Biz bu araştırmaları destekleyen Vodafone Amerika Vakfı, Bill ve Melinda Gates Vakfı, ve São Paulo Araştırma Vakfı (FAPESP) teşekkür etmek istiyorum. Biz de bu proje ile ilgili tavsiye, Riverside, Kaliforniya Üniversitesi Entomoloji Bölümü birçok öğretim üyelerine teşekkür etmek istiyorum.

1. Böcek Kolonisi ve Yetiştirme <ol><li> Sivrisinek Koloni ve Yetiştirme <ol><li> Vahşi kökenli Arka Culex tarsalis, Culex quinquefasciatus, Culex stigmatosoma ve laboratuar kolonilerden Aedes aegypti yetişkin bireyler yakaladı. </li><li> Standart laboratuvar koşullarında emaye tava Arka sivrisinek larvaları (27 ° C, 16: 8 saat ışık: 1 saat alacakaranlık / şafak dönemleri karanlık [LD] döngüsü), ve zemin kemirgen çorbası karışımı onları istenildiği kadar beslemek ve Brewer mayası (3: 1, hacim: hacim). </li><li> 200 ml bardak içine sivrisinek pupa toplayın ve deneysel odaların içine koyun. Alternatif olarak, ortaya çıkması 1 hafta içinde deneysel odalarına yetişkin sivrisinek aspire. Her deney odası aynı tür / cinsiyetten 20 ila 40 bireyleri içerdiğinden emin olun. </li><li> % 10 sakroz ve su karışımı Besleme yetişkin sivrisinekler ad libitum verilmiştir. Gıda haftalık değiştirin. </li><li> Pl haftada iki kez pamuk havlu ıslatın vekafes içinde nem muhafaza etmek için deney odası üstüne onları. Buna ek olarak, genel olarak bir nem seviyesini muhafaza yardımcı olmak için her zaman bölmesi içinde musluk suyu içinde bir 200 mi kap yerleştirin. </li><li> 8 saat aydınlık: 16 ile ilgili deneysel bölmeyi muhafaza koyu [LD] döngüsü, 20,5-22 ° C ve% 30-50 göreli nem deney süresi. </li></ol></li><li> Ev Fly ve Meyve Sineği Koloni ve Yetiştirme <ol><li> Vahşi türetilmiş bir laboratuvar kolonisinden Arka Musca domestica, bireyleri yakaladı. Deneysel odalarında vahşi Drosophila simulans bireyleri ve arka onları yakalamak. </li><li> Standart laboratuar koşulları altında plastik tüpler içinde arka Musca domestica larvası (12:12 saat aydınlık: karanlık [LD] çevrimi, 26 ° C,% 40 bağıl nem), su, kepek tozu, yonca, maya ve süt tozunun bir karışımı içinde gerçekleştirilir. Bir yetiştirme odasında Arka Drosophila simulans larva ve çürüyen bir karışımı onları istenildiği doyurmayameyve. </li><li> Ortaya çıkmasına 1 hafta içinde deneysel odalarına aspire yetişkin Musca domestica. Yetişkin Drosophila simulans doğrudan deneysel odalarında yetiştirilen olabilir. Veri toplama öncesinde, her deney odası, birden fazla 10-15 bireysel Muska domestia veya 20-30 bireysel Drosophila simulans hiçbir içerdiğinden emin olun. </li><li> Suya serbest erişim, şeker ve düşük yağlı süt tozu karışımı yetişkin Musca domestica libitum besleyin. Çürüyen meyve bir karışımına, Drosophila ergin Besleme simulans ad libitum verilmiştir. Gıda haftalık değiştirin. </li><li> 8 saat aydınlık: 16 ile ilgili deneysel bölmeyi muhafaza koyu [LD] döngüsü, 20,5-22 ° C ve% 30-50 göreli nem deneyin süresi için. </li></ol></li></ol> Deneysel Chambers 2. Kayıt Uçan Sesler <ol><li> Deneysel Odası Kurulumu Not: Bir &quot;Deneysel chamber &quot;veri kaydedildiği bizim laboratuvarda tasarlanan kafes, gösterir. Sensör oldukça ucuzdur. Toplu olarak inşa edilmiş, bir dizi kadar az 10 $ için imal edilebilir. <ol><li> 67 cm x 22 cm L G x 24,75 cm H ya da daha küçük boyutta: 30 cm x 20 cm L G x 20 cm H Deney bölmesi, bir dizi ve fototransistör oluşan bir deney haznesi, ya da daha büyük boyutta Construct phototransistor dizi işaret lazer çizgisi. Not: Ek olarak, odacık sensör düzeneği hem de böcek erişim sağlamak için PVC boru parçasına bağlı bir manşon içerecek şekilde modifiye edilir Kritter Koruyucularının oluşur. </li><li> Bir elektronik karta phototransistor dizi bağlayın. Elektronik kartın çıkış dijital ses kaydedici içine besleyen ve MP3 formatında ses veri olarak kaydedilir. Şekil 1.II algılayıcı ve Şekil 1.I boşluğun fiziksel bir versiyonunun mantık tasarımı bakınız. </li><li&gt; böceklerin kaçmasını önlemek için, iç tarafında örgü kumaş parçası ile deneysel bölmelerin kapaklarını değiştirin. NOT: bir böcek, lazer ışınının karşısında uçar, kanatları kısmen, ışık tıkamaktadır küçük bir ışık dalgalanmalara yol. Işık dalgalanmaları akımındaki değişiklikleri phototransistor dizisi tarafından yakalanır ve sinyal elektronik kart tasarlanmış özel ile filtre edilmiş ve amplifiye edilir. </li></ol></li><li> Uçan Böcekler tarafından üretilen Record Sesler Sistemi Kurma <ol><li> Bir güç kaynağına deneysel odasına bağlayın. Gücü açın. </li><li> Deneysel odasının üzerine, lazer ışıkları ve photoarray bulabilirsiniz. Photoarray için lazer ışıkları hizalayın. Lazer ışığı, tüm bireysel photodiod merkezli kadar haznenin iç kısmına photoarray bağlı mıknatısların uygun deneysel odasının dışında mıknatıslar kullanılarak photoarray ayarlamak düzgün bir uyum elde etmek içines. </li><li> Sistem düzgün kurulduğundan emin olmak için iki sağlık kontrolleri gerçekleştirin. Not: İlk adım sistemi, tüm kabloların doğru şekilde bağlandığından desteklenmektedir ve lazer fotoğraf dizisinde işaret emin olmaktır. İkinci adım, böceklerin kanat darbelerinin ses yakalamak sağlamak için lazer hizalama üzerinde daha fazla kontrol yapmaktır. <ol><li> Ses girişine (yerine kaydedici daha) kulaklıkları takın. Lazer ışık düzlemini kırmak için, photoarray yakınına ve deney odasının üzerinden el dalma. Emin lazer ışığının yandığından emin olun (bir ışık kırmızı ışın olacaktır) ve elinizle ışık düzlemi birkaç kez kırmak olduğunu. Eliniz ve ışık demetinin dışarı gider gibi gürültü seviyesinde değişiklikler için dinleyin. Eğer sesli bir fark tespit ederseniz, sensör büyük nesnelerin hareketi tarafından üretilen sesleri yakalamak için yapabiliyor. Eğer başarılı olursa, kulaklık düzgün şekilde bağlanıp bağlanmadığını kontrol edin, aksi takdirde, bir sonraki aklı kontrolünden geçmek velazer photoarray işaret olup olmadığını. Elin ses ve deneysel odasının üzerinden hareket duyulabilir buna uygun kadar photoarray ayarlayın. </li><li> Otomatik diş fırçası elektrik kablolama ince bir parça eklemek. Diş fırçası açın ve ve phototarray yakın deneysel odasının dışına kablo dalma. Hareket ettikçe lazer ışığı kablolama parçası isabet olduğundan emin olun. Eğer frekansta sesli bir değişiklik tespit ederseniz kablo parçası lazer ışık düzlemini kırdığında, sonra sistem, yani küçücük nesneler, böcek sesleri hareketi tarafından üretilen sesleri yakalamak için hazırdır. Eğer sesli bir fark tespit etmezseniz, lazer ışıkları ve photoarray yeniden hizalamak için 2.2.2 adıma geri dönün. </li></ol></li><li> Sistem düzgün kurulduktan sonra, kapağını kapatın ve böcekler ekleyin. </li></ol></li><li> Veri Toplama: Uçan Böcekler Yapımcı Rekor Sesler <ol><li> Kaydedici açın ve bir Voic yapmakaşağıdaki bilgileri içeren bir e açıklama: deneysel odasında türlerin adı, böcekler, tarih ve zaman, şimdiki ortam RT, ve bağıl nem yaş. Kaydı duraklatmak. </li><li> Ses kablosu aracılığıyla, sisteme kayıt cihazı bağlamak ve kayda devam. Daha sonra kaydı durdurmak, 3 gün boyunca kaydetmek için kaydediciyi bırakın. </li><li> Bir PC&#39;de yeni bir klasöre kaydedici gelen verileri indirmek. Verileri silerek kaydedici boşaltın. </li><li> Kalan böcekler kapalı öldü ve kafeste hayatta kalan fazla 5 böcekler hiçbir kalmayıncaya kadar, yukarıdaki kayıt işlemini tekrarlayın. </li></ol></li></ol> 3. Sensör Veri İşleme ve Uçan Böcekler tarafından üretilen Sounds Algılama <ol><li> Uçan Böcekler tarafından üretilen Sesler Algılama Yazılımı kullanmak. Not: Yazılım (algılama algoritması) gerçek zamanlı çok daha hızlıdır. Bu dat, yani üç gün, bir kayıt oturumu işlemek için en az 3 saat sürerBir, 2.00 GHz ve 8 GB RAM, Intel (R) Core ™ işlemciye sahip standart bir makinede. <ol><li> Bir kayıt oturumu veri içeren her klasör için, böcek sesleri algılamak için algılama yazılımını çalıştırın. Yazılım, açık MATLAB çalıştırmak ve DATADIR veri kayıt dizini komut penceresinde &quot;circandian_wbf (DATADIR)&quot;, yazın. Ardından başlatmak için &quot;Enter&quot; tuşuna basın. NOT: Referans # 16 den algılama yazılımı circadian_wbf indirin. </li><li> Algoritma sona kadar, sonra algılama sonuçlarını kontrol bekleyin. Algoritma çıkışları tüm tespit böcek DATADIR önceki adımda aynıdır &quot;DATADIR _extf&quot; adlı yeni bir klasörde geliyor. Her ses dosyası dijital bir filtre gürültü çıkarmak için uygulanan aslen, ham kayıt çıkarılan 1 sn uzun ses klip. Tespit edilen her sesin oluşumu zamanı &quot;DATADIR _time.mat &amp; adında bir dosyaya kaydedilir# 8221 ;. Şekil 2 içinde, tespit edilen bir böcek ses örneği dikkate alınmalıdır. </li></ol></li><li> Algılama Algoritması <ol><li> Kayıt kaydırmak için 0.1 sn uzun sürme penceresini kullanın. Sürgülü pencere kaydın başından itibaren başlar. Her pencere için, aşağıdaki adımları izleyin. <ol><li> Geçerli pencerenin temel frekans hesaplayınız. </li><li> Temel frekans 100 Hz ile 1.200 aralığında ise, aşağıdakileri yapın: <ol><li> Kayıttan geçerli pencerede ortalayan 1-sn uzun ses klibi ayıklayın; klipte gürültü çıkarmak ve klasör &quot;DATADIR _extf&quot; içine süzüldü ses kaydetmek için dijital bir filtre uygulamak. </li><li> Dosya &quot;DATADIR _süre&quot; içine geçerli pencerenin meydana geliş saati kaydedin. </li><li> Hemen çıkarılan ses klibini izler noktasına kayan pencereyi taşıyın. </li></ol></li><li> Eğer temel frequency 100 Hz ile 1.200 aralığında, sadece ileriye kayan pencere 0,01 sn hareket değildir. </li></ol></li><li> Sürgülü pencere kaydın sonuna ulaşıncaya kadar işlemi tekrarlayın. </li></ol></li></ol> 4. Böcek Sınıflandırma <ol><li> Sadece Uçan Ses&#39;i kullanma Bayes Sınıflandırma Not: Bayes onun en olası sınıfı için bir nesne sınıflandıran bir olasılık sınıflandırıcı olduğunu. <ol><li> Ses Özelliği Hesaplama <ol><li> Her böcek ses için, Ayrık Fourier Dönüşümü kullanarak ses (DFT) frekans spektrumunu hesaplamak. Frekans aralığına karşılık sadece bu veri noktalarını içerecek şekilde frekans spektrumunu kesecek: 100 Hz ile 2.000. Kesik frekans spektrumu sonra böcek ses &quot;temsilcisi&quot; olarak sınıflandırılmasında kullanılır. NOT: DFT frekans alanına zaman alanında sinyalleri dönüştüren bir algoritmadır. Bu bui olduğult-çoğu programlama kütüphanelerde fonksiyon ve kod sadece bir satır ile programda çağrılabilir. </li></ol></li><li> Bayes sınıflandırıcı Tren <ol><li> Ses özelliğini kullanarak posterior olasılık dağılımını öğrenmek için kNN yoğunluk tahmin yaklaşımını 14 kullanın. KNN yaklaşımla, eğitim safhası bir eğitim veri kümesi inşa etmektir. <ol><li> Rasgele böceklerin her bir tür için toplanan verilerden böcek sesleri çok sayıda örnek. </li><li> Bölüm 4.1.1 adımları izleyin ve örneklenen her ses için kesik frekans spektrumunu hesaplamak. Birlikte numunelerin sınıf etiketlerine (böcek türleri adı) ile kesilmiş spektrumları eğitim veri kümesi oluşur. </li></ol></li></ol></li><li> Bilinmeyen bir böcek sınıflandırmak için Bayes sınıflandırıcı kullanın <ol><li> Bilinmeyen böcek sesin kesik frekans spektrumunu hesaplamak. </li><li> Bilinmeyen bir kesik spektrumu arasındaki Öklid uzaklığını hesaplayabilirizn nesne ve eğitim veri kümesi içinde tüm kesilmiş spektrumları. </li><li> Üst k (bu yazıda k = 8) eğitim veri kümesi içinde bilinmeyen bir nesnenin en yakın komşuları bulabilirsiniz. Sınıf olarak etiketli üst k en yakın komşularının fraksiyonu olarak bir sınıfa ait bilinmeyen böcek ses posterior olasılığını hesaplayınız. </li><li> Yüksek arka olasılığa sahiptir sınıfına bilinmeyen nesneyi sınıflandırır. </li></ol></li></ol></li><li> Böcek sirkadiyen ritim: sınıflandırıcısını bir Özellik Ekle <ol><li> , Böceklerin her tür için sirkadiyen ritmi böcek ses oluş zamanları, sınıf klimalı dağılımları öğrenin. <ol><li> Algılama sonuçları her ses (bakınız Bölüm 3.2) meydana geliş saati edinin. </li><li> Her tür için böcek ses oluşumu zaman bir histogram oluşturmak. </li><li> Histogram alan biri olduğunu böylece histogram normalleştirmek. Normalsürerlerken, histogram verilen türlerin sirkadiyen ritim olduğunu. Bu belli bir süre içinde uçuş, bu türün, bir böcek gözlemleme olasılığını söyler. </li></ol></li><li> &quot;Böcek sesi&quot; ve sirkadiyen ritim birleştirerek bilinmeyen bir &quot;böcek sesi&quot; sınıflandırmak <ol><li> Bilinmeyen böcek ses meydana geldiği zaman içinde belli bir noktaya göz önüne alındığında, sınıf tipi ritim üzerinde sınıfın bir böcek gözlemleme olasılığıdır elde edilir. NOT: sirkadiyen ritim bir olasılık dağılımıdır. Bu, günün belirli bir zamanda böceklerin belirli bir türleri tarafından üretilen bir ses, tespit olasılığını belirten bir dizidir. Bir süre verilir Yani, bir kez bir sadece olasılığını almak için dizi kontrol edebilirsiniz. </li><li> Bilinmeyen ses ses özelliklerini kullanarak sınıfa ait posterior olasılığını hesaplamak için bölüm 4.1.2 adımları izleyin. Fro sonuçlarına posterior olasılık çarpınYeni posterior olasılık almak için önceki adımı m. </li><li> Yüksek yeni arka olasılığına sahiptir sınıfına &quot;bilinmeyen sesi&quot; sınıflandırır. </li></ol></li></ol></li><li> Sınıflandırıcısını için One More Özelliği ekleyin: Böcek Coğrafi Dağılımı <ol><li> Ilgi, gerek tarihî kayıtlarda yayınlanan verilere, ilgili literatürden türlerin coğrafi dağılımını öğrenmek, ya da sadece alan teknisyen / biyologların gelen ilk elden bilgi toplamak. Şekil 7&#39;de gösterildiği gibi gösteri amaçlı, grafik dağılımı bir simülasyon kullanabilirsiniz. </li><li> &quot;Uçan ses&quot; ve iki ek özellikleri kullanarak bir &quot;bilinmeyen böcek sesi&quot; sınıflandırır. <ol><li> Böcek ses yakalandığı coğrafi konumu göz önüne alındığında, türlerin grafik dağılımı kullanılarak belirli konumda sınıftan bir böcek gözlemleme olasılığını hesaplamak. <ol><li> Bölüm 4.2.2 a&#39;da adımları izleyinnd &quot;bilinmeyen ses&quot; ses özelliklerini ve sirkadiyen ritimleri kullanarak sınıfa ait arka olasılığını hesaplarlar. Yeni arka olasılığını elde etmek için, önceki aşamada elde edilen sonuçlar, bu adımın sonucu çarpın. </li></ol></li><li> Yüksek yeni arka olasılığına sahiptir sınıfına &quot;bilinmeyen sesi&quot; sınıflandırır. </li></ol></li></ol></li><li> Özellikleri Ekleme için Genel Çerçeve <ol><li> Birincil sınıflandırıcı olarak sadece ses özelliklerini kullanan Bayes sınıflandırıcı düşünün. Sınıflandırıcı yeni özellikler eklemek için aşağıdaki adımları izleyin. <ol><li> Eğitim aşamasında, yeni özelliği sınıf klimalı yoğunluk fonksiyonlarını öğrenmek. </li><li> Sınıflandırma aşamasında, &quot;bilinmeyen ses&quot; yeni özellik verilen, önceki adımda öğrenilen yoğunluk fonksiyonlarını kullanarak sınıfta özelliğini gözlemleme olasılığını hesaplamak. Pr için yeni olasılığını çarpınSadece tuhaf özellikleri dayanarak hesaplanandan edildi sınıfa ait &quot;bilinmeyen sesi&quot; karşılık evious posterior olasılık, yeni arka olasılığını elde etmek. En yeni arka olasılığına sahiptir sınıfına bilinmeyen nesneyi sınıflandırır. </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>

