从Sound-A机器学习框架中解码家禽福利,用于非侵入性声学监测

科学领域:

• 动物福利科学 动物福利科学
• 生物声学是一种生物声学.
• 人工智能在农业中的应用

背景情况:

• 精密畜牧业越来越多地使用非侵入性方法来评估动物福利.
• 禽类的发声包含有关健康,行为和压力水平的关键信息.
• 解释复杂的声学信号需要先进的分析技术.

研究的目的:

• 开发和评估一个综合的分析框架,用于解释的声音,以评估福利.
• 结合信号级别分析,机器学习和深度学习来进行强大的分类.
• 通过使用各种与福利相关的声学数据集来验证框架的性能.

主要方法:

• 高保真声信号采集和预处理.
• 提取声学特征,包括Mel-frequency cepstral系数 (MFCC) 和光谱描述符.
• 使用机器学习 (随机森林,HistGradientBoosting,CatBoost,TabNet) 和深度学习 (LSTM) 模型进行分类.
• 对特征重要性和模型验证的统计分析 (交叉验证,F1得分,MCC).

主要成果:

• 特定的MFCC频段和光谱特征与家禽福利指标有显著的相关性.
• 长期短期记忆 (LSTM) 模型确定了与习惯和压力特异性反应相关的独特声学模式.
• 拟议的框架在分类发音方面表现出高度的准确性,概括性和可解释性.
• 该方法成功地将声学特征与家禽已知的生理和行为过程联系起来.

结论:

• 声学传感与可解释的人工智能相结合,为实时家禽福利监测提供了一个可扩展和生物基础的工具.
• 这项技术支持推进可持续和道德的畜牧生产系统.
• 该框架的可解释性确保与已建立的家禽福利科学保持一致.