Vorremmo ringraziare la Fondazione Vodafone Americhe, la Bill and Melinda Gates Foundation, e il São Paulo Research Foundation (FAPESP) per il finanziamento di questa ricerca. Vorremmo anche ringraziare i numerosi docenti del Dipartimento di Entomologia presso l&#39;Università di California, Riverside, per i loro consigli su questo progetto.

1. Insetti Colony e allevamento <ol><li> Mosquito Colony e allevamento <ol><li> Tarsalis posteriori Culex, quinquefasciatus Culex, stigmatosoma Culex e Aedes aegypti adulti provenienti da colonie di laboratorio, che ha avuto origine da individui selvatici catturati. </li><li> Larve di zanzara posteriore in pentole smaltate in condizioni standard di laboratorio (27 ° C, 16: luce 8 ore: scuro [LD] ciclo con 1 hr periodi tramonto / alba), e ad libitum nutrirsi di una miscela di roditore terra chow e lievito di birra (3: 1, v: v). </li><li> Raccogliere pupe di zanzara in 200 ml tazze, e metterli nelle camere sperimentali. In alternativa, aspirare le zanzare adulte nelle camere sperimentali entro 1 settimana di emergenza. Assicurarsi che ogni camera sperimentale contiene da 20 a 40 individui della stessa specie / sesso. </li><li> Mangimi zanzare adulte ad libitum su una saccarosio del 10% e la miscela di acqua. Sostituire alimentare settimanale. </li><li> Inumidire asciugamani in cotone due volte a settimana e plli ace sopra le camere sperimentali per mantenere l&#39;umidità all&#39;interno della gabbia. Inoltre, posizionare una tazza di 200 ml di acqua di rubinetto nella camera a tutte le ore per aiutare a mantenere il livello di umidità complessivo. </li><li> Mantenere le camere sperimentali su un 16: 8 ore di luce: buio ciclo [LD], 20,5-22 ° C e 30-50% di umidità relativa per tutta la durata dell&#39;esperimento. </li></ol></li><li> Casa Fly and Fruit Fly Colony e allevamento <ol><li> Musca domestica posteriore da una colonia di laboratorio, derivato da selvatici catturati individui. Cattura selvatici Drosophila simulans individui e li posteriori nelle camere sperimentali. </li><li> Posteriore larve di Musca domestica in vasche di plastica in condizioni standard di laboratorio (12:12 ora di luce: buio [LD] ciclo, 26 ° C, 40% RH) in una miscela di acqua, farina di crusca, erba medica, lievito e latte in polvere. Posteriori Drosophila simulans larve in una camera di allevamento e ad libitum nutrirsi di una miscela di decomposizionefrutta. </li><li> Aspirare adulto Musca domestica in camere sperimentali entro 1 settimana di emergenza. Adulti di Drosophila simulans possono essere direttamente allevati nelle camere sperimentali. Prima della raccolta dei dati, assicurarsi che ogni camera sperimentale contiene non più di 10-15 domestica Musca individuale o 20-30 individuali Drosophila simulans. </li><li> Alimentare adulto Musca domestica ad libitum su una miscela di zucchero e basso contenuto di grassi del latte essiccato, con libero accesso all&#39;acqua. Alimentazione adulto Drosophila simulans ad libitum su una miscela di frutta marcia. Sostituire alimentare settimanale. </li><li> Mantenere camere sperimentali su 16: 8 ore di luce: buio [LD] ciclo, 20,5-22 ° C e 30-50% di umidità relativa per tutta la durata dell&#39;esperimento. </li></ol></li></ol> 2. Record volanti Suoni in Chambers sperimentali <ol><li> Impostazione camera sperimentale Nota: Un &quot;c sperimentaleHamber &quot;denota la gabbia progettata nel nostro laboratorio, in cui è stato registrato il dato. Il sensore è piuttosto economico. Quando costruita alla rinfusa, un set up potrebbe essere prodotto per meno di $ 10. <ol><li> Costruire una camera sperimentale, una delle maggiori dimensioni: 67 centimetri L x 22 cm L x 24,75 centimetri H, o la taglia più piccola: 30 cm L x 20 cm L x 20 cm H. La camera sperimentale è costituito da una matrice fototransistor e un linea laser indicando la matrice fototransistor. NOTA: Inoltre, la camera è costituita da Kritter custodi che sono modificati per includere l&#39;apparato sensore e un manicotto attaccato ad un pezzo di tubazioni in PVC per consentire l&#39;accesso agli insetti. </li><li> Collegare l&#39;array fototransistor ad una scheda elettronica. L&#39;uscita della scheda elettronica si inserisce in un registratore audio digitale e viene registrato come dati audio in formato MP3. Vedere la progettazione logica del sensore di Figura 1, parte e una versione