對寵物健康監測的研究與設計

摘 要：針對寵物健康問題，文章提出基于物聯網的寵物健康監測系統。該系統采用了寵物行為識別、機器學習以及深度學習算法等技術，通過算法來判斷寵物是否健康。實驗結果表明，該系統能夠比較準確地監測寵物的健康狀況，研究成果對于寵物健康管理和醫療保健具有一定的意義和價值。未來，基于物聯網的寵物健康監測系統必將成為寵物健康管理的重要工具，為寵物主人提供更全面、科學的健康管理方案，有利于及時發現和干預寵物健康問題，對改善寵物健康產生積極影響。

關鍵詞：寵物健康；參數提?。粰C器學習；深度學習

中圖分類號：TP311 文獻標識碼：A 文章編號：2096-4706（2024）16-0150-07

Research and Design of Pet Health Monitoring

Abstract： Aiming at the problems of pet health， this paper proposes a pet health monitoring system based on the Internet of Things. The system uses pet behavior recognition， Machine Learning and Deep Learning algorithms and other technologies， and it can determine whether a pet is healthy or not through algorithms. The experiment results show that the system can accurately monitor the health status of pets， and its research results have certain significance and value for pet health management and medical care. In the future， the pet health monitoring system based on the Internet of Things is expected to become an important tool for pet health management， providing pet owners with a more comprehensive and scientific health management program. It is conducive to the timely detection and intervention of pet health problems， and it will have a positive impact on the improvement of pet health.

Keywords： pet health; parameter extraction; Machine Learning; Deep Learning

0 引 言

隨著人們對寵物的關注度不斷提高，寵物健康成為人們越來越關注的話題。中國寵物產業協會最新公布的數據顯示，2021年中國寵物市場規模達到了2 900億元人民幣，同比增長超過15%。預計到2025年，中國寵物市場規模將達到5 500億元人民幣以上，年均增長率將維持在10%以上。中國寵物市場規模依然保持著較快的增長，寵物相關行業的市場具有較為客觀的發展潛力[1]。本文提出的新型的監測寵物健康系統主要用于解決監測不夠準確、服務不夠完善、成本高昂等問題，該系統能夠借助物聯網設備獲取寵物各項指標的數據、借助機器學習中的算法來判斷寵物是否健康，寵物主人能夠通過查看寵物各項指標的異常數據和系統給出的一些針對性建議更加了解寵物的健康狀況。

1 設計思路

目前國內的寵物健康監測產品開發能力低，許多產品濫竽充數，寵物健康難以得到保障。本設計的提出旨在為寵物主人提供更為全面的寵物健康信息，以便照顧他們的寵物。

設計目標：1）全面的健康檢測功能。產品應能通過體溫、心率、血壓等生理指標的監測，及時發現寵物健康問題，并提供準確的健康建議，幫助主人更好地照顧寵物。2）高精度和可靠性。確保設備的傳感器和監測算法具有高精度和穩定性，能夠準確地監測寵物的生理指標，并及時發現異常情況做出反饋。3）簡單易用。寵物健康監測軟件平臺應具有用戶友好的界面和操作方式，寵物主人可以輕松使用該軟件，并能夠快速獲取寵物健康信息。4）數據準確。產品的數據必須準確可靠，盡可能多的顯示能夠反映寵物健康狀況指標，同時做到數據的精確。

2 系統功能架構

如圖1所示，系統分為管理界面、寵物監測、數據分析和統計、用戶身份和信息管理四個部分，系統通過對管理界面、寵物監測、數據分析和統計三個功能的操作，達到對寵物健康監測的目的。系統的主要功能包括實時監測寵物生理狀況，實時記錄寵物行為，提供寵物健康報告，根據報告內容提供專業醫療咨詢服務，等等。

