Analyzing Cattle Activity Patterns with Ear Tag Accelerometer Data
Notice bibliographique
Résumé
In this study, we equip two breeds of cattle located in tropical and temperate climates with smart ear tags containing triaxial accelerometers to measure their activity levels across different time periods. We produce activity profiles when measured by each of four statistical features, the mean, median, standard deviation, and median absolute deviation of the Euclidean norm of either unfiltered or high-pass-filtered accelerometer readings over five-minute windows. We then aggregate the values from the 5 min windows into hourly or daily (24 h) totals to produce activity profiles for animals kept in each of the test environments. To gain a better understanding of the variation between the peak and nadir activity levels within a 24 h period, we divide each day into multiple equal-length intervals, which can range from 2 to 96 intervals. We then calculate a statistical measure, called daily differential activity (DDA), by computing the differences in feature values for each interval pair. Our findings demonstrate that patterns within the activity profile are more clearly visualised from readings that have been subject to high-pass filtering and that the median of the acceleration vector norm is the most reliable feature for characterising activity and calculating the DDA measure. The underlying causes for these differences remain elusive and is likely attributable to environmental factors, cattle breeds, or management practices. Activity profiles produced from the standard deviation (a feature routinely applied to the quantification of activity level) showed less uniformity between animals and larger variation in values overall. Assessing activity using ear tag accelerometers holds promise for monitoring animal health and welfare. However, optimal results may only be attainable when true diurnal patterns are detected and accounted for.
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 | 0,000 | 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 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 ».