基于颈环采集节点的母羊产前行为识别方法

应烨伟，曾松伟，赵阿勇，颜菲菲

基于颈环采集节点的母羊产前行为识别方法

应烨伟1，曾松伟1※，赵阿勇2，颜菲菲2

（1. 浙江农林大学信息工程学院，杭州 311300；2. 浙江农林大学动物科技学院，杭州 311300）

针对目前母羊产前行为监测费时费力、精准度较低、可识别行为类型单一等问题，以颈环采集节点获得的加速度数据为研究对象，提出了一种基于区间阈值与遗传算法优化支持向量机（Genetic Algorithm-Support Vector Machine, GA-SVM）分类模型的母羊产前行为识别方法。该方法首先对合加速度数据进行小波降噪和提取轮廓线预处理，再利用区间阈值分类法，识别出行走、趴卧2种行为。在此基础上，采用GA-SVM分类模型实现饮水、采食、反刍3种行为的准确识别。试验表明，颈环采集节点能够实时采集和传输产前母羊颈部的活动信息，并能有效区分5种产前行为活动。可识别行为类型增多，且在适用性方面有了较大提升，平均准确率达到97.88%，比传统的决策树算法、K最近邻（K-Nearest Neighbor, KNN）算法、支持向量机（Support Vector Machine, SVM）算法分别提高了31.26%、21.87%、21.9%。该研究对建立产前母羊运动量及健康评估模型、提高繁殖及工作效率、实现智能化管理等方面具有十分重要的意义。

识别；算法；行为；区间阈值分类；遗传算法；支持向量机

0 引 言

肉羊作为中国太湖平原地区最重要的家畜之一，具有理想肉质、一年二胎、每胎多羔等优良特性，怀孕母羊在具有极高经济价值的同时，也极大地促进了太湖平原地区畜牧养殖业的发展。随着近年来肉羊养殖密度的增加，其日常运动量及生长环境均得不到保障，导致难产、流产、发病数量急剧上升[1]。母羊在分娩前经常伴有食欲减退、起卧频繁等行为[2]，根据这些产前行为有助于预测分娩时间；产前母羊的采食、饮水、反刍行为是营养物质的量化基础，可用于判断其生长及健康状况[3]；此外，趴卧和行走时长从侧面反映了产前母羊的休息和运动情况，也是判断其健康状况的重要途径之一[4-6]。因此，亟需建立一套智能化监测系统对母羊产前行为进行实时监测和精准识别，为提升母羊的养殖效益提供一种参考。

随着信息技术的发展，对动物行为的监测方式已经从传统的人为主观观测向自动化监测过渡[7]。目前，以各类传感器为采集工具、以机器学习算法进行数据分析的动物行为分类识别方案已经取得了长足的发展[8-11]，且已经被广泛地应用[12-17]。刘艳秋等[18]和刘龙申等[19]采用无线三轴加速度采集节点，基于K均值聚类算法对动物的站立、趴卧等行为进行分类识别，但无监督学习算法的正确识别率还有待提高。王俊等[20]基于无线传感网络和半监督模糊聚类算法，对奶牛的采食、趴卧等行为进行分类识别，平均精度和灵敏度分别为53.0%和60.6%。Martiskainen等[21]采用脖颈式固定方式，应用支持向量机（Support Vector Machine, SVM）分类模型，对奶牛的采食、反刍等运动行为进行识别，平均识别精度为78%。任晓惠等[22]使用萤火虫寻优算法优化SVM参数，对奶牛的反刍、采食、饮水3种行为进行识别，提高了分类算法的适用性，然而其识别的行为类型较少。Diosdado等[23]使用决策树分类模型对奶牛的趴卧、站立、采食行为进行识别，但分类模型的灵敏度和精度仍有提升的空间。王俊等[24]在传统的分类、聚类算法基础上，以信息增益为基准构建最优二叉决策树，对奶牛的6种行为实现分类识别，平均准确率为76.47%。

