CN111583962A - 一种基于声学分析的羊反刍行为监测方法 - Google Patents
一种基于声学分析的羊反刍行为监测方法 Download PDFInfo
- Publication number
- CN111583962A CN111583962A CN202010400021.8A CN202010400021A CN111583962A CN 111583962 A CN111583962 A CN 111583962A CN 202010400021 A CN202010400021 A CN 202010400021A CN 111583962 A CN111583962 A CN 111583962A
- Authority
- CN
- China
- Prior art keywords
- rumination
- sheep
- behavior
- duration
- sound
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
Abstract
本发明公开了一种基于声学分析的羊反刍行为监测方法,有助于羊的健康预警,建立智能化养殖模式。它包括以下步骤:(1)下位机实时读取声音信号;(2)以δ为时间间隔,下位机对原始声音信号进行预处理、识别,统计该时间段内羊的反刍次数及反刍行为持续时间;(3)下位机每24小时将统计的信息上传至上位机服务器,上位机服务器将数据存储至数据库中,并根据当日羊信息判断羊只是否处于健康状态,若判断羊处于非健康状态,上位机服务器将该羊编号以短信方式发送至羊场管理员手机。
Description
技术领域
本发明涉及动物声学分析、传感器技术、无线传输技术、自动化控制技术领域。具体讲一种基于智能穿戴设备实时采集、分析羊反刍行为的方法,此方法可对羊的健康状况波动进行提前预警。
背景技术
反刍行为是羊的一个重要消化生理特征,它与羊的健康和生产性能都有一定关系,是衡量羊健康状况的一个重要指标。
反刍行为是指反刍动物在食物消化前将食进的食物再逆出、咀嚼,然后吞咽的连续动作,羊反刍行为发生的次数或持续时间的减少被解释为压力、焦虑、疾病的指标,而反刍行为发生的次数或持续时间的增加与更多的唾液分泌和改善瘤胃健康相关。
羊的反刍行为发生时间不固定,分布在一天中的不定阶段,在放牧状态下,由于羊的分布范围较广,此阶段发生的反刍行为难以被监测。
目前无线通信及传感器技术已经在农业生产领域中得到广泛应用,在无线通信技术的支撑下,可以远程采集羊声音数据,利用声学分析技术自动检测羊各时间段内发生的反刍行为。
无线录音技术快速发展,利用小巧的无线声音传感器可以实时地将羊各状态下产生的声音信号传回到下位机进行处理分析。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是实现羊反刍行为的精准监测,推动羊的福利化、精细化养殖。
(二)本发明的技术方案是
为解决上述问题,本发明提出一种基于声学分析的羊反刍行为监测方法,其特征在于它包括以下步骤(S1至S5):
S1、无线声音传感器实时采集羊各状态下的长时声音信号L(t),将长时声音信号L(t)传输到下位机。
S2、下位机设置运算间隔为δ,对前一时间段内获取的长时声音信号进行预处理、端点检测、反刍行为识别。
S2-1、导入长时声音信号L(t),应用最小均方差对数谱幅度(MMSE-LSA)算法对L(t)进行预处理降噪,预处理降噪后得到的纯净长时信号记为L′(t);
S2-2、对L′(t)进行分帧、加窗处理,将纯净长时声音信号L′(t)分为一帧一帧的短时信号,计算每帧短时信号的短时能量和短时过零率;
短时能量的计算公式为:
式(1)中,En为短时能量,h(n)=ω(n)2,ω(n)2表示窗口函数;
短时过零率的计算公式为:
式(2)中,sgn[x]是符号函数,即:
S2-3、基于上述短时能量和短时过零率将纯净长时声音信号L′(t)分割为静默声音样本和非静默声音样本,设置非静默声音样本集合为C(n),C(n)中存在羊的多种行为信息,包括:咬断牧草声音信号、咀嚼牧草声音信号、反刍回流声音信号、反刍咀嚼声音信号、反刍吞咽声音信号、非加性噪声信号;
S2-4、提取非静默声音样本集合中每个声音信号的重构动态差分小波-梅尔倒谱系数(PDW-MFCC);
步骤S2-4中,提取PDW-MFCC的步骤包括:
S2-4-1、对非静默声音样本集合C(n)中的每个声音样本进行预加重、分帧、加窗处理,预加重对声音在高频部分的损失进行补偿,分帧将连续的声信号分割为短时信号,加窗降低频谱泄露,增强信号之间的连续性,其本质是在声音信号交叠分帧的基础上再乘以一个窗函数;
本发明选用汉明窗作为窗函数,其表达式为:
H(z)=1-αz-1,0.9≤α≤1.0 (4)