fisica della camera in Figura 1.I. </li><li&gt; modificare i coperchi delle sezioni sperimentali con un pezzo di panno di maglia apposto l&#39;interno, al fine di evitare la fuga degli insetti. NOTA: Quando un insetto vola attraverso il fascio laser, le ali parzialmente occludono la luce, provocando piccole fluttuazioni di luce. Le fluttuazioni di luce vengono catturati dalla matrice fototransistor come variazioni di corrente, e il segnale viene filtrato e amplificato dal custom designed scheda elettronica. </li></ol></li><li> Configurare il sistema per registrare suoni prodotti da insetti volanti <ol><li> Collegare la camera sperimentale di un alimentatore. Accendere l&#39;alimentazione. </li><li> Nella camera sperimentale, trovare le luci laser e photoarray. Allineare le luci laser al photoarray. Per ottenere l&#39;allineamento corretto, regolare la photoarray utilizzando i magneti all&#39;esterno della camera sperimentale che corrispondono ai magneti fissati alla photoarray sul interno della camera fino a quando la luce laser è centrata su tutto il fotodiodo individuoes. </li><li> Eseguire due controlli di integrità per assicurarsi che il sistema sia impostato correttamente. Nota: Il primo passo è quello di assicurarsi che il sistema è alimentato, tutti i cavi siano collegati correttamente e che il laser è puntato verso la matrice fotografia. Il secondo passo è quello di condurre ulteriori verifiche sul grado di allineamento laser per garantire che possa catturare il suono del battito d&#39;ali degli insetti. <ol><li> Collegare le cuffie (piuttosto che il registratore) nel jack audio. Tuffo mano dentro e fuori la camera sperimentale, vicino al photoarray, per rompere il piano della luce laser. Assicurarsi che la luce laser è acceso (sarà un fascio di luce rossa), e che si rompere il piano della luce un paio di volte con la mano. Ascoltare per i cambiamenti nel livello di rumore come la mano va dentro e fuori del fascio di luce. Se si rileva una differenza udibile, il sensore è in grado di catturare i suoni prodotti dal movimento di oggetti di grandi dimensioni. In caso di successo, passare al successivo controllo di integrità, in caso contrario, controllare se la cuffia è collegata correttamente ese il laser è puntato verso il photoarray. Regolare il photoarray di conseguenza fino al suono della mano in movimento dentro e fuori dalla camera sperimentale può essere ascoltato. </li><li> Applicare un sottile pezzo di cablaggio elettrico per uno spazzolino da denti automatico. Accendere lo spazzolino da denti, e immergere il cablaggio dentro e fuori la camera sperimentale vicino al phototarray. Assicurarsi che la luce laser colpisce il pezzo di cablaggio come si muove. Se si rileva un cambiamento udibile in frequenza, quando il pezzo di cablaggio rompe il piano di luce laser, il sistema è pronto a catturare i suoni prodotti dal movimento di oggetti piccoli, cioè, suoni di insetti. Se non si rileva una differenza udibile, tornare al punto 2.2.2 per ri-allineare le luci laser e il photoarray. </li></ol></li><li> Dopo che il sistema sia configurato correttamente, chiudere il coperchio e aggiungere gli insetti. </li></ol></li><li> Raccolta dati: Record suoni prodotti da insetti volanti <ol><li> Accendere il registratore e fare un voice l&#39;annotazione che include le seguenti informazioni: nome della specie nella camera sperimentale, l&#39;età degli insetti, la data e l&#39;ora, corrente RT ambiente e l&#39;umidità relativa. Mettere in pausa la registrazione. </li><li> Collegare il registratore al sistema, tramite il cavo audio, e riprendere la registrazione. Lasciare il registratore per registrare per 3 giorni, poi interrompere la registrazione. </li><li> Scaricare i dati dal registratore in una nuova cartella sul PC. Svuotare il registratore cancellando i dati. </li><li> Ripetere il processo di registrazione di cui sopra, fino a quando gli altri insetti sono morti fuori e non ci sono più di 5 insetti rimasti in vita nella gabbia. </li></ol></li></ol> 3. Sensor Data Processing e rilevamento di suoni prodotti da insetti volanti <ol><li> Utilizzare software per rilevare suoni prodotti da insetti volanti. Nota: il software (algoritmo di rilevamento) è molto più veloce del tempo reale. Ci vuole meno di 3 ore per elaborare una sessione di registrazione, vale a dire, tre giorni di datuna, su una macchina standard