2.1 用戶管理界面

用戶管理界面包括工作臺、寵物管理、設備管理三個部分。工作臺提供各類管理功能的接口，包括寵物管理、設備管理、數據分析、用戶管理等功能。寵物管理記錄了寵物的健康檔案、接種情況等基本信息，同時也能夠對寵物行為進行監測、查看用戶的歷史管理記錄。用戶可以隨時在APP里查看管理寵物的信息。設備管理包括自動投喂裝置、健康監測設備、溫濕度檢測調節裝置、智能衛生消殺設備等裝置的管控和監測。用戶可以遠程操作設備，對寵物進行監測，并實時更新設備的狀態信息。

2.2 寵物監測

寵物監測主要包括寵物狀態監測分析、檢測詳情記錄兩個部分。系統通過寵物的行為和健康狀況，判斷寵物是否出現異常情況，并向用戶實時發送寵物的狀態。系統有自動提醒的功能，當檢測到寵物處于異常狀態時，將向用戶發送緊急提醒，如居住環境的溫度濕度發生劇烈變化、長時間未對寵物的居住環境進行消殺毒處理、寵物排泄物未被及時處理、寵物的飲食補給等。

2.3 數據分析和統計

數據分析和統計包含寵物行為記錄分析、寵物生理狀態記錄分析、寵物健康情況記錄分析三個部分。系統根據記錄的寵物各項指標以及寵物的行為與數據庫記載的標準信息進行比對，判斷寵物是否存在健康問題。根據寵物的居住環境的溫度濕度、寵物的進食情況、消殺操作記錄，分析寵物的投喂和排泄情況，記錄分析寵物的異常數據。系統會進行判斷和分析，并及時提醒用戶進行相對應的操作。

用戶可以隨時登錄系統查看寵物的健康狀態。系統將自動生成寵物的健康情況記錄表，表中包括對寵物的健康狀態的評價和寵物身體變化趨勢，便于用戶了解寵物身體變化，及早發現潛在的問題。針對寵物出現的問題，系統會根據寵物的健康狀態提供專業的醫療咨詢服務，為寵物健康提供專業的指導意見。

2.4 用戶身份和信息管理

記錄和管理用戶的個人信息，包含用戶登錄/注冊信息、用戶權限的管理，等等。

3 人工智能算法設計

人工智能技術在不斷地發展迭代，為了提高監測寵物是否健康的準確率，改進實時監測，強化機器學習，優化數據模型是必不可少的。人工智能算法可以通過對寵物的生理指標、行為模式和環境數據進行分析，來實現對寵物健康狀況的監測和預測[2]。通過機器學習和深度學習等技術，可以構建出針對寵物健康監測的模型，實現對寵物患病風險的預警和預測。人工智能算法的設計理論和方法在智能監測寵物健康方面具有廣闊的應用前景[3]，將為寵物主人提供更加全面和科學的健康管理方案。

3.1 實時監測與智能分類

智能狀態分類器通常使用監督學習算法，例如支持向量機（Support Vector Machines， SVM）或深度學習中的卷積神經網絡（Convolutional Neural Networks， CNN）或循環神經網絡（Recurrent Neural Networks， RNN）。這些算法能夠從實時監測的生理參數數據中學習模式，實現對寵物健康狀態的準確分類。

3.1.1 實時監測算法

實時信號處理。對傳感器數據進行實時信號處理，可采用濾波器技術[4]中的卡爾曼濾波器，卡爾曼濾波器是一種常見的遞歸濾波器，可以用于估計系統狀態并優化測量的精度。同時，傳感器融合算法，擴展卡爾曼濾波（Extended Kalman Filter， EKF），可有效整合多個傳感器的信息，確保高質量、低延遲的數據分析，提供更準確的實時監測。

門限值監測。設定合適的生理參數閾值，當某個參數超過設定的閾值時，觸發實時報警機制。例如：臨床研究測量顯示，狗的正常體溫一般在38～39 ℃，年幼的狗體溫可能會高一些，通常在38.5 ℃左右，成年的狗體溫一般在38 ℃。當狗的皮膚溫度超過39 ℃，直腸溫度超過39.5 ℃一般就會認定狗狗處于發燒的狀態。

