Vocalization Patterns in Laying Hens - An Analysis of Stress-Induced Audio Responses
Notice bibliographique
Résumé
Abstract This study leverages Convolutional Neural Networks (CNN) and Mel Frequency Cepstral Coefficients (MFCC) to analyze the vocalization patterns of laying hens, focusing on their responses to both visual (umbrella opening) and auditory (dog barking) stressors at different ages. The aim is to understand how these diverse stressors, along with the hens’ age and the timing of stress application, affect their vocal behavior. Utilizing a comprehensive dataset of chicken vocal recordings, both from stress-exposed and control groups, the research enables a detailed comparative analysis of vocal responses to varied environmental stimuli. A significant outcome of this study is the distinct vocal patterns exhibited by younger chickens compared to older ones, suggesting developmental variations in stress response. This finding contributes to a deeper understanding of poultry welfare, demon-strating the potential of non-invasive vocalization analysis for early stress detection and aligning with ethical live-stock management practices. The CNN model’s ability to distinguish between pre- and post-stress vocalizations highlights the substantial impact of stressor application on chicken vocal behavior. This study not only sheds light on the nuanced interactions between stress stimuli and animal behavior but also marks a significant advancement in smart farming. It paves the way for real-time welfare assessments and more informed decision-making in poultry management. Looking forward, the study suggests avenues for longitudinal research on chronic stress and the application of these methodologies across different species and farming contexts. Ultimately, this research represents a pivotal step in integrating technology with animal welfare, offering a promising approach to transforming welfare assessments in animal husbandry.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».