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 border="0" cellpadding="0" cellspacing="0" width="1293">
	<tbody>
		<tr height="21">
			<td height="21" style="height:21px;width:328px;">Name of Material/ Equipment</td>
			<td style="width:237px;">Company</td>
			<td style="width:257px;">Catalog Number</td>
			<td style="width:471px;">Comments/Description</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:328px;">Audio Recorder: ICD-PX312</td>
			<td style="width:237px;">Sony</td>
			<td style="width:257px;">4-267-065-11(2)</td>
			<td>With a 8 GB microSD extra memory</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:328px;">Insectary</td>
			<td style="width:237px;">Lee&#39;s Aquarium &#38; Pet Products.</td>
			<td style="width:257px;">20088 HerpHaven&#174;, Large Rectangle</td>
			<td style="width:471px;">14 1/2&#34; Long x 8 3/4&#34; Wide x 9 3/4&#34; high. Modified to house insects.&#160;</td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;width:328px;">Laser Line Generator, 650nm (red)</td>
			<td style="width:237px;">Apinex (www.apinex.com)</td>
			<td style="width:257px;">LN60-650</td>
			<td style="width:471px;">5mW. This is a low powered laser, similar to a teachers lasers pointer</td>
		</tr>
		<tr height="63">
			<td height="63" style="height:63px;width:328px;">Photodiode Array</td>
			<td style="width:237px;">VISHAY SEMICONDUCTOR&#160; TEFD4300&#160; PIN PHOTODIODE, 650NM, 20DEG, T1</td>
			<td style="width:257px;">TEFD4300</td>
			<td style="width:471px;">We made a custom array of 15 of these Photodiodes wired in parallel</td>
		</tr>
		<tr height="63">
			<td height="63" style="height:63px;">Analogue to Digital Convertor Integrated Circuit&#160;</td>
			<td style="width:237px;">Custom made in our lab</td>
			<td style="width:257px;"></td>
			<td style="width:471px;">We made this item ourselves, but an easily available commercial product, Gino PCF8591 AD/DA Converter, provides the same functionality.&#160;</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.remotexs.ntu.edu.sg/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.remotexs.ntu.edu.sg/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.remotexs.ntu.edu.sg/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.remotexs.ntu.edu.sg/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.remotexs.ntu.edu.sg/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

Nanyang Technological University

Research

JoVE Journal

Bioengineering

25.0K 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

Fluorescence detection methods for microfluidic droplet platforms

The development of microfluidic platforms for performing chemistry and biology has in large part been driven by a range of potential benefits that accompany system miniaturisation. Advantages include the ability to efficiently process nano- to femoto- liter volumes of sample, facile integration of functional components, an intrinsic predisposition towards large-scale multiplexing, enhanced analytical throughput, improved control and reduced instrumental footprints.1
In recent years much interest has focussed on the development of droplet-based (or segmented flow) microfluidic systems and their potential as platforms in high-throughput experimentation.2-4 Here water-in-oil emulsions are made to spontaneously form in microfluidic channels as a result of capillary instabilities between the two immiscible phases. Importantly, microdroplets of precisely defined volumes and compositions can be generated at frequencies of several kHz. Furthermore, by encapsulating reagents of interest within isolated compartments separated by a continuous immiscible phase, both sample cross-talk and dispersion (diffusion- and Taylor-based) can be eliminated, which leads to minimal cross-contamination and the ability to time analytical processes with great accuracy. Additionally, since there is no contact between the contents of the droplets and the channel walls (which are wetted by the continuous phase) absorption and loss of reagents on the channel walls is prevented.
Once droplets of this kind have been generated and processed, it is necessary to extract the required analytical information. In this respect the detection method of choice should be rapid, provide high-sensitivity and low limits of detection, be applicable to a range of molecular species, be non-destructive and be able to be integrated with microfluidic devices in a facile manner. To address this need we have developed a suite of experimental tools and protocols that enable the extraction of large amounts of photophysical information from small-volume environments, and are applicable to the analysis of a wide range of physical, chemical and biological parameters. Herein two examples of these methods are presented and applied to the detection of single cells and the mapping of mixing processes inside picoliter-volume droplets. We report the entire experimental process including microfluidic chip fabrication, the optical setup and the process of droplet generation and detection.

