Gostaríamos de agradecer à Fundação Vodafone Américas, a Fundação Bill e Melinda Gates, e da Fundação de Pesquisa de São Paulo (FAPESP) pelo financiamento desta pesquisa. Gostaríamos também de agradecer aos muitos membros do corpo docente do Departamento de Entomologia da Universidade da Califórnia, Riverside, por seus conselhos sobre este projeto.

1. Insect Colony e Criação <ol><li> Mosquito Colony e Criação <ol><li> Tarsalis traseiros Culex, Culex quinquefasciatus stigmatosoma Culex e Aedes aegypti adultos de colônias de laboratório, que se originou a partir de selvagens capturados indivíduos. </li><li> Larvas do mosquito traseiro em panelas de esmalte sob condições padrão de laboratório (27 ° C, 16: 8 horas de luz: escuro ciclo [LD] com 1 hora e períodos Crepúsculo / Madrugada), e alimentá-los à vontade em uma mistura de roedor chão ração e levedura de cerveja (3: 1, v: v). </li><li> Colete mosquito pupas em 200 ml copos, e colocá-los em câmaras experimentais. Como alternativa, aspirar os mosquitos adultos em câmaras experimentais dentro de 1 semana de emergência. Certifique-se que cada câmara experimental contém de 20 a 40 indivíduos da mesma espécie / sexo. </li><li> Mosquitos adultos ração à vontade em um sacarose 10% e mistura de água. Troque semanalmente alimentos. </li><li> Umedeça toalhas de algodão duas vezes por semana e place-los no topo das câmaras experimentais para manter a humidade no interior da gaiola. Além disso, colocar um copo de 200 ml de água da torneira na câmara em todos os momentos para ajudar a manter o nível de humidade total. </li><li> Manter as câmaras experimentais sobre uma 16: 8 hr de luz: escuro [DL] ciclo, 20,5-22 ° C e 30-50% de HR durante a duração da experiência. </li></ol></li><li> Mosca da casa e Fruit Fly Colony e Criação <ol><li> Musca domestica traseira de uma colônia de laboratório, derivado de selvagens capturados indivíduos. Pegar selvagens Drosophila simulans indivíduos e criá-los em câmaras experimentais. </li><li> Larvas de Musca domestica traseira em tubos de plástico, em condições normais de laboratório (0:12 horas de luz: escuro [DL] ciclo, 26 ° C, 40% HR) numa mistura de água, farinha de farelo, alfafa, de levedura, e leite em pó. Larvas de Drosophila simulans traseiros em estufas de criação e alimentá-los à vontade em uma mistura de podridãofruta. </li><li> Aspirar adulto Musca domestica em câmaras experimentais dentro de 1 semana de emergência. Adulto Drosophila simulans podem ser criados diretamente nas câmaras experimentais. Antes da coleta de dados, certifique-se cada câmara experimental contém não mais do que 10-15 Musca domestica indivíduo ou 20-30 individuais Drosophila simulans. </li><li> Musca domestica adulta alimentação ad libitum, com uma mistura de açúcar e de leite desnatado seco, com livre acesso à água. Alimentação adulto Drosophila simulans ad libitum em uma mistura de frutas podres. Troque semanalmente alimentos. </li><li> Manter câmaras experimentais em 16: 8 horas de luz: escuro [LD] ciclo, 20,5-22 ° C e 30-50% de umidade relativa durante o período do experimento. </li></ol></li></ol> 2. Registre vôo Sounds em câmaras experimentais <ol><li> Configuração Experimental Câmara Nota: Um &quot;c experimentalHamber &quot;indica a gaiola concebidos no nosso laboratório, em que os dados foram gravados. O sensor é bastante barato. Quando construído no volume, um set-up poderia ser fabricado por menos de US $ 10. <ol><li> Construir uma câmara experimental, ou de maior tamanho: 67 cm x 22 cm L W x 24,75 centímetros H, ou o tamanho menor: 30 cm de comprimento x 20 cm x 20 cm W H. A câmara experimental é constituído por uma matriz e um fototransistor linha de laser apontando para a matriz fototransistor. NOTA: Para além disso, a câmara é constituída por Kritter depositários que são modificadas para incluir o aparelho sensor, assim como uma manga ligada a uma peça de tubagem de PVC para permitir o acesso para os insectos. </li><li> Ligue a matriz phototransistor para uma placa eletrônica. A saída da placa eletrônica alimenta um gravador de som digital e é registrado como dados de áudio