一种线虫生殖及社交行为综合评价方法及装置

技术领域

本发明属于线虫社交行为评价技术领域，具体涉及一种线虫生殖及社交行为综合评价方法及装置。

背景技术

秀丽隐杆线虫是一种简单的模式生物，其具有便于观察、繁殖周期短、易于饲养、基因组测序完成、与人类基因高度同源等特点，是遗传学、基因组学和现代发育生物学研究的重要模式材料。线虫的行为在很大程度上展现了线虫对各种化学因素、环境变量的反应状况，开展线虫行为的评价研究，对利用线虫进行行为与神经生物学、病原体与生物机体的相互作用、药物筛选、动物的应急反应等领域的研究具有重要意义。

生殖吸引行为及社交行为是复杂的神经系统调控行为，这些行为是否受到遗传或者环境的影响是重要的科学问题。秀丽隐杆线虫作为研究神经系统分子调控机制的重要模式生物，其生殖及社交行为的分析已经应用在科学研究上，对线虫的生殖交配行为及群体社交行为进行综合评分，利于对研究影响其行为的因素提供数据支撑，为动物对于相关刺激的表现提供借鉴，也为线虫实验的决策提供思路依据，但是线虫的各种生殖交配行为及群体社交行为作为一个复杂的系统，具有自身的特殊性和变化性，目前尚且没有一个较为客观的、综合性的、可定量反应的线虫的生殖交配及群体社交行为综合评价方法。

发明内容

本发明的目的在于提供一种线虫生殖及社交行为综合评价方法及装置，能够对线虫的社交行为提供客观的、综合性的定量化评分，为研究影响其行为的因素提供数据支撑，为动物对于相关刺激的表现提供借鉴，也为线虫实验的决策提供思路依据。

为实现上述目的，本发明一种线虫生殖及社交行为综合评价方法，包括以下步骤：

S1接受待处理的线虫医学图像，基于AdaptIS神经网络对线虫进行实例分割；采用形态学算法，检测线虫的躯体与端点；

S2基于卡尔曼滤波算法预测线虫的下一帧位置，并采用匈牙利算法与下一帧位置测定值进行数据匹配；采用全局优化算法连接轨迹断点，追踪线虫完整轨迹；

S3基于S1检测和S2追踪结果，绘制线虫运动的位置、轨迹、行为地点和关系图像；采用无监督学习方法进行数据挖掘，获取线虫交配行为及群体社交行为原始数据；

S4对线虫生殖交配及群体社交行为原始数据进行预处理得到标准化数据；采用熵权法对所述标准化数据计算信息熵进而计算各项社交行为指标的权重；

S5基于TOPSIS法对所述标准化数据进行评价，获取所述标准化数据与正理想解和负理想解的加权欧式距离；

S6基于灰色关联分析计算所述标准化数据与正理想解和负理想解的灰色关联度，由归一化的灰色关联度和加权欧氏距离对目标线虫的交配行为及社交行为评分。

本发明还提供一种线虫生殖及社交行为综合评价装置，包括：

检测模块，接受待处理的线虫医学图像，基于AdaptIS神经网络对线虫进行实例分割；采用形态学算法，检测线虫的躯体与端点；

追踪模块，基于卡尔曼滤波算法预测线虫的下一帧位置，并采用匈牙利算法与下一帧位置测定值进行数据匹配；采用全局优化算法连接轨迹断点，追踪线虫完整轨迹；

分析与可视化模块，绘制线虫运动的位置、轨迹、行为地点和关系图像；采用无监督学习方法进行数据挖掘，获取线虫社交行为原始数据；

权重计算模块，对目标线虫生殖交配行为及社交行为原始数据进行预处理得到标准化数据；采用熵权法对所述标准化数据计算信息熵进而计算各项社交行为指标的权重；

TOPSIS评价模块，用于TOPSIS法对所述标准化数据进行评价，获取所述标准化数据与正理想解和负理想解的加权欧式距离；

综合评价模块，用于灰色关联分析计算所述标准化数据与正理想解和负理想解的灰色关联度，由归一化的灰色关联度和加权欧氏距离对目标线虫的交配行为及社交行为评分。

与现有技术相比，本发明的有益效果如下：

本发明利用熵权TOPSIS灰色关联度法，能够对线虫的生殖交配行为及社交行为提供全面的、综合性的定量化评价，利于对研究影响其行为的因素提供数据支撑，为动物对于相关刺激的表现提供借鉴，也为线虫实验的决策提供思路依据；

