基于分形維數和HHT的蚜蟲刺吸電位波形機器識別

吳莉莉，賈樹恒，邢玉清，盧少華，潘建斌，閆鳳鳴

?

基于分形維數和HHT的蚜蟲刺吸電位波形機器識別

吳莉莉1，賈樹恒1，邢玉清1，盧少華2，潘建斌1，閆鳳鳴2

（1. 河南農業大學理學院，鄭州 450002； 2. 河南農業大學植物保護學院，鄭州 450002）

昆蟲刺吸電位（electrical penetration graph，EPG）技術在研究刺吸式昆蟲取食行為、昆蟲與植物的關系、昆蟲傳毒機制、作物抗蟲機制等方面得到了廣泛的應用，然而EPG信號的識別和分析一直是靠人工進行，亟需波形自動識別系統以提高分析效率。刺吸式昆蟲取食植物時，產生的EPG波形跟昆蟲和植物的種類有關，不同類別的刺吸式昆蟲EPG波形差別很大，即使是同種類型的EPG波形其幅值和頻率間也會有差異，這給EPG波形的機器識別帶來了困難。該文以蚜蟲的EPG信號為研究對象，對np波、pd波、E1波、E2波、G波、C波和F波的特征提取和分類識別進行了研究，提出了一種基于分形維數、希爾伯特-黃變換（hilbert-huang transform，HHT）和決策樹的EPG波形識別方法。首先對EPG儀器采集得到的信號進行去噪預處理，分別提取分形維數和HHT共10維特征，組成不同維數的特征向量進入決策樹分類器進行對比試驗。試驗結果表明，可采用分形盒維數、Hurst指數、前2層的譜質心和加權頻率融合的6維特征向量獲得較高的識別率。在EPG波形的機器識別中采用6維特征向量輸入的決策樹進行分類，通過對4組不同樣本進行測試，得到了92.14%、89.29%、95%和89.29%的識別率，平均識別率為91.43%。研究結果表明該文提出的基于分形維數和HHT的特征提取方法以及構建的決策樹分類器具有一定的可行性，可為研發EPG信號自動識別分析系統提供理論參考。

昆蟲；分形維數；特征提取；刺吸電位波形；希爾伯特-黃變換；決策樹；分類

0 引 言

刺吸式昆蟲是世界農林生產上最重要且最難控制的害蟲類別之一，多數植物病毒是由這類昆蟲傳播的，控制這類害蟲及其所傳播的植物病毒成為農業和植保領域的重要課題。刺吸電位（electrical penetration graph，EPG）技術通過研究刺吸式昆蟲的取食行為和植物抗性機制，從而為利用生態途徑和植物抗性控制害蟲奠定基礎[1]。

EPG信號與昆蟲的刺探行為、唾液分泌、取食等生理過程相對應，在利用EPG技術進行昆蟲和植物的相關研究時，需要正確解讀EPG波形，這些工作一直以來都是靠人工進行。EPG信號的分析和統計經歷了最初的手工統計、Stylet系列軟件和Probing系列軟件的發展[2]，但即使是最新版本的軟件，也僅僅是對人工標記好的波形進行統計分析，EPG信號的識別還是要靠人工完成。這種純粹依靠人工進行波形識別的方式不僅耗時耗力，且主觀性強，可靠性不高，很大程度上限制了EPG技術的推廣應用，因此EPG波形的機器識別顯得尤為迫切。

EPG波形屬于生物電信號，具有數據量大、幅度小、頻率低、非線性和波形多樣等特點，這給EPG信號的特征提取及分析識別帶來了很大的困難。

生物電信號是一個時間序列，分形理論能對它的不規則度進行有效的刻畫，揭示信號的局部在某一方面表現出與整體的相似性，信號的分形維數（fractal dimension，FD）能反映信號幾何形態的復雜度。基于分形維數的特征提取方法在心電、腦電等生物電信號中受到了廣泛關注。例如：王玉等[3]采用了基于毯子維的分形截距特征作為分類特征，有效地區分了癲癇腦電與間歇期腦電，分類檢測的準確率達到96% 以上。André LV. Coelho等[4]采用了FD作為肌電信號的特征，Maryam Hamidi等[5]在采用了FD作為心音信號的特征，均取得較好的分類效果。

生物電信號本質上都是非線性和非平穩的，因此非線性信號處理技術更適合處理這類信號。希爾伯特-黃變換（Hilbert-Huang transform，HHT）作為分析時變非平穩信號的有力工具，把非線性信號變換分解為多個單一模式信號，根據信號本身自適應的選取變換基底，因此更能從本質上對生物電信號進行分解。近年來在心電、腦電等生物電信號的特征提取和去噪中都得到了廣泛應用。例如：楊鵬圓等[6]對情感腦電信號提取了HHT的特征識別愉悅度，梅婉欣等[7]采用HHT特征辨別不同閱讀模式下的腦電信號，Sule Yücelbas等[8]采用了HHT對心電信號進行特征提取，識別了喚醒、非快速眼球轉動和快速眼球轉動3個睡眠階段。