式(4)中α表示预加重系数,此处α取0.93;式(5)中,N为窗长;
S2-4-2、对非静默声音样本集合C(n)中的声音样本进行离散小波变换得到频谱函数W(j,k);
W(j,k)的定义为:
式(6)中a、j是尺度因子;b、k是位移因子;ψ(t)是小波函数,ψ*(t)是ψ(t)的共轭形式;
S2-4-3、基于离散小波变换得到的频谱函数W(j,k),通过由16个三角滤波器组成的滤波器组进行平滑并消除谐波;
三角滤波器的频率响应定义为:
S2-4-4、计算每个滤波器组输出的对数能量ds(m),计算公式为:
S2-4-5、离散余弦变换(DCT)可以将ds(m)映射到倒谱域,计算W_MFCC参数,其定义为:
S2-4-5、提取W_MFCC动态差分参数(包括一阶差分和二阶差分)记为DW-MFCC,差分参数的计算公式为:
式(4)中,dt表示第t个一阶差分,Ct表示第t个倒谱系数;
S2-4-6、将W_MFCC与DW-MFCC合并为一个矩阵,对此矩阵进行PCA降维,取累计贡献率在85%以上的特征向量构成PDW-MFCC作为特征参数。
S2-5、基于长短时记忆(LSTM)算法构建羊反刍行为识别模型,自动识别出反刍回流事件及反刍咀嚼事件的发生,并上述两事件统计反刍行为发生次数及反刍行为持续时间;
步骤S2-5中,羊反刍行为识别模型构建的步骤包括:
S2-5-1、识别开始;
S2-5-2、基于声音样本数据集提取的PDW-MFCC特征,通过设置训练集、验证集、测试集,得到表现出色的LSTM分类器;
S2-5-3、LSTM分类器使用过程中,首先提取声音样本的PDW-MFCC特征,送入至LSTM模型中,经由参数运算获得ht输出;
LSTM分类器的具体计算公式为(11)至(16):
ft=σ(Wf[ht-1,PDW_MFCCt]+bf) (11)
it=σ(Wi[ht-1,PDW_MFCCt]+bi) (12)
ot=σ(Wo[ht-1,PDW_MFCCt]+bo) (15)
ht=-ot*tanh(Ct) (16)
S2-5-4、ht可经由SoftMax层转换为各类别的预测概率值,选择概率值最高的类别作为预测类别;
S2-5-5、记录反刍回流、反刍咀嚼声音信号的发生位置,定义反刍回流发生开始至其所伴随的反刍咀嚼事件全部结束为一次反刍行为,每成功识别一次完整的反刍行为,反刍次数累加器数值增1,反刍持续时间累加器记录此次反刍行为的发生持续时间。
S3、下位机以δ为计算周期,通过无线链路将反刍次数累加器及反刍持续时间累加器记录的本次计算过程中的数据传输至上位机进行保存,上位机服务器接收下位机发送的反刍次数及反刍行为持续时间值并记录在羊反刍行为数据库中。
S4、上位机服务器以24小时为周期,从数据库中提取前24小时内获取的反刍次数及反刍行为持续时间数据,形成反刍次数序列RT与反刍行为持续时间序列RD,RT={rt1,rt2,rt3...,rtn},RC={rc1,rc2,rc3...,rcn},其中上位机服务器针对序列RT与RD计算羊在前24小时内的反刍次数与反刍行为持续时间。
S5、上位机服务器对羊反刍次数与反刍行为持续时间信息进行保存与分析,基于日反刍次数、日反刍次数变化、日反刍行为持续时间、日反刍行为持续时间变化百分比建立逻辑回归方程对羊健康状况进行判断,当判断为非健康状态时,上位机服务器将羊只编号以短信方式发送至羊场管理员手机。
步骤S5中,利用逻辑回归分析方法处理日反刍次数、日反刍次数变化、日反刍行为持续时间、日反刍行为持续时间变化百分比,进而评判羊健康状况,逻辑回归分析可以以多个解释变量为条件进行回归分析,逻辑回归的因变量只有0和1两种状态。
优选的,下位机计算所得数据通过无线通讯技术传至上位机服务器进行数据储存于分析。
优选的,基于日反刍次数、日反刍次数变化、日反刍行为持续时间、日反刍行为持续时间变化百分比建立逻辑回归方程对羊健康状况进行判断,当判断为非健康状态时,上位机服务器将羊只编号以短信方式发送至羊场管理员手机。
本发明的有益效果:
本发明可以对活动范围广的放牧式羊日反刍次数和日反刍行为持续时间信息进行实时监测,对判断为非健康状态的羊只进行预警,方便羊场工作人员及时对羊只进行针对性检查,判断其是否存在疾病发作前的预兆,及时进行喂药或者接种疫苗,避免经济损失。
本发明可以对活动范围广的羊反刍行为信息进行实时监测,羊反刍行为信息可以和采食量信息建立关联模型,从而拟合出羊日采食量信息,对放牧草场进行提前规划,避免因过度放牧对草场造成的不可逆转的破坏。
本发明采用下位机在本地对音频数据进行处理,减少了传输的数据量,使数据传输更加稳定,保证实时监测系统的工作效率。
附图说明
图1为本发明方法整体流程图
图2为本发明的工作流程图
图3为本发明声音识别算法流程图
图4为羊一次完整反刍音频时域图
具体实施方式
