一种鱼类应激状态判别的方法及系统

摘要

本发明提供一种鱼类应激状态判别的方法及系统，包括：采集特征生理应激指标参数；构建高维传感源数据集和局部特征域数据集；构建高维空间拓扑图和低维空间拓扑图；根据高维空间拓扑图和低维空间拓扑图，确定特征应激识别区；计算特征应激识别区内的当前应激状态累积量，以最终确定目标鱼的当前应激状态。本发明通过采集生理应激指标参数，以构建高维传感源数据集，并通过从中筛选出局部特征域数据集，以构建空间拓扑图，进而实现特征应激识别区的确定，故能够实现对鱼类无水保活过程中生理应激状态的在线采集、动态监测与保活运输过程个体舒适度的实时评估，进而为无水保活过程中鱼类生理应激与运输环境舒适度的智能优化控制提供数据支持。

权利要求

1.一种鱼类应激状态判别的方法，其特征在于，包括：采集目标鱼在无水保活运输过程中的特征生理应激指标参数；

根据所述特征生理应激指标参数，构建高维传感源数据集和局部特征域数据集；

基于所述高维传感源数据集及第一映射函数，构建高维空间拓扑图；并基于所述局部特征域数据集及第二映射函数，构建与所述高维空间拓扑图同时刻的低维空间拓扑图；

根据所述高维空间拓扑图和所述低维空间拓扑图，确定特征应激识别区；

计算所述特征应激识别区内的当前应激状态累积量，以根据所述当前应激状态累积量，确定目标鱼的当前应激状态；

所述高维传感源数据集包括与所述目标鱼应激反应相关的所有微环境参数及生理应激生物指示参数在时间序列上的数据集；所述局部传感源数据集包括与所述目标鱼应激反应相关的鱼类血液生化参数、免疫生理参数以及呼吸频率参数在时间序列上数据集；

所述第一映射函数的表达式为：d

f＝C0→R；

所述第二映射函数的表达式为：m

f＝C1→R ,

d

其中，C0为所述高维传感源数据集，R 为所述特征生理应激指标参数，d为所述高维传感m

源数据集的维度；C1为局部特征域数据集；R为所述特征生理应激指标参数中鱼类血液生化参数、免疫生理参数以及呼吸频率参数在时间序列上数据集；m为所述局部特征域数据集的m d

维度；C1是C0的真子集，R是R的真子集；

所述计算所述特征应激识别区内的当前应激状态累积量，包括：构建特征应激状态识别模型，以利用所述特征应激状态识别模型计算所述特征应激识别区内的当前应激状态累积量；

所述特征应激状态识别模型的表达式为：其中，K为当前应激状态累积量；yt为t时刻的应激指标浓度； 为t时刻水产品无水保活运输综合信号的传递校正因子；Δξn为第n个指标信号的特征变化； 为所述特征变化的频谱变化率；n为局部特征域数据集中的指标信号的数量；T为当前时刻；t0为初始采样时刻。

2.根据权利要求1所述的鱼类应激状态判别的方法，其特征在于，所述根据所述高维空间拓扑图和所述低维空间拓扑图，确定特征应激识别区，包括：获取同时刻的所述低维空间拓扑图与所述高维空间拓扑图之间的相交空间区域，以确定所述特征应激识别区。

3.根据权利要求1所述的鱼类应激状态判别的方法，其特征在于，所述根据所述当前应激状态累积量，确定目标鱼的当前应激状态，包括：按照特征应激识别区内的应激状态累积量的大小，预先将特征应激识别区的应激状态分为至少2个级别，并确定每个级别的应激状态累积量区间；

