CN115517664B - 动物体征量测量方法 - Google Patents

动物体征量测量方法 Download PDF

Info

Publication number
CN115517664B
CN115517664B CN202211245514.4A CN202211245514A CN115517664B CN 115517664 B CN115517664 B CN 115517664B CN 202211245514 A CN202211245514 A CN 202211245514A CN 115517664 B CN115517664 B CN 115517664B
Authority
CN
China
Prior art keywords
frequency
action
animal
data
drinking
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.)
Active
Application number
CN202211245514.4A
Other languages
English (en)
Other versions
CN115517664A (zh
Inventor
吴蔺春
刘雨桐
程景春
陈勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Donglian Information Technology Co ltd
Original Assignee
Donglian Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Donglian Information Technology Co ltd filed Critical Donglian Information Technology Co ltd
Priority to CN202211245514.4A priority Critical patent/CN115517664B/zh
Publication of CN115517664A publication Critical patent/CN115517664A/zh
Application granted granted Critical
Publication of CN115517664B publication Critical patent/CN115517664B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/6803—Head-worn items, e.g. helmets, masks, headphones or goggles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6814—Head
    • A61B5/6815—Ear
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/40—Animals
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Pulmonology (AREA)
  • Fuzzy Systems (AREA)
  • Dentistry (AREA)
  • Otolaryngology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及动物体征量测量领域，具体涉及一种动物体征量测量方法，极大地提高了对动物体征量测量的全面性，同时保证了测量的准确度。技术方案概况为：采集动物日常的运动数据，根据对动物的日常动作的实际观察结果将运动数据分类存储，并对数据设置不同的动作分类标签，再将运动数据切分成统一长度建立数据集；通过数据集对三层全连接神经网络进行训练，通过训练后的神经网络对动物的动作进行分类识别，并对不同动作的持续时间进行记录；在动作持续时间内通过基于频域分析的规律性动作频率判断算法测量该动作对应的体征量。本发明适用于对动物体征量的测量。