下面结合附图和实施例,对本发明作进一步的说明。
如图2和图3所示,本发明提供一种羊反刍行为监测方法,它包括以下步骤(S1至S5):
S1、无线声音传感器实时采集羊各状态下的长时声音信号L(t),将长时声音信号L(t)传输到下位机。
S2、下位机设置运算间隔为δ,对前一时间段内获取的长时声音信号进行预处理、端点检测、反刍行为识别。
S2-1、导入长时声音信号L(t),应用最小均方差对数谱幅度(MMSE-LSA)算法对L(t)进行预处理降噪,预处理降噪后得到的纯净长时信号记为L′(t);
S2-2、对L′(t)进行分帧、加窗处理,将纯净长时声音信号L′(t)分为一帧一帧的短时信号,计算每帧短时信号的短时能量和短时过零率;
短时能量的计算公式为:
式(1)中,En为短时能量,h(n)=ω(n)2,ω(n)2表示窗口函数;
短时过零率的计算公式为:
式(2)中,sgn[x]是符号函数,即:
S2-3、基于上述短时能量和短时过零率将纯净长时声音信号L′(t)分割为静默声音样本和非静默声音样本,设置非静默声音样本集合为C(n),C(n)中存在羊的多种行为信息,包括:咬断牧草声音信号、咀嚼牧草声音信号、反刍回流声音信号、反刍咀嚼声音信号、反刍吞咽声音信号、非加性噪声信号;
S2-4、提取非静默声音样本集合中每个声音信号的重构动态差分小波-梅尔倒谱系数(PDW-MFCC);
步骤S2-4中,提取PDW-MFCC的步骤包括:
S2-4-1、对非静默声音样本集合C(n)中的每个声音样本进行预加重、分帧、加窗处理,预加重对声音在高频部分的损失进行补偿,分帧将连续的声信号分割为短时信号,加窗降低频谱泄露,增强信号之间的连续性,其本质是在声音信号交叠分帧的基础上再乘以一个窗函数;
本发明选用汉明窗作为窗函数,其表达式为:
H(z)=1-αz-1,0.9≤α≤1.0 (4)
式(4)中α表示预加重系数,此处α取0.93;式(5)中,N为窗长;
S2-4-2、对非静默声音样本集合C(n)中的声音样本进行离散小波变换得到频谱函数W(j,k);
W(j,k)的定义为:
式(6)中a、j是尺度因子;b、k是位移因子;ψ(t)是小波函数,ψ*(t)是ψ(t)的共轭形式;
S2-4-3、基于离散小波变换得到的频谱函数W(j,k),通过由16个三角滤波器组成的滤波器组进行平滑并消除谐波;
三角滤波器的频率响应定义为:
S2-4-4、计算每个滤波器组输出的对数能量ds(m),计算公式为:
S2-4-5、离散余弦变换(DCT)可以将ds(m)映射到倒谱域,计算W_MFCC参数,其定义为:
S2-4-5、提取W_MFCC动态差分参数(包括一阶差分和二阶差分)记为DW-MFCC,差分参数的计算公式为:
式(4)中,dt表示第t个一阶差分,Ct表示第t个倒谱系数;
S2-4-6、将W_MFCC与DW-MFCC合并为一个矩阵,对此矩阵进行PCA降维,取累计贡献率在85%以上的特征向量构成PDW-MFCC作为特征参数。
S2-5、基于长短时记忆(LSTM)算法构建羊反刍行为识别模型,自动识别出反刍回流事件及反刍咀嚼事件的发生,并上述两事件统计反刍行为发生次数及反刍行为持续时间;
步骤S2-5中,羊反刍行为识别模型构建的步骤包括:
S2-5-1、识别开始;
S2-5-2、基于声音样本数据集提取的PDW-MFCC特征,通过设置训练集、验证集、测试集,得到表现出色的LSTM分类器;
S2-5-3、LSTM分类器使用过程中,首先提取声音样本的PDW-MFCC特征,送入至LSTM模型中,经由参数运算获得ht输出;
LSTM分类器的具体计算公式为(11)至(16):
ft=σ(Wf[ht-1,PDW_MFCCt]+bf) (11)
it=σ(Wi[ht-1,PDW_MFCCt]+bi) (12)
ot=σ(Wo[ht-1,PDW_MFCCt]+bo) (15)
ht=ot*tanh(Ct) (16)
S2-5-4、ht可经由SoftMax层转换为各类别的预测概率值,选择概率值最高的类别作为预测类别;
S2-5-5、记录反刍回流、反刍咀嚼声音信号的发生位置,定义反刍回流发生开始至其所伴随的反刍咀嚼事件全部结束为一次反刍行为,每成功识别一次完整的反刍行为,反刍次数累加器数值增1,反刍持续时间累加器记录此次反刍行为的发生持续时间。
S3、下位机以δ为计算周期,通过无线链路将反刍次数累加器及反刍持续时间累加器记录的本次计算过程中的数据传输至上位机进行保存,上位机服务器接收下位机发送的反刍次数及反刍行为持续时间值并记录在羊反刍行为数据库中。
S4、上位机服务器以24小时为周期,从数据库中提取前24小时内获取的反刍次数及反刍行为持续时间数据,形成反刍次数序列RT与反刍行为持续时间序列RD,RT={rt1,rt2,rt3...,rtn},RC={rc1,rc2,rc3...,rcn},其中上位机服务器针对序列RT与RD计算羊在前24小时内的反刍次数与反刍行为持续时间。