根据所述当前应激状态累积量所在的应激状态累积量区间，以确定所述目标鱼的当前应激状态所对应的级别。

4.根据权利要求1所述的鱼类应激状态判别的方法，其特征在于，在确定目标鱼的当前应激状态之后，还包括：

确定舒适度变异参数，并根据所述舒适度变异参数计算舒适度变异系数；

构建鱼类无水保活应激疲劳度模型，以结合所述舒适度变异系数计算所述目标鱼在任一时间区间内的疲劳度。

5.根据权利要求4所述的鱼类应激状态判别的方法，其特征在于，所述舒适度变异系数的表达式为：

其中，κ为舒适度变异系数，FSD1为所述任一时间区间T内舒适度变异参数随无水低温保活运输时间的累积变化偏差，其中，N是时间区间内的舒适度变异参数的个数，α是时间区间内应激状态所对应的级别数； 是时间区间内舒适度变异参数随保活时间而发生变化的波动范围；t0,t1,t2…tn∈T,表示相邻采集时刻；FSD2为间期标准差，表示所述时间区间T内舒适度变异参数的波动变化程度，其中， 为舒适度变异参数随保活时间而发生变化平均值。

6.根据权利要求5所述的鱼类应激状态判别的方法，其特征在于，所述鱼类无水保活应激疲劳度模型的表达式为：

其中，IBFe为无水保活运输过程中样本e从时刻Ti至时刻Tr的应激疲劳度； 是时刻Ti至时刻Tr这一时间区间内，舒适度变异参数随保活时间而发生变化的波动范围；CP代表特征舒适度参数随保活时间而发生变化平均值；d为计算时段的重复区间个数。

7.一种鱼类应激状态判别的系统，其特征在于，包括：数据采集模块，用于采集目标鱼在无水保活运输过程中的特征生理应激指标参数；

数据集构建模块，用于根据所述特征生理应激指标参数，构建高维传感源数据集和局部特征域数据集；

拓扑图构建模块，用于基于所述高维传感源数据集及第一映射函数，构建高维空间拓扑图；并基于所述局部特征域数据集及第二映射函数，构建与所述高维空间拓扑图同时刻的低维空间拓扑图；

所述高维传感源数据集包括与所述目标鱼应激反应相关的所有微环境参数及生理应激生物指示参数在时间序列上的数据集；所述局部传感源数据集包括与所述目标鱼应激反应相关的鱼类血液生化参数、免疫生理参数以及呼吸频率参数在时间序列上数据集；

所述第一映射函数的表达式为：d

f＝C0→R；

所述第二映射函数的表达式为：m

f＝C1→R ,

d

其中，C0为所述高维传感源数据集，R 为所述特征生理应激指标参数，d为所述高维传感m

源数据集的维度；C1为局部特征域数据集；R为所述特征生理应激指标参数中鱼类血液生化参数、免疫生理参数以及呼吸频率参数在时间序列上数据集；m为所述局部特征域数据集的m d

维度；C1是C0的真子集，R是R的真子集；

识别区定位模块，用于根据所述高维空间拓扑图和所述低维空间拓扑图，确定特征应激识别区；

应激状态确定模块，用于计算所述特征应激识别区内的当前应激状态累积量，以根据所述当前应激状态累积量，确定目标鱼的当前应激状态；

所述计算所述特征应激识别区内的当前应激状态累积量，包括：构建特征应激状态识别模型，以利用所述特征应激状态识别模型计算所述特征应激识别区内的当前应激状态累积量；

所述特征应激状态识别模型的表达式为：其中，K为当前应激状态累积量；yt为t时刻的应激指标浓度； 为t时刻水产品无水保活运输综合信号的传递校正因子；Δξn为第n个指标信号的特征变化； 为所述特征变化的频谱变化率；n为局部特征域数据集中的指标信号的数量；T为当前时刻；t0为初始采样时刻。

8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述鱼类应激状态判别的方法步骤。

说明书

一种鱼类应激状态判别的方法及系统

技术领域

[0001] 本发明涉及信息处理技术领域，尤其涉及一种鱼类应激状态判别的方法及系统。

背景技术

[0002] 随着无水保活技术的应用与发展，如何有效地对鱼类保活运输过程中应激状态与舒适度进行判别和评价，是实现智能运输管理与提高动物福利水平的重要技术环节。

[0003] 但由于产业化尚未大规模普及，导致相应的配套技术装备整体发展存在滞后性。

[0004] 因此，基于人工智能算法、物联网大数据等先进技术，实现规模化运输下的鱼类无水保活应激状态判别与舒适度评价，对未来提高活体水产产业发展有着重要的应用前景。

