从加速度计中识别动物行为:通过改进所选变量,数据频率和样本持续时间,提高机器学习的预测准确度

科学领域:

• 动物行为分析 动物行为分析
• 机器学习在生态学中的应用
• 生物制造技术的技术.

背景情况:

• 观察野生动物带来了挑战,但动物传播的加速度计可以了解无法观察到的行为.
• 自动机器学习 (ML) 模型简化了从大型数据集中识别行为,但准确性取决于训练数据的质量.

研究的目的:

• 调查数据处理如何影响动物行为识别随机森林 (RF) 模型的预测准确度.
• 为了利用家猫 (Felis catus) 作为陆地哺乳动物行为模型生物.

主要方法:

• 九只室内家猫配备了加速度计,他们的行为被视频记录以进行校准.
• 创建了八个数据集,其中描述变量,加速数据频率 (40 Hz与1 Hz) 和行为持续时间的变化.
• 在这些数据集上训练RF模型,在室内猫上验证,然后应用于自由放牧的猫.

主要成果:

• 射频模型准确地预测了室内猫的行为 (F测量高达0.96),采集后数据处理的改进.
• 额外的变量,标准化的持续时间和更高的记录频率提高了模型的准确性.
• 预测准确度因行为而异;高频率更适合移动,而低频率更好地识别了较慢的行为,例如在自由活动的猫身上进行理.

结论:

• 射频建模提供了一种强大的方法,用于从加速度计数据中识别行为.
• 现场验证对于证实自由活动动物的模型准确性至关重要.
• 优化的数据处理方法可以显著提高行为识别的准确性,使野生动物生态,福利和管理受益.