S5、上位机服务器对羊反刍次数与反刍行为持续时间信息进行保存与分析,基于日反刍次数、日反刍次数变化、日反刍行为持续时间、日反刍行为持续时间变化百分比建立逻辑回归方程对羊健康状况进行判断,当判断为非健康状态时,上位机服务器将羊只编号以短信方式发送至羊场管理员手机。
步骤S5中,利用逻辑回归分析方法处理日反刍次数、日反刍次数变化、日反刍行为持续时间、日反刍行为持续时间变化百分比,进而评判羊健康状况,逻辑回归分析可以以多个解释变量为条件进行回归分析,逻辑回归的因变量只有0和1两种状态。
优选的,下位机计算所得数据通过无线通讯技术传至上位机服务器进行数据储存于分析。
优选的,基于日反刍次数、日反刍次数变化、日反刍行为持续时间、日反刍行为持续时间变化百分比建立逻辑回归方程对羊健康状况进行判断,当判断为非健康状态时,上位机服务器将羊只编号以短信方式发送至羊场管理员手机。
Claims (4)
1.一种基于声学分析的羊反刍行为监测方法,其特征在于它包括以下步骤(S1至S5):
S1、无线声音传感器实时采集羊各状态下的长时声音信号L(t),将长时声音信号L(t)传输到下位机。
S2、下位机设置运算间隔为δ,对前一时间段内获取的长时声音信号进行预处理、端点检测、反刍行为识别。
S2-1、导入长时声音信号L(t),应用最小均方差对数谱幅度(MMSE-LSA)算法对L(t)进行预处理降噪,预处理降噪后得到的纯净长时信号记为L′(t);
S2-2、对L′(t)进行分帧、加窗处理,将纯净长时声音信号L′(t)分为一帧一帧的短时信号,计算每帧短时信号的短时能量和短时过零率;
短时能量的计算公式为:
式(1)中,En为短时能量,h(n)=ω(n)2,ω(n)2表示窗口函数;
短时过零率的计算公式为:
式(2)中,sgn[x]是符号函数,即:
S2-3、基于上述短时能量和短时过零率将纯净长时声音信号L′(t)分割为静默声音样本和非静默声音样本,设置非静默声音样本集合为C(n),C(n)中存在羊的多种行为信息,包括:咬断牧草声音信号、咀嚼牧草声音信号、反刍回流声音信号、反刍咀嚼声音信号、反刍吞咽声音信号、非加性噪声信号;
S2-4、提取非静默声音样本集合中每个声音信号的重构动态差分小波-梅尔倒谱系数(PDW-MFCC);
步骤S2-4中,提取PDW-MFCC的步骤包括:
S2-4-1、对非静默声音样本集合C(n)中的每个声音样本进行预加重、分帧、加窗处理,预加重对声音在高频部分的损失进行补偿,分帧将连续的声信号分割为短时信号,加窗降低频谱泄露,增强信号之间的连续性,其本质是在声音信号交叠分帧的基础上再乘以一个窗函数;
本发明选用汉明窗作为窗函数,其表达式为:
H(z)=1-αz-1,0.9≤α≤1.0 (4)
式(4)中α表示预加重系数,此处α取0.93;式(5)中,N为窗长;
S2-4-2、对非静默声音样本集合C(n)中的声音样本进行离散小波变换得到频谱函数W(j,k);
W(j,k)的定义为:
式(6)中a、j是尺度因子;b、k是位移因子;ψ(t)是小波函数,ψ*(t)是ψ(t)的共轭形式;
S2-4-3、基于离散小波变换得到的频谱函数W(j,k),通过由16个三角滤波器组成的滤波器组进行平滑并消除谐波;
三角滤波器的频率响应定义为:
S2-4-4、计算每个滤波器组输出的对数能量ds(m),计算公式为:
S2-4-5、离散余弦变换(DCT)可以将ds(m)映射到倒谱域,计算W_MFCC参数,其定义为:
S2-4-5、提取W_MFCC动态差分参数(包括一阶差分和二阶差分)记为DW-MFCC,差分参数的计算公式为:
式(4)中,dt表示第t个一阶差分,Ct表示第t个倒谱系数;
S2-4-6、将W_MFCC与DW-MFCC合并为一个矩阵,对此矩阵进行PCA降维,取累计贡献率在85%以上的特征向量构成PDW-MFCC作为特征参数。
S2-5、基于长短时记忆(LSTM)算法构建羊反刍行为识别模型,自动识别出反刍回流事件及反刍咀嚼事件的发生,并上述两事件统计反刍行为发生次数及反刍行为持续时间;
步骤S2-5中,羊反刍行为识别模型构建的步骤包括:
S2-5-1、识别开始;
S2-5-2、基于声音样本数据集提取的PDW-MFCC特征,通过设置训练集、验证集、测试集,得到表现出色的LSTM分类器;
S2-5-3、LSTM分类器使用过程中,首先提取声音样本的PDW-MFCC特征,送入至LSTM模型中,经由参数运算获得ht输出;
LSTM分类器的具体计算公式为(11)至(16):
ft=σ(Wf[ht-1,PDW_MFCCt]+bf) (11)
it=σ(Wi[ht-1,PDW_MFCCt]+bi) (12)
ot=σ(Wo[ht-1,PDW_MFCCt]+bo) (15)