本发明使用的AdaptIS神经网络可以精确地分割形状复杂或严重遮挡的线虫群体，进而获取精确的线虫体态和行为原始数据；

本发明对线虫体态数据的处理可获得动态的线虫生长发育模型，可用来模拟及预测某种情况下线虫的生长发育能力；

本发明对线虫群体的行为数据的处理可实现对线虫种群密度的分析，以计算线虫在一定时间内生殖能力的变化；

本发明使用的卡尔曼滤波算法，不仅仅过滤掉了线虫图像测量信号的噪声，同时也结合了以往的估计，融合速度等高阶信息，准确追踪预测估计线虫轨迹；

本发明使用的熵权法确定指标权重，能深刻反映线虫生殖交配行为及社交行为指标的区分能力，进而确定权重；可以对数据进行横向，纵向分析；具有客观性的同时具有较高的精确性和可信度；

本发明使用的TOPSIS灰色关联度分析法可以充分利用线虫生殖交配行为及社交行为的原始数据信息，对样本容量没有严格限制，数据计算简单易行，无需数据检验，结果与定性分析结果比较吻合，且其评分能充分反应各评价线虫的数据与理想数据的关联程度与接近程度；

本发明具有一定的可移植性，可以通过调整原始数据实现对其他种类的实验动物的行为进行评价分析；

本发明可以一次性评价大量目标线虫的生殖行为、社交行为、生殖数量，能够大大提升线虫生殖行为、社交行为有关科学研究的效率，并且具有客观可靠性，具有一定的应用前景。

附图说明

图1是本发明实施例提供的基于熵权TOPSIS灰色关联度法的线虫生殖及社交行为综合评价方法的流程图；

图2是本发明实施例提供的基于熵权TOPSIS灰色关联度法的线虫生殖及社交行为综合评价装置的结构示意图；

图3是本发明实施例提供的基于熵权TOPSIS灰色关联度法的线虫生殖及社交行为综合评价方法的评价流程详解图；

图4是本发明实施例采用AdaptIS神经网络对线虫进行实例分割的示意图；

图5是本发明实施例采用AdaptIS迭代检测模型的结构图；

图6是本发明实施例输入的一张线虫医学图像；

图7是本发明实施例采用AdaptIS神经网络对线虫进行实例分割的输出图；

图8是本发明实施例对线虫检测结果采用形态学算法提取形态学骨架线的示意图；

图9是本发明实施例采用全局优化算法连接线虫轨迹断点的示意图；

图10是本发明实施例对线虫描绘轨迹和进行部分数学建模的示意图；

图11是本发明实施例对线虫群体进行K均值聚类的分析结果的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点信息更加清晰完整，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。

如图1和图3所示，本发明实施例提供了一种线虫生殖及社交行为综合评价方法，包括以下步骤：

S1接受待处理的线虫医学图像，基于AdaptIS神经网络对线虫进行实例分割；采用形态学算法，检测线虫的躯体与端点；

S1.1如图5所示，使用者输入一张包含有大量线虫的医学图像，记为I；

S1.2如图6所示，对I采用训练好的AdaptIS神经网络进行迭代检测：

S1.2.1令t＝1，输入图像：I,history map H1为空，检测器D将输入I和H

S1.2.2令t＝2，输入图像：I,history map H

S1.2.3以此类推，直到达到迭代次数或当前迭代未检测到新目标，即|Bm|＝0时，结束迭代；

S1.2.4如图4和图7，输出最后检测结果，即每次迭代检测出的目标的全集，

S1.3，如图8，对检测结果B采用形态学算法提取形态学骨架线，参数化线虫运动信息，检测线虫的躯体与端点；

S2基于卡尔曼滤波算法估计线虫的下一帧位置，采用匈牙利算法与下一帧位置测定值进行数据匹配；采用全局优化算法连接轨迹断点，追踪线虫完整轨迹；

S2.1使用卡尔曼滤波算法估计线虫的下一帧位置：

S2.1.1基于线虫前一帧时刻的状态以及控制量对当前帧时刻的状态进行估计，状态转移方程如下：

测量方程如下：

Z

其中，X＝[u,v,s,r,u’,v’,s’]是t时刻的线虫状态，(u,v)为线虫中心点坐标，s为线虫面积，r为线虫角度/比例，Ut是t时刻对系统的控制量，A是上一状态到当前状态的转换矩阵，B是控制输入到当前状态的转换矩阵，H是当前状态到测量的转换矩阵，随机信号w

S2.1.2计算S2.1.1公式的先验估计状态的协方差矩阵如下：

其中，前部分是由上次最优估计值自身引入的协方差，后部分Q是本次估计产生的不确定性，Q为测量噪声V的协方差。

S2.1.3计算卡尔曼增益参数K如下：

其中，R为观测噪声的协方差。

S2.1.4卡尔曼增益计算得到的最优状态估计值如下：

S2.1.5计算本次最优状态估计值的协方差矩阵，这个数据在下一次迭代的S2.1.2公式中被用到；

其中，Pt即本次滤波输出值的协方差矩阵；

S2.2调用匈牙利算法对线虫的下一帧位置预测值与测定值进行数据匹配；

S2.3如图9，采用全局优化算法连接轨迹断点，追踪线虫完整轨迹；其中使用逐级连接断裂点的方法，用双线性插值法修复线虫曲线，对于复杂纠缠断裂的情况，融合端点轨迹进行匹配；