3.1.2 智能狀態分類器

機器學習分類器[5]是識別、理解，并將想法、對象分到預設類別或“子群”的過程。機器學習程序使用預先分類的訓練數據集，通過各種算法對未來的數據集進行分類。

卷積神經網絡（CNN）是我們一般在處理圖像和時間序列數據時會使用CNN。卷積層是CNN的核心，用于提取輸入數據的特征。它通過卷積操作將輸入數據與一組可學習的濾波器進行卷積運算，從而得到特征圖。在卷積層中，輸入圖像與一組可學習的卷積核（也稱為過濾器）進行卷積操作。卷積操作可以理解為將卷積核在輸入圖像上滑動，并計算卷積核與圖像局部區域的點積，生成一個特征映射（特征圖）。每個卷積核都可以提取不同的特征，如邊緣、紋理等。卷積操作的好處在于它能夠在保留局部空間關系的同時減少網絡的參數量。對于寵物生理參數的監測，可以使用卷積層捕捉空間信息，例如傳感器陣列的布局，以及適用于時間序列的循環神經網絡（RNN）層，以建模生理參數的時序關系，然后在卷積層的特征映射上應用ReLU（Rectified Linear Unit）[6]，以引入非線性變換，增加模型的表達能力，使用池化操作來提取圖像的主要特征，最終將多個卷積層和池化層交替堆疊形成卷積神經網絡并使用Softmax激活函數來生成預測結果，Softmax函數[7]將每個類別的得分轉化為概率分布，表示該樣本屬于每個類別的概率。這樣CNN可以通過深度學習的方式不斷優化模型，提高寵物健康監測系統的準確性和穩定性。

3.1.3 生理參數提取和轉換方法

生理參數的提取和轉換對于實時監測至關重要。

生理參數提?。豪眯盘柼幚砑夹g從原始數據中提取出需要的生理參數，如心率、體溫等。然后對其進行標準化處理，確保不同寵物或不同品種之間的數據可比性。我們使用Z-score法（正規化方法）[8]，在這種方法中，原始值x經過轉換后得到標準化值y，這樣可以使得數據具有可比性，并且可以將數據限定在[0，1]的范圍內。在SPSS中，Z-score標準化是默認的標準化方法之一。Z-score的簡單化模型：y=1/（1+x），x越大證明y越小，這樣就可以把很大的參數規范在[0—1]之間了，Z-score模型如式（1）所示：

則新的序列y1，y2，…，yn的均值為0，而方差為1，且無量綱。

因此我們可以以不同品種的寵物狗為例，獲取一組體溫數據，Z-score歸一化（mean為均值，std為標準差）如式（2）所示：

將xi代入Z-score歸一化公式得到新的y1，y2，…，yn?？梢园l現，新的序列的均值接近0，標準差接近1。

由于使用Z-score標準化方法，不能保證歸一化后的數據和為1。Z-score標準化的目的是使數據均值為0，標準差為1，而不是使和為1。

生理參數提取可通過信號處理技術，我們使用傅里葉變換[9]，首先收集寵物的生理數據，例如心率、呼吸頻率等?？梢允褂脗鞲衅骰虮O測設備來實時記錄這些數據。將收集到的生理數據進行采樣和數字化處理，得到離散時間序列。然后對離散時間序列進行傅里葉變換，傅里葉變換是一種數學工具，它可以將時域信號轉換成頻域信號，從而幫助我們分析信號的頻率成分。通過傅里葉變換，我們可以將一個信號分解為不同頻率的成分，從而更好地理解信號的頻率特性。

長短時記憶網絡（Long-Short Term Memory， LSTM）這是一種適用于序列數據的循環神經網絡，能夠捕捉生理參數的時序依賴關系。前面我們使用CNN對寵物的圖像進行特征提取。CNN可以識別圖像中的特征，例如顏色、紋理和形狀等。通過訓練CNN模型，可以得到寵物圖像的特征表示。將CNN提取的特征作為輸入序列，輸入到LSTM中進行判斷。

