基于無線傳感器網(wǎng)絡(luò)支持向量機(jī)奶牛行為特征識別*

尹 令，洪添勝，劉迎湖，劉財(cái)興

(1．華南農(nóng)業(yè)大學(xué)信息學(xué)院，廣州510642;2．華南農(nóng)業(yè)大學(xué)工程學(xué)院，廣州510642;3．華南農(nóng)業(yè)大學(xué)理學(xué)院，廣州510642)

家禽和乳牛生產(chǎn)是人類食物供應(yīng)鏈的兩個(gè)重要來源，因此加強(qiáng)動物的監(jiān)控管理，保障動物健康，對提高動物產(chǎn)量非常重要[1]。而對動物的監(jiān)控包括兩個(gè)主要的目標(biāo):動物健康監(jiān)控和動物行為研究。國外已經(jīng)展開應(yīng)用無線傳感器網(wǎng)絡(luò)對奶牛進(jìn)行監(jiān)控的研究。澳大利亞CSIRO研究人員通過傳感器采集奶牛位置、體溫、三軸運(yùn)動加速度、速度和三軸磁場強(qiáng)度值，應(yīng)用多個(gè)信息采用閾值來分類動物行為特征[2-3]。加拿大研究人員用視頻記錄奶牛的行為，再分類奶牛站立、躺著、搖頭等行為頻率，以此研究畜欄的地板和拴系方式如何提高奶牛舒適度[4]。美國研究人員應(yīng)用加速度傳感器監(jiān)測分類奶牛躺、站立、走動等行為從而判斷奶牛是否生病[5]。芬蘭科學(xué)家提出用支持向量機(jī)分類模型識別奶牛的站立、躺、反芻、進(jìn)食、正常走和跛腳走等行為[6]。日本研究人員對奶牛的三軸加速度傳感數(shù)據(jù)做統(tǒng)計(jì)閾值分類來識別奶牛的吃草，反芻和休息的行為，從而判斷動物的精神和身體狀況[7]。現(xiàn)有研究多數(shù)采用閾值和統(tǒng)計(jì)的方法來分類奶牛行為，這樣形成的模型簡單，但沒有充分考慮到奶牛的個(gè)體差異性，不具備自學(xué)習(xí)調(diào)整功能。唯有文獻(xiàn)[6]運(yùn)用支持向量機(jī)來建立模型，然而其分類目標(biāo)是為了判斷奶牛是否跛腳，分類的行為和輸入數(shù)據(jù)與奶牛發(fā)情鑒定均有不同。

發(fā)情鑒定是奶牛繁殖育種工作中必備且重要的一項(xiàng)技術(shù)。準(zhǔn)確高效的發(fā)情鑒定技術(shù)能夠提高受胎率和縮短胎間距，是改善奶牛繁殖效率和增加經(jīng)濟(jì)效益的重要手段?，F(xiàn)在最常用的發(fā)情鑒定方法是外部行為特征觀察，其方法簡便、直觀。然而，現(xiàn)代集約化的養(yǎng)殖模式下發(fā)情鑒定完全依賴人工連續(xù)長時(shí)間的觀察，需要大量的人力資源。另外觀察要盡量在不被動物覺察的情況下進(jìn)行，大多數(shù)動物覺察出觀察者的存在，容易干擾并中斷正常的活動，這都增加奶牛發(fā)情鑒定的難度。本文設(shè)計(jì)將配置有加速度傳感器的無線傳感器節(jié)點(diǎn)項(xiàng)圈佩戴在奶牛身上，在不干擾其正?；顒拥那闆r下，實(shí)時(shí)監(jiān)測奶牛三軸運(yùn)動加速度，通過基于二叉決策樹支持向量機(jī)時(shí)間序列模型分類其行為類型、活動強(qiáng)度等生理和行為特征，用于初步鑒定奶牛是否發(fā)情。

1 材料和方法

1．1 無線傳感節(jié)點(diǎn)

