基于因子分析和多元线性回归的定量评测蟹类攻击性的方法

本发明属于水产品良种选育，具体涉及一种基于因子分析和多元线性回归的定量评测蟹类攻击性方法。

背景技术：

1、个性是动物界普遍存在的现象，可以通过一系列相关的行为变量衡量。动物个性分为5大类，分别是勇敢性、探索性、活跃性、社会性和攻击性。攻击性是动物对同种个体的攻击反应，不同的个体表现出从低到高的攻击性表型。目前，关于甲壳动物同种个体间攻击行为的研究很多，例如三疣梭子蟹、鳌虾、波士顿龙虾、克氏原螯虾、寄居蟹、泥蟹、中华绒螯蟹、招潮蟹和青蟹等，然而这些研究主要聚焦于攻击过程和结果，对于同一物种的个体攻击性差异研究较少，尤其是攻击性的定量评测缺乏实证研究。

2、机器学习作为一种新型行为评估方法，可与监督学习相结合应用于个性评估。攻击性评估主要通过行为观察，个体在测试时的反应以标准化的方式记录下来。目前广泛应用的有两种方法：行为编码和行为定量评级。个体的攻击性被认为是池塘养殖系统中最重要的健康、福利和经济问题之一。传统池塘养殖条件下，蟹类经常面临有限的空间、食物和群体组成的反复变化等问题，它们比在自然环境下更容易发生种内残食，导致附肢残缺甚至死亡。残缺的个体摄食更加困难，因此它们的生长速度往往会受到影响，从而导致养殖品质下降，养殖产量减少。高效的攻击性评估技术有助于提高检测效率，增加动物福利，减少经济损失。因此，本发明通过因子分析和多元线性回归分析相结合的方法，对所有特定的攻击性行为的动态和持续时间进行分析，利用行为评估和机器学习建立了一种模型，来定量评估并预测蟹类的攻击性。

技术实现思路

1、本发明的目的是应用机器学习，提供一种基于因子分析和多元线性回归的定量评测蟹类攻击性方法，为今后蟹类优良品种的选育提供行为学方法。

2、为实现上述发明目的，本发明采用下述技术方案予以实现：

3、一种基于因子分析和多元线性回归的定量评测蟹类攻击性的方法，其特征是包括以下步骤：

4、步骤1，通过镜像实验重复测定蟹的攻击性行为，样本量不少于100只。

5、步骤2，记录并量化蟹的攻击性行为：

6、首先，将镜像实验测定的攻击性行为指标分为两种类别：攻击指标和非攻击指标，攻击指标包括攻击镜像、螯足展示频率、螯足展示累计持续时间、靠近镜像和撤退，非攻击指标包括相对移动距离——移动距离与甲宽的比值、静止频率和静止累计持续时间；然后记录镜像实验中上述指标的发生次数与累计时间。

7、步骤3，对攻击指标和非攻击指标测定结果进行时间自相关性分析，以验证镜像实验测定结果的准确性。

8、步骤4，采用因子分析计算蟹的攻击性得分，将其作为定量评估模型的输出变量；1.镜像实验测定的5种攻击指标：攻击镜像、螯足展示、螯足展示累计持续时间、靠近和撤退作为因子分析的变量，因子分析的提取方法为主成分分析法、旋转方法为最大方差法；2.根据特征值和碎石图将攻击行为降维，分为攻击因子和防御因子；

9、3.根据各类因子的贡献率和累计贡献率计算每只蟹的攻击性得分，攻击性得分的计算公式为：攻击性得分＝(攻击因子值×攻击因子的贡献率+防御因子值×防御因子的贡献率)/累计贡献率。