長短期記憶網絡模塊結構相對復雜。它包含三個門[10]：遺忘門、輸入門和輸出門。每個門都有其特定的功能。遺忘門負責決定在當前時刻應該保留多少上一時刻的單元狀態到當前時刻的單元狀態；輸入門負責決定在當前時刻應該保留多少當前時刻的輸入到當前時刻的單元狀態；輸出門負責決定在當前時刻的單元狀態應該輸出多少信息。通過這種機制，LSTM可以更好地處理長期依賴關系，從而適用于處理時間序列數據和自然語言處理任務。由于它叫記憶神經網絡，因此，我們還需要添加遺忘機制和保存機制，讓它學會如何更新自己的認識，從而更新它對世界的認識，并且它需要學習關于該圖像的所有信息是否值得使用以及是否值得保存。在訓練LSTM模型時，可以設置梯度上限參數以限制梯度的大小，從而防止梯度爆炸或梯度消失的問題。

由此看出長短時記憶網絡在寵物健康監測系統中能夠有效地處理時間序列數據，捕捉時序關系，應對數據缺失和噪聲，提高系統的預測和決策能力。

3.2 趨勢預測與數據分析

在寵物健康監測中，時間序列預測算法是關鍵任務之一，數據驅動的健康趨勢分析涉及聚類和降維技術，另外還可采用深度學習方法。這些方法為寵物健康管理提供了強大技術支持，有助于主人及時發現潛在的健康問題。

3.2.1 時間序列預測算法

時間序列預測[11]是寵物健康監測中的重要任務，時間序列預測算法可能包括基于統計的ARIMA模型，ARIMA是一種時間序列預測模型，適用于預測生理參數的趨勢。這里我們用偽代碼舉例說明，如圖2所示。

3.2.2 數據驅動的健康趨勢分析

數據驅動的分析方法包括聚類和降維技術[12]。聚類算法有層次聚類和DBSCAN（Density-Based Spatial Clustering of Applications with Noise），可將寵物群體劃分為不同的健康簇。K均值聚類或層次聚類算法可以識別出具有相似健康特征的寵物群體，為定制化的健康管理提供基礎。而降維技術，有主成分分析（Principal Component Analysis， PCA）和t-分布鄰域嵌入（t-SNE），用于可視化和理解寵物健康數據的復雜結構，這里我們使用主成分分析。PCA是一種常用的降維技術，旨在幫助理解數據的內在結構。其核心思想是將原始的n維特征映射到一個新的k維空間上，這k維特征被稱為主成分，它們是在原有n維特征的基礎上重新構造出來的。PCA的工作過程是找到一組相互正交的新坐標軸，使得數據投影到這些坐標軸上的方差最大。換句話說，第一個新坐標軸是原始數據中方差最大的方向，第二個新坐標軸是與第一個坐標軸正交的平面中使得方差最大的方向，以此類推。通過這種方式，大部分方差都包含在前面k個坐標軸中，而后面的坐標軸所含的方差幾乎為0。因此，我們可以忽略余下的坐標軸，只保留前面k個含有絕大部分方差的坐標軸，從而實現對數據特征的降維處理。在寵物健康監測中，PCA可以幫助識別生理參數中最重要的變化方向，有助于更好地理解和解釋數據。這里我們用偽代碼舉例說明，如圖3所示。

數據驅動的健康趨勢分析可采用聚類算法，例如K均值聚類，以發現不同寵物群體中的健康模式。這里我們還是用偽代碼舉例說明，如圖4所示。

另外，深度學習中的自動編碼器等無監督學習方法也可用于挖掘數據中的隱藏模式和特征。同時，利用大數據技術對寵物群體的健康數據進行分析，識別潛在的健康趨勢和模式，運用數據挖掘技術，發現寵物健康領域的新知識和規律。

