Bioengineering

טיסה חרקים באיתור ובסיווג עם חיישנים זולים

Published: October 15, 2014 doi: 10.3791/52111

Yanping Chen¹, Adena Why², Gustavo Batista³, Agenor Mafra-Neto⁴, Eamonn Keogh¹

¹Department of Computer Science and Engineering, University of California, Riverside, ²Department of Entomology, University of California, Riverside, ³Institute of Mathematics and Computer Sciences, University of São Paulo - USP, ⁴ISCA Technologies

Summary

הצענו מערכת שמשתמשת בחיישנים זולים, לא פולשנית פסאודו אקוסטי אופטיים באופן אוטומטי ומדויק לאתר, לספור, ולסווג את חרקים מעופפים המבוססים על קול הטיסה שלהם.

Abstract

מערכת זולה, לא פולשנית שיכול במדויק לסווג חרקים מעופפים תהיה ההשלכות חשובות למחקר האנטומולוגי, ולאפשר לפיתוח יישומים שימושיים רבים בוקטור והדברה עבור שתי אנטומולוגיה הרפואית וחקלאית. לאור זאת, שישים השנה האחרונה ראתה את מאמצי מחקר רבים שהוקדשו למשימה זו. עד כה, עם זאת, אף אחד ממחקר זה יש לו השפעה ארוכת טווח. בעבודה זו, אנו מראים כי חיישנים אופטיים פסאודו אקוסטי יכולים לייצר נתונים מעולים; כי תכונות נוספות, שניהם פנימיים וחיצוני לחרק טיסת התנהגות, ניתן לנצל כדי לשפר את סיווג חרקים; שגישת סיווג בייס מאפשרת ללמוד ביעילות מודלים סיווג, כי הם מאוד חזקים כדי הולמים מעל, ומסגרת סיווג כללית מאפשרת לשלב מספר שרירותי של תכונות בקלות. אנו מדגימים את הממצאים בניסויים בקנה מידה גדולה שמגמדים את כל העבודות הקודמות COMBIנד, כפי שהיא נמדדת על ידי המספר של חרקים ומספר המינים נחשבים.

Introduction

הרעיון של סיווג אוטומטי של חרקים באמצעות הקול הנלווה של הטיסה שלהם שתחילתה בימים הראשונים של מחשבים וציוד זמין מסחרי הקלטת אודיו ^1. עם זאת, התקדמות מועטת נעשתה על בעיה זו בעשורים שחלפו. חוסר ההתקדמות במרדף הזה ניתן לייחס לגורמים קשורים כמה.

ראשית, חוסר חיישנים יעילים הפך את איסוף הנתונים קשה. רוב המאמצים לאסוף נתונים השתמשו מיקרופוני אקוסטי ^2-5. מכשירים כאלה רגישים במיוחד לרוח רעש ורעש הסביבה בסביבה, וכתוצאה מכך הנתונים מאוד דלילים ואיכות נמוכה.

שנית, הרכבה בעיות איכות נתונים אלה היא העובדה שחוקרים רבים ניסו ללמוד מודלים סיווג מאוד מסובכים, במיוחד רשתות עצביות ^6-8. מנסה ללמוד מודלים סיווג מסובכים, עם עשרות בלבד של דוגמאות,הוא מתכון להתאמת יתר.

שלישית, בקשיים של נתוני קבלת יש משמעות דבר כי חוקרים רבים ניסו לבנות מודלים סיווג עם נתונים מאוד מוגבלים, כמה כמו 300 מקרים ⁹ או פחות. עם זאת, ידוע כי לבניית מודלים סיווג מדויקים, יותר נתונים הוא טובים יותר ^10-13.

עבודה זו מתייחסת לכל שלושת נושאים. אופטי חיישנים (ולא אקוסטי) ניתן להשתמש כדי להקליט את "קול" של טיסת חרקים ממטרים, עם invariance מלא לרוח רעש וקולות סביבה. חיישנים אלה אפשרו ההקלטה של מיליון מקרי אימון שכותרתו, הרבה יותר נתונים מאשר כל המאמצים הקודמים בשילוב, ובכך לסייע במניעת מאמצי מחקר הקודמים אשר הטריד הולם מעל. שיטה עקרונית מוצגת להלן, המאפשרת שילוב של מידע נוסף למודל הסיווג. מידע נוסף זה יכול להיות כיומיומי וכפי שקל להשגה כמו בזמן של היום, אך עדיין לייצר רווחים משמעותיים ברמת דיוק של המודל. לבסוף, הוא הוכיח כי הכמויות עצומות של נתונים שאספנו תאפשר לנו לנצל את "יעילות בלתי סבירה של נתונים" ¹⁰ לייצר מסווגים פשוט, מדויקת וחזקה.

