基于One-Class SVM的青鳉魚異常行為識(shí)別方法

羅毅 王偉 劉勇 姜杰 劉翠棉 趙樂 李歆琰 李治國 廖日紅 王艷 王新春 饒凱鋒

摘 要：為了更準(zhǔn)確地解析青鳉魚在突發(fā)污染環(huán)境中的行為變化趨勢，提出了一種基于One-Class SVM模型的青鳉魚異常行為識(shí)別方法。以青鳉魚的生理及行為特征作為觀測指標(biāo)，將采集到的暴露在不同類型和濃度特征污染物下的青鳉魚行為強(qiáng)度信號(hào)作為經(jīng)驗(yàn)數(shù)據(jù)，利用直方圖統(tǒng)計(jì)和主成分分析（PCA）對(duì)行為強(qiáng)度數(shù)據(jù)進(jìn)行降維，實(shí)現(xiàn)行為特征提取，基于One-Class SVM構(gòu)建模型，并以五水合硫酸銅和三氯酚作為特征污染物進(jìn)行暴露實(shí)驗(yàn)對(duì)算法進(jìn)行驗(yàn)證。結(jié)果表明，One-Class SVM模型可以準(zhǔn)確地識(shí)別正常行為和污染物暴露時(shí)發(fā)生的異常行為;對(duì)于有機(jī)污染物最快可在10 min內(nèi)完成預(yù)警，重金屬污染物可在1 h內(nèi)完成預(yù)警，并且污染物濃度越高，模型的識(shí)別效果越好。識(shí)別方法可對(duì)水源突發(fā)性水質(zhì)污染進(jìn)行更有效的監(jiān)測和預(yù)警，也可為水污染應(yīng)急決策提供技術(shù)支撐。

關(guān)鍵詞：環(huán)境質(zhì)量監(jiān)測與評(píng)價(jià);模式識(shí)別;青鳉魚;異常行為;One-Class SVM

中圖分類號(hào)：X832?? 文獻(xiàn)標(biāo)識(shí)碼：A

DOI： 10.7535/hbgykj.2022yx03008

Abnormal behavior recognition method of medaka based on One-Class SVM

LUO Yi1，WANG Wei2，LIU Yong2，JIANG Jie2，LIU Cuimian1，ZHAO Le3，LI Xinyan3，LI Zhiguo3，LIAO Rihong4，WANG Yan4，WANG Xinchun4，RAO Kaifeng5，6，7

（1.Shijiazhuang Environmental Monitoring Center，Shijiazhuang，Hebei 050022 ，China;2.CASA Environmental Technology （Wuxi） Company Limited，Wuxi，Jiangsu 214024，China;3.Hebei Province Ecology Environmental Monitoring Center，Shijiazhuang，Hebei 050037，China;4.Beijing South-to-North Water Diversion Loop Management Division，Beijing 100176，China;5.Research Center for Eco-Environmental Sciences，Chinese Academy of Sciences，Beijing 100085，China;6.State Key Joint Laboratory of Environment Simulation and Pollution Control，Beijing 100085，China;7.Key Laboratory of Drinking Water Science and Technology，Research Center for Eco-Environmental Sciences，Chinese Academy of Sciences，Beijing 100085，China）

Abstract：In order to analyze the behavior change trend of medaka in sudden polluted environment more accurately，an abnormal behavior recognition method of medaka based on One-Class SVM model was proposed.Taking the physiological and behavioral characteristics of medaka as observation indexes，the behavioral intensity signals of medaka exposed to different types and concentrations of characteristic pollutants were taken as empirical data.The dimension of behavioral intensity data was reduced by histogram statistics and principal component analysis （PCA），so as to realize the extraction of behavioral features.The model was constructed based on One-Class SVM，and the algorithm was verified by exposure experiments with copper sulfate pentahydrate and trichlorophenol as characteristic pollutants.The experimental results show that the One-Class SVM model can accurately identify normal behavior and abnormal behavior during pollutant exposure.For organic pollutants，the early warning can be completed within 10 minutes at the fastest speed，and for heavy metal pollutants，the early warning can be completed within 1 hour.In addition，the higher the pollutant concentration is，the better the recognition effect of the model is.The identification method can carry out more effective monitoring and all-round early warning of sudden water source pollution，and provide technical support for water pollution emergency decision-making.97DEF0DC-E8E7-487A-8B28-365E44187B9B

