BovineTalk:在隔离的负面情感状态下对乳牛进行声调分析的机器学习
Dinu Gavojdian1, Madalina Mincu1, Teddy Lazebnik2,3
1Cattle Production Systems Laboratory, Research and Development Institute for Bovine, Balotesti, Romania.
Frontiers in veterinary science
|February 16, 2024
概括
研究人员开发了计算模型来分析奶牛的发声,区分低频 (LF) 和高频 (HF) 呼叫. 这些模型可以识别个别的奶牛和分类呼叫类型,帮助评估动物福利使用精确的畜牧业工具.
科学领域:
- 动物行为 动物行为
- 生物声学是一种生物声学.
- 机器学习 机器学习
背景情况:
- 动物情绪状态的非侵入性指标对于农场福利评估至关重要.
- 精准畜牧业 (PLF) 工具可以整合这些指标.
- 与其他牲畜相比,牛的发声,特别是负面状态期间的高频 (HF) 呼叫,研究不足.
研究的目的:
- 开发和验证用于分类牛声 (LF与HF) 和识别单个奶牛的计算框架.
- 贡献一个大,预处理的数据集,在负面情绪状态期间,奶牛的发声.
- 探索声乐指标的潜力,以评估奶牛的福利.
主要方法:
- 利用深度学习和可解释的机器学习框架.
- 分类低频 (LF) 和高频 (HF) 牛呼叫.
- 使用发声数据进行了个别牛的语音识别.
主要成果:
- 实现了87.2%的LF准确度和89.4%的HF呼叫分类.
- 使用LF呼叫实现了68.9%的准确性,使用HF呼叫实现了72.5%的准确性.
- 在负面情绪状态期间创建了最大的乳牛发声预处理数据集.
结论:
- 计算模型可以有效地分类牛的呼叫类型,并识别单个奶牛.
- 语音分析显示,作为监测乳牛情绪状态和福利的非侵入性工具,它是有前途的.
- 进一步将这些方法集成到PLF系统中是有必要的.
