CN108241840A - 一种刺吸电位图谱(epg)波形自动识别方法 - Google Patents
一种刺吸电位图谱(epg)波形自动识别方法 Download PDFInfo
- Publication number
- CN108241840A CN108241840A CN201611213717.XA CN201611213717A CN108241840A CN 108241840 A CN108241840 A CN 108241840A CN 201611213717 A CN201611213717 A CN 201611213717A CN 108241840 A CN108241840 A CN 108241840A
- Authority
- CN
- China
- Prior art keywords
- epg
- waveform
- waves
- waveforms
- auto
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
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
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:
相关系数:
熵:
用PCA算法提取前4个主成分。
(2)时频特征提取了小波变换的分解系数
选用Daubechies 小波作为“分析小波”。对EPG信号进行一维离散小波变换,分解层数为7。经过比较分析,选择其中两层( 4 和5) 的均值作为特征值提取。
(3)局部特征提取了极值间的差值。
找出信号中极大值和极小值,二者之差作为一个特征。
四、基于PNN的波形预分类
PNN包括输入层、模式层、求和层和决策层四层网络结构。输入层为特征样本向量,神经元数目和样本向量的维数相等;模式层与输入层之间通过连接权向量相连,进行加权求和输出,通过一个指数函数为的非线性映运算后传递给求和层;求和层将有对应样本中同一类的模式层传来的输入(属于某类的概率)进行累加以及得到输入样本属于该类的最大可能性;决策层接收来自求和层输出的各类概率密度函数,概率密度最大的那个神经元输出为1,即对应的那一类是待识别的样本模式类别,其他神经元的输出全为0。
利用PNN对EPG波形进行预分类识别时,上述提取的特征作为输入向量,输出向量就是识别波的类型(np波、C波、E1波、E2波、pd波、G波和F波)。在训练网络时,每
种波形选20段作为训练样本,8段作为测试样本。通过实验确定当Spread取值在[0.05,0.8]时,训练样本识别率为100%。将8段测试样本输入训练好的PNN中,识别结果如图3所示。测试样本的总体识别率为96.43%。
五、EPG波段分界点的确定
根据PNN识别的结果粗略定位波形后,再利用差分阈值法精确定位波段的起点和终点。Arzeno 差分阈值法的实现步骤如下:(1)对EPG信号进行差分运算,得到各波的斜率信息即信号;(2)对做希尔伯特变换,进一步增强信号的高频分量,得到信号序列,即;(3)自适应设置和更新阈值,通过进行比较实现对各波段的检测。对如图2所示的菊蚜6个小时的取食波形,进行自动识别,得到np波共66段,pd波共111段,C波共162段,E1波共3段,E2波共2段,F波共5段,G波共2段。
Claims (5)
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611213717.XA CN108241840A (zh) | 2016-12-26 | 2016-12-26 | 一种刺吸电位图谱(epg)波形自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611213717.XA CN108241840A (zh) | 2016-12-26 | 2016-12-26 | 一种刺吸电位图谱(epg)波形自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108241840A true CN108241840A (zh) | 2018-07-03 |
Family
ID=62703903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611213717.XA Pending CN108241840A (zh) | 2016-12-26 | 2016-12-26 | 一种刺吸电位图谱(epg)波形自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108241840A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101034389A (zh) * | 2007-03-19 | 2007-09-12 | 江西省电力科学研究院 | 基于信息融合的电能质量扰动自动识别方法及系统 |
CN102112061A (zh) * | 2008-07-30 | 2011-06-29 | A·拉帕波特 | 测量颅内弹性的方法 |
US8004292B1 (en) * | 2008-10-22 | 2011-08-23 | The United States Of America, As Represented By The Secretary Of Agriculture | Electrical penetration graph system |
CN103161668A (zh) * | 2013-02-21 | 2013-06-19 | 上海交通大学 | 智能风电机组工况辨识系统及方法 |
CN103246872A (zh) * | 2013-04-28 | 2013-08-14 | 北京农业智能装备技术研究中心 | 一种基于计算机视觉技术的广谱虫情自动测报方法 |
CN105023379A (zh) * | 2015-08-13 | 2015-11-04 | 中国民航大学 | 一种机场光纤周界预警系统的信号识别方法 |
CN106021941A (zh) * | 2016-05-27 | 2016-10-12 | 成都信汇聚源科技有限公司 | 获取猝死风险预测人工神经网络权重值矩阵的方法 |
CN106178222A (zh) * | 2016-09-21 | 2016-12-07 | 广州视源电子科技股份有限公司 | 基于催眠术的智能辅助睡眠方法和系统 |
-
2016