Keywords：

environmental quality monitoring and evaluation;pattern recognition;medaka;abnormal behavior;One-Class SVM

在水源水質(zhì)監(jiān)測領(lǐng)域，有2種應(yīng)用較為廣泛的技術(shù)手段，一種是理化指標(biāo)監(jiān)測方法[1-2]，通過定量或定性的分析方法，有針對(duì)性地測定水中有害物質(zhì)及其濃度。常見的監(jiān)測指標(biāo)有常規(guī)五參數(shù)、COD、氨氮和少數(shù)幾種重金屬離子等[3-5]，但理化指標(biāo)分析技術(shù)所能檢測到的污染物種類和毒性遠(yuǎn)遠(yuǎn)低于已知的污染物總數(shù)。另一種是生物監(jiān)測方法[6-7]，通過生物傳感器監(jiān)測水體內(nèi)受試水生生物不同水平上的生物行為學(xué)指標(biāo)變化，反映水質(zhì)綜合毒性。相對(duì)于傳統(tǒng)的理化指標(biāo)監(jiān)測方法，水質(zhì)生物監(jiān)測技術(shù)可以連續(xù)實(shí)時(shí)監(jiān)測水質(zhì)安全狀況，更直觀可靠地反映水環(huán)境長期污染的影響，并且具有無試劑二次污染的優(yōu)點(diǎn)。

生物的種類很多，目前已有的研究物種有發(fā)光菌、藻類、大型溞、魚類等[8-10]，其中魚類作為更高等的生物，與人類對(duì)環(huán)境污染物的反應(yīng)更加接近，因此在水環(huán)境污染生物監(jiān)測技術(shù)中應(yīng)用最為廣泛。其中，李志良[11]研究青鳉魚在不同類型污染物暴露下的行為變化規(guī)律，結(jié)果表明魚的行為強(qiáng)度與污染物的暴露濃度和暴露時(shí)間有明顯的相關(guān)性;梁鴻等[12]采用生物傳感器監(jiān)測青鳉魚在不同濃度重金屬銅暴露下的行為響應(yīng)數(shù)據(jù)，研究重金屬對(duì)生物行為變化的影響，得到的行為反應(yīng)模式符合環(huán)境脅迫閾值模型;賈貝貝等[13]用計(jì)算機(jī)視覺技術(shù)監(jiān)測并提取青鳉魚生理和運(yùn)動(dòng)特征，分析這些特征和水質(zhì)變化之間的關(guān)系，建立了魚類行為特征提取與分析模型;劉翠棉等[14]將直方圖統(tǒng)計(jì)算法應(yīng)用于青鳉魚行為特征提取中，實(shí)驗(yàn)結(jié)果表明該方法能夠高效表征污染物暴露實(shí)驗(yàn)前后魚的行為變化趨勢，為后續(xù)青鳉魚異常行為識(shí)別提供了參考。這些研究結(jié)果皆表明將青鳉魚應(yīng)用于水環(huán)境污染監(jiān)測預(yù)警是可行的，但是現(xiàn)有的研究文獻(xiàn)都沒有構(gòu)建生物行為數(shù)據(jù)與特征污染物之間的關(guān)系模型，自動(dòng)化地去提取魚類行為特征并識(shí)別污染物暴露時(shí)青鳉魚發(fā)生的異常行為，達(dá)到生物監(jiān)測預(yù)警的效果。

本文提出了一種基于One-Class SVM的青鳉魚異常行為識(shí)別算法，通過將不同特征污染物存在的一定時(shí)間段內(nèi)的青鳉魚行為經(jīng)驗(yàn)數(shù)據(jù)作為訓(xùn)練集，對(duì)后續(xù)行為數(shù)據(jù)進(jìn)行預(yù)測分類，進(jìn)而準(zhǔn)確有效地識(shí)別正常行為和污染物暴露時(shí)發(fā)生的異常行為。