לסיכום, סיווג חרקים מעופף עבר מעבר לטענות המפוקפקות שנוצרו במעבדת המחקר וכעת הוא מוכן לפריסה בעולם האמיתי. החיישנים והתוכנה שהוצגו בעבודה זו יספק לחוקרים ברחבי העולם כלים חזקים כדי להאיץ את המחקר שלהם.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

.1 חרקים מושבה וגידול

כילה נגד מושבה וגידול
1. tarsalis האחורי Culex, quinquefasciatus Culex, stigmatosoma Culex, והמבוגרים aegypti Aedes מהמעבדה מושבות, שמקורו מטבע תפסו את האנשים.
2. זחלי יתושים אחוריים בקערות אמייל בתנאי מעבדה סטנדרטיים (27 ° C, 16: מחזור כהה [LD] עם תקופות שחר / בין הערביים שעה 1: אור 8 שעות) שמרים, ולהאכיל אותם כרצונך מודעה בתערובת של אוכל מכרסם קרקע וברואר של (3: 1, v: v).
3. לאסוף גלמי יתושים ל200 כוסות מ"ל, ולהכניס אותם לתוך תאים ניסיוניים. לחלופין, לשאוב היתושים הבוגרים לתאי ניסוי בתוך השבוע של הופעת 1. ודא שכל תא ניסוי מכיל 20 עד 40 אנשים מאותו המין / המגדר.
4. יתושי Feed מבוגרים כרצונך מודעה על סוכרוז 10% ותערובת מים. החלף שבוע מזון.
5. להרטיב מגבות כותנה פעמיים בשבוע וplאס אותם על גבי התאים הניסיוניים כדי לשמור על לחות בתוך הכלוב. בנוסף, מקום כוס 200 מ"ל של מים ברז בחדר בכל העת כדי לעזור לשמור על רמת לחות הכוללת.
6. לשמור על התאים הניסיוניים ב16: אור 8 שעות: מחזור כהה [LD], 20.5-22 ° C ו30-50% לחות יחסית לתקופת הניסוי.
טוס בית והזבוב פירות מושבה וגידול
1. domestica האחורי זבוב ממושבת מעבדה, הנגזר מפראי תפס את האנשים. לתפוס simulans אנשים פראיים דרוזופילה ולגדל אותם בתאי הניסיוניים.
2. זחלים אחוריים domestica הזבוב במכלי פלסטיק בתנאי מעבדה סטנדרטיים (00:12 שעות אור: מחזור [LD] כהה, 26 ° C, 40% לחות יחסית) בתערובת של מים, ארוחת סובין, אספסת, שמרים, ואבקת חלב. זחלי simulans דרוזופילה האחורית בתא גידול ולהאכיל אותם כרצונך מודעה בתערובת של נרקבפירות.
3. מבוגר לשאוב domestica זבוב לתוך תאים ניסיוניים בתוך השבוע של הופעת 1. simulans דרוזופילה מבוגר יכול להיות שגדל ישירות בתאי הניסיוניים. לפני איסוף הנתונים, לוודא כל תא ניסוי לא מכיל domestica יותר מ 10-15 פרט זבוב או 20-30 simulans דרוזופילה בודדת.
4. להאכיל כרצונך domestica הזבוב בוגר בתערובת של חלב סוכר ודל שומן מיובש, עם גישה חופשית למים. המבוגרים Feed דרוזופילה simulans כרצונך מודעה בתערובת של פירות נרקבים. החלף שבוע מזון.
5. לשמור על תאים ניסיוניים ב16: אור 8 שעות: מחזור כהה [LD], 20.5-22 ° C ו30-50% לחות יחסית לתקופת הניסוי.

