CN109446931B - 基于时序关联分析的动物运动行为判别方法及装置 - Google Patents

Abstract

本发明涉及运动行为识别技术领域，特别是基于时序关联分析的动物运动行为判别方法及装置。获取动物的已知的连续运动状态和对应的三轴加速度信息，以及待判别的连续三轴加速度信息；将三轴加速度信息转换为自然坐标系下的三维数据，已知运动状态的三轴加速度信息与对应的三维数据构成训练数据，待判别的连续三轴加速度信息与对应的三维数据构成测试数据；根据运动行为状态之间的时序关联关系和通过训练数据训练得到的迭代回归树模型对测试数据进行运动行为状态判别，结合行为状态的时序性，弥补了迭代决策树在处理具有关联性强的数据表现较差的缺点，进一步的提高了行为判别的准确率。

Description

基于时序关联分析的动物运动行为判别方法及装置

技术领域

本发明涉及运动行为识别技术领域，特别是基于时序关联分析的动物运动行为判别方法及装置。

背景技术

奶牛行为是奶牛健康和福利水平的重要指标，奶牛行为准确判别是现代畜牧业的重要研究内容。现有的奶牛行为判别时采集的数据量较多，关联较为负载，多通过建立模型进行奶牛行为判别分析，其中迭代的决策树模型由多棵决策树组成，所有树的结论累加起来做最终答案，它在被提出之初就和支持向量机模型一起被认为是泛化能力较强的模型。运用迭代决策树模型能够在相对短的时间内对大型数据源做出可行且效果良好的结果，对其中的缺失值敏感性不强，因此对奶牛的行为状态判别的准确率要高于支持向量机模型。但迭代决策树模型针对较多类别时，错误的几率将会增大，特别是处理有时间顺序、特征关联性比较强的数据，其结果表现不佳。

发明内容

本发明的目的是提供基于时序关联分析的动物运动行为判别方法及装置，用以解决现有决策树模型在对包含时间关联的奶牛行为识别准确率较低的问题。

为了实现运动行为的准确识别，解决现有决策树模型在对包含时间关联的奶牛行为识别准确率较低的问题。本发明提供一种基于时序关联分析的动物运动行为判别方法，包括以下步骤：

1)获取动物的已知的连续运动状态和对应的三轴加速度信息，以及待判别的连续三轴加速度信息，将三轴加速度信息转换为自然坐标系下的三维数据，已知运动状态的三轴加速度信息与对应的三维数据构成训练数据，待判别的连续三轴加速度信息与对应的三维数据构成测试数据；

2)构建初始迭代回归树模型，并通过训练数据训练得到具有时序关联的迭代回归树模型；

3)根据时序关联的迭代回归树模型和测试数据中任一待测时刻的前一时刻运动行为确定该待测时刻的各运动行为状态的概率，并根据时序关联的迭代回归树模型和该待测时刻的三轴加速度信息对该待测时刻的运动行为状态进行预测得到该待测时刻的运动行为状态预测结果；

4)通过该待测时刻的各运动行为状态的概率和该待测时刻的运动行为状态预测结果综合判别得到该待测时刻的实际运动行为状态。

有益效果是，上述方法能够结合行为状态的时序性，弥补了迭代决策树在处理具有关联性强的数据表现较差的缺点，进一步的提高了行为判别的准确率。

进一步地，为了准确得到动物的运动行为状态，通过最大概率值确定运动行为状态，步骤4)中将该待测时刻的各运动行为状态的概率和该待测时刻的运动行为状态预测结果进行乘法运算，取最大值对应的行为状态为该待测时刻的实际运动行为状态。

进一步地，为了便于预测分类结果的叠加，该判别方法中所述迭代回归树模型的损失函数为：

L(y,F(x))＝exp[-yF(x)]

式中，y表示奶牛的运动状态，F(x)表示初始迭代回归树模型，x表示经处理后的三轴加速度数据；

为使损失函数最小得到，F^*＝arg minE_x～y[L(y,F(x))]，式中，F*代表指使得损失函数取得其最小值的所有自变量(x,y)的集合，E表示残差的平方和，(x,y)为迭代回归树的训练集；