1 實(shí)驗(yàn)方法

1.1 實(shí)驗(yàn)裝置

本文采用雙層生物行為傳感器（如圖1所示），傳感器的上層是放置標(biāo)準(zhǔn)模式生物的暴露層，下層是空白對(duì)照層。當(dāng)特征污染物通過水流從傳感器的輸入端進(jìn)入，再從輸出端流出會(huì)形成一個(gè)標(biāo)準(zhǔn)流水暴露實(shí)驗(yàn)環(huán)境。傳感器的上下兩層各放置了4個(gè)與腔體平行且兩兩成對(duì)的電極片，采用316L不銹鋼鍍鉻材料制成，在傳感器內(nèi)形成一個(gè)低壓高頻電場。選用符合毒理學(xué)實(shí)驗(yàn)要求的標(biāo)準(zhǔn)模式青鳉魚作為指示生物進(jìn)行暴露實(shí)驗(yàn)。青鳉魚在傳感器中充當(dāng)電阻的作用，其個(gè)體及位置的不同會(huì)導(dǎo)致電阻不同，特征污染物會(huì)對(duì)青鳉魚行為造成影響，從而在魚游動(dòng)的過程中電流會(huì)發(fā)生改變，將檢測到的電流信號(hào)通過模數(shù)轉(zhuǎn)化器量化后輸出到上位機(jī)，即可獲取青鳉魚行為電信號(hào)數(shù)據(jù)。傳感器的采樣頻率為50 Hz，每秒可獲取20個(gè)行為強(qiáng)度數(shù)據(jù)。通過分析采集到的青鳉魚行為強(qiáng)度信號(hào)可以監(jiān)測青鳉魚在遭遇水質(zhì)污染時(shí)自發(fā)產(chǎn)生的回避行為響應(yīng)，表現(xiàn)在信號(hào)上即為行為異常。

1.2 實(shí)驗(yàn)數(shù)據(jù)采集

在流水環(huán)境下監(jiān)測暴露在特征污染物中的青鳉魚行為信號(hào)的變化情況，實(shí)驗(yàn)過程中使用五水合硫酸銅和三氯酚作為特征污染物，暴露開始前保證有4 h左右的正常行為數(shù)據(jù)，具體暴露實(shí)驗(yàn)細(xì)節(jié)如表1所示。所有實(shí)驗(yàn)標(biāo)準(zhǔn)樣品都是從中國標(biāo)準(zhǔn)樣品中心購買，實(shí)驗(yàn)結(jié)束后都按照國家規(guī)定的廢液處理方法進(jìn)行處理。

實(shí)驗(yàn)過程中，將特征污染物對(duì)青鳉魚的48 h半數(shù)致死濃度 （50% lethal concentration ， LC50）作為1個(gè)毒性單位（toxic unit，TU）。實(shí)驗(yàn)設(shè)定2個(gè)濃度組，分別為1 TU和5 TU，其中五水合硫酸銅的毒性質(zhì)量濃度為1 TU=7.9 mg/L，三氯酚的毒性質(zhì)量濃度為1 TU=2.3 mg/L。針對(duì)每個(gè)濃度的特征污染物都采用8個(gè)通道的生物行為傳感器進(jìn)行平行測試，每個(gè)通道中放置3條青鳉魚，實(shí)驗(yàn)結(jié)束后將8個(gè)通道數(shù)據(jù)疊加平均，作為該次暴露實(shí)驗(yàn)的最終行為數(shù)據(jù)。實(shí)驗(yàn)過程中不投加食物，并控制每個(gè)通道的水體流速為2 L/h。數(shù)據(jù)采集軟件和算法在工控機(jī)中運(yùn)行，工控機(jī)的基本配置如下：處理器為D525 1.80 GHz，2 GB RAM;操作系統(tǒng)為Windows XP。

1.3 特征描述

在采用青鳉魚的行為信號(hào)監(jiān)測水質(zhì)狀態(tài)的過程中，魚的異常行為是值得關(guān)注的目標(biāo)。總結(jié)發(fā)現(xiàn)，實(shí)際運(yùn)行中魚主要在受到外界環(huán)境噪聲的影響、進(jìn)入或退出生物鐘的影響以及真正的環(huán)境污染造成的影響等情況時(shí)，會(huì)集中發(fā)生異常行為。