发明内容

[0005] 针对现有技术在无水保活运输过程中对于鱼类无水保活应激状态判别与舒适度评价的技术空白，本发明实施例提供一种鱼类应激状态判别的方法及系统。

[0006] 本发明提供一种鱼类应激状态判别的方法，包括：采集目标鱼在无水保活运输过程中的特征生理应激指标参数；根据所述特征生理应激指标参数，构建高维传感源数据集
和局部特征域数据集；基于所述高维传感源数据集及第一映射函数，构建高维空间拓扑图；
并基于所述局部特征域数据集及第二映射函数，构建与所述高维空间拓扑图同时刻的低维
空间拓扑图；根据所述高维空间拓扑图和所述低维空间拓扑图，确定特征应激识别区；计算
所述特征应激识别区内的当前应激状态累积量，以根据所述当前应激状态累积量，确定目
标鱼的当前应激状态。

[0007] 根据本发明提供的一种鱼类应激状态判别的方法，所述高维传感源数据集包括与所述目标鱼应激反应相关的所有微环境参数及生理应激生物指示参数在时间序列上的数
据集；所述局部传感源数据集包括与所述目标鱼应激反应相关的鱼类血液生化参数、免疫
生理参数以及呼吸频率参数在时间序列上数据集；

[0008] 所述第一映射函数的表达式为：

[0009] f＝C0→Rd；

[0010] 所述第一映射函数的表达式为：

[0011] f＝C1→Rm,

[0012] 其中，C0为所述高维传感源数据集，Rd为所述特征生理应激指标参数，d为所述高维m
传感源数据集的维度；C1为局部特征域数据集；R为所述特征生理应激指标参数中鱼类血液
生化参数、免疫生理参数以及呼吸频率参数在时间序列上数据集；m为所述局部特征域数据
m d
集的维度；C1是C0的真子集，R是R的真子集。

[0013] 根据本发明提供的一种鱼类应激状态判别的方法，所述根据所述高维空间拓扑图和所述低维空间拓扑图，确定特征应激识别区，包括：获取同时刻的所述低维空间拓扑图与
所述高维空间拓扑图之间的相交空间区域，以确定所述特征应激识别区。

[0014] 根据本发明提供的一种鱼类应激状态判别的方法，所述计算所述特征应激识别区内的当前应激状态累积量，包括：构建特征应激状态识别模型，以利用所述特征应激状态识
别模型计算所述特征应激识别区内的当前应激状态累积量；

[0015] 所述特征应激状态识别模型的表达式为：

[0016]

[0017]

[0018] 其中，K为当前应激状态累积量；yt为t时刻的应激指标浓度； 为t时刻水产品无水保活运输综合信号的传递校正因子；Δξn为第n个指标信号的特征变化； 为所述特征变
化的频谱变化率；n为局部特征域数据集中的指标信号的数量；T为当前时刻；t0为初始采样
时刻。

[0019] 根据本发明提供的一种鱼类应激状态判别的方法，所述根据所述当前应激状态累积量，确定目标鱼的当前应激状态，包括：按照特征应激识别区内的应激状态累积量的大
小，预先将特征应激识别区的应激状态分为至少2个级别，并确定每个级别的应激状态累积
量区间；根据所述当前应激状态累积量所在的应激状态累积量区间，以确定所述目标鱼的
当前应激状态所对应的级别。

[0020] 根据本发明提供的一种鱼类应激状态判别的方法，在确定目标鱼的当前应激状态之后，还包括：确定舒适度变异参数，并根据所述舒适度变异参数计算舒适度变异系数；构
建鱼类无水保活应激疲劳度模型，以结合所述舒适度变异系数计算所述目标鱼在任一时间
区间内的疲劳度。

[0021] 根据本发明提供的一种鱼类应激状态判别的方法，所述舒适度变异系数的表达式为：

[0022]

[0023]

[0024]