Yazarlar hiçbir rakip mali çıkarlarının olmadığını beyan ederim.

Burada anlatılan sensörü / sınıflandırma çerçeve uçan böcekler ucuz ve ölçeklenebilir sınıflandırma sağlar. Sistem tarafından ulaşılabilir doğrulukları ticari ürünlerin geliştirilmesini sağlayacak kadar iyi ve entomolojik araştırmaları için kullanışlı bir araç olabilir. Doğru ve otomatik olarak uçan böcekler sınıflandırmak için ucuz, invaziv olmayan sensörleri kullanmak için yeteneği entomolojik araştırmaları için önemli etkileri olacaktır. Örneğin, böcek vektörleri saymak ve sınıflandırmak için sahada sistemi dağıtarak, sistem, sıtma ile mücadele için müdahale / bastırma programlarını planlamak için kullanılabilir üreten gerçek zamanlı bilgi, hedef türlerin gerçek zamanlı sayılarını sağlayabilir. Ayrıca, sistem otomatik olarak cinsiyete göre böcekler ayırabilirsiniz ve böylece elle böcekler sexing sıkıcı ve zaman alıcı görevi Steril Böcek Tekniği 15 üzerinde çalışan ücretsiz entomologların kullanılabilir. &lt;/ P&gt; Bu sistemi kullanarak, en kritik adım doğru veri toplama sensörünü ayarlamak için. Lazer ve fotoğraf dizi düzgün hizada değilse, veriler çok gürültülü olacaktır. Böcekler kafes yerleştirilir sonra, fotoğraf dizisinin her zaman ince ayar kafesin dışında mıknatıslar kullanılarak olmalıdır. Kafeslerin yakınındaki ışıkları, kamera yanıp ve titreşimleri yanıp sönen verilerine gürültü tanıtacak unutmayın. Bu nedenle, temiz, verileri elde karanlık bir odada kafes yerleştirin ve gerekli yerlerde, titreşim seviyesini azaltmak amacıyla kafeslerde altında kuru havlu koyun. Bu çalışmada sunulan sınıflandırıcı sadece iki ek özellik kullanılır. Ancak, sınıflandırma performansını artırmaya yardımcı olabilir ek özellikler onlarca olabilir. Potansiyel özellikleri belirli bir etki alanı ve uygulama olduğundan, kullanıcıların kendi özel ihtiyaç veya uygulamalara dayalı özelliklerini seçebilirsiniz. Cl genel çerçevesiassifier kullanıcıların kolayca sınıflandırma performansını artırmak için sınıflandırıcı özellikler eklemek için izin verir. Bizim fikirlerin benimsenmesini ve uzamasını teşvik etmek, biz BKC Hesaplamalı Entomoloji Sayfa 16-17 serbestçe kullanılabilir tüm kod, veri ve sensör şemaları yapıyoruz. Ayrıca, bizim bütçe sınırları içinde, biz istekte herhangi bir araştırma entomoloğa için (Şekil 1&#39;de gösterildiği gibi) tam bir sistem vererek bizim uygulama devam edecek.

