應(yīng)燁偉，曾松偉，趙阿勇，顏菲菲

基于頸環(huán)采集節(jié)點(diǎn)的母羊產(chǎn)前行為識(shí)別方法

應(yīng)燁偉1，曾松偉1※，趙阿勇2，顏菲菲2

（1. 浙江農(nóng)林大學(xué)信息工程學(xué)院，杭州 311300；2. 浙江農(nóng)林大學(xué)動(dòng)物科技學(xué)院，杭州 311300）

針對(duì)目前母羊產(chǎn)前行為監(jiān)測(cè)費(fèi)時(shí)費(fèi)力、精準(zhǔn)度較低、可識(shí)別行為類型單一等問題，以頸環(huán)采集節(jié)點(diǎn)獲得的加速度數(shù)據(jù)為研究對(duì)象，提出了一種基于區(qū)間閾值與遺傳算法優(yōu)化支持向量機(jī)（Genetic Algorithm-Support Vector Machine, GA-SVM）分類模型的母羊產(chǎn)前行為識(shí)別方法。該方法首先對(duì)合加速度數(shù)據(jù)進(jìn)行小波降噪和提取輪廓線預(yù)處理，再利用區(qū)間閾值分類法，識(shí)別出行走、趴臥2種行為。在此基礎(chǔ)上，采用GA-SVM分類模型實(shí)現(xiàn)飲水、采食、反芻3種行為的準(zhǔn)確識(shí)別。試驗(yàn)表明，頸環(huán)采集節(jié)點(diǎn)能夠?qū)崟r(shí)采集和傳輸產(chǎn)前母羊頸部的活動(dòng)信息，并能有效區(qū)分5種產(chǎn)前行為活動(dòng)?？勺R(shí)別行為類型增多，且在適用性方面有了較大提升，平均準(zhǔn)確率達(dá)到97.88%，比傳統(tǒng)的決策樹算法、K最近鄰（K-Nearest Neighbor, KNN）算法、支持向量機(jī)（Support Vector Machine, SVM）算法分別提高了31.26%、21.87%、21.9%。該研究對(duì)建立產(chǎn)前母羊運(yùn)動(dòng)量及健康評(píng)估模型、提高繁殖及工作效率、實(shí)現(xiàn)智能化管理等方面具有十分重要的意義。

識(shí)別；算法；行為；區(qū)間閾值分類；遺傳算法；支持向量機(jī)

0 引 言

肉羊作為中國(guó)太湖平原地區(qū)最重要的家畜之一，具有理想肉質(zhì)、一年二胎、每胎多羔等優(yōu)良特性，懷孕母羊在具有極高經(jīng)濟(jì)價(jià)值的同時(shí)，也極大地促進(jìn)了太湖平原地區(qū)畜牧養(yǎng)殖業(yè)的發(fā)展。隨著近年來肉羊養(yǎng)殖密度的增加，其日常運(yùn)動(dòng)量及生長(zhǎng)環(huán)境均得不到保障，導(dǎo)致難產(chǎn)、流產(chǎn)、發(fā)病數(shù)量急劇上升[1]。母羊在分娩前經(jīng)常伴有食欲減退、起臥頻繁等行為[2]，根據(jù)這些產(chǎn)前行為有助于預(yù)測(cè)分娩時(shí)間；產(chǎn)前母羊的采食、飲水、反芻行為是營(yíng)養(yǎng)物質(zhì)的量化基礎(chǔ)，可用于判斷其生長(zhǎng)及健康狀況[3]；此外，趴臥和行走時(shí)長(zhǎng)從側(cè)面反映了產(chǎn)前母羊的休息和運(yùn)動(dòng)情況，也是判斷其健康狀況的重要途徑之一[4-6]。因此，亟需建立一套智能化監(jiān)測(cè)系統(tǒng)對(duì)母羊產(chǎn)前行為進(jìn)行實(shí)時(shí)監(jiān)測(cè)和精準(zhǔn)識(shí)別，為提升母羊的養(yǎng)殖效益提供一種參考。

隨著信息技術(shù)的發(fā)展，對(duì)動(dòng)物行為的監(jiān)測(cè)方式已經(jīng)從傳統(tǒng)的人為主觀觀測(cè)向自動(dòng)化監(jiān)測(cè)過渡[7]。目前，以各類傳感器為采集工具、以機(jī)器學(xué)習(xí)算法進(jìn)行數(shù)據(jù)分析的動(dòng)物行為分類識(shí)別方案已經(jīng)取得了長(zhǎng)足的發(fā)展[8-11]，且已經(jīng)被廣泛地應(yīng)用[12-17]。劉艷秋等[18]和劉龍申等[19]采用無線三軸加速度采集節(jié)點(diǎn)，基于K均值聚類算法對(duì)動(dòng)物的站立、趴臥等行為進(jìn)行分類識(shí)別，但無監(jiān)督學(xué)習(xí)算法的正確識(shí)別率還有待提高。王俊等[20]基于無線傳感網(wǎng)絡(luò)和半監(jiān)督模糊聚類算法，對(duì)奶牛的采食、趴臥等行為進(jìn)行分類識(shí)別，平均精度和靈敏度分別為53.0%和60.6%。Martiskainen等[21]采用脖頸式固定方式，應(yīng)用支持向量機(jī)（Support Vector Machine, SVM）分類模型，對(duì)奶牛的采食、反芻等運(yùn)動(dòng)行為進(jìn)行識(shí)別，平均識(shí)別精度為78%。任曉惠等[22]使用螢火蟲尋優(yōu)算法優(yōu)化SVM參數(shù)，對(duì)奶牛的反芻、采食、飲水3種行為進(jìn)行識(shí)別，提高了分類算法的適用性，然而其識(shí)別的行為類型較少。Diosdado等[23]使用決策樹分類模型對(duì)奶牛的趴臥、站立、采食行為進(jìn)行識(shí)別，但分類模型的靈敏度和精度仍有提升的空間。王俊等[24]在傳統(tǒng)的分類、聚類算法基礎(chǔ)上，以信息增益為基準(zhǔn)構(gòu)建最優(yōu)二叉決策樹，對(duì)奶牛的6種行為實(shí)現(xiàn)分類識(shí)別，平均準(zhǔn)確率為76.47%。

綜上所述，國(guó)內(nèi)外的行為識(shí)別主要以奶牛、母豬作為研究對(duì)象，鮮有針對(duì)母羊產(chǎn)前行為的相關(guān)研究。此外，已有的行為分類模型由于識(shí)別類型單一，相互之間的差異較明顯，故而易于區(qū)分，然而隨著行為識(shí)別類型的增加，將難以避免地導(dǎo)致正確識(shí)別率的降低。本研究利用頸環(huán)采集節(jié)點(diǎn)，實(shí)時(shí)采集三軸加速度數(shù)據(jù)，針對(duì)行為類型增加時(shí)導(dǎo)致正確識(shí)別率降低的問題，提出了一種基于區(qū)間閾值與遺傳算法優(yōu)化支持向量機(jī)（Genetic Algorithm-Support Vector Machine, GA-SVM）分類模型的母羊產(chǎn)前行為識(shí)別方法，實(shí)現(xiàn)飲水、采食、反芻、行走、趴臥5種行為的分類識(shí)別，為建立產(chǎn)前母羊運(yùn)動(dòng)量及健康評(píng)估模型、預(yù)測(cè)其分娩時(shí)間、人工助產(chǎn)決策等方面提供了理論依據(jù)。

