Microsoft Word - _ _21 bhj 咴蔛蔛 _信憯＋å⁄ºäº„怡怸；-9页-_åł¾2å⁄ºå½©åł¾_-艱æŒ⁄已粟.doc

Transcription

1 第 34 卷第 24 期农业工程学报 Vol.34 No 年 12 月 Tranacton of the Chnee Socety of Agrcultural Engneerng Dec 基于分形维数和 HHT 的蚜虫刺吸电位波形机器识别 吴莉莉 1, 贾树恒 1, 邢玉清 1, 卢少华 2, 潘建斌 1, 闫凤鸣 (1. 河南农业大学理学院, 郑州 452; 2. 河南农业大学植物保护学院, 郑州 452) 2 摘要 : 昆虫刺吸电位 (electrcal penetraton graph,epg) 技术在研究刺吸式昆虫取食行为 昆虫与植物的关系 昆虫传毒机制 作物抗虫机制等方面得到了广泛的应用, 然而 EPG 信号的识别和分析一直是靠人工进行, 亟需波形自动识别系统以提高分析效率 刺吸式昆虫取食植物时, 产生的 EPG 波形跟昆虫和植物的种类有关, 不同类别的刺吸式昆虫 EPG 波形差别很大, 即使是同种类型的 EPG 波形其幅值和频率间也会有差异, 这给 EPG 波形的机器识别带来了困难 该文以蚜虫的 EPG 信号为研究对象, 对 np 波 pd 波 E1 波 E2 波 G 波 C 波和 F 波的特征提取和分类识别进行了研究, 提出了一种基于分形维数 希尔伯特 - 黄变换 (hlbert-huang tranform,hht) 和决策树的 EPG 波形识别方法 首先对 EPG 仪器采集得到的信号进行去噪预处理, 分别提取分形维数和 HHT 共 1 维特征, 组成不同维数的特征向量进入决策树分类器进行对比试验 试验结果表明, 可采用分形盒维数 Hurt 指数 前 2 层的谱质心和加权频率融合的 6 维特征向量获得较高的识别率 在 EPG 波形的机器识别中采用 6 维特征向量输入的决策树进行分类, 通过对 4 组不同样本进行测试, 得到了 92.14% 89.29% 95% 和 89.29% 的识别率, 平均识别率为 91.43% 研究结果表明该文提出的基于分形维数和 HHT 的特征提取方法以及构建的决策树分类器具有一定的可行性, 可为研发 EPG 信号自动识别分析系统提供理论参考 关键词 : 昆虫 ; 分形维数 ; 特征提取 ; 刺吸电位波形 ; 希尔伯特 - 黄变换 ; 决策树 ; 分类 do: /j.n 中图分类号 :TP391; TN 文献标志码 :A 文章编号 : (218) 吴莉莉, 贾树恒, 邢玉清, 卢少华, 潘建斌, 闫凤鸣. 基于分形维数和 HHT 的蚜虫刺吸电位波形机器识别 [J]. 农业工程学报,218,34(24): do: /j.n Wu Ll, Ja Shuheng, Xng Yuqng, Lu Shaohua, Pan Janbn, Yan Fengmng. Machne dentfcaton of electrcal penetraton graphc waveform of aphd baed on fractal dmenon and Hlbert-Huang tranform[j]. Tranacton of the Chnee Socety of Agrcultural Engneerng (Tranacton of the CSAE), 218, 34(24): (n Chnee wth Englh abtract) do: /j.n 引言 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 (electrcal penetraton graph,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 [1] 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 Probng 系列软件的发展 [2], 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 收稿日期 : 修订日期 : 基金项目 : 国家自然科学基金资助项目 ( ); 河南省科技攻关计划 项目 ( ); 河南省高等学校重点科研项目 (18A5112); 河南 农业大学自然科学类青年创新基金项目 (KJCX218A2) 作者简介 : 吴莉莉, 博士, 副教授, 主要从事生物信号处理 模式识别等研 究 Emal:wllzju@126.com 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 生物电信号是一个时间序列, 分形理论能对它的不规则度进行有效的刻画, 揭示信号的局部在某一方面表现出与整体的相似性, 信号的分形维数 ( fractal dmenon,fd) 能反映信号几何形态的复杂度 基于分形维数的特征提取方法在心电 脑电等生物电信号中受 [3] 到了广泛关注 例如 : 王玉等采用了基于毯子维的分形截距特征作为分类特征, 有效地区分了癫痫脑电与间歇期脑电, 分类检测的准确率达到 96% 以上 André LV. [4] Coelho 等采用了 FD 作为肌电信号的特征,Maryam [5] Hamd 等在采用了 FD 作为心音信号的特征, 均取得较好的分类效果 生物电信号本质上都是非线性和非平稳的, 因此非线性信号处理技术更适合处理这类信号 希尔伯特 - 黄变换 (Hlbert-Huang tranform,hht) 作为分析时变非平稳信号的有力工具, 把非线性信号变换分解为多个单一模式信号, 根据信号本身自适应的选取变换基底, 因此更能从本质上对生物电信号进行分解 近年来在心电 脑电等生物电信号的特征提取和去噪中都得到了广泛应 [6] 用 例如 : 杨鹏圆等对情感脑电信号提取了 HHT 的特 [7] 征识别愉悦度, 梅婉欣等采用 HHT 特征辨别不同阅读