3.3 個性化建議生成與模型優化

在寵物健康監測中，個性化建議算法采用協同過濾，基于相似寵物的健康數據為特定寵物提供個性化建議。深度學習中的推薦模型，利用歷史健康數據和其他特征為寵物生成個性化健康建議。協同過濾根據用戶歷史行為和相似用戶的行為生成建議，通過健康規則和實時監測數據為每個寵物制定個性化健康建議。模型參數優化策略包括不斷接收新數據進行在線學習和模型優化，以適應寵物健康監測系統的動態變化。

3.3.1 個性化建議算法

在寵物健康監測中，協同過濾可以基于相似寵物的健康數據為特定寵物提供個性化建議。

個性化建議算法[13]可采用協同過濾和內容推薦的結合。深度學習中的推薦模型，如矩陣分解或基于神經網絡的模型，可以利用寵物的歷史健康數據和其他特征為其生成個性化的健康建議。協同過濾是一種推薦系統算法，如基于模型的協同過濾，根據用戶歷史行為和類似用戶的行為為用戶生成個性化建議。利用與目標寵物相似的寵物的健康數據，為其提供個性化建議。制定一套健康規則，根據實時監測的數據為每個寵物生成個性化的健康建議。

3.3.2 模型參數優化策略

通過不斷接收新數據，系統能夠在線學習并優化模型，以適應寵物健康監測系統的動態變化。同時引入用戶反饋數據，根據用戶的實際使用體驗對系統進行參數調整和優化。

模型參數優化可能包括使用梯度下降等優化算法，對模型參數進行調整以最小化預測誤差。此外，模型參數的優化涉及超參數調整和模型架構的優化。貝葉斯優化算法可以用于系統參數調整，以提高算法的整體性能，也可用于高效地搜索超參數空間，以最大化模型的性能。遺傳算法等進化算法也可應用于優化深度學習模型的結構和參數。模型的在線學習可以通過遞歸最小二乘法（Recursive Least Squares）等算法實現，以適應不斷變化的寵物健康數據。

4 系統軟件設計

寵物健康監測系統是利用人工智能算法技術來監測和評估寵物的健康狀況的服務型系統，其設計目的是為寵物主人提供全方位、實時的寵物健康監測服務，使其能夠更好地關心和管理自家寵物的健康狀況。同時，寵物健康監測平臺對用戶登錄注冊，寵物信息量管理，信息安全等功能板塊進行了不同的設計。

4.1 用戶登錄

打開瀏覽器，輸入系統的網址或IP地址，回車，等待瀏覽器返回平臺登錄頁面，如圖5所示。

用戶需提供正確的用戶名、密碼以及驗證碼來進入系統，完成身份驗證。

登錄系統的流程如下：

1）進行身份驗證登錄：提供用戶名稱，用戶密碼，驗證碼。

2）多層次身份驗證：系統采用，結合云服務器的高性能和數據處理能力，進行身份驗證，確保信息安全傳輸和存儲。

3）數據比對和驗證：通過前臺數據傳輸，系統將用戶提供的信息與已存儲在系統中的數據進行比對驗證，以確保一致性和數據的完整性。

登錄成功之后，進入快捷標簽導航模式面板（工作臺模式），工作臺界面可以清晰地顯示該系統所有的功能模塊，讓用戶更加方便、快捷找到所需內容，如圖6所示。

4.2 寵物信息量管理

寵物信息量管理分為寵物信息收集、寵物檢測、監測設備管理、健康分析、運動跟蹤五個功能模塊，旨在為寵物信息提供有效的管理，為主人提供優質的服務。

4.2.1 寵物信息收集

寵物管理界面是對寵物的基本特征進行信息量記錄，其中包括寵物類型、性別、年齡、體重等基礎特征，另外可根據實際情況對寵物的信息進行編輯處理，保證寵物信息處于最新狀態。

