就可以预测它的健康水平，周期短，且准确率较高。 本实验广东华农温氏畜牧股份有限公司水台原种猪场的长白猪，共测量仔猪302头，其中健康猪262头，患病猪40头（拉稀、先天性颤抖、苍白消瘦等）。实验样品分别采集自1、17、32日龄仔猪。测量指标主要包括抗体水平和血常规。血常规检测采用三分类，抗体水平用ELISA试剂盒检测。 特征向量的选择采用Golub方法（999），利用F值衡量特征向量的优劣，公式如下： 其中,j=1,…,n。X代表特征向量，μ和σ分别代表特征向量j次个体重复的平均值和标准差。F值的高低反映了该特征向量对两类数据区分能力的大小。 SVM建模采用libSVM Version 2.86（）。内核函数采用径向函数，利用5 fold crossvalidation方法确定相关参数。3结果 3.1可用于种猪疾病预测特征向量集的筛选 本实验总共测量了蓝耳病毒抗体水平、白细胞数和初生重19个指标（表1）。 分析发现10个指标对健康猪和患病猪有较的区分能力（F0.2,p0.05,表1），即1日龄的HBG、WBC、CSFV Ab、MCH、RBC,17日龄的WBC、LYM#、PRRSV Ab,32日龄的WBC3.2 SVM建模分析 选取四组不同的特征向量进行建模：组一为F值较高的前10个特征向量(表1，即编号为1-1到1-6，17-1到17-3，32-1)；组二为F值大于0.05的特征向量（表1，即编号为1-1到1-16）；组三为包括三个日龄的所有的特征向量（表1，即1-1到32-19）；组四为1日龄的所有特征向量（表1，即1-1到1-19）；组五为1日龄的F值较高的前14个特征向量（表1，1-1到1-14）。 ，五个组的建模准确率相差不大，前三组的特征向量包括了三个日龄的相关指标，如果对新个体进行预测，还需追踪三个日龄的指标测定，而后两组只需测定1日龄的指标即可，权衡预测新仔猪个体健康水平所需测定指标的简易性和建模的准确率，选取组五的特征向量为最佳 c值 gamma值 准确率（%） 组一 8 2 88.333 组二 2 0.5 90.0332 组三 2 0.5 88.7043 组四 2 2 88.3721 组五 2 2 88.3721 具体组五所取1日龄的14个具有较高区分能力的特征向量子集HBG、 WBC、CSFV Ab、HCT、LYM#、MCH、RBC 、LYM%、MCHC、 PRRSV Ab、PLT 、21w、: wb、PDW（见图1）。 利用1日龄的14个对健康状况具有较高区分能力的特征向量子集所建立的SVM模型，通过调节C和γ值C=2，γ=2时，准确率达88.37%（图2）。 那么通过测定