CN112634941A - 基于Logistic回归模型的肉牛反刍声波健康评价方法 - Google Patents
基于Logistic回归模型的肉牛反刍声波健康评价方法 Download PDFInfo
- Publication number
- CN112634941A CN112634941A CN202011486193.8A CN202011486193A CN112634941A CN 112634941 A CN112634941 A CN 112634941A CN 202011486193 A CN202011486193 A CN 202011486193A CN 112634941 A CN112634941 A CN 112634941A
- Authority
- CN
- China
- Prior art keywords
- beef cattle
- rumination
- logistic regression
- health
- regression model
- 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.)
- Pending
Links
- 241000283690 Bos taurus Species 0.000 title claims abstract description 145
- 235000015278 beef Nutrition 0.000 title claims abstract description 140
- 230000022676 rumination Effects 0.000 title claims abstract description 98
- 208000015212 rumination disease Diseases 0.000 title claims abstract description 98
- 230000036541 health Effects 0.000 title claims abstract description 72
- 238000007477 logistic regression Methods 0.000 title claims abstract description 38
- 238000011156 evaluation Methods 0.000 title claims description 15
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000009395 breeding Methods 0.000 claims abstract description 23
- 230000001488 breeding effect Effects 0.000 claims abstract description 23
- 241000282849 Ruminantia Species 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 13
- 210000003026 hypopharynx Anatomy 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 239000008267 milk Substances 0.000 claims description 3
- 235000013336 milk Nutrition 0.000 claims description 3
- 210000004080 milk Anatomy 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 241001465754 Metazoa Species 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 244000144972 livestock Species 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000000214 mouth Anatomy 0.000 description 2
- 210000004767 rumen Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001055 chewing effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013400 design of experiment Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 244000038280 herbivores Species 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000003938 response to stress Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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
- G10L25/21—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being power information