2 176 农业工程学报 ( 218 年 [8] 模式下的脑电信号,Sule Yücelba 等采用了 HHT 对心电信号进行特征提取, 识别了唤醒 非快速眼球转动和快速眼球转动 3 个睡眠阶段 机器学习在心电 脑电和肌电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 [9-11], 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 本文在尝试了时域 频域和时频特征提取方法之后, 经过多次试验对比分类效果, 提出了基于分形维数和 HHT 融合的特征提取方法, 利用决策树实现 EPG 波形的分类识别, 以期为 EPG 信号自动识别分析系统的研发奠定理论基础, 缩短 EPG 信号的分析时间, 促进 EPG 的高效利用及智能化发展 1 EPG 信号分析的常用波形 EPG 信号的生物学意义是分析昆虫刺吸行为的基础, 利用 EPG 无论进行何种目的的研究, 都需要准确判别各类波形的生物学意义 刺吸式昆虫取食植物时, 产生的 EPG 信号跟昆虫和植物的种类有关, 不同类别的刺 吸式昆虫 ( 例如蚜虫 叶蝉 绿盲蝽等 ) 其 EPG 信号差异很大 蚜虫是最早应用 EPG 技术研究其刺吸行为的昆虫, 也是研究最深入的, 结合透射电镜 同位素示踪 口针切割等技术, 已明确了蚜虫的 8 种基本波形及其生物学意义 [12] 这 8 种波形分别为 np 波 ( 非刺探波, 此时蚜虫口针未刺入植物表皮内, 波形几近直线 ) A B C 波 ( 路径波,A 波总伴随着水溶性唾液的分泌 ;B 波在 A 波之后, 伴随着凝胶型唾液的分泌, 此时蚜虫的口针位于表皮及薄壁组织内 [13-14] ;B 波之后 C 波出现, 二者没有截然的界限,C 波是 EPG 信号中最复杂的波形, 此时蚜虫的口针位于表皮与微管束之间, 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 ) pd 波 ( 口针穿刺波, 反映了蚜虫口针刺破细胞膜时所测的膜内外电位差 ) E 波 (E 波反映了口针刺探韧皮部筛管的过程, 可分为 El 波 ( 韧皮部分泌唾液波 ) 和 E2 波 ( 韧皮部取食波 )) G 波 ( 木质部取食波 ) 和 F 波 ( 机械障碍波 ), 如图 1 所示, 该波形由 EPG 系统的使用手册提供, 作为判读各种波形的参考样本 注 :np 代表 np 波,A 代表 A 波,B 代表 B 波,C 代表 C 波,pd 代表 pd 波,F 代表 F 波 下同 Note: np repreent no penetraton wave, A repreent A wave, B repreent B wave, C repreent C wave, pd repreent penetraton drop wave, F repreent F wave. The ame below. 图 1 蚜虫取食时的 EPG 波形 Fg.1 EPG waveform of aphd feedng 在利用 EPG 波形进行昆虫取食行为 植物抗性或传毒机制研究时, 通常需要先人工识别出上述几种波形, 再统计分析各个波形的参数指标 2 EPG 波形的获取和预处理 试验中选用荷兰生产的直流 Gga-8 EPG 仪来获取 EPG 波形, 该仪器的输入阻抗为 1 9 欧姆,A/D 采集卡分辨率 12 位,8 通道, 采样频率 1 Hz 受试昆虫为桃蚜, 长期隔离饲养于温室内的健康烟草上, 饲养条件为 : 温度 25, 相对湿度 7%, 光周期 14 h:1 h( 光照时间 : 黑暗时间 ), 选用无翅成蚜进行试验 受试植株为烟草 ( 中烟一号品种 ), 种于人工气候箱中的花盆内, 每 3 d 浇 1 次蒸馏水, 隔 21 d 浇 1 次营养液, 不施用任何农药 培养环境为 : 温度 25, 相对湿度 7%, 光周期 14 h:1 h ( 光照时间 : 黑暗时间 ), 选取同一生长状态的 4~6 叶期的植株进行试验 EPG 波形的获取试验在白天室温 2 下进行, 受试蚜虫在饥饿 1 h 后开始记录, 记录时长为 4 h EPG 信号在采集过程中, 不可避免受到噪声的干扰, 这些噪声来源于 EPG 仪器和昆虫, 主要有工频干扰 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, 为了能准确地提取 EPG 信号的特征, 在分析前必须剔除这些干扰因素, 对信号进行预处理, 具体实施过程参见文献 [15] 3 EPG 波形的特征提取 EPG 的各种波形形态特征差异很大, 即使同种波形, 其幅值 频率和波形走向也有所不同, 要找到一种通用的特征提取方法适合所有的波形难度很大, 本文拟采用基于分形维数和 HHT 的融合特征构建特征向量, 对 np C pd E1 E2 G 和 F 波共 7 种波形进行分类识别 3.1 分形维数特征提取常用的分形维数主要包括 :Haudorff 维数 盒维数 自相似维数 Hurt 指数 信息维数和关联维数等 EPG 信号作为一种时间序列, 分形维数能够对其特征变化以

3 第 24 期吴莉莉等 : 基于分形维数和 HHT 的蚜虫刺吸电位波形机器识别 177 及分布的复杂性 不规则性进行有效刻画, 考虑到计算量, 本文选取盒维数和 Hurt 指数 盒维数设 X 是 R n 上的任意非空有界子集,N (X) 是直径最大为 [16-2] 可以覆盖 X 集合的最少个数, 则 X 的盒维数定义为 F B lg N X lm (1) lg 1 实际应用中无法按照式 (1) 定义的极限求解, 本文采用近似计算方法, 在离散信号 X(n) 的无标度区内, 用一系列方形的网格进行覆盖, 以 网格为基准, 逐步放大到 k 网格, 得到各尺度下有效覆盖的网格个数 N k, 再用最小二乘法得到 logk logn k 的拟合直线, 其斜率就是离散信号 X(n) 的分形盒维数 F B 计算结果表明 EPG 信号的盒维数取值范围在 1~2, 波形越复杂盒维数越大 Hurt 指数 Hurt 指数 ( 用 H 表示 ) 是自相似性度量的无量纲估计 [4], 通常用来表征时间序列很长范围内的相关性 如果 H=.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>.5, 则时间序列具有显著的正相关性, 且是持久的 ; 如果 H<.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 Hurt 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 Hurt 指数序列 Hurt 指数可由式 (2) 计算出 lg R N = H lg N C (2) S N 式中 C 为常数,R/S 为重标极差, 用最小二乘法对 lg R N S N 与 lgn 作回归, 回归直线的斜率就是 Hurt 指数 H 的估计值 [21-23] 试验中, 在对 EPG 做特征提取时, 以 1 长的数据为 1 个样本 ( 即每个样本含有 1 个数据点 ), 每种波形选用 1 个样本 对 7 种波形各 1 个样本分别计算盒维数和 Hurt 指数, 组成特征向量 为了便于观察, 求取每种波形 1 个样本的盒维数和 Hurt 指数均值, 如表 1 所示 表 1 EPG 波形的分形维数 Table 1 Fractal dmenon of EPG waveform 波形 Waveform 盒维数 Box dmenon Hurt 指数 Hurt exponent np 波 No penetraton wave pd 波 Penetraton drop wave E1 波 E1 wave E2 波 E2 wave G 波 G wave C 波 C wave F 波 F wave 由表 1 可见, 在盒维数特征中 E2 波和 C 波的值较接近, 在 Hurt 指数特征中 E1 波和 C 波的值较接近, 其余波形的分形维数特征差异明显, 