[0025] 其中，κ为舒适度变异系数，FSD1为所述任一时间区间T内舒适度变异参数随无水低温保活运输时间的累积变化偏差，其中，N是时间区间内的舒适度变异参数的个数，α是时
间区间内应激状态所对应的级别数； 是时间区间内舒适度变异参数随保活时间
而发生变化的波动范围；t0,t1,t2…tn∈T,表示相邻采集时刻；FSD2为间期标准差，表示所述
时间区间T内舒适度变异参数的波动变化程度，其中， 为舒适度变异参数随保活时间而
发生变化平均值。

[0026] 根据本发明提供的一种鱼类应激状态判别的方法，所述鱼类无水保活应激疲劳度模型的表达式为：

[0027]

[0028] 其中，IBFe为无水保活运输过程中样本e从时刻Ti至时刻Tr的应激疲劳度；是时刻Ti至时刻Tr这一时间区间内，舒适度变异参数随保活时间而发生变化的
波动范围；CP代表特征舒适度参数随保活时间而发生变化平均值；d为计算时段的重复区间
个数。

[0029] 本发明还提供一种鱼类应激状态判别的系统，包括：数据采集模块，用于采集目标鱼在无水保活运输过程中的特征生理应激指标参数；数据集构建模块，用于根据所述特征
生理应激指标参数，构建高维传感源数据集和局部特征域数据集；拓扑图构建模块，用于基
于所述高维传感源数据集及第一映射函数，构建高维空间拓扑图；并基于所述局部特征域
数据集及第二映射函数，构建与所述高维空间拓扑图同时刻的低维空间拓扑图；识别区定
位模块，用于根据所述高维空间拓扑图和所述低维空间拓扑图，确定特征应激识别区；应激
状态确定模块，用于计算所述特征应激识别区内的当前应激状态累积量，以根据所述当前
应激状态累积量，确定目标鱼的当前应激状态。

[0030] 本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述鱼类应激状态
判别的方法的步骤。

[0031] 本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述鱼类应激状态判别的方法的步骤。

[0032] 本发明提供的鱼类应激状态判别的方法及系统，通过采集生理应激指标参数，以构建高维传感源数据集，并通过从中筛选出局部特征域数据集，以构建空间拓扑图，进而确
定特征应激识别区，能够实现对鱼类无水保活过程中生理应激状态的在线采集、动态监测
与保活运输过程个体舒适度的实时评估，进而为无水保活过程中鱼类生理应激与运输环境
舒适度的智能优化控制提供数据支持。

附图说明

[0033] 为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一
些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些
附图获得其他的附图。

[0034] 图1是本发明提供的鱼类应激状态判别的方法的流程示意图；

[0035] 图2是本发明提供的鱼类应激状态判别的系统的结构示意图；

[0036] 图3是本发明提供的电子设备的结构示意图。

具体实施方式

[0037] 为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，
而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳
动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0038] 需要说明的是，在本发明实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包
括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品
或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并
不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。对于本领域
的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

[0039] 下面结合图1‑图3描述本发明实施例所提供的鱼类应激状态判别的方法和系统。

[0040] 图1是本发明提供的鱼类应激状态判别的方法的流程示意图，如图1所示，包括但不限于以下步骤：

[0041] 步骤S1：采集目标鱼在无水保活运输过程中的特征生理应激指标参数；

[0042] 步骤S2：根据所述特征生理应激指标参数，构建高维传感源数据集和局部特征域数据集；

[0043] 步骤S3：基于所述高维传感源数据集及第一映射函数，构建高维空间拓扑图；并基于所述局部特征域数据集及第二映射函数，构建与所述高维空间拓扑图同时刻的低维空间
拓扑图；

[0044] 步骤S4：根据所述高维空间拓扑图和所述低维空间拓扑图，确定特征应激识别区；

[0045] 步骤S5：计算所述特征应激识别区内的当前应激状态累积量，以根据所述当前应激状态累积量，确定目标鱼的当前应激状态。

[0046] 鱼类在无水保活运输过程中，极端胁迫因子(如：无水、高氧等)的长期存在，会造成个体不同程度的应激反应，进而造成运输成活率及市场价值的下降和损失。而实现对无
水保活运输过程中的应激状态在线监测及舒适度实时评价，为无水保活运输智能监测与调
控提供了有效的技术方案。