Description

动物体征量测量方法
技术领域
本发明涉及动物体征量测量领域，具体涉及一种动物体征量测量方法。
背景技术
当前对动物体征量的测量主要通过体温、心率、采食量等。例如CN107157458A公开了一种动物个体采食量与健康状况监测的传感系统，包括RFID耳标识别模块、传感器系统、上位机、通讯设备和PC机，所述传感器系统包括红外传感器、测量动物采食量模块、体温测量模块和心率测量模块，测量动物采食量模块包括一个微型震动传感器，体温测量模块包括一个红外温度传感器，心率测量模块包括一个心率传感器，解决了畜类动物采食量与健康状况的实时、在线检测。但其采集的指标较少，仅通过体温、心率、采食量判断动物的健康状况，对体征量测量不够全面，且准确度不高。
发明内容
本发明的目的是提供一种动物体征量测量方法，从多指标数据出发，并且结合神经网络训练与相关算法对动物的体征量进行测量，极大地提高了对动物体征量测量的全面性，同时提高了测量的准确度。
本发明采取如下技术方案实现上述目的，动物体征量测量方法，所述动物佩戴电子耳标，所述电子耳标内置陀螺仪或加速度传感器，所述陀螺仪或加速度传感器用于采集动物日常的运动数据，根据对动物的日常动作的实际观察结果将运动数据分类存储，并对数据设置不同的动作分类标签，每个分类标签设置对应的类别号，再将运动数据切分成统一长度建立数据集，所述动作分类标签包括：进食、饮水、反刍、运动、休憩；
建立三层全连接神经网络，通过数据集对三层全连接神经网络进行训练；
使用五折交叉验证法选择参数对三层全连接神经网络进行验证，得到优化后的三层全连接神经网络；网络输出运动数据属于不同动作分类的概率，通过求解最大概率对应的类别号分出动作分类结果；
使用时，将网络参数放至服务器，将动物耳标采集的数据输入优化后的三层全连接神经网络对动物的动作进行分类识别，并对不同动作的持续时间进行记录；
在动作持续时间内通过基于频域分析的规律性动作频率判断算法测量该动作对应的体征量，体征量具体包括：呼吸频率、反刍频率、饮水量、进食量、运动量、温度；
基于动物的动作时长与该动作对应的体征量对动物的健康状况进行判断；
所述基于频域分析的规律性动作频率判断算法具体包括时域平滑和频域估计，所述时域平滑具体包括使用卡尔曼平滑算法对动作序列信号进行平滑，减少惯性信号在实际测量中因微小波动引起的信号毛刺，为频域估计提供更光滑的周期信号；
所述频域估计基于傅里叶变换提取信号频域特征，并通过频域幅值分布提取周期信号峰值的重复频率，获得运动频率的估计数值。设置输入信号序列为长度为L的signal数组，则首先通过离散傅里叶变换得到信号的傅里叶系数fft_signal = fft(signal),取一半傅里叶系数计算信号的能量值power_signal=abs(fft_signal(1:L/2)).^2，通过寻找动作频率函数
Figure SMS_1
函数从当前能量值序列估计出动作频率，即为所需的动作频率估计结果。
进一步的是，若识别为休憩动作状态，并且已持续第一阈值时间，则启动呼吸频率估计算法，具体包括：通过电子耳标获取惯性传感数据，使用基于频域分析的规律性动作频率判断算法对惯性数据进行处理，将输出的动作频率作为当前时间的呼吸频率进行输出。
若识别为反刍动作状态，并且已持续第一阈值时间，则启动反刍频率估计算法，具体包括：通过电子耳标获取惯性传感数据，根据惯性信号幅度划分每个草团的咀嚼时长，使用基于频域分析的规律性动作频率判断算法根据草团划分后的咀嚼数据，获取其咀嚼动作的频率，取所有草团的频率均值作为动物当前的反刍频率。
若识别为饮水动作状态，并且持续时间小于第二阈值时间，则判断动物未处于规律性饮水状态，不进行估算；若饮水动作持续时间大于等于第二阈值时间，则记录饮水动作状态下的所有数据直到饮水动作状态切换为其他动作状态，再通过基于频域分析的规律性动作频率判断算法得出估计的饮水频率，用饮水状态持续总时长乘以饮水频率，再乘以单次饮水量，得出动物此次饮水的分量，并统计动物在一天24小时内的总饮水分量输出为动物的日饮水量体征。