- 2016-12-26 CN CN201611213717.XA patent/CN108241840A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101034389A (zh) * | 2007-03-19 | 2007-09-12 | 江西省电力科学研究院 | 基于信息融合的电能质量扰动自动识别方法及系统 |
CN102112061A (zh) * | 2008-07-30 | 2011-06-29 | A·拉帕波特 | 测量颅内弹性的方法 |
US8004292B1 (en) * | 2008-10-22 | 2011-08-23 | The United States Of America, As Represented By The Secretary Of Agriculture | Electrical penetration graph system |
CN103161668A (zh) * | 2013-02-21 | 2013-06-19 | 上海交通大学 | 智能风电机组工况辨识系统及方法 |
CN103246872A (zh) * | 2013-04-28 | 2013-08-14 | 北京农业智能装备技术研究中心 | 一种基于计算机视觉技术的广谱虫情自动测报方法 |
CN105023379A (zh) * | 2015-08-13 | 2015-11-04 | 中国民航大学 | 一种机场光纤周界预警系统的信号识别方法 |
CN106021941A (zh) * | 2016-05-27 | 2016-10-12 | 成都信汇聚源科技有限公司 | 获取猝死风险预测人工神经网络权重值矩阵的方法 |
CN106178222A (zh) * | 2016-09-21 | 2016-12-07 | 广州视源电子科技股份有限公司 | 基于催眠术的智能辅助睡眠方法和系统 |
Non-Patent Citations (3)
Title |
---|
FRANCISCOADASME-CARREÑO 等: "A2EPG: A new software for the analysis of electrical penetration graphs to study plant probing behaviour of hemipteran insects", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 * |
YUEPING HE 等: "Electrical penetration graph evidence that pymetrozine toxicity to the rice brown planthopper is by inhibition of phloem feeding", 《PEST MANAGEMENT SCIENCE》 * |
全国卫生专业技术资格考试专家委员会: "《卫生专业技术资格考试指导 心电学技术》", 31 January 2005 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104523266B (zh) | 一种心电信号自动分类方法 | |
CN109325399B (zh) | 一种基于信道状态信息的陌生人手势识别方法及系统 | |
CN112022153B (zh) | 基于卷积神经网络的脑电信号检测方法 | |
CN113191225B (zh) | 一种基于图注意力网络的情绪脑电识别方法及系统 | |
CN111461037B (zh) | 一种基于fmcw雷达的端到端手势识别方法 | |
CN107292314A (zh) | 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 | |
Himawan et al. | Deep Learning Techniques for Koala Activity Detection. | |
CN112861813B (zh) | 基于复值卷积神经网络的墙后人体行为识别方法 | |
CN104751186A (zh) | 一种基于bp网络和小波变换的虹膜图像质量分类方法 | |
CN108256579A (zh) | 一种基于先验知识的多模态民族认同感量化测量方法 | |
CN112270681B (zh) | 一种黄板害虫深度检测与计数方法与系统 | |
CN111898526B (zh) | 基于多流卷积神经网络的肌电手势识别方法 | |
CN108836313A (zh) | 一种智能选取导联的动态心电图分析方法 | |
CN113116300A (zh) | 一种基于模型融合的生理信号分类方法 | |
WO2023077592A1 (zh) | 一种智能心电信号处理方法 | |
CN113283331A (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 | |
Haarika et al. | Insect classification framework based on a novel fusion of high-level and shallow features | |
CN108241840A (zh) | 一种刺吸电位图谱(epg)波形自动识别方法 | |
CN109730672B (zh) | 一种用于多导联心电信号的特征提取方法及对应监测系统 | |
CN110163142B (zh) | 实时手势识别方法及系统 | |
CN108836316B (zh) | 一种基于bp神经网络的心电信号r波提取方法 | |
CN110472540A (zh) | 一种基于lmd-ica-pnn的φ-otdr振动信号分类算法 | |
CN113907762A (zh) | 一种可穿戴设备上的ecg信号的干扰波识别方法 | |
Raphel et al. | Automatic leaf parameter monitoring and analysis of irrigation system in agriculture using machine learning technique | |
Rahuman et al. | Flying insect identification based on wing-beat frequency using modified SVM classifier |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180703 |
|
WD01 | Invention patent application deemed withdrawn after publication |