一种昆虫刺吸电位波形的机器识别方法技术

本发明专利技术公开了一种昆虫刺吸电位波形的机器识别方法，所述方法包括首先对采集的EPG波形进行去噪预处理；然后分别提取EPG波形的分形维数特征和HHT特征，串联融合构成特征向量；最后用决策树对六种常用的EPG波形进行分类识别。本发明专利技术能有效地解决EPG波形一直靠人工识别的问题，缩短EPG信号的分析时间，促进EPG的高效利用及智能化发展。

【技术实现步骤摘要】
一种昆虫刺吸电位波形的机器识别方法
本专利技术涉及生物信号处理及识别
，是一种昆虫刺吸电位波形的机器识别方法。
技术介绍
刺吸式昆虫是世界农林生产上最重要且最难控制的害虫类别之一，多数植物病毒是由这类昆虫传播的，控制这类害虫及其所传播的植物病毒成为农业和植保领域的重要课题。刺吸电位(ElectricalPenetrationGraph，EPG)技术通过研究刺吸式昆虫的取食行为和植物抗性机制，从而为利用生态途径和植物抗性控制害虫奠定基础。EPG信号与昆虫的刺探行为、唾液分泌、取食等生理过程相对应，在利用EPG技术进行昆虫和植物的相关研究时，需要正确解读EPG波形，这些工作一直以来都是靠人工进行。EPG信号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分析，EPG信号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，很大程度上限制了EPG技术的推广应用，因此EPG波形的机器识别显得尤为迫切。EPG波形属于生物电信号，具有数据量大、幅度小、频率低、非线性和波形多样等特点，这给EPG信号的特征提取及分析识别带来了很大的困难。机器学习在ECG、EEG和EMG等人体生物电信号的自动识别、波形分类和疾病诊断等方面已做了大量的研究工作，也取得了丰硕的研究成果，然而在昆虫EPG信号的研究中尚属空白。
技术实现思路
本专利技术针对目前EPG波形一直靠人工识别的问题，提供了一种昆虫刺吸电位波形的机器识别方法。本专利技术所采用的技术方案如下：一种昆虫刺吸电位(EPG)波形的机器识别方法，包括以下步骤：(1)对EPG波形进行去噪预处理；(2)对预处理之后的EPG波形提取分形维数特征；(3)对预处理之后的EPG波形提取HHT特征；(4)融合分形维数特征和HHT特征，组建特征向量，用决策树进行分类识别。前述的步骤(2)中，提取盒维数和Hurst指数作为EPG波形的分形维数特征。前述的步骤(3)中，提取前2个IMF分量的谱质心和加权频率值，作为EPG波形的HHT特征。其中谱质心的定义为：式中N为信号长度，fi(j)和Ei(j)分别为第i个IMF分量的第j个采样点的瞬时频率和瞬时能量。加权频率的定义式为：式中N为信号长度，fi(j)和ai(j)分别为第i个IMF分量的第j个采样点的瞬时频率和幅值。前述的步骤(4)中，将分形维数和HHT特征串联融合成一个6维特征向量，进入决策树分类器，经过11步的剪枝完成分类。本专利技术方法能有效地解决EPG波形一直靠人工识别的问题，缩短EPG信号的分析时间，促进EPG的高效利用及智能化发展。附图说明图1是本专利技术一个实施例的蚜虫EPG波形的6条特征向量曲线；图2是本专利技术一个实施例的蚜虫EPG波形的决策树分类模型；图3是本专利技术一个实施例的蚜虫EPG波形四组测试样本分类效果的混淆矩阵；具体实施方式一、EPG波形的获取及预处理本专利技术选用荷兰生产的直流Giga-8EPG仪来获取EPG波形，该仪器的输入阻抗为109欧姆，A/D采集卡分辨率12位，8通道，采样频率100Hz。受试昆虫为桃蚜，植株为烟草(中烟一号品种)，EPG波形的获取实验在白天室温20℃下进行，受试蚜虫在饥饿1h后开始记录，记录时长为4h。对获取的EPG波形采用coif4小波阈值去噪法，去除工频干扰、放大电路内部噪声、昆虫的运动伪迹干扰以及基线漂移等等。二、EPG波形的分形维数特征提取EPG信号作为一种时间序列，分形维数能够对它的特征变化以及分布的复杂性、不规则性进行有效的刻画，因此可作为其有效特征。考虑到计算简单的原因，选取盒维数和Hurst指数。