Behavior classification and rhythm analysis of pigs based on wearable sensors
Notice bibliographique
Résumé
Assessing the health status of pigs is critical for the swine industry, as the timely detection of abnormal behaviors can improve both production efficiency and animal welfare. To address the current challenges associated with wearable sensor data in pigs, such as indistinct behavioral features, irregular behavior durations, and the difficulty of manual classification, this paper proposes a behavior classification method based on ear tag data to detect three primary behaviors in pigs: feeding, movement, and sleeping. First, we collected 3-D accelerometer data from the ear tags of 40 pigs over a 60-day period. Then, using a sliding window approach, we transformed the accelerometer data for different behaviors into short-time Fourier transform (STFT) spectrograms, time-amplitude graphs, scatter plots, and density plots at various time scales (0.5 seconds, 1 second, 10 seconds, 30 seconds, 60 seconds, 120 seconds, and 180 seconds). Finally, we employed a spatial attention-enhanced ResNeSt-101 model to classify the images representing pig behaviors. The experimental results showed that time-amplitude graphs provided superior behavior classification performance compared to other image types, with the 60-second time-amplitude graphs achieving the highest accuracy at 91.23%. Statistical analysis of pig behavior using ear tag data indicated that the primary feeding times were between 6:00-10:00 and 14:00-18:00, with a total daily feeding duration of approximately 1.5 hours. This study introduces a novel technological approach for pig behavior detection and health assessment, with promising potential to enhance production efficiency and animal welfare.
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 | 0,001 | 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 ».