综上所述，国内外的行为识别主要以奶牛、母猪作为研究对象，鲜有针对母羊产前行为的相关研究。此外，已有的行为分类模型由于识别类型单一，相互之间的差异较明显，故而易于区分，然而随着行为识别类型的增加，将难以避免地导致正确识别率的降低。本研究利用颈环采集节点，实时采集三轴加速度数据，针对行为类型增加时导致正确识别率降低的问题，提出了一种基于区间阈值与遗传算法优化支持向量机（Genetic Algorithm-Support Vector Machine, GA-SVM）分类模型的母羊产前行为识别方法，实现饮水、采食、反刍、行走、趴卧5种行为的分类识别，为建立产前母羊运动量及健康评估模型、预测其分娩时间、人工助产决策等方面提供了理论依据。

1 材料与方法

1.1 试验场地概况

试验在浙江省湖州市农业科学研究院某湖羊养殖基地中进行。试验羊棚长50 m、宽10 m，划分为左右各10个栏，每个栏中圈养5只母羊，栏与栏之间的围墙高1 m、厚0.3 m。从中随机挑选10只体型相近、分布离散的产前湖羊作为行为识别对象，通过松紧布带在其颈部下方佩戴颈环采集节点，其中5只湖羊作为试验组，另外5只湖羊作为对照组，用于比较产前湖羊是否会因为佩戴颈环采集节点而产生身体抗拒、互相撕咬松紧布带、剐蹭栏杆等异常行为。

1.1.1 颈环采集节点

本研究所使用的数据采集装置为颈环采集节点，主要由微处理器、六轴传感器、无线传输模块、存储模块、电源模块5个部分组成。微处理器采用意法半导体（STMicroelectronics）集团推出的STM32F103RCT6芯片，该款芯片使用ARM Cortex-M3架构，LQFP64封装；六轴传感器采用InvenSense公司发布的MPU6050运动处理组件，其内部集成三轴加速度和三轴陀螺仪传感器。在本试验中通过软件将加速度的量程设置为±20 m/s2，角速度的量程设置为±34.91 rad/s；无线传输模块采用CC2530解决方案，通过印制电路板（Printed Circuit Board, PCB）天线可实现300 m内数据的稳定传输；存储模块采用微型安全数码卡（Micro Secure Digital Memory Card, MicroSD Card）实时存储数据；电源模块采用德玲达新能源科技电子厂生产的3.7 V锂电池，容量为6 800 mA·h，可确保颈环采集节点连续稳定工作14 d左右。

颈环采集节点尺寸为75 mm×75 mm×25 mm，总质量为189 g，采样频率设为10 Hz，整个节点封装在一个密闭防水塑料盒中，通过松紧布带固定于产前母羊颈部下方。将节点所在位置定为三维空间坐标原点，则三轴加速度传感器的轴分别指向母羊正前方、正右方、重力方向。颈环采集节点及固定方式如图1所示。

注：图1c中，O为三轴加速度传感器所在位置；X为三轴加速度传感器的X轴正方向；Y为三轴加速度传感器的Y轴正方向；Z为三轴加速度传感器的Z轴正方向。

1.1.2 数据采集

本研究设计了一套母羊产前行为监测系统，其功能结构如图2所示。颈环采集节点实时采集母羊产前的行为加速度信息，通过Zigbee无线传输至协调器基站，协调器基站基于S3C6410控制通用分组无线业务（General Packet Radio Service, GPRS）模块将数据传输至服务器后端，服务器将数据存储于MySQL数据库，并在HTML网页前端及手机App端进行显示，方便用户查询及下载。

图2 母羊产前行为监测系统功能结构图

1.1.3 数据标定

给产前一周左右的母羊佩戴颈环采集节点，同时使用海康威视提供的监控摄像头和硬盘录像机对母羊的行为进行视频录制。将监控摄像头与颈环采集节点的时间设置为同步，通过录像中母羊表现的行为找到对应时刻的数据进行行为标定。观看监控录像发现，产前母羊的行为主要包括饮水、采食、反刍、行走、趴卧5种，本研究主要针对这5种行为实现分类识别。

在对5种行为的数据进行标定的过程中发现，若同种行为的持续时间＜5 s，例如，1 s时间段内行走行为的10组数据，会因数据量较少而难以进行特征提取，且母羊自身颤抖等瞬间行为的干扰也会随着标定间隔的缩短而增大影响，此外，短时间内不同行为之间的快速变化也难以通过观看录像来精确其转变的具体时刻；而同种行为持续时间≥5 s的数据，可以有效包含母羊产前行为活动的整个过程，50组及以上的连续行为数据有利于提取特征，并减小了瞬间干扰行为的影响。因此，为保证数据的可辨别性、有效性和完整性，保留每种行为持续时间≥5 s的标定数据，舍弃5 s内行为发生变化的标定数据。