1）環(huán)境噪聲的影響

在線監(jiān)測設(shè)備一般具有各種配套硬件，比如水泵、電路控制等，尤其是水泵在工作的時(shí)候會(huì)發(fā)出很大的聲響，通常噪聲會(huì)造成魚類暫時(shí)性聽力損傷，分析能力下降，有些噪聲甚至可能殺死魚類。對(duì)于環(huán)境監(jiān)測而言，如果青鳉魚不能在一個(gè)良好的環(huán)境下生存，那么它對(duì)某些有毒物質(zhì)的反應(yīng)就會(huì)受到極大影響。截取環(huán)境噪聲影響下1 h的傳感器行為信號(hào)數(shù)據(jù)（如圖2所示），橫坐標(biāo)為時(shí)刻，縱坐標(biāo)為青鳉魚的行為信號(hào)強(qiáng)度。在受到環(huán)境噪聲影響時(shí)，魚的行為信號(hào)有較為明顯的變化趨勢。

2）生物鐘的影響

魚類在生活節(jié)律上與人比較類似，白天活動(dòng)、夜間休息。圖3顯示了正常運(yùn)行時(shí)采集到的青鳉魚7 d行為信號(hào)，橫坐標(biāo)為時(shí)間（單位：min），縱坐標(biāo)為青鳉魚的行為信號(hào)強(qiáng)度。由圖3可知，青鳉魚每天基本會(huì)在固定的時(shí)間點(diǎn)進(jìn)入和退出生物鐘，進(jìn)入生物鐘時(shí)行為信號(hào)下降到一定的程度后維持在一個(gè)較低的水平上波動(dòng);而退出生物鐘時(shí)，行為信號(hào)會(huì)恢復(fù)到進(jìn)入生物鐘之前的強(qiáng)度，也可能恢復(fù)后的行為信號(hào)強(qiáng)于或弱于前一天的信號(hào)，長時(shí)間運(yùn)行后行為信號(hào)總體上會(huì)是一個(gè)慢慢下降的過程。異常信號(hào)的產(chǎn)生分為進(jìn)入和退出生物鐘2個(gè)時(shí)刻，這都與污染物暴露時(shí)青鳉魚的行為響應(yīng)相似。97DEF0DC-E8E7-487A-8B28-365E44187B9B

3）污染物的影響

青鳉魚在遭遇不同類型和濃度的污染物時(shí)，早期暴露的一種典型“應(yīng)激”狀態(tài)是突然“興奮”，運(yùn)動(dòng)行為強(qiáng)度逐漸增強(qiáng)并達(dá)到頂點(diǎn)，隨后其運(yùn)動(dòng)狀態(tài)的強(qiáng)度出現(xiàn)降低，乃至最終的死亡，整個(gè)過程魚的行為信號(hào)有別于正常時(shí)刻的行為。圖4為利用1 TU三氯酚作為特征污染物進(jìn)行暴露實(shí)驗(yàn)采集到的青鳉魚行為信號(hào)強(qiáng)度數(shù)據(jù)，紅色虛線為暴露開始時(shí)刻。從時(shí)間軸上看，青鳉魚的行為趨勢符合中毒后的行為響應(yīng)規(guī)律，而且污染物濃度越高越明顯。當(dāng)傳感器中無指示生物時(shí)，有機(jī)特征污染物是不會(huì)引起電流信號(hào)（振幅和頻率）變化的，而重金屬類污染物只會(huì)引起信號(hào)（振幅）一定程度的變化，對(duì)青鳉魚中毒后的毒性行為變化模式無影響，因此也不會(huì)影響后續(xù)的模型識(shí)別。

1.4 特征提取和降維

圖5 a）和圖5 b）分別顯示了具有代表性的1 min正常行為信號(hào)和1 min異常行為信號(hào)。在電信號(hào)加持的情況下，青鳉魚在傳感器內(nèi)的運(yùn)動(dòng)是無序且不可預(yù)測的，但從振幅和頻率變化上能夠看出，正常和異常行為信號(hào)之間的曲線有較為明顯的區(qū)別，振幅和交替密度完全不同。

