Nos gustaría dar las gracias a la Fundación Vodafone Américas, la Fundación Bill y Melinda Gates y la Fundación de Investigación de São Paulo (FAPESP) por financiar esta investigación. También nos gustaría agradecer a todos los miembros de la facultad del Departamento de Entomología de la Universidad de California, Riverside, por su asesoramiento en este proyecto.

1. Insectos Colonia y Cría <ol><li> Mosquito Colonia y Cría <ol><li> Tarsalis traseras pipiens, Culex quinquefasciatus, stigmatosoma Culex y Aedes aegypti adultos de colonias de laboratorio, que se originó a partir silvestres capturados individuos. </li><li> Larvas de mosquitos trasero en cacerolas de esmalte en condiciones estándar de laboratorio (27 ° C, 16: 8 h luz: oscuridad ciclo [LD] con períodos atardecer / amanecer 1 hr), y les ad libitum alimentarse de una mezcla de comida para roedores de tierra y levadura de cerveza (3: 1, v: v). </li><li> Recoger pupas de mosquitos en 200 ml tazas, y colocarlos en cámaras experimentales. Alternativamente, aspirar los mosquitos adultos en cámaras experimentales dentro de 1 semana de aparición. Asegúrese de que cada cámara experimental contiene entre 20 y 40 individuos de la misma especie / sexo. </li><li> Alimentación ad libitum mosquitos adultos en un 10% de sacarosa y la mezcla de agua. Reemplace semanal de alimentos. </li><li> Humedezca toallas de algodón dos veces por semana y plas en la parte superior de las cámaras experimentales para mantener la humedad dentro de la jaula. Además, coloque una taza de 200 ml de agua del grifo en la cámara en todo momento para ayudar a mantener el nivel general de humedad. </li><li> Mantener las cámaras experimentales en un 16: 8 h luz: oscuridad ciclo [LD], 20,5-22 ° C y 30-50% de humedad relativa durante la duración del experimento. </li></ol></li><li> Mosca y Mosca de los Frutos Colonia y Cría <ol><li> Musca domestica trasero de una colonia de laboratorio, derivado de individuos silvestres capturados. Atrapa salvajes simulans individuos de Drosophila y criarlos en las cámaras experimentales. </li><li> Larvas de Musca domestica trasero en tinas de plástico bajo condiciones estándar de laboratorio (12:12 horas de luz: oscuridad [LD] ciclo, 26 ° C, 40% HR) en una mezcla de agua, harina de salvado, alfalfa, levadura, y leche en polvo. Larvas de Drosophila simulans traseras en una cámara de cría y ellos ad libitum se alimentan de una mezcla de podredumbrefruta. </li><li> Aspirar adultos Musca domestica en cámaras experimentales dentro de 1 semana de aparición. Adultos Simulans Drosophila se puede criar directamente en las cámaras experimentales. Antes de la recolección de datos, asegúrese de que cada cámara experimental contiene no más del 10-15 Musca domestica individuo o 20-30 Simulans Drosophila individuales. </li><li> Alimentar adultos de Musca domestica ad libitum en una mezcla de azúcar y leche baja en grasa seca, con acceso libre al agua. RSS adultos Drosophila simulans ad libitum con una mezcla de fruta podrida. Reemplace semanal de alimentos. </li><li> Mantener cámaras experimentales en un 16: 8 h luz: oscuridad ciclo [LD], 20,5-22 ° C y 30-50% de humedad relativa durante la duración del experimento. </li></ol></li></ol> 2. grabar sonidos avión en cámaras experimentales <ol><li> Configuración de Cámara Experimental Nota: Un &quot;c experimentalhamber &quot;denota la jaula diseñada en nuestro laboratorio, en el que se registran los datos. El sensor es bastante barato. Cuando se construyó a granel, una puesta en marcha podría ser fabricado por menos de $ 10. <ol><li> Construir una cámara experimental, ya sea del tamaño más grande: 67 cm largo x 22 cm W x 24.75 cm H, o el tamaño más pequeño: 30 cm largo x 20 cm W x 20 cm H. La cámara experimental consiste en una matriz y un fototransistor línea láser que apunta a la matriz fototransistor. NOTA: Además, la cámara consiste en Kritter Keepers que se modifican para incluir el aparato sensor, así como un manguito conectado a una pieza de tubería de PVC para permitir el acceso a los insectos. </li><li> Conecte la matriz fototransistor a un tablero electrónico. La salida de la tarjeta electrónica se alimenta en una grabadora de sonido digital y se registra como datos de audio en el formato MP3. Ver el diseño de la lógica del sensor en la Figura 1.II y una versión física de la cámara en la Figura 1.I. </li><li&gt; Modificar las tapas de las cámaras experimentales con un trozo de tela de malla colocada en el interior con el fin de evitar el escape de los insectos. NOTA: Cuando un insecto vuela a través del rayo láser, con las alas ocluyen parcialmente la luz, haciendo que pequeñas fluctuaciones de la luz. Las fluctuaciones de la luz son capturadas por la matriz fototransistor como cambios en la corriente, y la señal es filtrada y amplificada por el diseño personalizado tarjeta electrónica. </li></ol></li><li> Configurar el sistema de registro de sonidos producidos por insectos voladores <ol><li> Conectar la cámara experimental a una fuente de alimentación. Encienda la alimentación. </li><li> En la cámara experimental, encontrar las luces láser y photoarray. Alinear las luces laser de la photoarray. Para conseguir la alineación adecuada, ajustar el photoarray utilizando los imanes en el exterior de la cámara experimental que corresponden a los imanes unidos a la photoarray en el interior de la cámara hasta que la luz láser se centra en todo el photodiod individuoes. </li><li> Realice dos comprobaciones de sanidad para asegurar que el sistema está configurado correctamente. Nota: El primer paso es asegurarse de que el sistema está encendido, todos los cables están conectados correctamente y que el láser está apuntando a la matriz de la foto. El segundo paso es llevar a cabo más controles en la alineación láser para asegurarse de que puede