10、步骤5，对实验蟹进行多次配对争斗实验。

11、步骤6，测定并量化蟹的争斗行为；

12、通过拍摄的视频，记录和量化争斗行为，包括靠近——实验个体主动接近匹配个体、撤退——个体之间发生争斗相互作用后分开、示威——螯足展示频率、防御——螯足展示累计持续时间、静止频率、静止累计持续时间、击打——个体用一只或两只螯足击打对方、争斗回合总数——个体间发生争斗的次数总和、争斗持续时间——从开始到任何一只蟹没有进一步的攻击行为的总持续时间、争斗的概率——出现争斗的实验次数与所有配对实验之比、升级指数——接触行为与非接触行为总和之比，其中接触行为：击打、夹击、推搡和爬上，非接触行为：靠近、撤退、螯足展示、静止、争斗强度得分。以上指标以重复实验的均值作为最终结果。

13、步骤7，通过相关性分析计算攻击性得分与争斗行为的相关性，进一步验证攻击性得分的可靠性。

14、步骤8，为了简化攻击性的定量评估过程，筛选与攻击性得分线性相关的非攻击指标，作为定量评估模型的输入变量。

15、步骤9，采用多元线性回归分析构建并验证蟹的攻击性定量评估模型。

16、步骤10，将模型应用于蟹的攻击性定量评估：

17、1.对一只蟹进行3-5次镜像实验；

18、2.以步骤8中筛选的非攻击指标作为蟹攻击性定量模型的输入变量，将上述变量的原始数据分别取平均，输入攻击性定量评估模型中，输出的结果即该只蟹的攻击性得分。

19、所述步骤1中，进行镜像实验采用如下方式：

20、选取内壁呈不透明白色的观察缸，摄像机固定于观察缸正上方，取宽度与观察缸内径相等的两面镜子，将两面镜子背面贴合垂直放置于观察缸中部，以使两侧区域可同时进行镜像实验；将观察缸中镜子两侧区域各插入一隔板，将两只蟹分别放入隔板一侧区域，使蟹与镜子之间被隔板隔开，适应10min后轻轻地取出隔板，使蟹暴露于镜子前，拍摄20min后结束；每组拍摄结束后，更换观察缸中的海水并清洗观察缸。

21、所述步骤1中，拍摄时统一在无光的环境条件下进行，实验期间控制海水温度和盐度与暂养条件一致。

22、所述步骤1中，进行镜像实验之前，

23、1.将蟹于水族缸中隔离暂养两周；

24、2.选取健康、附肢完整和处于蜕壳间期的蟹不少于100只进行拍摄实验；

25、3.禁食24h后，进行镜像实验。

26、所述步骤1中，进行完一次镜像实验之后，将蟹放回暂养水族缸中恢复24h再进行下一次测定，重复拍摄3-5次。

27、所述步骤2中，以行为分析软件记录并量化蟹的攻击性行为如下：

28、设置检测的采样率为8帧/秒，检测方法为动态剪影法或灰度梯度法，开启丢失帧数校正和平滑轨迹设置；轨迹平滑配置为：

29、a.基于每个采样点前后10个样本进行平滑处理；

30、b.若移动距离小于3cm时，将采样点仍旧设为前一个位置；

31、c.若移动的最大距离大于20cm时，将采样点设为缺失。

32、所述步骤3中，对攻击指标和非攻击指标测定结果进行时间自相关性分析，以验证镜像实验测定结果的准确性如下：

33、通过相关性分析检验蟹攻击性行为的时间自相关性，以p<0.05作为显著性水平，相关系数r取值范围在[-1,1]，当r>0时，表示两者之间为正相关，当r<0时，表示两者之间为负相关。

34、所述步骤5中，对实验蟹进行多次配对争斗实验，包括以下步骤：

35、镜像实验结束后，选取不少于30％的实验蟹被随机匹配规格相近的3-5个不同的对手分别进行一对一的争斗实验，匹配蟹与实验蟹的甲宽相差不超过10％，同一个匹配蟹可以与不同的实验蟹进行争斗；禁食24h后，将1只实验蟹和匹配蟹放入观察缸隔板两侧适应10min，观察缸中加入等量的菲律宾蛤仔软体部浸出液作为争斗行为的诱发剂，轻轻取出隔板后开始拍摄，连续拍摄20min后结束，每组拍摄结束后，更换观察缸中的海水并清洗观察缸；将实验蟹和匹配蟹放回暂养水族缸中恢复24h再进行下一轮争斗；