Otomatik olarak uçuş tesadüfi ses kullanılarak böceklerin sınıflandırılması fikri ilk bilgisayarların günlük ve ticari olarak kullanılabilir ses kayıt cihazı, 1 kadar uzanır. Ancak, küçük ilerleme Aradan on yıl içinde bu sorun üzerinde yapılmıştır. Bu peşinde ilerleme eksikliği birçok ilgili faktörlere bağlanabilir. İlk olarak, etkili sensör eksikliği veri toplama güçleştirmiştir. Veri toplamak için en çabaları akustik mikrofonları 2-5 kullandık. Bu tür cihazlar çok seyrek ve düşük kaliteli veri sonuçlanan, çevre gürültü ve ortam gürültü rüzgar son derece duyarlıdır. İkincisi, bu veri kalitesi sorunları bileşik birçok araştırmacı çok karmaşık sınıflandırma modelleri, özellikle nöral ağları 6-8 öğrenmeye çalıştılar olmasıdır. Örnekler sadece onlarca, karmaşık sınıflandırma modelleri öğrenmek için çalışılıyor,aşırı uydurma için bir reçetedir. Üçüncüsü, elde veri zorlukla birçok araştırmacı 300 durumda 9 veya daha az gibi az, çok sınırlı verilerle sınıflandırma modelleri oluşturmak teşebbüs anlamına gelmektedir. Ancak, doğru sınıflandırma modeller oluşturmak için, daha fazla veri 10-13 daha iyi olduğu bilinmektedir. Bu çalışma üç sorunları giderir. Optik (yerine akustik daha) sensörleri gürültü ve ortam sesleri rüzgar tam değişmezliği ile, uzak metre böcek uçuş &quot;ses&quot; kaydetmek için kullanılabilir. Bu sensörler etiketli eğitim durumlarda, kombine önceki tüm çabalardan çok daha fazla veri milyonlarca kayıt izin ve böylece bu bezdiren aşırı uydurma önceki araştırma çabalarını önlemek var. Aşağıda gösterilmiştir bir ilkeli yöntem sınıflandırma modeli içine ek bilgi yerleştirilmesini sağlar. Bu ek bilgiler gündelik olarak ve olabildiğincezaman-of-day olarak-elde-kolay, henüz hala modelin doğruluğu önemli kazanımlar üretmek. Son olarak, biz toplanan verilerin büyük miktarda bize, basit, doğru ve sağlam sınıflandırmıstır üretmek için &quot;veri mantıksız etkinliği&quot; 10 yararlanmak için izin olduğu gösterilmiştir. Özetle, uçan böcek sınıflandırma araştırma laboratuvarında oluşturulan şüpheli iddiaları ötesine taşındı ve şimdi gerçek dünya dağıtım için hazır. Bu çalışmada sunulan sensörleri ve yazılımı dünya çapında araştırmalarını hızlandırmak için güçlü araçlar araştırmacılar sağlayacaktır.

<table><tbody><tr><td>Audio recorder: ICD-PX312</td><td>Sony</td><td>4-267-065-11(2)</td><td>With a 8 GB microSD extra memory</td></tr><tr><td>Insectary</td><td>Lee&#039;s Aquarium &amp;amp; Pet Products.</td><td>20088 HerpHaven&amp;reg;, Large Rectangle</td><td>14 1/2&quot; long x 8 3/4&quot; wide x 9 3/4&quot; high. Modified to house insects.</td></tr><tr><td>Laser line generator, 650 nm (red)</td><td>Apinex (www.apinex.com)</td><td>LN60-650</td><td>5 mW. This is a low powered laser, similar to a teacher&#039;s laser pointer</td></tr><tr><td>Photodiode array</td><td>VISHAY SEMICONDUCTOR&amp;nbsp; TEFD4300&amp;nbsp; PIN PHOTODIODE, 650NM, 20DEG, T1</td><td>TEFD4300</td><td>We made a custom array of 15 of these photodiodes wired in parallel.</td></tr><tr><td>Analogue to digital convertor integrated circuit</td><td>Custom made in our lab</td><td></td><td>We made this item ourselves, but an easily available commercial product, Gino PCF8591 AD/DA Converter, provides the same functionality.</td></tr></tbody></table>

flying insect detection and classification with inexpensive sensors

Doğru uçan böcekler sınıflandırmak olabilir ucuz, noninvaziv sistem entomolojik araştırmalar için önemli etkileri vardır ve hem tıbbi ve zirai entomoloji için vektör ve haşere kontrolünde birçok yararlı uygulamalar geliştirilmesi için olanak sağlayacak. Bu göz önüne alındığında, son altmış yıl bu göreve adanmış birçok araştırma çabalarını gördük. Ancak bugüne kadar, bu araştırmanın hiçbiri kalıcı bir etkisi olmuştur. Bu çalışmada, sözde-akustik optik sensörler, üstün veri üretebilir göstermektedir ki; ek özellikler, hem içsel ve böceğin uçuş davranış dışsal olduğunu, böcek sınıflandırma geliştirmek için istismar edilebilir; Bayes sınıflandırma yaklaşımı verimli uydurma fazla çok sağlam sınıflandırma modelleri öğrenmek için olanak sağlar, ve bu genel bir sınıflandırma çerçevesi kolayca özelliklerin keyfi sayıda dahil sağlar. Hepimiz önceki çalışmaları kombi cüce büyük ölçekli deneyler ile bulgularını göstermekNed, böceklerin sayısı ve kabul türlerin sayısı ile ölçülmüştür.