嵌入有三軸加速度傳感器的無線傳感節(jié)點(diǎn)如圖1所示，節(jié)點(diǎn)由兩個(gè)AA電池供電，其大小為63 mm×30 mm×25 mm，重約12 g。無線傳感節(jié)點(diǎn)的控制器采用低功耗的Msp430F149(Texas Instruments，USA)，其工作在2．2 V、1 MHz時(shí)電流工作電流僅為280 nA，睡眠模式下為0．1 nA。無線發(fā)送接收芯片采用CC2500(Texas Instruments，USA)，該芯片是低功耗多通道無線應(yīng)用成本最低的產(chǎn)品之一，工作波段頻帶為2．4 GHz，封裝小，功耗低，發(fā)送數(shù)據(jù)率高，靈敏度高。傳輸模塊無障礙時(shí)的最大通信距離為200 m。實(shí)際在牛場應(yīng)用時(shí)，由于奶牛身體的遮擋等，實(shí)際傳輸距離衰減為120 m左右。三維加速度傳感器ADXL330(Analog Deice，USA)，可以靜態(tài)或者動態(tài)測量物體的加速度，測量范圍是±2g[15]。整個(gè)無線傳感器節(jié)點(diǎn)用一個(gè)密閉的防水盒封裝，固定在定制的牛頭套項(xiàng)圈上，如圖2所示。

圖1 無線傳感器節(jié)點(diǎn)

圖2 佩戴有節(jié)點(diǎn)項(xiàng)圈的奶牛

1．2 數(shù)據(jù)采集

實(shí)驗(yàn)記錄數(shù)據(jù)來源于4頭奶牛，其中2頭處于發(fā)情期的奶牛。這4頭奶牛被放養(yǎng)在一個(gè)可自由活動的運(yùn)動場內(nèi)。奶牛行為由攝像機(jī)記錄，攝像機(jī)與無線傳感節(jié)點(diǎn)進(jìn)行時(shí)間同步，這樣通過查詢時(shí)間戳，可以準(zhǔn)確知道奶牛每秒的行為動作。

加速度反映著物體運(yùn)動速度變化的快慢。實(shí)驗(yàn)中加速度傳感器獲取奶牛三軸方向加速度，三軸方向指向分別為x軸指向牛尾，y軸指向牛身體外側(cè)與x軸為同一平面，z軸指向地。加速度傳感器采樣頻率為10 Hz，然而為了減少通信開銷，無線傳感器節(jié)點(diǎn)并不將采集到的每一個(gè)數(shù)據(jù)傳回控制中心，而是根據(jù)用戶定義的時(shí)間滑動窗口傳送數(shù)據(jù)。時(shí)間滑動窗口可以選取為1 s，2 s或更長時(shí)間，在選定的時(shí)間滑動窗口內(nèi)只傳送記錄窗口時(shí)間內(nèi)的三軸方向加速度的平均值，最大峰值，最小峰值和標(biāo)準(zhǔn)方差。時(shí)間滑動窗口選取短窗口能較為精確地描述奶牛動作，但傳送數(shù)據(jù)量較大;而選取長時(shí)間窗口一些變化較快的動作如爬跨等不能精確描述，傳送數(shù)據(jù)量則成倍減少。

1．3 奶牛行為特征

奶牛的行為分類根據(jù)不同的標(biāo)準(zhǔn)和目的有多種分類方法。Huzzey J M等在研究奶牛產(chǎn)犢之后的飲食情況，只考慮奶牛進(jìn)食、飲水和站立等行為[8]。Haley D B以奶牛站立、躺著、搖頭行為頻率來評價(jià)奶牛對于環(huán)境舒適度情況[4]。Toshio Watanabe通過分析奶牛在單位時(shí)間內(nèi)一條腿是否高于其他腿來判定奶牛是否處于發(fā)情期[9]。