機器學習在心電、腦電和肌電等人體生物電信號的自動識別、波形分類和疾病診斷等方面已做了大量的研究工作[9-11]，也取得了豐碩的研究成果，然而在昆蟲EPG信號的研究中尚屬空白。

本文在嘗試了時域、頻域和時頻特征提取方法之后，經過多次試驗對比分類效果，提出了基于分形維數和HHT融合的特征提取方法，利用決策樹實現EPG波形的分類識別，以期為EPG信號自動識別分析系統的研發奠定理論基礎，縮短EPG信號的分析時間，促進EPG的高效利用及智能化發展。

1 EPG信號分析的常用波形

EPG信號的生物學意義是分析昆蟲刺吸行為的基礎，利用EPG無論進行何種目的的研究，都需要準確判別各類波形的生物學意義。刺吸式昆蟲取食植物時，產生的EPG信號跟昆蟲和植物的種類有關，不同類別的刺吸式昆蟲（例如蚜蟲、葉蟬、綠盲蝽等）其EPG信號差異很大。

蚜蟲是最早應用EPG技術研究其刺吸行為的昆蟲，也是研究最深入的，結合透射電鏡、同位素示蹤、口針切割等技術，已明確了蚜蟲的8種基本波形及其生物學意義[12]。這8種波形分別為np波（非刺探波，此時蚜蟲口針未刺入植物表皮內，波形幾近直線）、A、B、C波（路徑波，A波總伴隨著水溶性唾液的分泌；B波在A波之后，伴隨著凝膠型唾液的分泌，此時蚜蟲的口針位于表皮及薄壁組織內[13-14]；B波之后C波出現，二者沒有截然的界限，C波是EPG信號中最復雜的波形，此時蚜蟲的口針位于表皮與微管束之間，在判讀中，一般將一些不能明確區分的波也歸入C波，統計時A波、B波也歸入C波）、pd波（口針穿刺波，反映了蚜蟲口針刺破細胞膜時所測的膜內外電位差）、E波（E波反映了口針刺探韌皮部篩管的過程，可分為El波（韌皮部分泌唾液波）和E2波（韌皮部取食波））、G波（木質部取食波）和F波（機械障礙波），如圖1所示，該波形由EPG系統的使用手冊提供，作為判讀各種波形的參考樣本。

注：np代表np波，A代表A波，B代表B波，C代表C波，pd代表pd波，F代表F波。下同

在利用EPG波形進行昆蟲取食行為、植物抗性或傳毒機制研究時，通常需要先人工識別出上述幾種波形，再統計分析各個波形的參數指標。

2 EPG波形的獲取和預處理

試驗中選用荷蘭生產的直流Giga-8 EPG 儀來獲取EPG波形，該儀器的輸入阻抗為109歐姆，A/D 采集卡分辨率12位，8通道，采樣頻率100 Hz。受試昆蟲為桃蚜，長期隔離飼養于溫室內的健康煙草上，飼養條件為：溫度25 ℃，相對濕度70%，光周期14 h:10 h（光照時間：黑暗時間），選用無翅成蚜進行試驗。受試植株為煙草（中煙一號品種），種于人工氣候箱中的花盆內，每3 d澆1次蒸餾水，隔21 d澆1次營養液，不施用任何農藥。培養環境為：溫度25 ℃，相對濕度70%，光周期14 h:10 h（光照時間：黑暗時間），選取同一生長狀態的4～6葉期的植株進行試驗。EPG波形的獲取試驗在白天室溫20 ℃下進行，受試蚜蟲在饑餓1 h后開始記錄，記錄時長為4 h。

EPG信號在采集過程中，不可避免受到噪聲的干擾，這些噪聲來源于EPG儀器和昆蟲，主要有工頻干擾、放大電路內部噪聲、昆蟲的運動偽跡干擾以及基線漂移等等，為了能準確地提取EPG信號的特征，在分析前必須剔除這些干擾因素，對信號進行預處理，具體實施過程參見文獻[15]。

3 EPG波形的特征提取

EPG的各種波形形態特征差異很大，即使同種波形，其幅值、頻率和波形走向也有所不同，要找到一種通用的特征提取方法適合所有的波形難度很大，本文擬采用基于分形維數和HHT的融合特征構建特征向量，對np、C、pd、E1、E2、G和F波共7種波形進行分類識別。

