一种基于贝叶斯判别分析快速鉴别海马物种的方法与流程

1.本发明属于物种鉴定领域，具体涉及一种基于贝叶斯判别分析快速鉴别海马物种的方法。


背景技术：

2.海马是隶属于海马属(hippocampus spp.)的珍稀小型海洋鱼类，具有重要的药用和观赏价值，但因过度捕捞和栖息地退化等影响，多数海马种类的野生种群均呈现下降趋势，目前海马属所有物种均被列入cites附录二，所有种类均为国家二级保护野生动物。
3.目前，基于dna测序的物种鉴定技术发展迅速，但dna 技术对待检测样本要求较高，且对技术设备、实验环境和技术水平具有较高的要求。而传统的形态学鉴定方法对鉴定人员的知识储备和经验积累要求较高，一般人员较难在短时间内掌握。因此，海马干品的快速、准确鉴定技术亟待突破，


技术实现要素：

4.本发明针对海马物种鉴定中存在的技术缺陷，提供一种基于贝叶斯判别分析快速鉴别海马物种的方法。
5.本发明的方法通过一系列可量形态性状的测量，即可完成对国内走私、违法捕捞和销售案件中常见的11种海马干制样本的物种鉴别。本发明方法避免了传统形态鉴定中的人为主观性带来的干扰，鉴定结果准确。同时，无相关鉴定经验的海关缉私等执法人员也可以通过本发明的方法对海马物种进行快速鉴定，提高了鉴定效率和准确性，降低了鉴定成本。
6.本发明的基于贝叶斯判别分析快速鉴别海马物种的方法，包括以下步骤：
7.(1)样本拍摄：为提高测量的准确度和客观性，我们通过放置标尺对样本进行逐一拍照，镜头与被摄物体保持平行，拍摄角度垂直于海马的侧面，对所有照片进行编号储存；
8.(2)形态数据提取：通过图像处理软件测量照片中海马各形态指标，获得的9项数据包括吻长、吻宽、头高、头长、眼眶直径、躯干长、尾长、体高、体宽，统计上述9项指标的形态比例数据构建判别模型，包括眼眶直径/头长、吻宽/吻长、头高/头长、头高/体宽、头长/体高、躯干长/体高、尾长/体高、体宽/体高；
9.(3)判别函数的建立：以克氏海马、西非海马、太平洋海马、棘海马、棕海马、三斑海马、大海马、鲍氏海马、虎尾海马、欧洲海马、日本海马共计11种海马的个体数据为训练数据集，在统计软件中建立数据库，以步骤(2)中统计的8种形态比例数据作为模型参数，通过统计软件计算11个海马物种的贝叶斯判别函数系数，进而得到相应的贝叶斯判别函数，将待检测样品的形态指标比例数据，包括眼眶直径/头长、吻宽/吻长、头高/头长、头高/体宽、头长/体高、躯干长/体高、尾长/体高、体宽/体高，代入各个海马物种的贝叶斯判别函数中，获得函数得分值，得分值最大的判别函数对应的物种即为待检样本的鉴定结果。
10.优选，所述的统计软件是spss软件。
11.优选，所述的图像处理软件是图像处理软件tpsdig。
12.根据训练数据集，通过步骤(3)建立的判别函数具体如下：
13.y
species
＝a
×
var1+b
×
var2+c
×
var3+d
×
var4+e
×
var5+f
×
var6+g
×
var7+h
×
var
14.8+con；
15.其中，var1为眼眶直径/头长；var2为吻宽/吻长；var3为头高/头长；var4为头高 /体宽；var5为头长/体高；var6为躯干长/体高；var7为尾长/体高；var8为体宽/体高； a-h代表物种判别函数系数；con代表物种判别函数常数；y
species
为物种判别函数得分。
16.通过利用步骤(3)建立的判别函数对训练数据进行预测，综合预测成功率达到87％，对其中7种海马的预测成功率均高于90％，对太平洋海马、欧洲海马和日本海马的预测成功率高于95％。
17.本发明构建模型所用的参数为形态指标的比例数据，原因是为了避免因鱼龄不同造成的体型差异对判别结果产生影响。此外，由于海马的体型特殊，干制样本躯干和尾部常呈蜷缩状，因此在测量方法上，采用图像软件tpsdig来提取照片中的数据信息，避免了人为的测量误差。
18.本发明在形态数据的选择上作了大量前期工作，并非所有的形态变量都能提供有效的判别信息，因此在判别分析中选用步进式(use stepwise method)的方法，首先对输入的所有模型参数进行判别，只保留对物种判别贡献较大的形态变量进行后续的判别函数构建，最终保留的比例数据只包括步骤(2)中所描述的眼眶直径/头长、吻宽/吻长、头高/头长、头高/体宽、头长/体高、躯干长/体高、尾长/体高、体宽/体高共计8项。
19.本发明基于海马干品的形态测量指标，首次系统构建了用于海马物种判别的函数方程。本发明方法具有测量结果客观准确、操作简单、准确率高、和成本低等特点，提高了鉴定效率，可用于海马物种的快速鉴定。
附图说明
20.图1为常见的11种海马干品图谱，从左到右，从上到下，海马种类依次为克氏海马(hippocampus kelloggi)，西非海马(h.algiricus)，太平洋海马(h.ingens)，棘海马(h.spinosissimus)，棕海马(h.fuscus)，三斑海马(h.trimaculatus)，大海马(h.kuda)，鲍氏海马(h.barbouri)，虎尾海马(h.comes)，欧洲海马(h.hippocampus)，日本海马(h.m ohnikei)。
21.图2为海马样本各项指标的测量示意图。
具体实施方式：
22.下面结合具体实施例对本发明作进一步描述，以下列举的仅是本发明的具体实施例，但本发明的保护范围不仅限于此。本领域技术人员应该理解的是，在不偏离本发明的精神和范围下可以对本发明的细节和形式进行修改或替换，但这些修改和替换均落入本发明的保护范围内。
23.实施例1基于贝叶斯判别分析对11种常见海马干品的鉴别
24.1.海马干品样本的拍摄：为提高测量的准确度和客观性，我们通过放置标尺对样
