Accelerometer tags: detecting and identifying activities in fish and the effect of sampling frequency
Notice bibliographique
Résumé
Monitoring and measuring the behaviour and movement of aquatic animals in the wild is typically challenging, though micro-accelerometer (archival or telemetry) tags now provide the means to remotely identify and quantify behavioural states and rates such as resting, swimming and migrating, and to estimate activity and energy budgets. Most studies use low-frequency (≤32 Hz) accelerometer sampling because of battery and data-archiving constraints. In this study we assessed the effect of sampling frequency (aliasing) on activity detection probability using the great sculpin (Myoxocephalus polyacanthoceaphalus) as a model species. Feeding strikes and escape responses (fast-start activities) and spontaneous movements among seven different great sculpin were triggered, observed and recorded using video records and a tri-axial accelerometer sampling at 100 Hz. We demonstrate that multiple parameters in the time and probability domains can statistically differentiate between activities with high detection (90%) and identification (80%) probabilities. Detection probability for feeding and escape activities decreased by 50% when sampling at <10 Hz. Our analyses illustrate additional problems associated with aliasing and how activity and energy-budget estimates can be compromised and misinterpreted. We recommend that high-frequency (>30 Hz) accelerometer sampling be used in similar laboratory and field studies. If battery and/or data storage is limited, we also recommend archiving the events via an on-board algorithm that determines the highest likelihood and subsequent archiving of the various event classes of interest.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».