CN110554161A - 一种基于鱼类行为信号的水质监测方法 - Google Patents
一种基于鱼类行为信号的水质监测方法 Download PDFInfo
- Publication number
- CN110554161A CN110554161A CN201910965709.8A CN201910965709A CN110554161A CN 110554161 A CN110554161 A CN 110554161A CN 201910965709 A CN201910965709 A CN 201910965709A CN 110554161 A CN110554161 A CN 110554161A
- Authority
- CN
- China
- Prior art keywords
- behavior
- signals
- unit time
- water quality
- signal
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/186—Water using one or more living organisms, e.g. a fish
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明公开了一种基于鱼类行为信号的水质监测方法,涉及水质监测领域,该方法从行为信号本身的特征入手,将受试鱼类单位时间内的行为信号从高维降为一维的游程值,使用该一维的游程值来替代单位时间内所有行为变化,由于游程值包含了原始的行为信号的频率特性和幅度特性,因此可以凸显异常信号、减少正常信号的波动特征,能够准确反应受试鱼类在该单位时间的本质特征,因此利用游程值可以准确及时判断水质情况,该方法涉及到的计算量小、稳定性高、适合性能比较差的工控环境下运行;而且该方法不需要收集先验的行为信号,只需要按照单位时间进行收集、计算和判断即可,可以适用于水质监测这种实时应用场景。
Description
技术领域
本发明涉及水质监测领域,尤其是一种基于鱼类行为信号的水质监测方法。
背景技术
水环境监测领域一般采用基于常规指标的定量分析以及基于水生生物的定性分析或者是两者相结合的方法来判断水质是否安全。其中常规指标监测技术具有国家标准,研究比较广泛、市场中成熟的产品也比较多。而基于水生生物的监测手段由于缺乏国家标准、生物个体差异明显、具有极强的不可预知性,导致其起步比较晚。
国内常见的在线生物监测设备主要是基于发光菌、水溞、藻类、鱼类等技术的,鱼类是水生态系统中比发光菌、水溞、藻类等相对高级的生物,与人类对环境污染物的反应更加接近,因此可以作为水环境监测领域理想的受试生物。青鳉鱼是一种对有机污染物敏感、重金属污染物有一定反应能力的鱼类,它的行为变化可以从一定程度上反应水质的状态,因此目前常使用青鳉鱼作为受试生物。
目前对于青鳉鱼的毒理学行为研究还停留在实验室阶段,通常的做法是在特定的实验环境下对青鳉鱼进行受毒实验,通过观察24小时、48小时、96小时等长时间轴下的半致死量来判断水质有毒物质的浓度。最近几年随着计算机视觉技术的广泛应用,很多大学或研究机构开始用计算机视觉的方法来捕捉青鳉鱼的一些行为特征,通过分析行为与毒性之间的关系来判断水质的状态。
为了能够有效观察青鳉鱼在指定水体中的行为变化,目前出现了基于低压高频交流电信号的行为信号分析方法,也即通过生物行为传感器采用低压高频交流电信号获取青鳉鱼的行为数据,生物行为传感器可以采用本公司专利号为2011103109036的在先专利,这是一种基于低压高频的交流电信号传感器,该传感器无需破坏青鳉鱼正常的生活环境,在微弱电流的状态下观测其生理特征和运动特征从而采集到行为数据。采集到的青鳉鱼的行为电信号是一类非平稳非线性时间序列,青鳉鱼个体差异会导致采集到的行为电信号在时空特性下完全不同,重要的行为特征往往被隐藏在原始信号中,即便采用传统的信号处理方法进行处理也无法实时而有效地提取到这些特征:快速傅里叶变换(FFT)方法不能凸显行为信号的异常变化;小波变换虽然可以同时从时域和频域上对行为信号进行解析,但小波基的选择往往会因生物个体的差异而不具备自适应性,对于实时精确时频分析比较困难;经验模态分解(EMD)方法能够得到本征模态函数分量,但行为电信号被分解后各个分量不具有可解释性。
发明内容
本发明人针对上述问题及技术需求,提出了一种基于鱼类行为信号的水质监测方法,该水质监测方法从行为信号本身的特征入手,将单位时间内的行为信号从高维降为一维的游程值,同时游程值保留了受试鱼类在单位时间内的本质特征,从而利用该游程值即能准确及时判断水质情况。
本发明的技术方案如下:
一种基于鱼类行为信号的水质监测方法,该方法包括:
通过生物行为传感器采集受试鱼类在待测水体中在单位时间内的行为信号;
计算单位时间内的行为信号的均值,并利用单位时间内的行为信号减去均值得到单位时间对应的处理后的行为信号;
获取处理后的行为信号的频率特性和幅度特性;
根据频率特性和幅度特性得到单位时间内的行为信号对应的游程值;
检测游程值是否超过预设阈值,若超过预设阈值,则确定待测水体的水质异常,否则再次执行通过生物行为传感器采集受试鱼类在待测水体中在单位时间内的行为信号的步骤。
其进一步的技术方案为,获取处理后的行为信号的频率特性和幅度特性,包括:
确定处理后的行为信号中的游程总次数为处理后的行为信号的频率特性,对于处理后的行为信号中的各个数据点,当相邻两个数据点一个大于均值、另一个小于均值时为一次游程;
确定处理后的行为信号中的各个数据点的幅值绝对值的总和为处理后的行为信号的幅度特性。
其进一步的技术方案为,该方法还包括:
对各个单位时间内的行为信号对应的游程值进行归一化,并按照时间序列排列得到游程值曲线,采用loess方法的smooth函数对游程值曲线进行平滑处理得到待测水体的水质变化曲线。
本发明的有益技术效果是:
本申请公开了一种基于鱼类行为信号的水质监测方法,该方法从行为信号本身的特征入手,将鱼类单位时间内的行为信号从高维降为一维的游程值,使用该一维的游程值来替代单位时间内所有行为变化,由于游程值包含了原始的行为信号的频率特性和幅度特性,因此可以凸显异常信号、减少正常信号的波动特征,能够准确反应受试鱼类在该单位时间的本质特征,因此利用游程值可以准确及时判断水质情况,该方法涉及到的计算量小、稳定性高、适合性能比较差的工控环境下运行。而且该方法不需要收集先验的行为信号,只需要按照单位时间进行收集、计算和判断即可,可以适用于水质监测这种实时应用场景。
将游程值按照时间序列排列起来,便可获取受试鱼类的本质特征的变化,从而计算判断出水质的状态变化曲线,且该方法源于对实验结果的观察,因此曲线的变化具有可解释性,可以与环境胁迫阈值模型对应起来。
附图说明
图1a是采集到的受试鱼类的原始的行为信号的示意图。
图1b是从图1a中抽取出的水体未污染之前的第101分钟的1200个采样点的行为信号示意图。
图1c是从图1a中抽取出的水体污染之后的第245分钟的1200个采样点的行为信号示意图。
图2是本申请公开的水质监测方法的方法流程图。
图3是使用本申请公开的方法处理10TU三氯酚的受毒实验的实验结果的数据比对图,其中3(a)是采集到的原始的行为信号,图3(b)是图3(a)经本申请方法处理后得到的游程值曲线,图3(c)是图3(b)进一步处理后得到的水质变化曲线。
图4是分别使用FFT、小波变换以及本申请公开的方法处理1TU三氯酚的受毒实验的实验结果的数据比对图,其中图4(a)是采集到的原始的行为信号,图4(b)是图4(a)经FFT处理后的结果,图4(c)是图4(a)经小波变换后得到的结果,图4(d)是图4(a)经本申请方法处理后得到的结果。
图5是分别使用FFT、小波变换以及本申请公开的方法处理5TU三氯酚的受毒实验的实验结果的数据比对图,其中图5(a)是采集到的原始的行为信号,图5(b)是图5(a)经FFT处理后的结果,图5(c)是图5(a)经小波变换后得到的结果,图5(d)是图5(a)经本申请方法处理后得到的结果。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请公开了一种基于鱼类行为信号的水质监测方法,该方法可以通过受试鱼类在待测水体中的行为信号进行水质监测,受试鱼类采用对水质变化敏感的鱼类,比如采用青鳉鱼。本申请的方法产生的根源是在实验的过程中观察到,在下毒污染水体后若干分钟内,青鳉鱼的行为变化是有显著特征的,主要表现在刚下毒的时候行为会慢慢变强,当累积到一定时间后,行为开始下降或者直接死亡,因此青鳉鱼的行为变化与水体有机污染物之间存在良好地剂量-响应关系。同时申请人进行了相关实验,将青鳉鱼置于干净水体中,然后以高浓度的三氯酚作为特征污染物来污染水体,在此过程中持续通过生物行为传感器采集青鳉鱼的行为信号,以1分钟1200个采样点为基础进行数据采集,生物行为传感器可以采用本公司专利号为2011103109036的在先专利公开的传感器,采集到的原始的行为信号如图1a所示,抽取水体未污染之前的第101分钟的1200个采样点的行为信号作图,如图1b所示,同样污染水体后抽取第245分钟的1200个采样点的行为信号作图,如图1c所示。对比图1b和图1c可以看出,在水体污染后,图1c的变化频率变快了,同时上下波动的幅度变大了,由此可以确定,青鳉鱼的行为信号的变化特征和人眼观察到的青鳉鱼的行为变化是相符的。因此本申请以受试鱼类在待测水体中的行为信号为基础来确定受试鱼类的行为变化,从而确定待测水体的水质情况,包括如下步骤,请参考图2:
步骤1,通过生物行为传感器采集受试鱼类在待测水体中在单位时间内的行为信号,生物行为传感器为现有设备,受试鱼类可以采用青鳉鱼,单位时间为自定义时长,比如1分钟,采集行为信号时按照预先设定的采样频率进行采样,比如按照1分钟1200个采样点的频率点采集,则1分钟内的行为信号包括1200个数据点。青鳉鱼的行为信号受到多种因素尤其是生物个体差异及生物钟现象的影响,其在电场加持的环境下的行为变化是非平稳、非线性的,如图3中的3(a)所示。
步骤2,计算单位时间内的行为信号的均值,并利用单位时间内的行为信号减去均值得到单位时间对应的处理后的行为信号,处理后的行为信号中的部分数据点大于均值、部分数据点小于均值。
步骤3,获取处理后的行为信号的频率特性和幅度特性。
获取频率特性的具体方法是:统计处理后的行为信号中相邻两个数据点穿越均值的次数,也即对于处理后的行为信号中的各个数据点,当相邻两个数据点一个大于均值、另一个小于均值时表示这相邻连个数据点穿越均值一次,则记为一次游程,统计次数总和从而确定处理后的行为信号中的游程总次数,该游程总次数即为处理后的行为信号的频率特性。
获取幅度特性的具体方法是:计算此时处理后的行为信号中的各个数据点的幅值绝对值的总和,该幅值绝对值的总和即为幅度特性。
步骤4,根据频率特性和幅度特性得到单位时间内的行为信号对应的游程值,本申请通过计算频率特性和幅度特性的乘积得到该游程值,实际也可以采用其他的数据处理方法来处理频率特性和幅度特性。至此完成了对单位时间内的行为信号的降维,将单位时间内的行为信号用游程值这一个特征来代替,而且游程值包含了行为信号的频率特性和幅度特性,因此能够凸显受试鱼类在该单位时间内本质的特征、很好地表达受试鱼类在该单位时间内行为变化的趋势。
步骤4,检测游程值是否超过预设阈值,若超过预设阈值,则确定待测水体的水质异常,可以发出相应预警。否则再次执行通过生物行为传感器采集受试鱼类在待测水体中在单位时间内的行为信号的步骤,对下一个单位时间内的行为信号进行采集和水质监测。
为了能够在业务化运行中准确判断并及早给出预警,同时直观观察待测水体的水质变化,可以对各个单位时间内的行为信号对应的游程值进行归一化,并按照时间序列排列得到游程值曲线,如图3中的3(b)所示,该游程值曲线从信号的角度展示了受试鱼类在受毒前后的行为变化,在下毒点后8分钟左右行为发生显著异常,这与毒理学的实验结果完全吻合。然后采用loess方法的smooth函数对游程值曲线进行平滑处理得到待测水体的水质变化曲线,如图3中的3(c)所示。
在实际监测时,可以通过增加受试鱼类的数量来消除生物个体带来的信号差异性,比如实际设备中采用8个通道、每个通道放3条受试鱼类的形式进行待测水体的水质监测,同时也会采用一些先验的知识来解决生物钟问题。
本申请采用了一种特殊的游程算法来对单位时间内的行为信号进行降维。虽然在信号处理领域,常规的降维方法有很多,比如PCA和PLS等,但对于实时应用的系统来说,这些方法都需要收集比较多的样本,按照VC维的理论,要想降维模型具有很强的泛化能力,往往需要10倍于样本维数的数据,对应到青鳉鱼行为实时分析的应用中,以1分钟采样1200个数据点为单位,就是要收集12000个样本才能实时判断,12000个样本所需要的时间就是120000分钟,换成下来即为500天,而青鳉鱼在传感器中最佳存活时间是30-90天,因此采用的要想实时应用是完全不可能的。而本申请提供的这种游程算法不需要收集先验的行为信号,只需要按照单位时间采集一次信号、计算一次、判断一次即可,而且本申请提供的这种游程算法从信号本身的特征入手,观察幅度和变化频率两个方面因素,能够有效的凸显受试鱼类的本质行为来准确发现异常变化,从而达到准确及时判断是否为水质污染的效果,异常发生后,可以通过模式识别的相关算法对特征进行处理,最终确定是否有污染发生。而且游程算法的计算量特别小、稳定性高,适合性能比较差的工控环境下运行。同时,游程算法源于对实验结果的观察,因此曲线的变化具有可解释性,将该模型和算法整合到生物综合毒性的在线连续监测设备中,能够进一步优化突发性污染事故的生物综合毒性在线连续监测技术和设备。虽然经验模态分解(EMD)方法也能够在一定程度上抽取特征曲线,但抽取的信号不具可解释性,很难与环境胁迫阈值模型对应起来。
另外,青鳉鱼的个体差异比较大,同时具有生物钟现象,所以小波变换的方法对于基的选择会比较困难。本身这种低压高频的交流电信号是一种非平稳、非线性的,因此FFT方法在频率域也不会得到一个非常理想的信号曲线。而本申请的游程算法能够将数据从高维降到1维,同时保留了单位时间内最能表现青鳉鱼本质特征的行为强度变化以及穿越均值的游程变化,因此可以凸显异常信号,减少正常信号的波动特征,从而凸显青鳉鱼的本质行为来准确发现异常变化,达到准确及时判断是否为水质污染的效果。
