CN108241840A

CN108241840A - 一种刺吸电位图谱（epg）波形自动识别方法

Info

Publication number: CN108241840A
Application number: CN201611213717.XA
Authority: CN
Inventors: 吴莉莉; 邢玉清; 潘建斌; 闫风鸣; 卢少华
Original assignee: Henan Agricultural University
Current assignee: Henan Agricultural University
Priority date: 2016-12-26
Filing date: 2016-12-26
Publication date: 2018-07-03

Abstract

本发明公开了一种刺吸电位图谱（EPG）波形自动识别方法，所述方法包括首先对EPG仪器采集的波形进行去噪、分帧预处理；然后对EPG信号进行统计特征、时频特征和局部特征的提取，构建特征向量；再采用概率神经网络算法对EPG波形进行预分类识别；最后采用Arzeno差分阈值法确定EPG波段的分界点，实现EPG波形地自动识别。本发明能够快速、准确地对EPG波形进行自动分类识别。

Description

一种刺吸电位图谱（EPG）波形自动识别方法

技术领域

本发明涉及生物信号处理和模式识别技术，是一种采用数字信号处理技术自动识别刺吸电位图谱（EPG）波形的方法。

背景技术

刺吸电位图谱（Electrical Penetration Graph，EPG）技术是利用电学原理，研究刺吸式昆虫在寄主植物上刺探和取食行为的一种技术。其原型是美国科学家McLean和Kinsey (1964) 设计的蚜虫取食监测系统，之后通过Schaefers（1986）、Brown和Holbrook（1976）、Tjallingii（1978）等人对该系统的改进和优化，最终形成了现在较为成熟和完善的EPG技术。EPG技术精确地反映了昆虫取食过程中产生的各种变化，为刺吸式昆虫在寄主专化性、植物的抗性机制、对农药的抗性机理以及传毒机制方面的研究提供了技术和方法。

EPG技术之所以可以作为研究刺吸式昆虫取食和传播植物病毒的重要实验方法，是因为EPG的波形与昆虫的刺探行为、唾液分泌、取食等生理过程相对应，可以通过对EPG波形的分析认识昆虫的取食过程和获毒、传毒过程等。EPG 技术最早应用于蚜虫取食行为的研究，结合透射电镜、同位素示踪、口针切割等术，已明确了蚜虫的8种基本波形及其生物学意义。这8种波形分别为np波（非刺探波）、A、B、C 波（路径波）、pd波波（口针穿刺波）、E波（可分为El 波（韧皮部分泌唾液波）和E2 波（韧皮部取食波））、木质部取食波( G 波) 和机械障碍波（F波）。各种波形对应的生物学意义如下：

（1）np波

np波为电路未接通时的非刺探波形，此时蚜虫口针未刺入植物表皮内．产生的波形几近直线。

（2）A波

A波是蚜虫口针刚与植物表面接触时呈导电状态的反映，A波总伴随着水溶性唾液的分泌。

（3）B波

紧随A波之后出现，峰值较高，B波都伴随着凝胶型唾液的分泌，凝胶型唾液能形成保护口针的唾液鞘，此时蚜虫的口针位于表皮及薄壁组织内。

（4）C波

B波之后C波出现，二者没有截然的界限，C波是EPG波中最复杂的波形。C波阶段蚜虫的口针位于表皮与微管束之间，反映的是胞外电势水平。在判读中，一般将一些不能明确区分的波也归入C波，统计时A波，B波也归入C波。

（5）pd波

pd波的波幅变化幅度为-180 ~ -60mV，pd波反映了蚜虫口针刺破细胞膜时所测的膜内外电位差。

（6）E波

E波反映了口针刺探韧皮部筛管的过程。E波可以分为E1(2~4 Hz)、E2(4~7Hz)两个亚波和二者的混合波，E1为主动分泌水溶性唾液到筛管中的过程，E2为蚜虫从筛管中被动吸收韧皮部汁液的过程。

（7）F波

F波是口针在细胞外和细胞内穿刺过程受阻产生的机械障碍波， F波与寄主植物的机械抗性关系密切。

（8）G波

G波也是一种胞外水平的波形，波峰向下，G波是昆虫在木质部主动吸食的波形。

EPG波形通常是由EPG仪器采集并保存成数字文件然后由计算机应用程序来分析。EPG波形的分析和统计经历了最初的手工统计、Stylet系列软件和Probing系列软件的发展，但即使是最新版本的软件，也仅仅是对人工标记好的波形进行统计，EPG波形的识别还是要靠人工完成。这种纯粹依靠人工进行波形识别的方式不仅耗时耗力，且主观性强，可靠性不高，因此EPG波形的自动识别显得尤为重要。