[0047] 在步骤S1中，本发明所提供的鱼类应激状态判别的方法，在无水保活运输过程中，利用各类传感器以及现有的检测装置持续对待测量的目标鱼(或某一批次的鱼)的特征生
理应激指标参数进行采集。

[0048] 其中，所述特征生理应激指标参数主要包括微环境的温湿度、氧气浓度，以及生理应激生物指示信号等与鱼类无水保活运输相关的检测参数。其中，生理应激生物指示信号，
可以包括如呼吸频率、血液生化参数(如血糖、皮质醇浓度、乳酸浓度)等，对此本发明实施
例不作具体的限定。

[0049] 在步骤S2中，将所采集的特征生理应激指标参数按照采集指标参数的类别构建高维传感源数据集，如：采集的特征生理应激指标参数共分为7类，那么高维传感源数据集的
维数则为7；且在一维数上的数据构成该指标参数在时间序列上的子数据集。

[0050] 进一步地，从所构建的高维传感源数据集中，筛选出与应激水平指示参数相关的部分特征生理应激指标参数，组建成一个局部特征域数据集，故局部特征域数据集是高维
传感源数据集的一个真子集。

[0051] 其中，由特征生理应激指标参数构建高维传感源数据集的映射函数，称作第一映射函数；由与应激水平指示参数相关的部分特征生理应激指标参数，构建局部特征域数据
集的映射函数，称作第二映射函数。

[0052] 在步骤S3中，根据高维传感源数据集的分布以及其对应的第一映射函数的集合结构特征，可以构建一个高维空间拓扑图。其中，高维空间拓扑图表示的是基于微环境和生理
应激指示参数集，所构建一种基于时间的多维立体分布。

[0053] 相应地，根据低维传感源数据集的分布以及其对应的第二映射函数的集合结构特征，可以构建一个低维空间拓扑图。

[0054] 在步骤S4中，在同一保活时间下，上述局部特征域数据集与高维传感源数据集之间必然存在交集，故本发明提供的鱼类应激状态判别的方法，通过确定同一时刻下的高维
空间拓扑图与低维空间拓扑图之间的重合区域，以确定出局部特征域数据集与高维传感源
数据集之间交集，即反映为两个拓扑图的的重合区域则为特征应激识别区。

[0055] 在步骤S5中，通过计算所确定的特征应激识别区所对应的当前应激状态累积量的大小，则可以确定出待测的目标鱼的当前应激状态。

[0056] 本发明提供的鱼类应激状态判别的方法，通过采集生理应激指标参数，以构建高维传感源数据集，并通过从中筛选出局部特征域数据集，以构建空间拓扑图，进而实现特征
应激识别区的确定，故能够实现对鱼类无水保活过程中生理应激状态的在线采集、动态监
测与保活运输过程个体舒适度的实时评估，进而为无水保活过程中鱼类生理应激与运输环
境舒适度的智能优化控制提供数据支持。

[0057] 基于上述实施例的内容，作为一种可选实施例，所述高维传感源数据集包括与所述目标鱼应激反应相关的所有微环境参数及生理应激生物指示参数在时间序列上的数据
集；所述局部传感源数据集包括与所述目标鱼应激反应相关的鱼类血液生化参数、免疫生
理参数以及呼吸频率参数在时间序列上数据集；

[0058] 所述第一映射函数的表达式为：

[0059] f＝C0→Rd；

[0060] 所述第一映射函数的表达式为：m

[0061] f＝C1→R ,

[0062] 其中，C0为所述高维传感源数据集，Rd为所述特征生理应激指标参数，d为所述高维m
传感源数据集的维度；C1为局部特征域数据集；R为所述特征生理应激指标参数中鱼类血液
生化参数、免疫生理参数以及呼吸频率参数在时间序列上数据集；m为所述局部特征域数据
m d
集的维度；C1是C0的真子集，R是R的真子集。