可作为区分类别的特征 对于特征值较接近的波形, 分形维数特征不易区分, 因此还需融合其他特征来识别 3.2 HHT 特征提取 HHT 的基本原理 HHT 由经验模态分解 ( emprcal mode decompoton,emd) 和希尔伯特变换 (hlbert tranform) [18] 两部分组成 HHT 先对信号进行 EMD, 得到若干本征模态函数 (ntrnc mode functon,imf) 之和 [24], 通过对每个 IMF 分量进行 Hlbert 变换得到信号的瞬时频率和幅值, 进而可得到信号完整的 Hbert 谱 [25-27] 对任意信号 x(t) 进行 EMD 的步骤如下 : 1) 找出信号 x(t) 中所有局部极值点, 用三次样条函数拟合形成信号的上 下包络线 ; 2) 计算上线包络线的均值, 求出信号 x(t) 与均值的差值 h(t); 3) 判断 h(t) 是否满足 IMF 的条件, 若不满足, 把 h(t) 作为原始信号, 重复步骤 1)~2), 直至满足条件 把 h(t) 作为信号 x(t) 中满足 IMF 条件的第 1 个分量, 求出信号 x(t) 与第 1 个 IMF 分类的差值 r(t); 4) 将 r(t) 作为新的原始信号, 重复步骤 1)~3), 循环 n 次, 得到信号 x(t) 的 n 个满足 IMF 条件的分量 当剩余分量 r n (t) 变为单调函数, 从中不能再筛选出新的 IMF 分量时循环结束 此时信号 x(t) 可分解为 n 个 IMF 分量和 1 个剩余分量之和, 如式 (3) 所示 n x( t) c ( t) rn ( t) (3) 式中 c ( t ) 是信号 x( t ) 中满足 IMF 条件的第 n 个分量 由上述分析可以看出,EMD 最先分解出高频分量, 而后依次分解出低频分量, 对每个分量进行 Hlbert 变换, 计算瞬时频率和幅值, 按式 (4) 可以重构原信号 x(t) 的解析式 1 n x( t)= Re a t exp t dt 1 (4) 式中 a (t) 和 (t) 分别是第 个 IMF 分量的幅值函数和瞬时角频率函数, 符号 Re 代表取实部 若将幅值表示为时间和频率的函数, 则可得到幅值的时间 - 频率分布谱, 即 Hlbert 谱 谱质心和加权频率谱质心是信号中频率成分分布的中心, 作为描述信 [28] 号特征的一个参数, 谱质心的定义为 SC M j1 M j1 f ( j) E ( j) E ( j) (5) 式中 M 为信号长度,f (j) 和 E (j) 分别为第 个 IMF 分量的

4 218 年 农业工程学报 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 M Wf a ( j) f j 1 M a ( j) f j 1 2 ( j) ( j) 6 式中 a(j)为第 个 IMF 分量的第 j 个采样点和幅值 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 Table 2 波形 Waveform 成 HHT 的特征向量 表 2 给出了 7 种波形各 1 个样本前 4 层的谱质心和加权频率均值 由表 2 可以看出在加权频率 的特征值中 第 1 层的 E2 波和 G 波最为接近 差值为.17 第 2 层的 pd 波和 C 波最为接近 差值为.1 第 3 层和 第 4 层都是 C 波和 F 波最为接近 差值为.1 在谱质心 的特征值中 第 1 层的 E2 波和 C 波 G 波和 F 波差值均为.4 第 2 层的 pd 波和 E2 波差值为.2 第 3 层的 E2 波 和 C 波 差值为.1 而第 4 层的 pd 波和 C 波完全相同 差值为 这说明各个波形间的特征值差异会随层数增多而 减小 特征值并不是选得越多越好 显然第 3 4 层的 HHT 特征对波形的分类识别没有益处 表 2 EPG 波形的 HHT 特征 Hlbert-huang tranform charactertc of EPG waveform 加权频率 Weghted frequency 谱质心 Spectral centrod 第1层 第2层 第3层 第4层 第1层 第2层 第3层 第4层 np 波 No penetraton waveform pd 波 Penetraton drop waveform E1 波 E1 waveform E2 波 E2 waveform G 波 G waveform C 波 C waveform F 波 F waveform EPG 波形的特征向量 在对 EPG 波形进行分类的试验中 选用基于分形维 数和 HHT 的 6 个特征组成特征向量 Fea=[FB H SC1 SC2 Wf1 Wf2] 其中 FB 代表盒维数 H 代表 Hurt 指 数 SC1 代表第 1 层谱质心 SC2 代表第 2 层谱质心 Wf1 代表第 1 层加权频率 Wf2 代表第 2 层加权频率 图 2 给 Fg.2 出了 7 种 EPG 波形各 1 个样本的特征值分布 从图中 可以看出 G 波和 F 波的 FB SC2 和 Wf2 特征值一致性 较好 比较集中 pd 波的 H 值较集中 np 波的 SC2 Wf1 和 Wf2 跟其他波形无交叉 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 7 种 类别的 EPG 波形 图 2 EPG 波形的特征值分布 Charactertc value dtrbuton of EPG waveform

5 第 24 期吴莉莉等 : 基于分形维数和 HHT 的蚜虫刺吸电位波形机器识别 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, 本文采用决策树作为分类器 4.1 决策树分类器的构建对 EPG 波形的分类识别中拟采用 C4.5 算法来生成决策树 C4.5 算法是 ID3 算法的改进算法, 在决策树的构造过程中, 最关键的 2 个步骤是用信息增益率来选择属性和用后剪枝法对决策树的训练集进行剪枝 [29] 在 C4.5 算法中将决策树看作是含有分类标签的信息源, 设训练集为 S, 样本类别标号为 C (=1,2 n),n 为 [3-31] 训练集中的类别数量, 此时训练集的信息熵为 n Entr( S) log2 1 (7) 假设属性特征为 A, 令 S={S 1,S 2,,S v }, 其中 v 为属性 A 包含不同值的数目 样本集在属性 A 上的信息增益为 v j Entr( S, A) Entr( S) (8) 信息增益率是用信息增益和分裂信息量共同定义的, 即 j1 Entr( S, A) GanRato( S, A) (9) SpI( S, A) 其中分裂信息量的定义为 SpI ( S, A) log c 2 1 (1) 信息增益率表示了由分支产生的有用信息的比率, 该值越大, 分支包含的有用信息就越多 EPG 波形机器识别的决策树分类规则如图 