3.1 分形維數特征提取

常用的分形維數主要包括：Hausdorff 維數、盒維數、自相似維數、Hurst指數、信息維數和關聯維數等。EPG信號作為一種時間序列，分形維數能夠對其特征變化以及分布的復雜性、不規則性進行有效刻畫，考慮到計算量，本文選取盒維數和Hurst指數。

3.1.1 盒維數

設是R上的任意非空有界子集，()是直徑最大為、可以覆蓋集合的最少個數，則的盒維數定義為[16-20]

實際應用中無法按照式（1）定義的極限求解，本文采用近似計算方法，在離散信號()的無標度區內，用一系列方形的網格進行覆蓋，以網格為基準，逐步放大到網格，得到各尺度下有效覆蓋的網格個數N，再用最小二乘法得到log?logN的擬合直線，其斜率就是離散信號()的分形盒維數F。

計算結果表明EPG信號的盒維數取值范圍在1～2，波形越復雜盒維數越大。

3.1.2 Hurst指數

Hurst指數（用表示）是自相似性度量的無量綱估計[4]，通常用來表征時間序列很長范圍內的相關性。如果=0.5，說明時間序列是不相關的或者在很短時間范圍內相關；如果＞0.5，則時間序列具有顯著的正相關性，且是持久的；如果＜0.5，時間序列也具有長期的相關性，但總體趨勢與之前的相反，即反持久性。

在估計Hurst指數時，常用的方法為/分析法（又叫重標極差法）。對于一個時間序列()，將其分成若干個長度為的等長子區間，對每個子區間重復計算得到Hurst指數序列。

Hurst指數可由式（2）計算出。

試驗中，在對EPG做特征提取時，以10 s長的數據為1個樣本（即每個樣本含有1 000個數據點），每種波形選用100個樣本。對7種波形各100個樣本分別計算盒維數和Hurst指數，組成特征向量。為了便于觀察，求取每種波形100個樣本的盒維數和Hurst指數均值，如表1所示。

表1 EPG波形的分形維數

由表1可見，在盒維數特征中E2波和C波的值較接近，在Hurst指數特征中E1波和C波的值較接近，其余波形的分形維數特征差異明顯，可作為區分類別的特征。對于特征值較接近的波形，分形維數特征不易區分，因此還需融合其他特征來識別。

3.2 HHT特征提取

3.2.1 HHT的基本原理

HHT由經驗模態分解（empirical mode decomposition，EMD）和希爾伯特變換（hilbert transform）兩部分[18]組成。HHT先對信號進行EMD，得到若干本征模態函數（intrinsic mode function，IMF）之和[24]，通過對每個IMF分量進行Hilbert變換得到信號的瞬時頻率和幅值，進而可得到信號完整的Hibert譜。

對任意信號()進行EMD的步驟[25-27]如下：

1）找出信號()中所有局部極值點，用三次樣條函數擬合形成信號的上、下包絡線；

2）計算上線包絡線的均值，求出信號()與均值的差值()；

3）判斷()是否滿足IMF的條件，若不滿足，把()作為原始信號，重復步驟1）~2），直至滿足條件。把()作為信號()中滿足IMF條件的第1個分量，求出信號()與第1個IMF分類的差值()；

4）將()作為新的原始信號，重復步驟1）～3），循環次，得到信號()的個滿足IMF條件的分量。當剩余分量r()變為單調函數，從中不能再篩選出新的IMF分量時循環結束。

此時信號()可分解為個IMF分量和1個剩余分量之和，如式（3）所示。

由上述分析可以看出，EMD最先分解出高頻分量，而后依次分解出低頻分量，對每個分量進行Hilbert變換，計算瞬時頻率和幅值，按式（4）可以重構原信號()的解析式。

式中a()和()分別是第個IMF分量的幅值函數和瞬時角頻率函數，符號Re代表取實部。若將幅值表示為時間和頻率的函數，則可得到幅值的時間-頻率分布譜，即Hilbert譜。

3.2.2 譜質心和加權頻率

譜質心是信號中頻率成分分布的中心，作為描述信號特征的一個參數，譜質心的定義[28]為

式中為信號長度，f()和E()分別為第個IMF分量的第個采樣點的瞬時頻率和瞬時能量。

對于非平穩信號而言，頻率是隨時間變化的，加權頻率的定義式為

式中a()為第個IMF分量的第個采樣點和幅值。

由于信號的內在特征主要體現在前幾個IMF分量上，最后幾個分量包含低頻成分，幅值累計較小，包含信息量少，因此提取前2個IMF分量的譜質心和加權頻率值，組成HHT的特征向量。表2給出了7種波形各100個樣本前4層的譜質心和加權頻率均值。由表2可以看出在加權頻率的特征值中，第1層的E2波和G波最為接近，差值為0.017；第2層的pd波和C波最為接近，差值為0.001；第3層和第4層都是C波和F波最為接近，差值為0.001。在譜質心的特征值中，第1層的E2波和C波、G波和F波差值均為0.04；第2層的pd波和E2波差值為0.02；第3層的E2波和C波，差值為0.001；而第4層的pd波和C波完全相同，差值為0。這說明各個波形間的特征值差異會隨層數增多而減小，特征值并不是選得越多越好，顯然第3、4層的HHT特征對波形的分類識別沒有益處。