Droplet-based microfluidic platforms are promising candidates for high throughput experimentation since they are able to generate picoliter, self-compartmentalized vessels inexpensively at kHz rates. Through integration with fast, sensitive and high resolution fluorescence spectroscopic methods, the large amounts of information generated within these systems can be efficiently extracted, harnessed and utilized.

Mikroakışkan damlacık platformları için Floresan algılama yöntemleri

The development of microfluidic platforms for performing chemistry and biology has in large part been driven by a range of potential benefits that ...

Biyomühendislik

Detection and Isolation of Circulating Melanoma Cells using Photoacoustic Flowmetry

Circulating tumor cells (CTCs) are those cells that have separated from a macroscopic tumor and spread through the blood and lymph systems to seed secondary tumors1,2,3. CTCs are indicators of metastatic disease and their detection in blood samples may be used to diagnose cancer and monitor a patient&prime;s response to therapy. Since CTCs are rare, comprising about one tumor cell among billions of normal blood cells in advanced cancer patients, their detection and enumeration is a difficult task. We exploit the presence of pigment in most melanoma cells to generate photoacoustic, or laser induced ultrasonic waves in a custom flow cytometer for detection of circulating melanoma cells (CMCs)4,5. This process entails separating a whole blood sample using centrifugation and obtaining the white blood cell layer. If present in whole blood, CMCs will separate with the white blood cells due to similar density. These cells are resuspended in phosphate buffered saline (PBS) and introduced into the flowmeter. Rather than a continuous flow of the blood cell suspension, we induced two phase flow in order to capture these cells for further study. In two phase flow, two immiscible liquids in a microfluidic system meet at a junction and form alternating slugs of liquid6,7. PBS suspended white blood cells and air form microliter slugs that are sequentially irradiated with laser light. The addition of a surfactant to the liquid phase allows uniform slug formation and the user can create different sized slugs by altering the flow rates of the two phases. Slugs of air and slugs of PBS with white blood cells contain no light absorbers and hence, do not produce photoacoustic waves. However, slugs of white blood cells that contain even single CMCs absorb laser light and produce high frequency acoustic waves. These slugs that generate photoacoustic waves are sequestered and collected for cytochemical staining for verification of CMCs.

We have developed a flow cytometer using laser induced ultrasound to detect circulating melanoma cells as an early indicator of metastatic disease.

Sirkülasyon Melanom Hücreler foto akustik flowmetre kullanarak Algılama ve İzolasyonu

Circulating tumor cells (CTCs) are those cells that have separated from a macroscopic tumor and spread through the blood and lymph systems to seed ...

Bacterial Detection &amp; Identification Using Electrochemical Sensors

Electrochemical sensors are widely used for rapid and accurate measurement of blood glucose and can be adapted for detection of a wide variety of analytes. Electrochemical sensors operate by transducing a biological recognition event into a useful electrical signal. Signal transduction occurs by coupling the activity of a redox enzyme to an amperometric electrode. Sensor specificity is either an inherent characteristic of the enzyme, glucose oxidase in the case of a glucose sensor, or a product of linkage between the enzyme and an antibody or probe.
Here, we describe an electrochemical sensor assay method to directly detect and identify bacteria. In every case, the probes described here are DNA oligonucleotides. This method is based on sandwich hybridization of capture and detector probes with target ribosomal RNA (rRNA). The capture probe is anchored to the sensor surface, while the detector probe is linked to horseradish peroxidase (HRP). When a substrate such as 3,3',5,5'-tetramethylbenzidine (TMB) is added to an electrode with capture-target-detector complexes bound to its surface, the substrate is oxidized by HRP and reduced by the working electrode. This redox cycle results in shuttling of electrons by the substrate from the electrode to HRP, producing current flow in the electrode.

Bacterial Detection & Identification Using Electrochemical Sensors

We describe an electrochemical sensor assay method for rapid bacterial detection and identification. The assay involves a sensor array functionalized with DNA oligonucleotide capture probes for ribosomal RNA (rRNA) species-specific sequences. Sandwich hybridization of target rRNA with the capture probe and a horseradish peroxidase-linked DNA oligonucleotide detector probe produces a measurable amperometric current.

Elektrokimyasal Sensörler kullanarak Bakteriyel Algılama ve Tanıma

Electrochemical  sensors are widely used for rapid and accurate measurement of blood glucose and  can be adapted for detection of a wide variety of ...