con CPU Intel (R) Core ™ a 2,00 GHz e 8 GB di RAM. <ol><li> Per ogni cartella contenente i dati da una sessione di registrazione, eseguire il software di rilevamento per rilevare i suoni di insetti. Per eseguire il software, aperto MATLAB, e digitare &quot;circandian_wbf (datadir)&quot; nella finestra di comando, dove DATADIR è la directory dei dati di registrazione. Quindi premere &quot;Invio&quot; per iniziare. NOTA: Scaricare il circadian_wbf software di rilevamento di riferimento # 16. </li><li> Attendere che l&#39;algoritmo termina, quindi controllare i risultati del rilevamento. Le uscite algoritmo tutta l&#39;insetto rilevato suoni in una nuova cartella denominata &quot;DATADIR _extf&quot;, dove DATADIR è la stessa come nel passaggio precedente. Ogni file audio è una lunga clip audio 1 sec originariamente estratto dalla registrazione crudo, con un filtro digitale applicata per rimuovere il rumore. Il tempo di occorrenza di ogni suono rilevato viene salvato in un file denominato &quot;datadir _time.mat &amp;# 8221 ;. Osservare l&#39;esempio di un suono insetto rilevato nella Figura 2. </li></ol></li><li> Algoritmo di rilevamento <ol><li> Utilizzare una finestra scorrevole lungo 0,1 sec per scorrere attraverso la registrazione. La finestra scorrevole parte dall&#39;inizio della registrazione. Per ogni finestra, attenersi alla seguente procedura. <ol><li> Calcola la frequenza fondamentale della finestra corrente. </li><li> Se la frequenza fondamentale è compreso tra 100 Hz a 1.200 Hz, quindi effettuare le seguenti operazioni: <ol><li> Estrarre il lungo di 1 secondo clip audio di centraggio alla finestra corrente dalla registrazione; applicare un filtro digitale per rimuovere il rumore nella clip e salvare l&#39;audio filtrato nella cartella &quot;datadir _extf&quot;. </li><li> Salvare il tempo di comparsa della finestra corrente nel file &quot;datadir _Time&quot;. </li><li> Spostare la finestra scorrevole al punto che segue immediatamente il clip audio estratto. </li></ol></li><li> Se il fr fondamentaleequency NON è compresa tra 100 Hz a 1.200 Hz, è sufficiente spostare la finestra scorrevole 0,01 sec in avanti. </li></ol></li><li> Ripetere il processo fino a quando la finestra scorrevole raggiunge la fine della registrazione. </li></ol></li></ol> 4 Insect Classificazione <ol><li> Classificazione bayesiana utilizzando solo il volo Suono Nota: classificatore bayesiano è un classificatore probabilistico che classifica un oggetto alla sua più probabile classe. <ol><li> Caratteristica del suono di calcolo <ol><li> Per ogni suono insetto, calcolare lo spettro di frequenza del suono utilizzando la trasformata discreta di Fourier (DFT). Troncare lo spettro di frequenza per includere solo i punti dati corrispondenti alla gamma di frequenza: 100 Hz a 2.000 Hz. Lo spettro di frequenza troncato viene poi utilizzato nella classificazione come &quot;rappresentante&quot; del suono dell&#39;insetto. NOTA: L&#39;DFT è un algoritmo che trasforma i segnali nel dominio del tempo al dominio della frequenza. Si tratta di un edificio dfunzione lt nella maggior parte delle biblioteche di programmazione, e può essere richiamato nel programma con una sola riga di codice. </li></ol></li><li> Addestrare un classificatore bayesiano <ol><li> Utilizzare il metodo di stima della densità kNN 14 per imparare la distribuzione di probabilità a posteriori utilizzando la funzione audio. Con l&#39;approccio kNN, la fase di formazione è quello di costruire un dataset di formazione. <ol><li> Casualmente assaggiare una serie di suoni di insetti dai dati raccolti per ciascuna specie di insetti. </li><li> Seguire i passaggi della sezione 4.1.1 e calcolare lo spettro di frequenza troncato per ogni suono campionato. Gli spettri tronche insieme con etichette di classe dei campioni &quot;(nome della specie di insetto) composte di dati di addestramento. </li></ol></li></ol></li><li> Utilizzare il classificatore bayesiano di classificare un insetto sconosciuto <ol><li> Calcolare lo spettro di frequenza troncata del suono insetto sconosciuto. </li><li> Calcola la distanza euclidea tra lo spettro troncata del unknown oggetto e tutti gli spettri troncati nel dataset formazione. </li><li> Trova il k superiore (k = 8 in questo documento) più vicini dell&#39;oggetto sconosciuto nel dataset formazione. Calcola la probabilità a posteriori del suono