[0063] 具体地，高维传感源数据集由d维特征生理应激指标参数构成，其映射函数构成：fd d
＝C0→R，其中C0采样自d维上的数据集合X＝{X1,X2,…,Xi},X∈R。

[0064] 局部特征域数据集是从鱼类血液生化、免疫生理以及呼吸频率三方面筛选m维数m m d
据构成，其映射函数构成：f＝C1→R , 其中C1是C0的真子集，R 是R 的真子集(m＝
3n,n≥1；m＜d)。

[0065] 本发明提供的鱼类应激状态判别的方法，通过函数映射的方式，对采集的特征生理应激指标参数进行整理，以构建高维传感源数据集；并通过确定与目标鱼相关的应激指
标，以从高维传感源数据集中筛选出局部特征域数据集，有效的提高了检测数据的利用率，
并未后期实现鱼类应激状态判别提供了科学的数据支持，提供了判别的精度和可信度。

[0066] 基于上述实施例的内容，作为一种可选实施例，所述根据所述高维空间拓扑图和所述低维空间拓扑图，确定特征应激识别区，包括：获取同时刻的所述低维空间拓扑图与所
述高维空间拓扑图之间的相交空间区域，以确定所述特征应激识别区。

[0067] 由于局部特征域数据集是高维传感源数据集的一个真子集，而简单的从数据的角度进行特征应激识别的难度较大，故本发明提供了一种科学的数据分析方法，通过构建与
高维传感源数据集相关的高维空间拓扑图，再构建与局部特征域数据集相关的地位拓扑
图，以通过两者之间的相交区域，就能够准确的定位出能够用于鱼类应激状态判别的特征
应激识别区。

[0068] 需要说明的是，用于进行相交区域划分的高维空间拓扑图和所述低维空间拓扑图需要是同一时刻所采集的数据所生成的，这样最终分析获取到的目标鱼的应激状态，则为
该时刻的应激状态，这样才能保证识别的精度。

[0069] 基于上述实施例的内容，作为一种可选实施例，所述计算所述特征应激识别区内的当前应激状态累积量，包括：

[0070] 构建特征应激状态识别模型，以利用所述特征应激状态识别模型计算所述特征应激识别区内的当前应激状态累积量；

[0071] 所述特征应激状态识别模型的表达式为：

[0072]

[0073]

[0074] 其中，K为当前应激状态累积量；yt为t时刻的应激指标浓度； 为t时刻水产品无水保活运输综合信号的传递校正因子；Δξn为第n个指标信号的特征变化； 为所述特征变
化的频谱变化率；n为局部特征域数据集中的指标信号的数量；T为当前时刻；t0为初始采样
时刻。

[0075] 本发明提供的鱼类应激状态判别的方法，构建了一种特征应激状态识别模型，以通过计算T时刻下应激状态累积量大小，确定目标鱼在时刻T的应激状态。

[0076] 其中，应激指标浓度是指局部特征数据集中所包含的的应激指示参数相关的数据。

[0077] 基于上述实施例内容，作为一种可选实施例，所述根据所述当前应激状态累积量，确定目标鱼的当前应激状态，包括：

[0078] 按照特征应激识别区内的应激状态累积量的大小，预先将特征应激识别区的应激状态分为至少2个级别，并确定每个级别的应激状态累积量区间；根据所述当前应激状态累
积量所在的应激状态累积量区间，以确定所述目标鱼的当前应激状态所对应的级别。

[0079] 进一步地，本发明提供的鱼类应激状态判别的方法，结合映射函数的构造用于进行特征传感识别的高维空间拓扑图和低维空间拓扑图，对同时刻相交的空间区域进行统
计，结合实际运输鱼类品种的应激生化实验结果，基于所确定的相交空间结构，按照1‑10级
划分特征应激识别区。

[0080] 可选地，在本实施例中，将上述10级特征应激识别区，按照应激状态累计量的大小，划分为轻度(1‑3级)，中度(4‑7级)和重度(8‑10级)。故可以根据每次测量的特征应激识
别区内的当前应激状态累积量，准确的确定目标鱼的当前应激状态。