表2 EPG波形的HHT特征

3.3 EPG波形的特征向量

在對EPG波形進行分類的試驗中，選用基于分形維數和HHT的6個特征組成特征向量Fea=[FSC1SC2Wf1Wf2]，其中F代表盒維數；代表Hurst指數；SC1代表第1層譜質心；SC2代表第2層譜質心；Wf1代表第1層加權頻率；Wf2代表第2層加權頻率。圖2給出了7種EPG波形各100個樣本的特征值分布，從圖中可以看出，G波和F波的F、SC2和Wf2特征值一致性較好，比較集中，pd波的值較集中，np波的SC2、Wf1和Wf2跟其他波形無交叉，易于區分。這些特征值將作為決策樹分類器的輸入向量，分類器的輸出即為7種類別的EPG波形。

圖2 EPG波形的特征值分布

4 EPG波形的機器識別

在目前生物電信號的機器識別中，常用的分類器有神經網絡、支持向量機、決策樹等等。綜合考慮參數設置、識別率和耗時等因素，本文采用決策樹作為分類器。

4.1 決策樹分類器的構建

對EPG波形的分類識別中擬采用C4.5算法來生成決策樹。C4.5算法是ID3算法的改進算法，在決策樹的構造過程中，最關鍵的2個步驟是用信息增益率來選擇屬性和用后剪枝法對決策樹的訓練集進行剪枝[29]。

在C4.5算法中將決策樹看作是含有分類標簽的信息源，設訓練集為，樣本類別標號為C(=1，2…)，為訓練集中的類別數量，此時訓練集的信息熵[30-31]為

假設屬性特征為，令={1,2,…,S}，其中為屬性包含不同值的數目。樣本集在屬性上的信息增益為

信息增益率是用信息增益和分裂信息量共同定義的，即

其中分裂信息量的定義為

信息增益率表示了由分支產生的有用信息的比率，該值越大，分支包含的有用信息就越多。

EPG波形機器識別的決策樹分類規則如圖3所示，該決策樹經過10步的剪枝完成EPG各波形的分類。由于np波的特征值Wf1跟其他波形無交叉，F波的F和Wf2特征值比較集中，所以在決策樹中前2個分類特征用F和Wf1將np波和F波首先區分開來。圖3中先根據式（9）計算所有樣本特征的信息增益率，選擇最大的信息增益率對應的屬性，標記為根節點，即圖中的B≥1.670，在B的值域范圍內產生相應的分支，各分支節點（也就是葉子節點）的數值就是該候選屬性的最大信息增益率。

4.2 識別結果與分析

在對EPG的7種波形做分類時，從EPG儀器的8個通道中隨機選取4個通道的EPG信號，作為試驗的4組樣本。每組樣本的EPG信號時長取7 000 s，即每組樣本的數目為700個，其中訓練樣本560個，測試樣本140個。

為了說明選用分形維數和HHT融合特征的有效性，試驗中采用決策樹作為分類器對比了不同特征向量維數的正確識別結果，如表3所示。

表3中識別率的計算方法如式（11）所示[32]。

式中是用于訓練的樣本集數目，TP為正確肯定（實際是正例，識別為正例），TN為正確否定（實際是負例，識別為負例），FP為錯誤肯定（實際是負例，識別為正例），FN為錯誤否定（實際是正例，識別為負例），即識別率為正確識別樣本個數與總體樣本個數的百分比。

注：F代表分形盒維數，代表Hurst指數，SC1代表第1層譜質心，SC2代表第2層譜質心，Wf1代表第1層加權頻率，Wf2代表第2層加權頻率。

Note:Frepresents box dimension,represents Hurst exponent, SC1represents weighted frequency of the first layer, SC2represents weighted frequency of the second layer, Wf1represents spectral centroid of the first layer, Wf2represents spectral centroid of the second layer.