S2.3.1双线性插值法首先现需要计算在原图上四个近邻点的位置，公式如下：

src

src

其中，src

S2.3.2根据原图中的四个点的坐标Q

f(x，y)＝f(Q

S3基于S1检测和S2追踪结果，绘制线虫运动的位置、轨迹、行为地点和关系等图像；采用无监督学习方法进行数据挖掘，获取线虫社交行为原始数据；

S3.1如图10，基于S1检测出的线虫的位置、躯体和端点以及S2追踪到的线虫轨迹和线虫曲线针对每个线虫绘制图像并进行数学建模分析线虫生殖及社交的原始数据：

其中运动速度计算公式为

S3.2如图11，优选的，采用无监督算法中的K均值聚类对线虫进行聚类分析，进而进行数据挖掘得到线虫社交行为原始数据：

其中聚集率指单位时间内聚集线虫数目除以线虫总数：

离开率指单位时间内离开食物边缘线虫数目除以总数：

探索率指平均每只线虫运动路径的长短：

边界聚集率指单位时间内边界聚集线虫除以线虫总数：

S4对线虫社交行为原始数据进行预处理得到标准化数据；采用熵权法对所述标准化数据计算信息熵进而计算各项社交行为指标的权重。

本实施例中，所述线虫社交行为指标包括运动速度、聚集率、离开率、探索率、边界聚集率等可以反应线虫社交行为的指标，涉及的评价指标体系如表1所示：

表1线虫社交行为的评价指标体系

S4.1所述预处理首先要将线虫社交行为的极小型指标，中间型指标和区间型指标数据全部化成极大型指标数据，方便统一计算和处理；

S4.1.1其中，极大型指标数据即其本身；

本实施例中极小型指标探索率转换为极大型指标的公式为：

max(x

中间型指标转换为极大型指标的公式为：

区间型指标转换为极大型指标的公式为：

其中x

S4.1.2转化后，极大值数据矩阵为：

其中，x'

S4.2所述标准化数据为采用极差标准化法对所述极大型指标数据进行标准化处理得到；

进一步地，所述标准化处理的公式为：

其中b

S4.3所述信息熵计算公式为：

其中e

S4.4所述计算各项社交行为指标的权重的公式为：

其中w

S5基于TOPSIS法对所述标准化数据进行评价，获取所述标准化数据与正理想解和负理想解的加权欧式距离。

S5.1所述正理想解是从各指标中各自抽取出最优的特征值构成一个虚拟的最有利于现实解决问题的解，称之为正理想解，正理想解定义为：

其中，Z

同理，所述负理想解是从各指标中各自抽取出最劣的特征值构成一个虚拟的最不利于现实解决问题的解，称之为负理想解，负理想解定义为：

其中，Z

S5.2所述标准化数据与正理想解和负理想解的加权欧式距离计算公式为：

S6基于灰色关联分析计算所述标准化数据与正理想解和负理想解的灰色关联度，由归一化的灰色关联度和加权欧氏距离对目标线虫的社交行为评分。

S6.1所述灰色关联度的计算公式如下：

其中，ξ

S6.2对样本到正负理想解的欧氏距离和样本与理想解的灰色关联度进行归一化处理如下：

S6.3基于所述归一化后的灰色关联度和加权欧氏距离对目标线虫社交行为计算得分S

其中，Si位于[0,1]之间，当S

为了解决相同的技术问题，本发明还提供一种线虫生殖及社交行为综合评价装置，如图2，包括：

检测模块，接受待处理的线虫医学图像，基于AdaptIS神经网络对线虫进行实例分割；采用形态学算法，检测线虫的躯体与端点；

追踪模块，基于卡尔曼滤波算法估计线虫的下一帧位置，采用匈牙利算法与下一帧位置测定值进行数据匹配；采用全局优化算法连接轨迹断点，追踪线虫完整轨迹；

分析与可视化模块，基于检测和追踪结果，绘制线虫运动的位置、轨迹、行为地点和关系等图像；采用无监督学习方法进行数据挖掘，获取线虫社交行为原始数据。

权重计算模块，对目标线虫社交行为原始数据并进行预处理得到标准化数据；采用熵权法对所述标准化数据计算信息熵进而计算各项社交行为指标的权重；

TOPSIS评价模块，用于TOPSIS法对所述标准化数据进行评价，获取所述标准化数据与正理想解和负理想解的加权欧式距离；

综合评价模块，用于灰色关联分析计算所述标准化数据与正理想解和负理想解的灰色关联度，由归一化的灰色关联度和加权欧氏距离对目标线虫的社交行为评分。

本实施例提供的装置是用于执行上述各方法实施例的，具体流程和详细内容请参照上述具体实施方案，因此不再赘述。