İki deney burada sunulmuştur. Deneyler için kullanılan veri rastgele 100.000 nesneleri içeren bir veri kümesi örnek seçildi. Birinci deney, doğru bir böceklerle değişik türleri / cinsiyeti sınıflandırmak için önerilen sınıflandırıcının kabiliyetini göstermektedir. Sınıflandırma doğruluğu sınıflandırılır böcekler bağlıdır olarak sınıflandırma doğruluğu için tek bir mutlak değer okuyucuya sistemin performansı hakkında iyi bir sezgi vermeyecektir. Bunun yerine, daha çok böcek sabit bir kümesi Sınıflandırıcının doğru raporlama daha sınıflandırıcı türünün bir adım adım artan sayıda veri setleri uygulandı ve bu nedenle sınıflandırma zorluk artmaktadır. Veri kümesi böceklerin sadece 2 türler ile başladı; Daha sonra her adımda, bir daha türleri (ya da cinsi olarak dimorfik türdeki bir cinsiyet) ilave edildi ve sınıflandırıcı artan sınıflandırmak için kullanıldı:türlerin sayısı (yeni veri seti). Böceklerin on sınıflarına (farklı sınıfları sayma aynı türden farklı cins) toplam her sınıfta 5000 örnekli ile, kabul edildi. Sınıflandırıcı hem böcek-ses (frekans spektrumu) ve zaman içinde-kesişim sınıflandırılması için kullanılır. Tablo 1, her adımda ve bu aşamada ilave ilgili sınıf ölçülen sınıflandırma doğruluğunu gösterir. Tablo 1&#39;e göre, sınıflandırıcı% 20 doğruluk varsayılan hızından daha önemli ölçüde daha yüksek böceklerin en fazla 5 tür, sınıflandırmak fazla% 96 doğruluk ulaşır. Sınıfları sayısı 10 olarak artar bile, sınıflandırma doğruluğu daha% 10 varsayılan oranında önemli ölçüde daha yüksek,% 79 den hiç düşüktür. On sınıfları hatta insan muayene ile ayırmak kolay değildir unutmayın. On türler arasında, sekiz sivrisinekler, zekâ vardırh onları aynı cinsten olmanın altı. İkinci deney sistemi özellikle, böcekler seks uçan ne kadar doğru dişilerden erkek Ae. Aegypti sivrisinek ayırt etmek, göstermektir. Deneyin ilk kısmı için, kadın gibi erkek misclassifying bir &quot;yanlış sınıflandırma maliyet&quot; erkek gibi kadın misclassifying maliyeti olarak aynı olduğunu varsayalım. Bu varsayım ile sınıflandırma sonuçları Tablo 2.I gösterilmiştir. Seks Ae. Aegypti&#39;nin için sınıflandırma doğruluğu yaklaşık% 99.4 olduğunu. Deneyin ikinci bölümü için, maliyet, yani erkek gibi kadın yanlış sınıflandırma çok daha pahalı ters fazladır, asimetrik değil varsayalım. Bu varsayımla, sınıflandırıcının karar eşiği yüksek maliyetli yanlış sınıflandırılması sayısını azaltmak için değiştirildi. Eşik düzgün, Tablo 2&#39;de sınıflandırma sonuçları ayarlandı.II elde edildi. Deneyde 2.000 böceklerin, yirmi iki erkek ve sıfır dişiler sınıflandırıldıgı görüldü. <img alt="Şekil 1" fo:content-width="5in" src="/files/ftp_upload/52111/52111fig1highres.jpg" width="500" /> Şekil 1. (I) veri toplamak için kullanılan deneysel kafesleri biri. (II) açıklamalı bileşenleri ile sensör kurulumu mantıksal bir versiyonu. <a href="https://www-jove-com.bdigitaluss.remotexs.co/files/ftp_upload/52111/52111fig1highres.jpg" target="_blank">, bu rakamın büyük bir versiyonunu görmek için lütfen buraya tıklayınız.</a> <img alt="Şekil 2" src="/files/ftp_upload/52111/52111fig2highres.jpg" /> Şekil 2. (I) &#39;in sensör tarafından üretilen bir &quot;uçan böcek ses&quot; ihtiva eden bir 1 saniye ses klibi örneği. Ses bir kadın Cx. Stigmatosoma tarafından üretildi. Böcek öct ses / kırmızı kalın harflerle yazılmıştır. (II) başka 0&#39;lar ile böcek sinyali ve dolgu merkezleme tarafından 1-sn uzun ses klibi içine temizlenmiş ve kaydedilmiş &quot;böcek sesi&quot;,. (III) frekans spektrumu Ayrık Fourier Dönüşümü kullanılarak elde böcek ses. <a href="https://www-jove-com.bdigitaluss.remotexs.co/files/ftp_upload/52111/52111fig2highres.jpg" target="_blank">bu rakamın büyük bir versiyonunu görmek için lütfen buraya tıklayınız.</a> <img alt="Şekil 3," src="/files/ftp_upload/52111/52111fig3highres.jpg" /> Şekil 3. sınıflandırma için tek bir özellik kullanan Bayes ağı. <img alt="Şekil 4" src="/files/ftp_upload/52111/52111fig4highres.jpg" /> Şekil 4. classificat için iki bağımsız özelliklerini kullanan Bayes ağı<html> iyon <img alt="Şekil 5," src="/files/ftp_upload/52111/52111fig5highres.jpg" /> Şekil 5. Cx sirkadiyen ritimler. (kadın) stigmatosoma, Cx. tarsalis (erkek), ve Ae. aegypti (dişi), 1 ay süresince toplanan sensör tarafından oluşturulan gözlemlerine dayalı öğrenildi. <a href="https://www-jove-com.bdigitaluss.remotexs.co/files/ftp_upload/52111/52111fig5highres.jpg" target="_blank">, bu rakamın büyük bir versiyonunu görmek için lütfen buraya tıklayınız.</a> <img alt="Şekil 6," src="/files/ftp_upload/52111/52111fig6highres.jpg" /> Şekil 6. sınıflandırma için üç bağımsız özelliklerini kullanan bir Bayes ağı. g &quot;/&gt; Şekil 7. simülasyonda her böcek türlerinin ve sensör yerleri coğrafi dağılımlarının varsayımlar sınıflandırılması konum-of-kesişim özelliğini kullanarak etkinliğini göstermek için. <a href="https://www-jove-com.bdigitaluss.remotexs.co/files/ftp_upload/52111/52111fig7highres.jpg" target="_blank">, bu rakamın büyük bir versiyonunu görmek için lütfen buraya tıklayınız.</a> <img alt="Şekil 8" src="/files/ftp_upload/52111/52111fig8highres.jpg" /> Şekil 8. n pozitif tam sayıdır sınıflandırma, n özelliklerini kullanır genel Bayes ağ. <a href="https://www-jove-com.bdigitaluss.remotexs.co/files/ftp_upload/52111/52111fig8highres.jpg" target="_blank">, bu rakamın büyük bir versiyonunu görmek için lütfen buraya tıklayınız.</a> <table border="0" cellpadding="0" cellspacing="0"><tbody><tr><td> Adım </td><td> Specler Eklendi </td><td> Sınıflandırma Doğruluğu </td><td></td><td> Adım </td><td> Türler Eklendi </td><td> Sınıflandırma Doğruluğu </td></tr><tr><td> 1 </td><td> Ae. aegypti ♂ </td><td> Kullanılamaz </td><td></td><td> 6 </td><td> Cx. quinquefasciatus ♂ </td><td> 92.69% </td></tr><tr><td> 2 </td><td> Musca domestica </td><td> % 98.99 </td><td></td><td> 7 </td><td> Cx. stigmatosoma ♀ </td><td> 89.66% </td></tr><tr><td> 3 </td><td> Ae. aegypti ♀ </td><td> % 98.27 </td><td></td><td> 8 </td><td> Cx. tarsalis ♂ </td><td> 83.54% </td></tr><tr><td> 4 </td><td> Cx. stigmatosoma ♂ </td><td> % 97.31 </td><td></td><td> 9 </td><td> Cx. quinquefasciatus ♀ </td><td> 81.04% </td></tr><tr><td> 5 </td><td> &lt;em&gt; Cx. tarsalis ♀ </td><td> 96.10% </td><td></td><td> 10 </td><td> Drosophila simulans </td><td> 79.44% </td></tr></tbody></table> Sınıfların sayısını arttırarak Tablo 1. Sınıflandırma doğruluğu. <table border="0" cellpadding="0" cellspacing="0"><tbody><tr><td></td><td></td><td colspan="2"> Öngörülen sınıf </td><td></td><td colspan="2"></td><td colspan="2"> Öngörülen sınıf </td></tr><tr><td colspan="2"> Ben (Simetrik maliyet) </td><td> kadın </td><td> erkek </td><td></td><td colspan="2"> II (Asimetrik maliyet) </td><td> kadın </td><td> erkek </td></tr><tr><td rowspan="2"> Gerçek sınıf </td><td> kadın </td><td> 993 </td><td> 7 </td><td></td><td rowspan="2"> Gerçek sınıf </td><td> kadın </td><td> 1.000 </td><td> 0 </td></tr><tr><td> erkek </td&gt; <td> 5 </td><td> 995 </td><td></td><td> erkek </td><td> 22 </td><td> 978 </td></tr></tbody></table> Tablo 2. (I) Ae cinsiyet ayrımcılığı için karışıklık matrisi. 0.5 (yani, aynı maliyet varsayımı) ayarlanır kadınlarda karar eşiği ile aegypti sivrisinekler. Cinsiyet (II) karışıklık matris aynı sivrisinekler, kararı ile 0.1 set kadınlar için eşik.