本申请还通过如下实验对本申请提供的方法的有效性进行了验证:
三氯酚是环境中主要的有机污染物之一,也是工业生产中的重要原料,它对皮肤及粘膜具有强烈的腐蚀作用,对各种细胞有直接损害,以三氯酚为有机特征污染物对青鳉鱼进行受毒实验。实验开始前保证有4个小时左右的正常数据,在4个小时后开始下毒,实验一直持续约24小时。其中,1TU为该种污染物在48小时流水暴露的情况下,青鳉鱼的半致死浓度,1TU三氯酚对应的浓度为2.3mg·L,两种具体浓度的实验记录如下表所示:
毒性浓度 | 开始时间 | 加药时间 | 结束时间 | 受试鱼类 |
1TU | 2018-04-17 10:33 | 2018-04-17 14:34 | 2018-04-18 10:52 | 青鳉鱼 |
5TU | 2018-04-17 10:29 | 2018-04-17 14:31 | 2018-04-18 10:47 | 青鳉鱼 |
1TU浓度的三氯酚的实验结果如图4所示,图4(a)是采集到的青鳉鱼原始的行为信号,可以看出青鳉鱼的行为信号是非平稳、非线性的,未下毒前基本上会保持在一个较为稳定的水平,下毒后行为强度会明显增强,而当药物累积到一定程度后青鳉鱼会在非常短的时间内死亡。FFT方法可以分析信号的频率域信息,从图4(b)中可以看出在频率域上完全不能展示任何异常信号的信息,频率较高的分量基本上集中在两边。而小波变换的方法可以在一定程度上去除工频信号等因素的影响,使得被观测的行为信号变得更加显著,如图4(c)所示,但业务化运行过程中,需要通过特定算法计算出异常信号发生的时刻,并对其进行及时预警的,显然仅仅小波变化的结果是不足以满足这个需求的。而基于本申请中的游程算法可以将其处理为基于游程值的水质变化曲线,如图4(d)所示,基于图4(d)可以很容易计算出下毒点和预警点。
同样的实验方法采用5TU浓度的三氯酚进行实验时,也具有几乎相类似的结果,如图5所示,图5(a)、5(b)、5(c)和5(d)依次表示原始的行为信号、FFT方法处理后的信号、小波变换后的信号和游程算法处理后的信号。唯一不同的是1TU属于低浓度,在有毒三氯酚进入水体后,青鳉鱼对毒性的累积需要比较长的时间,而5TU的三氯酚属于中等浓度的污染物,在青鳉鱼体内累积的时间会相对比较短,因此图5(d)的曲线发生突变的时间比图4(d)要早一些,表现在信号上就是5(d)快速达到最高点,然后下降,而4(d)是一个缓慢上升的过程。图3是10TU的三氯酚的实验结果,通过图3、4和5的比较更能体现毒性在青鳉鱼体内累积的现象。
以上所述的仅是本申请的优选实施方式,本发明不限于以上实施例。可以理解,本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本发明的保护范围之内。
Claims (3)
1.一种基于鱼类行为信号的水质监测方法,其特征在于,所述方法包括:
通过生物行为传感器采集受试鱼类在待测水体中在单位时间内的行为信号;
计算所述单位时间内的行为信号的均值,并利用所述单位时间内的行为信号减去所述均值得到所述单位时间对应的处理后的行为信号;
获取所述处理后的行为信号的频率特性和幅度特性;
根据所述频率特性和幅度特性得到所述单位时间内的行为信号对应的游程值;
检测所述游程值是否超过预设阈值,若超过所述预设阈值,则确定所述待测水体的水质异常,否则再次执行所述通过生物行为传感器采集受试鱼类在待测水体中在单位时间内的行为信号的步骤。
2.根据权利要求1所述的方法,其特征在于,所述获取所述处理后的行为信号的频率特性和幅度特性,包括:
确定所述处理后的行为信号中的游程总次数为所述处理后的行为信号的频率特性,对于所述处理后的行为信号中的各个数据点,当相邻两个数据点一个大于所述均值、另一个小于所述均值时为一次游程;
确定所述处理后的行为信号中的各个数据点的幅值绝对值的总和为所述处理后的行为信号的幅度特性。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