captar el sonido del aleteo de los insectos. <ol><li> Conecte los auriculares (en lugar de la grabadora) en el enchufe de audio. Sumergirse en la mano y fuera de la cámara experimental, cerca de la photoarray, para romper el plano de la luz láser. Asegúrese de que la luz láser está activado (que será un haz de luz roja) y que romper el plano de la luz un par de veces con la mano. Preste atención a los cambios en el nivel de ruido como la mano entra y sale del haz de luz. Si detecta una diferencia audible, el sensor es capaz de capturar los sonidos producidos por el movimiento de objetos grandes. Si tiene éxito, pasar a la siguiente prueba de cordura, de lo contrario, compruebe si los auriculares están conectados correctamente ysi el láser está apuntando a la photoarray. Ajuste el photoarray en consecuencia hasta que el sonido de la mano que entra y sale de la cámara experimental puede ser escuchado. </li><li> Adjunte una fina pieza de cableado eléctrico a un cepillo de dientes automático. Encienda el cepillo de dientes, y hundir el cableado dentro y fuera de la cámara experimental cerca de la phototarray. Asegúrese de que la luz del láser es golpear la pieza de cableado a medida que avanza. Si detecta un cambio en la frecuencia audible, cuando la pieza de cableado rompe el plano de la luz láser, el sistema está listo para capturar los sonidos producidos por el movimiento de objetos pequeños, es decir, sonidos de insectos. Si no detecta una diferencia audible, vuelva al paso 2.2.2 para realinear las luces láser y la photoarray. </li></ol></li><li> Después de que el sistema está configurado correctamente, cierre la tapa y agregue los insectos. </li></ol></li><li> Recolección de datos: Grabar sonidos producidos por insectos voladores <ol><li> Encienda la grabadora y hacer una Voice anotación que incluye la siguiente información: nombre de la especie en la cámara experimental, la edad de los insectos, la fecha y la hora, RT ambiente actual, y la humedad relativa. Pausa la grabación. </li><li> Conecte la grabadora al sistema, a través del cable de audio, y reanudar la grabación. Deje la grabadora para grabar durante 3 días, y luego se detiene la grabación. </li><li> Descargue los datos de la grabadora en una nueva carpeta en un PC. Vacíe la grabadora mediante la supresión de los datos. </li><li> Repita el proceso de grabación anterior, hasta los insectos que quedan han muerto fuera y ya no hay más de 5 insectos que quedan con vida en la jaula. </li></ol></li></ol> Procesamiento 3. datos del sensor y la detección de sonidos producidos por insectos voladores <ol><li> Utilice software para detectar sonidos producidos por insectos voladores. Nota: El software (algoritmo de detección) es mucho más rápido que en tiempo real. Se tarda menos de 3 horas para procesar una sesión de grabación, es decir, tres días de datuna, en una máquina estándar con CPU Intel (R) Core ™ en el 2,00 GHz y 8 GB de RAM. <ol><li> Para cada carpeta que contiene los datos de una sesión de grabación, ejecute el software de detección para detectar sonidos de insectos. Para ejecutar el software, abierto MATLAB y escriba &quot;circandian_wbf (DataDir)&quot; en la ventana de comandos, donde DataDir es el directorio de los datos de grabación. A continuación, pulse &quot;Enter&quot; para iniciar. NOTA: Descargue el software de detección de circadian_wbf de referencia # 16. </li><li> Espere hasta que el algoritmo termina, a continuación, comprobar los resultados de la detección. El algoritmo de salidas todo el insecto detectado suena en una nueva carpeta llamada &quot;_extf DataDir&quot;, donde DataDir es el mismo que en el paso anterior. Cada archivo de sonido es un clip de audio de largo 1 seg originalmente extraído de la grabación en bruto, con un filtro digital aplicado para eliminar el ruido. El tiempo de aparición de cada sonido detectado se guarda en un archivo llamado &quot;DataDir _time.mat y# 8221 ;. Observe el ejemplo de un sonido de insectos detectado en la Figura 2. </li></ol></li><li> Algoritmo de detección <ol><li> Use un 0,1 seg larga ventana deslizante para deslizarse a través de la grabación. La ventana corredera comienza desde el principio de la grabación. Para cada ventana, siga los pasos a continuación. <ol><li> Calcular la frecuencia fundamental de la ventana actual. </li><li> Si la frecuencia fundamental está dentro del rango de 100 Hz a 1200 Hz, a continuación, haga lo siguiente: <ol><li> Extraiga el clip de audio 1-seg largo centrado en la ventana actual de la grabación; aplicar un filtro digital para eliminar el ruido en el clip y guardar el audio filtrada en la carpeta &quot;DataDir _extf&quot;. </li><li> Guarde el tiempo la aparición de la ventana actual en el archivo &quot;DataDir _time&quot;. </li><li> Mover la ventana deslizante hasta el punto que sigue inmediatamente el clip de audio extraído. </li></ol></li><li> Si el fr fundamentalecuencia no está dentro del rango de 100 Hz a 1200 Hz, simplemente mueva la ventana corredera 0.01 seg adelante. </li></ol></li><li> Repetir el proceso hasta que la ventana deslizante alcanza el final de la grabación. </li></ol></li></ol> 4. Insectos Clasificación <ol><li> Clasificación bayesiana utilizando sólo el sonido del vuelo Nota: clasificador bayesiano es un clasificador probabilístico que clasifica un objeto a su clase más probable. <ol><li> Característica de sonido Computación <ol><li> Para cada sonido de insectos, calcular el espectro de frecuencias del sonido utilizando la Transformada Discreta de Fourier (DFT). Truncar el espectro de frecuencias para incluir sólo aquellos puntos de datos correspondientes a la gama de frecuencia: 100 Hz a 2000 Hz. El espectro de frecuencias truncado se utiliza en la clasificación como el &quot;representante&quot; del sonido de los insectos. NOTA: La DFT es un