Biosensor for Detection of Antibiotic Resistant Staphylococcus Bacteria

A structurally transformed lytic bacteriophage having a broad host range of Staphylococcus aureus strains and a penicillin-binding protein (PBP 2a) antibody conjugated latex beads have been utilized to create a biosensor designed for discrimination of methicillin resistant (MRSA) and sensitive (MSSA) S. aureus species 1,2. The lytic phages have been converted into phage spheroids by contact with water-chloroform interface. Phage spheroid monolayers have been moved onto a biosensor surface by Langmuir-Blodgett (LB) technique 3. The created biosensors have been examined by a quartz crystal microbalance with dissipation tracking (QCM-D) to evaluate bacteria-phage interactions. Bacteria-spheroid interactions led to reduced resonance frequency and a rise in dissipation energy for both MRSA and MSSA strains. After the bacterial binding, these sensors have been further exposed to the penicillin-binding protein antibody latex beads. Sensors analyzed with MRSA responded to PBP 2a antibody beads; although sensors inspected with MSSA gave no response. This experimental distinction determines an unambiguous discrimination between methicillin resistant and sensitive S. aureus strains. Equally bound and unbound bacteriophages suppress bacterial growth on surfaces and in water suspensions. Once lytic phages are changed into spheroids, they retain their strong lytic activity and show high bacterial capture capability. The phage and phage spheroids can be utilized for testing and sterilization of antibiotic resistant microorganisms. Other applications may include use in bacteriophage therapy and antimicrobial surfaces.

Lytic phage biosensors and antibody beads are able to discriminate between methicillin resistant (MRSA) and sensitive staphylococcus bacteria. The phages were immobilized by a Langmuir-Blodgett method onto a surface of a quartz crystal microbalance sensor and worked as broad range staphylococcus probes. Antibody beads recognize MRSA.

Antibiyotik Dirençli Stafilokok bakteri tespiti için biyosensör

A structurally transformed lytic bacteriophage having a broad host range of Staphylococcus aureus strains and a penicillin-binding protein (PBP 2a) ...

Glutamine Flux Imaging Using Genetically Encoded Sensors

Genetically encoded sensors allow real-time monitoring of biological molecules at a subcellular resolution. A tremendous variety of such sensors for biological molecules became available in the past 15 years, some of which became indispensable tools that are used routinely in many laboratories.
One of the exciting applications of genetically encoded sensors is the use of these sensors in investigating cellular transport processes. Properties of transporters such as kinetics and substrate specificities can be investigated at a cellular level, providing possibilities for cell-type specific analyses of transport activities. In this article, we will demonstrate how transporter dynamics can be observed using genetically encoded glutamine sensor as an example. Experimental design, technical details of the experimental settings, and considerations for post-experimental analyses will be discussed.

This article will demonstrate how to monitor glutamine dynamics in live cells using FRET. Genetically encoded sensors allow real-time monitoring of biological molecules at a subcellular resolution. Experimental design, technical details of the experimental settings, and considerations for post-experimental analyses will be discussed for genetically encoded glutamine sensors.

Genetiği Kodlanmış Sensörleri kullanarak glutamin Akı Görüntüleme

Genetically encoded sensors allow real-time monitoring of biological molecules at a subcellular resolution. A tremendous variety of such sensors for ...

A Microfluidic-based Electrochemical Biochip for Label-free DNA Hybridization Analysis

Miniaturization of analytical benchtop procedures into the micro-scale provides significant advantages in regards to reaction time, cost, and integration of pre-processing steps. Utilizing these devices towards the analysis of DNA hybridization events is important because it offers a technology for real time assessment of biomarkers at the point-of-care for various diseases. However, when the device footprint decreases the dominance of various physical phenomena increases. These phenomena influence the fabrication precision and operation reliability of the device. Therefore, there is a great need to accurately fabricate and operate these devices in a reproducible manner in order to improve the overall performance. Here, we describe the protocols and the methods used for the fabrication and the operation of a microfluidic-based electrochemical biochip for accurate analysis of DNA hybridization events. The biochip is composed of two parts: a microfluidic chip with three parallel micro-channels made of polydimethylsiloxane (PDMS), and a 3 x 3 arrayed electrochemical micro-chip. The DNA hybridization events are detected using electrochemical impedance spectroscopy (EIS) analysis. The EIS analysis enables monitoring variations of the properties of the electrochemical system that are dominant at these length scales. With the ability to monitor changes of both charge transfer and diffusional resistance with the biosensor, we demonstrate the selectivity to complementary ssDNA targets, a calculated detection limit of 3.8 nM, and a 13% cross-reactivity with other non-complementary ssDNA following 20 min&#160;of incubation. This methodology can improve the performance of miniaturized devices by elucidating on the behavior of diffusion at the micro-scale regime and by enabling the study of DNA hybridization events.