发明内容

本发明针对目前EPG波形判别主要靠人工这一问题，提供了一种基于数字信号处理技术的EPG波形自动识别方法。

本发明所采用的技术方案如下：

一种EPG波形自动识别方法，包括以下步骤：

（1）EPG波形的预处理；

（2）EPG波形的特征提取；

（3）基于人工神经网络的波形预分类；

（4）基于差分阈值的波段分界点的界定。

前述的步骤（1）中， EPG波形的预处理主要包括小波去噪和信号分帧。小波基函数选用Symlet小波，分解层数为6层，采用加权阈值收缩去噪方法。信号以10s为一帧进行特征提取和波形预分类。

前述的步骤（2）中，EPG波形提取的特征主要是统计特征、时频特征和局部特征。统计特征提取了均值、方差、相关系数、熵、以及PCA的前4个主成分；时频特征提取了小波变换的分解系数；局部特征提取了极值间的差值。

前述的步骤（3）中，对EPG波形的预分类采用人工神经网络的中概率神经网络（PNN），所述PNN包括输入层、模式层、求和层和决策层。

前述的步骤（4）中，EPG波段分界点的界定算法采用Arzeno 差分阈值法，先对信号进行差分运算得到波形变换的斜率，再对其进行希尔伯特变换，增强信号中的高频分量，自适应设置和更新阈值，实现对各个EPG各波段的检测。

本发明方法相对于人工识别具有客观性和更高的准确率，完全由计算机自动判别，无需人的参与，大大节省了人力资源，缩短了EPG波形分析识别的时间。

附图说明

图1是本发明一个实施例的经过预处理之后的蚜虫EPG波形10s细节图；

图2是本发明一个实施例的蚜虫取食6个小时的EPG波形图；

图3是本发明一个实施例的PNN的识别结果。

具体实施方式

一、EPG信号的获取

本发明采用荷兰生产的Giga-4/8 EPG仪获取蚜虫6个小时的EPG波形，采样频率为100Hz，以一维矩阵的形式存储在计算机中。

二、EPG信号的预处理

EPG信号是一种非线性微弱生理电信号，在信号采集过程中，主要的干扰来源于采集仪器和昆虫，分别表现为工频噪声、基线漂移噪声以及昆虫的运动伪迹干扰。EPG波形的预处理主要包括噪声的去除和信号的分帧。

采用小波变换进行去噪，小波基函数选用Symlet小波，Symlet是严格正交的小波函数，且具有 Daubechies小波系部优良特征，又具有紧支撑和近似对称特征，因此在处理信号滤波方面有很好的效果，不会造成处理后信号的失真。分解层数为6层，采用加权阈值收缩去噪方法。

信号以10s为一帧，共1000个数据点对其进行特征提取、波形分类及后续的波段界定。实验中以蚜虫（实验数据来自菊蚜在菊花上的取食波形）的EPG为例，识别7种波形，A波和B波都归入C波，E波分为E1和E2，这7种波形是np波、C波、E1波、E2波、pd波、G波和F波。经过预处理之后的EPG波形如图1所示，横坐标为采样点数，纵坐标为信号幅度值。

三、EPG波形的特征提取

EPG波形提取的特征主要是统计特征、时频特征和局部特征。

（1）统计特征提取了均值、方差、相关系数、熵、以及PCA的前4个主成分，计算公式如下：

均值：

方差：

Claims

1.一种刺吸电位图谱（EPG）波形自动识别方法，其特征在于，包括以下步骤：

（1）EPG波形的预处理；

（2）EPG波形的特征提取；

（3）基于人工神经网络的波形预分类；

（4）基于差分阈值的波段分界点的界定。

2.根据权利要求1所述的一种EPG波形自动识别方法，其特征在于，所述的步骤（1）中，EPG波形的预处理主要包括小波去噪和信号分帧；小波基函数选用Symlet小波，分解层数为6层，采用加权阈值收缩去噪方法；信号以10s为一帧进行特征提取和波形预分类。

3.根据权利要求1所述的一种EPG波形自动识别方法，其特征在于，所述的步骤（2）中，EPG波形提取的特征主要是统计特征、时频特征和局部特征；统计特征提取了均值、方差、相关系数、熵、以及PCA的前4个主成分；时频特征提取了小波变换的分解系数；局部特征提取了极值间的差值。

4.根据权利要求1所述的一种EPG波形自动识别方法，其特征在于，所述的步骤（3）中，对EPG波形的预分类采用人工神经网络的中概率神经网络（PNN），所述PNN包括输入层、模式层、求和层和决策层。

5.根据权利要求1所述的一种EPG波形自动识别方法，其特征在于，所述的步骤（4）中，EPG波段分界点的界定算法采用Arzeno 差分阈值法，先对信号进行差分运算得到波形变换的斜率，再对其进行希尔伯特变换，增强信号中的高频分量，自适应设置和更新阈值，实现对各个EPG各波段的检测。