1 材料與方法

1.1 試驗(yàn)場(chǎng)地概況

試驗(yàn)在浙江省湖州市農(nóng)業(yè)科學(xué)研究院某湖羊養(yǎng)殖基地中進(jìn)行。試驗(yàn)羊棚長(zhǎng)50 m、寬10 m，劃分為左右各10個(gè)欄，每個(gè)欄中圈養(yǎng)5只母羊，欄與欄之間的圍墻高1 m、厚0.3 m。從中隨機(jī)挑選10只體型相近、分布離散的產(chǎn)前湖羊作為行為識(shí)別對(duì)象，通過松緊布帶在其頸部下方佩戴頸環(huán)采集節(jié)點(diǎn)，其中5只湖羊作為試驗(yàn)組，另外5只湖羊作為對(duì)照組，用于比較產(chǎn)前湖羊是否會(huì)因?yàn)榕宕黝i環(huán)采集節(jié)點(diǎn)而產(chǎn)生身體抗拒、互相撕咬松緊布帶、剮蹭欄桿等異常行為。

1.1.1 頸環(huán)采集節(jié)點(diǎn)

本研究所使用的數(shù)據(jù)采集裝置為頸環(huán)采集節(jié)點(diǎn)，主要由微處理器、六軸傳感器、無線傳輸模塊、存儲(chǔ)模塊、電源模塊5個(gè)部分組成。微處理器采用意法半導(dǎo)體（STMicroelectronics）集團(tuán)推出的STM32F103RCT6芯片，該款芯片使用ARM Cortex-M3架構(gòu)，LQFP64封裝；六軸傳感器采用InvenSense公司發(fā)布的MPU6050運(yùn)動(dòng)處理組件，其內(nèi)部集成三軸加速度和三軸陀螺儀傳感器。在本試驗(yàn)中通過軟件將加速度的量程設(shè)置為±20 m/s2，角速度的量程設(shè)置為±34.91 rad/s；無線傳輸模塊采用CC2530解決方案，通過印制電路板（Printed Circuit Board, PCB）天線可實(shí)現(xiàn)300 m內(nèi)數(shù)據(jù)的穩(wěn)定傳輸；存儲(chǔ)模塊采用微型安全數(shù)碼卡（Micro Secure Digital Memory Card, MicroSD Card）實(shí)時(shí)存儲(chǔ)數(shù)據(jù)；電源模塊采用德玲達(dá)新能源科技電子廠生產(chǎn)的3.7 V鋰電池，容量為6 800 mA·h，可確保頸環(huán)采集節(jié)點(diǎn)連續(xù)穩(wěn)定工作14 d左右。

頸環(huán)采集節(jié)點(diǎn)尺寸為75 mm×75 mm×25 mm，總質(zhì)量為189 g，采樣頻率設(shè)為10 Hz，整個(gè)節(jié)點(diǎn)封裝在一個(gè)密閉防水塑料盒中，通過松緊布帶固定于產(chǎn)前母羊頸部下方。將節(jié)點(diǎn)所在位置定為三維空間坐標(biāo)原點(diǎn)，則三軸加速度傳感器的軸分別指向母羊正前方、正右方、重力方向。頸環(huán)采集節(jié)點(diǎn)及固定方式如圖1所示。

注：圖1c中，O為三軸加速度傳感器所在位置；X為三軸加速度傳感器的X軸正方向；Y為三軸加速度傳感器的Y軸正方向；Z為三軸加速度傳感器的Z軸正方向。

1.1.2 數(shù)據(jù)采集

本研究設(shè)計(jì)了一套母羊產(chǎn)前行為監(jiān)測(cè)系統(tǒng)，其功能結(jié)構(gòu)如圖2所示。頸環(huán)采集節(jié)點(diǎn)實(shí)時(shí)采集母羊產(chǎn)前的行為加速度信息，通過Zigbee無線傳輸至協(xié)調(diào)器基站，協(xié)調(diào)器基站基于S3C6410控制通用分組無線業(yè)務(wù)（General Packet Radio Service, GPRS）模塊將數(shù)據(jù)傳輸至服務(wù)器后端，服務(wù)器將數(shù)據(jù)存儲(chǔ)于MySQL數(shù)據(jù)庫(kù)，并在HTML網(wǎng)頁(yè)前端及手機(jī)App端進(jìn)行顯示，方便用戶查詢及下載。

圖2 母羊產(chǎn)前行為監(jiān)測(cè)系統(tǒng)功能結(jié)構(gòu)圖

1.1.3 數(shù)據(jù)標(biāo)定

給產(chǎn)前一周左右的母羊佩戴頸環(huán)采集節(jié)點(diǎn)，同時(shí)使用?？低曁峁┑谋O(jiān)控?cái)z像頭和硬盤錄像機(jī)對(duì)母羊的行為進(jìn)行視頻錄制。將監(jiān)控?cái)z像頭與頸環(huán)采集節(jié)點(diǎn)的時(shí)間設(shè)置為同步，通過錄像中母羊表現(xiàn)的行為找到對(duì)應(yīng)時(shí)刻的數(shù)據(jù)進(jìn)行行為標(biāo)定。觀看監(jiān)控錄像發(fā)現(xiàn)，產(chǎn)前母羊的行為主要包括飲水、采食、反芻、行走、趴臥5種，本研究主要針對(duì)這5種行為實(shí)現(xiàn)分類識(shí)別。

在對(duì)5種行為的數(shù)據(jù)進(jìn)行標(biāo)定的過程中發(fā)現(xiàn)，若同種行為的持續(xù)時(shí)間＜5 s，例如，1 s時(shí)間段內(nèi)行走行為的10組數(shù)據(jù)，會(huì)因數(shù)據(jù)量較少而難以進(jìn)行特征提取，且母羊自身顫抖等瞬間行為的干擾也會(huì)隨著標(biāo)定間隔的縮短而增大影響，此外，短時(shí)間內(nèi)不同行為之間的快速變化也難以通過觀看錄像來精確其轉(zhuǎn)變的具體時(shí)刻；而同種行為持續(xù)時(shí)間≥5 s的數(shù)據(jù)，可以有效包含母羊產(chǎn)前行為活動(dòng)的整個(gè)過程，50組及以上的連續(xù)行為數(shù)據(jù)有利于提取特征，并減小了瞬間干擾行為的影響。因此，為保證數(shù)據(jù)的可辨別性、有效性和完整性，保留每種行為持續(xù)時(shí)間≥5 s的標(biāo)定數(shù)據(jù)，舍棄5 s內(nèi)行為發(fā)生變化的標(biāo)定數(shù)據(jù)。

