Evaluating machine learning classifiers and explainability for monitoring cow behaviour with wearable nose rings
Notice bibliographique
Résumé
Wearable technologies are revolutionizing precision livestock monitoring by allowing continuous real-time monitoring of animal behaviour. This study investigates and evaluates the use of machine learning techniques to classify dairy cow behaviours using tri-axial accelerometer data collected from novel wearable nose ring sensor. The raw dataset initially included five distinct behaviours: Feeding, Ruminating, Standing, Lying and Walking. However due to data imbalance and data limitations we refined the classification to three core categories: Feeding, Rumination and Walking. While previous studies on this dataset focused solely on Long Short-Term Memory(LSTM) network, the comparative potential of other models remained unexplored. To address this gap, we performed a comparative study on multiple classifiers, including Random Forest (RF), Artificial Neural Network (ANN), Gated Recurrent Unit (GRU) and a hybrid Convolutional Neural Network with LSTM (CNN-LSTM). The obtained results showed that GRU model performed well with an accuracy of 97.78 %, followed by CNN-LSTM, ANN and RF which scored 97.78 %, 68.27 % and 67.6 % respectively. To enhance model transparency, Explainable AI techniques were utilized. SHAP and LIME were utilized to showcase feature importance and interpretability of these models. These findings showcase the effectiveness of deep learning models (GRU, CNN-LSTM) and emphasizes the importance of model explainability in precision livestock management.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».