圖3 EPG波形的決策樹分類模型

Fig.3 Decision tree classification model for EPG waveform

表3 不同特征向量識別率比較

表3中4個HHT特征向量組成為第1、2層的譜質心和加權頻率；融合特征8個的特征向量組成為：分形盒維數、Hurst指數、第1、2、3層的譜質心和加權頻率；融合特征10個的特征向量組成為：分形盒維數、Hurst指數、第1、2、3、4層的譜質心和加權頻率。由表3可知用6個融合特征是最佳組合，4組的識別率分別為92.14%、89.29%、95%和89.29%，平均值為91.43%，均高于采用8個和10個融合特征的識別率。

分析表3中識別率差異較大的原因主要有2方面：一方面是試蟲的個體差異，即使是同種EPG波形，幅值（如圖4a、4b、4c和4d所示的E1、E2波）、頻率（如圖4a和4b所示的E1波）或波形走向（如圖4c和4d所示的C波）也差別較大，使得提取的特征值分散，不易區分；另一方面是試驗中采用的為有監督學習，識別結果與訓練樣本的選取關聯很大，如果訓練樣本的波形跟測試樣本差別較大，會出現識別率較低的情況。

圖4 同種類型的波形差異對比

表4給出了采用6個融合特征時機器識別與人工識別對比結果。人工識別由2人分別完成，其中一人從事過2 a的EPG波形研究，經驗豐富；另一人為初學者，在操作之前進行2 h 的EPG波形學習。

表4 機器識別與人工識別的性能比較

由表4可以看出，2組人工識別的識別率均高于機器識別，人工識別的平均識別率為99.11%，機器識別的平均識別率為91.43%，但人工的耗時明顯要長于機器識別，機器識別的平均耗時為18.22 s，而人工的平均耗時為839.13 s。機器識別的正確率比人工識別低了7.68個百分點，在可接受范圍內，但耗時僅為人工識別的1/46，極大地提高了工作效率。后續研究可以通過優化分類器、集成學習等方法進一步提高識別率。

為了明確分類效果，表5給出了4組測試樣本的混淆矩陣均值，在混淆矩陣中，對角線元素表示各波形能被決策樹正確識別的百分比，非對角線元素表示發生錯誤判斷的百分比。從表5中可以看出，np波、E1波和G波能準確無誤地識別；F波的識別率為97.5%，部分F波會錯判為pd波和G波，這與提取的第1層譜質心的特征有關（F波和G波的特征值最為接近）；pd波的識別率為92.5%，會錯判為E1、E2和C波。而E2波和C波的識別率較低，易發生誤判，E2波判為C波的錯誤率為15%，C波判為E2波的錯誤率為16.25%，這是因為提取的多個特征值（如盒維數，第1、2層譜質心和第2層加權頻率）差異不明顯。np波為非刺探波，此時昆蟲還未取食，所以波形很好判定；E1波、G波和F波為準周期的信號，易于區分；一個完整的pd波中有明顯的下降和上升，也易于識別。而C波是所有波形中最為復雜的波，通常含有A波、B波和一些不能識別的波，波形走向復雜多樣，不易選取有代表性的特征，容易和其他波形混淆。E2波是刺吸口器昆蟲在韌皮部取食時產生的波形，通常在E1波發生之后出現，一般為負電位，可以通過增加時域幅值特征來加以區分。

表5 4組測試樣本識別率的混淆矩陣均值

5 討 論

EPG波形一直以來都是靠人工識別，機器學習在EPG領域進展得比較緩慢，這與EPG波形的復雜程度也有一定關系。在EPG的波形中，C波是最為復雜的，不僅包含有A波和B波，甚至一些不能定義的波形也歸為其中。A波出現于蚜蟲口針剛剛刺入植物的葉面組織，與其他波相比，幅度最大，B波緊隨A波之后，隨著唾液鞘的不斷固化，導電性會起伏不定，所以波形會忽高忽低，同時慢慢過渡到C波，而通常在記錄數據中，多為B波和C波疊加后的復合波形。因此C波的波形走向復雜多樣，在識別時容易出錯。雖然E1波和E2波比較規律，但是不同的試蟲因個體差異，得到的波形也會出現幅值和頻率上的差異。這些都給EPG波形的機器識別帶來了困難。

本文僅基于分形維數和HHT的非線性特征對EPG波形的決策樹分類識別作了初步探討，還有很多工作待進一步完善：1）目前僅僅識別了7種波形，在傳毒應用中，還有會E1+E2波，這部分的波形識別還需考慮；2）文中僅提取了盒維數和Hurst指數作為分形維數特征，增加其他分形維數特征是否可以提高識別率，有待于驗證；3）融合其他特征如非線性熵特征，小波時頻特征等，尋找能代表各個波形的最佳分類特征；4）采用其他分類器，如極限學習機，隨機森林算法、集成學習等是否可以獲得更高的識別率，還需要進一步試驗驗證。

6 結　論

為實現EPG波形的機器識別，本文以蚜蟲的EPG信號為例，對np波、pd波、E1波、E2波、G波、C波和F波的特征提取和分類識別進行了研究，提出了融合分形維數和HHT的特征提取方法，構建了基于決策樹的分類器，通過對4組不同樣本進行測試，得到了92.14%、89.29%、95%和89.29%的識別率。試驗中對EPG的7種波形進行了分形維數和HHT的非線性特征提取，分別將2維、4維、6維、8維和10維特征向量進入決策樹進行分類識別，試驗結果表明，6維的特征向量（即分形盒維數、Hurst指數、第1、2層的譜質心和加權頻率）得到的識別率最高，平均為91.43%；增加特征維數并不一定能提高識別率。

[1] 閆鳳鳴，王滿囷. 昆蟲刺吸電位技術及其應用[M]. 鄭州：河南科學技術出版社，2017：9－41.