no formato MP3. Ver o desenho lógica do sensor na Figura 1.II e um suporte físico da câmara da Figura 1.I. </li><li&gt; Modificar as tampas das câmaras experimentais, com um pedaço de tecido de malha de aposta para o interior, a fim de impedir a fuga dos insectos. NOTA: Quando um insecto voa através do feixe de laser, as asas ocluir parcialmente a luz, fazendo pequenas variações ligeiras. As flutuações ligeiras são capturados pela matriz fototransistor como alterações na corrente, e o sinal é filtrado e amplificado pelo projetados placa electrónica. </li></ol></li><li> Configurar o sistema para gravar sons produzidos por insetos voadores <ol><li> Ligue a câmara experimental para uma fonte de alimentação. Ligue o aparelho. </li><li> Na câmara experimental, encontrar as luzes de laser e photoarray. Alinhe as luzes de laser para o photoarray. Para conseguir o alinhamento correcto, ajustar o photoarray usando os magnetos do lado de fora da câmara experimental, que correspondem aos ímans fixos ao photoarray no interior da câmara até que a luz laser é centrada em todo o indivíduo photodiodes. </li><li> Execute duas checagens para verificar se o sistema está configurado corretamente. Nota: O primeiro passo é ter certeza de que o sistema é ligado, todos os fios estão conectados corretamente e que o laser está apontando para a matriz da foto. O segundo passo é a realização de verificações complementares sobre o alinhamento a laser para garantir que ele pode capturar o som de wingbeats dos insetos. <ol><li> Conecte fones de ouvido (e não o gravador) à tomada de áudio. Mergulha mão dentro e para fora da câmara experimental, perto da photoarray, para quebrar o plano da luz laser. Verifique se a luz laser é ligado (ele vai ser um feixe de luz vermelha) e que você quebrar o plano da luz algumas vezes com a mão. Ouvir para alterações no nível de ruído, pois a mão entra e sai do feixe de luz. Se você detectar uma diferença audível, o sensor é capaz de captar sons produzidos pelo movimento de objetos grandes. Se for bem sucedido, passe para a próxima verificação de sanidade, caso contrário, verifique se o fone de ouvido está conectado corretamente ese o laser está apontando para a photoarray. Ajuste o photoarray de acordo até o som da mão movendo-se para dentro e para fora da câmara experimental pode ser ouvido. </li><li> Fixe um pedaço fino de fiação elétrica para uma escova de dentes automática. Ligue a escova de dentes, e mergulhar a fiação dentro e fora da câmara experimental perto do phototarray. Verifique se a luz laser é bater a parte de fiação como ele se move. Se detectar uma mudança de frequência audível, quando a peça de fiação quebra o plano da luz laser, o sistema é, em seguida, pronto para captar os sons produzidos pelo movimento de pequenos objectos, isto é, os sons de insectos. Se você não detectar uma diferença audível, volte para o passo 2.2.2 para realinhar as luzes de laser e do photoarray. </li></ol></li><li> Depois que o sistema está configurado corretamente, feche a tampa e acrescente os insetos. </li></ol></li><li> Coleta de dados: Grave sons produzidos por insetos voadores <ol><li> Ligue o gravador e fazer uma voice anotação que inclui as seguintes informações: nome da espécie na câmara experimental, a idade dos insetos, data e hora, RT ambiente atual, e umidade relativa. Pausar a gravação. </li><li> Ligue o gravador ao sistema, através do cabo de áudio e continuar a gravação. Deixe o gravador para gravar durante 3 dias, em seguida, parar a gravação. </li><li> Faça o download dos dados do gravador em uma nova pasta em um PC. Esvazie o gravador de apagar os dados. </li><li> Repita o processo de gravação acima, até que os insetos restantes morreram fora e já não há mais de 5 insetos deixados vivos na gaiola. </li></ol></li></ol> Processamento de Dados 3 Sensor e Detecção de sons produzidos por insetos voadores <ol><li> Use software para detectar sons produzidos por insetos voadores. Nota: O software (algoritmo de detecção) é muito mais rápido do que o tempo real. Demora menos de 3 horas para processar uma sessão de gravação, ou seja, três dias