食品安全有毒有害物质检验检测大数据结构化的方法与流程

本发明涉及食品安全毒有害物质的检验检测，是互联网与云计算的数据结构化的一种方法，具体涉及一种食品安全有毒有害物质检验检测大数据结构化的方法。

背景技术：

当今世界互联网与云计算的技术已趋向成熟，成功实现了大数据的储存。在大数据时代，人们开始通过数据分析来获取知识，采用新的思路为我们提供了有用的预测，数据分析在人们的生活工作中变得越来越重要。因为食品安全与人们的生活息息相关，所有食品安全检测行业的技术提高和行业发展直接影响着人们的饮食健康问题。因此，摒弃需要数据库表格整齐排列的形式给出食品检测结果的传统方法，实现互联网+检验检测结果数据结构化的分析是发展的迫切需要。本发明是一种针对有毒有害物质的食品检验检测结果数据分析的新方法。由于食品安全检验检测数据的汇集，食品安全检验检测大数据结构化已成为可能。

互联网+检验检测结果数据结构化是一种实现并反映出食品安全检测结果关系的一种数据分析方法。它的出现使食品安全检验检测的数据呈现出一种可视性，实现了食品安全检测结果的结构化分析，并反映出食品安全数据结构化关系的结果，是互联网云技术的一种新的数据分析技术。本发明的结构化其目的是实现检测结果的多种功能的解释和评价，结合影响食品安全状态的五个结构化方式的集合，表达出它们的相关关系，挖掘出数据的价值。

食品安全数据结构化是根据食品安全状态的特点，运用食品安全检验检测结构化的完备性与最小性的原理，使影响食品安全的多维因素降维成以下五个因素：平均含量(AVE)、限量标准(STA)、超限率(OUT)、超限程度(OUD)和最大值(MAX)，通过数据分析实现食品安全引擎预警的数据结构化表达是本发明的主要内容。

技术实现要素：

针对现有技术存在的问题，本发明的目的在于提供一种食品安全有毒有害物质检验检测大数据结构化的方法。

根据本发明提供的实施方案，一种食品安全有毒有害物质检验检测大数据结构化的方法，该方法包括如下步骤：

1)具体食品中具体项目数据集的结构化：根据国内外所制定的有关各类食品的检验标准或法规，针对有毒有害指标，利用互联网云计算自动提取数据；

2)建立食品种类结构化；

3)食品安全检验检测整体状态数据结构化：基于暴露评估方法的食品安全指数，实现对食品安全整体状态的评估。

在本发明中，步骤1)中所述数据集提取如下五个参数进行结构化分析：

1.1)平均含量(AVE_item)：在具体某种食品中的某类致病微生物或有毒有害物质的平均值，也即具体某个检测指标数据的平均值；

1.2)限量标准(STA_item)：针对每一个检测指标，按照国际或国家标准，标准中会规定该指标的限量标准(STA_item)，对于标准中规定为“没有”或“未检出”等非数字的情况，将其视为“0”处理；

1.3)超限率(OUT_item)：在整个数据集中，该指标检测数据值超出限量标准(STA_item)的样品个数占整个数据集的比例；

1.4)超限程度(OUD_item)：在整个数据集中，在该项目结构化上所有超限数据超出限量标准(STA_item)的偏离程度；

1.5)最大值(MAX_item)：在整个数据集中，通过R语言中的MAX函数求解得到该项目指标的最大值(MAX_item)。

在本发明中，步骤2)中所述食品种类结构化分析提取如下两个指标进行分析：

2.1)食品的合格率(σ_food)：针对某类食品样品，根据其检测出的各个指标结构化的数据，参照国家评价标准，评价出该食品样品是否合格，即是否达到国家标准；

2.2)食品的不安全度(h_food)：针对某类食品样品中危害物质的含量进行无量纲化处理，得到用来表示该类食品整体的不安全程度。

在本发明中，平均含量(AVE_item)的计算公式为：

${\mathrm{AVE}}_{item}=\frac{\underset{i=1}{\overset{N}{\Σ}}{C}_i}{N}---(1-1)$

式(1-1)中，C_i——第i个样品中该检测结果的含量；

N——数据集中的总样品个数。

在本发明中，：超限率(OUT_item)的计算公式为：

${\mathrm{OUT}}_{item}=\frac{M}{N}\×100\%---(1-2)$

式(1-2)中，M——超出限量标准的样品个数；

N——数据集中的总样品个数。

在本发明中，超限程度(OUD_item)的计算公式为：

${\mathrm{OUD}}_{item}=\frac{\sqrt{\underset{j=1,2,\mathrm{...},M}{\Σ}{(C_j-{\mathrm{STA}}_{item})}^2}}{M}---(1-3)$