1.2 行为分类算法

本研究采用MATLAB2019b，对产前母羊饮水、采食、反刍、行走、趴卧5种行为的加速度数据进行处理和分析；采用Origin Pro 9.0软件进行图表绘制。

传统的分类算法包括决策树算法、K最近邻（K-Nearest Neighbor, KNN）算法、SVM算法等[25]。仅使用一种分类算法或一种优化后的分类算法难以对5种行为直接进行分类识别。因此，本研究根据行走、趴卧行为的幅值波动特点及饮水、采食、反刍行为的聚类效果，将区间阈值分类与GA-SVM分类模型相结合，针对5种行为进行2次分类处理，在增加行为类型的同时保证较高的准确率。

1.2.1 区间阈值分类算法

1）求取合加速度

由刘艳秋等[18]可知，区分产前母羊的各类行为，加速度的方向并不是判断的必要条件。为了防止颈环采集节点因发生倾斜而使坐标轴偏离理想位置，导致采集的数据不准确，本研究将采集到的三维加速度数据合成为一维合加速度数据来反映母羊产前行为的整体情况。合加速度（, mm/s2）计算如式（1）所示：

式中a、a、a分别表示轴的加速度，mm/s2。

2）小波降噪处理

产前母羊自身呼吸、颤抖等因素的干扰会导致合加速度数据存在很多高频噪声。为了提高识别效果，使用MATLAB的小波工具箱，对合加速度数据进行降噪平滑处理。常用的小波基函数包括haar、sym()、db()等，其中均为正整数。通过对比试验发现，haar小波基对数据的降噪效果不明显且连续性较差；使用sym()小波基进行数据降噪后，各行为间的幅值差异较小，难以进一步确定分类的区间阈值；db()小波基对数据进行降噪后的曲线较平滑，去掉了较多噪声，且各行为之间的幅值差异较为明显。因此本研究最终选择db5小波基为数据降噪的基函数。

式中代表小波系数，代表给定阈值。

3）滑动窗口提取轮廓线

根据降噪后加速度数据的幅值波动特征，对数据添加滑动窗口，根据每个窗口的波动峰值来提取上部轮廓线。滑动窗口的长度设定对最终分类的效果影响较大，长度过长会包含2种行为的幅值特征，长度过短则会包含最小幅值特征而达不到提取上部轮廓线的目的。考虑以上2种情况，结合加速度数据的采样频率为10 Hz且每种行为进行标定的持续时间最短为5 s，最终将窗口长度设置为50。经试验证明，长度为50的滑动窗口可以达到保留各个行为幅值特征的同时提取上部轮廓线的目的。

1.2.2 遗传算法优化支持向量机（GA-SVM）分类模型

1）可行性分析

由任晓惠等[22]可知，产前母羊饮水、采食、反刍行为的三轴加速度数据在空间中基本分成了3团独立的簇，聚类效果显著。因此，可以采用SVM算法对3种行为进行分类识别。SVM分类算法的性能与惩罚参数和核函数参数密切相关。惩罚参数表示间隔大小和分类准确度的权重，即对误差的宽容度。越大，对误差的宽容度越小，易导致过拟合；越小，对误差的宽容度越大，易导致欠拟合。过大或过小，都会导致分类模型的泛化能力变差。表示所选核函数的核参数，越大，支持向量的数量越少，训练速度和适用性得到提高，但训练误差会增大；越小，支持向量的数量越多，训练速度和适用性会下降，但训练误差会减小[22]。因此，需要使用优化算法寻找SVM的2个参数的最优解，以达到加快训练模型收敛速度，提高模型分类性能的目的。

常用的SVM参数寻优算法包括粒子群（Particle Swarm Optimization, PSO）算法、遗传算法（Genetic Algorithm, GA）、网格搜索（Grid Search, GS）算法等。PSO算法寻优时，收敛速度较快，但对离散化问题易陷入局部优化，不能保证搜索到全局最优解；GA寻优独立于求解域，且优化结果与初始条件无关，能够得到优化问题的全局最优解，然而其收敛速度较慢；GS算法需要遍历网格中的所有参数点，相对而言耗时最为严重。综上，为将离散的三轴加速度数据进行分类，在收敛速度可接受范围内，本次研究使用GA寻找全局最优解。

