相关实验视频
Updated: Jul 13, 2025
03:57
Anesthesia-free Heartbeat Measurements in Freely Moving Zebrafish
Published on: April 18, 2025
464
基于生物阻抗的可穿戴深度学习技术,用于在无水和低温条件下评估活鱼的健康状况
Yongjun Zhang1,2,3, Longxi Chen1,2,3, Huanhuan Feng4
1School of Information Engineering, Shandong Youth University of Political Science, Jinan 250103, China.
Sensors (Basel, Switzerland)
|October 14, 2023
概括
这项研究引入了可穿戴生物电阻分析 (WBIA) 传感器和深度学习模型,以准确评估鱼类的健康和压力水平. 这项新技术提供了一种非侵入性,动态的方法来监测鱼类的健康状况.
科学领域:
- 水产养殖是水产养殖的一种方式.
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 目前在鱼类中检测生理应激是侵入性的,耗时的.
- 现有的方法难以同时,动态的多压力监测和准确的健康分类.
- 需要使用非侵入性,实时的鱼类健康评估工具.
研究的目的:
- 使用可穿戴生物电阻分析 (WBIA) 传感器开发基于深度学习的压力动态评估模型.
- 为了准确估计活鱼的确切健康状况.
- 为了克服传统生化压力测试的局限性.
主要方法:
- 灰色关系分析 (GRA) 基于鱼类营养相关性的加权压力因素.
- 最大信息系数 (MIC) 选择了与压力相关的WBIA特征.
- 采用了结合卷积神经网络 (CNN),长期短期记忆 (LSTM) 和双向门循环单元 (BiGRUs) 的深度学习模型.
- 健康状况分类的 Z 形模糊函数.
主要成果:
- 在CNN-LSTM-BiGRU模型中,使用MAPE,MAE和RMSE指标的其他机器学习模型 (CNN-LSTM,CNN-GRU,LSTM,GRU,SVR,BP) 显示出更高的精度.
- 在具有挑战性的条件下 (无水,低温) 验证了精确的鱼类健康分类.
- 通过分类指标证实了高精度,包括精度,F1分数,精度和回忆.
结论:
- 开发的WBIA传感器和深度学习模型提供了精确的,非侵入性的活鱼健康监测.
- 这项技术为在活鱼中检测生命体征提供了宝贵的参考.
- 该系统能够动态跟踪和评估鱼类健康状况.
