用三轴加速度计和机器学习算法来识别家用狗的行为 (Canis familiaris):一个验证研究

科学领域:

• 动物行为科学 动物行为科学
• 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:

• 评估狗的行为对于确定狗适合伴侣或特定角色至关重要.
• 当前的行为评估方法往往耗时,劳动密集,容易产生偏见.
• 大规模的行为分析需要客观,高效和自动化的措施.

研究的目的:

• 验证ActiGraph®加速度计作为客观狗行为分类的工具.
• 探索机器学习在分析加速度计数据中对狗行为的实用性.
• 建立一个实用和时间有效的方法来评估狗的行为.

主要方法:

• 使用ActiGraph®加速度计收集狗的身体活动和运动数据.
• 采用机器学习方法来分析加速度计数据并分类不同的狗行为.
• 根据传感器输出识别和分类了九种特定的犬类行为.

主要成果:

• 机器学习模型在分类九种狗的行为 (范围从54%到93%之间) 中实现了74%的整体准确性.
• 整体身体动态加速与积极行为所花费的时间有很强的相关性 (R2 = 0.91,p < 0.001).
• 分类的行为包括吠叫,排便,饮酒,饮食,运动,休息-睡觉,休息-警觉,嗅觉和站立.

结论:

• 与机器学习相结合的ActiGraph®加速度计提供了一种有效和准确的自动化狗行为分类方法.
• 这项技术为传统的行为评估方法提供了一种实用,客观和节省时间的替代方案.
• 这些发现支持使用可穿戴传感器进行大规模的物狗行为分析,从而提高它们的适用性评估.