de datum, em uma máquina de fábrica com CPU Intel (R) Core ™ em 2.00 GHz e 8 GB de RAM. <ol><li> Para cada pasta que contém os dados de uma sessão de gravação, execute o software de detecção para detectar os sons de insetos. Para executar o software, abra o MATLAB e digite &quot;circandian_wbf (DataDir)&quot; na janela de comando, onde DataDir é o diretório de dados de gravação. Em seguida, pressione &quot;Enter&quot; para iniciar. NOTA: Faça o download do software de detecção circadian_wbf de referência # 16. </li><li> Aguarde até que o algoritmo termina, em seguida, verificar os resultados de detecção. As saídas de todo o algoritmo de insectos sons detectados em uma nova pasta chamada &quot;DataDir _extf&quot;, onde DataDir é o mesmo que no passo anterior. Cada ficheiro de som é um 1 seg longo clipe de áudio originalmente extraído a partir da gravação em bruto, com um filtro digital aplicada para eliminar o ruído. O tempo de ocorrência de cada som detectado é salvo em um arquivo chamado &quot;DataDir _time.mat &amp;# 8221 ;. Observar o exemplo de som de insecto detectado na Figura 2. </li></ol></li><li> Algoritmo de Detecção <ol><li> Use a 0,1 seg janela longo deslizante para deslizar através da gravação. A janela deslizante é iniciado a partir do início da gravação. Para cada janela, siga os passos abaixo. <ol><li> Calcule a freqüência fundamental da janela atual. </li><li> Se a frequência fundamental está dentro da faixa de 100 Hz a 1200 Hz, em seguida, faça o seguinte: <ol><li> Extraia o clipe de áudio 1-seg longo centralização na janela atual da gravação; aplicar um filtro digital para remover o ruído no clipe e salvar o áudio filtrada para a pasta &quot;DataDir _extf&quot;. </li><li> Poupe o tempo ocorrência da janela atual para o arquivo &quot;DataDir _time&quot;. </li><li> Mover a janela deslizante para o ponto que se segue imediatamente o clipe de áudio extraídos. </li></ol></li><li> Se o fr fundamentaisequency não está dentro da faixa de 100 Hz a 1.200 Hz, basta mover a janela deslizante 0,01 seg adiante. </li></ol></li><li> Repetir o processo até que a janela deslizante alcance o fim da gravação. </li></ol></li></ol> 4. Insect Classificação <ol><li> Classificação Bayesiana usando apenas o vôo de som Nota: classificador Bayesiana é um classificador probabilístico que classifica um objeto de sua classe mais provável. <ol><li> Computação recurso de som <ol><li> Para cada som inseto, calcular o espectro do som usando Transformada Discreta de Fourier (DFT) de freqüência. Truncar o espectro de freqüência para incluir apenas os pontos de dados correspondentes à faixa de freqüência: 100 Hz a 2.000 Hz. O espectro de freqüência truncada é então utilizado na classificação como o &quot;representante&quot; do som do inseto. NOTA: O DFT é um algoritmo que transforma os sinais em domínio tempo para o domínio da frequência. É um buifunção lt-in na maioria das bibliotecas de programação, e pode ser chamado no programa com apenas uma linha de código. </li></ol></li><li> Treinar um classificador bayesiano <ol><li> Use o método de estimativa de densidade kNN 14 para saber a distribuição de probabilidade posterior usando o recurso de som. Com a aproximação kNN, a fase de treinamento é a construção de um conjunto de dados de treinamento. <ol><li> Aleatoriamente provar uma série de sons de insetos a partir dos dados coletados para cada espécie de insetos. </li><li> Siga os passos da Seção 4.1.1 e calcular o espectro de frequências truncado para cada som amostrado. Os espectros truncadas juntamente com rótulos de classe das amostras (nome da espécie do inseto) compôs o conjunto de dados de treinamento. </li></ol></li></ol></li><li> Use o classificador Bayesiana para classificar um inseto desconhecido <ol><li> Calcule o espectro de frequências truncada do som inseto desconhecido. </li><li> Calcule a distância euclidiana entre o espectro truncada do desconhecidon objeto e todos os espectros truncadas no conjunto de dados de treinamento. </li><li> Encontre o top k (k = 8 neste artigo) vizinhos mais próximos do objeto desconhecido no conjunto de dados de