Decoding vocal indicators of stress in laying hens: A CNN-MFCC deep learning framework
Notice bibliographique
Résumé
Artificial intelligence is revolutionizing our capacity to interpret and respond to animal emotional states. This study leverages advanced Convolutional Neural Networks (CNNs) combined with Mel Frequency Cepstral Coefficients (MFCCs) to decode intricate vocalization patterns in laying hens experiencing acute environmental stress. Controlled exposure to realistic auditory stimuli (dog barking) and visual stimuli (umbrella opening) across different developmental stages enabled a critical comparative evaluation of vocal stress responses within a commercial-like experimental setup. Over five weeks, audio data were systematically captured from control and treatment groups, providing insights into vocal behaviors before and after stress induction. Remarkably, younger hens demonstrated significantly elevated vocal activity and more pronounced spectral shifts when stressed, underscoring age-dependent variations in emotional reactivity and coping mechanisms. The CNN model attained a remarkable 94% classification accuracy, reliably discriminating stressor types, age categories, and exposure conditions based solely on MFCC-derived acoustic signatures. Analysis further revealed that lower-order MFCC features are acutely responsive to stress-induced vocal dynamics, whereas higher-order coefficients remained relatively constant, signifying subtle emotional states. These compelling findings position vocalizations as powerful, non-invasive biomarkers of welfare status in poultry, supporting real-time, AI-driven monitoring solutions. By facilitating early, precise detection of distress signals, this innovative approach holds substantial promise for enhancing welfare standards and management decisions in livestock production. Ultimately, this study presents a robust, scalable methodology poised to advance digital agriculture broadly, turning previously silent animal expressions into essential indicators of their wellbeing and transforming farm animal management into a more ethically responsive practice.
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 | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».