3 所示, 该决策树经过 1 步的剪枝完成 EPG 各波形的分类 由于 np 波的特征值 Wf 1 跟其他波形无交叉,F 波的 F B 和 Wf 2 特征值比较集中, 所以在决策树中前 2 个分类特征用 F B 和 Wf 1 将 np 波和 F 波首先区分开来 图 3 中先根据式 (9) 计算所有样本特征的信息增益率, 选择最大的信息增益率对应的属性, 标记为根节点, 即图中的 F B 1.67, 在 F B 的值域范围内产生相应的分支, 各分支节点 ( 也就是叶子节点 ) 的数值就是该候选属性的最大信息增益率 4.2 识别结果与分析在对 EPG 的 7 种波形做分类时, 从 EPG 仪器的 8 个通道中随机选取 4 个通道的 EPG 信号, 作为试验的 4 组样本 每组样本的 EPG 信号时长取 7, 即每组样本的数目为 7 个, 其中训练样本 56 个, 测试样本 14 个 为了说明选用分形维数和 HHT 融合特征的有效性, 试验中采用决策树作为分类器对比了不同特征向量维数的正确识别结果, 如表 3 所示 表 3 中识别率的计算方法如式 (11) 所示 [32] K TP TN 1 TP FP TN FN Accuracy 1% (11) K 式中 K 是用于训练的样本集数目,TP 为正确肯定 ( 实际 是正例, 识别为正例 ),TN 为正确否定 ( 实际是负例, 识别为负例 ),FP 为错误肯定 ( 实际是负例, 识别为正例 ),FN 为错误否定 ( 实际是正例, 识别为负例 ), 即识别率为正确识别样本个数与总体样本个数的百分比 注 :F B 代表分形盒维数,H 代表 Hurt 指数,SC 1 代表第 1 层谱质心,SC 2 代表第 2 层谱质心,Wf 1 代表第 1 层加权频率,Wf 2 代表第 2 层加权频率 Note: F B repreent box dmenon, H repreent Hurt exponent, SC 1 repreent weghted frequency of the frt layer, SC 2 repreent weghted frequency of the econd layer, Wf 1 repreent pectral centrod of the frt layer, Wf 2 repreent pectral centrod of the econd layer. Fg.3 Table 3 图 3 EPG 波形的决策树分类模型 Decon tree clafcaton model for EPG waveform 特征 Feature 仅分形维数特征 (2 个 ) Only fractal dmenon feature (2) 仅 HHT 特征 (4 个 ) Only HHT feature (4) 融合特征 (6 个 ) Fuon feature (6) 融合特征 (8 个 ) Fuon feature (8) 融合特征 (1 个 ) Fuon feature (1) 表 3 不同特征向量识别率比较 Comparon of recognton rate of dfferent feature vector 第 1 组 No.1 group 识别率 Recognton rate/% 第 2 组 No.2 group 第 3 组 No.3 group 第 4 组 No.4 group 平均值 Average value/% 表 3 中 4 个 HHT 特征向量组成为第 1 2 层的谱质心和加权频率 ; 融合特征 8 个的特征向量组成为 : 分形盒维数 Hurt 指数 第 层的谱质心和加权频率 ; 融合特征 1 个的特征向量组成为 : 分形盒维数 Hurt 指数 第 层的谱质心和加权频率 由表 3 可知用 6 个融合特征是最佳组合,4 组的识别率分别为

6 92.14% 89.29% 95%和 89.29% 平均值为 91.43% 均高 于采用 8 个和 1 个融合特征的识别率 分析表 3 中识别率差异较大的原因主要有 2 方面 一方面是试虫的个体差异 即使是同种 EPG 波形 幅值 如图 4a 4b 4c 和 4d 所示的 E1 E2 波 频率 如 Fg.4 表 4 机器识别与人工识别的性能比较 Clafcaton performance comparon between machne and manual recognton 识别率 Rcognton rate/% 测试组 Tet group 机器 人工识别 1 人工识别 2 识别 耗时 Conumed tme/ 机器 人工识别 1 人工识别 2 识别 平均 Average 由表 4 可以看出 2 组人工识别的识别率均高于机器 识别 人工识别的平均识别率为 99.11% 机器识别的平 均识别率为 91.43% 但人工的耗时明显要长于机器识别 机器识别的平均耗时为 而人工的平均耗时为 机器识别的正确率比人工识别低了 7.68 个百分 点 在可接受范围内 但耗时仅为人工识别的 1/46 极 Table 5 波形 Waveform np 波 No penetraton waveform pd 波 Penetraton drop waveform E1 波 E1 waveform E2 波 E2 waveform G 波 G waveform C 波 C waveform F 波 F waveform 图 4a 和 4b 所示的 E1 波 或波形走向 如图 4c 和 4d 所 示的 C 波 也差别较大 使得提取的特征值分散 不易 区分 另一方面是试验中采用的为有监督学习 识别结 果与训练样本的选取关联很大 如果训练样本的波形跟 测试样本差别较大 会出现识别率较低的情况 图 4 同种类型的波形差异对比 Dfference comparon of ame type waveform 表 4 给出了采用 6 个融合特征时机器识别与人工识 别对比结果 人工识别由 2 人分别完成 其中一人从事 过 2 a 的 EPG 波形研究 经验丰富 另一人为初学者 在操作之前进行 2 h 的 EPG 波形学习 Table 年 农业工程学报 18 大地提高了工作效率 后续研究可以通过优化分类器 集成学习等方法进一步提高识别率 为了明确分类效果 表 5 给出了 4 组测试样本的混 淆矩阵均值 在混淆矩阵中 对角线元素表示各波形能 被决策树正确识别的百分比 非对角线元素表示发生错 误判断的百分比 从表 5 中可以看出 np 波 E1 波和 G 波能准确无误地识别 F 波的识别率为 97.5% 部分 F 波 会错判为 pd 波和 G 波 这与提取的第 1 层谱质心的特征 有关 F 波和 G 波的特征值最为接近 pd 波的识别率 为 92.5% 会错判为 E1 E2 和 C 波 而 E2 波和 C 波的 识别率较低 易发生误判 E2 波判为 C 波的错误率为 15% C 波判为 E2 波的错误率为 16.25% 这是因为提取 的多个特征值 如盒维数 第 1 2 层谱质心和第 2 层加 权频率 差异不明显 np 波为非刺探波 此时昆虫还未 取食 所以波形很好判定 E1 波 G 波和 F 波为准周期 的信号 易于区分 一个完整的 pd 波中有明显的下降和 上升 也易于识别 而 C 波是所有波形中最为复杂的波 通常含有 A 波 B 波和一些不能识别的波 波形走向复 杂多样 不易选取有代表性的特征 容易和其他波形混 淆 E2 波是刺吸口器昆虫在韧皮部取食时产生的波形 通常在 E1 波发生之后出现 一般为负电位 可以通过增 加时域幅值特征来加以区分 表 5 4 组测试样本识别率的混淆矩阵均值 Mean confuon matrx of recognton rate for 4 group tet ample np 波 No penetraton waveform 1 pd 波 Penetraton drop waveform E1 波 E1 waveform E2 波 E2 waveform G波 G waveform C波 C waveform F波 F waveform 97.5

