一种混合污染物健康效应评估方法及系统
本发明涉及环境健康风险评估与人工智能数据处理,尤其是涉及一种混合污染物健康效应评估方法及系统。
背景技术:
1、随着环境污染物种类日益增多且普遍以混合物形式共存,准确评估混合污染物的联合健康效应已成为环境健康领域的关键挑战。
2、目前,针对混合污染物的联合健康效应评估,现有的主流技术多采用广义线性回归或基础的机器学习方法进行分析,这类现有技术在模型特征筛选阶段通常依赖固定的统计显著性阈值来剔除无关变量。
3、然而,现有技术的筛选机制难以适应高维共线性数据分布的复杂特性,极易将具有潜在生物学意义但统计关联较弱的污染物误判为噪声并予以剔除,从而导致最终识别出的核心风险因子不完整,严重影响了健康效应评估结果的准确性。
技术实现思路
1、本发明提供一种混合污染物健康效应评估方法及系统,以实现识别关键毒性组分并精准评估多污染物的协同或拮抗健康效应的效果。
2、为了解决上述技术问题,本发明一方面提供了一种混合污染物健康效应评估方法,包括:
3、获取目标区域混合污染物的多维暴露数据集,所述多维暴露数据集至少包括污染数据和健康结局数据;
4、基于稀疏特征选择模型对所述多维暴露数据集进行特征筛选处理,得到候选污染物集合,其中,所述稀疏特征选择模型配置有稀疏约束参数以从混合污染物中剔除与所述健康结局数据关联度低于预设阈值的污染物;
5、根据预设的分组规则将所述候选污染物集合划分为至少两个污染物亚组,并对各所述污染物亚组进行联合效应解析,得到各所述污染物亚组的综合效应指数及各候选污染物在所属污染物亚组内的权重值;
6、基于所述综合效应指数和所述权重值确定所述候选污染物集合中的核心风险因子;
7、基于所述核心风险因子所属污染物亚组的暴露水平,量化不同污染物亚组间的非加性联合作用强度,生成所述混合污染物的健康效应评估结果。
8、作为其中一种优选方案,所述基于稀疏特征选择模型对所述多维暴露数据集进行特征筛选处理,得到候选污染物集合,包括:
9、以所述多维暴露数据集中的污染数据为自变量、健康结局数据为因变量,通过交叉验证确定所述稀疏约束参数中使模型预测误差最小的最优正则化惩罚系数;
10、基于所述最优正则化惩罚系数拟合所述稀疏特征选择模型,得到各污染物对应的特征重要性得分;
11、将所述特征重要性得分高于所述预设阈值的污染物确定为所述候选污染物集合。
12、作为其中一种优选方案,所述基于所述综合效应指数和所述权重值确定所述候选污染物集合中的核心风险因子,包括:
13、将所述候选污染物集合中的每一候选污染物所属污染物亚组的综合效应指数,与所述候选污染物在所属污染物亚组内的权重值相乘,得到表征所述候选污染物对所属亚组联合健康效应贡献度的风险优先级得分;
14、根据各候选污染物的风险优先级得分的分布特征,通过自适应阈值算法确定动态风险阈值;
15、将所述风险优先级得分高于所述动态风险阈值的候选污染物确定为所述核心风险因子。
16、作为其中一种优选方案,所述基于所述核心风险因子所属污染物亚组的暴露水平,量化不同污染物亚组间的非加性联合作用强度,包括:
17、构建包含主效应平滑函数和张量积平滑函数的广义加性模型,其中,所述张量积平滑函数的输入变量为所述核心风险因子所属污染物亚组的暴露水平;
18、在所述主效应平滑函数与所述张量积平滑函数正交的约束下拟合所述广义加性模型;
19、从拟合后的广义加性模型的输出中分离出独立于所述主效应平滑函数的纯交互效应分量,将所述纯交互效应分量作为所述非加性联合作用强度的量化指标。
20、作为其中一种优选方案,所述生成所述混合污染物的健康效应评估结果,包括:
21、基于所述纯交互效应分量构建亚组间非加性联合作用响应曲面,所述响应曲面的坐标轴分别为不同污染物亚组的暴露水平,曲面的高度值为对应暴露组合下的非加性联合作用强度;
22、基于各核心风险因子的风险优先级得分生成关键组分风险贡献排序列表,所述排序列表中各核心风险因子标注有所属污染物亚组标识及对所属亚组联合健康效应的贡献度百分比;
23、将所述亚组间非加性联合作用响应曲面与所述关键组分风险贡献排序列表整合为结构化健康效应评估报告。