動物學(xué)家在研究奶牛習(xí)性時(shí)發(fā)現(xiàn)，在發(fā)情早期，發(fā)情牛表現(xiàn)興奮不安、敏感躁動、走動頻繁，而未發(fā)情的母牛比較懶散[10];放牧條件下發(fā)情母牛經(jīng)常離群、單獨(dú)在籬笆圍欄處來回走動，并追趕其它母牛、嗅舔其它母牛的外生殖器[11]。同時(shí)，爬跨其它牛是發(fā)情牛出現(xiàn)頻率較高的又一種行為，超過90%的發(fā)情牛會表現(xiàn)爬跨行為[12-14]。為此監(jiān)測奶牛運(yùn)動行為特征是判斷發(fā)情的一個(gè)重要指標(biāo)。奶牛的行為特征復(fù)雜多變，很難完全區(qū)分所有行為特征。為降低系統(tǒng)建模難度，將奶牛的行為特征分為輕幅動作和大幅度動作，其中輕幅動作又包含靜止和慢走，大幅度運(yùn)動再細(xì)分為快跑和爬跨，如圖3所示。

圖3 奶牛行為分類

2 模型建立與算法設(shè)計(jì)

支持向量機(jī)SVMs(Support Vector Machines)1995年由Vapnik與其領(lǐng)導(dǎo)的貝爾實(shí)驗(yàn)室的研究小組一起開發(fā)出來的一種新的機(jī)器學(xué)習(xí)技術(shù)。由于其出色的學(xué)習(xí)性能，該技術(shù)已經(jīng)成為當(dāng)前國際機(jī)器學(xué)習(xí)界的研究熱點(diǎn)[16-17]。本文運(yùn)用支持向量機(jī)SVMs法對奶牛行為方式的特征進(jìn)行識別。

首先，對觀測數(shù)據(jù)建立如下的支持向量機(jī)SVMs模型:

設(shè){(xi，yi)，i=1，2，…l}，其中 xi∈Rn為給定的樣本集，即輸入量，yi∈Rn為目標(biāo)輸出量，l為訓(xùn)練樣本個(gè)數(shù)。

在本應(yīng)用模型中，輸入量 xt(t=1，2，…，l)定義為:

式(1)中，(xavgt，yavgt，zavgt)為選定長度的時(shí)間滑動窗口內(nèi)三軸方向加速度的平均值，該組值體現(xiàn)出奶牛各個(gè)方向運(yùn)動變化的趨勢;(xmaxt，ymaxt，zmaxt)是三軸加速度的最大峰值，此值反映劇烈運(yùn)動的瞬間加速度變化量;(xdevt，ydevt，zdevt)是三軸加速度的最大方差值，它能體現(xiàn)出奶牛運(yùn)動的瞬間最大變化趨勢;sma是三軸加速度絕對值之和，能綜合反映三軸運(yùn)動變化的大小。因此:

其中k為一個(gè)時(shí)間滑動窗口內(nèi)取樣點(diǎn)個(gè)數(shù)。本研究工作通過對下列所述的式(6)模型通過尋求適當(dāng)?shù)暮撕瘮?shù) K(xi，xj)，i，j=1，…，l，從而尋找最優(yōu)分類面:

當(dāng)金屬層數(shù)變?yōu)?層時(shí)，在諧振點(diǎn)處也可觀察到環(huán)偶極子現(xiàn)象。雙層金屬結(jié)構(gòu)超材料表面電場和磁場分布如圖4所示。圖4（a）為雙層金屬超材料低頻諧振表面電場分布，在圖4（b）中可以觀察到磁偶極子首尾相連呈旋渦狀的環(huán)偶極子。圖4（c）是雙層金屬超材料高頻處表面電場分布，圖4（d）為高頻諧振處的磁場，可以觀察到一個(gè)明顯的環(huán)偶極子。對比單層和雙層金屬超材料，可以看出雙層金屬的超材料單元結(jié)構(gòu)磁場能量更強(qiáng)，同時(shí)環(huán)偶極子響應(yīng)也更強(qiáng)。