2）支持向量机（SVM）原理

使用拉格朗日乘子法并在满足卡罗需-库恩-塔克（Karush-Kuhn-Tucker, KKT）条件的情况下将式（3）转化为对偶问题，所得数学表达式如式（4）所示：

式中α代表第个约束条件添加的拉格朗日乘子，代表个拉格朗日乘子的集合，(,,)代表得到的拉格朗日函数。

使用SVM实现多分类的方法主要有一对多法、一对一法等。一对多法虽然分类器个数较少，分类速度较快，但随着样本数量的增加，训练速度急剧减慢且选择的训练数据易出现样本不对称的情况；一对一法针对大样本量的训练，优势较为明显，但当分类类别较多时，分类器数量增多，代价较大。本研究因分类类别较少，训练样本量较大，故选择一对一法实现产前母羊多种行为的分类。

本研究首先采用高斯核函数将三轴加速度数据映射到高维空间中，使其变得线性可分，再采用一对一法对饮水、采食、反刍3种行为两两组合，共构建3个二分类器。最后将测试样本依次输入3个二分类器并进行投票，将得票数最多的分类器输出的结果作为最终的行为分类结果。

3）遗传算法（GA）参数寻优原理

针对难以寻到SVM惩罚参数和核函数参数全局最优解的问题，提出GA优化SVM参数的解决方案。GA是一种将生物进化适者生存原理与遗传学交叉变异机制相结合的启发式参数寻优算法[26]。具体算法步骤如下[27-31]：

步骤1：GA参数初始化。设置和的取值范围均为[0, 100]，最大进化代数为100，种群数量为20，交叉验证次数为5。

步骤2：编码。将和进行二进制编码，采用40个二进制位表示每个个体并随机组成初始种群。

步骤3：计算适应度函数值。将种群中的个体依次输入SVM模型中训练，得到交叉验证意义下的准确率并进行线性排序，根据排序的结果计算适应度函数值。每个个体适应度函数值的计算如式（6）所示：

式中Nind代表种群中个体的数量，sp代表选择的压差，Pos代表每个个体排序后在种群中的位置，则适应度函数值越大的个体遗传到下一代的概率也越大。

步骤4：选择。根据适应度函数值采用轮盘赌算法进行“优胜劣汰”的选择操作。

步骤5：交叉。将选择后的个体作为父代，按照交叉率进行基因重组，产生新的个体。

步骤6：变异。根据变异率，随机选择个体产生变异，形成新的子代。

步骤7：迭代。判断迭代次数或适应度函数值是否满足终止条件。若没满足，重复步骤3~6；若满足，执行步骤8。

步骤8：输出。最终所得到的具有最大适应度的个体、，即可作为最优解输出。

GA-SVM分类模型比SVM分类模型拥有更合适的和，对产前母羊的行为分类具有更高的准确率。

1.3 分类算法性能评价

本研究采用混淆矩阵计算准确率（Accuracy）、精度（Precision）、灵敏度（Sensitivity）、F1得分（F1-score）4项指标，对分类算法的性能进行评价。准确率代表整个分类模型的正确识别率；精度表示在预测为本行为的所有结果中，预测正确的比例；灵敏度表示在实际为本行为的所有结果中，预测正确的比例；F1得分是精度和灵敏度加权平均后的综合评价指标。其计算如式（7）~式（10）所示：

式中TP代表正确分类为本行为的样本数，FP代表错误划分为本行为的样本数，FN代表错误划分为其他行为的样本数，TN代表正确划分为其他行为的样本数。

采用上述4项性能评价指标，有利于将本研究提出的分类算法与传统的分类算法进行对比，为分析其相互之间的差异性及优劣势提供了理论基础。

2 结果与分析

2.1 区间阈值选取

区间阈值分类法中阈值的选择尤为重要。首先选取饮水、采食、反刍、行走、趴卧5种行为连续20 s的三轴加速度数据分别计算其合加速度，再采用db5小波基函数对合加速度数据进行小波降噪处理，最后根据每种行为波动峰值之间表现出的区间性，利用长度为50的滑动窗口进行上部轮廓线的提取，得到的合加速度曲线如图3所示，根据合加速度曲线的幅值波动范围，即可确定行为分类的区间阈值。