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

Biz otomatik olarak ve doğru tespit saymak ve onların uçan sesi göre böcekler uçan sınıflandırmak ucuz, noninvazif sözde-akustik optik sensörler kullanan bir sistem önerdi.

Ucuz Sensörler ile Böcek Tespit ve Sınıflandırma Uçan

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

Universidad San Sebastian

Research

JoVE Journal

Bioengineering

25.1K Görüntüleme.  University of California, Riverside.  Biz otomatik olarak ve doğru tespit saymak ve onların uçan sesi göre böcekler uçan sınıflandırmak ucuz, noninvazif sözde-akustik optik sensörler kullanan bir sistem önerdi. 

Video: Flying Insect Detection and Classification with Inexpensive Sensors

Early Metamorphic Insertion Technology for Insect Flight Behavior Monitoring

Early Metamorphosis Insertion Technology (EMIT) is a novel methodology for integrating microfabricated neuromuscular recording and actuation platforms on insects during their metamorphic development. Here, the implants are fused within the structure and function of the neuromuscular system as a result of metamorphic tissue remaking. The implants emerge with the insect where the development of tissue around the electronics during pupal development results in a bioelectrically and biomechanically enhanced tissue interface. This relatively more reliable and stable interface would be beneficial for many researchers exploring the neural basis of the insect locomotion with alleviated traumatic effects caused during adult stage insertions. In this article, we implant our electrodes into the indirect flight muscles of Manduca sexta. Located in the dorsal-thorax, these main flight powering dorsoventral and dorsolongitudinal muscles actuate the wings and supply the mechanical power for up and down strokes. Relative contraction of these two muscle groups has been under investigation to explore how the yaw maneuver is neurophysiologically coordinated. To characterize the flight dynamics, insects are often tethered with wires and their flight is recorded with digital cameras. We also developed a novel way to tether Manduca sexta on a magnetically levitating frame where the insect is connected to a commercially available wireless neural amplifier. This set up can be used to limit the degree of freedom to yawing &#8220;only&#8221; while transmitting the related electromyography signals from dorsoventral and dorsolongitudinal muscle groups.

We present a novel surgical procedure to implant electrodes in Manduca sexta during its early metamorphic stages. This technique allows mechanically stable and electrically reliable coupling with the neuromuscular tissue to study flight neurophysiology dynamics. We also present a novel magnetic levitation platform for tethered studies of insect yaw.

Böcek Uçuş Behavior Monitoring için erken Metamorfik Yerleştirme Teknoloji

Early Metamorphosis Insertion Technology (EMIT) is a novel methodology for integrating microfabricated neuromuscular recording and actuation platforms on ...

Davranış

Measuring the Flight Ability of the Ambrosia Beetle, Platypus Quercivorus (Murayama), Using a Low-Cost, Small, and Easily Constructed Flight Mill

The ambrosia beetle, Platypus quercivorus (Murayama), is the vector of a fungal pathogen that causes mass mortality of Fagaceae trees (Japanese oak wilt). Therefore, knowing the dispersal capacity may help inform trapping/tree removal efforts to prevent this disease more effectively. In this study, we measured the flight velocity and duration and estimated the flight distance of the beetle using a newly developed flight mill. The flight mill is low cost, small, and constructed using commonly available items. Both the flight mill arm and its vertical axis comprise a thin needle. A beetle specimen is glued to one tip of the arm using instant glue. The other tip is thick due to being covered with plastic, thus it facilitates the detection of rotations of the arm. The revolution of the arm is detected by a photo sensor mounted on an infrared LED, and is indicated by a change in the output voltage when the arm passed above the LED. The photo sensor is connected to a personal computer and the output voltage data are stored at a sampling rate of 1 kHz. By conducting experiments using this flight mill, we found that P. quercivorus can fly at least 27 km. Because our flight mill comprises cheap and small ordinary items, many flight mills can be prepared and used simultaneously in a small laboratory space. This enables experimenters to obtain a sufficient amount of data within a short period.

Measuring the Flight Ability of the Ambrosia Beetle, Platypus Quercivorus Murayama, Using a Low-Cost, Small, and Easily Constructed Flight Mill

We developed a low cost and small flight mill, constructed with commonly available items and easily used in experimentation. Using this apparatus, we measured the flight ability of an ambrosia beetle, Platypus quercivorus.