[0081] 本发明提供的鱼类应激状态判别的方法，通过预先划分不同应激状态累积量区间所对应的特征应激识别区所对应的级别，则能够利用系统自动判别该时刻下鱼类个体的应
激状态并进行自动归类，而无需人为进行识别操作，避免主观因素对识别结果的干扰，能够
有效地提供识别的精度。

[0082] 基于上述实施例的内容，作为一种可选实施例，在确定目标鱼的当前应激状态之后，还包括：确定舒适度变异参数，并根据所述舒适度变异参数计算舒适度变异系数；构建
鱼类无水保活应激疲劳度模型，以结合所述舒适度变异系数计算所述目标鱼在任一时间区
间内的疲劳度。

[0083] 需要说明的是，本发明提供的鱼类应激状态判别的方法，不仅仅可以用于进行鱼类应激状态的准确判别，还能够根据所判别获取的等级结果，实现鱼类舒适度或者疲劳度
的定量及定性分析。

[0084] 具体地，首先需要确定用于实现鱼类舒适度或者疲劳度分析的舒适度变异参数。其确定的依据主要表现在：所述舒适度变异参数在无水保活运输过程中，不仅能够有效表
征应激水平，同时在保活过程中需呈现相似的重复变化。

[0085] 进一步地，根据所确定的舒适度变异参数，结合采集的特征生理应激指标参数，则可以计算出目标鱼在任一时间区间内的舒适度变异系数κ。

[0086] 作为一种可选实施例，上述舒适度变异系数κ的计算公式可以是：

[0087]

[0088]

[0089]

[0090] 其中，κ为舒适度变异系数，FSD1为所述任一时间区间T内舒适度变异参数随无水低温保活运输时间的累积变化偏差，其中，N是时间区间内的舒适度变异参数的个数，α是时
间区间内应激状态所对应的级别数； 是时间区间内舒适度变异参数随保活时间
而发生变化的波动范围；t0,t1,t2…tn∈T,表示相邻采集时刻；FSD2为间期标准差，表示所述
时间区间T内舒适度变异参数的波动变化程度，其中， 为舒适度变异参数随保活时间而
发生变化平均值。

[0091] 进一步地，在获取到目标鱼在某一时间区间内的舒适度变异参数之后，则可以利用预先构建的鱼类无水保活应激疲劳度模型计算出目标鱼在这一时间区间内的疲劳度，包
括：

[0092] 用以计算评估所有选择的舒适度参数的累积作用，以进一步表征个体无水保活过程中的应激疲劳度，其计算公式，包括：

[0093]

[0094]

[0095]

[0096] 其中，IBFe为无水保活运输过程中样本e从时刻Ti至时刻Tr的应激疲劳度；是时刻Ti至时刻Tr这一时间区间内，舒适度变异参数随保活时间而发生变化的
波动范围；CP代表特征舒适度参数随保活时间而发生变化平均值；d为计算时段的重复区间
个数。IBF代表T0到T‑1时间段的个体应激疲劳度；IBFi代表各任意时段的个体应激疲劳度，N
代表计算时段的重复区间个数；s代表总体的保活评价样本数；e代表总体的保活运输评价
任意样本。其中，IBF代表T0到T‑1时间段的个体应激疲劳度；i代表第i时段，BFe为个体在上
述时间区间内的平均应激疲劳度。

[0097] 作为可选地，还可以通过非线性映射的方式，直观地展示个体及整体疲劳程度，为进一步实现无水保活智能调控提供最直接的感官评价模型。

[0098] 该感官评价模型的映射函数可以为：

[0099]

[0100] 其中，a和b为可变系数， 为疲劳程度的实际值。

[0101] 图2是本发明提供的鱼类应激状态判别的系统的结构示意图，如图2所示，本发明提供的鱼类应激状态判别的系统主要包括：

[0102] 数据采集模块21、数据集构建模块22、拓扑图构建模块23、识别区定位模块24和应激状态确定模块25，其中：

[0103] 数据采集模块21主要用于采集目标鱼在无水保活运输过程中的特征生理应激指标参数；

[0104] 数据集构建模块22主要用于根据所述特征生理应激指标参数，构建高维传感源数据集和局部特征域数据集；

[0105] 拓扑图构建模块23主要用于基于所述高维传感源数据集及第一映射函数，构建高维空间拓扑图；并基于所述局部特征域数据集及第二映射函数，构建与所述高维空间拓扑
图同时刻的低维空间拓扑图；