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明是一种基于Logistic回归模型的肉牛反刍声波健康评价方法,尤其涉及通过区分反刍声音频率进行时域划分用以评价肉牛健康状况,属于科学养殖领域,目的是解决通过肉牛声波鉴别肉牛健康状态精度不高的问题;本发明结合反刍数据采集设备获取到反刍声波,结合傅立叶变换算法基于肉牛反刍声波对单一时域的肉牛健康状况进行评价,从而对整个数据采集时段内肉牛健康状况评价,同时结合Logistic回归模型的特性,通过肉牛反刍声波评价肉牛健康状况的基础上进行运用,并利用每段反刍声波时段频率短时平均幅度函数,极大提高了通过肉牛反刍声波判断肉牛健康状况的精度。
Description
技术领域
基于Logistic回归模型的肉牛反刍声波健康评价方法,涉及一种应用于通过肉牛反刍时产生声波评价肉牛健康的方法,属于科学养殖领域。
背景技术
在人类历史进程中,畜牧业有着几千年的历史,在农业当中有着举足轻重的地位,科学技术的发展以及规模化饲养的成型,使得畜牧业越来越朝着精准化方向发展,而在畜牧业当中反刍牲畜的饲养占据着半壁江山,因此对反刍牲畜的研究将对我国畜牧业的发展带来促进作用,对社会的发展有着积极的作用。本次研究主要时针对反刍牲畜的反刍行为进行识别,反刍行为作为反刍牲畜独有的特性能够反映个体的生理状况。反刍牲畜的咀嚼行为包括两种类型,即进食和反刍。其中,反刍是区分反刍动物和非反刍动物的根本属性,是指反刍动物在进食结束一段时间后,将半消化的食物返回到口中再次咀嚼的行为。由于反刍牲畜通常是一些食草性牲畜,采食较为匆忙,大部分食物没有完全咀嚼就被吞咽入瘤胃,而植物纤维通常又难以消化,因此为了保持健康的瘤胃环境,反刍牲畜一生中大部分的时间都在反刍(在口腔内碾磨)。在反刍牲畜的养殖、生产以及科研工作中发现,反刍作为反刍牲畜独特的行为与牲畜本身的生产、繁殖性能、应激反应以及疾病等都存在很强的相关性,也就是说反刍行为在一定程度上能够反映出反刍牲畜的个体生理特征、健康状况和生产水平。
目前主流健康评价算法是语音识别算法,通过区分反刍声音频率进行时域划分用以评价肉牛健康状况,由于肉牛反刍存在不规律性,通过时域划分评价肉牛健康状况误差较大。
本发明所要解决的技术问题在于,通过肉牛声波鉴别肉牛健康状态精度不高的问题。本次研究基于Logistic回归模型的肉牛反刍声波健康评价方法是在通过语音识别技术判别肉牛健康状况的基础上应用Logistic回归模型,将不同时域反刍声波作为影响肉牛健康的影响因子,并且时域反刍声波作为自变量,将通过语音识别技术判别肉牛健康状况的结果为因变量,同时肉牛所处环境做为协变量,然后根据已经有的样本数据,把全时域的反刍声波量化数据带入logistic模型中,最终通过对样本集分析确定肉牛在整个样本时间内健康状况。
现有语音识别技术在识别肉牛健康方面,主要是通过模式匹配进行健康识别,这种算法在实际应用中仅在单一样本集所在的时间健康具备较高的精度,但是并未考虑数据整体样本集时间内肉牛健康的精度,因此对于肉牛真实健康状况评价存在误差。
语音识别技术反刍健康模式匹配中,重点是对采集到的反刍声波进行短时平均幅值函数处理,并且通过大量的肉牛反刍数据采集确定正常肉牛反刍声波的时域和频域,并将正常肉牛反刍声波的时域和频域作为对照标准来判定肉牛反刍健康依据。这种健康评价算法针对一个时间段判断肉牛健康状况精度较好,但是面对肉牛一天平均6-8小时的反刍时长很难做到准确判断肉牛整体的健康状态,同时此方法忽视了肉牛所在的养殖环境,因此很难准确判断健康状况。
发明内容
为了解决通过肉牛声波鉴别肉牛健康状态精度不高的问题,本发明提出一种基于Logistic回归模型的肉牛反刍声波健康评价方法,具体方法步骤如下:
步骤一,采集肉牛反刍模拟语音信号,作为信号输入,将采集的模拟语音信号再进行等间隔选取;
步骤二,用步骤一获得的反刍模拟语音信号转化为数字语音信号,当肉牛反刍时,会产生波形,在此基础上通过分析反刍信号的频域信息采集肉牛反刍的频域信号;
步骤三,将每段反刍声波时段频率短时平均幅度函数作为模型分析的数据样本集,其中数据样本集作为自变量即条件变量,通过变量建立多元Logistic回归模型,并利用该模型对肉牛健康状况进行判定。
进一步地,在步骤一或二中,通过采样使反刍模拟语音信号变成数字语音信号,如下式所示:
S(n)=Sa(nT),-∞<n<∞
其中n为整数,T为采集周期,为后续实验通过相关的声波数据采集部分将不可观测的声波数据变化为可观测的变化数据。
进一步地,在步骤二中,处理肉牛反刍语音信号时,先对反刍语音信号进行频域分析,选用快速傅立叶变换对采集的反刍语音信号进行处理;
选用短时平均幅度函数来处理奶牛反刍信号,肉牛反刍检测算法具体判断标准是:
分为下咽识别、下咽上翻间隙识别、上翻识别和两次反刍间隙识别,其中下咽过程中,下咽和上翻间隙,上翻过程的平均幅度体现的特征,两次反刍间隙不超过三分钟,按照肉牛一天反刍时间可长达8小时,计数值为160次左右,当一天内肉牛反刍计数值低于100时,说明肉牛反刍时间和次数过少证明肉牛不健康,大于140次说明健康,在100-140次之间为状态正常。
进一步地,在步骤三中,建立Logistic回归模型过程细化为:将回归模型的协变量设定为选取肉牛养殖环境,通过归回模型的结果肉牛养殖分为正常和非正常;
因变量是肉牛健康状况,同时在模型建立过程中,通过信号处理的方法得到的肉牛健康状况,并且在多元Logistic回归划划分三等级:一级为健康、二级为正常生长、三级为不健康,进而得到多元Logistic回归公式如下:
其中P为发生的概率;y=1表示一级健康;βi为相关影响因素的估计系数;Xi为肉牛反刍短时平均幅度函数;