7 第 24 期吴莉莉等 : 基于分形维数和 HHT 的蚜虫刺吸电位波形机器识别 讨论 EPG 波形一直以来都是靠人工识别, 机器学习在 EPG 领域进展得比较缓慢, 这与 EPG 波形的复杂程度也有一定关系 在 EPG 的波形中,C 波是最为复杂的, 不仅包含有 A 波和 B 波, 甚至一些不能定义的波形也归为其中 A 波出现于蚜虫口针刚刚刺入植物的叶面组织, 与其他波相比, 幅度最大,B 波紧随 A 波之后, 随着唾液鞘的不断固化, 导电性会起伏不定, 所以波形会忽高忽低, 同时慢慢过渡到 C 波, 而通常在记录数据中, 多为 B 波和 C 波叠加后的复合波形 因此 C 波的波形走向复杂多样, 在识别时容易出错 虽然 E1 波和 E2 波比较规律, 但是不同的试虫因个体差异, 得到的波形也会出现幅值和频率上的差异 这些都给 EPG 波形的机器识别带来了困难 本文仅基于分形维数和 HHT 的非线性特征对 EPG 波形的决策树分类识别作了初步探讨, 还有很多工作待进一步完善 :1) 目前仅仅识别了 7 种波形, 在传毒应用中, 还有会 E1+E2 波, 这部分的波形识别还需考虑 ; 2) 文中仅提取了盒维数和 Hurt 指数作为分形维数特征, 增加其他分形维数特征是否可以提高识别率, 有待于验证 ;3) 融合其他特征如非线性熵特征, 小波时频特征等, 寻找能代表各个波形的最佳分类特征 ;4) 采用其他分类器, 如极限学习机, 随机森林算法 集成学习等是否可以获得更高的识别率, 还需要进一步试验验证 6 结论 为实现 EPG 波形的机器识别, 本文以蚜虫的 EPG 信号为例, 对 np 波 pd 波 E1 波 E2 波 G 波 C 波和 F 波的特征提取和分类识别进行了研究, 提出了融合分形维数和 HHT 的特征提取方法, 构建了基于决策树的分类器, 通过对 4 组不同样本进行测试, 得到了 92.14% 89.29% 95% 和 89.29% 的识别率 试验中对 EPG 的 7 种波形进行了分形维数和 HHT 的非线性特征提取, 分别将 2 维 4 维 6 维 8 维和 1 维特征向量进入决策树进行分类识别, 试验结果表明,6 维的特征向量 ( 即分形盒维数 Hurt 指数 第 1 2 层的谱质心和加权频率 ) 得到的识别率最高, 平均为 91.43%; 增加特征维数并不一定能提高识别率 [ 参考文献 ] [1] 闫凤鸣, 王满囷. 昆虫刺吸电位技术及其应用 [M]. 郑州 : 河南科学技术出版社,217:9-41. [2] Adame-Carreño F, Muñoz-Gutérrez C, Salna-Cornejo J, et al. A2EPG: A new oftware for the analy of electrcal penetraton graph to tudy plant probng behavour of hempteran nect[j]. Computer and Electronc n Agrculture. 215, 113(4): [3] 王玉, 周卫东, 李淑芳, 等. 脑电信号的分形截距特征分 析及在癫痫检测中的应用 [J]. 中国生物医学工程学报, 211,3(4): Wang Yu, Zhou Wedong, L Shufang, et al. Fractal ntercept analy of EEG and t applcaton for ezure detecton[j]. Chnee Journal of Bomedcal Engneerng, 211, 3(4): (n Chnee wth Englh abtract) [4] André L V Coelho, Clodoaldo A M Lma. Aeng fractal dmenon method a feature extractor for EMG gnal clafcaton[j]. Engneerng Applcaton of Artfcal Intellgence, 214, 36 (11): [5] Maryam Hamd, Haan Ghaeman, Maryam Iman. Clafcaton of heart ound gnal ung curve fttng and fractal dmenon[j]. Bomedcal Sgnal Proceng and Control, 218, 39 (1): [6] 杨鹏圆, 李海芳, 陈东伟. Hlbert-Huang 变换在情感脑电特征提取中的应用 [J]. 计算机工程与设计,214,35(7): Yang Pengyuan, L Hafang, Chen Dongwe. Applcaton of Hlbert-Huang tranform n emoton EEG feature extracton[j]. Computer Engneerng and Degn, 214, 35(7): (n Chnee wth Englh abtract) [7] 梅婉欣, 徐莹, 柯大观. 基于 HHT 的脑电信号在不同阅读模式下的识别与分类 [J]. 