insetto sconosciuto appartenente ad una classe come la frazione dei primi k vicini più vicini che sono etichettati come classe. </li><li> Classificare l&#39;oggetto sconosciuto alla classe che ha la più alta probabilità a posteriori. </li></ol></li></ol></li><li> Aggiungere una funzionalità al Classificatore: Insect ritmo circadiano <ol><li> Scopri le distribuzioni di classe condizionata dell&#39;epoca verificarsi di suono insetto, che è, il ritmo circadiano per ogni specie di insetti. <ol><li> Ottenere il tempo di occorrenza di ogni suono dai risultati di rilevazione (cfr Sezione 3.2). </li><li> Per ogni specie, costruire un istogramma del tempo di occorrenza suono insetto. </li><li> Normalizzare l&#39;istogramma in modo che l&#39;area dell&#39;istogramma è uno. Il normaleistogramma zata è il ritmo circadiano delle specie esaminate. Racconta la probabilità di osservare un insetto, di quella specie, in volo entro un certo periodo di tempo. </li></ol></li><li> Classificare un &quot;suono insetto&quot; sconosciuto combinando il &quot;suono degli insetti&quot; e il ritmo circadiano <ol><li> Dato il punto specifico nel tempo in cui si è verificato il suono insetto sconosciuto, ottenere la probabilità di osservare un insetto di classe sulla base del ritmo circadiano di classe. NOTA: Il ritmo circadiano è una distribuzione di probabilità. Si tratta di un array che specifica la probabilità di individuare un suono, prodotto da una precisa specie di insetti, in un momento specifico della giornata. Quindi una volta che viene dato un tempo, si può semplicemente verificare la matrice per ottenere la probabilità. </li><li> Seguire i passaggi nella sezione 4.1.2 per calcolare la probabilità a posteriori che il suono sconosciuto appartiene alla classe utilizzando le caratteristiche del suono. Moltiplicare la probabilità a posteriori i risultati from il passaggio precedente per ottenere il nuovo probabilità a posteriori. </li><li> Classificare il &quot;suono sconosciuto&quot; alla classe che ha la più alta nuova probabilità a posteriori. </li></ol></li></ol></li><li> Aggiungi una caratteristica più il classificatore: Distribuzione Insect Geographic <ol><li> Imparare la distribuzione geografica delle specie di interesse, sia da dati pubblicati in documenti storici, letteratura pertinente, o semplicemente raccogliere la conoscenza di prima mano da campi tecnici / biologi. A scopo dimostrativo, utilizzare una simulazione grafica della distribuzione, come mostrato in Figura 7. </li><li> Classificare un &quot;suono insetto sconosciuto&quot; usando &quot;volante sound&quot; e le due caratteristiche aggiuntive. <ol><li> Data la posizione geografica in cui è stato ricevuto il suono insetto, calcolare la probabilità di osservare un insetto dalla classe in quella posizione specifica utilizzando la distribuzione grafica delle specie. <ol><li> Seguire i passaggi nella sezione 4.2.2 and calcolare la probabilità a posteriori che il &quot;suono sconosciuto&quot; appartiene alla classe utilizzando le caratteristiche sonore e ritmi circadiani. Moltiplicare il risultato di questo passaggio per i risultati della fase precedente, al fine di ottenere la nuova probabilità a posteriori. </li></ol></li><li> Classificare il &quot;suono sconosciuto&quot; alla classe che ha la più alta nuova probabilità a posteriori. </li></ol></li></ol></li><li> Un quadro generale per Aggiunta di funzionalità <ol><li> Si consideri il classificatore bayesiano che utilizza solo funzioni audio, come il classificatore primario. Seguire i passaggi riportati di seguito per aggiungere nuove funzionalità al classificatore. <ol><li> Nella fase di formazione, imparare le funzioni di densità di classe condizionata della nuova funzione. </li><li> Nella fase di classificazione, data la nuova caratteristica del &quot;suono sconosciuto&quot;, calcolare la probabilità di osservare la funzione in classe utilizzando le funzioni di densità apprese nel passaggio precedente. Moltiplicare la nuova probabilità per la previous probabilità a posteriori corrispondente al &quot;suono sconosciuto&quot; appartenenti alla classe che sono stati calcolati sulla base solo le caratteristiche dispari, per ottenere la nuova probabilità a posteriori. Classificare l&#39;oggetto sconosciuto alla classe che ha la più alta nuova probabilità 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>