由于監(jiān)測設(shè)備1 s采集20個(gè)數(shù)據(jù)，按照每分鐘判斷一次，1 min內(nèi)的數(shù)據(jù)是1 200個(gè)點(diǎn)，相對(duì)于訓(xùn)練模型來說，維數(shù)太高容易引起樣本不足，而且從圖5中也可以看出，用振幅和交替頻率就能表達(dá)1 min內(nèi)青鳉魚的行為特征，因此需要對(duì)1 min內(nèi)的數(shù)據(jù)進(jìn)行降維。本文收集監(jiān)測設(shè)備在安全的水質(zhì)中運(yùn)行2 h的青鳉魚行為強(qiáng)度數(shù)據(jù)作為經(jīng)驗(yàn)數(shù)據(jù)，將每分鐘的數(shù)據(jù)作為一個(gè)樣本，先統(tǒng)計(jì)樣本的直方圖信息，再通過主成分分析（principal component analysis，PCA）[15]方法將其降到一維，保留直方圖中特征值最大的特征向量，獲取最終的行為特征。圖6所示為利用PCA方法對(duì)1 TU三氯酚的青鳉魚行為強(qiáng)度數(shù)據(jù)處理后得到的特征曲線，暴露實(shí)驗(yàn)開始前以及未產(chǎn)生顯著變化的行為信號(hào)都被壓縮在一個(gè)平穩(wěn)的狀態(tài)，而暴露后行為變化比較劇烈的位置被凸顯出來。

1.5 One-Class SVM模型的構(gòu)建

One-Class SVM（one-class support vector machine）[16-17]是一種比較經(jīng)典的機(jī)器學(xué)習(xí)分類算法，將所有訓(xùn)練數(shù)據(jù)點(diǎn)與零點(diǎn)在特征空間分離開，并且最大化分離超平面到零點(diǎn)的距離，產(chǎn)生一個(gè)能夠獲取特征空間中數(shù)據(jù)的概率密度區(qū)域。當(dāng)測試數(shù)據(jù)點(diǎn)處于訓(xùn)練數(shù)據(jù)生成的超平面內(nèi)時(shí)返回+1，處于其他區(qū)域返回-1。其形式化描述為

minω∈F，ξ∈Rt，ρ∈R12ω2+1vt∑iξi-ρ，subject toω·φxi≥ρ-ξi，ξi≥0，（1）

式中參數(shù)v是[0，1]之間的一個(gè)比值，即為訓(xùn)練樣本中最后被分類為負(fù)樣本的比例，本文采用默認(rèn)值0.01，選用RBF作為核函數(shù)。

在青鳉魚的異常行為識(shí)別中，真正污染事故的模擬比較困難，需要構(gòu)建一個(gè)對(duì)于訓(xùn)練樣本數(shù)據(jù)緊湊的分類邊界，然后通過負(fù)樣本來進(jìn)行實(shí)驗(yàn)。因此，利用One-Class SVM建立青鳉魚的異常行為識(shí)別模型，建模流程如圖7所示。在實(shí)時(shí)運(yùn)行的系統(tǒng)中，將更換青鳉魚后2 h內(nèi)的傳感器行為信號(hào)數(shù)據(jù)當(dāng)作正樣本，通過特征提取后進(jìn)行模型訓(xùn)練，對(duì)后續(xù)的青鳉魚行為信號(hào)數(shù)據(jù)每分鐘進(jìn)行預(yù)測分類，判斷水質(zhì)污染狀況。

2 實(shí)驗(yàn)結(jié)果和分析

2.1 不同特征污染物對(duì)青鳉魚行為的影響

重金屬是生物體自身生存所必須的元素，但毒性濃度達(dá)到一定指標(biāo)后，便會(huì)對(duì)生命體產(chǎn)生毒性效應(yīng)，同時(shí)也會(huì)對(duì)水和土壤造成污染。5 TU銅離子條件下的青鳉魚異常行為識(shí)別結(jié)果如圖8所示，其中圖8 a）為采集到的原始行為信號(hào)數(shù)據(jù)，圖8 b）為One-Class SVM模型的識(shí)別結(jié)果。由于污染物暴露后青鳉魚的呼吸等生理特征受到了影響，行為信號(hào)開始慢慢減弱，當(dāng)毒性效應(yīng)累積到1.5 h左右后青鳉魚開始逐漸死亡，One-Class SVM模型在暴露實(shí)驗(yàn)開始后1 h識(shí)別到魚類行為數(shù)據(jù)出現(xiàn)明顯的下降趨勢，因此給出了準(zhǔn)確的預(yù)警。