通过该模型测算出在所有肉牛数据样本集的时间内肉牛三个等级健康的发生概率,选择概率最高的等级作为肉牛健康状况。
本发明的有益效果体现在:
基于Logistic回归模型的肉牛反刍声波健康评价方法是在语音识别算法基础上开展研究的,因此在技术上继承了语音识别算法的技术优势,同时结合Logistic回归模型的特性,通过肉牛反刍声波评价肉牛健康状况的基础上进行运用,并利用每段反刍声波时段频率短时平均幅度函数,极大提高了通过肉牛反刍声波判断肉牛健康状况的精度;
多元logistic回归模型协变量是肉牛养殖环境,养殖环境评价是按照是以肉牛养殖环境评价报告为主,通过变量选取的是信号处理的方法得到的肉牛健康状况,回归模型样本集可以不断叠加,历史数据与实时获取的数据同时作为多元logistic回归模型自变量,判断肉牛健康状况的准确性和判断评价效率都有显著提高;
处理肉牛反刍语音信号时,先对反刍语音信号进行频域分析,选用快速傅立叶变换对采集的反刍语音信号进行处理。在监测反刍数据中快速傅立叶变换具备较好的实验效果,快速傅立叶变换实际上一种分步解决算法。因此通过快速傅立叶变换对信号进行时域分析方便模版匹配和后期优化,优化方法选取短时平均幅度函数的方法处理肉牛反刍语音信号,取代短时能量函数来表示反刍语音信号能量变化,短时平均幅度处理语音信号表示加窗后的语音信号绝对值之和,相对使用能量处理信号,短时平均幅度降低了复杂程度。
附图说明
图1为基于Logistic回归模型的肉牛反刍声波健康评价方法流程图;
图2为肉牛反刍声波波形示意图;
图3为获取基于语音识别技术评价结果流程图;
图4为肉牛反刍声波健康评价次方法流程图。
具体实施方式
下面结合附图对本发明的实施方式进行详细说明:
具体实施方式一:在通过肉牛反刍语音信号技术处理的基础上,将处理到得到的数据作为影响因子,通过Logistic回归模型将不同时域反刍声波作为自变量因子,将语音信号技术肉牛健康状况的结果为因变量因子,将肉牛养殖环境作为协变量。因为声波时域是分段采集的,所以将声波时域划分为多分类变量,将肉牛所在的养殖环境作为协变量,运用多元Logistic模型,实现对肉牛健康整体预测,实施步骤如下:
步骤1:肉牛反刍声音信号的分析需要采集大量的样本,样本的质量直接影响识别方法的准确率,高质量的样本能够提高识别方法的准确率,因此反刍声音特征的提取中采用声波采集设备获取反刍声波,同时通过设备采集是模拟肉牛反刍的,肉牛反刍具备时段性,因此把模拟信号在时域上进行等间隔选取是采样,通过采样使反刍模拟语音信号变成数字语音信号,如下式所示:
s(n)=sa(nT),-∞<n<∞
其中n为整数,T为采集周期。此步骤主要是为方便后续实验通过相关的声波数据采集部分将不可观测的声波数据变化为可观测的变化数据。
步骤2:在将反刍模拟语音信号变成数字语音信号的基础上,通过分析反刍信号的频域信息,采样频率选择16000Hz,可以保证无失真地采集奶牛反刍的频域信号,当奶牛反刍时,会产生波形,如附图2所示,图中共14s(224000个点),其中3-6s(48000点-96000点)在反刍,6-9s(96000点-144000点)不在反刍,9-13s(144000点-208000点)在反刍。
处理肉牛反刍语音信号时,先对反刍语音信号进行频域分析,选用快速傅立叶变换对采集的反刍语音信号进行处理。在监测反刍数据中快速傅立叶变换具备较好的实验效果,快速傅立叶变换实际上一种分步解决算法。因此通过快速傅立叶变换对信号进行时域分析方便模版匹配和后期优化,优化方法选取短时平均幅度函数的方法处理肉牛反刍语音信号,取代短时能量函数来表示反刍语音信号能量变化,短时平均幅度处理语音信号表示加窗后的语音信号绝对值之和,相对使用能量处理信号,短时平均幅度降低了复杂程度,适合作为反刍信号处理的方法。并选用短时平均幅度函数来处理奶牛反刍信号,并且肉牛反刍检测算法流程就是:下咽识别—下咽上翻间隙识别—上翻识别—两次反刍间隙识别。下咽过程,下咽和上翻间隙,上翻过程的平均幅度都有明显特征。两次反刍间隙一般不超过三分钟,按照肉牛一天反刍时间可长达8小时,计数值为160次左右。当一天内肉牛反刍计数值低于100时,说明肉牛反刍时间和次数过少证明肉牛不健康,大于140次说明健康,在100-140次之间为正常。
步骤3:logistic回归又称logistic回归分析,是一种广义的线性回归分析模型,常用于数据挖掘,在疾病诊断存在较高的应用并且精度较高。本次研究通过将以处理后的肉牛反刍声波时段频率带入logistic回归模型中,并且选取多元logistic回归进行分析,多元Logistic回归由于模型不要求数据的正态分布,因而其参数估计预测结果更准确。在研究中考虑肉牛反刍存在时段特性,因此将每段反刍声波时段频率短时平均幅度函数作为模型分析的数据样本集,其中数据样本集作为自变量即条件变量。协变量选取肉牛养殖环境,由于在实验的设计中,协变量是一个独立变量,协变量是指那些人为很难控制的变量,不为实验者所操纵通常在回归分析中要排除这些因素对结果的影响,因此肉牛养殖环境需要进行评价,肉牛养殖可以分为正常、非正常(判断方法依照肉牛养殖行业通用评价方式,养殖环境通过环评为正常、为通过环评为非正常)。因变量是肉牛健康状况,同时在研究中将信号处理的方法得到的肉牛健康状况,并且在多元Logistic回归依然划分为划分三等级,一级为健康、二级为正常生长(存在疾病风险需重点关注)、三级为不健康。
多元Logistic回归公式如下:
其中P为发生的概率;y=1表示一级健康;βi为相关影响因素的估计系数;Xi为肉牛反刍短时平均幅度函数。
通过该模型可以测算出在所有肉牛数据样本集的时间内肉牛三个等级健康的发生概率,选择概率最高的等级作为肉牛健康状况。
