评估机器学习分类器和可解释性,以通过可穿戴鼻环监测牛的行为
Daniel Edison Essien1, Saviour Inyang2, Imeh Umoren3
1Faculty of Computer Science, Dalhousie University, 6050 University Avenue, Halifax, Canada.
Preventive veterinary medicine
|July 31, 2025
概括
这项研究将机器学习模型与使用可穿戴鼻环传感器的奶牛行为分类进行比较. 门式循环单位 (GRU) 模型实现了97.78%的准确性,证明了其在精确畜牧监测方面的有效性.
科学领域:
- 精准畜牧业 精准畜牧业 精准畜牧业 精准畜牧业
- 动物行为科学 动物行为科学
- 机器学习应用 机器学习应用
背景情况:
- 可穿戴式传感器可以持续实时监测牲畜中的动物行为.
- 准确的乳牛行为分类对于优化动物福利和农场管理至关重要.
- 之前的研究主要集中在长期短期记忆 (LSTM) 网络上.
研究的目的:
- 评估和比较各种机器学习模型的性能,以分类奶牛的行为.
- 调查新型可穿戴鼻环传感器在数据收集方面的有效性.
- 使用可解释AI (XAI) 技术探索这些模型的可解释性.
主要方法:
- 从乳牛的可穿戴鼻环传感器收集的三轴加速度计数据.
- 在解决数据不平衡后,分类了三个核心行为:食,反和行走.
- 将随机森林 (RF),人工神经网络 (ANN),门式循环单元 (GRU) 和卷积神经网络的性能与LSTM (CNN-LSTM) 模型进行了比较.
- 应用SHAP和LIME用于模型解释性和特征重要性分析.
主要成果:
- 门式循环单元 (GRU) 和混合卷积神经网络与LSTM (CNN-LSTM) 模型实现了最高的准确性,达到97.78%.
- 人工神经网络 (ANN) 和随机森林 (RF) 模型的性能较低,精度分别为68.27%和67.6%.
- 可解释的人工智能技术成功提供了对特征重要性和模型决策过程的洞察力.
结论:
- 深度学习模型,特别是GRU和CNN-LSTM,对于使用可穿戴传感器数据对奶牛行为进行分类非常有效.
- 模型的可解释性对于建立对精密畜牧管理系统的信任和理解至关重要.
- 可穿戴的鼻环传感器为精密畜牧业的持续实时监控提供了可行的解决方案.