三氯酚是化工的重要原料，同時(shí)也是有機(jī)污染物中的高毒物質(zhì)，對(duì)環(huán)境影響巨大，美國環(huán)境保護(hù)署已經(jīng)確定三氯酚為疑似致癌物。圖9顯示了在5 TU三氯酚條件下的青鳉魚異常行為識(shí)別結(jié)果，從原始行為信號(hào)可以看出，有機(jī)物對(duì)魚的毒性作用機(jī)制不同于重金屬，三氯酚通過刺激魚類的神經(jīng)，使暴露后的青鳉魚出現(xiàn)掙扎的現(xiàn)象，導(dǎo)致行為強(qiáng)度逐漸變大，達(dá)到峰值后一段時(shí)間內(nèi)才會(huì)出現(xiàn)死亡現(xiàn)象。由于青鳉魚的行為信號(hào)強(qiáng)度出現(xiàn)明顯的上升趨勢，One-Class SVM模型在暴露實(shí)驗(yàn)開始后10 min就快速給出了準(zhǔn)確的預(yù)警。

2.2 不同濃度三氯酚對(duì)青鳉魚行為的影響

不同濃度的三氯酚分別作用于青鳉魚的生存環(huán)境后，都會(huì)導(dǎo)致青鳉魚的行為發(fā)生相應(yīng)變化，但不同濃度污染物對(duì)其造成的行為響應(yīng)程度是不同的。對(duì)比圖9 a）和圖10 a）的行為信號(hào)可以發(fā)現(xiàn)，5 TU三氯酚使青鳉魚的行為變化趨勢更為劇烈快速，幾分鐘即可上升到峰值，而1 TU三氯酚則需要0.5 h甚至更長時(shí)間。因此，One-Class SVM模型的識(shí)別結(jié)果也會(huì)存在一定差異。圖10 b）顯示了1 TU三氯酚的異常行為識(shí)別效果，與圖9 b）比較可以發(fā)現(xiàn)，5 TU的三氯酚預(yù)警時(shí)間可實(shí)現(xiàn)暴露后10 min，而1 TU的三氯酚預(yù)警時(shí)間則在32 min。這與理論及實(shí)際觀察的青鳉魚行為特征響應(yīng)相吻合，污染物濃度越高，青鳉魚的行為響應(yīng)越快速，上升趨勢越明顯，One-Class SVM模型的識(shí)別效果越準(zhǔn)確。這個(gè)發(fā)現(xiàn)可為水質(zhì)在線生物預(yù)警提供依據(jù)。

2.3 經(jīng)驗(yàn)數(shù)據(jù)對(duì)模型的影響

每批青鳉魚在放入傳感器時(shí)，其行為變化是不可控的，如果參與訓(xùn)練的樣本經(jīng)驗(yàn)數(shù)據(jù)太少，青鳉魚正?；顒?dòng)中的一些正常的波動(dòng)信號(hào)數(shù)據(jù)就會(huì)比較少，反映到模型訓(xùn)練上便是得到的模型在后續(xù)的預(yù)測中會(huì)將一些正常的波動(dòng)識(shí)別為異常信號(hào)。當(dāng)然經(jīng)驗(yàn)數(shù)據(jù)越多，所能包含的正常波動(dòng)也就越多，后續(xù)預(yù)測也就越準(zhǔn)確。圖11中的b）—d）分別顯示了以1，2，3 h經(jīng)驗(yàn)數(shù)據(jù)為樣本建模時(shí)，One-Class SVM模型對(duì)5 TU三氯酚數(shù)據(jù)的識(shí)別效果。可以看出，識(shí)別為-1的第1個(gè)點(diǎn)理論上應(yīng)該為行為異常的預(yù)警點(diǎn)，但是1 h或者2 h的經(jīng)驗(yàn)數(shù)據(jù)所訓(xùn)練出來的模型往往在暴露開始前就會(huì)識(shí)別出一些異常，隨著經(jīng)驗(yàn)數(shù)據(jù)的增多，模型預(yù)測時(shí)會(huì)避免誤識(shí)別。雖然在暴露開始前會(huì)識(shí)別到異常行為，但這并不影響算法給系統(tǒng)的預(yù)警結(jié)果，通常檢測到異常后不會(huì)立刻預(yù)警，而是要檢查第1次異常后會(huì)不會(huì)連續(xù)幾分鐘都識(shí)別到行為異常，如果都產(chǎn)生異常，此時(shí)才會(huì)真正發(fā)出預(yù)警，否則會(huì)被算法忽略掉。因此，綜合考慮后選用2 h青鳉魚行為強(qiáng)度數(shù)據(jù)建立異常行為識(shí)別模型，避免采集建模數(shù)據(jù)的時(shí)間過長。97DEF0DC-E8E7-487A-8B28-365E44187B9B