式(6)模型中，αi為對應(yīng)的Lagrange乘子。

其次，應(yīng)用上述建立的支持向量機(jī)SVMs模型，進(jìn)一步觀察數(shù)據(jù)進(jìn)行分類，其實(shí)現(xiàn)的方法如下:

其中b*是分類閾值，由約束條件

求解可得。運(yùn)用此分類規(guī)則可通過計(jì)算sgn[fk(xi)]的值而得。

上述支持向量機(jī)SVMs模型的設(shè)計(jì)中，如何選擇合適有效的核函數(shù)，以取得較好的分類效果，本研究通過對現(xiàn)有數(shù)據(jù)的大量實(shí)驗(yàn)分析表明，將核函數(shù)選擇為高斯徑向基函數(shù)(Radial Basis Function，RBF)，可取得較好的分類效果。因此，本研究將式(6)模型的核函數(shù)定義為:

式(9)中，σ為核函數(shù)的寬度參數(shù)，它滿足Mercer定理。

由于本研究將奶牛的行為分為靜止、慢走、快跑和爬跨四個(gè)特征，因此，需進(jìn)一步在上述的二值分類方法的基礎(chǔ)上構(gòu)造一個(gè)四類分類器。目前，解決多分類問題有如下常用的兩種方法[18]:一是組合幾個(gè)二值分類器去構(gòu)造多類分類器;二是在一個(gè)優(yōu)化公式中直接考慮所有數(shù)據(jù)進(jìn)行全局優(yōu)化。而常用的組合多個(gè)二值分類器又有三種模式:一對多組合(One Against All)、一對一組合(One Against One)和DAGSVM(Direeted Acyclic Graph SVM)。本文采用逐層構(gòu)造二叉決策樹SVM兩類分類器來解決多類分類問題，如圖4所示。

圖4 二叉決策樹支持向量機(jī)分類結(jié)構(gòu)圖

3 實(shí)驗(yàn)結(jié)果與分析

表1 1 s時(shí)間窗口分類結(jié)果

表2 2 s時(shí)間窗口分類結(jié)果

時(shí)間窗口取值1 s，實(shí)驗(yàn)中數(shù)據(jù)樣本個(gè)數(shù)為2 398個(gè)，其中約70%用于訓(xùn)練分類模型，30%用于測試。c，g參數(shù)采用交叉驗(yàn)證選擇最優(yōu)參數(shù)。從表中可以看出在第一次對輕幅(包括靜止和慢走)和大幅運(yùn)動(包括跑動和爬跨)區(qū)分度高，達(dá)到95．5%。然后利用分離后的數(shù)據(jù)結(jié)果進(jìn)行第二次輕幅動作靜止和慢走的分類，以及第三次大幅動作跑動和爬跨的分類。輕幅動作分類結(jié)果僅70．7%，分析存在有以下原因可能導(dǎo)致誤分，一是奶牛的運(yùn)動行為有時(shí)是復(fù)合運(yùn)動，如它站著或躺著處于相對靜止?fàn)顟B(tài)，但它偶爾會輕微搖頭或者咀嚼，觀察時(shí)把奶牛運(yùn)動狀態(tài)定義為靜止，而加速度傳感器佩戴在牛頸部，對奶牛頭部運(yùn)動敏感，使得數(shù)據(jù)源樣本錯(cuò)誤。另外一方面奶牛各種運(yùn)動狀態(tài)是一個(gè)動態(tài)過程，瞬間加速度會有變化，在觀測定義的時(shí)候把整個(gè)行為過程都按照一個(gè)行為狀態(tài)來定義。這兩個(gè)原因都會使得數(shù)據(jù)源就存在誤差。第三次分類結(jié)果為80%。奶牛在發(fā)情期時(shí)會出現(xiàn)明顯的焦躁不安，動作幅度明顯加大，爬跨時(shí)躍起和落下瞬間加速度非常大，而停留時(shí)加速度變化不大且每次爬跨的持續(xù)時(shí)間不同，都會導(dǎo)致數(shù)據(jù)源樣本差異。

