基于One-Class SVM的青鳉魚異常行為識別方法

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別方法。以青鳉魚的生理及行為特征作為觀測指標，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度信號作為經(jīng)驗數(shù)據(jù)，利用直方圖統(tǒng)計和主成分分析（PCA）對行為強度數(shù)據(jù)進行降維，實現(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行暴露實驗對算法進行驗證。結(jié)果表明，One-Class SVM模型可以準確地識別正常行為和污染物暴露時發(fā)生的異常行為;對于有機污染物最快可在10 min內(nèi)完成預警，重金屬污染物可在1 h內(nèi)完成預警，并且污染物濃度越高，模型的識別效果越好。識別方法可對水源突發(fā)性水質(zhì)污染進行更有效的監(jiān)測和預警，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)測與評價;模式識別;青鳉魚;異常行為;One-Class SVM

中圖分類號：X832?? 文獻標識碼：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，一種是理化指標監(jiān)測方法[1-2]，通過定量或定性的分析方法，有針對性地測定水中有害物質(zhì)及其濃度。常見的監(jiān)測指標有常規(guī)五參數(shù)、COD、氨氮和少數(shù)幾種重金屬離子等[3-5]，但理化指標分析技術(shù)所能檢測到的污染物種類和毒性遠遠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指標變化，反映水質(zhì)綜合毒性。相對于傳統(tǒng)的理化指標監(jiān)測方法，水質(zhì)生物監(jiān)測技術(shù)可以連續(xù)實時監(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。

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)果表明魚的行為強度與污染物的暴露濃度和暴露時間有明顯的相關(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]用計算機視覺技術(shù)監(jiān)測并提取青鳉魚生理和運動特征，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)計算法應(yīng)用于青鳉魚行為特征提取中，實驗結(jié)果表明該方法能夠高效表征污染物暴露實驗前后魚的行為變化趨勢，為后續(xù)青鳉魚異常行為識別提供了參考。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)測預警是可行的，但是現(xiàn)有的研究文獻都沒有構(gòu)建生物行為數(shù)據(jù)與特征污染物之間的關(guān)系模型，自動化地去提取魚類行為特征并識別污染物暴露時青鳉魚發(fā)生的異常行為，達到生物監(jiān)測預警的效果。

本文提出了一種基于One-Class SVM的青鳉魚異常行為識別算法，通過將不同特征污染物存在的一定時間段內(nèi)的青鳉魚行為經(jīng)驗數(shù)據(jù)作為訓練集，對后續(xù)行為數(shù)據(jù)進行預測分類，進而準確有效地識別正常行為和污染物暴露時發(fā)生的異常行為。

1 實驗方法

1.1 實驗裝置

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準模式生物的暴露層，下層是空白對照層。當特征污染物通過水流從傳感器的輸入端進入，再從輸出端流出會形成一個標準流水暴露實驗環(huán)境。傳感器的上下兩層各放置了4個與腔體平行且兩兩成對的電極片，采用316L不銹鋼鍍鉻材料制成，在傳感器內(nèi)形成一個低壓高頻電場。選用符合毒理學實驗要求的標準模式青鳉魚作為指示生物進行暴露實驗。青鳉魚在傳感器中充當電阻的作用，其個體及位置的不同會導致電阻不同，特征污染物會對青鳉魚行為造成影響，從而在魚游動的過程中電流會發(fā)生改變，將檢測到的電流信號通過模數(shù)轉(zhuǎn)化器量化后輸出到上位機，即可獲取青鳉魚行為電信號數(shù)據(jù)。傳感器的采樣頻率為50 Hz，每秒可獲取20個行為強度數(shù)據(jù)。通過分析采集到的青鳉魚行為強度信號可以監(jiān)測青鳉魚在遭遇水質(zhì)污染時自發(fā)產(chǎn)生的回避行為響應(yīng)，表現(xiàn)在信號上即為行為異常。

1.2 實驗數(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的變化情況，實驗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)，具體暴露實驗細節(jié)如表1所示。所有實驗標準樣品都是從中國標準樣品中心購買，實驗結(jié)束后都按照國家規(guī)定的廢液處理方法進行處理。

