ActBeCalf:基于加速器的多变量时间序列数据集用于小牛行为分类
Oshana Iddi Dissanayake1,2, Sarah E McPherson2,3,4, Joseph Allyndrée5,2
1School of Computer Science, University College Dublin, Ireland.
Data in brief
|April 15, 2025
概括
这项研究介绍了ActBeCalf,这是一个新的数据集,用于使用加速度计数据对未断奶的小牛行为进行分类. 它使准确的机器学习模型能够改善奶牛农场的小牛福利.
科学领域:
- 动物科学动物科学
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 改善未断奶小牛的福利对奶牛场至关重要.
- 使用加速度计进行自动行为监控,需要准确标记数据.
- 时间同步和数据对齐是这个领域的重大挑战.
研究的目的:
- 介绍ActBeCalf,这是一个用于小牛行为分类的新型数据集.
- 为了应对将加速度计时间序列数据与行为标签对齐的挑战.
- 为开发用于小牛行为分析的机器学习模型提供可靠的资源.
主要方法:
- 30只预先断奶的小牛在13周内配备了3D加速仪传感器.
- 通过使用BORIS软件从视频录制中手动注释小牛的行为.
- 用外部时钟将加速计数据同步并与行为注释保持一致.
主要成果:
- ActBeCalf数据集包含了来自30头小牛的27.4小时的对齐加速计数据.
- 标注的行为包括撒谎,站立,走路,跑步,嗅嗅,抓,社交互动和理.
- 使用ActBeCalf开发的机器学习模型实现了高预测性能 (平衡精度:92%和84%).
结论:
- ActBeCalf是一个可靠和全面的数据集,用于研究断奶前小牛的行为.
- 该数据集有助于开发用于动物行为分类的先进机器学习模型.
- ActBeCalf支持旨在提高奶牛养殖业动物福利的倡议.
更多相关视频
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
10.8K
09:24Quantified Assessment of Infant's Gross Motor Abilities Using a Multisensor Wearable
Published on: May 17, 2024
1.2K