We present a microfluidic-based electrochemical biochip for DNA hybridization detection. Following ssDNA probe functionalization, the specificity, sensitivity, and detection limit are studied with complementary and non-complementary ssDNA targets. Results illustrate the influence of the DNA hybridization events on the electrochemical system, with a detection limit of 3.8 nM.

Etiket-serbest DNA Hibridizasyon Analiz için mikroakışkan tabanlı Elektrokimyasal Biochip

Miniaturization of analytical benchtop procedures into the micro-scale provides significant advantages in regards to reaction time, cost, and integration ...

Detection of Exosomal Biomarker by Electric Field-induced Release and Measurement (EFIRM)

Exosomes are microvesicular structures that play a mediating role in intercellular communication. It is of interest to study the internal cargo of exosomes to determine if they carry disease discriminatory biomarkers. For performing exosomal analysis, it is necessary to develop a method for extracting and analyzing exosomes from target biofluids without damaging the internal content.
Electric field-induced release and measurement (EFIRM) is a method for specifically extracting exosomes from biofluids, unloading their cargo, and testing their internal RNA/protein content. Using an anti-human CD63 specific antibody magnetic microparticle, exosomes are first precipitated from biofluids. Following extraction, low-voltage electric cyclic square waves (CSW) are applied to disrupt the vesicular membrane and cause cargo unloading. The content of the exosome is hybridized to DNA primers or antibodies immobilized on an electrode surface for quantification of molecular content.
The EFIRM method is advantageous for extraction of exosomes and unloading cargo for analysis without lysis buffer. This method is capable of performing specific detection of both RNA and protein biomarker targets in the exosome. EFIRM extracts exosomes specifically based on their surface markers as opposed to size-based techniques.
Transmission electron microscopy (TEM) and assay demonstrate the functionality of the method for exosome capture and analysis. The EFIRM method was applied to exosomal analysis of 9 mice injected with human lung cancer H640 cells (a cell line transfected to express the exosome marker human CD63-GFP) in order to test their exosome profile against 11 mice receiving saline controls. Elevated levels of exosomal biomarkers (reference gene GAPDH and protein surface marker human CD63-GFP) were found for the H640 injected mice in both serum and saliva samples. Furthermore, saliva and serum samples were demonstrated to have linearity (R = 0.79). These results are suggestive for the viability of salivary exosome biomarkers for detection of distal diseases.

Detection of Exosomal Biomarker by Electric Field-induced Release and Measurement EFIRM

Exosomes are microvesicular structures found within biofluids that potentially carry important disease discriminatory biomarkers. Here, a novel method is used to specifically extract exosomes and rapidly test the exosomal cargo for both RNA/protein targets following the disruption of exosomes using non-uniform electric cyclic square waves.

Elektrik Alan-kaynaklı Release ve Ölçme (EFIRM) tarafından Exosomal Biomarker Algılama

Exosomes are microvesicular structures that play a mediating role in intercellular communication. It is of interest to study the internal cargo of ...

Label-free Single Molecule Detection Using Microtoroid Optical Resonators

Detecting small concentrations of molecules down to the single molecule limit has impact on areas such as early detection of disease, and fundamental studies on the behavior of molecules. Single molecule detection techniques commonly utilize labels such as fluorescent tags or quantum dots, however, labels are not always available, increase cost and complexity, and can perturb the events being studied. Optical resonators have emerged as a promising means to detect single molecules without the use of labels. Currently the smallest particle detected by a non-plasmonically-enhanced bare optical resonator system in solution is a 25 nm polystyrene sphere1. We have developed a technique known as Frequency Locking Optical Whispering Evanescent Resonator (FLOWER) that can surpass this limit and achieve label-free single molecule detection in aqueous solution2. As signal strength scales with particle volume, our work represents a &#62; 100x improvement in the signal to noise ratio (SNR) over the current state of the art. Here the procedures behind FLOWER are presented in an effort to increase its usage in the field.