1.2 行為分類算法

本研究采用MATLAB2019b，對(duì)產(chǎn)前母羊飲水、采食、反芻、行走、趴臥5種行為的加速度數(shù)據(jù)進(jìn)行處理和分析；采用Origin Pro 9.0軟件進(jìn)行圖表繪制。

傳統(tǒng)的分類算法包括決策樹算法、K最近鄰（K-Nearest Neighbor, KNN）算法、SVM算法等[25]。僅使用一種分類算法或一種優(yōu)化后的分類算法難以對(duì)5種行為直接進(jìn)行分類識(shí)別。因此，本研究根據(jù)行走、趴臥行為的幅值波動(dòng)特點(diǎn)及飲水、采食、反芻行為的聚類效果，將區(qū)間閾值分類與GA-SVM分類模型相結(jié)合，針對(duì)5種行為進(jìn)行2次分類處理，在增加行為類型的同時(shí)保證較高的準(zhǔn)確率。

1.2.1 區(qū)間閾值分類算法

1）求取合加速度

由劉艷秋等[18]可知，區(qū)分產(chǎn)前母羊的各類行為，加速度的方向并不是判斷的必要條件。為了防止頸環(huán)采集節(jié)點(diǎn)因發(fā)生傾斜而使坐標(biāo)軸偏離理想位置，導(dǎo)致采集的數(shù)據(jù)不準(zhǔn)確，本研究將采集到的三維加速度數(shù)據(jù)合成為一維合加速度數(shù)據(jù)來反映母羊產(chǎn)前行為的整體情況。合加速度（, mm/s2）計(jì)算如式（1）所示：

式中a、a、a分別表示軸的加速度，mm/s2。

2）小波降噪處理

產(chǎn)前母羊自身呼吸、顫抖等因素的干擾會(huì)導(dǎo)致合加速度數(shù)據(jù)存在很多高頻噪聲。為了提高識(shí)別效果，使用MATLAB的小波工具箱，對(duì)合加速度數(shù)據(jù)進(jìn)行降噪平滑處理。常用的小波基函數(shù)包括haar、sym()、db()等，其中均為正整數(shù)。通過對(duì)比試驗(yàn)發(fā)現(xiàn)，haar小波基對(duì)數(shù)據(jù)的降噪效果不明顯且連續(xù)性較差；使用sym()小波基進(jìn)行數(shù)據(jù)降噪后，各行為間的幅值差異較小，難以進(jìn)一步確定分類的區(qū)間閾值；db()小波基對(duì)數(shù)據(jù)進(jìn)行降噪后的曲線較平滑，去掉了較多噪聲，且各行為之間的幅值差異較為明顯。因此本研究最終選擇db5小波基為數(shù)據(jù)降噪的基函數(shù)。

式中代表小波系數(shù)，代表給定閾值。

3）滑動(dòng)窗口提取輪廓線

根據(jù)降噪后加速度數(shù)據(jù)的幅值波動(dòng)特征，對(duì)數(shù)據(jù)添加滑動(dòng)窗口，根據(jù)每個(gè)窗口的波動(dòng)峰值來提取上部輪廓線?；瑒?dòng)窗口的長(zhǎng)度設(shè)定對(duì)最終分類的效果影響較大，長(zhǎng)度過長(zhǎng)會(huì)包含2種行為的幅值特征，長(zhǎng)度過短則會(huì)包含最小幅值特征而達(dá)不到提取上部輪廓線的目的。考慮以上2種情況，結(jié)合加速度數(shù)據(jù)的采樣頻率為10 Hz且每種行為進(jìn)行標(biāo)定的持續(xù)時(shí)間最短為5 s，最終將窗口長(zhǎng)度設(shè)置為50。經(jīng)試驗(yàn)證明，長(zhǎng)度為50的滑動(dòng)窗口可以達(dá)到保留各個(gè)行為幅值特征的同時(shí)提取上部輪廓線的目的。

1.2.2 遺傳算法優(yōu)化支持向量機(jī)（GA-SVM）分類模型

1）可行性分析

由任曉惠等[22]可知，產(chǎn)前母羊飲水、采食、反芻行為的三軸加速度數(shù)據(jù)在空間中基本分成了3團(tuán)獨(dú)立的簇，聚類效果顯著。因此，可以采用SVM算法對(duì)3種行為進(jìn)行分類識(shí)別。SVM分類算法的性能與懲罰參數(shù)和核函數(shù)參數(shù)密切相關(guān)。懲罰參數(shù)表示間隔大小和分類準(zhǔn)確度的權(quán)重，即對(duì)誤差的寬容度。越大，對(duì)誤差的寬容度越小，易導(dǎo)致過擬合；越小，對(duì)誤差的寬容度越大，易導(dǎo)致欠擬合。過大或過小，都會(huì)導(dǎo)致分類模型的泛化能力變差。表示所選核函數(shù)的核參數(shù)，越大，支持向量的數(shù)量越少，訓(xùn)練速度和適用性得到提高，但訓(xùn)練誤差會(huì)增大；越小，支持向量的數(shù)量越多，訓(xùn)練速度和適用性會(huì)下降，但訓(xùn)練誤差會(huì)減小[22]。因此，需要使用優(yōu)化算法尋找SVM的2個(gè)參數(shù)的最優(yōu)解，以達(dá)到加快訓(xùn)練模型收斂速度，提高模型分類性能的目的。

常用的SVM參數(shù)尋優(yōu)算法包括粒子群（Particle Swarm Optimization, PSO）算法、遺傳算法（Genetic Algorithm, GA）、網(wǎng)格搜索（Grid Search, GS）算法等。PSO算法尋優(yōu)時(shí)，收斂速度較快，但對(duì)離散化問題易陷入局部?jī)?yōu)化，不能保證搜索到全局最優(yōu)解；GA尋優(yōu)獨(dú)立于求解域，且優(yōu)化結(jié)果與初始條件無關(guān)，能夠得到優(yōu)化問題的全局最優(yōu)解，然而其收斂速度較慢；GS算法需要遍歷網(wǎng)格中的所有參數(shù)點(diǎn)，相對(duì)而言耗時(shí)最為嚴(yán)重。綜上，為將離散的三軸加速度數(shù)據(jù)進(jìn)行分類，在收斂速度可接受范圍內(nèi)，本次研究使用GA尋找全局最優(yōu)解。

2）支持向量機(jī)（SVM）原理

使用拉格朗日乘子法并在滿足卡羅需-庫(kù)恩-塔克（Karush-Kuhn-Tucker, KKT）條件的情況下將式（3）轉(zhuǎn)化為對(duì)偶問題，所得數(shù)學(xué)表達(dá)式如式（4）所示：