其中，

式中，h_m(x)为第m棵弱学习者的基础函数，γ_m为步长，M代表决策树棵数。

进一步地，为了获得更好的预测精度，提高模型的计算能力，该判别方法中构建m次迭代产生的模型：F_m(x)＝F_m-1(x)+γ_mh_m(x)，在叠加过程中，选择使损失函数最小的决策树h_m(x)，则m次迭代产生的模型变换为：

通过梯度优化对F_m(x)进行求解，快速下降方向是在当前模型F_m-1中评估的损失函数的负梯度，计算得到可微损失函数：

式中，

表示损失函数的梯度。

本发明提供一种基于时序关联分析的动物运动行为判别装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

1)获取动物的已知的连续运动状态和对应的三轴加速度信息，以及待判别的连续三轴加速度信息，将三轴加速度信息转换为自然坐标系下的三维数据，已知运动状态的三轴加速度信息与对应的三维数据构成训练数据，待判别的连续三轴加速度信息与对应的三维数据构成测试数据；

2)构建初始迭代回归树模型，并通过训练数据训练得到具有时序关联的迭代回归树模型；

3)根据时序关联的迭代回归树模型和测试数据中任一待测时刻的前一时刻运动行为确定该待测时刻的各运动行为状态的概率，并根据时序关联的迭代回归树模型和该待测时刻的三轴加速度信息对该待测时刻的运动行为状态进行预测得到该待测时刻的运动行为状态预测结果；

4)通过该待测时刻的各运动行为状态的概率和该待测时刻的运动行为状态预测结果综合判别得到该待测时刻的实际运动行为状态，结合奶牛行为状态的时序性，弥补了迭代决策树在处理具有关联性强的数据表现较差的缺点，进一步的提高了行为判别的准确率。

进一步地，为了准确得到动物的运动行为状态，通过最大概率值确定运动行为状态，步骤4)中将该待测时刻的各运动行为状态的概率和该待测时刻的运动行为状态预测结果进行乘法运算，取最大值对应的行为状态为该待测时刻的实际运动行为状态。

进一步地，为了便于预测分类结果的叠加，该判别方法中所述迭代回归树模型的损失函数为：

L(y,F(x))＝exp[-yF(x)]

式中，y表示奶牛的运动状态，F(x)表示初始迭代回归树模型，x表示经处理后的三轴加速度数据；

为使损失函数最小得到，F^*＝arg minE_x～y[L(y,F(x))]，式中，F*代表指使得损失函数取得其最小值的所有自变量(x,y)的集合，E表示残差的平方和，(x,y)为迭代回归树的训练集；

其中，

式中，h_m(x)为第m棵弱学习者的基础函数，γ_m为步长，M代表决策树棵数。

进一步地，为了获得更好的预测精度，提高模型的计算能力，该判别方法中构建m次迭代产生的模型：F_m(x)＝F_m-1(x)+γ_mh_m(x)，在叠加过程中，选择使损失函数最小的决策树h_m(x)，则m次迭代产生的模型变换为：

通过梯度优化对F_m(x)进行求解，快速下降方向是在当前模型F_m-1中评估的损失函数的负梯度，计算得到可微损失函数：

式中，

表示损失函数的梯度。

附图说明

图1是本发明的基于时序关联分析的动物运动行为判别方法的流程图。

具体实施方式

下面结合附图对本发明做进一步详细的说明。

本发明提供一种基于时序关联分析的动物运动行为判别方法，该方法可以用于多种类型运动行为的判别，但都基于三轴加速度传感器检测的运动数据，本发明以奶牛的运动行为为例，将三轴加速度传感器设置于奶牛右后腿上，实时获取奶牛的快走、慢走、平躺、站立、站立动作与躺卧动作6种不同行为。