algoritmo que transforma las señales en el dominio del tiempo al dominio de frecuencia. Es un Buifunción lt-in en la mayoría de bibliotecas de programación, y se puede llamar en el programa con una sola línea de código. </li></ol></li><li> Capacitar a un clasificador bayesiano <ol><li> Utilice el método de estimación de densidad kNN 14 para aprender la posterior distribución de probabilidad usando la función de sonido. Con el enfoque kNN, la fase de entrenamiento es la construcción de un conjunto de datos de entrenamiento. <ol><li> Aleatoriamente degustar una serie de sonidos de insectos a partir de los datos recogidos para cada especie de insectos. </li><li> Siga los pasos en la Sección 4.1.1 y calcular el espectro de frecuencias truncada para cada sonido muestreado. Los espectros truncadas junto con etiquetas de clase de las muestras &#39;(nombre de las especies de insectos) componen la formación de datos. </li></ol></li></ol></li><li> Utilice el clasificador bayesiano para clasificar un insecto desconocido <ol><li> Calcular el espectro de frecuencias del sonido truncada insecto desconocido. </li><li> Calcular la distancia Euclidiana entre el espectro truncada de la unknown objeto y todos los espectros truncadas en la formación de datos. </li><li> Encontrar la parte superior k (k = 8 en este documento) vecinos más cercanos del objeto desconocido en la formación de datos. Calcule la probabilidad posterior de que el sonido de insecto desconocido que pertenece a una clase como la fracción de los primeros k vecinos más cercanos que se etiquetan como clase. </li><li> Clasificar el objeto desconocido a la clase que tiene la más alta probabilidad posterior. </li></ol></li></ol></li><li> Añadir una función para el Clasificador: Insecto del ritmo circadiano <ol><li> Aprende las distribuciones de clase acondicionado de la época ocurrencia de sonido de insectos, es decir, el ritmo circadiano para cada especie de insectos. <ol><li> Obtener el tiempo de ocurrencia de cada sonido de los resultados de la detección (véase la sección 3.2). </li><li> Para cada especie, construir un histograma del tiempo de ocurrencia de sonido de los insectos. </li><li> Normalizar el histograma para que el área del histograma es uno. La normalidadhistograma zado es el ritmo circadiano de la especie dada. Cuenta la probabilidad de observar un insecto, de esa especie, en vuelo dentro de un cierto período de tiempo. </li></ol></li><li> Clasificar un &quot;sonido de insectos&quot; desconocido combinando el &quot;sonido de insectos&quot; y el ritmo circadiano <ol><li> Dado el punto específico en el tiempo en que se produjo el sonido de insectos desconocidos, obtener la probabilidad de observar un insecto de clase basada en el ritmo circadiano de la clase. NOTA: El ritmo circadiano es una distribución de probabilidad. Es una serie que especifica la probabilidad de detectar un sonido, producido por una especie específica de insectos, en un momento específico del día. Así que una vez que se le da un tiempo, uno puede simplemente comprobar la matriz para obtener la probabilidad. </li><li> Siga los pasos de la sección 4.1.2 para calcular la probabilidad posterior de que el sonido desconocido pertenece a clase con las características de sonido. Multiplique la probabilidad posterior de los resultados from el paso anterior para obtener el nuevo probabilidad posterior. </li><li> Clasificar el &quot;sonido desconocido&quot; a la clase que tiene el mayor nuevo probabilidad posterior. </li></ol></li></ol></li><li> Añadir una característica más del clasificador: Distribución geográfica de insectos <ol><li> Aprenda la distribución geográfica de las especies de interés, ya sea a partir de datos publicados en los registros históricos, la literatura relevante, o simplemente reunir el conocimiento de primera mano de campo técnicos / biólogos. Para fines de demostración, utilice una simulación de la distribución de gráfico, como se muestra en la Figura 7. </li><li> Clasificar un &quot;sonido de insectos desconocidos&quot; usando &quot;sonido volando&quot; y las dos características adicionales. <ol><li> Dada la ubicación geográfica en la que fue recibido el sonido de insectos, calcular la probabilidad de observar un insecto de la clase en esa ubicación específica utilizando el gráfico de distribución de especies. <ol><li> Siga los pasos en la sección 4.2.2 and calcular la probabilidad posterior de que el &quot;sonido desconocido&quot; pertenece a la clase de uso de las funciones de sonido y los ritmos circadianos. Multiplicar el resultado de este paso para los resultados de la etapa anterior, con el fin de obtener la nueva probabilidad posterior. </li></ol></li><li> Clasificar el &quot;sonido desconocido&quot; a la clase que tiene el mayor nuevo probabilidad posterior. </li></ol></li></ol></li><li> Un marco general para la Adición de funciones <ol><li> Considere el clasificador bayesiano que utiliza sólo las características de sonido como el clasificador primario. Siga los pasos de abajo para agregar nuevas características para el clasificador. <ol><li> En la fase de entrenamiento, aprender las funciones de densidad de clase acondicionado de la nueva característica. </li><li> En la fase de clasificación, teniendo en cuenta la nueva característica del &quot;sonido desconocido&quot;, calcular la probabilidad de observar la característica en clase utilizando las funciones de densidad aprendidas en el paso anterior. Multiplique la nueva probabilidad a la previous probabilidad posterior correspondiente al &quot;sonido desconocido&quot; perteneciente a la clase que se calcula en base a sólo las características impares, para obtener la nueva probabilidad posterior. Clasificar el objeto desconocido a la clase que tiene más alta nueva probabilidad posterior. </li></ol></li></ol></li></ol>