由图3可知，小波降噪后的合加速度曲线明显比原始的合加速度曲线更加平滑，有利于进一步数据分析。对比5种行为提取轮廓线后的合加速度曲线可知，饮水、采食、反刍3种行为的幅值波动范围均有交集，而行走和趴卧2种行为与其他行为相比，在幅值上存在着明显的差异，表现出相对清晰的阈值界限。因此，可以采用区间阈值分类法将行走和趴卧2种行为先识别出来，而将饮水、采食、反刍3种行为归于一类，等待进一步处理。

图3 5种母羊产前行为预处理后的合加速度曲线比较

不同羊只对同种行为表现的差异性及同一羊只对同种行为表现的幅度差异都会对阈值的确定产生较大的影响，为了减小这些干扰，在所有产前母羊中随机选取每种行为持续时长为20 s的数据各20组，再使用上述方法进行重复试验，最终确定行走行为的阈值区间为（18 800，+∞），趴卧行为的阈值区间为（−∞, 16 000），饮水、采食、反刍3种行为的阈值区间为[16 000, 18 800]。

2.2 区间阈值分类结果

试验共采集并标定了29 150组样本数据，其中饮水行为2 250组，采食行为8 200组，反刍行为3 950组，行走行为2 550组，趴卧行为12 200组。采用预先设定的2个阈值进行区间阈值分类，其结果如表1所示。3类行为的精度均超过85%，平均精度为96.12%，其中趴卧行为的精度达到100%，但行走行为的精度较低。3类行为的灵敏度和F1得分均超过90%，且平均灵敏度和平均F1得分分别为98.66%和97.3%。区间阈值法对3类行为的分类准确率达到98.41%，其对合加速度数据的分类效果如图4所示。

表1 基于区间阈值分类算法的行为分类结果

注：2条横虚线代表16 000和18 800两个区间阈值；竖向点划线代表各类行为相互转变时的临界时刻。

由图4可知，在各个临界时刻，合加速度数据出现明显的跳变，由此可见，区间阈值分类法对行走和趴卧2种幅值特征差异较明显的行为分类效果显著，但针对饮水、采食、反刍3种幅值波动相近的行为无法直接识别出来，需要借助GA-SVM算法进一步处理。

临近生产的母羊时常表现出起卧频繁、来回走动等现象。本研究分类识别的行走和趴卧2种行为，有助于预测其分娩时间，便于管理人员及时将孕羊送入待产栏。此外，部分母羊在分娩前会出现后腿无力、站立困难、喜欢卧地等情况，即典型的产前瘫痪现象。如若置之不理，大部分怀孕母羊都会衰竭而亡，即使侥幸产下羊羔，羊羔也会由于先天性的虚弱，导致早死概率增大。本研究分类识别的趴卧行为，有利于计算产前母羊的日均趴卧时长，对管理人员及时发现瘫痪孕羊并采取治疗措施、提高母羊的繁殖效率等方面具有十分重要的意义。

2.3 遗传算法优化支持向量机（GA-SVM）分类结果

在MATLAB2019b中安装libsvm工具箱作为本次研究的数据分析环境。将14 400组样本数据进行[0, 1]范围的归一化处理，再以2:1的比例进行划分，即选择9 600组数据构成训练集，其余4 800组数据构成测试集。为了提高SVM的分类性能，采用GA寻找惩罚参数和核函数参数的全局最优解。在初始化GA参数的过程中，交叉率和变异率的设定对寻优的收敛速度和最优解的质量有较大影响。一般交叉率的取值范围为[0.4, 0.99]，变异率的取值范围为[0.001, 0.1][32]。本研究首先固定某一交叉率，以0.000 5为步长改变变异率并进行GA寻优运算；再以0.01为步长改变交叉率，重复上述操作。通过该算法试验，最终发现交叉率和变异率分别为0.95和0.017 5时的适应率结果最好。GA参数初始化完成后，其寻找最优解的结果如图5所示。