式中α代表第個(gè)約束條件添加的拉格朗日乘子，代表個(gè)拉格朗日乘子的集合，(,,)代表得到的拉格朗日函數(shù)。

使用SVM實(shí)現(xiàn)多分類的方法主要有一對(duì)多法、一對(duì)一法等。一對(duì)多法雖然分類器個(gè)數(shù)較少，分類速度較快，但隨著樣本數(shù)量的增加，訓(xùn)練速度急劇減慢且選擇的訓(xùn)練數(shù)據(jù)易出現(xiàn)樣本不對(duì)稱的情況；一對(duì)一法針對(duì)大樣本量的訓(xùn)練，優(yōu)勢(shì)較為明顯，但當(dāng)分類類別較多時(shí)，分類器數(shù)量增多，代價(jià)較大。本研究因分類類別較少，訓(xùn)練樣本量較大，故選擇一對(duì)一法實(shí)現(xiàn)產(chǎn)前母羊多種行為的分類。

本研究首先采用高斯核函數(shù)將三軸加速度數(shù)據(jù)映射到高維空間中，使其變得線性可分，再采用一對(duì)一法對(duì)飲水、采食、反芻3種行為兩兩組合，共構(gòu)建3個(gè)二分類器。最后將測(cè)試樣本依次輸入3個(gè)二分類器并進(jìn)行投票，將得票數(shù)最多的分類器輸出的結(jié)果作為最終的行為分類結(jié)果。

3）遺傳算法（GA）參數(shù)尋優(yōu)原理

針對(duì)難以尋到SVM懲罰參數(shù)和核函數(shù)參數(shù)全局最優(yōu)解的問題，提出GA優(yōu)化SVM參數(shù)的解決方案。GA是一種將生物進(jìn)化適者生存原理與遺傳學(xué)交叉變異機(jī)制相結(jié)合的啟發(fā)式參數(shù)尋優(yōu)算法[26]。具體算法步驟如下[27-31]：

步驟1：GA參數(shù)初始化。設(shè)置和的取值范圍均為[0, 100]，最大進(jìn)化代數(shù)為100，種群數(shù)量為20，交叉驗(yàn)證次數(shù)為5。

步驟2：編碼。將和進(jìn)行二進(jìn)制編碼，采用40個(gè)二進(jìn)制位表示每個(gè)個(gè)體并隨機(jī)組成初始種群。

步驟3：計(jì)算適應(yīng)度函數(shù)值。將種群中的個(gè)體依次輸入SVM模型中訓(xùn)練，得到交叉驗(yàn)證意義下的準(zhǔn)確率并進(jìn)行線性排序，根據(jù)排序的結(jié)果計(jì)算適應(yīng)度函數(shù)值。每個(gè)個(gè)體適應(yīng)度函數(shù)值的計(jì)算如式（6）所示：

式中Nind代表種群中個(gè)體的數(shù)量，sp代表選擇的壓差，Pos代表每個(gè)個(gè)體排序后在種群中的位置，則適應(yīng)度函數(shù)值越大的個(gè)體遺傳到下一代的概率也越大。

步驟4：選擇。根據(jù)適應(yīng)度函數(shù)值采用輪盤賭算法進(jìn)行“優(yōu)勝劣汰”的選擇操作。

步驟5：交叉。將選擇后的個(gè)體作為父代，按照交叉率進(jìn)行基因重組，產(chǎn)生新的個(gè)體。

步驟6：變異。根據(jù)變異率，隨機(jī)選擇個(gè)體產(chǎn)生變異，形成新的子代。

步驟7：迭代。判斷迭代次數(shù)或適應(yīng)度函數(shù)值是否滿足終止條件。若沒滿足，重復(fù)步驟3~6；若滿足，執(zhí)行步驟8。

步驟8：輸出。最終所得到的具有最大適應(yīng)度的個(gè)體、，即可作為最優(yōu)解輸出。

GA-SVM分類模型比SVM分類模型擁有更合適的和，對(duì)產(chǎn)前母羊的行為分類具有更高的準(zhǔn)確率。

1.3 分類算法性能評(píng)價(jià)

本研究采用混淆矩陣計(jì)算準(zhǔn)確率（Accuracy）、精度（Precision）、靈敏度（Sensitivity）、F1得分（F1-score）4項(xiàng)指標(biāo)，對(duì)分類算法的性能進(jìn)行評(píng)價(jià)。準(zhǔn)確率代表整個(gè)分類模型的正確識(shí)別率；精度表示在預(yù)測(cè)為本行為的所有結(jié)果中，預(yù)測(cè)正確的比例；靈敏度表示在實(shí)際為本行為的所有結(jié)果中，預(yù)測(cè)正確的比例；F1得分是精度和靈敏度加權(quán)平均后的綜合評(píng)價(jià)指標(biāo)。其計(jì)算如式（7）~式（10）所示：

式中TP代表正確分類為本行為的樣本數(shù)，F(xiàn)P代表錯(cuò)誤劃分為本行為的樣本數(shù)，F(xiàn)N代表錯(cuò)誤劃分為其他行為的樣本數(shù)，TN代表正確劃分為其他行為的樣本數(shù)。

采用上述4項(xiàng)性能評(píng)價(jià)指標(biāo)，有利于將本研究提出的分類算法與傳統(tǒng)的分類算法進(jìn)行對(duì)比，為分析其相互之間的差異性及優(yōu)劣勢(shì)提供了理論基礎(chǔ)。

2 結(jié)果與分析

2.1 區(qū)間閾值選取

區(qū)間閾值分類法中閾值的選擇尤為重要。首先選取飲水、采食、反芻、行走、趴臥5種行為連續(xù)20 s的三軸加速度數(shù)據(jù)分別計(jì)算其合加速度，再采用db5小波基函數(shù)對(duì)合加速度數(shù)據(jù)進(jìn)行小波降噪處理，最后根據(jù)每種行為波動(dòng)峰值之間表現(xiàn)出的區(qū)間性，利用長(zhǎng)度為50的滑動(dòng)窗口進(jìn)行上部輪廓線的提取，得到的合加速度曲線如圖3所示，根據(jù)合加速度曲線的幅值波動(dòng)范圍，即可確定行為分類的區(qū)間閾值。

由圖3可知，小波降噪后的合加速度曲線明顯比原始的合加速度曲線更加平滑，有利于進(jìn)一步數(shù)據(jù)分析。對(duì)比5種行為提取輪廓線后的合加速度曲線可知，飲水、采食、反芻3種行為的幅值波動(dòng)范圍均有交集，而行走和趴臥2種行為與其他行為相比，在幅值上存在著明顯的差異，表現(xiàn)出相對(duì)清晰的閾值界限。因此，可以采用區(qū)間閾值分類法將行走和趴臥2種行為先識(shí)別出來，而將飲水、采食、反芻3種行為歸于一類，等待進(jìn)一步處理。

圖3 5種母羊產(chǎn)前行為預(yù)處理后的合加速度曲線比較

不同羊只對(duì)同種行為表現(xiàn)的差異性及同一羊只對(duì)同種行為表現(xiàn)的幅度差異都會(huì)對(duì)閾值的確定產(chǎn)生較大的影響，為了減小這些干擾，在所有產(chǎn)前母羊中隨機(jī)選取每種行為持續(xù)時(shí)長(zhǎng)為20 s的數(shù)據(jù)各20組，再使用上述方法進(jìn)行重復(fù)試驗(yàn)，最終確定行走行為的閾值區(qū)間為（18 800，+∞），趴臥行為的閾值區(qū)間為（?∞, 16 000），飲水、采食、反芻3種行為的閾值區(qū)間為[16 000, 18 800]。