<ol>
	<li>Kahn, M. C., Celestin, W., Offenhauser, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Recording+of+sounds+produced+by+certain+disease-carrying+mosquitoes.">Recording of sounds produced by certain disease-carrying mosquitoes.</a> Science. 101 (2622), 335-336 (1945).</li><li>Reed, S. C., Williams, C. M., Chadwick, L. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Frequency+of+wing-beat+as+a+character+for+separating+species+races+and+geographic+varieties+of+Drosophila.">Frequency of wing-beat as a character for separating species races and geographic varieties of Drosophila.</a> Genetics. 27 (3), 349 (1942).</li><li>Belton, P., Costello, R. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Flight+sounds+of+the+females+of+some+mosquitoes+of+Western+Canada.">Flight sounds of the females of some mosquitoes of Western Canada.</a> Entomologia experimentalis et applicata. 26 (1), 105-114 (1979).</li><li>Mankin, R. W., Machan, R., Field Jones, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=testing+of+a+prototype+acoustic+device+for+detection+of+Mediterranean+fruit+flies+flying+into+a+trap.">testing of a prototype acoustic device for detection of Mediterranean fruit flies flying into a trap.</a> Proc. 7th Int Symp Fruit Flies of Economic Importance. , 10-15 (2006).</li><li>Raman, D. R., Gerhardt, R. R., Wilkerson, J. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Detecting+insect+flight+sounds+in+the+field+Implications+for+acoustical+counting+of+mosquitoes.">Detecting insect flight sounds in the field Implications for acoustical counting of mosquitoes.</a> Transactions of the ASABE. 50 (4), 1481 .</li><li>Moore, A., Miller, J. R., Tabashnik, B. E., Gage, S. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automated+identification+of+flying+insects+by+analysis+of+wingbeat+frequencies.">Automated identification of flying insects by analysis of wingbeat frequencies.</a> Journal of economic entomology. 79 (6), 1703-1706 (1986).</li><li>Moore, A., Miller, R. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automated+identification+of+optically+sensed+aphid+(Homoptera:+Aphidae)+wingbeat+waveforms.">Automated identification of optically sensed aphid (Homoptera: Aphidae) wingbeat waveforms.</a> Annals of the Entomological Society of America. 95 (1), 1-8 (2002).</li><li>Li, Z., Zhou, Z., Shen, Z., Yao, Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automated+identification+of+mosquito+(diptera:+Culicidae)+wingbeat+waveform+by+artificial+neural+network.">Automated identification of mosquito (diptera: Culicidae) wingbeat waveform by artificial neural network.</a> Artificial Intelligence Applications and Innovations. , 483-489 (2005).</li><li>Moore, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Artificial+neural+network+trained+to+identify+mosquitoes+in+flight.">Artificial neural network trained to identify mosquitoes in flight.</a> Journal of insect behavior. 4 (3), 391-396 (1991).</li><li>Halevy, A., Norvig, P., Pereira, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+unreasonable+effectiveness+of+data.">The unreasonable effectiveness of data.</a> Intelligent Systems, IEEE. 24 (2), 8-12 (2009).</li><li>Banko, M., Brill, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Mitigating+the+paucity-of-data+problem+exploring+the+effect+of+training+corpus+size+on+classifier+performance+for+natural+language+processing.">Mitigating the paucity-of-data problem exploring the effect of training corpus size on classifier performance for natural language processing.</a> , 1-5 (2001).</li><li>Shotton, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Real-time+human+pose+recognition+in+parts+from+single+depth+images.">Real-time human pose recognition in parts from single depth images.</a> Communications of the ACM. 56 (1), 116-124 (2013).</li><li>Ilyas, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Classifying+insects+on+the+fly.">Classifying insects on the fly.</a> Ecological Informatics. , (2013).</li><li>Mack, Y. P., Rosenblatt, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multivariate+k-nearest+neighbor+density+estimates.">Multivariate k-nearest neighbor density estimates.</a> Journal of Multivariate Analysis. 9 (1), 1-15 (1979).</li><li>Benedict, M., Robinson, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+first+releases+of+transgenic+mosquitoes+an+argument+for+the+sterile+insect+technique.">The first releases of transgenic mosquitoes an argument for the sterile insect technique.</a> TRENDS in Parasitology. 19 (8), 349-355 (2003).</li><li>. Supporting Materials Available from: <a target="_blank" href="https://sites.google.com/site/insectclassification">https://sites.google.com/site/insectclassification</a></li><li>Chen, Y., Why, A., Batista, G., Mafra-Neto, A., Keogh, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Flying+Insect+Classification+with+Inexpensive+Sensors.">Flying Insect Classification with Inexpensive Sensors.</a> Journal of Insect. 27 (5), 657-677 (2014).</li></ol>