ht=ot*tanh(Ct) (16)
S2-5-4、ht可经由SoftMax层转换为各类别的预测概率值,选择概率值最高的类别作为预测类别;
S2-5-5、记录反刍回流、反刍咀嚼声音信号的发生位置,定义反刍回流发生开始至其所伴随的反刍咀嚼事件全部结束为一次反刍行为,每成功识别一次完整的反刍行为,反刍次数累加器数值增1,反刍持续时间累加器记录此次反刍行为的发生持续时间。
S3、下位机以δ为计算周期,通过无线链路将反刍次数累加器及反刍持续时间累加器记录的本次计算过程中的数据传输至上位机进行保存,上位机服务器接收下位机发送的反刍次数及反刍行为持续时间值并记录在羊反刍行为数据库中。
S4、上位机服务器以24小时为周期,从数据库中提取前24小时内获取的反刍次数及反刍行为持续时间数据,形成反刍次数序列RT与反刍行为持续时间序列RD,RT={rt1,rt2,rt3...,rtn},RC={rc1,rc2,rca...,rcn},其中上位机服务器针对序列RT与RD计算羊在前24小时内的反刍次数与反刍行为持续时间。
S5、上位机服务器对羊反刍次数与反刍行为持续时间信息进行保存与分析,基于日反刍次数、日反刍次数变化、日反刍行为持续时间、日反刍行为持续时间变化百分比建立逻辑回归方程对羊健康状况进行判断,当判断为非健康状态时,上位机服务器将羊只编号以短信方式发送至羊场管理员手机。
2.根据权利要求1所述的一种基于声学分析的羊反刍行为监测方法,其特征在于利用逻辑回归分析方法处理日反刍次数、日反刍次数变化、日反刍行为持续时间、日反刍行为持续时间变化百分比,进而评判羊健康状况,逻辑回归分析可以以多个解释变量为条件进行回归分析,逻辑回归的因变量只有0和1两种状态。
3.根据权利要求1所述的一种基于声学分析的羊反刍行为监测方法,其特征在于下位机计算所得数据通过无线通讯技术传至上位机服务器进行数据储存于分析。
4.根据权利要求1所述的一种基于声学分析的羊反刍行为监测方法,其特征在于基于日反刍次数、日反刍次数变化、日反刍行为持续时间、日反刍行为持续时间变化百分比建立逻辑回归方程对羊健康状况进行判断,当判断为非健康状态时,上位机服务器将羊只编号以短信方式发送至羊场管理员手机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010400021.8A CN111583962B (zh) | 2020-05-12 | 2020-05-12 | 一种基于声学分析的羊反刍行为监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010400021.8A CN111583962B (zh) | 2020-05-12 | 2020-05-12 | 一种基于声学分析的羊反刍行为监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111583962A true CN111583962A (zh) | 2020-08-25 |
CN111583962B CN111583962B (zh) | 2021-05-18 |
Family
ID=72112719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010400021.8A Active CN111583962B (zh) | 2020-05-12 | 2020-05-12 | 一种基于声学分析的羊反刍行为监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583962B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112201271A (zh) * | 2020-11-30 | 2021-01-08 | 全时云商务服务股份有限公司 | 一种基于vad的语音状态统计方法、系统和可读存储介质 |
CN112257608A (zh) * | 2020-10-23 | 2021-01-22 | 成都希盟泰克科技发展有限公司 | 一种牦牛养殖健康状态监测方法 |
CN112634941A (zh) * | 2020-12-16 | 2021-04-09 | 哈尔滨航天恒星数据系统科技有限公司 | 基于Logistic回归模型的肉牛反刍声波健康评价方法 |
CN112836607A (zh) * | 2021-01-25 | 2021-05-25 | 河北农业大学 | 一种羊只产期预警的方法 |
CN113095559A (zh) * | 2021-04-02 | 2021-07-09 | 京东数科海益信息科技有限公司 | 出雏时刻预测方法、装置、设备及存储介质 |