采用的基于时序关联分析考虑了奶牛的当前状态是受前一行为状态的影响，如当前状态为“站立动作”，则前一状态应该为“躺卧”，即当前行为是受“时序”影响的。

上述的判别方法是基于时序关联分析和迭代决策树模型融合的判别方法，其中，该判别方法，如图1所示，包括以下步骤：

1)获取动物的已知的连续运动状态和对应的三轴加速度信息，以及待判别的连续三轴加速度信息，将三轴加速度信息转换为自然坐标系下的三维数据，已知运动状态的三轴加速度信息与对应的三维数据构成训练数据，待判别的连续三轴加速度信息与对应的三维数据构成测试数据。

2)构建初始迭代回归树模型，并通过训练数据训练得到迭代回归树模型。

3)根据动物的已知的连续运动行为状态和对应的三轴加速度信息训练得到当前时刻每一个运动状态对应的下一时刻的各运动状态的概率。

4)根据测试数据中任一待测时刻的前一时刻运动行为确定该待测时刻的各运动行为状态的概率，并根据迭代回归树模型对该待测时刻的运动行为状态进行预测得到该待测时刻的运动行为状态预测结果。

5)通过该待测时刻的各运动行为状态的概率和该待测时刻的运动行为状态预测结果综合判别得到该待测时刻的实际运动行为状态。

其中，迭代决策树模型是基于训练数据的，而训练数据为通过三轴加速度传感器可获得奶牛运动的三轴加速度数据(x,y,z)及对应的运动行为状态。

获取奶牛的三轴加速度数据(x,y,z)，将原有的“直角坐标系”的三维数据与转化到“球极坐标系”的三维数据结合，组成六位的特征值向量。

其中，“直角坐标系”的三维数据：

加速传感器x轴与自然坐标系x轴夹角：

加速传感器y轴与自然坐标系y轴夹角：

加速传感器z轴与自然坐标系z轴夹角：

六个特征共同组成新的特征向量：

步骤1)中将采集的三轴加速度数据(x,y,z,α,β,θ)划分为迭代决策树模型和时序关联分析的训练数据和测试数据即训练集和测试集，训练集的三轴加速度数据对应的运动状态为已知的。

进一步的，将随机选取两组奶牛的三轴加速度信息，分别用于模型的训练集与测试集，其中，用于模型的训练集数据，如表1所示，用于模型的测试集数据，如表2所示。

表1

表2

迭代决策树模型由多棵回归决策树共同组成，通过累加所有树的预测结果，得到最终的决策结果，对奶牛运动行为进行智能判别。

决策树分为回归树和分类树，迭代决策树的核心在于将所有树的结果累加来作为最终结果，分类树的分类结果对于预测分类不容易叠加，因此在本发明中建立的模型采用的是回归决策树，即上述迭代回归树模型。

进一步的，迭代回归树的损失函数如下：

L(y,F(x))＝exp[-yF(x)] (6)

式中，y表示奶牛的运动状态，F(x)表示初始迭代回归树模型，x表示经处理后的三轴加速度数据。

进一步的，求使损失函数最小情况下奶牛加速度数据与预测的奶牛运动行为状态：

F^*＝arg min E_x～y[L(y,F(x))] (7)

式中，F^*代表是指使得损失函数取得其最小值的所有自变量(x,y)的集合，E表示残差的平方和，F(x)用来预测奶牛的状态，(x,y)为迭代决策树的训练集。

进一步的，迭代决策树的目标函数如下：

式中，h_m(x)为第m棵弱学习者的基础函数，γ_m为步长，M代表决策树棵数(M＝160)，表示所有树(M棵)预测结果的和。

进一步的，迭代决策树采用将前一个模型的预测结果叠加到当前结果中的方式构建加法模型：

F_m(x)＝F_m-1(x)+γ_mh_m(x) (9)

式中，F_m(x)表示m次迭代产生的模型。

进一步的，在叠加过程中，目的在于使损失函数最小，得到一个最优的树，在叠加过程中，选择使损失函数L最小的决策树h_m(x)，把它添加到当前的F_m-1模型和F_m-1(x_i)中，(将前一个模型的预测结果叠加到当前结果)，展开式如下