實驗過程中，將特征污染物對青鳉魚的48 h半數(shù)致死濃度 （50% lethal concentration ， LC50）作為1個毒性單位（toxic unit，TU）。實驗設(shè)定2個濃度組，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。針對每個濃度的特征污染物都采用8個通道的生物行為傳感器進行平行測試，每個通道中放置3條青鳉魚，實驗結(jié)束后將8個通道數(shù)據(jù)疊加平均，作為該次暴露實驗的最終行為數(shù)據(jù)。實驗過程中不投加食物，并控制每個通道的水體流速為2 L/h。數(shù)據(jù)采集軟件和算法在工控機中運行，工控機的基本配置如下：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?？偨Y(jié)發(fā)現(xiàn)，實際運行中魚主要在受到外界環(huán)境噪聲的影響、進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，會集中發(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候會發(fā)出很大的聲響，通常噪聲會造成魚類暫時性聽力損傷，分析能力下降，有些噪聲甚至可能殺死魚類。對于環(huán)境監(jiān)測而言，如果青鳉魚不能在一個良好的環(huán)境下生存，那么它對某些有毒物質(zhì)的反應(yīng)就會受到極大影響。截取環(huán)境噪聲影響下1 h的傳感器行為信號數(shù)據(jù)（如圖2所示），橫坐標為時刻，縱坐標為青鳉魚的行為信號強度。在受到環(huán)境噪聲影響時，魚的行為信號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、夜間休息。圖3顯示了正常運行時采集到的青鳉魚7 d行為信號，橫坐標為時間（單位：min），縱坐標為青鳉魚的行為信號強度。由圖3可知，青鳉魚每天基本會在固定的時間點進入和退出生物鐘，進入生物鐘時行為信號下降到一定的程度后維持在一個較低的水平上波動;而退出生物鐘時，行為信號會恢復到進入生物鐘之前的強度，也可能恢復后的行為信號強于或弱于前一天的信號，長時間運行后行為信號總體上會是一個慢慢下降的過程。異常信號的產(chǎn)生分為進入和退出生物鐘2個時刻，這都與污染物暴露時青鳉魚的行為響應(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，早期暴露的一種典型“應(yīng)激”狀態(tài)是突然“興奮”，運動行為強度逐漸增強并達到頂點，隨后其運動狀態(tài)的強度出現(xiàn)降低，乃至最終的死亡，整個過程魚的行為信號有別于正常時刻的行為。圖4為利用1 TU三氯酚作為特征污染物進行暴露實驗采集到的青鳉魚行為信號強度數(shù)據(jù)，紅色虛線為暴露開始時刻。從時間軸上看，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。當傳感器中無指示生物時，有機特征污染物是不會引起電流信號（振幅和頻率）變化的，而重金屬類污染物只會引起信號（振幅）一定程度的變化，對青鳉魚中毒后的毒性行為變化模式無影響，因此也不會影響后續(xù)的模型識別。

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正常行為信號和1 min異常行為信號。在電信號加持的情況下，青鳉魚在傳感器內(nèi)的運動是無序且不可預測的，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個點，相對于訓練模型來說，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1 min內(nèi)青鳉魚的行為特征，因此需要對1 min內(nèi)的數(shù)據(jù)進行降維。本文收集監(jiān)測設(shè)備在安全的水質(zhì)中運行2 h的青鳉魚行為強度數(shù)據(jù)作為經(jīng)驗數(shù)據(jù)，將每分鐘的數(shù)據(jù)作為一個樣本，先統(tǒng)計樣本的直方圖信息，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1 TU三氯酚的青鳉魚行為強度數(shù)據(jù)處理后得到的特征曲線，暴露實驗開始前以及未產(chǎn)生顯著變化的行為信號都被壓縮在一個平穩(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)典的機器學習分類算法，將所有訓練數(shù)據(jù)點與零點在特征空間分離開，并且最大化分離超平面到零點的距離，產(chǎn)生一個能夠獲取特征空間中數(shù)據(jù)的概率密度區(qū)域。當測試數(shù)據(jù)點處于訓練數(shù)據(jù)生成的超平面內(nèi)時返回+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]之間的一個比值，即為訓練樣本中最后被分類為負樣本的比例，本文采用默認值0.01，選用RBF作為核函數(shù)。

在青鳉魚的異常行為識別中，真正污染事故的模擬比較困難，需要構(gòu)建一個對于訓練樣本數(shù)據(jù)緊湊的分類邊界，然后通過負樣本來進行實驗。因此，利用One-Class SVM建立青鳉魚的異常行為識別模型，建模流程如圖7所示。在實時運行的系統(tǒng)中，將更換青鳉魚后2 h內(nèi)的傳感器行為信號數(shù)據(jù)當作正樣本，通過特征提取后進行模型訓練，對后續(xù)的青鳉魚行為信號數(shù)據(jù)每分鐘進行預測分類，判斷水質(zhì)污染狀況。

2 實驗結(jié)果和分析

2.1 不同特征污染物對青鳉魚行為的影響

重金屬是生物體自身生存所必須的元素，但毒性濃度達到一定指標后，便會對生命體產(chǎn)生毒性效應(yīng)，同時也會對水和土壤造成污染。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數(shù)據(jù)，圖8 b）為One-Class SVM模型的識別結(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，行為信號開始慢慢減弱，當毒性效應(yīng)累積到1.5 h左右后青鳉魚開始逐漸死亡，One-Class SVM模型在暴露實驗開始后1 h識別到魚類行為數(shù)據(jù)出現(xiàn)明顯的下降趨勢，因此給出了準確的預警。