Ambrosia Beetle, Platypus Quercivorus (Murayama), ucuz, küçük ve kolayca inşa uçuş Mill kullanarak uçuş yeteneği ölçme

The ambrosia beetle, Platypus quercivorus (Murayama), is the vector of a fungal pathogen that causes mass mortality of Fagaceae trees (Japanese oak wilt). ...

Çevre

A Precise and Autonomous System for the Detection of Insect Emergence Patterns

Existing systems to measure insect emergence patterns have limitations; they are only partially automated and are limited in the maximum number of emerging insects they can detect. In order to obtain precise measurement of insect emergence, it is necessary for systems to be semi-automated and able to measure large numbers of emerging insects. We addressed these issues by designing and building a system that is automated and can measure emergence of up to 1200 insects. We modified the existing &#34;falling-ball&#34; system using Arduino microcontrollers to automate data collection and expand the sample size through multiple data channels. Multiple data channels enable the user to not only increase their sample size, but also allows for multiple treatments to be run simultaneously in a single experiment. Furthermore, we created an R script to automatically visualize the data as a bubble plot, while also calculating the median day and time of emergence. The current system was designed using 3D printing so the user can modify the system to be adjusted for different species of insects. The goal of this protocol is to investigate important questions in chronobiology and stress physiology, using this precise and automated system to measure insect emergence patterns.

Measurement of insect emergence patterns requires precision. Existing systems are only semi-automated and sample size is limited. We addressed these issues by designing a system using microcontrollers to precisely measure the time of emergence of large numbers of emerging insects.

Böcek ortaya çıkışı desenler tespiti için hassas ve özerk bir sistem

Existing systems to measure insect emergence patterns have limitations; they are only partially automated and are limited in the maximum number of ...

A Wind Tunnel for Odor Mediated Insect Behavioural Assays

Olfaction is the most important sensory mechanism by which many insects interact with their environment and a wind tunnel is an excellent tool to study insect chemical ecology. Insects can locate point sources in a three-dimensional environment through the sensory interaction and sophisticated behavior. The quantification of this behavior is a key element in the development of new tools for pest control and decision support. A wind tunnel with a suitable flight section with laminar air flow, visual cues for in-flight feedback and a variety of options for the application of odors can be used to measure complex behaviour which subsequently may allow the identification of attractive or repellent odors, insect flight characteristics, visual-odor interactions and interactions between attractants and odors lingering as background odors in the environment. A wind tunnel holds the advantage of studying the odor mediated behavioural repertoire of an insect in a laboratory setting. Behavioural measures in a controlled setting provide the link between the insect physiology and field application. A wind tunnel must be a flexible tool and should easily support the changes to setup and hardware to fit different research questions. The major disadvantage to the wind tunnel setup described here, is the clean odor background which necessitates special attention when developing a synthetic volatile blend for field application.

Here, we describe the construction and use of a wind tunnel for odor mediated behavioural assays with insects. The wind tunnel design facilitates the release of odor sources by several methods, with and without visual stimuli. Wind tunnel experiments are important methods to identify behaviorally active volatile chemicals.

Koku için bir rüzgar tüneli böcek davranış deneyleri aracılı

Olfaction is the most important sensory mechanism by which many insects interact with their environment and a wind tunnel is an excellent tool to study ...

Low-Cost Automated Flight Intercept Trap for the Temporal Sub-Sampling of Flying Insects Attracted to Artificial Light at Night

Sampling methods are selected depending on the targeted species or the spatial and temporal requirements of the study. However, most methods for passive sampling of flying insects have a poor temporal resolution because it is time-consuming, costly and/or logistically difficult to perform. Effective sampling of flying insects attracted to artificial light at night (ALAN) requires sampling at user-defined time points (nighttime only) across well-replicated sites resulting in major time and labor-intensive survey effort or expensive automated technologies. Described here is a low-cost automated intercept trap that requires no specialist equipment or skills to construct and operate, making it a viable option for studies that require temporal sub-sampling across multiple sites. The trap can be used to address a wide range of other ecological questions that require a greater temporal and spatial scale than is feasible with previous trap technology.

To study the impacts of artificial light at night (ALAN) on nocturnal flying insects, sampling needs to be confined to nighttime. The protocol describes a low-cost automated flight intercept trap that allows researchers to sample at user-defined periods with increased replication.

Geceleri Yapay Işığa Çekilen Uçan Böceklerin Zamansal Alt Örneklemesi için Düşük Maliyetli Otomatik Uçuş Engelleme Tuzağı

Sampling methods are selected depending on the targeted species or the spatial and temporal requirements of the study. However, most methods for passive ...

Using Insect Electroantennogram Sensors on Autonomous Robots for Olfactory Searches

Robots designed to track chemical leaks in hazardous industrial facilities1 or explosive traces in landmine fields2 face the same problem as insects foraging for food or searching for mates3: the olfactory search is constrained by the physics of turbulent transport4. The concentration landscape of wind borne odors is discontinuous and consists of sporadically located patches. A pre-requisite to olfactory search is that intermittent odor patches are detected. Because of its high speed and sensitivity5-6, the olfactory organ of insects provides a unique opportunity for detection. Insect antennae have been used in the past to detect not only sex pheromones7 but also chemicals that are relevant to humans, e.g., volatile compounds emanating from cancer cells8 or toxic and illicit substances9-11. We describe here a protocol for using insect antennae on autonomous robots and present a proof of concept for tracking odor plumes to their source. The global response of olfactory neurons is recorded in situ in the form of electroantennograms (EAGs). Our experimental design, based on a whole insect preparation, allows stable recordings within a working day. In comparison, EAGs on excised antennae have a lifetime of 2 hr. A custom hardware/software interface was developed between the EAG electrodes and a robot. The measurement system resolves individual odor patches up to 10 Hz, which exceeds the time scale of artificial chemical sensors12. The efficiency of EAG sensors for olfactory searches is further demonstrated in driving the robot toward a source of pheromone. By using identical olfactory stimuli and sensors as in real animals, our robotic platform provides a direct means for testing biological hypotheses about olfactory coding and search strategies13. It may also prove beneficial for detecting other odorants of interests by combining EAGs from different insect species in a bioelectronic nose configuration14 or using nanostructured gas sensors that mimic insect antennae15.

We describe a protocol for using insect antennae in the form of electroantennograms (EAGs) on autonomous robots. Our experimental design allows stable recordings within a day and resolves individual odor patches up to 10 Hz. The efficiency of EAG sensors for olfactory searches is demonstrated in driving a robot toward an odor source.

Koku Aramalar için Otonom Robotlar Böcek elektroantenogram Sensörleri kullanarak

Robots designed to track chemical leaks in hazardous industrial facilities1 or explosive traces in landmine fields2 face the same problem as insects ...

Nörobilim

Building an Enhanced Flight Mill for the Study of Tethered Insect Flight

Makerspaces have a high potential of enabling researchers to develop new techniques and to work with novel species in ecological research. This protocol demonstrates how to take advantage of the technology found in makerspaces in order to build a more versatile flight mill for a relatively low cost. Given that this study extracted its&#160;prototype from flight mills built in the last decade, this protocol focuses more on outlining divergences made from the simple, modern flight mill. Previous studies have already shown how advantageous flight mills are to measuring flight parameters such as speed, distance, or periodicity. Such mills have allowed researchers to associate these parameters with morphological, physiological, or genetic factors. In addition to these advantages, this study discusses the benefits of using the technology in makerspaces, like 3D printers and laser cutters, in order to build a more flexible, sturdy, and collapsible flight mill design. Most notably, the 3D printed components of this design allow the user to test insects of various sizes by making the heights of the mill arm and infrared (IR) sensors adjustable. The 3D prints also enable the user to easily disassemble the machine for quick storage or transportation to the field. Moreover, this study makes greater use of magnets and magnetic paint to tether insects with minimal stress. Lastly, this protocol details a versatile analysis of flight data through computer scripts that efficiently separate and analyze differentiable flight trials within a single recording. Although more labor-intensive, applying the tools available in makerspaces and on online 3D modeling programs facilitates multidisciplinary and process-orientated practices and helps researchers avoid costly, premade products with narrowly adjustable dimensions. By taking advantage of the flexibility and reproducibility of technology in makerspaces, this protocol promotes creative flight mill design and inspires open science.

This protocol uses three-dimensional (3D) printers and laser cutters found in makerspaces in order to create a more flexible flight mill design. By using this technology, researchers can reduce costs, enhance design flexibility, and generate reproducible work when constructing their flight mills for tethered insect flight studies.

Bağlı Böcek Uçuşunun Çalışması İçin Gelişmiş Bir Uçuş Değirmeni İnşa Etmek

Makerspaces have a high potential of enabling researchers to develop new techniques and to work with novel species in ecological research. This protocol ...

Mühendislik

Electroantennography-based Bio-hybrid Odor-detecting Drone using Silkmoth Antennae for Odor Source Localization

Small drones with chemical or biosensor devices that can detect airborne odorant molecules have attracted considerable attention owing to their applicability in environmental and security monitoring and search-and-rescue operations. Small drones with commercial metal-oxide-semiconductor (MOX) gas sensors have been developed for odor source localization; however, their real-time-odor-detection performance has proven inadequate. However, biosensing technologies based on insect olfactory systems exhibit relatively high sensitivity, selectivity, and real-time response with respect to odorant molecules compared to commercial MOX gas sensors. In such devices, excised insect antennae function as portable odorant biosensor elements and have been found to deliver excellent sensing performance. This study presents experimental protocols for odorant-molecule detection in the air using a small autonomous bio-hybrid drone based on a mountable electroantennography (EAG) device incorporating silkmoth antennae.
We developed a mountable EAG device including sensing/processing parts with a Wi-Fi module. The device was equipped with a simple sensor enclosure to enhance the sensor directivity. Thus, odor source localization was conducted using the spiral-surge algorithm, which does not assume an upwind direction. The experimental bio-hybrid odor-detecting drone identified real-time odorant-concentration differences in a pseudo-open environment (outside a wind tunnel) and localized the source. The developed drone and associated system can serve as an efficient odorant molecule-detection tool and a suitable flight platform for developing odor source localization algorithms owing to its high programmability.

This study introduces experimental protocols for a bio-hybrid odor-detecting drone based on silkmoth antennae. The operation of an experimental electroantennogram device with silkmoth antennae is presented, in addition to the structure of a bio-hybrid drone designed for odor source localization using the spiral-surge algorithm.

Koku Kaynağı Lokalizasyonu için Silkmoth Anteni Kullanan Elektroantenografi Tabanlı Biyo-hibrid Koku Tespit Drone

Small drones with chemical or biosensor devices that can detect airborne odorant molecules have attracted considerable attention owing to their ...

A Simple Flight Mill for the Study of Tethered Flight in Insects

Flight in insects can be long-range migratory flights, intermediate-range dispersal flights, or short-range host-seeking flights. Previous studies have shown that flight mills are valuable tools for the experimental study of insect flight behavior, allowing researchers to examine how factors such as age, host plants, or population source can influence an insects' propensity to disperse. Flight mills allow researchers to measure components of flight such as speed and distance flown. Lack of detailed information about how to build such a device can make their construction appear to be prohibitively complex. We present a simple and relatively inexpensive flight mill for the study of tethered flight in insects. Experimental insects can be tethered with non-toxic adhesives and revolve around an axis by means of a very low friction magnetic bearing. The mill is designed for the study of flight in controlled conditions as it can be used inside an incubator or environmental chamber. The strongest points are the very simple electronic circuitry, the design that allows sixteen insects to fly simultaneously allowing the collection and analysis of a large number of samples in a short time and the potential to use the device in a very limited workspace. This design is extremely flexible, and we have adjusted the mill to accommodate different species of insects of various sizes.

Flight in insects is influenced by a number of factors and the propensity to disperse is an important variable in understanding insect ecology and biological control strategies. We describe the construction and use of a simple, relatively inexpensive, and flexible flight mill for measuring parameters of tethered flight in insects.

Böcekler Tethered Flight Araştırmaları Basit Uçuş Mill

Flight in insects can be long-range migratory flights, intermediate-range dispersal flights, or short-range host-seeking flights. Previous studies have ...

Insect-controlled Robot: A Mobile Robot Platform to Evaluate the Odor-tracking Capability of an Insect

Robotic odor source localization has been a challenging area and one to which biological knowledge has been expected to contribute, as finding odor sources is an essential task for organism survival. Insects are well-studied organisms with regard to odor tracking, and their behavioral strategies have been applied to mobile robots for evaluation. This "bottom-up" approach is a fundamental way to develop biomimetic robots; however, the biological analyses and the modeling of behavioral mechanisms are still ongoing. Therefore, it is still unknown how such a biological system actually works as the controller of a robotic platform. To answer this question, we have developed an insect-controlled robot in which a male adult silkmoth (Bombyx mori) drives a robot car in response to odor stimuli; this can be regarded as a prototype of a future insect-mimetic robot. In the cockpit of the robot, a tethered silkmoth walked on an air-supported ball and an optical sensor measured the ball rotations. These rotations were translated into the movement of the two-wheeled robot. The advantage of this "hybrid" approach is that experimenters can manipulate any parameter of the robot, which enables the evaluation of the odor-tracking capability of insects and provides useful suggestions for robotic odor-tracking. Furthermore, these manipulations are non-invasive ways to alter the sensory-motor relationship of a pilot insect and will be a useful technique for understanding adaptive behaviors.

The capability to localize an odor source is necessary for insect survival and is expected to be applicable to artificial odor-tracking. The insect-controlled robot is driven by an actual silkmoth and enables us to evaluate the odor-tracking capability of insects through a robotic platform.

Böcek kontrollü Robot: Bir Mobil Robot Platformu bir Böcek Koku izleme Yeteneği değerlendirin

Robotic odor source localization has been a challenging area and one to which biological knowledge has been expected to contribute, as finding odor ...