具体实施方式二:除实施方式一步骤三钟所述的语音识别算法,该算法可细化为结合反刍数据采集设备获取到反刍声波,结合傅立叶变换算法基于肉牛反刍声波对单一时域的肉牛健康状况进行评价,对整个数据采集时段内肉牛健康状况评价,在实际应用中更具备推广性;并且其中的语音识别算法在评价肉牛健康状态时不能考虑历史数据,基于Logistic回归模型的肉牛反刍声波健康评价方法是综合历史数据和实时获取的数据进行评价的,因此评价结果更为准确。
具体实施方式三:除实施方式一或二描述的实施例,基于Logistic回归模型的肉牛反刍声波健康评价方法还可衍生出次方法:是通过是对肉牛反刍声音频谱进行特征提取与分析,在获取肉牛反当声音频谱的时域信息后,对肉牛反刍声音时域信号的识别进行算法设计,并通过短时平均过零率对声音信号进行时域处理。然后采用快速傅立叶变换地对反刍声音信号进行频域处理,提取肉牛反刍声音频特征谱段,最后是将获取到的反刍声音频特征谱段与正常肉牛反刍进行对照来判断肉牛健康状态。
以上所述,仅为本发明的具体实施方式,且该实施例只列举涉及交通领域但不仅限于此实施例,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内;因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (4)
1.基于Logistic回归模型的肉牛反刍声波健康评价方法,其特征在于:具体方法步骤如下:
步骤一,采集肉牛反刍模拟语音信号,作为信号输入,将采集的模拟语音信号再进行等间隔选取;
步骤二,用步骤一获得的反刍模拟语音信号转化为数字语音信号,当肉牛反刍时,会产生波形,在此基础上通过分析反刍信号的频域信息采集肉牛反刍的频域信号;
步骤三,将每段反刍声波时段频率短时平均幅度函数作为模型分析的数据样本集,其中数据样本集作为自变量即条件变量,通过变量建立多元Logistic回归模型,并利用该模型对肉牛健康状况进行判定。
2.根据权利要求1所述的基于Logistic回归模型的肉牛反刍声波健康评价方法,其特征在于:在步骤一或二中,通过采样使反刍模拟语音信号变成数字语音信号,如下式所示:
s(n)=Sa(nT),-∞<n<∞
其中n为整数,T为采集周期,为后续实验通过相关的声波数据采集部分将不可观测的声波数据变化为可观测的变化数据。
3.根据权利要求1所述的基于Logistic回归模型的肉牛反刍声波健康评价方法,其特征在于:在步骤二中,处理肉牛反刍语音信号时,先对反刍语音信号进行频域分析,选用快速傅立叶变换对采集的反刍语音信号进行处理;
选用短时平均幅度函数来处理奶牛反刍信号,肉牛反刍检测算法具体判断标准是:
分为下咽识别、下咽上翻间隙识别、上翻识别和两次反刍间隙识别,其中下咽过程中,下咽和上翻间隙,上翻过程的平均幅度体现的特征,两次反刍间隙不超过三分钟,按照肉牛一天反刍时间可长达8小时,计数值为160次左右,当一天内肉牛反刍计数值低于100时,说明肉牛反刍时间和次数过少证明肉牛不健康,大于140次说明健康,在100-140次之间为状态正常。
4.根据权利要求3所述的基于Logistic回归模型的肉牛反刍声波健康评价方法,其特征在于:在步骤三中,建立Logistic回归模型过程细化为:将回归模型的协变量设定为选取肉牛养殖环境,通过归回模型的结果肉牛养殖分为正常和非正常;
因变量是肉牛健康状况,同时在模型建立过程中,通过信号处理的方法得到的肉牛健康状况,并且在多元Logistic回归划划分三等级:一级为健康、二级为正常生长、三级为不健康,进而得到多元Logistic回归公式如下:
其中P为发生的概率;y=1表示一级健康;βi为相关影响因素的估计系数;Xi为肉牛反刍短时平均幅度函数;
通过该模型测算出在所有肉牛数据样本集的时间内肉牛三个等级健康的发生概率,选择概率最高的等级作为肉牛健康状况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011486193.8A CN112634941A (zh) | 2020-12-16 | 2020-12-16 | 基于Logistic回归模型的肉牛反刍声波健康评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011486193.8A CN112634941A (zh) | 2020-12-16 | 2020-12-16 | 基于Logistic回归模型的肉牛反刍声波健康评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112634941A true CN112634941A (zh) | 2021-04-09 |
Family
ID=75313835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011486193.8A Pending CN112634941A (zh) | 2020-12-16 | 2020-12-16 | 基于Logistic回归模型的肉牛反刍声波健康评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634941A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111583962A (zh) * | 2020-05-12 | 2020-08-25 | 南京农业大学 | 一种基于声学分析的羊反刍行为监测方法 |