传感技术学报,216,29(1): Me Wanxn, Xu Yng, Ke Daguan. Recognton and clafcaton of EEG gnal n readng mode baed on hlbert-huang tranformaton[j]. Chnee Journal of Senor and Actuator, 216, 29(1): (n Chnee wth Englh abtract) [8] Sule Yücelba, Cüneyt Yücelba, Gülay Tezel, et al. Automatc leep tagng baed on SVD, VMD, HHT and morphologcal feature of ngle-lead ECG gnal[j]. Expert Sytem Wth Applcaton, 218, 12 (7): [9] Deng M Q, Wang C, Tang M, et al. Extractng cardac dynamc wthn ECG gnal for human dentfcaton and cardovacular deae clafcaton[j]. Neural Network: the offcal journal of the Internatonal Neural Network Socety, 218, 1 (4): [1] Su K M, Davd Harton W, Robbn K. EEG-annotate: Automated dentfcaton and labelng of event n contnuou gnal wth applcaton to EEG[J]. Journal of Neurocence Method, 218, 293 (1): [11] Satapathy S K, Dehur S, Jagadev A K. EEG gnal clafcaton ung PSO traned RBF neural network for eplepy dentfcaton[j]. Informatc n Medcne Unlocked, 217, 6 (1): [12] 荆裴, 白素芬, 刘芳. 常见植食性刺吸式昆虫取食行为的 EPG 波形分析研究进展 [J]. 中国植保导刊,213,33(4): Jng Pe, Ba Sufen, Lu Fang. Reearch progre on EPG waveform type analy on the feedng behavor of common

8 182 农业工程学报 ( 218 年 percng-uckng nect[j]. Chna Plant Protecton, 213, 33(4): (n Chnee wth Englh abtract) [13] Tmothy A. Ebert, Elane A. Backu, Mguel Cd, et al. A new SAS program for behavoral analy of electrcal penetraton graph data[j]. Computer and Electronc n Agrculture, 215, 116 (8):8-87. [14] Tjallng W F. Salvary ecreton by aphd nteractng wth proten of phloem wound repone[j]. Journal of Expermental Botany, 26, 4 (11): [15] 吴莉莉, 贾树恒, 邢玉清, 等. 基于小波变换的昆虫刺吸电位 (EPG) 信号去噪研究 [J]. 传感技术学报,217, 3(12): Wu Ll, Ja Shuheng, Xng Yuqng, et al. Study of nect electrcal penetraton graph (EPG) gnal denong baed on wavelet tranform[j]. Chnee Journal of Senor and Actuator, 217, 3(12): (n Chnee wth Englh abtract) [16] Lope R, Betroun N. Fractal and multfractal analy: A revew[j]. Medcal Image Analy, 29, 13 (4): [17] Amt K. Mhra, Shantanu Raghav. Local fractal dmenon baed ECG arrhythma clafcaton[j]. Bomedcal Sgnal Proceng and Control, 21, 5 (2): [18] Ma Yan, Sh Wenbn, Peng Chung-kang, et al. Nonlnear dynamcal analy of leep electroencephalography ung fractal and entropy approache[j]. Sleep Medcne Revew, 218, 37(2): [19] Xong Gang, Zhang Shunng, Yang Xaonu. The fractal energy meaurement and the ngularty energy pectrum analy[j]. Phyca A, 212, 391(24): [2] 曹乐平. 基于周长面积分形维数的柑橘品种机器识别 [J]. 农业工程学报,21,26(2): Cao Lepng. Machne recognton of ctru varety baed on the fractal dmenon of permeter-area[j]. Tranacton of the Chnee Socety of Agrcultural Engneerng (Tranacton of the CSAE), 21, 26(2): (n Chnee wth Englh abtract) [21] 杨德贺, 王秀英, 申旭辉, 等. 基于 Hurt 指数与盒维数的钻孔应变数据变化特征分析 [J]. 科学技术与工程, 217,17(34): Yang Dehe, Wang Xuyng, Shen Xuhu, et al. Analye on charactertc of borehole tran data varaton ung hurt ndex and fractal Box-dmenon[J]. Scence Technology and Engneerng, 217, 17(34): (n Chnee wth Englh abtract) [22] Salm Lahmr. Generalzed Hurt exponent etmate dfferentate EEG gnal of healthy and epleptc patent[j]. Phyca A: Stattcal Mechanc and t Applcaton, 218, 49(1): [23] Molno-Mnero-Re E, García-Nocett F, Benítez-Pérez H. Applcaton of a tme-cale local hurt exponent analy to tme ere[j]. Dgtal Sgnal Proceng, 215, 37(2): [24] Saf Nalband, C.A. Vallappan, A.Amaln Prnce, et al. Tme-frequency baed feature extracton for the analy of vbroarthographc gnal[j]. Computer and Electrcal Engneerng, 218, 69(7): [25] Yan Jhong, Lu Le. Improved hlbert huang tranform baed weak gnal detecton methodology and t applcaton on ncpent fault dagno and ECG gnal analy[j]. Sgnal Proceng, 214, 98(4): [26] 林海波, 龚路, 张毅, 等. 