2 צלילים מעופפים רשומות בלשכות ניסויית

התקנה ניסיונית קאמרית
הערה: "ג הניסיוניhamber "מציין את הכלוב שנועד במעבדה שלנו, שבו נתונים נרשמו. החיישן הוא זול למדי. כאשר נבנה בכמויות גדולות, להגדיר יכול להיות מיוצר עבור פחות מ 10 $.
1. לבנות תא ניסוי, או של גודל הגדול יותר: H W אורך x 22 סנטימטר x 24.75 סנטימטר 67 סנטימטר, או גודל הקטן יותר: 30 סנטימטר ה W אורך x 20 סנטימטר x 20 סנטימטר תא הניסוי מורכב ממערך טרנזיסטור ו קו הלייזר מצביע על מערך טרנזיסטור.
  הערה: בנוסף, התא מורכב משומרי Kritter השונים כדי לכלול מנגנון החיישן כמו גם שרוול המחובר לפיסה של צנרת PVC כדי לאפשר גישה לחרקים.
2. חבר את מערך טרנזיסטור ללוח אלקטרוני. הפלט של הלוח האלקטרוני להזנה לתוך רשמקול דיגיטלי ונרשם כנתונים אודיו בפורמט MP3. ראה תכנון הלוגי של החיישן באיור 1.II וגרסה פיזית של החדר באיור 1.I.
להגדיר את המערכת לרשומה צלילים הופק על ידי חרקים מעופפים
1. חבר את תא הניסוי לאספקת חשמל. הפעל את המחשב.
2. בתא הניסוי, למצוא את אורות הלייזר וphotoarray. יישר את אורות הלייזר לphotoarray. כדי להשיג את היישור הנכון, להתאים את photoarray שימוש במגנטים בצד החיצוני של תא הניסוי שמתאים למגנטים שצורפו לphotoarray על הפנים של החדר עד שאור הלייזר מתמקד בכל photodiod הבודדes.
3. לבצע שתי בדיקות שפיות לוודא המערכת מוגדרת כראוי.
  הערה: הצעד הראשון הוא לוודא שהמערכת מופעל, כל החוטים מחוברים כראוי והליזר מצביע במערך התמונה. הצעד השני הוא לבצע בדיקות נוספות על יישור הלייזר כדי להבטיח שהיא יכולה ללכוד את הצליל של משק כנפי החרקים.
  1. חבר אוזניות (ולא מקליט) לתוך שקע אודיו. לצלול יד פנימה וחוצה של תא הניסוי, ליד photoarray, כדי לשבור את המטוס של אור הלייזר. ודאו שנורית הלייזר היא ב( זה יהיה קרן אדומה של אור) ושאתה שובר את המטוס של אור כמה פעמים עם היד שלך. תקשיב לשינויים ברמת רעש כמו היד שלך נכנס ויוצאת מאלומת האור. אם אתה מזהה הבדל נשמע, החיישן מסוגל ללכוד צלילים מופקים על ידי התנועה של אובייקטים גדולים. אם תצליח, תעבור לבדיקת השפיות הבאה, אחרת, לבדוק אם האוזניות מחוברת כראוי ואם הלייזר מצביע בphotoarray. התאם את photoarray בהתאם עד הקול של היד נע פנימה וחוצה של תא הניסוי ניתן לשמוע.
  2. צרף חתיכה של חיווט חשמלי דקה למברשת שיניים אוטומטיות. הפעל את מברשת השיניים, ולצלול החיווט בתוך ומחוץ לתא הניסוי הקרוב לphototarray. ודא שנורית הלייזר היא להכות את פיסת החיווט כפי שהוא נע. אם אתה מזהה שינוי נשמע בתדירות, כאשר חתיכת החיווט שוברת את המטוס של אור הלייזר, המערכת היא אז מוכנה כדי ללכוד את הצלילים המופקים על ידי התנועה של עצמים זעירים, כלומר, צלילי חרקים. אם אינו מזהה הבדל נשמע, חזור לשלב 2.2.2 מחדש ליישר את אורות הלייזר וphotoarray.
4. לאחר שהמערכת מוגדרת כהלכה, לסגור את המכסה ולהוסיף את החרקים.
איסוף הנתונים: רשומות צלילים הופק על ידי חרקים מעופפים
1. הפעל את מכשיר ההקלטה ולהפוך את voicביאור דואר הכולל את הפרטים הבאים: שמו של המין בתא הניסוי, גיל חרקים, התאריך והשעה, RT הסביבה הנוכחי, והלחות היחסית. להשהות את ההקלטה.
2. חבר את המכשיר למערכת, באמצעות כבל אודיו, ולחדש את ההקלטה. השאר את המקליט להקליט במשך 3 ימים, ואז להפסיק את ההקלטה.
3. להוריד את הנתונים ממכשיר ההקלטה לתיקייה חדשה במחשב. רוקן את המקליט על ידי מחיקת נתונים.
4. חזור על תהליך ההקלטה לעיל, עד לחרקים שנותרו מתו את ויש לא יותר מ 5 חרקים שנותרו בחיים בכלוב.