treinamento. Calcular a probabilidade posterior do som inseto desconhecido pertencente a uma classe como a fracção dos melhores k vizinhos mais próximos que estejam rotulados como classe. </li><li> Classificar o objeto desconhecido para a classe que tem a maior probabilidade posterior. </li></ol></li></ol></li><li> Adicionar um recurso para o Classificador: Insect ritmo circadiano <ol><li> Saiba as distribuições condicionado de classe da época ocorrência de som de insetos, ou seja, o ritmo circadiano para cada espécie de insetos. <ol><li> Encontre o tempo de ocorrência de cada som a partir dos resultados de detecção (cf. Secção 3.2). </li><li> Para cada espécie, construir um histograma de ocorrência do tempo de som de insectos. </li><li> Normalizar o histograma de modo que a área do histograma é um. O normaisizado histograma é o ritmo circadiano da espécie dada. Ele conta a probabilidade de observar um inseto, de que as espécies, em vôo dentro de um determinado período de tempo. </li></ol></li><li> Classifique um desconhecido &quot;inseto som&quot;, combinando o &quot;inseto som&quot; eo ritmo circadiano <ol><li> Dado o momento específico em que ocorreu o som inseto desconhecido, obter a probabilidade de observar um inseto de classe com base no ritmo circadiano de classe. NOTA: O ritmo circadiano é uma distribuição de probabilidade. É uma matriz que especifica a probabilidade de detectar um som, produzido por uma determinada espécie de insetos, em um momento específico do dia. Assim, uma vez é dado um tempo, pode-se simplesmente verificar a matriz para obter a probabilidade. </li><li> Siga as etapas na seção 4.1.2 para calcular a probabilidade posterior de que o som desconhecido pertence à classe usando os recursos de som. Multiplique a probabilidade posterior aos resultados froSou o passo anterior para obter a nova probabilidade posterior. </li><li> Classificar o &quot;som desconhecido&quot; para a classe que tem a maior probabilidade de nova posterior. </li></ol></li></ol></li><li> Adicionar One More facilidade à Classificador: Insect Distribuição Geográfica <ol><li> Aprenda a distribuição geográfica das espécies de interesse, quer a partir de dados publicados em registros históricos, literatura relevante, ou simplesmente reunir o conhecimento de primeira mão de campo técnicos / biólogos. Para fins de demonstração, usar uma simulação da distribuição gráfico, como mostrado na Figura 7. </li><li> Classificar um &quot;som inseto desconhecido&quot; usando &quot;som voando&quot; e os dois recursos adicionais. <ol><li> Dada a localização geográfica de onde o som do inseto foi interceptado, calcular a probabilidade de observar um inseto da classe naquele local específico, usando a distribuição gráfica de espécies. <ol><li> Siga os passos na seção 4.2.2 and calcular a probabilidade posterior de que o &quot;som desconhecido&quot; pertence à classe usando os recursos de som e os ritmos circadianos. Multiplicar o resultado desta etapa para os resultados da etapa anterior, a fim de obter o novo probabilidade posterior. </li></ol></li><li> Classificar o &quot;som desconhecido&quot; para a classe que tem a maior probabilidade de nova posterior. </li></ol></li></ol></li><li> Um quadro geral que permite adicionar recursos <ol><li> Considere o classificador bayesiano que utiliza apenas recursos de som como o classificador primário. Siga os passos abaixo para adicionar novos recursos ao classificador. <ol><li> Na fase de treinamento, aprender as funções de densidade de ar-classe do novo recurso. </li><li> Na fase de classificação, dada a novidade do &quot;som desconhecido&quot;, calcular a probabilidade de observar o recurso em sala de aula usando as funções de densidade aprendidas na etapa anterior. Multiplicar a nova probabilidade de o prprobabilidade posterior evious correspondente ao &quot;som desconhecido&quot; pertencente a classe que foram calculados com base apenas nas características ímpares, para obter a nova probabilidade posterior. Classificar o objeto desconhecido para a classe que tem a maior probabilidade de nova posterior. </li></ol></li></ol></li></ol>

