发现乳牛行为模式:使用三轴加速仪数据的深度学习方法

科学领域:

• 动物科学动物科学
• 机器学习 机器学习
• 生物技术是生物技术.

背景情况:

• 乳牛的早期疾病检测对于群体的健康和生产力至关重要.
• 监测行为变化提供了一种非侵入性方法来识别健康问题.
• 加速度计数据与先进的算法相结合,可以提供对动物福利的见解.

研究的目的:

• 评估深度学习 (DL) 模型在分类奶牛行为中的有效性.
• 将DL算法的性能与经典机器学习 (ML) 方法进行比较.
• 评估单点加速度计在全面行为监测方面的潜力.

主要方法:

• 在136 ± 29分钟内从12只奶牛收集的三轴加速度计数据.
• 每8秒间隔抽取15个指标,创建一个数据集的211,720个观察.
• 训练并测试了一个8层卷积神经网络 (CNN),并将其与经典的ML模型进行比较.

主要成果:

• 8层CNN实现了整体准确度和F1得分为0.96.
• 个人行为分类 (精度,灵敏度/回忆,F1分数) 从0.93到0.99.
• 美国有线电视新闻网的模型显著超过了所有测试的经典ML算法.

结论:

• 深度学习,特别是CNN,在从单点加速度计数据分类奶牛行为方面表现出很高的表现.
• 这种方法提供了一种可靠和有效的方法来监测单个牛的行为,并潜在地检测疾病的早期迹象.
• 单传感器加速度计与DL相结合,为改善奶牛群管理和动物福利提供了可扩展的解决方案.