[2] Adasme-Carre?o F, Mu?oz-Gutiérrez C, Salinas-Cornejo J, et al. A2EPG: A new software for the analysis of electrical penetration graphs to study plant probing behaviour of hemipteran insects[J]. Computers and Electronics in Agriculture. 2015, 113(4): 128－135.

[3] 王玉，周衛東，李淑芳，等. 腦電信號的分形截距特征分析及在癲癇檢測中的應用[J]. 中國生物醫學工程學報，2011，30(4)：562－566.

Wang Yu, Zhou Weidong, Li Shufang, et al. Fractal intercept analysis of EEG and its application for seizure detection[J]. Chinese Journal of Biomedical Engineering, 2011, 30(4): 562－566. (in Chinese with English abstract)

[4] André L V Coelho, Clodoaldo A M Lima. Assessing fractal dimension methods as feature extractors for EMG signal classification[J]. Engineering Applications of Artificial Intelligence, 2014, 36 (11): 81－98.

[5] Maryam Hamidi, Hassan Ghassemian, Maryam Imani. Classification of heart sound signal using curve fitting and fractal dimension[J]. Biomedical Signal Processing and Control, 2018, 39 (1): 351－359.

[6] 楊鵬圓，李海芳，陳東偉. Hilbert-Huang變換在情感腦電特征提取中的應用[J]. 計算機工程與設計，2014，35(7)：2509－2514.

Yang Pengyuan, Li Haifang, Chen Dongwei. Application of Hilbert-Huang transform in emotion EEG feature extraction[J]. Computer Engineering and Design, 2014, 35(7): 2509－2514. (in Chinese with English abstract)

[7] 梅婉欣，徐瑩，柯大觀. 基于HHT的腦電信號在不同閱讀模式下的識別與分類[J]. 傳感技術學報，2016，29(10)：1471－1477.

Mei Wanxin, Xu Ying, Ke Daguan. Recognition and classification of EEG signal in reading mode based on hilbert-huang transformation[J]. Chinese Journal of Sensors and Actuators, 2016, 29(10): 1471－1477. (in Chinese with English abstract)

[8] Sule Yücelbas, Cüneyt Yücelbas, Gülay Tezel, et al. Automatic sleep staging based on SVD, VMD, HHT and morphological features of single-lead ECG signal[J]. Expert Systems With Applications, 2018, 102 (7): 193－206.

[9] Deng M Q, Wang C, Tang M, et al. Extracting cardiac dynamics within ECG signal for human identification and cardiovascular diseases classification[J]. Neural Networks: the official journal of the International Neural Network Society, 2018, 100 (4): 70－83.

[10] Su K M, David Hairston W, Robbins K. EEG-annotate: Automated identification and labeling of events in continuous signals with applications to EEG[J]. Journal of Neuroscience Methods, 2018, 293 (1): 359－374.

[11] Satapathy S K, Dehuri S, Jagadev A K. EEG signal classification using PSO trained RBF neural network for epilepsy identification[J]. Informatics in Medicine Unlocked, 2017, 6 (1): 1－11.

[12] 荊裴，白素芬，劉芳. 常見植食性刺吸式昆蟲取食行為的EPG波形分析研究進展[J]. 中國植保導刊，2013，33(4)：18－23. Jing Pei, Bai Sufen, Liu Fang. Research progress on EPG waveform types analysis on the feeding behavior of common piercing-sucking insects[J]. China Plant Protection, 2013, 33(4): 18－23. (in Chinese with English abstract)

[13] Timothy A. Ebert, Elaine A. Backus, Miguel Cid, et al. A new SAS program for behavioral analysis of electrical penetration graph data[J]. Computers and Electronics in Agriculture, 2015, 116 (8):80－87.

[14] Tjallingii W F. Salivary secretions by aphids interacting with proteins of phloem wound responses[J]. Journal of Experimental Botany, 2006, 4 (11): 739－745.

[15] 吳莉莉，賈樹恒，邢玉清，等. 基于小波變換的昆蟲刺吸電位（EPG）信號去噪研究[J]. 傳感技術學報，2017，30(12)：1895－1899.

