基于机器学习的传感器数据融合用于动物监测:范围审查

科学领域:

• 动物行为和动物福利
• 生物技术和传感器技术
• 在动物科学中的机器学习

背景情况:

• 物联网和人工智能 (AI) 等技术进步正在改变科学研究,包括动物研究.
• 传感器件和人工智能驱动系统能够进行复杂的数据收集和分析,以识别动物行为,情绪状态和个人识别.
• 本综述侧重于 2011 年至 2022 年期间发表的动物研究中应用的传感器融合技术.

研究的目的:

• 审查和分析动物研究中传感器融合算法的当前状态.
• 确定传感器融合应用的趋势,目标物种和数据分析水平.
• 突出未来在动物福利和相关领域的传感器融合研究的机会.

主要方法:

• 2011年至2022年出版的英语文章的系统文献搜索.
• 纳入标准用于过263个获取的文章,将其减少到23个符合分析条件的文章.
• 传感器融合算法的分类:原始/低级,特征/中级和决策/高级.

主要成果:

• 传感器融合算法分布在原始 (26%),特征 (39%) 和决策 (34%) 级别.
• 姿势和活动检测是最常见的研究重点.
• 牛 (32%) 和马 (12%) 是主要研究的物种;在所有融合水平上都使用了加速度计.

结论:

• 传感器融合在动物研究中的应用还处于新生阶段,尚未得到充分的探索.
• 通过传感器融合整合运动和生物识别数据,为动物福利应用提供了巨大的潜力.
• 传感器融合与机器学习相结合,可以增强对动物行为的理解,从而提高福利,生产效率和保护.