本进行逐一拍照，以克氏海马、西非海马、太平洋海马、棘海马、棕海马、三斑海马、大海马、鲍氏海马、虎尾海马、欧洲海马、日本海马共计11种常见的海马种类(图1)为对象，镜头与海马侧面平行，拍摄角度垂直于海马侧面，共对187个海马个体进行了拍摄，平均每种海马17个，其中太平洋海马样本量达到了27个。
25.2.形态数据提取：通过图像处理软件tpsdig精确测量照片中海马的9项数据，包括吻长、吻宽、头高、头长、眼眶直径、躯干长、尾长、体高、体宽(图2)，因海马干制样本头部、尾部常呈蜷缩状，因此可以使用tpsdig中的曲线工具完成测量。本发明统计上述9 项指标的比例数据构建判别模型，包括眼眶直径/头长、吻宽/吻长、头高/头长、头高/体宽、头长/体高、躯干长/体高、尾长/体高、体宽/体高。
26.3.判别函数的建立：以克氏海马(kel)、西非海马(alg)、太平洋海马(ing)、棘海马 (spi)、棕海马(fus)、三斑海马(tri)、大海马(kud)、鲍氏海马(bar)、虎尾海马(com)、欧洲海马(hip)、日本海马(moh)共计11种海马的187个体数据为训练数据集，在spss 统计软件中建立数据库，以步骤2中统计的8种形态比例数据作为模型参数，通过spss软件计算11个海马物种的贝叶斯判别函数系数，进而得到11种海马各自的贝叶斯判别函数：
27.y
kud
＝500.659
×
var1+288.633
×
var2+1102.671
×
var3-179.094
×
var4+4680.527
×
var 5+2719.276
×
var6+4144.137
×
var7-1899.626
×
var8-2316.146；
28.y
ing
＝332.341
×
var1+287.579
×
var2+1158.470
×
var3-159.876
×
var4+4587.273
×
var 5+2742.076
×
var6+4261.436
×
var7-1914.164
×
var8-2398.960；
29.y
kel
＝401.425
×
var1+283.123
×
var2+1150.401
×
var3-203.415
×
var4+4885.344
×
var5 +2747.150
×
var6+4237.818
×
var7-2262.031
×
var8-2360.392；
30.y
alg
＝317.820
×
var1+316.363
×
var2+1177.860
×
var3-218.244
×
var4+5027.863
×
var5 +2823.533
×
var6+4396.350
×
var7-2459.014
×
var8-2488.955；
31.y
fus
＝453.328
×
var1+314.721
×
var2+1086.385
×
var3-166.809
×
var4+4430.022
×
var 5+2773.674
×
var6+4235.035
×
var7-1820.382
×
var8-2354.224；
32.y
spi
＝385.548
×
var1+278.548
×
var2+1195.073
×
var3-188.431
×
var4+4993.830
×
var5 +2824.849
×
var6+4337.007
×
var7-2042.955
×
var8-2533.728；
33.y
bar
＝344.309
×
var1+249.115
×
var2+1210.249
×
var3-176.505
×
var4+4715.416
×
var 5+2830.864
×
var6+4282.983
×
var7-1927.375
×
var8-2470.996；
34.y
hip
＝468.763
×
var1+341.518
×
var2+1204.679
×
var3-174.937
×
var4+4786.466
×
var 5+2855.046
×
var6+4348.580
×
var7-1860.150
×
var8-2597.242；
35.y
com
＝551.301
×
var1+324.667
×
var2+1066.699
×
var3-144.469
×
var4+4691.919
×
var 5+2703.895
×
var6+4222.150
×
var7-1986.478
×
var8-2387.057；
36.y
moh
＝454.102
×
var1+393.320
×
var2+1303.145
×
var3-246.077
×
var4+5123.110
×
var 5+2865.220
×
var6+4456.925
×
var7-2622.145
×
var8-2650.827；
37.y
tri
＝457.104
×
var1+288.440
×
var2+1129.435
×
var3-204.808
×
var4+4754.831
×
var 5+2793.863
×
var6+4261.192
×
var7-2214.848
×
var8-2367.206。
38.将待检测样品的形态指标比例数据(眼眶直径/头长、吻宽/吻长、头高/头长、头高/体宽、头长/体高、躯干长/体高、尾长/体高、体宽/体高)代入各个海马物种的判别函数中，获得函数得分值，得分值最大的判别函数对应的物种即为待检样本的鉴定结果。
39.4.判别函数的验证：通过建立的判别函数对训练数据进行预测，综合预测成功率达到 87％，对其中7种海马的预测成功率均高于90％，对太平洋海马、欧洲海马和日本海马的预测成功率高于95％(表1)。
40.表1判别函数对训练数据的预测结果
[0041][0042]