.3 חיישן עיבוד נתונים וזיהוי של צלילים הופק על ידי חרקים מעופפים

השתמש בתוכנה לזיהוי צלילים הופק על ידי חרקים מעופפים.
הערה: התוכנה (אלגוריתם זיהוי) הוא הרבה יותר מהר מאשר בזמן אמת. זה לוקח פחות מ 3 שעות כדי לעבד את הקלטה, כלומר, שלושה ימים של dat, במכונה רגילה עם מעבד Intel Core ™ (R) בשעה 2.00 GHz ו8 GB זיכרון RAM.
1. עבור כל תיקייה המכילה נתונים מהפעלת הקלטה, להפעיל את תוכנת זיהוי כדי לזהות צלילי חרקים. כדי להפעיל את התוכנה, MATLAB הפתוח, והקלד "circandian_wbf (datadir)" בחלון הפקודה, שבו datadir הוא הספרייה של נתונים ההקלטה. לאחר מכן הקש על "Enter" כדי להתחיל.
  הערה: הורד את circadian_wbf תוכנת זיהוי מההתייחסות # 16.
2. חכה עד שהאלגוריתם מסתיים, ולאחר מכן לבדוק את תוצאות זיהוי. כל החרקים שזוהו יציאות אלגוריתם נשמע בתיקייה חדשה בשם "_extf datadir", שבו datadir זהה בשלב הקודם. כל קובץ קול הוא קטע קול ארוך 1 שניות חולץ במקור מהקלטת הגלם, עם מסנן דיגיטלי מיושם להסיר רעש. זמן ההתרחשות של כל צליל מזוהה נשמר בקובץ בשם "datadir _time.mat &# 8221 ;. שים לב לדוגמא לקול חרקים שזוהה באיור 2.
איתור אלגוריתם
1. השתמש בחלון ארוך הזזה 0.1 שניות להחליק דרך ההקלטה. חלון הזזה מתחיל מההתחלה של ההקלטה. לכל חלון, בצע את השלבים הבאים.
  1. לחשב את התדר הבסיסי של החלון הנוכחי.
  2. אם תדר היסוד הוא בטווח של 100 הרץ ל1,200 Hz, בצע את הפעולות הבאות:
    1. חלץ את קטע אודיו הארוך 1-sec מרכוז בחלון הנוכחי מהרישום; להחיל מסנן דיגיטלי כדי להסיר את הרעש בסרטון ולשמור את האודים המסוננים לתוך התיקייה "_extf datadir".
    2. שמור את זמן ההתרחשות של החלון הנוכחי לקובץ "_time datadir".
    3. הזז את חלון הזזה לנקודה שמלווה את קטע אודיו שחולץ באופן מיידי.
  3. אם fr הבסיסיequency הוא לא בטווח של 100 הרץ ל1,200 Hz, פשוט להעביר את שניות חלון זזים 0.01 קדימה.
2. חזור על התהליך עד שחלון הזזה מגיע לסוף ההקלטה.