式(1-3)中，Cj——在该指标结构化上超限的某一具体数据值；

M——超出限量标准的样品个数。

在本发明中，食品合格率(σ_food)的计算公式为：

${\mathrm{\σ}}_{food}=\frac{L}{N}\×100\%---(2-1)$

式(2-1)中，L——数据集中合格的样品个数；

N——数据集中的总样品个数；

根据食品合格率(σ_food)的定义，从而该食品的不合格率为(1-σ_food)。

在本发明中，食品的不安全度(h_food)的计算公式为：

$h_{food}=\underset{{\mathrm{AVE}}_{item}\>{\mathrm{STA}}_{item}}{\Σ}(\frac{{\mathrm{AVE}}_{item}-{\mathrm{STA}}_{item}}{{\mathrm{STA}}_{item}}\×F_{item})---(2-2)$

式(2-2)中的F_item表示该有毒有害物质或致病微生物项目的危害系数，式(2-2)表示在该食品所有危害物结构化中，挑出其平均含量(AVE_item)超出限量标准(STA_item)的结构化，将所有超限危害物结构化进行无量纲化处理，即然后乘上该项目的危害系数F_item，最后进行累加求和得到该食品的不安全度(h_food)。

在本发明中，步骤3)中所述对食品安全整体状态的评估具体为：通过运用阈值法应用的技术原理，以人体通过饮食途径对危害物质的实际摄入量与其安全摄入量相比较，即食品中某类危害物质C对消费者健康影响的单项食品安全指数IFSc的计算公式为：

${\mathrm{IFS}}_C=\frac{{\mathrm{EDI}}_C\·f}{{\mathrm{SI}}_C\·bw}---(3-1)$

式(3-1)中，Sic——安全摄入量，根据不同的危害物可采用ADI、PTWI、RDI或RfD数据；

bw——平均体重(kg)，缺省值即默认值为60；

f——校正因子，如果安全摄入量采用ADI、RfD、PTDI等日摄入量数据，f取1；如果安全摄入量采用PTWI等周摄入量数据，f取7；

EDIc——危害物质C的实际日摄入量估算值，EDIc的计算公式见式(3-2)：

EDIc＝∑(Ra·Fa) (3-2)；

式(3-2)中，Ra——食品a中危害物质C的残留水平，mg/kg；

Fa——食品a的估计日消费量，g/(人·天)；

从而结构化结果为：

IFSc<<l，危害物质C对食品安全没有影响；

IFSc≤1，危害物质C对食品安全影响的风险是可以接受的；

IFSc>1，危害物质C对食品安全影响的风险超过了可接受的限度。

在本发明中，考虑了所研究的消费者人群的饮食习惯及各种食品和化学物质的残留情况下，单项食品安全指数IFSc值就具备了可加和性，通过单项食品安全指数IFSc计算总的食品安全指数IFS的计算公式为：

$\stackrel{\&OverBar;}{IFS}=\frac{\underset{C=C_1\mathrm{....},C_N}{\overset{N}{\&Sigma;}}{\mathrm{IFS}}_C}{N}---(3-3)$

式(3-3)中，C——某类危害物质；

N——数据集中的总样品个数；

最终结构化结果为：

消费者人群的食品安全状态很好；

消费者人群的食品安全状态为可以接受；

消费者人群的食品安全状态为不可接受。

在本发明中，对于任何一个IFSc值超过l，都说明消费者人群对危害物质C的暴露已超过了可接受的程度，应该进入风险管理程序。

在本发明中，数据集的结构化是指数据集中的具体检测指标，比如啤酒中的甲醛含量、蔬菜中的六六六含量、DDT含量等。数据集的检测结果是整个结构分析的最底层和最基础的数据。由于在食品安全领域，关注的都是有毒有害物质、致病微生物等有害物结构化，所以在食品安全检验检测结构分析中的限量标准(STA)都是上限标准。

在本发明中，最大值(MAX_item)是通过R语言中的MAX函数求解得到的，R语言是用于统计分析、绘图的语言和操作环境。F_item表示该有毒有害物质或致病微生物项目的危害系数，其中危害系数在文献中有明确量值时，危害系数值取文献值，没有文献时，危害系数不参与食品安全有毒有害物质检验检测大数据结构化的计算。

在本发明中，采用的技术原理包括：

1、本发明运用食品安全预警技术的原理进行数据结构化分析，结构化是建立数据核心的预测原理，就是把数学算法用在食品安全检验检测上，创新食品安全检验检测量化的维度，是一种使食品安全检验检测结果反映数据间呈现可视化并能给出多变量间关系的一种算法应用技术。

2、本发明食品安全检验检测结果数据结构化是按完备性与最小性原理设计，运用了食品安全检验检测结构化的完备性与最小性的原理。由于食品安全涉及的内容广、影响因素多，因此对检验检测结果数据结构化需要从全局视角出发，从不同层次来考虑食品安全的总体状态。结构化的原理是根据结构化与食品安全状态影响的重要程度、结构化与食品安全状态变化的协调性、结构化反映食品安全状态变化的可靠灵敏性和结构化刻画食品安全状态变化的代表性。完备性就是能在食品安全状态变化中找到相应的结构化量度，并能满足食品安全检验检测数据分析结构化的需要；最小性则是对任意结构集均有使得结构集在精减到最小限额结构化前提下依然能获得几乎与其它结构集同样的信息来满足食品安全数据分析结构化的需要。

3、以阈值法(threshhold approach)应用的技术原理

数据结构化的计算，其理论依据是人体与试验动物存在着合理可比的阈剂量值。但是，人的敏感性或许较高，遗传差异性较大，并且膳食习惯更为不同。鉴于此，可采用ADI、PTWI、RDI或RfD数据进行。

与现有技术相比，本发明所具有的有益效果为：

1、本发明的结构化其目的是实现检测结果的多种功能的解释和评价，本发明密切联系人们关心的食品安全问题，运用互联网与云计算的技术，针对有毒有害物质的检测，结合影响食品安全状态的五个结构化方式的集合，表达出它们的相关关系，挖掘出数据的价值，是一个简单方便、具有可视性的新的食品安全检验检测数据结构化的新方法。

2、本发明的应用从五个方面实现了对检测结果的分析、评价与诠释，是一种简单方便，并能定量给出风险分析的方法，是一项实用的食品安全有毒有害物质检验检测大数据结构化的方法。

具体实施方式

根据本发明提供的实施方案，一种食品安全有毒有害物质检验检测大数据结构化的方法，该方法包括如下步骤：

1)具体食品中具体项目数据集的结构化：根据国内外所制定的有关各类食品的检验标准或法规，针对有毒有害指标，利用互联网云计算自动提取数据；

2)建立食品种类结构化；

3)食品安全检验检测整体状态数据结构化：基于暴露评估方法的食品安全指数，实现对食品安全整体状态的评估。

在本发明中，步骤1)中所述数据集提取如下五个参数进行结构化分析：

1.1)平均含量(AVE_item)：在具体某种食品中的某类致病微生物或有毒有害物质的平均值，也即具体某个检测指标数据的平均值；

1.2)限量标准(STA_item)：针对每一个检测指标，按照国际或国家标准，标准中会规定该指标的限量标准(STA_item)，对于标准中规定为“没有”或“未检出”等非数字的情况，将其视为“0”处理；

1.3)超限率(OUT_item)：在整个数据集中，该指标检测数据值超出限量标准(STA_item)的样品个数占整个数据集的比例；

1.4)超限程度(OUD_item)：在整个数据集中，在该项目结构化上所有超限数据超出限量标准(STA_item)的偏离程度；

1.5)最大值(MAX_item)：在整个数据集中，通过R语言中的MAX函数求解得到该项目指标的最大值(MAX_item)。

在本发明中，步骤2)中所述食品种类结构化分析提取如下两个指标进行分析：

2.1)食品的合格率(σ_food)：针对某类食品样品，根据其检测出的各个指标结构化的数据，参照国家评价标准，评价出该食品样品是否合格，即是否达到国家标准；

2.2)食品的不安全度(h_food)：针对某类食品样品中危害物质的含量进行无量纲化处理，得到用来表示该类食品整体的不安全程度。

在本发明中，平均含量(AVE_item)的计算公式为：

${\mathrm{AVE}}_{item}=\frac{\underset{i=1}{\overset{N}{\&Sigma;}}{C}_i}{N}---(1-1)$

式(1-1)中，C_i——第i个样品中该检测结果的含量；

N——数据集中的总样品个数。

在本发明中，超限率(OUT_item)的计算公式为：

${\mathrm{OUT}}_{item}=\frac{M}{N}\&times;100\%---(1-2)$

式(1-2)中，M——超出限量标准的样品个数；

N——数据集中的总样品个数。

在本发明中，超限程度(OUD_item)的计算公式为：

${\mathrm{OUD}}_{item}=\frac{\sqrt{\underset{j=1,2,\mathrm{...},M}{\&Sigma;}{(C_j-{\mathrm{STA}}_{item})}^2}}{M}---(1-3)$