对各个单位时间内的行为信号对应的游程值进行归一化,并按照时间序列排列得到游程值曲线,采用loess方法的smooth函数对所述游程值曲线进行平滑处理得到所述待测水体的水质变化曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910965709.8A CN110554161B (zh) | 2019-10-12 | 2019-10-12 | 一种基于鱼类行为信号的水质监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910965709.8A CN110554161B (zh) | 2019-10-12 | 2019-10-12 | 一种基于鱼类行为信号的水质监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110554161A true CN110554161A (zh) | 2019-12-10 |
CN110554161B CN110554161B (zh) | 2021-10-15 |
Family
ID=68742737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910965709.8A Active CN110554161B (zh) | 2019-10-12 | 2019-10-12 | 一种基于鱼类行为信号的水质监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110554161B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507301A (zh) * | 2020-04-26 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 视频处理方法、装置、计算机设备以及存储介质 |
CN111855946A (zh) * | 2020-07-31 | 2020-10-30 | 维尔利环保科技集团股份有限公司 | 基于鱼类行为解析的水质分析方法 |
CN115676935A (zh) * | 2023-01-03 | 2023-02-03 | 南京博知源环境科技有限公司 | 一种基于纳米水处理技术的河道净化处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106338590A (zh) * | 2016-09-22 | 2017-01-18 | 首都师范大学 | 一种基于计算机视觉监测鱼类生命体征的水质监测方法 |
CN106932553A (zh) * | 2017-04-12 | 2017-07-07 | 中国科学院生态环境研究中心 | 一种水质在线生物安全预警监测方法 |
CN107478791A (zh) * | 2017-06-26 | 2017-12-15 | 山东师范大学 | 基于金鲫鱼生物节律的在线生物水质监测模型及其构建方法 |
CN109493287A (zh) * | 2018-10-10 | 2019-03-19 | 浙江大学 | 一种基于深度学习的定量光谱数据分析处理方法 |
-
2019
- 2019-10-12 CN CN201910965709.8A patent/CN110554161B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106338590A (zh) * | 2016-09-22 | 2017-01-18 | 首都师范大学 | 一种基于计算机视觉监测鱼类生命体征的水质监测方法 |
CN106932553A (zh) * | 2017-04-12 | 2017-07-07 | 中国科学院生态环境研究中心 | 一种水质在线生物安全预警监测方法 |
CN107478791A (zh) * | 2017-06-26 | 2017-12-15 | 山东师范大学 | 基于金鲫鱼生物节律的在线生物水质监测模型及其构建方法 |
CN109493287A (zh) * | 2018-10-10 | 2019-03-19 | 浙江大学 | 一种基于深度学习的定量光谱数据分析处理方法 |
Non-Patent Citations (5)
Title |
---|
M. ALPER TUNGA ETC.: "A factorized high dimensional model", 《APPLIED MATHEMATICS AND COMPUTATION》 * |
董承玮 等: "空间多维经济统计数据的降维方法", 《地 理 研 究》 * |
陈 珊 等: "有机污染物生物有效性的评价方法", 《环 境 化 学》 * |
饶凯锋 等: "基于机器视觉的鱼类行为特征提取与分析", 《生态毒理学报》 * |
饶凯锋 等: "水环境中重金属铜暴露下青鳉鱼的行为响应", 《生态毒理学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507301A (zh) * | 2020-04-26 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 视频处理方法、装置、计算机设备以及存储介质 |
