基于無線傳感器網絡支持向量機奶牛行為特征識別*

尹 令，洪添勝，劉迎湖，劉財興

(1．華南農業大學信息學院，廣州510642;2．華南農業大學工程學院，廣州510642;3．華南農業大學理學院，廣州510642)

家禽和乳牛生產是人類食物供應鏈的兩個重要來源，因此加強動物的監控管理，保障動物健康，對提高動物產量非常重要[1]。而對動物的監控包括兩個主要的目標:動物健康監控和動物行為研究。國外已經展開應用無線傳感器網絡對奶牛進行監控的研究。澳大利亞CSIRO研究人員通過傳感器采集奶牛位置、體溫、三軸運動加速度、速度和三軸磁場強度值，應用多個信息采用閾值來分類動物行為特征[2-3]。加拿大研究人員用視頻記錄奶牛的行為，再分類奶牛站立、躺著、搖頭等行為頻率，以此研究畜欄的地板和拴系方式如何提高奶牛舒適度[4]。美國研究人員應用加速度傳感器監測分類奶牛躺、站立、走動等行為從而判斷奶牛是否生病[5]。芬蘭科學家提出用支持向量機分類模型識別奶牛的站立、躺、反芻、進食、正常走和跛腳走等行為[6]。日本研究人員對奶牛的三軸加速度傳感數據做統計閾值分類來識別奶牛的吃草，反芻和休息的行為，從而判斷動物的精神和身體狀況[7]。現有研究多數采用閾值和統計的方法來分類奶牛行為，這樣形成的模型簡單，但沒有充分考慮到奶牛的個體差異性，不具備自學習調整功能。唯有文獻[6]運用支持向量機來建立模型，然而其分類目標是為了判斷奶牛是否跛腳，分類的行為和輸入數據與奶牛發情鑒定均有不同。

發情鑒定是奶牛繁殖育種工作中必備且重要的一項技術。準確高效的發情鑒定技術能夠提高受胎率和縮短胎間距，是改善奶牛繁殖效率和增加經濟效益的重要手段。現在最常用的發情鑒定方法是外部行為特征觀察，其方法簡便、直觀。然而，現代集約化的養殖模式下發情鑒定完全依賴人工連續長時間的觀察，需要大量的人力資源。另外觀察要盡量在不被動物覺察的情況下進行，大多數動物覺察出觀察者的存在，容易干擾并中斷正常的活動，這都增加奶牛發情鑒定的難度。本文設計將配置有加速度傳感器的無線傳感器節點項圈佩戴在奶牛身上，在不干擾其正常活動的情況下，實時監測奶牛三軸運動加速度，通過基于二叉決策樹支持向量機時間序列模型分類其行為類型、活動強度等生理和行為特征，用于初步鑒定奶牛是否發情。

1 材料和方法

1．1 無線傳感節點

嵌入有三軸加速度傳感器的無線傳感節點如圖1所示，節點由兩個AA電池供電，其大小為63 mm×30 mm×25 mm，重約12 g。無線傳感節點的控制器采用低功耗的Msp430F149(Texas Instruments，USA)，其工作在2．2 V、1 MHz時電流工作電流僅為280 nA，睡眠模式下為0．1 nA。無線發送接收芯片采用CC2500(Texas Instruments，USA)，該芯片是低功耗多通道無線應用成本最低的產品之一，工作波段頻帶為2．4 GHz，封裝小，功耗低，發送數據率高，靈敏度高。傳輸模塊無障礙時的最大通信距離為200 m。實際在牛場應用時，由于奶牛身體的遮擋等，實際傳輸距離衰減為120 m左右。三維加速度傳感器ADXL330(Analog Deice，USA)，可以靜態或者動態測量物體的加速度，測量范圍是±2g[15]。整個無線傳感器節點用一個密閉的防水盒封裝，固定在定制的牛頭套項圈上，如圖2所示。

圖1 無線傳感器節點

圖2 佩戴有節點項圈的奶牛

1．2 數據采集

實驗記錄數據來源于4頭奶牛，其中2頭處于發情期的奶牛。這4頭奶牛被放養在一個可自由活動的運動場內。奶牛行為由攝像機記錄，攝像機與無線傳感節點進行時間同步，這樣通過查詢時間戳，可以準確知道奶牛每秒的行為動作。