Los autores declaran que no tienen intereses financieros en competencia.

El marco del sensor / clasificación descrita aquí permite la clasificación de bajo costo y escalable de insectos voladores. Las precisiones alcanzables por el sistema son suficientes para permitir el desarrollo de productos comerciales bien y podría ser una herramienta útil en la investigación entomológica. La capacidad de utilizar, sensores no invasivos de bajo costo para clasificar con precisión y de forma automática los insectos voladores tendría implicaciones significativas par...

La idea de clasificar automáticamente los insectos utilizando el sonido incidental de su vuelo se remonta a los primeros días de las computadoras y equipos de grabación de audio disponibles en el mercado 1. Sin embargo, se ha avanzado poco en este problema en las décadas siguientes. La falta de avances en esta búsqueda se puede atribuir a varios factores relacionados. En primer lugar, la falta de sensores eficaces ha hecho difícil la recogida de datos. La mayoría de los esfuerzos para recopilar datos han utilizado micrófonos acústicos 2-5. Tales dispositivos son extremadamente sensibles a ruido del viento y el ruido ambiental en el entorno, lo que resulta en datos muy escaso y de baja calidad. En segundo lugar, lo que agrava estos problemas de calidad de datos es el hecho de que muchos investigadores han tratado de aprender muy complicados modelos de clasificación, especialmente redes neuronales 6-8. Intentar aprender modelos de clasificación complicados, con apenas decenas de ejemplos,es una receta para el exceso de montaje. En tercer lugar, la dificultad de obtención de datos ha hecho que muchos investigadores han intentado construir modelos de clasificación con datos muy limitados, tan sólo 300 casos 9 o menos. Sin embargo, se sabe que para la construcción de modelos de clasificación precisos, más datos es mejor 10-13. Este trabajo aborda los tres temas. Ópticos (en lugar de acústica) sensores se pueden utilizar para grabar el &quot;sonido&quot; del vuelo de los insectos de metros de distancia, con la invariancia completa a ruido del viento y los sonidos ambientales. Estos sensores han permitido la grabación de millones de casos de enseñanza identificado, muchos más datos que todos los esfuerzos anteriores juntos, y así ayudar a evitar los esfuerzos de investigación anteriores exceso de ajuste que ha plagado. Un método de principio se muestra a continuación que permite la incorporación de información adicional en el modelo de clasificación. Esta información adicional puede ser tan cotidiano y tanfácil de obtener como la hora del día, y aún así producir ganancias significativas en la precisión del modelo. Por último, se demuestra que las enormes cantidades de datos que recogimos nos permiten tomar ventaja de &quot;La irrazonable efectividad de los datos&quot; 10 para producir clasificadores simples, precisas y robustas. En resumen, volando clasificación de insectos se ha movido más allá de las afirmaciones dudosas creados en el laboratorio de investigación y ahora está listo para su despliegue en el mundo real. Los sensores y el software presentados en este trabajo proporcionarán los investigadores de todo el mundo herramientas sólidas para acelerar su investigación.

<table border="0" cellpadding="0" cellspacing="0" width="1293">
	<tbody>
		<tr height="21">
			<td height="21" style="height:21px;width:328px;">Name of Material/ Equipment</td>
			<td style="width:237px;">Company</td>
			<td style="width:257px;">Catalog Number</td>
			<td style="width:471px;">Comments/Description</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:328px;">Audio Recorder: ICD-PX312</td>
			<td style="width:237px;">Sony</td>
			<td style="width:257px;">4-267-065-11(2)</td>
			<td>With a 8 GB microSD extra memory</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:328px;">Insectary</td>
			<td style="width:237px;">Lee&#39;s Aquarium &#38; Pet Products.</td>
			<td style="width:257px;">20088 HerpHaven&#174;, Large Rectangle</td>
			<td style="width:471px;">14 1/2&#34; Long x 8 3/4&#34; Wide x 9 3/4&#34; high. Modified to house insects.&#160;</td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;width:328px;">Laser Line Generator, 650nm (red)</td>
			<td style="width:237px;">Apinex (www.apinex.com)</td>
			<td style="width:257px;">LN60-650</td>
			<td style="width:471px;">5mW. This is a low powered laser, similar to a teachers lasers pointer</td>
		</tr>
		<tr height="63">
			<td height="63" style="height:63px;width:328px;">Photodiode Array</td>
			<td style="width:237px;">VISHAY SEMICONDUCTOR&#160; TEFD4300&#160; PIN PHOTODIODE, 650NM, 20DEG, T1</td>
			<td style="width:257px;">TEFD4300</td>
			<td style="width:471px;">We made a custom array of 15 of these Photodiodes wired in parallel</td>
		</tr>
		<tr height="63">
			<td height="63" style="height:63px;">Analogue to Digital Convertor Integrated Circuit&#160;</td>
			<td style="width:237px;">Custom made in our lab</td>
			<td style="width:257px;"></td>
			<td style="width:471px;">We made this item ourselves, but an easily available commercial product, Gino PCF8591 AD/DA Converter, provides the same functionality.&#160;</td>
		</tr>
	</tbody>
</table>

flying insect detection and classification with inexpensive sensors

Un sistema de bajo costo, no invasivo que podría clasificar con precisión los insectos voladores tendría implicaciones importantes para la investigación entomológica, y permitir el desarrollo de muchas aplicaciones útiles en la lucha contra vectores y plagas, tanto para la entomología médica y agrícola. Ante esto, los últimos sesenta años han visto muchos esfuerzos de investigación dedicados a esta tarea. Hasta la fecha, sin embargo, ninguna de esta investigación ha tenido un impacto duradero. En este trabajo, se muestra que los sensores ópticos pseudo-acústicas pueden producir datos superior; que las características adicionales, tanto intrínsecos como extrínsecos al comportamiento de vuelo del insecto, se puede aprovechar para mejorar la clasificación de insectos; que un enfoque de clasificación bayesiana permite aprender de manera eficiente los modelos de clasificación que son muy robustos a exceso de ajuste, y un marco de clasificación general permite incorporar fácilmente número arbitrario de funciones. Demostramos los resultados con experimentos a gran escala que empequeñecen todas las obras anteriores CombiNED, medida por el número de insectos y el número de especies consideradas.

Dos experimentos se presentan aquí. Para ambos experimentos, los datos utilizados se tomaron muestras al azar de un conjunto de datos que contiene más de 100.000 objetos. El primer experimento muestra la capacidad del clasificador propuesto para clasificar con precisión diferentes especies / sexos de insectos. A medida que la precisión de la clasificación depende de los insectos para ser clasificado, un único valor absoluto para la precisión de la clasificación no le dará al lector ...

Watch this Scientific Journal Video about Flying Insect Detection and Classification with Inexpensive Sensors at JoVE.com

Flying Insect Detection and Classification with Inexpensive Sensors

Hemos propuesto un sistema que utiliza sensores de bajo costo, no invasivo pseudo-acústico ópticos de forma automática y precisa de detectar, contar y clasificar los insectos sobre la base de su sonido del vuelo.

Flying detección de insectos y Clasificación con Sensores Barato

An inexpensive, noninvasive system that could accurately classify flying insects would have important implications for entomological research, and allow ...

flying-insect-detection-and-classification-with-inexpensive-sensors

Research

JoVE Journal

Bioengineering

25.0K vistas.  University of California, Riverside.  Hemos propuesto un sistema que utiliza sensores de bajo costo, no invasivo pseudo-acústico ópticos de forma automática y precisa de detectar, contar y clasificar los insectos sobre la base de su sonido del vuelo. 

Video: Flying Insect Detection and Classification with Inexpensive Sensors

Bacterial Detection &amp; Identification Using Electrochemical Sensors

Electrochemical sensors are widely used for rapid and accurate measurement of blood glucose and can be adapted for detection of a wide variety of analytes. Electrochemical sensors operate by transducing a biological recognition event into a useful electrical signal. Signal transduction occurs by coupling the activity of a redox enzyme to an amperometric electrode. Sensor specificity is either an inherent characteristic of the enzyme, glucose oxidase in the case of a glucose sensor, or a product of linkage between the enzyme and an antibody or probe.
Here, we describe an electrochemical sensor assay method to directly detect and identify bacteria. In every case, the probes described here are DNA oligonucleotides. This method is based on sandwich hybridization of capture and detector probes with target ribosomal RNA (rRNA). The capture probe is anchored to the sensor surface, while the detector probe is linked to horseradish peroxidase (HRP). When a substrate such as 3,3',5,5'-tetramethylbenzidine (TMB) is added to an electrode with capture-target-detector complexes bound to its surface, the substrate is oxidized by HRP and reduced by the working electrode. This redox cycle results in shuttling of electrons by the substrate from the electrode to HRP, producing current flow in the electrode.

We describe an electrochemical sensor assay method for rapid bacterial detection and identification. The assay involves a sensor array functionalized with DNA oligonucleotide capture probes for ribosomal RNA (rRNA) species-specific sequences. Sandwich hybridization of target rRNA with the capture probe and a horseradish peroxidase-linked DNA oligonucleotide detector probe produces a measurable amperometric current.

Bacterial Detección e Identificación Usando sensores electroquímicos

Electrochemical  sensors are widely used for rapid and accurate measurement of blood glucose and  can be adapted for detection of a wide variety of ...

Investigación

Bioingeniería

Glutamine Flux Imaging Using Genetically Encoded Sensors

Genetically encoded sensors allow real-time monitoring of biological molecules at a subcellular resolution. A tremendous variety of such sensors for biological molecules became available in the past 15 years, some of which became indispensable tools that are used routinely in many laboratories.
One of the exciting applications of genetically encoded sensors is the use of these sensors in investigating cellular transport processes. Properties of transporters such as kinetics and substrate specificities can be investigated at a cellular level, providing possibilities for cell-type specific analyses of transport activities. In this article, we will demonstrate how transporter dynamics can be observed using genetically encoded glutamine sensor as an example. Experimental design, technical details of the experimental settings, and considerations for post-experimental analyses will be discussed.

This article will demonstrate how to monitor glutamine dynamics in live cells using FRET. Genetically encoded sensors allow real-time monitoring of biological molecules at a subcellular resolution. Experimental design, technical details of the experimental settings, and considerations for post-experimental analyses will be discussed for genetically encoded glutamine sensors.

Glutamina Flux Imaging utilizando sensores codificados genéticamente

Genetically encoded sensors allow real-time monitoring of biological molecules at a subcellular resolution. A tremendous variety of such sensors for ...

A Microfluidic-based Electrochemical Biochip for Label-free DNA Hybridization Analysis

Miniaturization of analytical benchtop procedures into the micro-scale provides significant advantages in regards to reaction time, cost, and integration of pre-processing steps. Utilizing these devices towards the analysis of DNA hybridization events is important because it offers a technology for real time assessment of biomarkers at the point-of-care for various diseases. However, when the device footprint decreases the dominance of various physical phenomena increases. These phenomena influence the fabrication precision and operation reliability of the device. Therefore, there is a great need to accurately fabricate and operate these devices in a reproducible manner in order to improve the overall performance. Here, we describe the protocols and the methods used for the fabrication and the operation of a microfluidic-based electrochemical biochip for accurate analysis of DNA hybridization events. The biochip is composed of two parts: a microfluidic chip with three parallel micro-channels made of polydimethylsiloxane (PDMS), and a 3 x 3 arrayed electrochemical micro-chip. The DNA hybridization events are detected using electrochemical impedance spectroscopy (EIS) analysis. The EIS analysis enables monitoring variations of the properties of the electrochemical system that are dominant at these length scales. With the ability to monitor changes of both charge transfer and diffusional resistance with the biosensor, we demonstrate the selectivity to complementary ssDNA targets, a calculated detection limit of 3.8 nM, and a 13% cross-reactivity with other non-complementary ssDNA following 20 min&#160;of incubation. This methodology can improve the performance of miniaturized devices by elucidating on the behavior of diffusion at the micro-scale regime and by enabling the study of DNA hybridization events.

We present a microfluidic-based electrochemical biochip for DNA hybridization detection. Following ssDNA probe functionalization, the specificity, sensitivity, and detection limit are studied with complementary and non-complementary ssDNA targets. Results illustrate the influence of the DNA hybridization events on the electrochemical system, with a detection limit of 3.8 nM.

Un biochip electroquímico basado en microfluidos para el análisis de hibridación ADN-Label libre

Miniaturization of analytical benchtop procedures into the micro-scale provides significant advantages in regards to reaction time, cost, and integration ...

Sensitive Detection of Proteopathic Seeding Activity with FRET Flow Cytometry

Increasing evidence supports transcellular propagation of toxic protein aggregates, or proteopathic seeds, as a mechanism for the initiation and progression of pathology in several neurodegenerative diseases, including Alzheimer's disease and the related tauopathies. The potentially critical role of tau seeds in disease progression strongly supports the need for a sensitive assay that readily detects seeding activity in biological samples. 
By combining the specificity of fluorescence resonance energy transfer (FRET), the sensitivity of flow cytometry, and the stability of a monoclonal cell line, an ultra-sensitive seeding assay has been engineered and is compatible with seed detection from recombinant or biological samples, including human and mouse brain homogenates. The assay employs monoclonal HEK 293T cells that stably express the aggregation-prone repeat domain (RD) of tau harboring the disease-associated P301S mutation fused to either CFP or YFP, which produce a FRET signal upon protein aggregation. The uptake of proteopathic tau seeds (but not other proteins) into the biosensor cells stimulates aggregation of RD-CFP and RD-YFP, and flow cytometry sensitively and quantitatively monitors this aggregation-induced FRET. The assay detects femtomolar concentrations (monomer equivalent) of recombinant tau seeds, has a dynamic range spanning three orders of magnitude, and is compatible with brain homogenates from tauopathy transgenic mice and human tauopathy subjects. With slight modifications, the assay can also detect seeding activity of other proteopathic seeds, such as &#945;-synuclein, and is also compatible with primary neuronal cultures. The ease, sensitivity, and broad applicability of FRET flow cytometry makes it useful to study a wide range of protein aggregation disorders.