Wu Lili, Jia Shuheng, Xing Yuqing, et al. Study of insect electrical penetration graph (EPG) signal denoising based on wavelet transform[J]. Chinese Journal of Sensors and Actuators, 2017, 30(12): 1895－1899. (in Chinese with English abstract)

[16] Lopes R, Betrouni N. Fractal and multifractal analysis: A review[J]. Medical Image Analysis, 2009, 13 (4): 634－649.

[17] Amit K. Mishra, Shantanu Raghav. Local fractal dimension based ECG arrhythmia classification[J]. Biomedical Signal Processing and Control, 2010, 5 (2): 114－123.

[18] Ma Yan, Shi Wenbin, Peng Chung-kang, et al. Nonlinear dynamical analysis of sleep electroencephalography using fractal and entropy approaches[J]. Sleep Medicine Reviews, 2018, 37(2): 85－93.

[19] Xiong Gang, Zhang Shuning, Yang Xiaoniu. The fractal energy measurement and the singularity energy spectrum analysis[J]. Physica A , 2012, 391(24): 6347－6361

[20] 曹樂平. 基于周長面積分形維數的柑橘品種機器識別[J]. 農業工程學報，2010，26(2)：351－355.

Cao Leping. Machine recognition of citrus variety based on the fractal dimensions of perimeter-area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(2): 351－355. (in Chinese with English abstract)

[21] 楊德賀，王秀英，申旭輝，等. 基于Hurst指數與盒維數的鉆孔應變數據變化特征分析[J]. 科學技術與工程，2017，17(34)：73－79.

Yang Dehe, Wang Xiuying, Shen Xuhui, et al. Analyses on characteristics of borehole strain data variations using hurst index and fractal Box-dimension[J]. Science Technology and Engineering, 2017, 17(34): 73－79. (in Chinese with English abstract)

[22] Salim Lahmiri. Generalized Hurst exponent estimates differentiate EEG signals of healthy and epileptic patients[J]. Physica A: Statistical Mechanics and its Applications, 2018, 490(1): 378－385.

[23] Molino-Minero-Re E, García-Nocetti F, Benítez-Pérez H. Application of a time-scale local hurst exponent analysis to time series[J]. Digital Signal Processing, 2015, 37(2): 92－99.

[24] Saif Nalband, C.A. Valliappan, A.Amalin Prince, et al. Time-frequency based feature extraction for the analysis of vibroarthographic signals[J]. Computers and Electrical Engineering, 2018, 69(7): 720－731.

[25] Yan Jihong, Lu Lei. Improved hilbert–huang transform based weak signal detection methodology and its application on incipient fault diagnosis and ECG signal analysis[J]. Signal Processing, 2014, 98(4): 74－87.

[26] 林海波，龔路，張毅，等. 基于改進HHT和樣本熵的腦電信號特征提取[J]. 計算機工程與設計，2015，36(6)：1608－1613.

Lin Haibo, Gong Lu, Zhang Yi, et al. Feature extraction of EEG signal based on improved HHT and sample entropy[J]. Computer Engineering and Design, 2015, 36(6): 1608－1613. (in Chinese with English abstract)

[27] 韓凌，王宏，李春勝. 基于多變量希爾伯特頻域模型的癲癇發作預測[J]. 東北大學學報，2015，36(10)：1383－1387.

Han Ling, Wang Hong, Li Chunsheng. Epileptic seizure prediction based on multivariate hilbert frequency domain model[J]. Journal of Northeastern University (Natural Science), 2015, 36(10): 1383－1387. (in Chinese with English abstract)

[28] 王娜，陳克安. 分段譜質心特征在水下目標識別中的應用[J]. 兵工學報，2009，30(2)：144－149.

Wang Na, Chen Kean. Application of sub-band spectral centroid features to recognizing underwater targets[J]. Acta Armamentarii, 2009, 30(2): 144－149. (in Chinese with English abstract)

[29] Mu Yashuang, Liu Xiaodong, Wang Lidong. A Pearson’s correlation coefficient based decision tree and its parallel implementation[J]. Information Sciences, 2018, 435(4): 40－58

[30] 劉曉娜，封志明，姜魯光. 基于決策樹分類的橡膠林地遙感識別[J]. 農業工程學報，2013，29(34)：163－263. Liu Xiaona, Feng Zhiming, Jiang Luguang. Application of decision tree classification to rubber plantations extraction with remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(34): 163－263. (in Chinese with English abstract)

[31] Aline Saettler, Eduardo Laber, Felipe de A. Mello Pereira. Decision tree classification with bounded number of errors[J]. Information Processing Letters, 2017, 127(11): 27－31.

[32] Wang Lihong, Li Qiang, Yu Yanwei, et al. Region compatibility based stability assessment for decision trees[J]. Expert Systems with Applications, 2018, 105(9): 112－128.