36、所述步骤5中，所有实验蟹的背甲上均使用红色的塑料标签进行标记，以便在行为分析中识别。拍摄实验统一在无光的环境条件下进行，实验期间控制海水温度和盐度与暂养条件一致。

37、所述步骤6中，争斗强度分为4个等级：1.很弱(very weak)：一只个体接近另一只个体并表现出攻击性，另一个体表现出顺从且没有身体接触，接触行为＝0，记1分；2.弱(weak)：两只个体都表现出攻击性，发生肢体接触，直到获胜者成功爬上对方或失败者出现持续撤退，夹击+推搡＝0且击打+爬上>0，记2分；3.中等(moderate)：两只个体的争斗升级到夹击和推搡，失败者出现撤退但展开螯足不断示威，夹击+推搡>0且争斗回合总数<5，记3分；4.激烈(strong)：失败者虽出现撤退但不断的重新开始争斗过程，夹击+推搡>0；争斗回合总数>＝5，记4分。

38、所述步骤6中，以行为分析软件记录并量化蟹的争斗行为，检测和设置与步骤2一致。

39、所述步骤7中，通过相关性分析计算攻击性得分与争斗行为的相关性，进一步验证攻击性得分的可靠性包括以下步骤：

40、1.争斗行为指标包括靠近、撤退、示威(螯足展示频率)、防御(螯足展示累计持续时间)、静止频率、静止累计持续时间、击打、争斗回合总数、争斗持续时间、争斗的概率、争斗强度和升级指数；

41、2.通过r语言对量化的争斗行为测定结果进行相关性分析，以p<0.05作为显著性水平；相关系数r取值范围在[-1,1]，当r>0时，表示两者之间为正相关，当r<0时，表示两者之间为负相关；

42、3.若攻击性得分与60％以上的争斗行为均具有显著相关性，表明攻击性得分作为攻击性定量评估指标是可靠的。

43、所述步骤8中，为了简化攻击性的定量评估过程，筛选与攻击性得分线性相关的非攻击指标，作为定量评估模型的输入变量包括以下步骤：

44、1.通过r语言对攻击性得分和镜像实验中测定的非攻击指标进行线性相关性分析；

45、2.选取上述具有线性相关性的非攻击指标，包括相对移动距离(移动距离与甲宽的比值)、静止频率和静止累计持续时间，作为定量评估模型的输入变量。

46、所述步骤9中，采用多元线性回归构建并验证蟹的攻击性定量评估模型包，括以下步骤：1.以攻击性得分作为输出变量，以步骤8中筛选的非攻击指标作为输入变量，分别进行多元线性回归分析，选择最优模型；

47、2.通过r包中“lm”函数进行多元线性回归分析，“traincontrol”函数进行k倍交叉验证；60％或以上的数据作为训练集，另一部分数据作为测试集；

48、3.通过训练集得到多元线性回归模型，表达式为：

49、y＝kt x+b

50、即：

51、y＝k1 x1+…+kn xn+b

52、其中，x为输入变量，包含多个自变量x1…xn；y为模型的输出变量(预测的目标变量)；k t为特征权重；b为是模型的截距；

53、4.将测试集数据输入模型中，验证预测值与实际值的偏差；

54、5.模型的评估指标为决定系数(调整后r2)、残余标准偏差(sigma)、aic、均方根误差(rmse)和平均绝对误差(mse)；r2表示预测值与实际值之间相关系数的平方，r2越高，模型越好，其余指标均是越低越好；

55、6.最终选择r2最大，sigma、aic、rmse和mse最小的模型作为蟹的攻击性定量评估模型。本发明的有益效果体现在：

56、1.本发明首次引入攻击性得分用于蟹类攻击性的定量评估，应用机器学习构建了攻击性定量评测模型，为蟹类的优良品种选育提供行为学方法。

57、2.本发明还简化了蟹类攻击性的评估指标，通过镜像实验和行为分析软件提供了一种蟹类攻击性行为的半自动化评估方法，极大提高了攻击性评估效率，为个体的攻击性评估提供更科学严谨的标准。