用三轴加速器和机器学习算法来识别家猫的行为 (Felis catus):一个验证研究

科学领域:

• 动物行为分析 动物行为分析
• 生物医学工程 生物医学工程
• 机器学习在兽医科学中的应用.

背景情况:

• 动物行为是健康和福利的关键指标.
• 对动物行为的视觉监测是劳动密集型的,可能会错过不常见的事件.
• 需要客观的,自动化的方法来进行准确的行为评估.

研究的目的:

• 评估三轴加速度计在识别家猫特定行为的有效性.
• 为了比较机器学习模型 (随机森林和自我组织地图) 用于行为分类.
• 评估在不同加速度计安装位置的行为识别的一致性.

主要方法:

• 十二只家养的短毛猫配备了戴上项圈和带绳的三轴加速度计.
• 同时加速度计和视频数据在七天内收集.
• 机器学习模型 (RF和SOM) 在加速度计数据上进行训练,以分类24种注释行为.
• 模型在独立数据上得到验证,并使用迪里克莱回归比较行为频率.

主要成果:

• 监督自组织地图 (SOM) 模型比随机森林 (RF) 模型 (精度64-76%) 实现了更高的精度 (>95%) 和卡帕 (>95%).
• 射频模型在不同安装位置 (领与带) 上显示出更一致的行为预测.
• 通过机器学习处理的三轴加速度计数据,在识别不同的猫行为方面被证明是有效的.

结论:

• 三轴加速度计是客观和自动监测家猫行为的一种可行的工具.
• 虽然SOM提供了高精度,但射频模型为行为识别提供了更好的跨位置一致性.
• 这项技术可以帮助更有效地了解猫的健康,福利和行为模式.