若识别为进食动作状态，并且持续时间小于第一阈值时间，则判断动物未处于规律性进食状态，不进行估算；若进食动作持续时间大于等于第一阈值时间，则记录进食动作状态下的所有数据直到进食动作状态切换为其他动作状态，再通过基于频域分析的规律性动作频率判断算法得出估计的进食频率，用进食状态持续总时长乘以进食频率，再乘以单次进食量，得出动物此次进食的分量，并统计动物在一天24小时内的总进食分量输出为动物的日进食量体征。
若识别为运动动作状态，并且持续时间小于第一阈值时间，则不进行估算；则记录运动状态下的所有数据直到运动状态切换为其他动作状态，统计开始和结束时间计算出动物此次的运动时长；统计动物在一天24小时内的总运动时长输出为动物的日运动量体征。
进一步的是，基于动物的动作时长与该动作对应的体征量对动物的健康状况进行判断的具体方法包括：
将采集的动作时长与该动作对应的体征量与标准健康范围的数据进行对比，若动作时长与该动作对应的体征量都在标准健康范围内，则判断健康度为优；若动作时长与该动作对应的体征量与标准健康范围的数据差值在第一阈值范围，则判断健康度为良；若动作时长与该动作对应的体征量与标准健康范围的数据差值超出第一阈值范围，则判断健康度处于不健康状态。
本发明的有益效果为：
本发明根据对动物的日常动作的实际观察结果将运动数据分类存储，并对数据设置不同的动作分类标签，包括进食、饮水、反刍、运动、休憩等，将数据进行精细化分类，并将数据切分成统一长度建立数据集，便于对神经网络进行训练，提高了神经网络识别的动物动作的准确性；
在动作持续时间内通过基于频域分析的规律性动作频率判断算法测量该动作对应的体征量，体征量具体包括：呼吸频率、反刍频率、饮水量、进食量、运动量、温度；基于频域分析的规律性动作频率判断算法提高了体征量计算的准确性。
附图说明
图1 为本发明实施例提供的动物体征量测量的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明所述的动物佩戴电子耳标，所述电子耳标内置陀螺仪或加速度传感器，所述电子耳标内置陀螺仪或加速度传感器，所述陀螺仪或加速度传感器用于采集动物日常的运动数据。
本发明动物体征量测量方法，如图1所示，包括：采集动物日常的运动数据，根据对动物的日常动作的实际观察结果将运动数据分类存储，并对数据设置不同的动作分类标签，再将运动数据切分成统一长度建立数据集，所述动作分类标签包括：进食（类别号1）、饮水（类别号2）、反刍（类别号3）、运动（类别号4）、休憩（类别号5）、其他（0）；
建立三层全连接神经网络
Figure SMS_2
，通过数据集对三层全连接神经网络进行训练；
使用五折交叉验证法选择参数对三层全连接神经网络进行验证，得到优化后的三层全连接神经网络，网络输出运动数据属于不同动作分类的概率，通过求解最大概率对应的类别号分出动作分类结果（cla）：
Figure SMS_3
；
在本发明的一种实施例中，根据圈养的肉牛动作分类结果cla，识别动作特征，见下表（某牛的100次实验数据）:
动作特征 cla（该牛100次实验的众数值） 最容易误分为的类别
休憩 5 3
反刍 3 1
进食 1 2
饮水 2 1
运动 4 2
使用时，将网络参数放至服务器，将动物耳标采集的数据输入优化后的三层全连接神经网络对动物的动作进行分类识别，并对不同动作的持续时间进行记录，具体包括：记录当前动作的开始时间为
Figure SMS_4
，当前动作持续时间/>
Figure SMS_5
（其中，t为当前时间点）；
在动作持续时间内通过基于频域分析的规律性动作频率判断算法测量该动作对应的体征量，体征量具体包括：呼吸频率、反刍频率、饮水量、进食量、运动量、温度；
基于动物的动作时长与该动作对应的体征量对动物的健康状况进行判断，具体包括：将采集的动作时长与该动作对应的体征量与标准健康范围的数据进行对比，若动作时长与该动作对应的体征量都在标准健康范围内，则判断健康度为优；若动作时长与该动作对应的体征量与标准健康范围的数据差值在第一阈值范围，则判断健康度为良；若动作时长与该动作对应的体征量与标准健康范围的数据差值超出第一阈值范围，则判断健康度处于不健康状态。
基于频域分析的规律性动作频率判断算法具体包括时域平滑和频域估计，所述时域平滑具体包括使用卡尔曼平滑算法对动作序列信号进行平滑，减少惯性信号在实际测量中因微小波动引起的信号毛刺，为频域估计提供更光滑的周期信号；
频域估计基于傅里叶变换提取信号频域特征，并通过频域幅值分布提取周期信号峰值的重复频率，获得运动频率的估计数值。设置输入信号序列为长度为L的signal数组，频率估计函数为
Figure SMS_10
。首先通过离散傅里叶变换得到信号的傅里叶系数fft_signal = fft(signal),取一半傅里叶系数计算信号的能量值power_signal=abs(fft_signal(1:L/2)).^2，设计网络/>
Figure SMS_7
实现从能量分布中寻找动作频率点功能，网络包含两个并行的能量传播层/>
Figure SMS_18
与/>
Figure SMS_12
，一个能量特征聚合层/>
Figure SMS_25
与一个预测层/>
Figure SMS_9
。其中，/>
Figure SMS_21
与
Figure SMS_15
分别负责对能量进行两个方向的传播，以方便后续的能量聚合和频率预测，每层包含3个隐藏参数/>
Figure SMS_23
，对输入的power_signal序列/>
Figure SMS_6
，
Figure SMS_17
，/>
Figure SMS_13
，超出序列范围/>
Figure SMS_19
和/>
Figure SMS_16
用0值补足。能量特征聚合层/>
Figure SMS_20
将经/>
Figure SMS_11
层传播的能量特征与原始特征加和，输出聚合后的总能量特征表示：/>
Figure SMS_22
，预测层/>
Figure SMS_14
基于总能量特征，使用全连接神经网络层进行预测，包含n个隐含参数/>
Figure SMS_24
，/>
Figure SMS_8
层输出动作频率，
Figure SMS_26
。通过实际采集与标注的数据真值训练网络，获取其隐藏参数值。将算法从原始信号序列中获取得到动作频率的整体处理过程记为函数/>
Figure SMS_27
。即，从信号 QUOTE/>
Figure SMS_28
/>
Figure SMS_29
中所需的动作频率/>
Figure SMS_30
的估计方法为：
Figure SMS_31
在对动物动作进行分类识别时，若识别为休憩动作状态，并且已持续第一阈值时间，则启动呼吸频率估计算法，具体包括：通过电子耳标获取惯性传感数据，使用基于频域分析的规律性动作频率判断算法对惯性数据进行处理，将输出的动作频率作为当前时间的呼吸频率
Figure SMS_32
进行输出
Figure SMS_33
。
若识别为反刍动作状态，并且已持续第一阈值时间，则启动反刍频率估计算法，具体包括：通过电子耳标获取惯性传感数据，根据惯性信号幅度划分每个草团的咀嚼时长，使用基于频域分析的规律性动作频率判断算法根据草团划分后的咀嚼数据，获取其咀嚼动作的频率，取所有草团的频率均值作为动物当前的反刍频率
Figure SMS_34
：
Figure SMS_35
，其中，N为草团总数，/>
Figure SMS_36
为第i个草团的反刍频率，由
Figure SMS_37
函数估计得到。
若识别为饮水动作状态，并且持续时间小于第二阈值时间，则判断动物未处于规律性饮水状态，不进行估算；若饮水动作持续时间大于等于第二阈值时间（
Figure SMS_38
>thre2，thre2=1min），则记录饮水动作状态下的所有数据直到饮水动作状态切换为其他动作状态，再通过基于频域分析的规律性动作频率判断算法得出估计的饮水频率/>
Figure SMS_39
，用饮水状态持续总时长/>
Figure SMS_40
乘以饮水频率，再乘以单次饮水量（α），得出动物此次饮水的分量，并统计动物在一天24小时内的总饮水分量输出为动物的日饮水量体征/>
Figure SMS_41