注：惩罚参数c为14.509 4；核函数参数g为31.812 7；最佳适应率为96.968 8%。

图5中最佳适应率代表每代种群中最优个体的适应率，平均适应率代表每代种群中所有个体适应率的平均值。由图5可知，基于最优保留策略，最优个体的适应率逐渐增加，最终稳定在96.968 8%，表明此时的惩罚参数和核函数参数的组合达到最优的分类性能，即最佳=14.509 4，最佳=31.812 7。将最佳、代入SVM，即可得到最佳的分类模型，再将测试集的数据输入分类模型进行分类预测。最终，GA-SVM分类模型对测试集分类识别的结果如表2所示。

由表2可知，3种行为的精度均超过85%，平均精度为95.44%，其中采食和反刍行为的精度均达到100%，但饮水行为的精度较低。3种行为灵敏度和F1得分的平均值分别为97.37%和96.19%。GA-SVM算法对3种行为的分类准确率达到97.52%。

表2 基于遗传算法优化支持向量机分类模型的行为分类结果

母羊在产前3～8 d左右，由于小羊羔重量较大会压迫其肠胃。此时，妊娠母羊为了自我调节，会出现食欲下降甚至不吃草料等现象。本研究分类识别的饮水、采食、反刍3种行为，有利于预测母羊的生产时间，为是否需要人工助产等决策提供依据，间接提高了母羊的顺产率。此外，摄食量也从侧面反映了母羊产前的健康状况，为建立产前母羊健康评估模型奠定了理论基础。

表1和表2的试验结果表明，采用区间阈值分类与GA-SVM分类模型相结合的行为分类方法，可以对母羊产前的饮水、采食、反刍、行走、趴卧5种行为进行分类识别，平均准确率为97.88%。该方法的F1得分与母羊的运动幅度有关，当运动幅度较小时，F1得分较高；当运动幅度增大时，F1得分有所下降。此外，该分类方法的精度与样本量密切相关，采食、反刍、趴卧行为的样本量较多，分类精度较高；饮水和行走行为的样本量较少，分类精度较低。分析原因主要是母羊在怀孕期间日饮水量和运动量有所下降，导致2种行为的样本量减少，因此需要获取更多的饮水行为和行走行为的数据进行模型训练。

2.4 算法性能比较

在相同的软件平台和计算机环境下，选择MATLAB2019b的分类学习器工具箱并采用传统的决策树算法、KNN算法、SVM算法与本研究提出的方法进行对比试验。随机抽取29 150组样本数据中的19 300组作为训练集，剩余9 850组作为测试集，选择三轴加速度数据作为特征向量进行有监督的模型训练和分类预测。3种传统分类算法的性能对比如表3所示。

表3 3种传统分类算法的性能统计

由表3可知，决策树算法对饮水、反刍、行走、趴卧行为的识别效果不佳；KNN算法对反刍、趴卧行为的分类效果不理想；SVM算法尽管对饮水、采食、反刍、趴卧行为的识别效果较好，但对行走行为的分类效果偏差。决策树算法、KNN算法、SVM算法的分类准确率分别为66.62%、76.01%和75.98%，相较于本研究提出的方法，分别低了31.26%、21.87%和21.9%。分析其原因主要是随着行为识别类型的增加，仅使用一种特征向量和分类算法，难以找到一个最合适的划分超平面对多种相似且复杂的行为进行划分，导致某些行为的正确识别率无法避免的下降。试验结果表明，本研究提出的基于区间阈值与GA-SVM模型的行为分类方法对母羊产前的饮水、采食、反刍、行走、趴卧5种行为具有更高的正确识别率。这将为母羊异常行为监测、预测其分娩时间、人工助产决策等方面提供理论依据。

3 结 论

1）本研究设计了一套基于颈环采集节点的母羊产前行为监测系统，实时采集并传输三轴加速度数据，对建立产前母羊运动量及健康评估模型、提高繁殖及工作效率、实现智能化管理等方面具有十分重要的意义。

2）调节松紧布带的魔术贴，保证产前母羊佩戴舒适。通过观察2组产前母羊的监控发现，在佩戴初期，母羊会出现身体抗拒、互相撕咬松紧布带、剐蹭栏杆等异常行为。经过24 h适应期后，2组产前母羊的异常行为基本消失且基本不存在差异性。因此，佩戴此颈环采集节点不会对母羊的产前行为产生影响。