CN113297994A (zh) * | 2021-05-31 | 2021-08-24 | 中国航天科工集团第二研究院 | 一种飞行员行为分析方法及系统 |
CN113823295A (zh) * | 2021-10-12 | 2021-12-21 | 青岛农业大学 | 一种通过羊的声音智能识别发情状态的方法 |
CN114208714A (zh) * | 2021-12-01 | 2022-03-22 | 中国科学院亚热带农业生态研究所 | 一种项圈式可佩戴的奶牛反刍行为监测装置 |
CN115136912A (zh) * | 2021-03-31 | 2022-10-04 | 上海海洋大学 | 结合水质参数与行为发声的养殖虾类发病预测方法 |
CN115136912B (zh) * | 2021-03-31 | 2024-05-10 | 上海海洋大学 | 结合水质参数与行为发声的养殖虾类发病预测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4262632A (en) * | 1974-01-03 | 1981-04-21 | Hanton John P | Electronic livestock identification system |
CN103065629A (zh) * | 2012-11-20 | 2013-04-24 | 广东工业大学 | 一种仿人机器人的语音识别系统 |
CN103117059A (zh) * | 2012-12-27 | 2013-05-22 | 北京理工大学 | 一种基于张量分解的语音信号特征提取方法 |
CN103337147A (zh) * | 2013-06-08 | 2013-10-02 | 山东大学 | 一种反刍动物监测系统 |
CN103815983A (zh) * | 2014-03-07 | 2014-05-28 | 东北农业大学 | 奶牛个体反刍行为检测设备 |
CN103914732A (zh) * | 2014-03-17 | 2014-07-09 | 东华大学 | 一种反刍动物反刍与吞咽次数的音频识别算法 |
CN106056106A (zh) * | 2016-07-22 | 2016-10-26 | 内蒙古农业大学 | 一种草原放牧绵羊牧食行为检测系统及其检测方法 |
US20170105958A1 (en) * | 2011-05-26 | 2017-04-20 | Dsm Ip Assets B.V. | Use of a feed composition for reducing methane emission in ruminants, and/or to improve ruminant performance |
CN106778555A (zh) * | 2016-11-30 | 2017-05-31 | 石河子大学 | 一种基于机器视觉的奶牛反刍咀嚼、吞咽次数统计方法 |
CN107205362A (zh) * | 2014-12-03 | 2017-09-26 | 斯马特博有限公司 | 用于获得关于农场动物的信息的方法 |
CN207281968U (zh) * | 2017-10-17 | 2018-04-27 | 西京学院 | 基于反刍检测的动物疾病监测预警系统 |
EP3345476A1 (en) * | 2017-01-04 | 2018-07-11 | IoAgrit Oy | System and method for controlling feeding of ruminating livestock animals |
CN108682433A (zh) * | 2018-06-01 | 2018-10-19 | 四川长虹电器股份有限公司 | 基于mfcc的一阶差分系数的心音类型识别方法 |
CN110728268A (zh) * | 2019-11-29 | 2020-01-24 | 东北农业大学 | 基于决策树分类器与鼻羁压力包络信号的奶牛反刍识别方法 |
-
2020
- 2020-05-12 CN CN202010400021.8A patent/CN111583962B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4262632A (en) * | 1974-01-03 | 1981-04-21 | Hanton John P | Electronic livestock identification system |