进一步的，(10)式中使损失函数最小的h(x)不易求解，采用梯度优化将上面的过程改成可求解的形式，可以通过快速下降来解决最小化问题：快速下降方向是在当前模型F_m-1中评估的损失函数的负梯度，可以计算出任何可微损失函数：

式中，

表示损失函数的梯度。

进一步的，使用线性搜索选择步长γ_m

得到步长γ_m后，将γ_m带入式(11)中，将前一个模型的预测结果叠加到当前结果中构建加法模型。

进一步的，当迭代决策树模型将一组测试集识别分类后，该组已知的行为状态pro将会被存储起来，并以该组状态为基准预测下一组数据将要发生的运动状态。根据大量实验以及奶牛的特点，奶牛运动状态具有时序性，以躺卧、站立动作、站立、慢走、快走、躺卧动作之间的关系，根据动物的已知的连续运动行为状态和对应的三轴加速度信息训练得到当前时刻每一个运动状态对应的下一时刻的各运动状态的概率，当前时刻的状态为pro，则对应下一时刻的各运动状态的概率如下：

进一步的，根据迭代回归树模型对上述下一时刻的运动行为状态进行预测得到该下一时刻的运动行为状态预测结果，即

将

再乘以根据时序关联分析确定的pro，得到：

取发生概率最大的值state所对应的状态为当前奶牛的行为状态，循环此过程，可实现对奶牛6种不同的行为状态的识别。

进一步的，用训练好的“基于时序关联分析”的迭代决策树模型(GBDT模型)对奶牛测试集进行分类，分类结果用混淆矩阵表示如表3所示，分类结果如表4所示。

表3

表4

进一步的，通过观察分类结果及混淆矩阵可知：“基于时序关联分析”的GBDT模型的奶牛运动行为识别在精度、召回率和f1-score都达到了99.5％以上，在610个“测试集”有3个奶牛行为被识别错误，汉明损失仅为0.0049。在识别精度上，仅有“快走”、“慢走”和“站立”三个行为是96％、97％和99％的精度，其他三种行为皆能达到100％的识别效果。综合可知，“基于时序关联分析”的GBDT模型对“快走”、“慢走”、“躺卧”、“站立”、“站立动作”和“躺卧动作”6种奶牛运动行为识别效果俱佳，其鉴别能力可完全胜任现实生产的要求。

以上给出了本发明涉及的具体实施方式，但本发明不局限于所描述的实施方式。在本发明给出的思路下，采用对本领域技术人员而言容易想到的方式对上述实施例中的技术手段进行变换、替换、修改，并且起到的作用与本发明中的相应技术手段基本相同、实现的发明目的也基本相同，这样形成的技术方案是对上述实施例进行微调形成的，这种技术方案仍落入本发明的保护范围内。

Claims (8)

1.一种基于时序关联分析的动物运动行为判别方法，其特征在于，包括以下步骤：

1)获取动物的已知的连续运动状态和对应的三轴加速度信息，以及待判别的连续三轴加速度信息，将三轴加速度信息转换为自然坐标系下的三维数据，已知运动状态的三轴加速度信息与对应的三维数据构成训练数据，待判别的连续三轴加速度信息与对应的三维数据构成测试数据；

2)构建初始迭代回归树模型，并通过训练数据训练得到具有时序关联的迭代回归树模型；

3)根据时序关联的迭代回归树模型和测试数据中任一待测时刻的前一时刻运动行为确定该待测时刻的各运动行为状态的概率，并根据时序关联的迭代回归树模型和该待测时刻的三轴加速度信息对该待测时刻的运动行为状态进行预测得到该待测时刻的运动行为状态预测结果；