CN111916096A (zh) * | 2019-05-09 | 2020-11-10 | 南京农业大学 | 一种基于树莓派的藏羊牧食行为监测方法 |
-
2020
- 2020-12-16 CN CN202011486193.8A patent/CN112634941A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111916096A (zh) * | 2019-05-09 | 2020-11-10 | 南京农业大学 | 一种基于树莓派的藏羊牧食行为监测方法 |
CN111583962A (zh) * | 2020-05-12 | 2020-08-25 | 南京农业大学 | 一种基于声学分析的羊反刍行为监测方法 |
Non-Patent Citations (4)
Title |
---|
H. WU: "Research on Cow Rumination Monitoring Based on New Activity Sensor", 《2019 9TH INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND TECHNOLOGY (ICIST)》 * |
张森: "基于可穿戴声压传感器和LoRa网络的奶牛反刍监测系统研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
王莉薇: "基于多源信息感知的奶牛反刍行为可穿戴式监测装置的研究", 《黑龙江畜牧兽医》 * |
郑国生: "基于不同行为时间的奶牛健康状况评价", 《农业工程学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111583962B (zh) | 一种基于声学分析的羊反刍行为监测方法 | |
Carpentier et al. | Automatic cough detection for bovine respiratory disease in a calf house | |
CN110189756A (zh) | 一种用于监测生猪异常声音的方法及系统 | |
Pandeya et al. | Visual object detector for cow sound event detection | |
Tian et al. | Real-time behavioral recognition in dairy cows based on geomagnetism and acceleration information | |
CN103914732A (zh) | 一种反刍动物反刍与吞咽次数的音频识别算法 | |
Liu et al. | Bowel sound detection based on MFCC feature and LSTM neural network | |
CN110265041A (zh) | 一种收集、分析猪的发声行为的方法和系统 | |
CN113947734A (zh) | 一种猪只体征信息采集方法及系统 | |
Wang et al. | A lightweight CNN-based model for early warning in sow oestrus sound monitoring | |
CN112364296A (zh) | 一种基于深度学习的p波到时自动拾取方法 | |
Hagiwara et al. | BEANS: The benchmark of animal sounds | |
Duan et al. | Short-term feeding behaviour sound classification method for sheep using LSTM networks. | |
CN115410711A (zh) | 基于声音信号特征和随机森林的白羽肉鸡健康监测方法 | |
CN115200647A (zh) | 一种水产养殖环境监测管理方法及系统 | |
Wang et al. | Using machine-learning technique for estrus onset detection in dairy cows from acceleration and location data acquired by a neck-tag | |
Porter | Morphological and mating call comparisons in the Bufo valliceps complex | |
Chelotti et al. | Using segment-based features of jaw movements to recognise foraging activities in grazing cattle | |
CN107410082A (zh) | 基于反刍动物鼻羁压力变化的反刍识别方法 | |
Wang et al. | Feeding intake estimation in sheep based on ingestive chewing sounds | |
CN112634941A (zh) | 基于Logistic回归模型的肉牛反刍声波健康评价方法 | |
CN111916096B (zh) | 一种基于树莓派的藏羊牧食行为监测方法 | |
CN116807401A (zh) | 一种肉牛反刍声波监测方法及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210409 |