，
Figure SMS_42
。
若识别为进食动作状态，并且持续时间小于第一阈值时间，则判断动物未处于规律性进食状态，不进行估算；若进食动作持续时间大于等于第一阈值时间，则记录进食动作状态下的所有数据直到进食动作状态切换为其他动作状态，再通过基于频域分析的规律性动作频率判断算法得出估计的进食频率
Figure SMS_43
，用进食状态持续总时长/>
Figure SMS_44
乘以进食频率，再乘以单次进食量(β)，得出动物此次进食的分量，并统计动物在一天24小时内的总进食分量输出为动物的日进食量体征/>
Figure SMS_45
，/>
Figure SMS_46
。
若识别为运动动作状态，并且持续时间小于第一阈值时间，则不进行估算；则记录运动状态下的所有数据直到运动状态切换为其他动作状态，统计开始和结束时间计算出动物此次的运动时长；统计动物在一天24小时内的总运动时长输出为动物的日运动量体征：
Figure SMS_47
，其中，/>
Figure SMS_48
为24h内第i次运动的时长，24h内共存在M次运动。
本发明以牛为具体实施例，对牛的健康状况进行判断，具体包括：
步骤1.牛动作智能识别
将牛体的日常动作集合定义为“进食、饮水、反刍、运动、休憩、其他”六大类别。采集大量不同牛各动作的耳标传感数据，训练小型快速的分类神经网络实现牛动作的智能识别。步骤如下：
1）数据集采集与标注：
为牛棚中所有牛佩戴上耳标，通过网络实时回传耳标中的惯性传感信息（陀螺仪采集到的三轴加速度）到服务器，根据对牛体动作的实际观察结果将数据切分存储，并给予不同的动作标签（“进食、饮水、反刍、运动、休憩、其他”六类之一）；将不同动作数据切分成统一长度（500），建立数据集。
2）分类网络搭建与训练：
搭建三层全连接神经网络（三层的卷积核数量分别为128,64，6），使用1）中采集的数据集训练网络，使网络学习到牛不同动作之间的惯性数据区分（如‘进食’时头部小幅度上下左右摆动，‘饮水’时较进食存在摆动频率差异，‘休憩’时仅有呼吸幅度，‘反刍’时头部动作较小但比休憩的幅度大，‘运动’时有规律步态等）。网络训练采用SoftMax损失函数进行训练，通过实际训练结果调整寻找最佳的学习率、步长和训练轮次等具体参数。
3）网络评测与使用：
使用五折交叉验证法（随机采用80%数据训练20%数据测试，重复5次取平均）挑选最佳网络训练参数（
Figure SMS_49
最高的网络），得到性能较高的牛动作分类网络。
Figure SMS_50
，其中，/>
Figure SMS_51
为第i次训练的分类性能评测结果。
使用时，将网络参数放至服务器，根据牛耳标上报信息对其动作进行分类，并对不同动作的持续时间进行记时。
步骤2.牛体征测量与估计
牛体征测量包含呼吸频率、反刍频率、饮水量、进食量、运动量、温度等与健康相关的体征。其中，牛体温度直接通过耳标测量获得，呼吸、反刍频率、饮水量、进食量、运动量等分别在牛处于‘休憩’、‘反刍’、‘饮水’、‘进食’、‘运动’动作期间使用算法估计得到。
体征估计中涉及的关键技术为：基于频域分析的规律性动作频率判断算法，通过对规律性动作的频域特征分析得出其可能的动作频率，结合对牛体生理信号的判断分析实现对具体体征的估计。这一算法主要包含时域平滑和频域估计两大步骤。
步骤一：时域平滑步骤。使用卡尔曼平滑算法对动作序列信号进行平滑，减少惯性信号在实际测量中因微小波动引起的信号毛刺，为频域估计提供更光滑的周期信号。
步骤二：频域估计步骤。基于傅里叶变换提取信号频域特征，并通过频域幅值分布提取周期信号峰值的重复频率，获得运动频率的估计数值。假设输入信号序列为长度为L的signal数组，则首先通过离散傅里叶变换得到信号的傅里叶系数fft_signal = fft(signal),取一半傅里叶系数计算信号的能量值power_signal=abs(fft_signal(1:L/2)).^2。通过寻找最大值函数
Figure SMS_52