盒维数可用理解为在集合X中构造一些边长为δ的盒子，用它去覆盖集合X，统计不同δ值的盒子与X相交的盒子个数Nδ，然后根据Nδ与δ的关系求得集合X的盒维数。EPG信号的盒维数取值在1～2，波形越复杂盒维数越大。Hurst指数H是自相似性度量的无量纲估计，通常用来表征时间序列很长范围内的相关性。如果H＝0.5，说明时间序列是不相关的或者在很短时间范围内相关；如果H＞0.5，则时间序列具有显著的正相关性，且是持久的；如果H＜0.5，时间序列也具有长期的相关性，但总体趋势与之前的相反，即反持久性。在估计Hurst指数时，常用的方法为R/S分析法(又叫重标极差法)。对于一个时间序列X(n)，将其分成若干个长度为N的等长子区间，对每个子区间重复计算得到Hurst指数序列。三、EPG波形的HHT特征提取HHT由经验模态分解(EmpiricalModeDecomposition，EMD)和希尔伯特变换(HilbertTransform)两部分组成。HHT先对信号进行EMD，得到若干IMF分量之和，通过对每个IMF分量进行Hilbert变换得到信号的瞬时频率和幅值，进而可得到信号完整的Hibert谱。为了减小计算量，在利用HHT进行EPG特征提取时，采用谱质心和加权频率这个两个参数组建特征向量。谱质心是信号中频率成分分布的中心，是在一定频率范围内通过能量的加权平均所求得的频率值，它能体现频率分布和能量分布的重要信息，可作为描述信号特征的一个参数。谱质心的定义为：式中N为信号长度，fi(j)和Ei(j)分别为第i个IMF分量的第j个采样点的瞬时频率和瞬时能量。对于非平稳信号而言，频率是随时间变化的，加权频率的定义式为：式中N为信号长度，fi(j)和ai(j)分别为第i个IMF分量的第j个采样点的瞬时频率和幅值。由于信号的内在特征主要体现在前几个IMF分量上，最后几个分量包含低频成分，幅值累计较小，包含信息量少，因此提取前2个IMF分量的谱质心和加权频率值，组成HHT的特征向量。四、EPG波形的特征向量组建在对EPG波形进行分类的实验中，对np、C、pd、E1、E2和G波共6种波形进行分类识别，选用基于分形维数和HHT的6个特征组成特征向量Fea＝[FBHSC1SC2Wf1Wf2]，其中：FB代表分形盒维数；H代表Hurst指数；SC1代表1层谱质心；SC2代表2层谱质心；Wf1代表1层加权频率；Wf2代表2层加权频率。图1给出了6种EPG波形各100个样本的特征值曲线，从图中可以看出，G波的FB、SC2和Wf2特征值比较集中，pd波的H值较集中，np波的Wf1跟其它波形无交叉，易于区分。这些特征值将作为决策树分类器的输入向量，分类器的输出即为6种EPG波形。五、EPG波形的机器识别在目前生物电信号的机器识别中，常用的分类器有神经网络、支持向量机、决策树等等。综合考虑参数设置、识别率和耗时等因素，在EPG波形的识别中本专利技术采用了决策树作为分类器。对EPG波形的分类识别中本文档来自技高网...

【技术保护点】
1.一种昆虫刺吸电位波形的机器识别方法，其特征在于，包括以下步骤：/n(1)对EPG波形进行去噪预处理；/n(2)对预处理之后的EPG波形提取分形维数特征；/n(3)对预处理之后的EPG波形提取HHT特征；/n(4)融合分形维数特征和HHT特征，组建特征向量，用决策树进行分类识别。/n

【技术特征摘要】
1.一种昆虫刺吸电位波形的机器识别方法，其特征在于，包括以下步骤：
(1)对EPG波形进行去噪预处理；
(2)对预处理之后的EPG波形提取分形维数特征；
(3)对预处理之后的EPG波形提取HHT特征；
(4)融合分形维数特征和HHT特征，组建特征向量，用决策树进行分类识别。


2.根据权利要求1所述的方法，其特征在于，所述的步骤(2)中，提取盒维数和Hurst指数作为EPG波形的分形维数特征。


3.根据权利要求1所述的方法，其特征在于，所述的步骤(3)中，提取前2个IM...

【专利技术属性】
技术研发人员：吴莉莉，邢玉清，林爱英，潘建斌，闫凤鸣，卢少华，
申请(专利权)人：河南农业大学，
类型：发明
国别省市：河南;41