1.基于BP神经网络的糖尿病视网膜病变预警方法，其特征在于，包括以下步骤：步骤1、建立改进的BP神经网络模型步骤1.1、以糖尿病患者的m个指标作为输入样本，以l个指标作为输出值，建立包括输入层、隐含层和输出层的基础BP神经网络，m个指标对应n个数据集样本，n个数据集样本按

75％：25％的比例划分为训练集与测试集；

步骤1.2、利用训练集对基础BP神经网络进行训练，训练时通过节点传递函数、训练函数、网络学习函数以及性能分析函数对基础BP神经网络进行反馈调节，得到训练后的BP神经网络；

步骤1.3、利用测试集在输出层的训练值和测试集在输出层的实际值，检验步骤1.2得到的训练后的BP神经网络预测误差率G，当训练后的BP神经网络误差率G小于0.05时，此训练后的BP神经网络即为改进的BP神经网络模型，反之，重复步骤1.2；

步骤2、基于关键标志物的疾病预警步骤2.1、根据改进的BP神经网络模型，记录每个指标在隐含层传递的权重占比Wij，选取权重占比排序前5％的指标作为高权重指标；

步骤2.2、对高权重指标做分层聚类分析，将高权重指标从所有指标中提取出来，作为关键标志物；

步骤2.3、构造预警指数EWI

其中 表示关键标志物中的每一个指标在n个数据集样本中的均值，SNt表示关键标志物的标准化分数的样本倾斜度，ρin为关键标志物内部成员的相关系数，ρout表示位于关键标志物内部的成员与其外部成员之间的相关性；

步骤2.4、将预警指数EWI与设定的预警指数进行实时比较，若低于或高于设定的预警指数，发出预警信号。

2.如权利要求1所述的基于BP神经网络的糖尿病视网膜病变预警方法，其特征在于：训练后的BP神经网络预测误差率G的计算方法是其中，GEp表示第p个测试集在所有输出层节点的预测误差，p＝1，2，…,m，GE表示m个测试集在所有输出层节点下的预测误差，Dk(yp)为测试集在输出层第k个节点的实际值，Ok(yp)为测试集在输出层第k个节点的训练值,yp表示测试集的样本数据。

3.如权利要求1所述的基于BP神经网络的糖尿病视网膜病变预警方法，其特征在于：以S型函数‘tansig’与‘logsig’作为节点传递函数，以动量反传的梯度下降算法‘trainlm’作为训练函数，以带动量项的函数‘learngdm’作为网络学习函数，以均方差MSE作为性能分析函数。

4.如权利要求1所述的基于BP神经网络的糖尿病视网膜病变预警方法，其特征在于：关键标志物中的每一个指标在n个数据集样本中的均值的计算方法为其中，xtj表示关键标志物中第t个指标在第j个样本中的值,j＝1,…,n,n为数据集样本个数。

5.如权利要求4所述的基于BP神经网络的糖尿病视网膜病变预警方法，其特征在于：关键标志物的标准化分数的样本倾斜度计算方法是其中，ytj为关键标志物的指标数据xtj进行标准化后的数据。

6.如权利要求1所述的基于BP神经网络的糖尿病视网膜病变预警方法，其特征在于：关键标志物内部成员的相关系数ρin和位于关键标志物内部的成员与其外部成员之间的相关性ρout的计算方法为

其中，xtj表示关键标志物中第i个指标在第j个样本中的值，xaj表示关键标志物中第a个指标在第j个样本中的值，zbj表示非关键标志物中的第b个指标在第j个样本中的值,a≠t,j＝1,…,n,n表示数据集样本个数，M和N分别表示关键标志物与非关键标志物的指标集合。