找到当前能量值最大的频率点，即为所需的动作频率估计结果。根据圈养的肉牛规律性动作所对应能量值power_signal，识别动作特征，见下表（10头牛的100次实验数据）:
动作特征 power_signal范围
休憩 1.136 ~ 1.287
反刍 1.711 ~ 1.768
进食 1.787 ~ 1.799
饮水 1.801 ~ 1.823
运动 2.121 ~ 4.752
各体征的具体估计算法如下。
1）呼吸频率估计算法：
当步骤1中分类器判断牛处于‘休憩’状态且已持续5分钟时，启动呼吸频率估计算法：通过耳标获取1分钟的惯性传感数据，使用‘基于频域分析的规律性动作频率判断算法’进行处理，将输出的动作频率作为当前时间估计的呼吸频率进行输出。
2）反刍频率估计算法：
当步骤1中分类器判断牛处于‘反刍’状态且已持续5分钟时，启动反刍频率估计算法：通过耳标获取惯性传感数据，根据惯性信号幅度划分每个草团的咀嚼时长（牛种约在采食后30-60分钟开始反刍，每个草团重新咀嚼1-2分钟，持续时长约1小时，每天约8小时处于反刍状态，每个草团的咀嚼次数根据牛种不同有各自的健康范围）。使用‘基于频域分析的规律性动作频率判断算法’处理按草团划分后的咀嚼数据，获取其咀嚼动作的频率，取所有草团的频率均值作为牛当前的反刍频率。
3）饮水量估计算法：
当步骤1中分类器判断牛处于‘饮水’状态时，若‘饮水’状态持续时长小于1分钟，则认为牛未处于规律性饮水状态，不进行估算；若‘饮水’状态持续时长大于1分钟，则记录所有数据直至‘饮水’状态切换为其他状态。将饮水持续期间的耳标惯性传感数据输入‘基于频域分析的规律性动作频率判断算法’得出估计的饮水频率；用饮水状态持续总时长乘以饮水频率，再乘以单次饮水量（根据牛种预设的固定值），得出牛此次饮水的分量；统计牛在一天24h内的总饮水分量输出为牛的日饮水量体征。
4）进食量估计算法：
当步骤1中分类器判断牛处于‘进食’状态时，若‘进食’状态持续时长小于5分钟，则认为牛未处于规律性进食状态，不进行估算；若‘进食’状态持续时长大于1分钟，则记录所有数据直至‘进食’状态切换为其他状态。将进食持续期间的耳标惯性传感数据输入‘基于频域分析的规律性动作频率判断算法’得出估计的饮水频率；用进食状态持续总时长乘以进食频率，再乘以单次进食量（根据牛种预设的固定值），得出牛此次进食的分量；统计牛在一天24h内的总进食分量输出为牛的日进食量体征。
5）运动量估计算法：
当步骤1中分类器判断牛处于‘运动’状态时，若‘运动’状态持续时长小于5分钟，则不进行估算；若‘运动’状态持续时长大于1分钟，则记录所有数据直至‘运动’状态切换为其他状态，统计开始和结束时间计算出牛此次的运动时长；统计牛在一天24h内的总运动时长输出为牛的日运动量体征。
步骤3.基于牛体动作与体征的定制化健康度评价系统
系统根据牛种不同设置对应的健康状态的数据范围，如每天的运动时长、休憩时长、进食时长、饮水时长、反刍频率、体温波动范围等。将步骤1中采集到的各动作时长、步骤2中测量或估计到的体征数据与健康范围进行比对，若全部状态均处于健康范围内，则健康度评价为‘优’；若部分状态小量超出范围，则健康度评价为‘良’；若存在某状态大幅度超出范围，则健康度评价为‘不健康’。
此外，系统根据牛的反刍频率单独给出喂食建议。例如，该品种正常的牛反刍每次咀嚼50-60次。如果实际估测的反刍频率小于50，则提示“精细饲料给量过多，并且精细与粗糙饲料比例不合理”；如果超过60，则提示“粗饲料喂食过多，浓缩饲料不足，细饲料与粗饲料的比例不合理”。
下表给出了本发明的测试10头牛10次（共100组）特征的实验验证结果，其中，特征识别正确率为基于频域特征的频率估计算法的估计准确度（估计频率与频率真值相差5%范围内判为正确），数据识别正确率为动作分类网络的分类准确率。
动作特征 测试组数 特征识别正确率 数据识别正确率
休憩（呼吸） 100 100% 97%
反刍 100 98% 94%
进食 100 97% 96%
饮水 100 97% 96%
运动 100 100% 100%
综上所述，本发明极大地提高了对动物体征量测量的全面性，同时保证了测量的准确度。

