将多簇分类与脉冲的时间结构相结合，可以提高对不同规格对虾（Penaeus vannamei）的饲料消耗预测准确性

时间：2026年2月2日

来源：Aquacultural Engineering

编辑推荐：

中国对虾喂食声学脉冲的聚类特征与时空结构分析：基于GMM-HMM和RQA方法，研究揭示不同体质量组（1,3,7,12g）喂食脉冲存在九类显著声学集群，构建的多集群指标较单一集群或总脉冲计数预测误差降低6.5%-24.6%，并发现高频短脉冲与投喂量强相关。脉冲时空特征显示幼虾存在规律化进食相位，而大虾脉冲序列稀疏不规律，需优化投喂策略。

朱博山|李叶森|韩晓月|刘大鹏|王芳|杨超

中国海洋大学教育部海洋养殖工程研究中心，中国山东省青岛市玉山路5号，266003

摘要

被动声学监测（PAM）在太平洋白虾（Penaeus vannamei）的精准喂养系统中越来越被广泛应用。然而，由于喂养行为并非声脉冲的唯一来源，因此预测准确性受到限制。在此研究中，我们结合高斯混合隐马尔可夫模型（GMM–HMM）和递归量化分析（RQA）来表征不同体型组（1克、3克、7克和12克）的喂养相关脉冲特征和时间结构。共识别出9个具有明显声学差异的脉冲簇，并为每个体型构建了最优的多簇度量指标。结果表明，多簇度量指标的表现优于单簇度量和总脉冲计数方法，有效降低了预测误差并提高了可解释性。在1克、3克和7克组中，预测误差分别降低了14.4%、14.3%和24.6%。在12克组中，总脉冲数与饲料消耗量没有显著相关性，而最优的多簇度量指标仍具有预测能力，误差降低了6.5%。随着虾体长大了，脉冲信号从单一稳定型转变为多样分散型，脉冲与消耗量的关联减弱。尽管如此，高频短时脉冲在所有体型组中都表现出与饲料消耗量的一致正相关关系，应优先作为养殖监测中真实喂养行为的可靠指标。RQA进一步显示，在较小体型的虾中存在明显的喂养和喂养后阶段特征，这支持了规律性喂养的行为模式。然而，在较大体型的虾中，脉冲序列较为稀疏不规则，相位转换模糊，表明需要提高喂养频率并延长喂养时间。总之，本研究首次明确了Penaeus vannamei不同体型组脉冲的特征及时间结构，提高了PAM的可解释性和饲料消耗量监测的准确性，为优化特定体型的喂养策略和推进精准喂养技术提供了科学依据。

引言

作为全球养殖规模最大的甲壳类动物，太平洋白虾（Penaeus vannamei）的年产量超过六百万吨。监测其喂养行为被广泛认为是降低饲料成本和提高生产效率的主要方法（Bardera等人，2020年；Cai等人，2024年；Darodes de Tailly等人，2021年）。在这一背景下，被动声学监测（PAM）已成为精准喂养系统的关键组成部分，通过量化喂食过程中下颚碰撞产生的脉冲数量来指示喂养强度（Darodes de Tailly等人，2021年；Peixoto和Soares，2025年；Reis等人，2022年）。以往的研究要么将所有检测到的脉冲都视为喂养事件（Hamilton等人，2023年；Soares等人，2021b年），要么仅分析少量随机抽取的脉冲样本（Hamilton等人，2024年；Silva等人，2019年）。然而，与喂养点击声相似的脉冲也可能由下颚和触角梳理、同类相食以及游泳等行为产生，这些行为会干扰基于PAM的饲料消耗量估计的准确性和实用性（Cao等人，2023年；Li等人，2021年；Wei等人，2020年；Zhu等人，2024年）。尽管已有研究报道了密度、环境条件和饲料处理对声脉冲数量和特征的影响（Hamilton等人，2023年；Hamilton等人，2024年；Soares等人，2021a年；Zhang等人，2025年），但目前仍不清楚哪些脉冲真正来源于喂养行为，以及这种行为在喂养事件中的变化过程。这种对喂养相关脉冲及其时间动态的区分不足限制了基于PAM的饲料消耗量估计的准确性，也影响了其在商业水产养殖中的精准喂养和智能喂养管理应用。