基于改进 HHT 和样本熵的脑电信号特征提取 [J]. 计算机工程与设计,215,36(6): Ln Habo, Gong Lu, Zhang Y, et al. Feature extracton of EEG gnal baed on mproved HHT and ample entropy[j]. Computer Engneerng and Degn, 215, 36(6): (n Chnee wth Englh abtract) [27] 韩凌, 王宏, 李春胜. 基于多变量希尔伯特频域模型的癫痫发作预测 [J]. 东北大学学报,215,36(1): Han Lng, Wang Hong, L Chunheng. Epleptc ezure predcton baed on multvarate hlbert frequency doman model[j]. Journal of Northeatern Unverty (Natural Scence), 215, 36(1): (n Chnee wth Englh abtract) [28] 王娜, 陈克安. 分段谱质心特征在水下目标识别中的应用 [J]. 兵工学报,29,3(2): Wang Na, Chen Kean. Applcaton of ub-band pectral centrod feature to recognzng underwater target[j]. Acta Armamentar, 29, 3(2): (n Chnee wth Englh abtract) [29] Mu Yahuang, Lu Xaodong, Wang Ldong. A Pearon correlaton coeffcent baed decon tree and t parallel mplementaton[j]. Informaton Scence, 218, 435(4): 4-58 [3] 刘晓娜, 封志明, 姜鲁光. 基于决策树分类的橡胶林地遥感识别 [J]. 农业工程学报,213,29(34): Lu Xaona, Feng Zhmng, Jang Luguang. Applcaton of decon tree clafcaton to rubber plantaton extracton wth remote enng[j]. Tranacton of the Chnee Socety of Agrcultural Engneerng (Tranacton of the CSAE), 213, 29(34): (n Chnee wth Englh abtract) [31] Alne Saettler, Eduardo Laber, Felpe de A. Mello Perera. Decon tree clafcaton wth bounded number of error[j]. Informaton Proceng Letter, 217, 127(11): [32] Wang Lhong, L Qang, Yu Yanwe, et al. Regon compatblty baed tablty aement for decon tree[j]. Expert Sytem wth Applcaton, 218, 15(9):

9 第 24 期吴莉莉等 : 基于分形维数和 HHT 的蚜虫刺吸电位波形机器识别 183 Machne dentfcaton of electrcal penetraton graphc waveform of aphd baed on fractal dmenon and Hlbert-Huang tranform Wu Ll 1, Ja Shuheng 1, Xng Yuqng 1, Lu Shaohua 2, Pan Janbn 1, Yan Fengmng 2 (1. College of Scence, Henan Agrcultural Unverty, Zhengzhou, 452, Chna; 2. College of Plant Protecton, Henan Agrcultural Unverty, Zhengzhou, 452, Chna) Abtract: Inect electrcal penetraton graph (EPG) technology ha been wdely appled n reearchng the feedng behavor of percng-uckng nect, the relatonhp between nect and plant, nect tranmon mechanm and crop retance mechanm. However, the dentfcaton and analy of EPG gnal have been carred out manually, t urgent to develop the automatc dentfcaton ytem of EPG waveform to mprove the effcency. EPG waveform produced by percng-uckng nect are related to the nect and plant pece, and the EPG waveform of dfferent type of percng uckng nect vary greatly, and even the ame type of EPG waveform ha dfferent ampltude and frequency, whch brng dffculte to machne recognton of EPG waveform. EPG waveform a tme ere, and t rregularty can be decrbed by fractal theory, fractal theory can reveal the mlarty of local part wth the whole of the EPG waveform n a certan apect, the fractal dmenon (FD) of the EPG waveform can reflect the charactertc change and the