3 結(jié) 語

本文以不同類型特征污染物的青鳉魚行為信號(hào)數(shù)據(jù)為基礎(chǔ)，分析了青鳉魚的行為響應(yīng)模式并構(gòu)建了青鳉魚異常行為識(shí)別模型。研究結(jié)果如下。

1）不同類型的污染物對(duì)青鳉魚的行為影響是不同的，青鳉魚對(duì)有機(jī)污染物比較敏感，從暴露開始到出現(xiàn)異常行為的時(shí)間間隔非常短，而重金屬對(duì)魚的呼吸具有累積效應(yīng)，導(dǎo)致青鳉魚的行為慢慢減弱直至死亡。

2）結(jié)合直方圖信息統(tǒng)計(jì)和PCA降維的特征提取方法能夠表征青鳉魚的行為變化趨勢，為模型構(gòu)建提供了有效的基礎(chǔ)數(shù)據(jù)。

3）不同濃度的三氯酚和銅離子實(shí)驗(yàn)結(jié)果表明，One-Class SVM模型能夠有效地預(yù)警水質(zhì)突發(fā)污染事故，同時(shí)用于訓(xùn)練建模的經(jīng)驗(yàn)數(shù)據(jù)越多，所能覆蓋的青鳉魚正常行為波動(dòng)也就越多，誤報(bào)警的次數(shù)也會(huì)相應(yīng)減少。

綜上所述，本文提出的利用One-Class SVM實(shí)現(xiàn)對(duì)青鳉魚在突發(fā)污染事故中異常行為進(jìn)行識(shí)別的方法，在模型訓(xùn)練階段無需人工標(biāo)注異常行為，每次運(yùn)維更換青鳉魚后能根據(jù)該批次個(gè)體差異自動(dòng)訓(xùn)練出一個(gè)新模型;同時(shí)，模型的參數(shù)少、準(zhǔn)確率高，具有較強(qiáng)的魯棒性和泛化能力，可為水質(zhì)在線生物綜合毒性監(jiān)測預(yù)警技術(shù)和設(shè)備研發(fā)，以及水源突發(fā)性水質(zhì)污染的預(yù)警與應(yīng)急決策提供參考和支撐。

但是，目前該方法對(duì)損傷人體健康的低濃度有毒物質(zhì)和慢性毒性物質(zhì)的效果有限。因此，下一步的研究重點(diǎn)是，在該方法的基礎(chǔ)上實(shí)現(xiàn)更多種類特征污染物尤其是低濃度污染物的監(jiān)測預(yù)警。

參考文獻(xiàn)/References：

[1] HILL D J，MINSKER B S，AMIR E.Real-time Bayesian anomaly detection for environmental sensor data[J].Water Resources Research，2007，45（4）：450-455.

[2] LIU Shuming，CHE Han，SMITH K，et al.Contamination event detection using multiple types of conventional water quality sensors in source water[J].Environmental Science-Processes & Impacts，2014，16（8）：2028-2038.

[3] 李治國.一起突發(fā)性地表水環(huán)境污染監(jiān)測案例的分析與思考[J].河北工業(yè)科技，2016，33（3）：265-268.

LI Zhiguo.Analysis and consideration of an environment emergency monitoring case for a sudden pollution of surface water[J].Hebei Journal of Industrial Science and Technology，2016，33（3）：265-268.

[4] 張茜.水質(zhì)自動(dòng)監(jiān)測參數(shù)分析及其在水環(huán)境監(jiān)測中的應(yīng)用[J].中國資源綜合利用，2017，35（12）：117-119.

ZHANG Qian.Parameter analysis of automatic monitoring of water quality and its application in water environment monitoring[J].China Resources Comprehensive Utilization，2017，35（12）：117-119.

[5] 龔海燕.上海市典型水域水葫蘆中重金屬含量初步研究[J].環(huán)境監(jiān)控與預(yù)警，2021，13（3）：50-54.

GONG Haiyan.Preliminary research on heavy metal concentration in Eichhornia crassipes in typical waters of Shanghai[J].Environmental Monitoring and Forewarning，2021，13（3）：50-54.