2.2 區(qū)間閾值分類結(jié)果

試驗(yàn)共采集并標(biāo)定了29 150組樣本數(shù)據(jù)，其中飲水行為2 250組，采食行為8 200組，反芻行為3 950組，行走行為2 550組，趴臥行為12 200組。采用預(yù)先設(shè)定的2個(gè)閾值進(jìn)行區(qū)間閾值分類，其結(jié)果如表1所示。3類行為的精度均超過85%，平均精度為96.12%，其中趴臥行為的精度達(dá)到100%，但行走行為的精度較低。3類行為的靈敏度和F1得分均超過90%，且平均靈敏度和平均F1得分分別為98.66%和97.3%。區(qū)間閾值法對(duì)3類行為的分類準(zhǔn)確率達(dá)到98.41%，其對(duì)合加速度數(shù)據(jù)的分類效果如圖4所示。

表1 基于區(qū)間閾值分類算法的行為分類結(jié)果

注：2條橫虛線代表16 000和18 800兩個(gè)區(qū)間閾值；豎向點(diǎn)劃線代表各類行為相互轉(zhuǎn)變時(shí)的臨界時(shí)刻。

由圖4可知，在各個(gè)臨界時(shí)刻，合加速度數(shù)據(jù)出現(xiàn)明顯的跳變，由此可見，區(qū)間閾值分類法對(duì)行走和趴臥2種幅值特征差異較明顯的行為分類效果顯著，但針對(duì)飲水、采食、反芻3種幅值波動(dòng)相近的行為無法直接識(shí)別出來，需要借助GA-SVM算法進(jìn)一步處理。

臨近生產(chǎn)的母羊時(shí)常表現(xiàn)出起臥頻繁、來回走動(dòng)等現(xiàn)象。本研究分類識(shí)別的行走和趴臥2種行為，有助于預(yù)測(cè)其分娩時(shí)間，便于管理人員及時(shí)將孕羊送入待產(chǎn)欄。此外，部分母羊在分娩前會(huì)出現(xiàn)后腿無力、站立困難、喜歡臥地等情況，即典型的產(chǎn)前癱瘓現(xiàn)象。如若置之不理，大部分懷孕母羊都會(huì)衰竭而亡，即使僥幸產(chǎn)下羊羔，羊羔也會(huì)由于先天性的虛弱，導(dǎo)致早死概率增大。本研究分類識(shí)別的趴臥行為，有利于計(jì)算產(chǎn)前母羊的日均趴臥時(shí)長(zhǎng)，對(duì)管理人員及時(shí)發(fā)現(xiàn)癱瘓?jiān)醒虿⒉扇≈委煷胧⑻岣吣秆虻姆敝承实确矫婢哂惺种匾囊饬x。

2.3 遺傳算法優(yōu)化支持向量機(jī)（GA-SVM）分類結(jié)果

在MATLAB2019b中安裝libsvm工具箱作為本次研究的數(shù)據(jù)分析環(huán)境。將14 400組樣本數(shù)據(jù)進(jìn)行[0, 1]范圍的歸一化處理，再以2:1的比例進(jìn)行劃分，即選擇9 600組數(shù)據(jù)構(gòu)成訓(xùn)練集，其余4 800組數(shù)據(jù)構(gòu)成測(cè)試集。為了提高SVM的分類性能，采用GA尋找懲罰參數(shù)和核函數(shù)參數(shù)的全局最優(yōu)解。在初始化GA參數(shù)的過程中，交叉率和變異率的設(shè)定對(duì)尋優(yōu)的收斂速度和最優(yōu)解的質(zhì)量有較大影響。一般交叉率的取值范圍為[0.4, 0.99]，變異率的取值范圍為[0.001, 0.1][32]。本研究首先固定某一交叉率，以0.000 5為步長(zhǎng)改變變異率并進(jìn)行GA尋優(yōu)運(yùn)算；再以0.01為步長(zhǎng)改變交叉率，重復(fù)上述操作。通過該算法試驗(yàn)，最終發(fā)現(xiàn)交叉率和變異率分別為0.95和0.017 5時(shí)的適應(yīng)率結(jié)果最好。GA參數(shù)初始化完成后，其尋找最優(yōu)解的結(jié)果如圖5所示。

注：懲罰參數(shù)c為14.509 4；核函數(shù)參數(shù)g為31.812 7；最佳適應(yīng)率為96.968 8%。

圖5中最佳適應(yīng)率代表每代種群中最優(yōu)個(gè)體的適應(yīng)率，平均適應(yīng)率代表每代種群中所有個(gè)體適應(yīng)率的平均值。由圖5可知，基于最優(yōu)保留策略，最優(yōu)個(gè)體的適應(yīng)率逐漸增加，最終穩(wěn)定在96.968 8%，表明此時(shí)的懲罰參數(shù)和核函數(shù)參數(shù)的組合達(dá)到最優(yōu)的分類性能，即最佳=14.509 4，最佳=31.812 7。將最佳、代入SVM，即可得到最佳的分類模型，再將測(cè)試集的數(shù)據(jù)輸入分類模型進(jìn)行分類預(yù)測(cè)。最終，GA-SVM分類模型對(duì)測(cè)試集分類識(shí)別的結(jié)果如表2所示。

由表2可知，3種行為的精度均超過85%，平均精度為95.44%，其中采食和反芻行為的精度均達(dá)到100%，但飲水行為的精度較低。3種行為靈敏度和F1得分的平均值分別為97.37%和96.19%。GA-SVM算法對(duì)3種行為的分類準(zhǔn)確率達(dá)到97.52%。

表2 基于遺傳算法優(yōu)化支持向量機(jī)分類模型的行為分類結(jié)果

母羊在產(chǎn)前3～8 d左右，由于小羊羔重量較大會(huì)壓迫其腸胃。此時(shí)，妊娠母羊?yàn)榱俗晕艺{(diào)節(jié)，會(huì)出現(xiàn)食欲下降甚至不吃草料等現(xiàn)象。本研究分類識(shí)別的飲水、采食、反芻3種行為，有利于預(yù)測(cè)母羊的生產(chǎn)時(shí)間，為是否需要人工助產(chǎn)等決策提供依據(jù)，間接提高了母羊的順產(chǎn)率。此外，攝食量也從側(cè)面反映了母羊產(chǎn)前的健康狀況，為建立產(chǎn)前母羊健康評(píng)估模型奠定了理論基礎(chǔ)。

表1和表2的試驗(yàn)結(jié)果表明，采用區(qū)間閾值分類與GA-SVM分類模型相結(jié)合的行為分類方法，可以對(duì)母羊產(chǎn)前的飲水、采食、反芻、行走、趴臥5種行為進(jìn)行分類識(shí)別，平均準(zhǔn)確率為97.88%。該方法的F1得分與母羊的運(yùn)動(dòng)幅度有關(guān)，當(dāng)運(yùn)動(dòng)幅度較小時(shí)，F(xiàn)1得分較高；當(dāng)運(yùn)動(dòng)幅度增大時(shí)，F(xiàn)1得分有所下降。此外，該分類方法的精度與樣本量密切相關(guān)，采食、反芻、趴臥行為的樣本量較多，分類精度較高；飲水和行走行為的樣本量較少，分類精度較低。分析原因主要是母羊在懷孕期間日飲水量和運(yùn)動(dòng)量有所下降，導(dǎo)致2種行為的樣本量減少，因此需要獲取更多的飲水行為和行走行為的數(shù)據(jù)進(jìn)行模型訓(xùn)練。

2.4 算法性能比較

在相同的軟件平臺(tái)和計(jì)算機(jī)環(huán)境下，選擇MATLAB2019b的分類學(xué)習(xí)器工具箱并采用傳統(tǒng)的決策樹算法、KNN算法、SVM算法與本研究提出的方法進(jìn)行對(duì)比試驗(yàn)。隨機(jī)抽取29 150組樣本數(shù)據(jù)中的19 300組作為訓(xùn)練集，剩余9 850組作為測(cè)試集，選擇三軸加速度數(shù)據(jù)作為特征向量進(jìn)行有監(jiān)督的模型訓(xùn)練和分類預(yù)測(cè)。3種傳統(tǒng)分類算法的性能對(duì)比如表3所示。

表3 3種傳統(tǒng)分類算法的性能統(tǒng)計(jì)

由表3可知，決策樹算法對(duì)飲水、反芻、行走、趴臥行為的識(shí)別效果不佳；KNN算法對(duì)反芻、趴臥行為的分類效果不理想；SVM算法盡管對(duì)飲水、采食、反芻、趴臥行為的識(shí)別效果較好，但對(duì)行走行為的分類效果偏差。決策樹算法、KNN算法、SVM算法的分類準(zhǔn)確率分別為66.62%、76.01%和75.98%，相較于本研究提出的方法，分別低了31.26%、21.87%和21.9%。分析其原因主要是隨著行為識(shí)別類型的增加，僅使用一種特征向量和分類算法，難以找到一個(gè)最合適的劃分超平面對(duì)多種相似且復(fù)雜的行為進(jìn)行劃分，導(dǎo)致某些行為的正確識(shí)別率無法避免的下降。試驗(yàn)結(jié)果表明，本研究提出的基于區(qū)間閾值與GA-SVM模型的行為分類方法對(duì)母羊產(chǎn)前的飲水、采食、反芻、行走、趴臥5種行為具有更高的正確識(shí)別率。這將為母羊異常行為監(jiān)測(cè)、預(yù)測(cè)其分娩時(shí)間、人工助產(chǎn)決策等方面提供理論依據(jù)。

3 結(jié) 論

1）本研究設(shè)計(jì)了一套基于頸環(huán)采集節(jié)點(diǎn)的母羊產(chǎn)前行為監(jiān)測(cè)系統(tǒng)，實(shí)時(shí)采集并傳輸三軸加速度數(shù)據(jù)，對(duì)建立產(chǎn)前母羊運(yùn)動(dòng)量及健康評(píng)估模型、提高繁殖及工作效率、實(shí)現(xiàn)智能化管理等方面具有十分重要的意義。

2）調(diào)節(jié)松緊布帶的魔術(shù)貼，保證產(chǎn)前母羊佩戴舒適。通過觀察2組產(chǎn)前母羊的監(jiān)控發(fā)現(xiàn)，在佩戴初期，母羊會(huì)出現(xiàn)身體抗拒、互相撕咬松緊布帶、剮蹭欄桿等異常行為。經(jīng)過24 h適應(yīng)期后，2組產(chǎn)前母羊的異常行為基本消失且基本不存在差異性。因此，佩戴此頸環(huán)采集節(jié)點(diǎn)不會(huì)對(duì)母羊的產(chǎn)前行為產(chǎn)生影響。

3）針對(duì)目前母羊產(chǎn)前行為識(shí)別研究較少，且隨著行為識(shí)別類型的增加，正確識(shí)別率隨之降低的問題，提出了一種基于區(qū)間閾值與遺傳算法優(yōu)化支持向量機(jī)（Genetic Algorithm-Support Vector Machine, GA-SVM）分類模型的母羊產(chǎn)前行為識(shí)別方法。引入遺傳算法（Genetic Algorithm, GA）對(duì)支持向量機(jī)（Support Vector Machine, SVM）的懲罰參數(shù)和核函數(shù)參數(shù)進(jìn)行優(yōu)化，最終實(shí)現(xiàn)飲水、采食、反芻、行走、趴臥5種行為的分類識(shí)別，平均準(zhǔn)確率為97.88%，比傳統(tǒng)的決策樹算法、K最近鄰（K-Nearest Neighbor, KNN）算法、SVM算法分別提高了31.26%、21.87%和21.9%。該方法具有規(guī)則簡(jiǎn)單、分類速度快、準(zhǔn)確率高等優(yōu)點(diǎn)，可為提高母羊產(chǎn)前行為分類水平提供參考。

[1] 王翀，楊金勇，夏月峰，等. 浙江省肉牛肉羊產(chǎn)業(yè)分析及養(yǎng)殖現(xiàn)狀調(diào)研[J]. 畜牧與獸醫(yī)，2017，49(3)：111-115.

Wang Chong, Yang Jinyong, Xia Yuefeng, et al. Investigation on industrial analysis and breed aquatics existing state of the cattle and sheep in Zhejiang Province[J]. Animal Husbandry and Veterinary Medicine, 2017, 49(3): 111-115. (in Chinese with English abstract)

[2] 郝彩虹. 母羊分娩和羔羊護(hù)理[J]. 農(nóng)學(xué)學(xué)報(bào)，2010(7)：75-77.

Hao Caihong. Ewe birth and lamb care[J]. Journal of Agriculture, 2010(7): 75-77. (in Chinese with English abstract)

[3] 汪開英，趙曉洋，何勇. 畜禽行為及生理信息的無損監(jiān)測(cè)技術(shù)研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(20)：197-209.

Wang Kaiying, Zhao Xiaoyang, He Yong. Review on noninvasive monitoring technology of poultry behavior and physiological information[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(20): 197-209. (in Chinese with English abstract)

[4] 梁振杰，付曉林. 病羊與健康羊如何識(shí)別[J]. 中國(guó)動(dòng)物保健，2016，18(11)：88.

Liang Zhenjie, Fu Xiaolin. How to identify sick sheep and healthy sheep[J]. China Animal Health, 2016, 18(11): 88. (in Chinese with English abstract)

[5] 宋志偉. 如何從外觀識(shí)別病羊[J]. 河南畜牧獸醫(yī)：綜合版，2016，37(2)：24.

Song Zhiwei. How to identify sick sheep from appearance[J]. Henan Journal of Animal Husbandry and Veterinary Medicine: Comprehensive Edition, 2016, 37(2): 24. (in Chinese with English abstract)

[6] 楊章華. 試論病羊的簡(jiǎn)易識(shí)別及羊場(chǎng)疫病防控要點(diǎn)[J]. 甘肅畜牧獸醫(yī)，2016，46(24)：98-99.