US20170105958A1 (en) * | 2011-05-26 | 2017-04-20 | Dsm Ip Assets B.V. | Use of a feed composition for reducing methane emission in ruminants, and/or to improve ruminant performance |
CN103065629A (zh) * | 2012-11-20 | 2013-04-24 | 广东工业大学 | 一种仿人机器人的语音识别系统 |
CN103117059A (zh) * | 2012-12-27 | 2013-05-22 | 北京理工大学 | 一种基于张量分解的语音信号特征提取方法 |
CN103337147A (zh) * | 2013-06-08 | 2013-10-02 | 山东大学 | 一种反刍动物监测系统 |
CN103815983A (zh) * | 2014-03-07 | 2014-05-28 | 东北农业大学 | 奶牛个体反刍行为检测设备 |
CN103914732A (zh) * | 2014-03-17 | 2014-07-09 | 东华大学 | 一种反刍动物反刍与吞咽次数的音频识别算法 |
CN107205362A (zh) * | 2014-12-03 | 2017-09-26 | 斯马特博有限公司 | 用于获得关于农场动物的信息的方法 |
CN106056106A (zh) * | 2016-07-22 | 2016-10-26 | 内蒙古农业大学 | 一种草原放牧绵羊牧食行为检测系统及其检测方法 |
CN106778555A (zh) * | 2016-11-30 | 2017-05-31 | 石河子大学 | 一种基于机器视觉的奶牛反刍咀嚼、吞咽次数统计方法 |
EP3345476A1 (en) * | 2017-01-04 | 2018-07-11 | IoAgrit Oy | System and method for controlling feeding of ruminating livestock animals |
CN207281968U (zh) * | 2017-10-17 | 2018-04-27 | 西京学院 | 基于反刍检测的动物疾病监测预警系统 |
CN108682433A (zh) * | 2018-06-01 | 2018-10-19 | 四川长虹电器股份有限公司 | 基于mfcc的一阶差分系数的心音类型识别方法 |
CN110728268A (zh) * | 2019-11-29 | 2020-01-24 | 东北农业大学 | 基于决策树分类器与鼻羁压力包络信号的奶牛反刍识别方法 |
Non-Patent Citations (2)
Title |
---|
HANG SHENG ET AL: "Construction of sheep forage intake estimation models based on sound analysis", 《BIOSYSTEMS ENGINEERING》 * |
宋颢: "基于声学模型和机器学习的湖羊反刍行为识别系统", 《万方数据知识服务平台》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257608A (zh) * | 2020-10-23 | 2021-01-22 | 成都希盟泰克科技发展有限公司 | 一种牦牛养殖健康状态监测方法 |
CN112201271A (zh) * | 2020-11-30 | 2021-01-08 | 全时云商务服务股份有限公司 | 一种基于vad的语音状态统计方法、系统和可读存储介质 |
CN112201271B (zh) * | 2020-11-30 | 2021-02-26 | 全时云商务服务股份有限公司 | 一种基于vad的语音状态统计方法、系统和可读存储介质 |
CN112634941A (zh) * | 2020-12-16 | 2021-04-09 | 哈尔滨航天恒星数据系统科技有限公司 | 基于Logistic回归模型的肉牛反刍声波健康评价方法 |
CN112836607B (zh) * | 2021-01-25 | 2022-07-22 | 河北农业大学 | 一种羊只产期预警的方法 |
CN112836607A (zh) * | 2021-01-25 | 2021-05-25 | 河北农业大学 | 一种羊只产期预警的方法 |
CN115136912A (zh) * | 2021-03-31 | 2022-10-04 | 上海海洋大学 | 结合水质参数与行为发声的养殖虾类发病预测方法 |
CN115136912B (zh) * | 2021-03-31 | 2024-05-10 | 上海海洋大学 | 结合水质参数与行为发声的养殖虾类发病预测方法 |