[6] 王子健，饒凱鋒.突發(fā)性水源水質(zhì)污染的生物監(jiān)測、預(yù)警與應(yīng)急決策[J].給水排水，2013，39（10）：1-3.

[7] SWEIDAN A H，EL-BENDARY N，HEGAZY O M，et al.Water pollution detection system based on fish gills as a biomarker[J].Procedia Computer Science，2015，65：601-611.

[8] 何蕾，韓施悅，黃啟慧，等.水質(zhì)在線生物監(jiān)測技術(shù)研究進(jìn)展[J].綠色科技，2021，23（22）：98-103.

HE Lei，HAN Shiyue，HUANG Qihui，et al.Research progress of on-line biological monitoring technology for water quality[J].Journal of Green Science and Technology，2021，23（22）：98-103.

[9] 計(jì)葉，吳雨蒙，許秋瑾.水環(huán)境的生物監(jiān)測方法及其應(yīng)用[J].環(huán)境工程技術(shù)學(xué)報(bào)，2019，9（5）：616-622.

JI Ye，WU Yumeng，XU Qiujin.Biological monitoring method of water environment and its application[J].Journal of Environmental Engineering Technology，2019，9（5）：616-622.97DEF0DC-E8E7-487A-8B28-365E44187B9B

[10]高問，武鵬鵬，王雅學(xué)，等.土霉素廢水對(duì)斑馬魚的生物毒性效應(yīng)研究[J].河北科技大學(xué)學(xué)報(bào)，2019，40（1）：38-44.

GAO Wen，WU Pengpeng，WANG Yaxue，et al.Study of the biological toxicity of oxytetracycline wastewater on zebrafish[J].Journal of Hebei University of Science and Technology，2019，40（1）：38-44.

[11]李志良.魚類行為學(xué)在水質(zhì)在線監(jiān)測與預(yù)警中的應(yīng)用研究[D].濟(jì)南：山東師范大學(xué)，2008.

LI Zhiliang.The Research of the Water Quality On-line Warning System by Monitoring the Behavior Change of the Fish[D].Jinan：Shandong Normal University，2008.

[12]梁鴻，劉勇，饒凱鋒，等.水環(huán)境中重金屬銅暴露下青鳉魚的行為響應(yīng)[J].生態(tài)毒理學(xué)報(bào)，2016，11（6）：345-352.

LIANG Hong，LIU Yong，RAO Kaifeng，et al.The behavioral responses of the medaka under the stress of heavy metal copper in water environment[J].Asian Journal of Ecotoxicology，2016，11（6）：345-352.

[13]賈貝貝，邵振洲，王瑞，等.基于機(jī)器視覺的魚類行為特征提取與分析[J].生態(tài)毒理學(xué)報(bào)，2017，12（5）：193-203.

JIA Beibei，SHAO Zhenzhou，WANG Rui，et al.Extraction and analysis of fish behavior based on machine vision[J].Asian Journal of Ecotoxicology，2017，12（5）：193-203.

[14]劉翠棉，饒凱鋒，李婧，等.青鳉魚的行為特征提取研究[J].生態(tài)毒理學(xué)報(bào)，2020，15（2）：160-170.

LIU Cuimian，RAO Kaifeng，LI Jing，et al.Behavior feature extraction based on medaka[J].Asian Journal of Ecotoxicology，2020，15（2）：160-170.

[15]LI Tao，LI Yongli，CHEN Xiaolong.Fault diagnosis with wavelet packet transform and principal component analysis for multi-terminal hybrid HVDC network[J].Journal of Modern Power Systems and Clean Energy，2021，9（6）：1312-1326.

[16]ZHAO Yongping，HUANG Gong，HU Qiankun，et al.An improved weighted one class support vector machine for turbo shaft engine fault detection[J].Engineering Applications of Artificial Intelligence，2020，94：103796.

[17]郭金玉，李濤，李元.基于DW-ICA-SVM的工業(yè)過程故障檢測算法[J].河北科技大學(xué)學(xué)報(bào)，2021，42（4）：369-379.

GUO Jinyu，LI Tao，LI Yuan.Fault detection algorithm of industrial process based on DW-ICA-SVM[J].Journal of Hebei University of Science and Technology，2021，42（4）：369-379.97DEF0DC-E8E7-487A-8B28-365E44187B9B