Yang Zhanghua. On the simple identification of sick sheep and the main points of prevention and control of disease on sheep farm[J]. Gansu Journal of Animal Husbandry and Veterinary Medicine, 2016, 46(24): 98-99. (in Chinese with English abstract)

[7] Smith D, Rahman A, Bishop-Hurley G J, et al. Behavior classification of cows fitted with motion collars: Decomposing multi-class classification into a set of binary problems[J]. Computers and Electronics in Agriculture, 2016, 131: 40-50.

[8] 張曦宇，武佩，宣傳忠，等. 基于加速度傳感器的種公羊運(yùn)動(dòng)行為識(shí)別[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2018，23(11)：104-114.

Zhang Xiyu, Wu Pei, Xuan Chuanzhong, et al. Recognition of the movement behavior of stud rams based on acceleration sensor[J]. Journal of China Agricultural University, 2018, 23(11): 104-114. (in Chinese with English abstract)

[9] Gupta R K, Lathwal S S, Ruhil A P, et al. Lameness prediction in Karan Fries cross-bred cows using decision tree models[C]// 2015 2ndInternational Conference on Computing for Sustainable Global Development. New Delhi, India, 2015.

[10] 侯云濤，蔡曉華，吳澤全，等. 奶牛行為特征識(shí)別方法的研究與實(shí)現(xiàn)—基于支持向量機(jī)[J]. 農(nóng)機(jī)化研究，2018，40(8)：36-41.

Hou Yuntao, Cai Xiaohua, Wu Zequan, et al. Research and implementation of cattle behavior character recognition method: Based on support vector machine[J]. Journal of Agricultural Mechanization Research, 2018, 40(8): 36-41. (in Chinese with English abstract)

[11] 陳春玲，楊天嬌，郭雷，等. 支持向量機(jī)在舍飼肉牛反芻行為分析中的應(yīng)用[J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2017，48(6)：751-756.

Chen Chunling, Yang Tianjiao, Guo Lei, et al. Application of SVM in cattle ruminant behavior analysis[J]. Journal of Shenyang Agricultural University, 2017, 48(6): 751-756. (in Chinese with English abstract)

[12] 閆麗，沈明霞，姚文，等. 基于MPU6050傳感器的哺乳期母豬姿態(tài)識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(5)：279-285.

Yan Li, Shen Mingxia, Yao Wen, et al. Recognition method of lactating sows' posture based on sensor MPU6050[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(5): 279-285. (in Chinese with English abstract)

[13] Abell K M, Theurer M E, Larson R L, et al. Predicting bull behavior events in a multiple-sire pasture with video analysis, accelerometers, and classification algorithms[J]. Computers and Electronics in Agriculture, 2017, 136: 221-227.

[14] Shahriar M S, Smith D, Rahman A, et al. Detecting heat events in dairy cows using accelerometers and unsupervised learning[J]. Computers and Electronics in Agriculture, 2016, 128: 20-26.

[15] Rombach M, Münger A, Niederhauser J, et al. Evaluation and validation of an automatic jaw movement recorder (RumiWatch) for ingestive and rumination behaviors of dairy cows during grazing and supplementation[J]. Journal of Dairy Science, 2018, 101(3): 1-13.

[16] Smith D, Dutta R, Hellicar A, et al. Bag of class posteriors, a new multivariate time series classifier applied to animal behaviour identification[J]. Expert Systems with Applications, 2015, 42(7): 3774-3784.

[17] Mathie M J, Celler B G, Lovell N H, et al. Classification of basic daily movements using a triaxial accelerometer[J]. Medical & Biological Engineering & Computing, 2004, 42(5): 679-687.

[18] 劉艷秋，武佩，張麗娜，等. 母羊產(chǎn)前行為特征分析與識(shí)別—基于可穿戴檢測(cè)裝置構(gòu)架[J]. 農(nóng)機(jī)化研究，2017，39(9)：163-168.

Liu Yanqiu, Wu Pei, Zhang Lina, et al. Feature analysis and recognition of ewe's behavior prior to delivery—Based on a wearable detection device architecture[J]. Journal of Agricultural Mechanization Research, 2017, 39(9): 163-168. (in Chinese with English abstract)

[19] 劉龍申，沈明霞，姚文，等. 基于加速度傳感器的母豬產(chǎn)前行為特征采集與分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(3)：192-196.

Liu Longshen, Shen Mingxia, Yao Wen, et al. Acquisition and analysis of sows' behavior before farrowing based on acceleration sensor[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(3): 192-196. (in Chinese with English abstract)

[20] 王俊，譚驥，張海洋，等. 基于半監(jiān)督模糊聚類算法的奶牛行為判別系統(tǒng)[J]. 中國(guó)畜牧獸醫(yī)，2018，45(11)：3112-3121.

Wang Jun, Tan Ji, Zhang Haiyang, et al. A cow behavior classification system based on semi-supervised fuzzy clustering algorithm[J]. China Animal Husbandry & Veterinary Medicine, 2018, 45(11): 3112-3121. (in Chinese with English abstract)

[21] Martiskainen P, J?rvinen M, Sk?n J P, et al. Cow behaviour pattern recognition using a three-dimensional accelerometer and support vector machines[J]. Applied Animal Behaviour Science, 2009, 119(1): 32-38.

[22] 任曉惠，劉剛，張淼，等. 基于支持向量機(jī)分類模型的奶牛行為識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50(增刊1)：290-296.

Ren Xiaohui, Liu Gang, Zhang Miao, et al. Dairy cattle's behavior recognition method based on support vector machine classification model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(Supp.1): 290-296. (in Chinese with English abstract)

[23] Diosdado J A V, Barker Z E, Hodges H R, et al. Classification of behaviour in housed dairy cows using an accelerometer-based activity monitoring system[J]. Animal Biotelemetry, 2015, 3(1): 15-28.

[24] 王俊，張海洋，趙凱旋，等. 基于最優(yōu)二叉決策樹分類模型的奶牛運(yùn)動(dòng)行為識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(18)：202-210.

Wang Jun, Zhang Haiyang, Zhao Kaixuan, et al. Cow movement behavior classification based on optimal binary decision-tree classification model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(18): 202-210. (in Chinese with English abstract)

[25] 周英，卓金武，卞月青. 大數(shù)據(jù)挖掘：系統(tǒng)方法與實(shí)例分析[M]. 北京：機(jī)械工業(yè)出版社，2016：153-185.

[26] 王小川，史峰，郁磊，等. MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M]. 北京：北京航空航天大學(xué)出版社，2013：127-136.

[27] 李書玲，劉蓉，張?chǎng)虤J，等. 基于改進(jìn)型SVM算法的語(yǔ)音情感識(shí)別[J]. 計(jì)算機(jī)應(yīng)用，2013，33(7)：1938-1941.