加速度反映著物體運動速度變化的快慢。實驗中加速度傳感器獲取奶牛三軸方向加速度，三軸方向指向分別為x軸指向牛尾，y軸指向牛身體外側與x軸為同一平面，z軸指向地。加速度傳感器采樣頻率為10 Hz，然而為了減少通信開銷，無線傳感器節點并不將采集到的每一個數據傳回控制中心，而是根據用戶定義的時間滑動窗口傳送數據。時間滑動窗口可以選取為1 s，2 s或更長時間，在選定的時間滑動窗口內只傳送記錄窗口時間內的三軸方向加速度的平均值，最大峰值，最小峰值和標準方差。時間滑動窗口選取短窗口能較為精確地描述奶牛動作，但傳送數據量較大;而選取長時間窗口一些變化較快的動作如爬跨等不能精確描述，傳送數據量則成倍減少。

1．3 奶牛行為特征

奶牛的行為分類根據不同的標準和目的有多種分類方法。Huzzey J M等在研究奶牛產犢之后的飲食情況，只考慮奶牛進食、飲水和站立等行為[8]。Haley D B以奶牛站立、躺著、搖頭行為頻率來評價奶牛對于環境舒適度情況[4]。Toshio Watanabe通過分析奶牛在單位時間內一條腿是否高于其他腿來判定奶牛是否處于發情期[9]。

動物學家在研究奶牛習性時發現，在發情早期，發情牛表現興奮不安、敏感躁動、走動頻繁，而未發情的母牛比較懶散[10];放牧條件下發情母牛經常離群、單獨在籬笆圍欄處來回走動，并追趕其它母牛、嗅舔其它母牛的外生殖器[11]。同時，爬跨其它牛是發情牛出現頻率較高的又一種行為，超過90%的發情牛會表現爬跨行為[12-14]。為此監測奶牛運動行為特征是判斷發情的一個重要指標。奶牛的行為特征復雜多變，很難完全區分所有行為特征。為降低系統建模難度，將奶牛的行為特征分為輕幅動作和大幅度動作，其中輕幅動作又包含靜止和慢走，大幅度運動再細分為快跑和爬跨，如圖3所示。

圖3 奶牛行為分類

2 模型建立與算法設計

支持向量機SVMs(Support Vector Machines)1995年由Vapnik與其領導的貝爾實驗室的研究小組一起開發出來的一種新的機器學習技術。由于其出色的學習性能，該技術已經成為當前國際機器學習界的研究熱點[16-17]。本文運用支持向量機SVMs法對奶牛行為方式的特征進行識別。

首先，對觀測數據建立如下的支持向量機SVMs模型:

設{(xi，yi)，i=1，2，…l}，其中 xi∈Rn為給定的樣本集，即輸入量，yi∈Rn為目標輸出量，l為訓練樣本個數。

在本應用模型中，輸入量 xt(t=1，2，…，l)定義為:

式(1)中，(xavgt，yavgt，zavgt)為選定長度的時間滑動窗口內三軸方向加速度的平均值，該組值體現出奶牛各個方向運動變化的趨勢;(xmaxt，ymaxt，zmaxt)是三軸加速度的最大峰值，此值反映劇烈運動的瞬間加速度變化量;(xdevt，ydevt，zdevt)是三軸加速度的最大方差值，它能體現出奶牛運動的瞬間最大變化趨勢;sma是三軸加速度絕對值之和，能綜合反映三軸運動變化的大小。因此:

其中k為一個時間滑動窗口內取樣點個數。本研究工作通過對下列所述的式(6)模型通過尋求適當的核函數 K(xi，xj)，i，j=1，…，l，從而尋找最優分類面:

當金屬層數變為2層時，在諧振點處也可觀察到環偶極子現象。雙層金屬結構超材料表面電場和磁場分布如圖4所示。圖4（a）為雙層金屬超材料低頻諧振表面電場分布，在圖4（b）中可以觀察到磁偶極子首尾相連呈旋渦狀的環偶極子。圖4（c）是雙層金屬超材料高頻處表面電場分布，圖4（d）為高頻諧振處的磁場，可以觀察到一個明顯的環偶極子。對比單層和雙層金屬超材料，可以看出雙層金屬的超材料單元結構磁場能量更強，同時環偶極子響應也更強。

式(6)模型中，αi為對應的Lagrange乘子。

其次，應用上述建立的支持向量機SVMs模型，進一步觀察數據進行分類，其實現的方法如下:

其中b*是分類閾值，由約束條件

求解可得。運用此分類規則可通過計算sgn[fk(xi)]的值而得。

上述支持向量機SVMs模型的設計中，如何選擇合適有效的核函數，以取得較好的分類效果，本研究通過對現有數據的大量實驗分析表明，將核函數選擇為高斯徑向基函數(Radial Basis Function，RBF)，可取得較好的分類效果。因此，本研究將式(6)模型的核函數定義為:

式(9)中，σ為核函數的寬度參數，它滿足Mercer定理。

由于本研究將奶牛的行為分為靜止、慢走、快跑和爬跨四個特征，因此，需進一步在上述的二值分類方法的基礎上構造一個四類分類器。目前，解決多分類問題有如下常用的兩種方法[18]:一是組合幾個二值分類器去構造多類分類器;二是在一個優化公式中直接考慮所有數據進行全局優化。而常用的組合多個二值分類器又有三種模式:一對多組合(One Against All)、一對一組合(One Against One)和DAGSVM(Direeted Acyclic Graph SVM)。本文采用逐層構造二叉決策樹SVM兩類分類器來解決多類分類問題，如圖4所示。

圖4 二叉決策樹支持向量機分類結構圖

3 實驗結果與分析

表1 1 s時間窗口分類結果

表2 2 s時間窗口分類結果

時間窗口取值1 s，實驗中數據樣本個數為2 398個，其中約70%用于訓練分類模型，30%用于測試。c，g參數采用交叉驗證選擇最優參數。從表中可以看出在第一次對輕幅(包括靜止和慢走)和大幅運動(包括跑動和爬跨)區分度高，達到95．5%。然后利用分離后的數據結果進行第二次輕幅動作靜止和慢走的分類，以及第三次大幅動作跑動和爬跨的分類。輕幅動作分類結果僅70．7%，分析存在有以下原因可能導致誤分，一是奶牛的運動行為有時是復合運動，如它站著或躺著處于相對靜止狀態，但它偶爾會輕微搖頭或者咀嚼，觀察時把奶牛運動狀態定義為靜止，而加速度傳感器佩戴在牛頸部，對奶牛頭部運動敏感，使得數據源樣本錯誤。另外一方面奶牛各種運動狀態是一個動態過程，瞬間加速度會有變化，在觀測定義的時候把整個行為過程都按照一個行為狀態來定義。這兩個原因都會使得數據源就存在誤差。第三次分類結果為80%。奶牛在發情期時會出現明顯的焦躁不安，動作幅度明顯加大，爬跨時躍起和落下瞬間加速度非常大，而停留時加速度變化不大且每次爬跨的持續時間不同，都會導致數據源樣本差異。

時間窗口取值為2 s，如表2所示，可以減少一半數據傳送量降低能耗和通信開銷，而時間窗口延長會出現同一窗口內存在兩種行為狀態，選取采用持續時間長的動作行為作為當前窗口的行為狀態，這將會犧牲采樣數據的準確有效性，降低識別的準確率。

4 結論與討論

4．1 結論

在本研究中，基于二叉決策樹SVM構造多分類模型用于分類奶牛靜止、慢走、快跑、爬跨等行為特征，對于區分輕幅和大幅度運動能達到95%的準確度，但再細分輕幅度和大幅度運動時區分度還需要進一步提高。

4．2 討論

研究動物的行為特征，有利于判斷動物是否處于生病、發情等異常狀況，同時有利于改善動物的福利。除了奶牛以外，一些學者也通過各類傳感器設備研究豬[19]，企鵝[20]、貓[21]等動物的行為特征。不管采用什么樣的方法來研究動物行為特征的分類都存在一個問題，對于各種動物行為特征描述沒有統一標準。如何定義動物的行為特征，復合動作行為如何處理，確保度量標準一致，數據源可靠準確等，是首先要解決的問題。一方面可以改進實驗方案，以精確獲取數據源，另一方面滑動窗口選擇不采用固定時間窗口，換以動作事件為滑動窗口，這樣更符合對行為狀態的描述。

實驗中受到場地、資料資源等限制隨機選擇4頭奶牛進行實驗，后續實驗要擴大實驗范圍，增加數據量。

動物的行為存在個體差異，個體行為特征識別模型也將有所差異，因此算法設計要具備可學習性能根據不同個體行為特征調整模型參數，達到最佳識別效果。支持向量機算法具有出色的學習性能，能根據個體差異，自動學習調整模型。但訓練模型時，在資源有限的無線傳感器節點完成大量的運算不現實，若傳輸到控制中心運算，將增加整個網絡的通信開銷和節點能量的消耗。如何高效的完成個體行為差異的自學習功能是一個需要解決的關鍵。

[1]Ana Carolina de Sousa Silva，Aldo Ivan Céspedes Arce，Sérgio Souto，et al．A Wireless Floating Base Sensor Network for Physiological Responses of Livestock[J]．Computers and Electronics in Agriculture，2005，49(2):246-254．

[2]Guo Y，Corke P，Poulton G，et al．Animal Behaviour Understanding using Wireless Sensor Networks[C]//Local Computer Networks，Proceedings 2006 31st IEEE Conference on．Tampa，2006:607-614．

[3]Rebecca N Handcock，Dave L Swain，Greg J Bishop-Hurley．Monitoring Animal Behaviour and Environmental Interactions Using Wireless Sensor Networks，GPS Collars and Satellite Remote Sensing[J]．Sensors 2009，9(5):3586-3603．

[4]Haley D B，de Passillé A M，Rushen J．Assessing Cow Comfort:Effects of Two Floor Types and Two Tie Stall Designs on the Behaviour of Lactating Dairy Cows[J]．Applied Animal Behaviour Science，2001，71(2):105-117．

[5]Robert B，White B J，Renter D G．Evaluation of Three-Dimensional Accelerometers to Monitor and Classify Behavior Patterns in Cattle[J]．Computers and Electronics in Agriculture．2009，67(1):80-84．

[6]Martiskainen P，J?rvinen M，Sk?n J，et al．Cow Behaviour Pattern Recognition Using a Three-Dimensional Accelerometer and Support Vector Machines[J]．Applied Animal Behaviour Science，2009，119(1):32-38．

[7]Nariyasu Watanabe，Seiichi Sakanoue，Kensuke Kawamura，et al．Development of an Automatic Classification System for Eating，Ruminating and Resting Behavior of Cattle Using an Accelerometer[J]．Grassland Science．2008，54(4):231-237．

[8]Huzzey J M，von Keyserlingk M A G，Weary D M．Changes in Feeding，Drinking，and Standing Behavior of Dairy Cows During the Transition Period[J]．Journal of Dairy Science．2005(88):2454-2461．

[9]Watanabe T，Sakurai A，Kitazaki K．Dairy Cattle Monitoring Using Wireless Acceleration-Sensor Networks[J]．Sensors 2008，978-1-4244-2580-8:526-529．

[10]Chapinal N，Veira DM，Weary DM，et al．Technical Note:Validation of a System for Monitoring Individual Feeding and Drinking Behavior and Intake in Group-Housed Cattle[J]．Journal of Dairy Science，2007，90(12):5732-5736．

[11]Orihuela A．Some Factors Affecting the Behavioural Manifestation of Oestrus in Cattle:a Review[J]．Appl Anim Behav Sci，2000，70(7):1-16．

[12]Roelofs J B，Eerdenburg F J，Soede N M，et al．Various Behavioral Signs of Estrous and Their Relationship with Time of Ovulation in Dairy Cattle[J]．Theriogenology，2005，63(9):1366-1377．

[13]Solano J，Orihuela A，Galina C S，et al．Rela-Tionships Between Social Behaviour and Mounting Activity of Zebu Cattle[J]．Appl Anim Behav Sci，2005，94(2):197-203．

[14]Diskin M G，Sreenan J M．Expression and Detection of Oestrus in Cow[J]．Reprod Nutr Dev，2000，40(5):481-491．

[15]錢莉，陳文元．基于MEMS加速度計的輸入系統的研究[J]．傳感技術學報，2009，(05):639-642．

[16]Vapnik V，Golowich S，SmolaA．Support Vector Method for Function Approximation，Regression Estimation，and Signal Processing[C]//Advances in Neural Information processing Systems，Cambridge，MA，MIT Press，1997:281-287．

[17]Sch?lkopf B，Smola A，Muller K-R．Kemel Principal Component A-nalysis[M]．In Sch?lkopf B，Burges C，Smola A，editors，Advances in Kernel Methods-Support Vector Leaming．MIT Press，Cambridge，MA，1999:327-352．

[18]張曉惠，林柏鋼．基于特征選擇和多分類支持向量機的異常檢測[J]．通信學報，2009，(S1):68-73．

[19]Ce'cile Cornou，Séren Lundbye-Christensen．Classifying Cows’Activity Types from Acceleration Patterns An Application of the Multi-Process Kalman Filter[J]．Applied Animal Behaviour Science，2008(111):262-273．

[20]Yoda K，Naito Y，Sato K．A New Technique for Monitoring the Behaviour of Free-Ranging Adélie Penguins[J]．The Journal of Experimental Biology 2001(204):685-690．

[21]Shinichi Watanabe，Masako Izawa，Akiko Kato．A New Technique for Monitoring the Detailed Behaviour of Terrestrial Animals:A Case Study with the Domestic Cat[J]．Applied Animal Behaviour Science 2005，(94):117-131．