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

Os autores declaram que não têm interesses financeiros concorrentes.

A estrutura do sensor / classificação descrita aqui permite a classificação de baixo custo e escalável de insetos voadores. As precisões alcançáveis ​​pelo sistema são bons o suficiente para permitir o desenvolvimento de produtos comerciais e pode ser uma ferramenta útil na investigação entomológica. A habilidade de usar sensores de baixo custo, não-invasivos com precisão e automaticamente classificar insetos voadores teria implicações significativas para a pesquisa ento...

A idéia de classificar automaticamente insetos usando o som incidental de seu vôo remonta aos primeiros dias de computadores e disponível no mercado equipamentos de gravação de áudio: 1. No entanto, pouco progresso foi feito sobre este problema nas décadas intervenientes. A falta de progresso nesta busca pode ser atribuída a vários fatores relacionados. Em primeiro lugar, a falta de sensores eficazes tornou difícil a recolha de dados. A maioria dos esforços para coletar dados usaram microfones acústicos 2-5. Tais dispositivos são extremamente sensíveis a ruídos de vento e ruído ambiente no meio ambiente, resultando em dados muito esparsas e de baixa qualidade. Em segundo lugar, agravando esses problemas de qualidade dos dados é o fato de que muitos pesquisadores têm tentado aprender modelos de classificação muito complicada, principalmente redes neurais 6-8. Tentando aprender modelos de classificação complicadas, com apenas dezenas de exemplos,é uma receita para o excesso de montagem. Em terceiro lugar, a dificuldade de obtenção de dados fez com que muitos pesquisadores têm tentado construir modelos de classificação com dados muito limitados, como poucos como 300 casos 9 ou menos. No entanto, sabe-se que para a construção de modelos de classificação precisos, mais dados melhor 10-13. Este trabalho aborda as três questões. Sensores ópticos (em vez de acústica) pode ser usado para gravar o &quot;som&quot; do vôo de insetos de metros de distância, com invariância completa a ruídos de vento e sons do ambiente. Estes sensores têm permitido a gravação de milhões de casos de treinamento rotulados, muito mais dados do que todos os esforços anteriores combinados, e, assim, ajudar a evitar o excesso de montagem que tem atormentado os esforços de investigação anteriores. Um método de princípio é mostrado abaixo, que permite a incorporação de informação adicional sobre o modelo de classificação. Esta informação adicional pode ser tão cotidiano e comofácil de obter como a hora do dia, e ainda assim produzir ganhos significativos na precisão do modelo. Por fim, demonstra-se que as enormes quantidades de dados foram coletados nos permitem tirar partido de &quot;A efetividade irracional de dados&quot; 10 para produzir classificadores simples, precisos e robustos. Em resumo, voando classificação inseto foi além das reivindicações duvidosas criados no laboratório de pesquisa e agora está pronto para a implantação do mundo real. Os sensores e software apresentados neste trabalho irá fornecer aos pesquisadores em todo o mundo ferramentas robustas para acelerar suas pesquisas.