Gli autori dichiarano di non avere interessi finanziari in competizione.

Il quadro sensore / classificazione qui descritta permette la classificazione economica e scalabile di insetti volanti. Le precisioni ottenibili dal sistema sono sufficienti per permettere lo sviluppo di prodotti commerciali bene e potrebbe essere un utile strumento per la ricerca entomologica. La possibilità di utilizzare poco costoso, i sensori non invasivi per classificare con precisione e automaticamente insetti volanti avrebbe implicazioni significative per la ricerca entomologica. Ad ...

L&#39;idea di classificare automaticamente insetti utilizzando il suono incidentale del loro volo risale ai primi giorni di computer e disponibile in commercio apparecchi di registrazione audio 1. Tuttavia, sono stati compiuti pochi progressi su questo problema nei decenni successivi. La mancanza di progressi in questa ricerca può essere attribuito a diversi fattori correlati. In primo luogo, la mancanza di sensori efficaci ha reso difficile la raccolta dei dati. La maggior parte degli sforzi per raccogliere dati hanno utilizzato i microfoni acustici 2-5. Tali dispositivi sono estremamente sensibili al rumore del vento e il rumore ambientale nell&#39;ambiente, con conseguente dati molto radi e di bassa qualità. In secondo luogo, aggravando i problemi di qualità dei dati è il fatto che molti ricercatori hanno tentato di imparare modelli di classificazione molto complicati, specialmente le reti neurali 6-8. Cercando di imparare complicati modelli di classificazione, con soli decine di esempi,è una ricetta per over-fitting. In terzo luogo, l&#39;difficilmente dei dati ottenere ha fatto sì che molti ricercatori hanno tentato di costruire modelli di classificazione con dati molto limitati, da un minimo di 300 istanze di 9 o meno. Tuttavia, è noto che per la costruzione di modelli di classificazione accurati, più dati è meglio 10-13. Questo lavoro affronta tre questioni. Ottici (piuttosto che acustica) sensori possono essere utilizzati per registrare il &quot;suono&quot; del volo degli insetti da metri di distanza, con totale invarianza di rumore del vento e suoni ambientali. Questi sensori hanno permesso la registrazione di milioni di casi di formazione etichettati, molti più dati rispetto tutti gli sforzi precedenti messi insieme, e, quindi, contribuire ad evitare gli sforzi di ricerca precedenti over-montaggio che ha afflitto. Un metodo di principio è illustrato di seguito, che consente l&#39;integrazione di ulteriori informazioni nel modello di classificazione. Queste informazioni aggiuntive possono essere quotidiana e comefacile da ottenere come il tempo del giorno, ma ancora producono significativi aumenti di accuratezza del modello. Infine, è dimostrato che le enormi quantità di dati che abbiamo raccolto ci permettono di approfittare di &quot;L&#39;irragionevole efficacia dei dati&quot; 10 per la produzione di classificatori semplici, precise e solide. In sintesi, la classificazione degli insetti volanti si è spostata al di là delle affermazioni dubbie creati nel laboratorio di ricerca ed è ora pronto per la distribuzione nel mondo reale. I sensori e software presentati in questo lavoro fornirà ai ricercatori di tutto il mondo strumenti robusti per accelerare la loro ricerca.