時(shí)間窗口取值為2 s，如表2所示，可以減少一半數(shù)據(jù)傳送量降低能耗和通信開銷，而時(shí)間窗口延長會出現(xiàn)同一窗口內(nèi)存在兩種行為狀態(tài)，選取采用持續(xù)時(shí)間長的動作行為作為當(dāng)前窗口的行為狀態(tài)，這將會犧牲采樣數(shù)據(jù)的準(zhǔn)確有效性，降低識別的準(zhǔn)確率。

4 結(jié)論與討論

4．1 結(jié)論

在本研究中，基于二叉決策樹SVM構(gòu)造多分類模型用于分類奶牛靜止、慢走、快跑、爬跨等行為特征，對于區(qū)分輕幅和大幅度運(yùn)動能達(dá)到95%的準(zhǔn)確度，但再細(xì)分輕幅度和大幅度運(yùn)動時(shí)區(qū)分度還需要進(jìn)一步提高。

4．2 討論

研究動物的行為特征，有利于判斷動物是否處于生病、發(fā)情等異常狀況，同時(shí)有利于改善動物的福利。除了奶牛以外，一些學(xué)者也通過各類傳感器設(shè)備研究豬[19]，企鵝[20]、貓[21]等動物的行為特征。不管采用什么樣的方法來研究動物行為特征的分類都存在一個(gè)問題，對于各種動物行為特征描述沒有統(tǒng)一標(biāo)準(zhǔn)。如何定義動物的行為特征，復(fù)合動作行為如何處理，確保度量標(biāo)準(zhǔn)一致，數(shù)據(jù)源可靠準(zhǔn)確等，是首先要解決的問題。一方面可以改進(jìn)實(shí)驗(yàn)方案，以精確獲取數(shù)據(jù)源，另一方面滑動窗口選擇不采用固定時(shí)間窗口，換以動作事件為滑動窗口，這樣更符合對行為狀態(tài)的描述。

實(shí)驗(yàn)中受到場地、資料資源等限制隨機(jī)選擇4頭奶牛進(jìn)行實(shí)驗(yàn)，后續(xù)實(shí)驗(yàn)要擴(kuò)大實(shí)驗(yàn)范圍，增加數(shù)據(jù)量。

動物的行為存在個(gè)體差異，個(gè)體行為特征識別模型也將有所差異，因此算法設(shè)計(jì)要具備可學(xué)習(xí)性能根據(jù)不同個(gè)體行為特征調(diào)整模型參數(shù)，達(dá)到最佳識別效果。支持向量機(jī)算法具有出色的學(xué)習(xí)性能，能根據(jù)個(gè)體差異，自動學(xué)習(xí)調(diào)整模型。但訓(xùn)練模型時(shí)，在資源有限的無線傳感器節(jié)點(diǎn)完成大量的運(yùn)算不現(xiàn)實(shí)，若傳輸?shù)娇刂浦行倪\(yùn)算，將增加整個(gè)網(wǎng)絡(luò)的通信開銷和節(jié)點(diǎn)能量的消耗。如何高效的完成個(gè)體行為差異的自學(xué)習(xí)功能是一個(gè)需要解決的關(guān)鍵。

[1]Ana Carolina de Sousa Silva，Aldo Ivan Céspedes Arce，Sérgio Souto，et al．A Wireless Floating Base Sensor Network for Physiological Responses of Livestock[J]．Computers and Electronics in Agriculture，2005，49(2):246-254．

[2]Guo Y，Corke P，Poulton G，et al．Animal Behaviour Understanding using Wireless Sensor Networks[C]//Local Computer Networks，Proceedings 2006 31st IEEE Conference on．Tampa，2006:607-614．

[3]Rebecca N Handcock，Dave L Swain，Greg J Bishop-Hurley．Monitoring Animal Behaviour and Environmental Interactions Using Wireless Sensor Networks，GPS Collars and Satellite Remote Sensing[J]．Sensors 2009，9(5):3586-3603．