三氯酚是化工的重要原料，同時也是有機污染物中的高毒物質(zhì)，對環(huán)境影響巨大，美國環(huán)境保護署已經(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別結(jié)果，從原始行為信號可以看出，有機物對魚的毒性作用機制不同于重金屬，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，導致行為強度逐漸變大，達到峰值后一段時間內(nèi)才會出現(xiàn)死亡現(xiàn)象。由于青鳉魚的行為信號強度出現(xiàn)明顯的上升趨勢，One-Class SVM模型在暴露實驗開始后10 min就快速給出了準確的預警。

2.2 不同濃度三氯酚對青鳉魚行為的影響

不同濃度的三氯酚分別作用于青鳉魚的生存環(huán)境后，都會導致青鳉魚的行為發(fā)生相應(yīng)變化，但不同濃度污染物對其造成的行為響應(yīng)程度是不同的。對比圖9 a）和圖10 a）的行為信號可以發(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甚至更長時間。因此，One-Class SVM模型的識別結(jié)果也會存在一定差異。圖10 b）顯示了1 TU三氯酚的異常行為識別效果，與圖9 b）比較可以發(fā)現(xiàn)，5 TU的三氯酚預警時間可實現(xiàn)暴露后10 min，而1 TU的三氯酚預警時間則在32 min。這與理論及實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模型的識別效果越準確。這個發(fā)現(xiàn)可為水質(zhì)在線生物預警提供依據(jù)。

2.3 經(jīng)驗數(shù)據(jù)對模型的影響

每批青鳉魚在放入傳感器時，其行為變化是不可控的，如果參與訓練的樣本經(jīng)驗數(shù)據(jù)太少，青鳉魚正?；顒又械囊恍┱５牟▌有盘枖?shù)據(jù)就會比較少，反映到模型訓練上便是得到的模型在后續(xù)的預測中會將一些正常的波動識別為異常信號。當然經(jīng)驗數(shù)據(jù)越多，所能包含的正常波動也就越多，后續(xù)預測也就越準確。圖11中的b）—d）分別顯示了以1，2，3 h經(jīng)驗數(shù)據(jù)為樣本建模時，One-Class SVM模型對5 TU三氯酚數(shù)據(jù)的識別效果。可以看出，識別為-1的第1個點理論上應(yīng)該為行為異常的預警點，但是1 h或者2 h的經(jīng)驗數(shù)據(jù)所訓練出來的模型往往在暴露開始前就會識別出一些異常，隨著經(jīng)驗數(shù)據(jù)的增多，模型預測時會避免誤識別。雖然在暴露開始前會識別到異常行為，但這并不影響算法給系統(tǒng)的預警結(jié)果，通常檢測到異常后不會立刻預警，而是要檢查第1次異常后會不會連續(xù)幾分鐘都識別到行為異常，如果都產(chǎn)生異常，此時才會真正發(fā)出預警，否則會被算法忽略掉。因此，綜合考慮后選用2 h青鳉魚行為強度數(shù)據(jù)建立異常行為識別模型，避免采集建模數(shù)據(jù)的時間過長。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別模型。研究結(jié)果如下。

1）不同類型的污染物對青鳉魚的行為影響是不同的，青鳉魚對有機污染物比較敏感，從暴露開始到出現(xiàn)異常行為的時間間隔非常短，而重金屬對魚的呼吸具有累積效應(yīng)，導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驗結(jié)果表明，One-Class SVM模型能夠有效地預警水質(zhì)突發(fā)污染事故，同時用于訓練建模的經(jīng)驗數(shù)據(jù)越多，所能覆蓋的青鳉魚正常行為波動也就越多，誤報警的次數(shù)也會相應(yīng)減少。

綜上所述，本文提出的利用One-Class SVM實現(xiàn)對青鳉魚在突發(fā)污染事故中異常行為進行識別的方法，在模型訓練階段無需人工標注異常行為，每次運維更換青鳉魚后能根據(jù)該批次個體差異自動訓練出一個新模型;同時，模型的參數(shù)少、準確率高，具有較強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)污染的預警與應(yīng)急決策提供參考和支撐。

但是，目前該方法對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，下一步的研究重點是，在該方法的基礎(chǔ)上實現(xiàn)更多種類特征污染物尤其是低濃度污染物的監(jiān)測預警。

參考文獻/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)學報，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，等.土霉素廢水對斑馬魚的生物毒性效應(yīng)研究[J].河北科技大學學報，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.魚類行為學在水質(zhì)在線監(jiān)測與預警中的應(yīng)用研究[D].濟南：山東師范大學，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)毒理學報，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.基于機器視覺的魚類行為特征提取與分析[J].生態(tài)毒理學報，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)毒理學報，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].河北科技大學學報，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