CN111855946A (zh) * | 2020-07-31 | 2020-10-30 | 维尔利环保科技集团股份有限公司 | 基于鱼类行为解析的水质分析方法 |
CN111855946B (zh) * | 2020-07-31 | 2022-06-28 | 维尔利环保科技集团股份有限公司 | 基于鱼类行为解析的水质分析方法 |
CN115676935A (zh) * | 2023-01-03 | 2023-02-03 | 南京博知源环境科技有限公司 | 一种基于纳米水处理技术的河道净化处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110554161B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110554161B (zh) | 一种基于鱼类行为信号的水质监测方法 | |
US20210000426A1 (en) | Classification system of epileptic eeg signals based on non-linear dynamics features | |
CN102824172B (zh) | 一种脑电特征提取方法 | |
CN107643377B (zh) | 一种基于鱼类心电指标的水质评价方法、系统 | |
CN102488516A (zh) | 一种非线性脑电信号分析方法以及装置 | |
CN114391846B (zh) | 一种基于过滤式特征选择的情绪识别方法及系统 | |
Zhang et al. | The detection of crackles based on mathematical morphology in spectrogram analysis | |
Yuan et al. | Epileptic seizure detection with log-euclidean gaussian kernel-based sparse representation | |
Wu et al. | Fast, accurate localization of epileptic seizure onset zones based on detection of high-frequency oscillations using improved wavelet transform and matching pursuit methods | |
CN103405225A (zh) | 一种获取疼感评测指标的方法、装置及设备 | |
US6393899B1 (en) | Apparatus and method for automated biomonitoring of water quality | |
CN107361764A (zh) | 一种心电信号特征波形r波的快速提取方法 | |
CN113796873B (zh) | 穿戴式动态心电信号分类方法及系统 | |
CN116611000B (zh) | 基于机器学习的大闸蟹养殖环境智能监测系统 | |
CN113974653B (zh) | 基于约登指数优化棘波检测方法和装置、存储介质和终端 | |
CN111870241B (zh) | 基于优化的多维样本熵的癫痫发作信号检测方法 | |
CN111887811B (zh) | 基于脑电信号特征的大脑异常放电检测方法及系统 | |
CN113729653A (zh) | 一种人体脉搏波信号采集方法 | |
CN113576472A (zh) | 一种基于全卷积神经网络的血氧信号分割方法 | |
CN106618486B (zh) | 智能辅助睡眠中的睡眠状态识别方法和系统 | |
CN112057068A (zh) | 一种癫痫病理数据分类方法、装置及存储介质 | |
Engel | Choosing an appropriate sample interval for instantaneous sampling | |
CN106333674A (zh) | 睡眠状态分析中睡眠周期检测方法和系统 | |
CN106175755B (zh) | 用于睡眠状态分析的睡眠状态检测器 | |
CN111855946B (zh) | 基于鱼类行为解析的水质分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |