Nous tenons à remercier la Fondation Vodafone Amériques, la Fondation Bill et Melinda Gates et la Fondation de recherche de São Paulo (FAPESP) pour financer cette recherche. Nous tenons également à remercier les nombreux membres du corps professoral du département d&#39;entomologie à l&#39;Université de Californie, Riverside, pour leurs conseils sur ce projet.

1. insectes Colony et Elevage <ol><li> Mosquito Colony et Elevage <ol><li> Tarsalis arrière Culex, Culex quinquefasciatus, stigmatosoma Culex, Aedes et adultes aegypti de colonies de laboratoire, qui provenaient sauvages capturés individus. </li><li> Les larves de moustiques arrière dans des casseroles en émail dans des conditions standard de laboratoire (27 ° C, 16: lumière 8 h: noir [LD] le cycle avec des périodes crépuscule / l&#39;aube 1 h), et les ad libitum nourrir sur un mélange de terre pour rongeur et la levure de bière (3: 1, v: v). </li><li> Recueillir moustiques pupes dans 200 ml tasses, et les placer dans les chambres expérimentales. Sinon, aspirer les moustiques adultes dans les chambres expérimentales dans 1 semaine de l&#39;émergence. Assurez-vous que chaque chambre expérimentale contient 20 à 40 individus de la même espèce / sexe. </li><li> moustiques adultes d&#39;alimentation ad libitum sur un 10% de saccharose et le mélange de l&#39;eau. Remplacez les aliments hebdomadaire. </li><li> Humidifiez serviettes en coton deux fois par semaine et place sur le dessus des chambres expérimentales pour maintenir l&#39;humidité à l&#39;intérieur de la cage. En outre, placer 200 ml tasse de l&#39;eau du robinet dans la chambre en tout temps pour aider à maintenir le niveau d&#39;humidité globale. </li><li> Maintenir les chambres expérimentales sur 16: la lumière de 8 heures: sombre du cycle [LD], de 20,5 à 22 ° C et 30-50% d&#39;humidité relative pour la durée de l&#39;expérience. </li></ol></li><li> Mouche et la mouche des fruits Colony et Elevage <ol><li> Musca domestica arrière d&#39;une colonie de laboratoire, provenant de sauvages capturés individus. Catch sauvages Drosophila simulans individus et les élever dans les chambres expérimentales. </li><li> Arrière larves Musca domestica dans des bacs en plastique dans des conditions standard de laboratoire (12h12 heures de lumière: noir [LD] cycle de 26 ° C, 40% HR) dans un mélange d&#39;eau, la farine de son, de la luzerne, la levure et le lait en poudre. Drosophila simulans arrière larves dans une chambre d&#39;élevage et les nourrir ad libitum sur un mélange de pourriturefruits. </li><li> Aspirer adulte Musca domestica dans les chambres expérimentales dans 1 semaine de l&#39;émergence. Adultes simulans Drosophila peuvent être directement élevés dans les chambres expérimentales. Avant la collecte de données, assurez-vous que chaque chambre expérimentale contient pas plus de 10-15 individu domestica de Musca ou 20-30 individuels simulans drosophile. </li><li> Flux adulte Musca domestica ad libitum sur un mélange de lait de sucre et faible en gras séché, avec un accès libre à l&#39;eau. RSS drosophile adulte simulans ad libitum sur un mélange de fruits pourris. Remplacez les aliments hebdomadaire. </li><li> Maintenir les chambres expérimentales sur 16: lumière 8 h: cycle d&#39;obscurité [LD], de 20,5 à 22 ° C et 30-50% d&#39;humidité relative pour la durée de l&#39;expérience. </li></ol></li></ol> 2. Enregistrez volants sons dans les chambres expérimentales <ol><li> Configuration Chambre expérimentale Remarque: Une «c expérimentalhambre &quot;désigne la cage conçu dans notre laboratoire, dans lequel les données ont été enregistrées. Le capteur est relativement bon marché. Lors de sa construction en vrac, une mise en place pourrait être fabriqué pour moins de 10 $. <ol><li> Construire une chambre expérimentale, soit de la plus grande taille: 67 cm L x 22 cm W x 24,75 cm H, ou la plus petite taille: 30 cm L x 20 cm W x 20 cm H. La chambre expérimentale est constituée d&#39;un réseau de phototransistors et une ligne laser montrant le tableau de phototransistor. NOTE: En outre, la chambre se compose de KRITTER gardiens qui sont modifiés pour inclure le dispositif de capteur ainsi que d&#39;un manchon fixé sur un morceau de tuyau en PVC pour permettre l&#39;accès aux insectes. </li><li> Connectez le réseau de phototransistors à une carte électronique. La sortie de la carte électronique alimente un enregistreur audio numérique et est enregistré sous forme de données audio au format MP3. Voir la conception logique du capteur de la figure 1, partie II, et une version physique de la chambre de la figure 1.J&#39;ai. </li><li&gt; Modifier les couvercles des chambres expérimentales avec un morceau de tissu maille fixée à l&#39;intérieur afin d&#39;empêcher la fuite des insectes. NOTE: Quand un insecte vole à travers le faisceau laser, les ailes occlusion partiellement la lumière, ce qui provoque de légères fluctuations de la lumière. Les fluctuations de la lumière sont saisies par le réseau de phototransistors comme des variations de courant, et le signal est filtré et amplifié par la carte électronique conçu sur mesure. </li></ol></li><li> Configuration du système pour enregistrer des sons produites par les insectes volants <ol><li> Connectez la chambre expérimentale à une alimentation électrique. Tournez sur la puissance. </li><li> Sur la chambre expérimentale, trouver les lumières laser et photoarray. Alignez les lumières laser à la photoarray. Pour obtenir l&#39;alignement correct, adapter le photoarray utilisant des aimants à l&#39;extérieur de la chambre expérimentale qui correspondent aux aimants fixés à la photoarray à l&#39;intérieur de la chambre jusqu&#39;à ce que la lumière laser est centré sur toute la photodiod individueles. </li><li> Réaliser deux vérifications de bonne santé pour s&#39;assurer que le système est correctement mis en place. Remarque: La première étape est de s&#39;assurer que le système est sous tension, tous les fils sont correctement raccordés et si le laser est dirigé vers le tableau de photo. La deuxième étape consiste à procéder à des vérifications supplémentaires sur l&#39;alignement de laser afin de s&#39;assurer qu&#39;elle peut capturer le son des battements d&#39;ailes des insectes. <ol><li> Brancher un casque (plutôt que l&#39;enregistreur) dans la prise audio. Plonger la main dans et hors de la chambre expérimentale, à proximité de la photoarray, pour rompre le plan de la lumière laser. Assurez-vous que la lumière laser est sur (ce sera un faisceau de lumière rouge) et que vous briser le plan de la lumière à quelques reprises avec la main. Écouter des changements de niveau de bruit que votre main va dans et hors du faisceau lumineux. Si vous détectez une différence audible, le capteur est capable de capturer les sons produits par le mouvement des objets plus grands. En cas de succès, de passer à la prochaine vérification de cohérence, sinon, vérifier si le casque est correctement branché etsi le laser est dirigé vers le photoarray. Réglez le photoarray conséquence jusqu&#39;à ce que le son de la main se déplaçant dans et hors de la chambre expérimentale peut être entendu. </li><li> Joindre un mince morceau de câblage électrique à une brosse à dents automatique. Mettez la brosse à dents, et plonger le câblage dans et hors de la chambre expérimentale près de la phototarray. Assurez-vous que la lumière laser est de frapper la pièce de câblage comme il se déplace. Si vous détectez un changement dans la fréquence audible, lorsque la pièce de câblage rompt le plan de la lumière laser, le système est alors prêt à capturer les sons produits par le mouvement des objets minuscules, c&#39;est à dire, des sons d&#39;insectes. Si vous ne détectez pas une différence audible, retournez à l&#39;étape 2.2.2 pour réaligner les lumières laser et la photoarray. </li></ol></li><li> Après que le système est correctement configuré, fermez le couvercle et ajouter les insectes. </li></ol></li><li> Collecte de données: Enregistrement des sons produits par les insectes volants <ol><li> Mettez le magnétoscope et faire une voice annotation qui comprend les informations suivantes: nom de l&#39;espèce dans la chambre expérimentale, l&#39;âge de la insectes, la date et l&#39;heure, actuelle RT ambiante et l&#39;humidité relative. Pause de l&#39;enregistrement. </li><li> Raccordez l&#39;enregistreur au système, via le câble audio, et reprendre l&#39;enregistrement. Laissez l&#39;enregistreur pour enregistrer pendant 3 jours, puis arrêter l&#39;enregistrement. </li><li> Télécharger les données de l&#39;enregistreur dans un nouveau dossier sur un PC. Vider l&#39;enregistreur par la suppression des données. </li><li> Répétez le processus d&#39;enregistrement ci-dessus, jusqu&#39;à ce que les insectes restants sont morts au large et il n&#39;y a pas plus de 5 insectes encore en vie dans la cage. </li></ol></li></ol> Traitement des données de capteurs et 3 Détection des sons produits par les insectes volants <ol><li> Utiliser le logiciel pour détecter les sons produits par les insectes volants. Remarque: le logiciel (algorithme de détection) est beaucoup plus rapide que le temps réel. Il faut au moins 3 heures pour traiter une session d&#39;enregistrement, soit trois jours de datun, sur une machine standard avec processeur Intel (R) Core ™ à 2,00 GHz et 8 Go de RAM. <ol><li> Pour chaque dossier contenant des données à partir d&#39;une session d&#39;enregistrement, exécutez le logiciel de détection pour détecter les sons d&#39;insectes. Pour exécuter le logiciel, ouvert MATLAB, et tapez &quot;circandian_wbf (DataDir)&quot; dans la fenêtre de commande, où DataDir est le répertoire des données d&#39;enregistrement. Puis appuyez sur &quot;Entrée&quot; pour commencer. REMARQUE: Télécharger le circadian_wbf logiciel de détection de référence n ° 16. </li><li> Attendez jusqu&#39;à ce que l&#39;algorithme se termine, puis vérifier les résultats de la détection. Les sorties de l&#39;algorithme tout l&#39;insecte détecté des sons dans un nouveau dossier nommé &quot;_extf DataDir&quot;, où DataDir est le même que dans l&#39;étape précédente. Chaque fichier audio est un long clip audio 1 sec extrait à l&#39;origine de l&#39;enregistrement brut, avec un filtre numérique appliqué pour éliminer le bruit. Le temps d&#39;apparition de chaque son détecté est enregistré dans un fichier nommé &quot;DataDir _time.mat &amp;# 8221 ;. Observer l&#39;exemple d&#39;un son insecte détecté sur la figure 2. </li></ol></li><li> Algorithme de détection <ol><li> Utilisez une longue fenêtre coulissante 0,1 sec de glisser à travers l&#39;enregistrement. La fenêtre coulissante commence à partir du début de l&#39;enregistrement. Pour chaque fenêtre, suivez les étapes ci-dessous. <ol><li> Calculer la fréquence fondamentale de la fenêtre courante. </li><li> Si la fréquence fondamentale est comprise dans la plage de 100 Hz à 1200 Hz, puis effectuer les opérations suivantes: <ol><li> Extraire le 1-s long clip audio centrage de la fenêtre actuelle de l&#39;enregistrement; appliquer un filtre numérique pour supprimer le bruit dans le clip et enregistrer l&#39;audio filtré dans le dossier &quot;DataDir _extf&quot;. </li><li> Enregistrez le temps d&#39;apparition de la fenêtre courante dans le fichier &quot;DataDir _Heure&quot;. </li><li> Déplacez la fenêtre coulissante au point qui suit immédiatement le clip audio extrait. </li></ol></li><li> Si le fr fondamentaleequency n&#39;est pas dans la plage de 100 Hz à 1200 Hz, il suffit de déplacer la fenêtre coulissante 0.01 sec avant. </li></ol></li><li> Répéter le procédé jusqu&#39;à ce que la fenêtre glissante arrive à la fin de l&#39;enregistrement. </li></ol></li></ol> 4. insectes Classification <ol><li> Classification bayésienne en utilisant seulement le son volant Remarque: classificateur bayésien est un classificateur probabiliste qui classe un objet à sa classe la plus probable. <ol><li> Caractéristique Son calcul <ol><li> Pour chaque son d&#39;insecte, de calculer le spectre de fréquence du signal en utilisant la transformée de Fourier discrète (DFT). Tronquer le spectre de fréquences pour inclure uniquement les points de données correspondant à la plage de fréquence: 100 Hz à 2000 Hz. Le spectre de fréquence tronqué est ensuite utilisé dans la classification en tant que «représentant» du son de l&#39;insecte. REMARQUE: La DFT est un algorithme qui transforme les signaux dans le domaine temporel au domaine fréquentiel. Il s&#39;agit d&#39;un buifonction de lt-en dans la plupart des bibliothèques de programmation, et peut être appelé dans le programme avec une seule ligne de code. </li></ol></li><li> Former un classificateur bayésien <ol><li> Utilisez la méthode d&#39;estimation de la densité kNN 14 pour apprendre la distribution de probabilité a posteriori en utilisant la fonction sonore. Avec l&#39;approche kNN, la phase de formation est de constituer un ensemble de données de formation. <ol><li> Hasard un échantillon d&#39;un certain nombre de sons d&#39;insectes à partir des données recueillies pour chacune des espèces d&#39;insectes. </li><li> Suivez les étapes de la section 4.1.1 et calculer le spectre de fréquence tronqué pour chaque son échantillonné. Les spectres tronqués ainsi que les étiquettes de classe des échantillons (insecte de nom de l&#39;espèce) composent l&#39;ensemble de données de formation. </li></ol></li></ol></li><li> Utilisez le classificateur bayésien de classer un insecte inconnu <ol><li> Calculer le spectre de fréquence du signal tronqué inconnu d&#39;insecte. </li><li> Calculer la distance euclidienne entre le spectre du tronc inconnuen objet et tous les spectres tronqués dans l&#39;ensemble de données de formation. </li><li> Trouver le haut k (k = 8 dans le présent document) voisins les plus proches de l&#39;objet inconnu dans l&#39;ensemble de données de formation. Calculer la probabilité a posteriori de son insecte inconnu appartenant à une classe comme la fraction des k meilleurs voisins les plus proches qui sont étiquetés comme classe. </li><li> Classer l&#39;objet inconnu à la classe qui a la probabilité a posteriori la plus élevée. </li></ol></li></ol></li><li> Ajouter une fonctionnalité à l&#39;classificateur: Insect rythme circadien <ol><li> Apprenez les distributions de classe climatisées de l&#39;époque de l&#39;accident de son insecte, qui est, le rythme circadien pour chaque espèce d&#39;insectes. <ol><li> Procurez-vous le temps d&#39;apparition de chaque son à partir des résultats de détection (cf. section 3.2). </li><li> Pour chaque espèce, construire un histogramme de l&#39;insecte temps son apparition. </li><li> Normaliser l&#39;histogramme de sorte que la zone de l&#39;histogramme est une. La normalehistogramme individuelle n&#39;est le rythme circadien de l&#39;espèce donnée. Il indique la probabilité d&#39;observer un insecte de l&#39;espèce, en vol à l&#39;intérieur d&#39;une certaine période de temps. </li></ol></li><li> Classer un &quot;bruit d&#39;insecte&quot; inconnu en combinant le &quot;bruit d&#39;insecte&quot; et le rythme circadien <ol><li> Compte tenu du moment précis dans le temps dans laquelle le signal inconnu d&#39;insecte s&#39;est produit, obtenir la probabilité d&#39;observer un insecte de la classe sur la base du rythme circadien de la classe. NOTE: Le rythme circadien est une distribution de probabilité. Il est un tableau indiquant la probabilité de détection d&#39;un son produit par une espèce spécifique d&#39;insectes, à un moment précis de la journée. Donc, une fois un temps donné, on peut simplement vérifier le tableau pour obtenir la probabilité. </li><li> Suivez les étapes de la section 4.1.2 pour calculer la probabilité a posteriori que le son inconnu appartient à la classe en utilisant les caractéristiques sonores. Multiplier la probabilité a posteriori des résultats vientsuis l&#39;étape précédente pour obtenir la nouvelle probabilité a posteriori. </li><li> Classer le «son inconnu» à la classe qui a le plus nouveau probabilité a posteriori. </li></ol></li></ol></li><li> Ajouter une fonctionnalité de plus pour le classificateur: Répartition géographique des insectes <ol><li> De connaître la distribution géographique des espèces d&#39;intérêt, à partir des données publiées dans les documents historiques, la littérature pertinente, ou tout simplement recueillir la connaissance de première main de terrain techniciens / biologistes. Pour les besoins de la démonstration, utiliser une simulation graphique de la distribution, comme le montre la figure 7. </li><li> Classer un &quot;son insecte inconnu&quot; en utilisant &quot;son vol&quot; et les deux fonctionnalités supplémentaires. <ol><li> Compte tenu de la localisation géographique où le son de l&#39;insecte a été intercepté, calculer la probabilité d&#39;observer un insecte de la classe à cet endroit précis à l&#39;aide du graphique de la distribution des espèces. <ol><li> Suivez les étapes dans la section 4.2.2 unee calculer la probabilité a posteriori que le «son inconnu&quot; appartient à la classe en utilisant les caractéristiques sonores et les rythmes circadiens. Multiplier le résultat de cette étape avec les résultats de l&#39;étape précédente, afin d&#39;obtenir la nouvelle probabilité postérieure. </li></ol></li><li> Classer le «son inconnu» à la classe qui a le plus nouveau probabilité a posteriori. </li></ol></li></ol></li><li> Un cadre général pour l&#39;ajout de fonctionnalités <ol><li> Considérons le classificateur bayésien qui utilise seulement les caractéristiques sonores que le classificateur primaire. Suivez les étapes ci-dessous pour ajouter de nouvelles fonctionnalités au classificateur. <ol><li> Dans la phase de formation, apprendre les fonctions de la nouvelle fonction de densité de classe climatisées. </li><li> Dans la phase de classification, compte tenu de la nouvelle fonctionnalité de «son inconnu&quot;, calculer la probabilité d&#39;observer la fonction de la classe à l&#39;aide des fonctions de densité apprises à l&#39;étape précédente. Multiplier la nouvelle probabilité à la previous probabilité a posteriori correspondant à «son inconnu» appartenant à la classe qui ont été calculés sur la base seulement les caractéristiques impaires, pour obtenir la nouvelle probabilité a posteriori. Classer l&#39;objet inconnu à la classe qui a la plus nouvelle probabilité a posteriori. </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>

Les auteurs déclarent qu&#39;ils n&#39;ont aucun intérêt financier concurrents.

Le cadre capteur / classification décrit ici permet la classification peu coûteuse et évolutive des insectes volants. Les précisions atteignables par le système sont suffisantes pour permettre le développement de produits commerciaux bien et pourrait être un outil utile dans la recherche entomologique. La possibilité d&#39;utiliser, peu coûteux capteurs non invasifs pour classer automatiquement et avec précision les insectes volants aurait des implications importantes pour la reche...

L&#39;idée de classer automatiquement les insectes en utilisant le son accessoire de leur vol remonte aux premiers jours de l&#39;informatique et de l&#39;équipement d&#39;enregistrement audio disponible dans le commerce 1. Cependant, peu de progrès ont été réalisés sur ce problème dans les décennies suivantes. L&#39;absence de progrès dans cette poursuite peut être attribuée à plusieurs facteurs connexes. Tout d&#39;abord, le manque de capteurs efficaces a fait la collecte de données difficile. La plupart des efforts de collecte de données ont utilisé des micros acoustiques 2-5. De tels dispositifs sont extrêmement sensibles du bruit du vent et le bruit ambiant dans l&#39;environnement, résultant en données très rares et de faible qualité. Deuxièmement, ce qui aggrave ces problèmes de qualité des données est le fait que de nombreux chercheurs ont tenté d&#39;apprendre des modèles de classification très complexes, en particulier les réseaux de neurones 6-8. Essayer d&#39;apprendre des modèles de classification complexes, avec de simples dizaines d&#39;exemples,est une recette pour plus de raccord. Troisièmement, la difficulté de l&#39;obtention des données a fait que de nombreux chercheurs ont tenté de construire des modèles de classification des données très limitées, aussi peu que 300 cas de 9 ou moins. Cependant, il est connu que pour la construction de modèles de classification précis, plus les données sont mieux 10 à 13. Ce travail aborde les trois questions. Optiques (plutôt que acoustique) capteurs peuvent être utilisés pour enregistrer le &quot;son&quot; de vol de l&#39;insecte de mètres, avec invariance complète du bruit du vent et les bruits ambiants. Ces capteurs ont permis l&#39;enregistrement de millions de cas de formation labellisés, beaucoup plus de données que tous les efforts précédents combinés, et d&#39;éviter ainsi les efforts de recherche antérieurs sur-apprentissage qui sévit. Une méthode fondée sur des principes est illustré ci-dessous qui permet l&#39;incorporation de l&#39;information supplémentaire dans le modèle de classification. Cette information supplémentaire peut être aussi quotidienne et quefacile à obtenir que le temps de la journée, mais encore produire des gains importants en termes de précision du modèle. Enfin, il est démontré que les énormes quantités de données que nous avons recueillies nous permettent de profiter de &quot;l&#39;efficacité déraisonnable de données&quot; 10 pour produire des classificateurs simples, précises et solides. En résumé, vol classification des insectes a dépassé les réclamations douteuses créés dans le laboratoire de recherche et est maintenant prêt pour un déploiement dans le monde réel. Les capteurs et les logiciels présentés dans cette étude seront chercheurs du monde entier des outils robustes pour accélérer leurs recherches.

<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 système non invasif peu coûteux qui pourrait classer avec précision les insectes volants aurait des implications importantes pour la recherche entomologique, et permettre le développement de nombreuses applications utiles dans le vecteur et la lutte antiparasitaire à la fois pour l&#39;entomologie médicale et agricole. Compte tenu de cela, les soixante dernières années ont vu de nombreux efforts de recherche consacrés à cette tâche. À ce jour, cependant, aucun de ces recherches ont eu un impact durable. Dans ce travail, nous montrons que les capteurs optiques pseudo-acoustique peuvent produire des données de qualité supérieure; que des fonctionnalités supplémentaires, à la fois intrinsèque et extrinsèque au comportement de vol de l&#39;insecte, peut être exploitée pour améliorer la classification des insectes; une approche de classification bayésienne permet d&#39;apprendre efficacement des modèles de classification qui sont très robustes au sur-apprentissage, et un cadre de classification générale permet d&#39;intégrer facilement un nombre arbitraire de fonctionnalités. Nous démontrons des résultats avec des expériences à grande échelle qui éclipsent tous les travaux antérieurs CombiNed, tel que mesuré par le nombre d&#39;insectes et le nombre d&#39;espèces considérées.

Deux expériences sont présentés ici. Pour les deux expériences, les données utilisées ont été échantillonnées au hasard à partir d&#39;un ensemble de données qui contient plus de 100.000 objets. La première expérience démontre la capacité du système de classification proposé de classer avec précision les différentes espèces d&#39;insectes / sexes. Comme la précision de la classification dépend des insectes pour être classé, un seule valeur absolue pour la précision ...

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

Nous avons proposé un système qui utilise des capteurs de pseudo-acoustique non invasives peu coûteuses optiques pour détecter automatiquement et avec précision, compter, et classer les insectes en fonction de leur son volant volant.

Insectes volants Détection et classification des capteurs peu coûteux

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 vues.  University of California, Riverside.  Nous avons proposé un système qui utilise des capteurs de pseudo-acoustique non invasives peu coûteuses optiques pour détecter automatiquement et avec précision, compter, et classer les insectes en fonction de leur son volant volant. 

Vidéo: 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 Detection &amp; identification au moyen de capteurs électrochimiques

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

Recherche

Bio-ingénierie

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.

Glutamine Flux Imaging Utilisation de capteurs génétiquement codés

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.

Une biopuce microfluidique électrochimique à base d&#39;analyse ADN hybridation Sans étiquette

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.

Détection sensible de Proteopathic semis Activité FRET avec la cytométrie en flux

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.

Fast Processing Enzymatic des protéines pour MS de détection avec un microréacteur Flow-through

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.

Plate-forme microfluidique avec multiplexée Détection électronique pour le suivi spatial des particules

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.

Détection du cancer de l'ovaire à l'aide de la cytométrie du flux photoacoustique

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.

Conception et analyse pour la simplification du système de détection des chutes

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 fabrication et l’exploitation d’un système de micro-électroporation à flux continu avec détection de perméabilisation

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

Programme d’IA pour la détection et la classification de la trypanosomiase

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.

Pleins feux sur l’auteur : Détection d’espèces de trypanosomes pilotée par l’IA à partir d’images microscopiques 

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.

Auto-identification supérieure des parasites trypanosomes à l’aide d’un modèle hybride d’apprentissage profond

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