[4]Haley D B，de Passillé A M，Rushen J．Assessing Cow Comfort:Effects of Two Floor Types and Two Tie Stall Designs on the Behaviour of Lactating Dairy Cows[J]．Applied Animal Behaviour Science，2001，71(2):105-117．

[5]Robert B，White B J，Renter D G．Evaluation of Three-Dimensional Accelerometers to Monitor and Classify Behavior Patterns in Cattle[J]．Computers and Electronics in Agriculture．2009，67(1):80-84．

[6]Martiskainen P，J?rvinen M，Sk?n J，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．

[7]Nariyasu Watanabe，Seiichi Sakanoue，Kensuke Kawamura，et al．Development of an Automatic Classification System for Eating，Ruminating and Resting Behavior of Cattle Using an Accelerometer[J]．Grassland Science．2008，54(4):231-237．

[8]Huzzey J M，von Keyserlingk M A G，Weary D M．Changes in Feeding，Drinking，and Standing Behavior of Dairy Cows During the Transition Period[J]．Journal of Dairy Science．2005(88):2454-2461．

[9]Watanabe T，Sakurai A，Kitazaki K．Dairy Cattle Monitoring Using Wireless Acceleration-Sensor Networks[J]．Sensors 2008，978-1-4244-2580-8:526-529．

[10]Chapinal N，Veira DM，Weary DM，et al．Technical Note:Validation of a System for Monitoring Individual Feeding and Drinking Behavior and Intake in Group-Housed Cattle[J]．Journal of Dairy Science，2007，90(12):5732-5736．

[11]Orihuela A．Some Factors Affecting the Behavioural Manifestation of Oestrus in Cattle:a Review[J]．Appl Anim Behav Sci，2000，70(7):1-16．

[12]Roelofs J B，Eerdenburg F J，Soede N M，et al．Various Behavioral Signs of Estrous and Their Relationship with Time of Ovulation in Dairy Cattle[J]．Theriogenology，2005，63(9):1366-1377．

[13]Solano J，Orihuela A，Galina C S，et al．Rela-Tionships Between Social Behaviour and Mounting Activity of Zebu Cattle[J]．Appl Anim Behav Sci，2005，94(2):197-203．

[14]Diskin M G，Sreenan J M．Expression and Detection of Oestrus in Cow[J]．Reprod Nutr Dev，2000，40(5):481-491．

[15]錢莉，陳文元．基于MEMS加速度計(jì)的輸入系統(tǒng)的研究[J]．傳感技術(shù)學(xué)報(bào)，2009，(05):639-642．

[16]Vapnik V，Golowich S，SmolaA．Support Vector Method for Function Approximation，Regression Estimation，and Signal Processing[C]//Advances in Neural Information processing Systems，Cambridge，MA，MIT Press，1997:281-287．

[17]Sch?lkopf B，Smola A，Muller K-R．Kemel Principal Component A-nalysis[M]．In Sch?lkopf B，Burges C，Smola A，editors，Advances in Kernel Methods-Support Vector Leaming．MIT Press，Cambridge，MA，1999:327-352．

[18]張曉惠，林柏鋼．基于特征選擇和多分類支持向量機(jī)的異常檢測[J]．通信學(xué)報(bào)，2009，(S1):68-73．

[19]Ce'cile Cornou，Séren Lundbye-Christensen．Classifying Cows’Activity Types from Acceleration Patterns An Application of the Multi-Process Kalman Filter[J]．Applied Animal Behaviour Science，2008(111):262-273．

[20]Yoda K，Naito Y，Sato K．A New Technique for Monitoring the Behaviour of Free-Ranging Adélie Penguins[J]．The Journal of Experimental Biology 2001(204):685-690．

[21]Shinichi Watanabe，Masako Izawa，Akiko Kato．A New Technique for Monitoring the Detailed Behaviour of Terrestrial Animals:A Case Study with the Domestic Cat[J]．Applied Animal Behaviour Science 2005，(94):117-131．