使用加速度计、陀螺仪和集成传感器模型对个体奶牛行为进行分类

背景：自动化行为监测在精准奶牛养殖中日益重要，支持疾病早期检测、福利评估和生产力优化。尽管加速度计能有效检测姿势变化，但在捕捉旋转或过渡运动方面的能力有限。陀螺仪可提供互补的角速度数据，可能增强复杂行为的分类。然而，它们的联合使用仍未得到充分探索，尤其是在个体奶牛水平。本研究旨在评估加速度计、陀螺仪和组合传感器模型在个体动物水平对四种关键奶牛行为（躺卧、站立、采食和行走）进行分类的性能。结果：在为期 90 天的时间内，从监测的七头奶牛中获得了超过 780,000 条标记观测数据。躺卧行为在加速度计和陀螺仪的所有轴上均持续产生较低且稳定的信号，而采食表现出最大的变异性，尤其是沿 X 轴和 Y 轴。观察到显著的轴特异性和行为特异性差异（p < 0.05），其中 GyroY 和 GyroZ 在采食和行走期间捕捉到了最高的旋转活动。信号向量幅值有效区分了不同行为，其中躺卧显示出最低值，采食显示出最高值。结合加速度计和陀螺仪数据的 Random Forest 模型始终优于单一传感器方法，尤其是在对躺卧和站立行为进行分类时。尽管采食和行走表现出较低的敏感性，但传感器融合提高了跨个体分类的稳健性。结论：加速度计和陀螺仪数据的整合提高了分类准确性，尤其是对于静态行为。特定轴的信号模式和个体化建模揭示了行为分化和奶牛特异性变异的重要见解。这些发现支持开发针对精准畜牧管理的可扩展、基于传感器的监测系统。