近年来，机器学习在水下声学领域取得了显著进展，应用于多物种叫声检测（Trawicki，2021年）、水下噪声源的归因（Chakrabarty和Elhilali，2015年）、异常动物状态的监测以及渔业管理（Cao等人，2022年；Wei等人，2022年）。在这些研究中，特征提取、脉冲分类以及基于与饲料消耗量相关性的脉冲簇选择可以提高生物信息的可解释性，减少分析冗余并提升计算效率（Cao等人，2022年；Li等人，2024年；Qi等人，2023年），从而实现喂养相关脉冲的准确区分和水产养殖中喂养状态的自动化评估（Du等人，2023年；Liu等人，2024年）。其中，如GMM–HMM这样的模型能够同时捕捉复杂的声学分布和时间依赖性（Hinton等人，2012年；Rajan等人，2022年；Trawicki，2021年），并在动物声学研究中具有很强的解释能力（Pan等人，2024年；Zhao等人，2020年）。然而，在虾类养殖中，使用这些模型进行脉冲分类和选择的PAM应用仍然较少。

声脉冲的数量和分类为准确预测饲料摄入量提供了定量基础，而声信号中的短时间尺度特征（如连续性、间歇性和异常性）反映了较长时间尺度上的喂养行为时间结构（Golani，1976年；López Pérez等人，2021年），从而为监测饲料消耗量和喂养状态提供了互补的时间尺度信息。例如，在反刍动物中，咀嚼、咬合和反刍的时间结构被用于估算饲料摄入量并支持牧场的智能管理（Deniz等人，2017年；Nunes等人，2021年）。在水产养殖中，也探索了与喂养相关的发声序列来预测饲料消耗量（Du等人，2023年；Wang等人，2025年）。在时间序列分析方法中，递归量化分析（RQA）为非线性系统提供了稳健的结构特征描述，能够解析序列的片段性、可预测性和复杂性，从而明确时间结构和相位转换，这在动物行为研究中得到了广泛应用（López Pérez等人，2021年；Odom等人，2021年）。然而，关于虾类喂养脉冲的时间序列分析仍然较少。现有研究主要依赖脉冲计数来划分喂养和喂养后阶段，忽略了序列本身所蕴含的状态转换（Bardera等人，2020年；Soares等人，2021b年），这促使我们将RQA应用于虾类喂养声学，以提供更可靠的喂养策略优化基础。

在Penaeus vannamei的养殖过程中，生长会导致喂养脉冲的系统性变化：下颚表皮物理性质的变化会改变脉冲特征（Hamilton等人，2024年；Peixoto等人，2025年），而不同发育阶段的的行为可塑性会调节脉冲与饲料消耗量之间的关系，从而影响喂养时机检测和消耗量预测的准确性（Hamilton等人，2023年）。因此，通过对不同体型组的脉冲进行分类和时间序列分析，可以将PAM衍生的声学特征与饲料摄入量和喂养动态定量关联起来，为优化喂养策略和改进水产养殖生产系统的喂养管理提供决策依据。

在这项研究中，我们的目标包括：（i）使用GMM–HMM框架对与虾类喂养相关的声脉冲进行分类；（ii）研究不同体型组中饲料消耗量与脉冲簇最佳组合之间的关系；（iii）利用RQA分析喂养声学的时间结构，为Penaeus vannamei养殖的精准喂养和智能喂养系统的发展提供数据支持。

实验部分

动物采集与饲养

实验于2022年5月至9月在中国海洋大学教育部海洋养殖工程研究中心（青岛）进行。Penaeus vannamei来自黄河三角洲海洋科技有限公司（中国山东东营）；初始体重为0.5克。这些虾被饲养在室内循环水系统中，该系统包括20个玻璃水箱（尺寸为50 × 35 × 35厘米）、一个砂滤器、一个紫外线杀菌器和一个蛋白质撇渣器。

喂养脉冲的分类与可视化

在所有重复实验中，共检测到15,780个脉冲。使用GMM–HMM进行脉冲分类时，随着簇数量的增加，AIC和BIC值均下降，并在9个簇时达到最低值（图2；AIC = 92,379.457；BIC = 93,682.762）。增加更多簇并不会提高模型拟合度，反而会导致AIC和BIC值上升。因此，9个簇在模型复杂性和拟合优度之间达到了适当的平衡，被确定为最优簇数量。

讨论

解析声脉冲与饲料消耗量之间的关系一直是基于PAM的Penaeus vannamei养殖监测中的核心问题（Peixoto和Soares，2025年；Reis等人，2022年）。准确识别和定义与目标行为相关的脉冲是进行个体和群体间有效比较的前提（Odom等人，2021年）。在本研究中，GMM–HMM识别出9个具有明显声学特征的脉冲簇，这些簇与饲料消耗量之间存在关联。