蚊子电穿孔图波形数据自动评分的模型评估

《Scientific Reports》：Model evaluation for automated scoring of electropenetrography waveform data from mosquitoes

　　

摘要

电穿孔图谱分析（EPG）是一种用于量化节肢动物与其宿主之间相互作用的强大工具，但手动标记EPG进食行为波形具有主观性、劳动强度大且耗时。在科学领域中，用于监督分类的机器学习模型在模式识别方面已取得显著成效，有望实现波形标记的自动化和标准化。本研究使用Culex tarsalis的EPG波形作为典型数据集，比较了多种常见机器学习方法在波形标记方面的性能，并列出了表现最佳的五种模型。基于UNet架构并带有注意力层的神经网络是表现最好的模型，其整体准确率为86%，宏观F1分数为0.78。据作者所知，这是首次尝试将机器学习应用于识别吸血节肢动物的波形，而非植食性半翅目昆虫的波形。实验表明，此前用于分类半翅目昆虫波形的机器学习方法并不适用于吸血节肢动物的波形。这表明，分析具有不同波形特征的物种可能需要不同的机器学习方法。本研究的成果将有助于开发出自动波形识别工具，研究人员可利用该工具对蚊子及其他吸血节肢动物的波形进行评分。