Claims (5)

1.动物体征量测量方法，其特征在于，所述动物佩戴电子耳标，所述电子耳标内置陀螺仪或加速度传感器，所述陀螺仪或加速度传感器用于采集动物日常的运动数据，根据对动物的日常动作的实际观察结果将运动数据分类存储，并对数据设置不同的动作分类标签，所述动作分类标签包括进食、饮水、反刍、运动、休憩，每个分类标签设置对应的类别号，再将运动数据切分成统一长度建立数据集；
建立三层全连接神经网络，通过数据集对三层全连接神经网络进行训练；
使用五折交叉验证法选择参数对三层全连接神经网络进行验证，得到优化后的三层全连接神经网络；网络输出运动数据属于不同动作分类的概率，通过求解最大概率对应的类别号分出动作分类结果；
使用时，将网络参数放至服务器，将动物耳标采集的数据输入优化后的三层全连接神经网络对动物的动作进行分类识别，并对不同动作的持续时间进行记录；
在动作持续时间内通过基于频域分析的规律性动作频率判断算法测量该动作对应的体征量；
所述基于频域分析的规律性动作频率判断算法具体包括时域平滑和频域估计，所述时域平滑具体包括使用卡尔曼平滑算法对动作序列信号进行平滑，减少惯性信号在实际测量中因微小波动引起的信号毛刺，为频域估计提供更光滑的周期信号；
所述频域估计基于傅里叶变换提取信号频域特征，并通过频域幅值分布提取周期信号峰值的重复频率，获得运动频率的估计数值，设置输入信号序列为长度为L的signal数组，则首先通过离散傅里叶变换得到信号的傅里叶系数fft_signal = fft(signal)，取一半傅里叶系数计算信号的能量值power_signal=abs(fft_signal(1:L/2)).^2，通过寻找动作频率函数从当前能量值序列估计出动作频率，即为所需的动作频率估计结果；
若识别为饮水动作状态，并且持续时间小于第二阈值时间，则判断动物未处于规律性饮水状态，不进行估算；若饮水动作持续时间大于等于第二阈值时间，则记录饮水动作状态下的所有数据直到饮水动作状态切换为其他动作状态，再通过基于频域分析的规律性动作频率判断算法得出估计的饮水频率，用饮水状态持续总时长乘以饮水频率，再乘以单次饮水量，得出动物此次饮水的分量，并统计动物在一天24小时内的总饮水分量输出为动物的日饮水量体征；
若识别为运动动作状态，并且持续时间小于第一阈值时间，则不进行估算；则记录运动状态下的所有数据直到运动状态切换为其他动作状态，统计开始和结束时间计算出动物此次的运动时长；统计动物在一天24小时内的总运动时长输出为动物的日运动量体征。
2.根据权利要求1所述的动物体征量测量方法，其特征在于，体征量具体包括：呼吸频率、反刍频率、饮水量、进食量、运动量、温度。
3.根据权利要求2所述的动物体征量测量方法，其特征在于，若识别为休憩动作状态，并且已持续第一阈值时间，则启动呼吸频率估计算法，具体包括：通过电子耳标获取惯性传感数据，使用基于频域分析的规律性动作频率判断算法对惯性数据进行处理，将输出的动作频率作为当前时间的呼吸频率进行输出。
4.根据权利要求2所述的动物体征量测量方法，其特征在于，若识别为反刍动作状态，并且已持续第一阈值时间，则启动反刍频率估计算法，具体包括：通过电子耳标获取惯性传感数据，根据惯性信号幅度划分每个草团的咀嚼时长，使用基于频域分析的规律性动作频率判断算法根据草团划分后的咀嚼数据，获取其咀嚼动作的频率，取所有草团的频率均值作为动物当前的反刍频率。
5.根据权利要求2所述的动物体征量测量方法，其特征在于，若识别为进食动作状态，并且持续时间小于第一阈值时间，则判断动物未处于规律性进食状态，不进行估算；若进食动作持续时间大于等于第一阈值时间，则记录进食动作状态下的所有数据直到进食动作状态切换为其他动作状态，再通过基于频域分析的规律性动作频率判断算法得出估计的进食频率，用进食状态持续总时长乘以进食频率，再乘以单次进食量，得出动物此次进食的分量，并统计动物在一天24小时内的总进食分量输出为动物的日进食量体征。
CN202211245514.4A 2022-10-12 2022-10-12 动物体征量测量方法 Active CN115517664B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211245514.4A CN115517664B (zh) 2022-10-12 2022-10-12 动物体征量测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211245514.4A CN115517664B (zh) 2022-10-12 2022-10-12 动物体征量测量方法