We have developed a label-free biosensing system based on optical resonator technology known as Frequency Locking Optical Whispering Evanescent Resonator (FLOWER) that is capable of detecting single molecules in solution. Here the procedures behind this work are described and presented.

Microtoroid Optik Rezonatörler Kullanarak Etiket serbest Tek Molekül Algılama

Detecting small concentrations of molecules down to the single molecule limit has impact on areas such as early detection of disease, and fundamental ...

Sensitive Detection of Proteopathic Seeding Activity with FRET Flow Cytometry

Increasing evidence supports transcellular propagation of toxic protein aggregates, or proteopathic seeds, as a mechanism for the initiation and progression of pathology in several neurodegenerative diseases, including Alzheimer's disease and the related tauopathies. The potentially critical role of tau seeds in disease progression strongly supports the need for a sensitive assay that readily detects seeding activity in biological samples. 
By combining the specificity of fluorescence resonance energy transfer (FRET), the sensitivity of flow cytometry, and the stability of a monoclonal cell line, an ultra-sensitive seeding assay has been engineered and is compatible with seed detection from recombinant or biological samples, including human and mouse brain homogenates. The assay employs monoclonal HEK 293T cells that stably express the aggregation-prone repeat domain (RD) of tau harboring the disease-associated P301S mutation fused to either CFP or YFP, which produce a FRET signal upon protein aggregation. The uptake of proteopathic tau seeds (but not other proteins) into the biosensor cells stimulates aggregation of RD-CFP and RD-YFP, and flow cytometry sensitively and quantitatively monitors this aggregation-induced FRET. The assay detects femtomolar concentrations (monomer equivalent) of recombinant tau seeds, has a dynamic range spanning three orders of magnitude, and is compatible with brain homogenates from tauopathy transgenic mice and human tauopathy subjects. With slight modifications, the assay can also detect seeding activity of other proteopathic seeds, such as &#945;-synuclein, and is also compatible with primary neuronal cultures. The ease, sensitivity, and broad applicability of FRET flow cytometry makes it useful to study a wide range of protein aggregation disorders.

Cell-to-cell transfer of protein aggregates, or proteopathic seeds, may underlie the progression of pathology in neurodegenerative diseases. Here, a novel FRET flow cytometry assay is described that enables specific and sensitive detection of seeding activity from recombinant or biological samples.

FRET Akım Sitometrisi ile Proteopathic Tohumculuk Faaliyet duyarlı Algılama

Increasing evidence supports transcellular propagation of toxic protein aggregates, or proteopathic seeds, as a mechanism for the initiation and ...

Fast Enzymatic Processing of Proteins for MS Detection with a Flow-through Microreactor

The vast majority of mass spectrometry (MS)-based protein analysis methods involve an enzymatic digestion step prior to detection, typically with trypsin. This step is necessary for the generation of small molecular weight peptides, generally with MW &#60; 3,000-4,000 Da, that fall within the effective scan range of mass spectrometry instrumentation. Conventional protocols involve O/N enzymatic digestion at 37 &#186;C. Recent advances have led to the development of a variety of strategies, typically involving the use of a microreactor with immobilized enzymes or of a range of complementary physical processes that reduce the time necessary for proteolytic digestion to a few minutes (e.g., microwave or high-pressure). In this work, we describe a simple and cost-effective approach that can be implemented in any laboratory for achieving fast enzymatic digestion of a protein. The protein (or protein mixture) is adsorbed on C18-bonded reversed-phase high performance liquid chromatography (HPLC) silica particles preloaded in a capillary column, and trypsin in aqueous buffer is infused over the particles for a short period of time. To enable on-line MS detection, the tryptic peptides are eluted with a solvent system with increased organic content directly in the MS ion source. This approach avoids the use of high-priced immobilized enzyme particles and does not necessitate any aid for completing the process. Protein digestion and complete sample analysis can be accomplished in less than ~3 min and ~30 min, respectively.

A quick protocol for proteolytic digestion with an in-house built flow-through tryptic microreactor coupled to an electrospray ionization (ESI) mass spectrometer is presented. The fabrication of the microreactor, the experimental setup and the data acquisition process are described.

Bir akış oranı mikroreaktör MS Algılama Proteinlerin hızlı enzimatik işlenmesi

The vast majority of mass spectrometry (MS)-based protein analysis methods involve an enzymatic digestion step prior to detection, typically with trypsin. ...