24、本发明另一方面提供了一种混合污染物健康效应评估系统,包括:
25、获取模块,用于获取目标区域混合污染物的多维暴露数据集,所述多维暴露数据集至少包括污染数据和健康结局数据;
26、筛选模块,用于基于稀疏特征选择模型对所述多维暴露数据集进行特征筛选处理,得到候选污染物集合,其中,所述稀疏特征选择模型配置有稀疏约束参数以从混合污染物中剔除与所述健康结局数据关联度低于预设阈值的污染物;
27、解析模块,用于根据预设的分组规则将所述候选污染物集合划分为至少两个污染物亚组,并对各所述污染物亚组进行联合效应解析,得到各所述污染物亚组的综合效应指数及各候选污染物在所属污染物亚组内的权重值;
28、识别模块,用于基于所述综合效应指数和所述权重值确定所述候选污染物集合中的核心风险因子;
29、评估模块,用于基于所述核心风险因子所属污染物亚组的暴露水平,量化不同污染物亚组间的非加性联合作用强度,生成所述混合污染物的健康效应评估结果。
30、作为其中一种优选方案,所述筛选模块,具体用于:
31、以所述多维暴露数据集中的污染数据为自变量、健康结局数据为因变量,通过交叉验证确定所述稀疏约束参数中使模型预测误差最小的最优正则化惩罚系数;
32、基于所述最优正则化惩罚系数拟合所述稀疏特征选择模型,得到各污染物对应的特征重要性得分;
33、将所述特征重要性得分高于所述预设阈值的污染物确定为所述候选污染物集合。
34、作为其中一种优选方案,所述识别模块,具体用于:
35、将所述候选污染物集合中的每一候选污染物所属污染物亚组的综合效应指数,与所述候选污染物在所属污染物亚组内的权重值相乘,得到表征所述候选污染物对所属亚组联合健康效应贡献度的风险优先级得分;
36、根据各候选污染物的风险优先级得分的分布特征,通过自适应阈值算法确定动态风险阈值;
37、将所述风险优先级得分高于所述动态风险阈值的候选污染物确定为所述核心风险因子。
38、作为其中一种优选方案,所述评估模块,具体用于:
39、构建包含主效应平滑函数和张量积平滑函数的广义加性模型,其中,所述张量积平滑函数的输入变量为所述核心风险因子所属污染物亚组的暴露水平;
40、在所述主效应平滑函数与所述张量积平滑函数正交的约束下拟合所述广义加性模型;
41、从拟合后的广义加性模型的输出中分离出独立于所述主效应平滑函数的纯交互效应分量,将所述纯交互效应分量作为所述非加性联合作用强度的量化指标。
42、作为其中一种优选方案,所述评估模块,还用于:
43、基于所述纯交互效应分量构建亚组间非加性联合作用响应曲面,所述响应曲面的坐标轴分别为不同污染物亚组的暴露水平,曲面的高度值为对应暴露组合下的非加性联合作用强度;
44、基于各核心风险因子的风险优先级得分生成关键组分风险贡献排序列表,所述排序列表中各核心风险因子标注有所属污染物亚组标识及对所属亚组联合健康效应的贡献度百分比;
45、将所述亚组间非加性联合作用响应曲面与所述关键组分风险贡献排序列表整合为结构化健康效应评估报告。
46、相比于现有技术,本发明的有益效果在于以下所述中的至少一点:
47、1)本发明通过引入配置有稀疏约束参数的稀疏特征选择模型,有效克服了传统混合污染物研究中高维数据带来的多重共线性和维度灾难问题。该方法能够精准剔除与健康结局关联度低的冗余干扰变量,在大幅降低数据维度与计算复杂度的同时,结合亚组划分与联合效应解析,深入量化各候选污染物在组内的权重贡献,从而在复杂的混合暴露环境中科学、精准地锁定真正驱动健康损害的核心风险因子,为后续的靶向干预和环境治理提供了明确的目标导向。
48、2)本发明突破了传统环境中单一污染物评估或简单加和模型的局限性,实现了对混合污染物复杂交互作用的深度解析。通过量化不同污染物亚组间的非加性联合作用强度,该方法能够真实、客观地反映多污染物共存时产生的协同或拮抗效应,显著提升了混合污染物健康效应评估结果的准确性与可靠性,为制定更为科学的环境质量标准、公共卫生政策以及多污染物协同控制策略提供了坚实的数据支撑和理论依据。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com