[0106] 识别区定位模块24主要用于根据所述高维空间拓扑图和所述低维空间拓扑图，确定特征应激识别区；

[0107] 应激状态确定模块25主要用于计算所述特征应激识别区内的当前应激状态累积量，以根据所述当前应激状态累积量，确定目标鱼的当前应激状态。

[0108] 需要说明的是，本发明实施例提供的鱼类应激状态判别的系统，在具体执行时，可以基于上述任一实施例所述的鱼类应激状态判别的方法来实现，对此本实施例不作赘述。

[0109] 本发明提供的鱼类应激状态判别的系统，通过采集生理应激指标参数，以构建高维传感源数据集，并通过从中筛选出局部特征域数据集，以构建空间拓扑图，进而实现特征
应激识别区的确定，故能够实现对鱼类无水保活过程中生理应激状态的在线采集、动态监
测与保活运输过程个体舒适度的实时评估，进而为无水保活过程中鱼类生理应激与运输环
境舒适度的智能优化控制提供数据支持。

[0110] 图3是本发明提供的电子设备的结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(CommunicationsInterface)320、存储器(memory)330和通
信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通
信。处理器310可以调用存储器330中的逻辑指令，以执行鱼类应激状态判别的方法，该方法
包括：采集目标鱼在无水保活运输过程中的特征生理应激指标参数；根据所述特征生理应
激指标参数，构建高维传感源数据集和局部特征域数据集；基于所述高维传感源数据集及
第一映射函数，构建高维空间拓扑图；并基于所述局部特征域数据集及第二映射函数，构建
与所述高维空间拓扑图同时刻的低维空间拓扑图；根据所述高维空间拓扑图和所述低维空
间拓扑图，确定特征应激识别区；计算所述特征应激识别区内的当前应激状态累积量，以根
据所述当前应激状态累积量，确定目标鱼的当前应激状态。

[0111] 此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本
发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以
软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以
使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施
例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，
Read‑OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可
以存储程序代码的介质。

[0112] 另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序
指令被计算机执行时，计算机能够执行上述各方法所提供的鱼类应激状态判别的方法，该
方法包括：采集目标鱼在无水保活运输过程中的特征生理应激指标参数；根据所述特征生
理应激指标参数，构建高维传感源数据集和局部特征域数据集；基于所述高维传感源数据
集及第一映射函数，构建高维空间拓扑图；并基于所述局部特征域数据集及第二映射函数，
构建与所述高维空间拓扑图同时刻的低维空间拓扑图；根据所述高维空间拓扑图和所述低
维空间拓扑图，确定特征应激识别区；计算所述特征应激识别区内的当前应激状态累积量，
以根据所述当前应激状态累积量，确定目标鱼的当前应激状态。

[0113] 又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的鱼类应激状态判别的方
法，该方法包括：采集目标鱼在无水保活运输过程中的特征生理应激指标参数；根据所述特
征生理应激指标参数，构建高维传感源数据集和局部特征域数据集；基于所述高维传感源
数据集及第一映射函数，构建高维空间拓扑图；并基于所述局部特征域数据集及第二映射
函数，构建与所述高维空间拓扑图同时刻的低维空间拓扑图；根据所述高维空间拓扑图和
所述低维空间拓扑图，确定特征应激识别区；计算所述特征应激识别区内的当前应激状态
累积量，以根据所述当前应激状态累积量，确定目标鱼的当前应激状态。

[0114] 以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单
元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其
中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性
的劳动的情况下，即可以理解并实施。

[0115] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上
述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该
计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指
令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施
例或者实施例的某些部分所述的方法。

[0116] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可
以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；
而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和
范围。