<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

Um sistema de baixo custo, não invasivo e que poderia classificar com precisão insetos voadores teria implicações importantes para a pesquisa entomológica, e permitir o desenvolvimento de muitas aplicações úteis no vetor e controle de pragas, tanto para entomologia médica e agrícola. Diante disso, nos últimos 60 anos tenho visto muitos esforços de pesquisa dedicados a esta tarefa. Até o momento, no entanto, nada disto pesquisa teve um impacto duradouro. Neste trabalho, mostramos que os sensores ópticos pseudo-acústico pode produzir dados superior; que recursos adicionais, tanto intrínsecos e extrínsecos ao comportamento de voo do inseto, pode ser explorada para melhorar a classificação de insetos; que uma abordagem de classificação bayesiana permite aprender de forma eficiente modelos de classificação que são muito robustos para o excesso de encaixe, e uma estrutura de classificação geral permite incorporar facilmente número arbitrário de recursos. Nós demonstramos os resultados de experimentos em grande escala que anão todos os trabalhos anteriores combinido, como medida pelo número de insectos e o número de espécies consideradas.

Dois experimentos são apresentados aqui. Em ambos os experimentos, os dados utilizados foram coletados aleatoriamente a partir de um conjunto de dados que contém mais de 100.000 objetos. A primeira experiência mostra a capacidade do classificador proposto classificar com precisão diferentes espécies / sexos dos insectos. Como a precisão da classificação depende dos insetos para ser classificado, um único valor absoluto para a precisão da classificação não vai dar ao leitor uma b...

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

Propusemos um sistema que utiliza sensores de pseudo-acústico de baixo custo, não invasivo ópticos para detectar automaticamente e com precisão, contar e classificar insetos voadores com base em seu som de vôo.

Vôo Detecção e Classificação Insect com sensores baratos

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 visualizações.  University of California, Riverside.  Propusemos um sistema que utiliza sensores de pseudo-acústico de baixo custo, não invasivo ópticos para detectar automaticamente e com precisão, contar e classificar insetos voadores com base em seu som de vôo. 

Vídeo: 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.

Métodos de detecção de fluorescência para as plataformas de gotículas microfluídicos

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

Bioengenharia

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.

Bacteriana Detecção e Identificação Utilizando sensores eletroquímicos

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.

Glutamina Flux imagem usando sensores codificados geneticamente

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.

A Biochip eletroquímica microfluídica à base de Análise de hibridação DNA livre-Label

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.

Detecção sensível de Proteopathic Sementeira Atividade com FRET Citometria de Fluxo

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.

Enzimática processamento rápido de proteínas para a detecção MS com um micro-reator de fluxo-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.

Plataforma microfluídico com multiplexada detecção electrónica do Ordenamento do Rastreamento de Partículas

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.

Design e Análise para Simplificação do Sistema de Detecção de Queda

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.

A Fabricação e Operação de um Sistema de Micro-Eletroporação de Fluxo Contínuo com Detecção de Permeabilização

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

Programa de IA para detecção e classificação de tripanossomíase

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

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

Autor em destaque: detecção de espécies de tripanossomas orientada por IA a partir de imagens microscópicas 

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

Auto-Identificação Superior de Parasitas Tripanossomas Usando um Modelo Híbrido de Aprendizagem Profunda

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