<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 poco costoso, non invasivo in grado di classificare con precisione insetti volanti avrebbe importanti implicazioni per la ricerca entomologica, e consentire lo sviluppo di molte applicazioni utili nel vettore e di controllo dei parassiti sia per entomologia medica e agricolo. Dato questo, negli ultimi 60 anni hanno visto molti sforzi di ricerca dedicati a questo compito. Ad oggi, tuttavia, nessuna di queste ricerche ha avuto un impatto duraturo. In questo lavoro, dimostriamo che i sensori ottici pseudo-acustiche in grado di produrre dati superiore; che funzionalità aggiuntive, sia intrinseco ed estrinseco al comportamento in volo dell&#39;insetto, può essere sfruttata per migliorare la classificazione degli insetti; che un approccio di classificazione bayesiana consente di imparare in modo efficace modelli di classificazione che sono molto robusti a un eccesso di montaggio, e un quadro generale di classificazione permette di incorporare facilmente numero arbitrario di funzioni. Dimostriamo i risultati con esperimenti su larga scala che minimizzano tutte le opere precedenti COMBIned, misurata dal numero di insetti e il numero di specie considerate.

Due esperimenti sono qui presentati. Per entrambi gli esperimenti, i dati utilizzati sono stati prelevati a caso da un set di dati che contiene oltre 100.000 oggetti. Il primo esperimento dimostra la capacità del classificatore proposto di classificare con precisione differenti specie / sessi di insetti. Poiché la precisione classificazione dipende insetti da classificare, un unico valore assoluto per la precisione di classificazione non darà al lettore una buona intuizione sulle prestazi...

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

Abbiamo proposto un sistema che utilizza poco costoso, sensori non invasivi pseudo-acustico ottici per rilevare automaticamente e con precisione, contare e classificare insetti base al loro suono volare volare.