3）针对目前母羊产前行为识别研究较少，且随着行为识别类型的增加，正确识别率随之降低的问题，提出了一种基于区间阈值与遗传算法优化支持向量机（Genetic Algorithm-Support Vector Machine, GA-SVM）分类模型的母羊产前行为识别方法。引入遗传算法（Genetic Algorithm, GA）对支持向量机（Support Vector Machine, SVM）的惩罚参数和核函数参数进行优化，最终实现饮水、采食、反刍、行走、趴卧5种行为的分类识别，平均准确率为97.88%，比传统的决策树算法、K最近邻（K-Nearest Neighbor, KNN）算法、SVM算法分别提高了31.26%、21.87%和21.9%。该方法具有规则简单、分类速度快、准确率高等优点，可为提高母羊产前行为分类水平提供参考。

[1] 王翀，杨金勇，夏月峰，等. 浙江省肉牛肉羊产业分析及养殖现状调研[J]. 畜牧与兽医，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. 母羊分娩和羔羊护理[J]. 农学学报，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] 汪开英，赵晓洋，何勇. 畜禽行为及生理信息的无损监测技术研究进展[J]. 农业工程学报，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，付晓林. 病羊与健康羊如何识别[J]. 中国动物保健，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] 宋志伟. 如何从外观识别病羊[J]. 河南畜牧兽医：综合版，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] 杨章华. 试论病羊的简易识别及羊场疫病防控要点[J]. 甘肃畜牧兽医，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] 张曦宇，武佩，宣传忠，等. 基于加速度传感器的种公羊运动行为识别[J]. 中国农业大学学报，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] 侯云涛，蔡晓华，吴泽全，等. 奶牛行为特征识别方法的研究与实现—基于支持向量机[J]. 农机化研究，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] 陈春玲，杨天娇，郭雷，等. 支持向量机在舍饲肉牛反刍行为分析中的应用[J]. 沈阳农业大学学报，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] 闫丽，沈明霞，姚文，等. 基于MPU6050传感器的哺乳期母猪姿态识别方法[J]. 农业机械学报，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] 刘艳秋，武佩，张丽娜，等. 母羊产前行为特征分析与识别—基于可穿戴检测装置构架[J]. 农机化研究，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] 刘龙申，沈明霞，姚文，等. 基于加速度传感器的母猪产前行为特征采集与分析[J]. 农业机械学报，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，谭骥，张海洋，等. 基于半监督模糊聚类算法的奶牛行为判别系统[J]. 中国畜牧兽医，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, Järvinen M, Skön 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] 任晓惠，刘刚，张淼，等. 基于支持向量机分类模型的奶牛行为识别方法[J]. 农业机械学报，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，张海洋，赵凯旋，等. 基于最优二叉决策树分类模型的奶牛运动行为识别[J]. 农业工程学报，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. 大数据挖掘：系统方法与实例分析[M]. 北京：机械工业出版社，2016：153-185.

[26] 王小川，史峰，郁磊，等. MATLAB神经网络43个案例分析[M]. 北京：北京航空航天大学出版社，2013：127-136.

[27] 李书玲，刘蓉，张鎏钦，等. 基于改进型SVM算法的语音情感识别[J]. 计算机应用，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] 苏军，饶元，张敬尧，等. 基于GA优化SVM的干制红枣品种分类方法[J]. 洛阳理工学院学报：自然科学版，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，孔兰芬，杨式华，等. 基于GA-SVM算法的烤烟香型自动识别研究[J]. 烟草科技，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] 孙波，梁勇，汉牟田，等. 基于GA-SVM的GNSS-IR土壤湿度反演方法[J]. 北京航空航天大学学报，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] 张成梁，李蕾，董全成，等. 基于GA-SVM模型的机采籽棉杂质识别[J]. 农业工程学报，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] 黎钧琪，石国桢. 遗传算法交叉率与变异率关系的研究[J]. 武汉理工大学学报：交通科学与工程版，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

应烨伟，曾松伟，赵阿勇，等. 基于颈环采集节点的母羊产前行为识别方法[J]. 农业工程学报，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

国家自然科学基金项目（31872397）；浙江省自然基金公益项目（LGN18C200017）；浙江农林大学科研发展基金项目（2017FR020）

应烨伟，主要从事嵌入式及农业物联网方向的研究。Email：2416323765@qq.com

曾松伟，博士，副教授，主要从事电子信息系统集成及农林业物联网应用研究。Email：283604093@qq.com

10.11975/j.issn.1002-6819.2020.21.025

TP274+.2; S126

A

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