Publications (2)

Publication Number Publication Date
CN115517664A CN115517664A (zh) 2022-12-27
CN115517664B true CN115517664B (zh) 2023-07-11

Family

ID=84700941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211245514.4A Active CN115517664B (zh) 2022-10-12 2022-10-12 动物体征量测量方法

Country Status (1)

Country Link
CN (1) CN115517664B (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NL2007042C2 (nl) * 2011-07-05 2013-01-08 Nedap Nv Systeem voor het analyseren van een toestand van een dier.
JP6048242B2 (ja) * 2013-03-18 2016-12-21 富士通株式会社 食動作検出装置、食動作検出方法及びプログラム
AT516566A1 (de) * 2014-12-03 2016-06-15 Smartbow Gmbh Verfahren für das Gewinnen von quantifizierten Daten über die Wiederkäutätigkeit
IT201600100910A1 (it) * 2016-10-07 2018-04-07 Univ Degli Studi Padova Metodo per il rilevamento della motilità ruminale in animali da allevamento
CN107752987A (zh) * 2017-09-18 2018-03-06 浙江利尔达物联网技术有限公司 一种牲畜健康情况自动分析方法及系统
CN107692980A (zh) * 2017-09-18 2018-02-16 浙江利尔达物联网技术有限公司 一种牲畜健康情况自动监测分析方法及系统
JP2023543570A (ja) * 2020-09-23 2023-10-17 ヒルズ・ペット・ニュートリシャン・インコーポレーテッド 動物動作監視用システムおよび方法
CN112535113B (zh) * 2020-11-18 2021-12-14 中国农业科学院北京畜牧兽医研究所 智能耳标及智能耳标系统
CN114287361B (zh) * 2022-01-20 2022-12-23 中国农业科学院农业信息研究所 一种牲畜行为监测分析系统及方法

Also Published As

Publication number Publication date
CN115517664A (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
Chelotti et al. A pattern recognition approach for detecting and classifying jaw movements in grazing cattle
Chelotti et al. An online method for estimating grazing and rumination bouts using acoustic signals in grazing cattle
Wang et al. Identification and classification for sheep foraging behavior based on acoustic signal and deep learning
Tian et al. Real-time behavioral recognition in dairy cows based on geomagnetism and acceleration information
CN110169375A (zh) 一种奶牛采食行为与采食量的监测方法及装置
Sheng et al. Construction of sheep forage intake estimation models based on sound analysis
Shen et al. Rumination recognition method of dairy cows based on the change of noseband pressure
Van der Voort et al. Invited review: Toward a common language in data-driven mastitis detection research
Zarjam et al. Detection of newborn EEG seizure using optimal features based on discrete wavelet transform
CN115517664B (zh) 动物体征量测量方法
CN111916096B (zh) 一种基于树莓派的藏羊牧食行为监测方法
Martinez-Rau et al. Real-time acoustic monitoring of foraging behavior of grazing cattle using low-power embedded devices
CN116680595A (zh) 异常奶牛检测方法、装置、电子设备及介质
Sun et al. Behavior recognition and maternal ability evaluation for sows based on triaxial acceleration and video sensors
Milan et al. Survey and future prospects in precision dairy farming
Zhang et al. Food texture estimation from chewing sound analysis
Cubitt et al. Development of an intelligent reasoning system to distinguish hunger states in Rainbow trout (Oncorhynchus mykiss)
Singhal et al. Cattle Collar: An End-to-End Multi-Model Framework for Cattle Monitoring
Sumi et al. Framework of cow calving monitoring system using video images
Martinez-Rau et al. A noise-robust acoustic method for recognizing foraging activities of grazing cattle
CN112201345A (zh) 一种基于运动传感器分析牛只疾病的方法
CN108719122B (zh) 牲畜咀嚼分析方法、装置及电子设备
Konka et al. Automatic classification of eating and ruminating in cattle using a collar mounted accelerometer
Papapanagiotou et al. Bite-weight estimation using commercial ear buds
CN111368676A (zh) 一种数据采集方法、设备及计算机可读存储介质

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