.4 חרקים סיווג

סיווג בייס רק באמצעות הקול המעופף
הערה: המסווג בייס הוא מסווג הסתברותי שמסווג את אובייקט לכיתה הסבירה ביותר שלה.
1. חישוב תכונת סאונד
  1. לכל צליל חרקים, לחשב את ספקטרום התדרים של הקול באמצעות פורייה בדיד Transform (DFT). לחתוך את ספקטרום התדרים שיכללו רק את נקודות הנתונים המתאימות לטווח תדרים: 100 הרץ ל2,000 הרץ. ספקטרום התדרים שנחתך לאחר מכן נעשה שימוש בסיווג כ" נציג "של קול החרקים.
    הערה: DFT הוא אלגוריתם שהופך את האותות בתחום זמן למישור התדר. זה buiפונקצית LT-ברוב ספריות תכנות, ויכול להיקרא בתכנית רק עם שורה אחת של קוד.
2. לאמן את המסווג בייס
  1. השתמש בגישת הערכת צפיפות kNN ¹⁴ ללמוד התפלגות ההסתברות האחורית באמצעות תכונת הקול. עם גישת kNN, שלב ההכשרה הוא לבנות מערך אימונים.
    1. באופן אקראי לדגום מספר קולות חרקים מהנתונים שנאספו עבור כל מין של חרקים.
    2. בצע את השלבים בסעיף 4.1.1 ולחשב את ספקטרום תדרים הקטום לכל צליל שנדגם. הספקטרום הקטוע יחד עם תוויות 'דגימות כיתה (שם מיני חרקים) הלחין את בסיס נתוני אימון.
3. השתמש מסווג בייס לסווג חרק לא ידוע
  1. לחשב את ספקטרום תדרים הקטוע של קול החרק לא מוכר.
  2. לחשב את המרחק האוקלידית בין הספקטרום הקטוע של unknown מתנגד וכל הספקטרום הקטוע בבסיס נתוני אימון.
  3. מצא את k העליון (k = 8 במאמר זה) השכנים הקרובים ביותר של העצם בלתי מזוהה שבבסיס נתוני אימון. לחשב את ההסתברות האחורית של קול החרק לא מוכר המשתייך למעמד כחלק של k השכנים הקרובים ביותר העליונים אשר מתויגים ככיתה.
  4. לסווג את האובייקט ידוע לכיתה שיש ההסתברות הגבוהה ביותר האחורית.
הוספת תכונה למסווג: חרק יממת קצב
1. למד את ההפצות ממוזג ברמה של זמן ההתרחשות של קול חרק, כי הוא, קצב היממה לכל מיני חרקים.
  1. השג את זמן ההתרחשות של כל צליל מתוצאות הגילוי (סעיף cf 3.2).
  2. לכל מין, לבנות היסטוגרמה של זמן התרחשות קול החרקים.
  3. לנרמל את ההיסטוגרמה, כך שהשטח של היסטוגרמה הוא אחד. הנורמליהיסטוגרמה ized היא קצב היממה של המין נתון. הוא מספר את ההסתברות של התבוננות חרקים, של מינים ש, בטיסה בתוך פרק זמן מסוים.
2. לסווג "קול חרקים" לא ידוע על ידי שילוב של "קול החרקים" ומקצב צירקדי
  1. בהתחשב בנקודה מסוימת בזמן שבו קול החרק לא מוכר התרחש, לקבל את ההסתברות של התבוננות חרקים של כיתה המבוססת על קצב היממה של כיתה.
    הערה: קצב היממה הוא התפלגות הסתברות. זה מערך המגדיר את ההסתברות לגילוי קול, המיוצר על ידי מינים מסוימים של חרקים, בשעה מסוימת של היום. אז ברגע שזמן נתון, אפשר פשוט לבדוק את המערך כדי לקבל את ההסתברות.
  2. בצע את השלבים בסעיף 4.1.2 כדי לחשב את ההסתברות האחורית שהצליל לא ידוע שייכת לכיתה באמצעות תכונות קול. הכפל את ההסתברות האחורית לתוצאות לכאן ולכאןמ השלב הקודם כדי לקבל את ההסתברות האחורית החדשה.
  3. לסווג את "צליל לא ידוע" למעמד שיש לו את ההסתברות האחורית החדשה הגבוהה ביותר.
להוסיף עוד אחד תכונה למסווג: הפצת חרקים הגיאוגרפית
1. למד את הפיזור הגיאוגרפי של המינים של עניין, או מהנתונים שפורסמו ברשומות היסטוריות, ספרות רלוונטית, או פשוט לאסוף את הידע מהמקור הראשון מטכנאים / ביולוגים שדה. למטרות הדגמה, ישתמש סימולציה של ההתפלגות הגרפית, כפי שמוצג באיור 7.
2. לסווג "קול חרק לא מוכר" באמצעות "קול מעופף" ושתי תכונות נוספות.
  1. בהתחשב במיקום הגיאוגרפי שבו הקול של החרקים יורט, לחשב את ההסתברות של התבוננות חרקים מכיתה במיקום הספציפי של שימוש בהפצה הגרפית של מינים.
    1. בצע את השלבים בסעיף 4.2.2nd לחשב את ההסתברות האחורית ש" קול לא מוכר "שייך לכיתה באמצעות תכונות קול ומקצבי היממה. הכפל את התוצאה של צעד זה לתוצאות מהשלב הקודם, על מנת לקבל את ההסתברות האחורית החדשה.
  2. לסווג את "צליל לא ידוע" למעמד שיש לו את ההסתברות האחורית החדשה הגבוהה ביותר.
מסגרת כללית להוספת תכונות
1. קחו למשל את המסווג בייס שמשתמש רק תכונות קול כמסווג העיקרי. בצע את השלבים הבאים כדי להוסיף תכונות חדשות למסווג.
  1. ללמוד, פונקציות צפיפות ממוזג ברמה של התכונה החדשה בשלב ההכשרה.
  2. בשלב הסיווג, בהתחשב בתכונה החדשה של "קול לא ידוע", לחשב את ההסתברות של התבוננות בתכונה בכיתה באמצעות פונקציות הצפיפות למדו בשלב הקודם. הכפל את ההסתברות החדשה ליחסי הציבורההסתברות האחורית evious המתאימה "צליל לא ידוע" המשתייך למעמד שחושבו על בסיס צודק התכונות מוזרות, כדי לקבל את ההסתברות האחורית החדשה. לסווג את האובייקט ידוע לכיתה שיש הסתברות האחורית החדשה הגבוהה ביותר.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

שני ניסויים מוצגים כאן. עבור שני הניסויים, הנתונים המשמשים נדגמו באופן אקראי מתוך מאגר הנתונים המכילים למעלה מ 100,000 אובייקטים.

הניסוי הראשון מראה את היכולת של מסווג הציעו לסווג במדויק מינים / מינים שונים של חרקים. כדיוק הסיווג תלוי בחרקים לסיווג, ערך מוחלט יחיד לדיוק סיווג לא לתת לקורא אינטואיציה טובה לגבי הביצועים של המערכת. במקום זאת, ולא דיווח על הדיוק של מסווג על סט קבוע של חרקים, מסווג היה מוחל על מערכי נתונים עם מספר בהדרגה הולך וגדל של מינים, ולכן הגדלת קושי סיווג.

בסיס הנתונים החלו עם רק 2 מינים של חרקים; אז בכל שלב, מין אחד יותר (או מין אחד של מינים מבחינה מינית דימורפית) נוספו ומסווג שימש לסווג מוגברמספר המינים (המערך החדש). בסך הכל עשרה סוגים של חרקים (מינים שונים מאותו מין ספירת מעמדות שונות כ) נחשבו, עם 5,000 מופת בכל כיתה.

המסווג השתמש בשני חרקי הקול (ספקטרום תדרים) והזמן של יירוט לסיווג. טבלת 1 מציגה את דיוק הסיווג הנמדד בכל צעד והכיתה הרלוונטית הוסיפה בצעד ש.

על פי לוח 1, המסווג משיג יותר 96% דיוק כאשר סיווג לא יותר מ 5 מינים של חרקים, גבוהים באופן משמעותי משיעור ברירת המחדל של דיוק 20%. גם כאשר מספר הכיתות נחשב עליות ל10, דיוק הסיווג הוא לא נמוך מ79%, שוב גבוה יותר באופן משמעותי משיעור ברירת המחדל של 10%. שים לב כי בעשרת השיעורים הם לא קל להפריד, אפילו על ידי בדיקה אנושית. בין עשרת המינים, שמונה מהם יתושים, שנינותh שש מהם להיות מאותו הסוג.

הניסוי השני הוא להראות כיצד במדויק את מערכת יחסי מין יכולה חרקים מעופפים, במיוחד, כדי להבדיל יתושי aegypti זכר Ae. מנקבות. לחלק הראשון של הניסוי, מניח ש" עלות הסיווג המוטעית "של misclassifying זכרים כנקבות היא זהה לעלות misclassifying נקבות כזכרים. עם הנחה זו, תוצאות הסיווג מוצגות בלוח 2.I. דיוק הסיווג למין Ae. Aegypti הוא% על 99.4.

לחלקו השני של ניסוי, להניח את העלות היא לא סימטרית, כלומר, סיווג מוטעה של נקבות כזכרים הוא הרבה יותר יקר מאשר הפוך. עם הנחה זו, סף ההחלטה של המסווג שונה כדי להפחית את מספר misclassifications עלות הגבוהה. עם הסף מכוון כראוי, תוצאות הסיווג בטבלה 2.השני הושגו. של 2,000 חרקים בניסוי, עשרים ושניים גברים, ואפס נקבות היו misclassified.

איור 1 גרסה הגיונית של התקנת החיישן עם הרכיבים מבואר (I) אחד מכלובי הניסוי נעשה שימוש כדי לאסוף את הנתונים. (II). אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

איור 2 (I) דוגמא של קטע שמע 1 שניות המכיל "קול חרקים מעופף" שנוצר על ידי החיישן. הצליל הופק על ידי Cx. Stigmatosoma נשי. Inseקול ct הוא מסומן באדום / נועז. (II) "קול החרקים", שנוקה ונשמר לתוך ארוך קליפ אודיו 1-sec ידי מרכוז אות החרקים וריפוד עם 0s במקום אחר. (III) ספקטרום התדרים של קול החרקים, שהושג באמצעות בדיד Fourier Transform. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

איור 3 רשת בייס שמשתמשת בתכונה אחת לסיווג.

איור 4 רשת בייס שמשתמשת בשתי תכונות בלתי תלויות לclassificat יון

איור 5 מקצבי היממה של Cx. stigmatosoma (נקבה), Cx. tarsalis (זכר), ו AE. aegypti (נקבה), למד על סמך תצפיות שנוצרו על ידי החיישן שנאספו על משך חודש 1. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

איור 6 רשת בייס שמשתמשת בשלוש תכונות עצמאיות לסיווג.

ז "/>
איור 7 ההנחות של התפלגות הגיאוגרפיה של כל מיני חרקים ומקומות חיישן בסימולציה כדי להדגים את היעילות של שימוש בתכונת המיקום של ליירט בסיווג. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

איור 8 הרשת בייס הכללית שמשתמשת בתכונות n לסיווג, כאשר n הוא מספר חיובי. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

שלב	Species נוסף	דיוק סיווג	שלב	מינים נוסף	דיוק סיווג
1	AE. aegypti ♂	N /	6	Cx. quinquefasciatus ♂	92.69%
2	domestica Musca	98.99%	7	Cx. stigmatosoma ♀	89.66%
3	AE. aegypti ♀	98.27%	8	Cx. tarsalis ♂	83.54%
4	Cx. stigmatosoma ♂	97.31%	9	Cx. quinquefasciatus ♀	81.04%
5	<em> Cx. tarsalis ♀	96.10%	10	simulans דרוזופילה	79.44%

דיוק .1 סיווג שולחן עם הגדלת מספר הכיתות.

		כיתה חזתה					כיתה חזתה
אני (עלות סימטרית)		נקבה	זכר		II (עלות סימטרית)		נקבה	זכר
כיתה בפועל	נקבה	993	7		כיתה בפועל	נקבה	1,000	0
כיתה בפועל	זכר 5	995		זכר	כיתה בפועל	22	978

לוח 2: מטריצת הבלבול לאפליה מטעמי מין של AE (I). יתושי aegypti עם סף ההחלטה לנקבות מוגדרת ב0.5 (כלומר, אותו הנחה עלות). (II) מטריצת הבלבול של מין אותו יתושים, עם ההחלטה סף לנשים נקבעו על 0.1.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

מסגרת חיישן / הסיווג המתואר כאן מאפשרת סיווג הזול וניתן להרחבה של חרקים מעופפים. דיוקי השגה על ידי המערכת טובים מספיק כדי לאפשר הפיתוח של מוצרים מסחריים ויכולים להיות כלי שימושי במחקר האנטומולוגי.

היכולת להשתמש בחיישנים זולים, לא פולשנית בדייקנות ובאופן אוטומטי לסווג חרקים מעופפים תהיה השלכות משמעותיות על מחקר האנטומולוגי. לדוגמא, על ידי פריסת המערכת בתחום לספור ולסווג וקטורי חרקים, המערכת יכולה לספק סעיפים של מיני היעד בזמן אמת, מידע בזמן אמת לייצור, שניתן להשתמש כדי לתכנן התערבות / תוכניות דיכוי כדי להילחם במלריה. יתר על כן, המערכת יכולה באופן אוטומטי להפריד חרקים לפי מין, ובכך שהוא יכול לשמש לחוקרי חרקים חופשיים עובדים על הטכניקה סטרילית החרקים ¹⁵ מהמשימה המייגעת וגוזל זמן של זיהוי מין באופן ידני את החרקים. </ P>

בשימוש במערכת זו, השלב הקריטי ביותר הוא להגדיר כראוי את החיישן לאיסוף נתונים. אם הלייזר ומערך התמונה אינם מיושרים כהלכה, הנתונים יהיו מאוד רועשים. לאחר החרקים ממוקמים בכלוב, מערך התמונה תמיד צריך להיות שימוש במגנטים בצד החיצוני של הכלוב מכויל. שים לב שאורות מהבהבים, הבזקי מצלמה ותנודות בסמוך לכלובים יהיו להכניס רעש לנתונים. לכן, כדי לקבל נתונים נקיים, למקם את הכלוב בחדר חשוך, ובכל המקום נחוץ, הנח מגבות יבשות מתחת לכלובים כדי להפחית את רמת הרטט.

מסווג שהוצגו בעבודה זו נעשה שימוש רק שתי תכונות נוספות. עם זאת, ייתכן שיש עשרות תכונות נוספות שיכול לעזור לשפר את ביצועי הסיווג. כתכונות הפוטנציאליות הן תחום ויישום ספציפי, המשתמשים יכולים לבחור תכונות המבוססות על הצורך שלהם או יישומים הספציפיים. המסגרת הכללית של CLassifier מאפשר למשתמשים להוסיף תכונות בקלות למסווג כדי לשפר את ביצועי הסיווג.

כדי לעודד את האימוץ והרחבה של הרעיונות שלנו, אנחנו עושים את כל שרטוטי קוד, נתונים, והחיישן הזמינים באופן חופשי בUCR חישובית אנטומולוגיה העמוד ^16-17. יתר על כן, במסגרת מגבלות התקציב שלנו, אנחנו נמשיך הנוהג של מתן מערכת שלמה (כפי שמוצג באיור 1) לכל חוקר חרקים מחקר שמבקש אחד שלנו.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

החוקרים מצהירים כי אין להם אינטרסים כלכליים מתחרים.

Acknowledgments

ברצוננו להודות לקרן אמריקה וודאפון, ביל ומלינדה גייטס, וסאו פאולו קרן המחקר (FAPESP) למימון מחקר זה. כמו כן, אנו רוצים להודות לחברי סגל רבים מהמחלקה לאנטומולוגיה באוניברסיטת קליפורניה, ריברסייד, לעצתם על הפרויקט הזה.

Materials

Name	Company	Catalog Number	Comments
Audio recorder: ICD-PX312	Sony	4-267-065-11(2)	With a 8 GB microSD extra memory
Insectary	Lee's Aquarium & Pet Products.	20088 HerpHaven®, Large Rectangle	14 1/2" long x 8 3/4" wide x 9 3/4" high. Modified to house insects.
Laser line generator, 650 nm (red)	Apinex (www.apinex.com)	LN60-650	5 mW. This is a low powered laser, similar to a teacher's laser pointer
Photodiode array	VISHAY SEMICONDUCTOR TEFD4300 PIN PHOTODIODE, 650NM, 20DEG, T1	TEFD4300	We made a custom array of 15 of these photodiodes wired in parallel.
Analogue to digital convertor integrated circuit	Custom made in our lab		We made this item ourselves, but an easily available commercial product, Gino PCF8591 AD/DA Converter, provides the same functionality.

DOWNLOAD MATERIALS LIST

References

Kahn, M. C., Celestin, W., Offenhauser, W. Recording of sounds produced by certain disease-carrying mosquitoes. Science. 101 (2622), 335-336 (1945).
Reed, S. C., Williams, C. M., Chadwick, L. E. Frequency of wing-beat as a character for separating species races and geographic varieties of Drosophila. Genetics. 27 (3), 349 (1942).
Belton, P., Costello, R. A. Flight sounds of the females of some mosquitoes of Western Canada. Entomologia experimentalis et applicata. 26 (1), 105-114 (1979).
Mankin, R. W., Machan, R., Field Jones, R. testing of a prototype acoustic device for detection of Mediterranean fruit flies flying into a trap. Proc. 7th Int Symp Fruit Flies of Economic Importance. , 10-15 (2006).
Raman, D. R., Gerhardt, R. R., Wilkerson, J. B. Detecting insect flight sounds in the field Implications for acoustical counting of mosquitoes. Transactions of the ASABE. 50 (4), 1481 Forthcoming.
Moore, A., Miller, J. R., Tabashnik, B. E., Gage, S. H. Automated identification of flying insects by analysis of wingbeat frequencies. Journal of economic entomology. 79 (6), 1703-1706 (1986).
Moore, A., Miller, R. H. Automated identification of optically sensed aphid (Homoptera: Aphidae) wingbeat waveforms. Annals of the Entomological Society of America. 95 (1), 1-8 (2002).
Li, Z., Zhou, Z., Shen, Z., Yao, Q. Automated identification of mosquito (diptera: Culicidae) wingbeat waveform by artificial neural network. Artificial Intelligence Applications and Innovations. , 483-489 (2005).
Moore, A. Artificial neural network trained to identify mosquitoes in flight. Journal of insect behavior. 4 (3), 391-396 (1991).
Halevy, A., Norvig, P., Pereira, F. The unreasonable effectiveness of data. Intelligent Systems, IEEE. 24 (2), 8-12 (2009).
Mitigating the paucity-of-data problem exploring the effect of training corpus size on classifier performance for natural language processing. Banko, M., Brill, E. Proceedings of the first international conference on Human language technology research, , Association for Computational Linguistics. Stroudburg, PA. 1-5 (2001).
Shotton, J., et al. Real-time human pose recognition in parts from single depth images. Communications of the ACM. 56 (1), 116-124 (2013).
Ilyas, P. Classifying insects on the fly. Ecological Informatics. , (2013).
Mack, Y. P., Rosenblatt, M. Multivariate k-nearest neighbor density estimates. Journal of Multivariate Analysis. 9 (1), 1-15 (1979).
Benedict, M., Robinson, A. The first releases of transgenic mosquitoes an argument for the sterile insect technique. TRENDS in Parasitology. 19 (8), 349-355 (2003).
Chen, Y. Supporting Materials. , Available from: https://sites.google.com/site/insectclassification Forthcoming.
Chen, Y., Why, A., Batista, G., Mafra-Neto, A., Keogh, E. Flying Insect Classification with Inexpensive Sensors. Journal of Insect. 27 (5), 657-677 (2014).

Bioengineering

טיסה חרקים באיתור ובסיווג עם חיישנים זולים

Summary

Abstract

Introduction

Protocol

Representative Results

Discussion

Disclosures

Acknowledgments

Materials

References

Tags

Cite this Article

Summary

Abstract

Introduction

Protocol

Representative Results

Discussion

Disclosures

Acknowledgments

Materials

References

Tags

Cite this Article

Get cutting-edge science videos from JoVE sent straight to your inbox every month.