complexty of the geometrc hape. EPG waveform belong to the boelectrcal gnal and nonlnear and non-tatonary n nature. Hlbert-Huang tranform (HHT) a powerful tool for analyzng tme-varyng non-tatonary gnal, t decompoe the nonlnear gnal nto everal ngle-mode gnal, and adaptvely elect the tranformng ubtrate accordng to the gnal telf, o that the boelectrcal gnal can be decompoed n eence. In th paper, the EPG gnal of aphd were taken a the reearch object, the feature extracton and clafcaton of np, pd, E1, E2, G, C and F waveform were tuded. An EPG waveform recognton method baed on fractal dmenon, HHT and decon tree wa propoed. Frtly, the gnal collected by the EPG ntrument were denoed and preproceed, then the feature of fractal dmenon and HHT were extracted repectvely, and the dfferent dmenon vector were put nto the decon tree clafer for comparatve experment, decon tree wa ued a a clafer, whch wa generated by C4.5 algorthm. In the proce of contructng decon tree, there were 2 man tep: one wa to elect attrbute by nformaton gan rato, and the other wa to complete clafcaton by pot-prunng method. In machne recognton of EPG waveform, x-dmenonal feature vector were ued a nput gnal, and 4 group of ample were teted. The expermental reult howed that the x-dmenonal feature vector wth fractal box dmenon, hurt exponent, pectral centrod and weghted frequency of the frt 2 layer had the hghet recognton rate. After 1 tep of prunng, the decon tree completed clafcaton, and the recognton rate of the 4 teted group were 92.14%, 89.29%, 95% and 89.29% repectvely. By analyzng the confuon matrx of the 4 group of tet data, t could be een that the np, E1 and G waveform could be accurately dentfed, the recognton rate of E2 and C waveform wa low, whch wa prone to mjudgment, th wa becaue that there wa no obvou dfference between the extracted charactertc value (uch a box dmenon, pectral centrod of the frt 2 layer and weghted frequency of the econd layer), C waveform wa the mot complex of all waveform, whch uually contanng A, B waveform and ome unrecognzable waveform, and wa eay to be confued wth other waveform. The ame tet ample ued for machne recognton were adopted n manual clafcaton. The expermental reult howed that the average recognton rate of artfcal recognton wa 99.11%, the average recognton rate for machne recognton wa 91.43%, whch wa lower than the artfcal recognton by 7.68 percent pont, average tme of the machne recognton wa 18.22, whch wa only about 1/46 of that of artfcal recognton The propoed feature extracton method baed on fractal dmenon and HHT and the contructed decon tree clafer were feable, whch provded a theoretcal reference for the reearch and development of EPG gnal automatc dentfcaton and analy ytem. Th reearch can horten the analy tme of EPG gnal, accelerate the progre of centfc reearch, and promote the effcent ue and ntellgent development of EPG. Keyword: nect; fractal dmenon; feature extracton; electrcal penetraton graph waveform; Hlbert-Huang tranform; decon tree; clafcaton