Cell-to-cell transfer of protein aggregates, or proteopathic seeds, may underlie the progression of pathology in neurodegenerative diseases. Here, a novel FRET flow cytometry assay is described that enables specific and sensitive detection of seeding activity from recombinant or biological samples.

Detección Sensible de Proteopathic Siembra Actividad con FRET Citometría de Flujo

Increasing evidence supports transcellular propagation of toxic protein aggregates, or proteopathic seeds, as a mechanism for the initiation and ...

Fast Enzymatic Processing of Proteins for MS Detection with a Flow-through Microreactor

The vast majority of mass spectrometry (MS)-based protein analysis methods involve an enzymatic digestion step prior to detection, typically with trypsin. This step is necessary for the generation of small molecular weight peptides, generally with MW &#60; 3,000-4,000 Da, that fall within the effective scan range of mass spectrometry instrumentation. Conventional protocols involve O/N enzymatic digestion at 37 &#186;C. Recent advances have led to the development of a variety of strategies, typically involving the use of a microreactor with immobilized enzymes or of a range of complementary physical processes that reduce the time necessary for proteolytic digestion to a few minutes (e.g., microwave or high-pressure). In this work, we describe a simple and cost-effective approach that can be implemented in any laboratory for achieving fast enzymatic digestion of a protein. The protein (or protein mixture) is adsorbed on C18-bonded reversed-phase high performance liquid chromatography (HPLC) silica particles preloaded in a capillary column, and trypsin in aqueous buffer is infused over the particles for a short period of time. To enable on-line MS detection, the tryptic peptides are eluted with a solvent system with increased organic content directly in the MS ion source. This approach avoids the use of high-priced immobilized enzyme particles and does not necessitate any aid for completing the process. Protein digestion and complete sample analysis can be accomplished in less than ~3 min and ~30 min, respectively.

A quick protocol for proteolytic digestion with an in-house built flow-through tryptic microreactor coupled to an electrospray ionization (ESI) mass spectrometer is presented. The fabrication of the microreactor, the experimental setup and the data acquisition process are described.

Tratamiento enzimático rápido de proteínas para la detección MS con un microrreactor de flujo continuo

The vast majority of mass spectrometry (MS)-based protein analysis methods involve an enzymatic digestion step prior to detection, typically with trypsin. ...

Microfluidic Platform with Multiplexed Electronic Detection for Spatial Tracking of Particles

Microfluidic processing of biological samples typically involves differential manipulations of suspended particles under various force fields in order to spatially fractionate the sample based on a biological property of interest. For the resultant spatial distribution to be used as the assay readout, microfluidic devices are often subjected to microscopic analysis requiring complex instrumentation with higher cost and reduced portability. To address this limitation, we have developed an integrated electronic sensing technology for multiplexed detection of particles at different locations on a microfluidic chip. Our technology, called Microfluidic CODES, combines Resistive Pulse Sensing with Code Division Multiple Access to compress 2D spatial information into a 1D electrical signal. In this paper, we present a practical demonstration of the Microfluidic CODES technology to detect and size cultured cancer cells distributed over multiple microfluidic channels. As validated by the high-speed microscopy, our technology can accurately analyze dense cell populations all electronically without the need for an external instrument. As such, the Microfluidic CODES can potentially enable low-cost integrated lab-on-a-chip devices that are well suited for the point-of-care testing of biological samples.

We demonstrate a microfluidic platform with an integrated surface electrode network that combines resistive pulse sensing (RPS) with code division multiple access (CDMA), to multiplex detection and sizing of particles in multiple microfluidic channels.

Plataforma de microfluidos con multiplexado de detección electrónica para el seguimiento espacial de las partículas

Microfluidic processing of biological samples typically involves differential manipulations of suspended particles under various force fields in order to ...

Ovarian Cancer Detection Using Photoacoustic Flow Cytometry

Many studies suggest that the enumeration of circulating tumor cells (CTCs) may show promise as a prognostic tool for ovarian cancer. Current strategies for the detection of CTCs include flow cytometry, microfluidic devices, and real-time polymerase chain reaction (RT-PCR). Despite recent advances, methods for the detection of early ovarian cancer metastasis still lack the sensitivity and specificity required for clinical translation. Here, a novel method is presented for the detection of ovarian circulating tumor cells by photoacoustic flow cytometry (PAFC) utilizing a custom three dimensional (3D) printed system, including a flow chamber and syringe pump. This method utilizes folic acid-capped copper sulfide nanoparticles (FA-CuS NPs) to target SKOV-3 ovarian cancer cells by PAFC. This work demonstrates the affinity of these contrast agents for ovarian cancer cells. The results show NP characterization, PAFC detection, and NP uptake by fluorescence microscopy, thus demonstrating the potential of this novel system to detect ovarian CTCs at physiologically relevant concentrations.

A protocol is presented to detect circulating ovarian tumor cells utilizing a custom-made photoacoustic flow system and targeted folic acid-capped copper sulfide nanoparticles.

Detección de cáncer de ovario mediante citometría de flujo fotoacústico

Many studies suggest that the enumeration of circulating tumor cells (CTCs) may show promise as a prognostic tool for ovarian cancer. Current strategies ...