4)通过该待测时刻的各运动行为状态的概率和该待测时刻的运动行为状态预测结果综合判别得到该待测时刻的实际运动行为状态。

2.根据权利要求1所述的基于时序关联分析的动物运动行为判别方法，其特征在于，步骤4)中将该待测时刻的各运动行为状态的概率和该待测时刻的运动行为状态预测结果进行乘法运算，取最大值对应的行为状态为该待测时刻的实际运动行为状态。

3.根据权利要求2所述的基于时序关联分析的动物运动行为判别方法，其特征在于，所述迭代回归树模型的损失函数为：

L(y,F(x))＝exp[-yF(x)]

式中，y表示奶牛的运动状态，F(x)表示初始迭代回归树模型，x表示经处理后的三轴加速度数据；

为使损失函数最小得到，F^*＝arg min E_x～y[L(y,F(x))]，式中，F*代表指使得损失函数取得其最小值的所有自变量(x,y)的集合，E表示残差的平方和，(x,y)为迭代回归树的训练集；

其中，

式中，h_m(x)为第m棵弱学习者的基础函数，γ_m为步长，M代表决策树棵数。

4.根据权利要求3所述的基于时序关联分析的动物运动行为判别方法，其特征在于，构建m次迭代产生的模型：F_m(x)＝F_m-1(x)+γ_mh_m(x)，在叠加过程中，选择使损失函数最小的决策树h_m(x)，则m次迭代产生的模型变换为：

通过梯度优化对F_m(x)进行求解，快速下降方向是在当前模型F_m-1中评估的损失函数的负梯度，计算得到可微损失函数：

式中，▽_F表示损失函数的梯度。

5.一种基于时序关联分析的动物运动行为判别装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：

1)获取动物的已知的连续运动状态和对应的三轴加速度信息，以及待判别的连续三轴加速度信息，将三轴加速度信息转换为自然坐标系下的三维数据，已知运动状态的三轴加速度信息与对应的三维数据构成训练数据，待判别的连续三轴加速度信息与对应的三维数据构成测试数据；

2)构建初始迭代回归树模型，并通过训练数据训练得到具有时序关联的迭代回归树模型；

3)根据时序关联的迭代回归树模型和测试数据中任一待测时刻的前一时刻运动行为确定该待测时刻的各运动行为状态的概率，并根据时序关联的迭代回归树模型和该待测时刻的三轴加速度信息对该待测时刻的运动行为状态进行预测得到该待测时刻的运动行为状态预测结果；

4)通过该待测时刻的各运动行为状态的概率和该待测时刻的运动行为状态预测结果综合判别得到该待测时刻的实际运动行为状态。

6.根据权利要求5所述的基于时序关联分析的动物运动行为判别装置，其特征在于，步骤4)中将该待测时刻的各运动行为状态的概率和该待测时刻的运动行为状态预测结果进行乘法运算，取最大值对应的行为状态为该待测时刻的实际运动行为状态。

7.根据权利要求6所述的基于时序关联分析的动物运动行为判别装置，其特征在于，所述迭代回归树模型的损失函数为：

L(y,F(x))＝exp[-yF(x)]

式中，y表示奶牛的运动状态，F(x)表示初始迭代回归树模型，x表示经处理后的三轴加速度数据；

为使损失函数最小得到，F^*＝argminE_x～y[L(y,F(x))]，式中，F*代表指使得损失函数取得其最小值的所有自变量(x,y)的集合，E表示残差的平方和，(x,y)为迭代回归树的训练集；

其中，

式中，h_m(x)为第m棵弱学习者的基础函数，γ_m为步长，M代表决策树棵数。

8.根据权利要求7所述的基于时序关联分析的动物运动行为判别装置，其特征在于，构建m次迭代产生的模型：F_m(x)＝F_m-1(x)+γ_mh_m(x)，在叠加过程中，选择使损失函数最小的决策树h_m(x)，则m次迭代产生的模型变换为：

通过梯度优化对F_m(x)进行求解，快速下降方向是在当前模型F_m-1中评估的损失函数的负梯度，计算得到可微损失函数：

式中，▽_F表示损失函数的梯度。

Images