式(1-3)中，Cj——在该指标结构化上超限的某一具体数据值；

M——超出限量标准的样品个数。

在本发明中，食品合格率(σ_food)的计算公式为：

${\mathrm{\&sigma;}}_{food}=\frac{L}{N}\&times;100\%---(2-1)$

式(2-1)中，L——数据集中合格的样品个数；

N——数据集中的总样品个数；

根据食品合格率(σ_food)的定义，从而该食品的不合格率为(1-σ_food)。

在本发明中，食品的不安全度(h_food)的计算公式为：

$h_{food}=\underset{{\mathrm{AVE}}_{item}\&gt;{\mathrm{STA}}_{item}}{\&Sigma;}(\frac{{\mathrm{AVE}}_{item}-{\mathrm{STA}}_{item}}{{\mathrm{STA}}_{item}}\&times;F_{item})---(2-2)$

式(2-2)中的F_item表示该有毒有害物质或致病微生物项目的危害系数，式(2-2)表示在该食品所有危害物结构化中，挑出其平均含量(AVE_item)超出限量标准(STA_item)的结构化，将所有超限危害物结构化进行无量纲化处理，即然后乘上该项目的危害系数F_item，最后进行累加求和得到该食品的不安全度(h_food)。

在本发明中，步骤3)中所述对食品安全整体状态的评估具体为：通过运用阈值法应用的技术原理，以人体通过饮食途径对危害物质的实际摄入量与其安全摄入量相比较，即食品中某类危害物质C对消费者健康影响的单项食品安全指数IFSc的计算公式为：

${\mathrm{IFS}}_C=\frac{{\mathrm{EDI}}_C\&CenterDot;f}{{\mathrm{SI}}_C\&CenterDot;bw}---(3-1)$

式(3-1)中，Sic——安全摄入量，根据不同的危害物可采用ADI、PTWI、RDI或RfD数据；

bw——平均体重(kg)，缺省值即默认值为60；

f——校正因子，如果安全摄入量采用ADI、RfD、PTDI等日摄入量数据，f取1；如果安全摄入量采用PTWI等周摄入量数据，f取7；

EDIc——危害物质C的实际日摄入量估算值，EDIc的计算公式见式(3-2)：

EDIc＝∑(Ra·Fa) (3-2)；

式(3-2)中，Ra——食品a中危害物质C的残留水平，mg/kg；

Fa——食品a的估计日消费量，g/(人·天)；

从而结构化结果为：

IFSc<<l，危害物质C对食品安全没有影响；

IFSc≤1，危害物质C对食品安全影响的风险是可以接受的；

IFSc>1，危害物质C对食品安全影响的风险超过了可接受的限度。

在本发明中，考虑了所研究的消费者人群的饮食习惯及各种食品和化学物质的残留情况下，单项食品安全指数IFSc值就具备了可加和性，通过单项食品安全指数IFSc计算总的食品安全指数IFS的计算公式为：

$\stackrel{\&OverBar;}{IFS}=\frac{\underset{C=C_1\mathrm{....},C_N}{\overset{N}{\&Sigma;}}{\mathrm{IFS}}_C}{N}---(3-3)$

式(3-3)中，C——某类危害物质；

N——数据集中的总样品个数；

最终结构化结果为：

消费者人群的食品安全状态很好；

消费者人群的食品安全状态为可以接受；

消费者人群的食品安全状态为不可接受。

实施例

通过从贵州省重点七朵云之一的“食品安全云平台”数据库中，提取9月份某贵州本土品牌肉制品的检测数据1000条，对食品污染物铅(Pb)、汞(Hg)、砷(As)的检测结果进行分析。数据库汇集了遍布贵州省九个地州市实验室的检测数据，各实验室利用云平台互联网化技术，通过将不同地点、不同时间、不同检测仪器得到的检测结果直接通过食品安全云平台进行汇入整合。

根据国家标准GB2762，污染物铅(Pb)、汞(Hg)、砷(As)的限量标准STA分别是0.5mg/kg，0.05mg/kg及0.5mg/kg。在1000组检测数据中，铅(Pb)检测结果不合格的有三组，汞(Hg)不合格的有两组，砷(As)不合格的有两组。不合格的指标检测结果如下：

铅(Pb)：0.6mg/kg，0.65mg/kg，0.66mg/kg；

汞(Hg)：0.06mg/kg，0.068mg/kg；

砷(As)：0.6mg/kg，0.611mg/kg；

采用ADI摄入量数据，铅(Pb)、汞(Hg)、砷(As)的Sic分别为0.00356mg/kg、0.0001mg/kg、0.00215mg/kg。该肉制品日均估计消费量为100g。

食品安全云平台对汇入的肉制品检测数据进行了云计算处理，得到以下结构化：

在计算食品不安全程度(h_food)时，由于得到的AVE_item<STA_item，因此没有食品不安全程度。

由于得到的关于污染物铅(Pb)、汞(Hg)、砷(As)的可以得出结论消费者人群的食品安全状态很好。