Machine identification of electrical penetration graphic waveforms of aphid based on fractal dimension and Hilbert-Huang transform

Wu Lili1, Jia Shuheng1, Xing Yuqing1, Lu Shaohua2, Pan Jianbin1, Yan Fengming2

(1., 450002,; 2., 450002,)

Insect electrical penetration graph (EPG) technology has been widely applied in researching the feeding behavior of piercing-sucking insects, the relationship between insects and plants, insect transmission mechanism and crop resistance mechanism. However, the identification and analysis of EPG signals have been carried out manually, it is urgent to develop the automatic identification system of EPG waveforms to improve the efficiency. EPG waveforms produced by piercing-sucking insects are related to the insects and plant species, and the EPG waveforms of different types of piercing sucking insects vary greatly, and even the same type of EPG waveform has different amplitude and frequency, which brings difficulties to machine recognition of EPG waveform. EPG waveform is a time series, and its irregularity can be described by fractal theory, fractal theory can reveal the similarity of local part with the whole of the EPG waveform in a certain aspect, the fractal dimension (FD) of the EPG waveform can reflect the characteristic change and the complexity of the geometric shape. EPG waveform belongs to the bioelectrical signal and is nonlinear and non-stationary in nature. Hilbert-Huang transform (HHT) is a powerful tool for analyzing time-varying non-stationary signals, it decomposes the nonlinear signal into several single-mode signals, and adaptively selects the transforming substrate according to the signal itself, so that the bioelectrical signal can be decomposed in essence. In this paper, the EPG signals of aphid were taken as the research object, the feature extraction and classification of np, pd, E1, E2, G, C and F waveform were studied. An EPG waveform recognition method based on fractal dimension, HHT and decision tree was proposed. Firstly, the signals collected by the EPG instrument were denoised and preprocessed, then the features of fractal dimension and HHT were extracted respectively, and the different dimensions vectors were put into the decision tree classifier for comparative experiments, decision tree was used as a classifier, which was generated by C4.5 algorithm. In the process of constructing decision tree, there were 2 main steps: one was to select attribute by information gain ratio, and the other was to complete classification by post-pruning method. In machine recognition of EPG waveform, six-dimensional feature vectors were used as input signals, and 4 groups of samples were tested. The experimental results showed that the six-dimensional feature vectors with fractal box dimension, hurst exponent, spectral centroid and weighted frequency of the first 2 layers had the highest recognition rate. After 10 steps of pruning, the decision tree completed classification, and the recognition rates of the 4 tested groups were 92.14%, 89.29%, 95% and 89.29% respectively. By analyzing the confusion matrix of the 4 groups of test data, it could be seen that the np, E1 and G waveform could be accurately identified, the recognition rate of E2 and C waveform was low, which was prone to misjudgment, this was because that there was no obvious difference between the extracted characteristic values (such as box dimension, spectral centroid of the first 2 layers and weighted frequency of the second layer), C waveform was the most complex of all waveforms, which usually containing A, B waveform and some unrecognizable waveform, and was easy to be confused with other waveforms. The same test samples used for machine recognition were adopted in manual classification. The experimental results showed that the average recognition rate of artificial recognition was 99.11%, the average recognition rate for machine recognition was 91.43%, which was lower than the artificial recognition by 7.68 percent point, average time of the machine recognition was 18.22 s, which was only about 1/46 of that of artificial recognition 839.13 s. The proposed feature extraction method based on fractal dimension and HHT and the constructed decision tree classifier were feasible, which provided a theoretical reference for the research and development of EPG signals automatic identification and analysis system. This research can shorten the analysis time of EPG signal, accelerate the progress of scientific research, and promote the efficient use and intelligent development of EPG.

insects; fractal dimension; feature extraction; electrical penetration graph waveform; Hilbert-Huang transform; decision tree; classification

吳莉莉，賈樹恒，邢玉清，盧少華，潘建斌，閆鳳鳴. 基于分形維數和HHT的蚜蟲刺吸電位波形機器識別[J]. 農業工程學報，2018，34(24)：175－183. doi：10.11975/j.issn.1002-6819.2018.24.021 http://www.tcsae.org

Wu Lili, Jia Shuheng, Xing Yuqing, Lu Shaohua, Pan Jianbin, Yan Fengming. Machine identification of electrical penetration graphic waveforms of aphid based on fractal dimension and Hilbert-Huang transform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(24): 175－183. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.24.021 http://www.tcsae.org

2018-07-09

2018-11-16

國家自然科學基金資助項目（31471776）；河南省科技攻關計劃項目（182102110334）；河南省高等學校重點科研項目（18A510012）；河南農業大學自然科學類青年創新基金項目（KJCX2018A20）。

吳莉莉，博士，副教授，主要從事生物信號處理、模式識別等研究。Email：wllzju@126.com

10.11975/j.issn.1002-6819.2018.24.021

TP391; TN911.72

A

1002-6819(2018)-24-0175-09