Design and Analysis for Fall Detection System Simplification

This paper presents a methodology based on multimodal sensors to configure a simple, comfortable and fast fall detection and human activity recognition system that can be easily implemented and adopted. The methodology is based on the configuration of specific types of sensors, machine-learning methods and procedures. The protocol is divided into four phases: (1) database creation (2) data analysis (3) system simplification and (4) evaluation. Using this methodology, we created a multimodal database for fall detection and human activity recognition, namely UP-Fall Detection. It comprises data samples from 17 subjects that perform 5 types of falls and 6 different simple activities, during 3 trials. All information was gathered using 5 wearable sensors (tri-axis accelerometer, gyroscope and light intensity), 1 electroencephalograph helmet, 6 infrared sensors as ambient sensors, and 2 cameras in lateral and front viewpoints. The proposed novel methodology adds some important stages to perform a deep analysis of the following design issues in order to simplify a fall detection system: a) select which sensors or combination of sensors are to be used in a simple fall detection system, b) determine the best placement of the sources of information, and c) select the most suitable machine learning classification method for fall and human activity detection and recognition. Even though some multimodal approaches reported in literature only focus on one or two of the above-mentioned issues, our methodology allows simultaneously solving these three design problems related to a human fall and activity detection and recognition system.

We present a methodology based on multimodal sensors to configure a simple, comfortable and fast fall detection and human activity recognition system. The goal is to build a system for accurate fall detection that can be easily implemented and adopted.

Diseño y análisis para la simplificación del sistema de detección de caídas

This paper presents a methodology based on multimodal sensors to configure a simple, comfortable and fast fall detection and human activity recognition ...

The Fabrication and Operation of a Continuous Flow, Micro-Electroporation System with Permeabilization Detection

Current therapeutic innovations, such as CAR-T cell therapy, are heavily reliant on viral-mediated gene delivery. Although efficient, this technique is accompanied by high manufacturing costs, which has brought about an interest in using alternative methods for gene delivery. Electroporation is an electro-physical, non-viral approach for the intracellular delivery of genes and other exogenous materials. Upon the application of an electric field, the cell membrane temporarily allows molecular delivery into the cell. Typically, electroporation is performed on the macroscale to process large numbers of cells. However, this approach requires extensive empirical protocol development, which is costly when working with primary and difficult-to-transfect cell types. Lengthy protocol development, coupled with the requirement of large voltages to achieve sufficient electric-field strengths to permeabilize the cells, has led to the development of micro-scale electroporation devices. These micro-electroporation devices are manufactured using common microfabrication techniques and allow for greater experimental control with the potential to maintain high throughput capabilities. This work builds off a microfluidic-electroporation technology capable of detecting the level of cell membrane permeabilization at a single-cell level under continuous flow. However, this technology was limited to 4 cells processed per second, and thus a new approach for increasing the system throughput is proposed and presented here. This new technique, denoted as cell-population-based feedback control, considers the cell permeabilization response to a variety of electroporation pulsing conditions and determines the best-suited electroporation pulse conditions for the cell type under test. A higher-throughput mode is then used, where this 'optimal' pulse is applied to the cell suspension in transit. The steps for fabricating the device, setting up and running the microfluidic experiments, and analyzing the results are presented in detail. Finally, this micro-electroporation technology is demonstrated by delivering a DNA plasmid encoding for green fluorescent protein (GFP) into HEK293 cells.

This protocol describes the microfabrication techniques required to build a lab-on-a-chip, microfluidic electroporation device. The experimental setup performs controlled, single-cell-level transfections in a continuous flow and can be extended to higher throughputs with population-based control. An analysis is provided showcasing the ability to electrically monitor the degree of cell membrane permeabilization in real-time.

La fabricación y operación de un sistema de microelectroporación de flujo continuo con detección de permeabilización

Current therapeutic innovations, such as CAR-T cell therapy, are heavily reliant on viral-mediated gene delivery. Although efficient, this technique is ...

Programa de IA para la detección y clasificación de tripanosomiasis

Superior Auto-Identification of Trypanosome Parasites by Using a Hybrid Deep-Learning Model

Trypanosomiasis is a significant public health problem in several regions across the world, including South Asia and Southeast Asia. The identification of hotspot areas under active surveillance is a fundamental procedure for controlling disease transmission. Microscopic examination is a commonly used diagnostic method. It is, nevertheless, primarily reliant on skilled and experienced personnel. To address this issue, an artificial intelligence (AI) program was introduced that makes use of a hybrid deep learning technique of object identification and object classification neural network backbones on the in-house low-code AI platform (CiRA CORE). The program can identify and classify the protozoan trypanosome species, namely Trypanosoma cruzi, T. brucei, and T. evansi, from oil-immersion microscopic images. The AI program utilizes pattern recognition to observe and analyze multiple protozoa within a single blood sample and highlights the nucleus and kinetoplast of each parasite as specific characteristic features using an attention map.
To assess the AI program&#39;s performance, two unique modules are created that provide a variety of statistical measures such as accuracy, recall, specificity, precision, F1 score, misclassification rate, receiver operating characteristics (ROC) curves, and precision versus recall (PR) curves. The assessment findings show that the AI algorithm is effective at identifying and categorizing parasites. By delivering a speedy, automated, and accurate screening tool, this technology has the potential to transform disease surveillance and control. It could also assist local officials in making more informed decisions on disease transmission-blocking strategies.

Autor destacado: Detección de especies de tripanosomas impulsada por IA a partir de imágenes microscópicas 

Worldwide medical blood parasites were automatically screened using simple steps on a low-code AI platform. The prospective diagnosis of blood films was improved by using an object detection and classification method in a hybrid deep learning model. The collaboration of active monitoring and well-trained models helps to identify hotspots of trypanosome transmission.

Identificación automática superior de parásitos tripanosomas mediante el uso de un modelo híbrido de aprendizaje profundo

Trypanosomiasis is a significant public health problem in several regions across the world, including South Asia and Southeast Asia. The identification of ...