羊在移动:评估机器学习模型用于使用加速仪数据进行山羊活动分析
Arthur Hollevoet1, Timo De Waele1, Daniel Peralta1
1IDLab, Department of Information Technology, Ghent University-imec, Technologiepark-Zwijnaarde 126, B-9052 Ghent, Belgium.
Animals : an open access journal from MDPI
|July 13, 2024
概括
深度学习模型使用传感器数据准确地识别动物活动. 一个混合卷积神经网络与方向独立的数据转换显示了动物行为分析的最佳概括能力.
科学领域:
- 动物行为分析 动物行为分析
- 机器学习应用程序 机器学习应用程序
- 可穿戴式传感器技术的技术.
背景情况:
- 使用身上的传感器自动识别动物活动,为动物福利提供了洞察力.
- 之前的算法在复杂的加速度计数据中扎,但深度学习显示出有希望的结果.
- 需要比较深度学习模型和输入类型,以进行强大的活动识别.
研究的目的:
- 评估不同深度学习模型对动物活动识别的概括能力.
- 为了比较加速仪数据的方向独立数据转换技术.
- 确定最佳的模型输入组合,以准确地对动物行为进行分类.
主要方法:
- 实验了两个取向独立的数据转换:向量大小 (L2-规范) 和离散里埃转换.
- 训练了三个深度学习模型:多层感知器 (MLP),卷积神经网络 (CNN) 和混合CNN (MLP和CNN组合).
- 评估了使用混合交叉验证和山羊智能离开一项交叉验证的模型概括.
主要成果:
- 导向独立的数据转换为动物活动识别带来了有希望的结果.
- 混合CNN模型使用L2-规范输入,实现了高分类精度和低标准偏差.
- 错误分类集中在具有类似加速度计模式或少数类的行为中.
结论:
- 混合CNN与方向独立的加速度计数据处理相结合,为动物活动识别提供了卓越的概括性.
- 未来的改进可以通过使用更大,更平衡的数据集来解决类似或少数行为错误分类的问题.