Li Shuling, Liu Rong, Zhang Liuqin, et al. Speech emotion recognition algorithm based on modified SVM[J]. Journal of Computer Applications, 2013, 33(7): 1938-1941. (in Chinese with English abstract)

[28] 蘇軍，饒?jiān)?，張敬堯，? 基于GA優(yōu)化SVM的干制紅棗品種分類方法[J]. 洛陽(yáng)理工學(xué)院學(xué)報(bào)：自然科學(xué)版，2018，28(4)：65-69，93.

Su Jun, Rao Yuan, Zhang Jingyao, et al. Study on classification method of jujube varieties based on GA optimized SVM[J]. Journal of Luoyang Institute of Science and Technology: Natural Science Edition, 2018, 28(4): 65-69, 93. (in Chinese with English abstract)

[29] 邱昌桂，孔蘭芬，楊式華，等. 基于GA-SVM算法的烤煙香型自動(dòng)識(shí)別研究[J]. 煙草科技，2019，52(2)：101-108.

Qiu Changgui, Kong Lanfen, Yang Shihua, et al. Automatic recognition of flavor types of flue-cured tobacco based on GA-SVM algorithm[J]. Tobacco Science & Technology, 2019, 52(2): 101-108. (in Chinese with English abstract)

[30] 孫波，梁勇，漢牟田，等. 基于GA-SVM的GNSS-IR土壤濕度反演方法[J]. 北京航空航天大學(xué)學(xué)報(bào)，2019，45(3)：486-492.

Sun Bo, Liang Yong, Han Mutian, et al. GNSS-IR soil moisture inversion method based on GA-SVM[J]. Journal of Beijing University of Aeronautics and Astronautics, 2019, 45(3): 486-492. (in Chinese with English abstract)

[31] 張成梁，李蕾，董全成，等. 基于GA-SVM模型的機(jī)采籽棉雜質(zhì)識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(24)：189-196.

Zhang Chengliang, Li Lei, Dong Quancheng, et al. Recognition for machine picking seed cotton impurities based on GA-SVM model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(24): 189-196. (in Chinese with English abstract)

[32] 黎鈞琪，石國(guó)楨. 遺傳算法交叉率與變異率關(guān)系的研究[J]. 武漢理工大學(xué)學(xué)報(bào)：交通科學(xué)與工程版，2003，27(1)：97-99.

Li Junqi, Shi Guozhen. A study of the relationship of crossover rate and mutation rate in genetic algorithm[J]. Journal of Wuhan University of Technology: Transportation Science & Engineering Edition, 2003, 27(1): 97-99. (in Chinese with English abstract)

Recognition method for prenatal behavior of ewes based on the acquisition nodes of the collar

Ying Yewei1, Zeng Songwei1※, Zhao Ayong2, Yan Feifei2

(1.311300;2.311300)

Aiming at the current time-consuming and manpower-spending problems of prenatal behavior monitoring of ewes, a monitoring system based on the acquisition node of the collar was designed. The acquisition node of the self-made collar was integrated with the MPU6050 sensor, which collected prenatal behavioral acceleration information of ewes in real-time. The collected acceleration data was wirelessly transmitted to the embedded base station through Zigbee technology. The server received the data from the GPRS module in the base station, and then the data was stored in the MySQL database. Finally, the data was displayed on the webpage or mobile phones. According to the monitoring video of ewes, the collected acceleration data was calibrated at the same time, which provided sufficient samples for the behavior classification models. Besides, aiming at the problems of low accuracy and less recognizable behaviors of ewes in labor, regarding the collected acceleration data as the research object, a recognition method for prenatal behavior of ewes was proposed based on the classification model of the interval threshold and the Genetic Algorithm-Support Vector Machine (GA-SVM). In this method, three-dimensional acceleration data was firstly synthesized into one-dimensional resultant acceleration data, and then the resultant acceleration data was preprocessed by noise reduction of db5 wavelet and extraction contour of the sliding window. According to its amplitude fluctuation characteristics, the interval threshold classification method was used to recognize the two behaviors of walking and lying. In the light of the obvious characteristics of the spatial clustering effect for the three-axis acceleration data of drinking, eating, and ruminating behavior, the Genetic Algorithm (GA) was used to search the global optimal solution of penalty parameter and kernel function parameter of the Support Vector Machine (SVM) to accurately recognize the three behaviors. Finally, through calculating the four indicators including accuracy, precision, sensitivity, F1-score based on the confusion matrix, and then the performance between the classification method proposed in the research and several common classification algorithms were evaluated. The comparison results illustrated that the F1-score of the classification method proposed in the research was inversely proportional to the movement amplitude of ewes, and its precision was also inversely proportional to the sample size. The average accuracy of the classification method proposed in this work was 97.88%, which was 31.26%, 21.87%, and 21.9% higher than the traditional decision tree algorithm, the K-Nearest Neighbor (KNN) algorithm, and the SVM algorithm, respectively. The main reason was that with the increase of behavior recognition types, using only one feature vector and classification algorithm, it was difficult to find the most suitable partition hyperplane, resulting in the unavoidable decline in the correct recognition rate of certain behaviors. The experimental results showed that the monitoring system for the prenatal behavior of ewes based on the acquisition node of the collar could collect and transmit the activity information of prenatal ewes’ neck simultaneously. Besides, the classification method based on the interval threshold and GA-SVM could effectively distinguish five kinds of prenatal activities including drinking, eating, ruminating, walking, and lying. The number of identifiable behavioral types increased, and the applicability was greatly improved. This work also set up a control group to conduct a comparative experiment and found that the prenatal ewes had no abnormal behaviors after the 24 h adaptive period. Therefore, the acquisition node of the self-made collar would not affect the prenatal behaviors of ewes. The results were of great significance for establishing the amount of exercise and health assessment models of prenatal ewes, improving the efficiency of reproduction, and realizing intelligent management.

recognition; algorithms; behavior; interval threshold classification; genetic algorithms; support vector machine

應(yīng)燁偉，曾松偉，趙阿勇，等. 基于頸環(huán)采集節(jié)點(diǎn)的母羊產(chǎn)前行為識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(21)：210-219. doi：10.11975/j.issn.1002-6819.2020.21.025 http://www.tcsae.org

Ying Yewei, Zeng Songwei, Zhao Ayong, et al. Recognition method for prenatal behavior of ewes based on the acquisition nodes of the collar[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(21): 210-219. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.21.025 http://www.tcsae.org

2020-06-18

2020-08-21

國(guó)家自然科學(xué)基金項(xiàng)目（31872397）；浙江省自然基金公益項(xiàng)目（LGN18C200017）；浙江農(nóng)林大學(xué)科研發(fā)展基金項(xiàng)目（2017FR020）

應(yīng)燁偉，主要從事嵌入式及農(nóng)業(yè)物聯(lián)網(wǎng)方向的研究。Email：2416323765@qq.com

曾松偉，博士，副教授，主要從事電子信息系統(tǒng)集成及農(nóng)林業(yè)物聯(lián)網(wǎng)應(yīng)用研究。Email：283604093@qq.com

10.11975/j.issn.1002-6819.2020.21.025

TP274+.2; S126

A

1002-6819(2020)-21-0210-10