CN113095559A (zh) * | 2021-04-02 | 2021-07-09 | 京东数科海益信息科技有限公司 | 出雏时刻预测方法、装置、设备及存储介质 |
CN113095559B (zh) * | 2021-04-02 | 2024-04-09 | 京东科技信息技术有限公司 | 出雏时刻预测方法、装置、设备及存储介质 |
CN113297994A (zh) * | 2021-05-31 | 2021-08-24 | 中国航天科工集团第二研究院 | 一种飞行员行为分析方法及系统 |
CN113297994B (zh) * | 2021-05-31 | 2023-08-18 | 中国航天科工集团第二研究院 | 一种飞行员行为分析方法及系统 |
CN113823295A (zh) * | 2021-10-12 | 2021-12-21 | 青岛农业大学 | 一种通过羊的声音智能识别发情状态的方法 |
CN114208714A (zh) * | 2021-12-01 | 2022-03-22 | 中国科学院亚热带农业生态研究所 | 一种项圈式可佩戴的奶牛反刍行为监测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111583962B (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583962B (zh) | 一种基于声学分析的羊反刍行为监测方法 | |
Chelotti et al. | A real-time algorithm for acoustic monitoring of ingestive behavior of grazing cattle | |
CN110940539B (zh) | 一种基于人工经验及声音识别的机器设备故障诊断方法 | |
CN109243470B (zh) | 基于音频技术的肉鸡咳嗽监测方法 | |
Milone et al. | Automatic recognition of ingestive sounds of cattle based on hidden Markov models | |
CN109044396B (zh) | 一种基于双向长短时记忆神经网络的智能心音识别方法 | |
CN110123367B (zh) | 计算机设备、心音识别装置、方法、模型训练装置及存储介质 | |
CN106847293A (zh) | 设施养殖羊应激行为的声信号监测方法 | |
CN111248859A (zh) | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 | |
CN107799114A (zh) | 一种猪只咳嗽声音识别方法及系统 | |
Liu et al. | Bowel sound detection based on MFCC feature and LSTM neural network | |
CN105336331A (zh) | 基于声音的猪异常行为智能监测方法及智能监测系统 | |
CN115987295A (zh) | 基于物联网的农作物监控数据高效处理方法 | |
CN110189756A (zh) | 一种用于监测生猪异常声音的方法及系统 | |
CN109559761A (zh) | 一种基于深度语音特征的脑卒中风险预测方法 | |
CN112820275A (zh) | 一种基于声音信号分析哺乳仔猪异常的自动监测方法 | |
CN113539294A (zh) | 一种生猪异常状态声音采集及识别方法 | |
CN113069117A (zh) | 一种基于时间卷积神经网络的脑电情绪识别方法及系统 | |
CN111613210A (zh) | 一种各类呼吸暂停综合征的分类检测系统 | |
US20220061694A1 (en) | Lung health sensing through voice analysis | |
Luo et al. | Design of real-time system based on machine learning for snoring and osa detection | |
CN111916096A (zh) | 一种基于树莓派的藏羊牧食行为监测方法 | |
CN114488841B (zh) | 一种智能穿戴设备的数据搜集处理方法 | |
CN112617761B (zh) | 自适应聚点生成的睡眠阶段分期方法 | |
CN113273992B (zh) | 信号处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |