在飞行中检测登革热:利用机器学习分析蚊子的飞行模式以检测感染
Nouman Javed1, Adam J López-Denman2, Prasad N Paradkar2
1Institute for Intelligent Systems Research and Innovation, Deakin University, Geelong, Victoria, 3216, Australia.
Advanced biology
|August 28, 2025
概括
机器学习使用3D飞行模式准确检测感染登革热的蚊子, 提供比传统疾病监测和疫情预测方法更快的替代方案.
科学领域:
- 媒介性疾病监测
- 计算生物学
- 机器学习应用
背景情况:
- 蚊子传播的疾病对全球健康构成重大威胁.
- 目前的监测方法 (陷,PCR,ELISA) 是缓慢且资源密集的.
- 需要对蚊子感染状况进行自动化和快速评估.
研究的目的:
- 根据飞行模式开发和评估用于检测登革热感染的蚊子的机器学习模型.
- 为了比较各种分类算法的性能.
- 评估飞行数据特征对预测准确性的影响.
主要方法:
- 使用卷积神经网络 (CNN) 和立方脊线插入用于3D飞行轨迹跟踪.
- 使用多种机器学习模型对受感染的蚊子进行分类:CNN,XGBoost,AdaBoost,随机森林,决策树,天真贝叶斯,物流回归,MLP和CNN+XGBoost混合.
- 使用5倍交叉验证来评估模型的性能.
主要成果:
- XGBoost获得了最高的平均精度 (81.43%),而Random Forest获得了最佳的平均F1评分 (82.80%).
- 在特定的验证折叠中观察到异常性能,AdaBoost达到95. 85%的准确性,Random Forest达到97. 77%的回忆.
- 随着蚊子飞行时间的延长,模型的准确性得到了提高.
结论:
- 对3D蚊子飞行模式的机器学习分析提供了一种快速有效的感染状况评估方法.
- 这种方法支持实时的病媒监测,并提高了疾病爆发的早期发现.
- 飞行模式分析为传统的劳动密集型监控技术提供了一个有前途的替代方案.