Volare Insetto rilevamento e classificazione con sensori Economico

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 Views.  University of California, Riverside.  Abbiamo proposto un sistema che utilizza poco costoso, sensori non invasivi pseudo-acustico ottici per rilevare automaticamente e con precisione, contare e classificare insetti base al loro suono volare volare. 

Video: Flying Insect Detection and Classification with Inexpensive Sensors

Fluorescence detection methods for microfluidic droplet platforms

The development of microfluidic platforms for performing chemistry and biology has in large part been driven by a range of potential benefits that accompany system miniaturisation. Advantages include the ability to efficiently process nano- to femoto- liter volumes of sample, facile integration of functional components, an intrinsic predisposition towards large-scale multiplexing, enhanced analytical throughput, improved control and reduced instrumental footprints.1
In recent years much interest has focussed on the development of droplet-based (or segmented flow) microfluidic systems and their potential as platforms in high-throughput experimentation.2-4 Here water-in-oil emulsions are made to spontaneously form in microfluidic channels as a result of capillary instabilities between the two immiscible phases. Importantly, microdroplets of precisely defined volumes and compositions can be generated at frequencies of several kHz. Furthermore, by encapsulating reagents of interest within isolated compartments separated by a continuous immiscible phase, both sample cross-talk and dispersion (diffusion- and Taylor-based) can be eliminated, which leads to minimal cross-contamination and the ability to time analytical processes with great accuracy. Additionally, since there is no contact between the contents of the droplets and the channel walls (which are wetted by the continuous phase) absorption and loss of reagents on the channel walls is prevented.
Once droplets of this kind have been generated and processed, it is necessary to extract the required analytical information. In this respect the detection method of choice should be rapid, provide high-sensitivity and low limits of detection, be applicable to a range of molecular species, be non-destructive and be able to be integrated with microfluidic devices in a facile manner. To address this need we have developed a suite of experimental tools and protocols that enable the extraction of large amounts of photophysical information from small-volume environments, and are applicable to the analysis of a wide range of physical, chemical and biological parameters. Herein two examples of these methods are presented and applied to the detection of single cells and the mapping of mixing processes inside picoliter-volume droplets. We report the entire experimental process including microfluidic chip fabrication, the optical setup and the process of droplet generation and detection.

Droplet-based microfluidic platforms are promising candidates for high throughput experimentation since they are able to generate picoliter, self-compartmentalized vessels inexpensively at kHz rates. Through integration with fast, sensitive and high resolution fluorescence spectroscopic methods, the large amounts of information generated within these systems can be efficiently extracted, harnessed and utilized.

Metodi di rilevamento a fluorescenza per piattaforme goccia microfluidica

The development of microfluidic platforms for performing chemistry and biology has in large part been driven by a range of potential benefits that ...

Ricerca

Bioingegneria

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.

Rilevamento e identificazione batterica Utilizzando Sensori elettrochimici

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

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.

La glutammina Flux Imaging Utilizzando sensori geneticamente codificato

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 elettrochimica Microfluidic-based per la libera-Label Ibridazione DNA Analysis

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.

Rilevazione sensibile di Proteopathic Semina attività con FRET Citometria a flusso

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.

Veloce enzimatica Trattamento di proteine ​​per MS rilevamento con un microreattore flusso-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.

Piattaforma microfluidica con multiplex di rilevamento elettronico per spaziale monitoraggio di particelle

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

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.

Progettazione e analisi per la semplificazione del sistema di rilevamento delle cadute

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 fabbricazione e il funzionamento di un sistema di micro-elettroporazione a flusso continuo con rilevamento di permeabilizzazione

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

Programma di intelligenza artificiale per il rilevamento e la classificazione della tripanosomiasi

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.

Autore in primo piano: Rilevamento di specie di tripanosomi guidato dall'intelligenza artificiale da immagini microscopiche 

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.

Identificazione automatica superiore dei parassiti del tripanosoma utilizzando un modello ibrido di deep learning

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