4.2.2 寵物檢測

當用戶進入寵物檢測界面時，用戶可以通過寵物的ID、寵物名稱、檢測時間、檢測狀態、關鍵字快速查找寵物的信息，根據監測設備返回的檢測數值判斷寵物的檢測狀態是否處于異常，如圖7所示。

4.2.3  監測設備

點擊頁面左側菜單導航欄對應的功能模塊：監測設備管理，頁面右側操作區域將刷新并進入監測設備列表頁面，在完成監測設備信息與系統綁定之后，用戶可根據實際情況對監測設備進行編輯處理，如新增監測設備，刪除監測設備等功能，如圖8所示。

4.2.4 數據分析和健康評估

健康評估界面可實時的獲取寵物的健康狀態。進入健康評估界面后，點擊獲取寵物健康狀態信息，寵物健康分析后的最新結果會以列表數據的形式返回到健康評估界面。另外，點擊數據分析，系統會將智能設備、傳感器等工具最新收集的寵物生理參數、運動習慣等多源數據使用算法再次進行數據分析比對，返回分析結果，同時將近期寵物健康狀態結果制成條狀圖返回給健康評估界面，使用戶更容易地了解到寵物的近期狀況，用戶可根據健康分析后的信息及時地對寵物的狀態進行調整或處理。

4.2.5 運動跟蹤

運動跟蹤功能模塊基于傳感器技術與數據采集，可以實時監測寵物的運動活動。在運動數據采集時，需要利用機器學習和模式識別技術，對寵物的運動模式進行分析，訓練模型，使其能夠識別不同的活動，例如走路、跑步、休息等基本運動。

在運動跟蹤界面上點擊查詢寵物最近運動狀況，界面將會返回寵物最新的運動數據，并對寵物的運動狀況進行記錄，且加以評價，如圖9所示。

4.3 信息安全

信息安全功能模塊主要從用戶權限控制，系統登錄日志這兩個角度展開敘述。用戶權限對傳輸的數據和存儲的數據進行加密處理，防止第三方未經授權的訪問對系統數據進行修改，造成數據泄露，遺失等不可逆后果。系統登錄日志可以幫助檢測異?；顒?，如失敗多次的登錄嘗試，非常規的登錄地點，有助于識別潛在的安全威脅。

4.3.1 用戶權限控制

用戶信息管理界面可以對用戶的權限、身份、密碼等做出修改，平臺實施細粒度的權限控制，確保只有授權人員才能訪問特定的信息。合理的訪問管理機制，保證僅有具備合法權限的人員才能夠查看、修改或處理敏感信息，最大程度降低潛在的數據濫用風險。

4.3.2 系統登錄日志

打開系統登錄日志界面可以清楚地查看到用戶的登錄時間、IP地址、登錄方式、權限等級等，有助于監測內部用戶的活動，幫助防范內部威脅，可以更容易的檢測到異常用戶行為，系統登錄日志界面還可以對登錄日志進行刪除處理，避免登錄日志冗余，造成數據堵塞等狀況。

5 結 論

本論文旨在研究寵物健康領域的軟件產品功能設計，以提高對寵物的監測能力，健康分析能力，同時給出應對性建議，并及時反饋寵物健康狀態。通過分析市面上的相關軟件的弊端以及市場調研結果反饋，設計并實施了一款創新性的軟件產品，為寵物主人提供了更全面、實時的寵物健康信息。

寵物健康監測軟件結合了先進的傳感技術、數據分析和人工智能算法，通過追蹤寵物的活動、飲食、睡眠等多個方面的數據，根據這些數據提供定制化的健康建議。這不僅使寵物主人能夠更好地了解寵物的生活習慣，同時還有助于及時發現潛在的健康問題。

在本研究中，通過寵物的健康探討了寵物健康監測領域的一些前沿技術和趨勢，為未來的研究和發展提供了有益的參考。我們深信，通過不斷創新和改進，寵物健康監測軟件將在寵物健康監測領域發揮重要作用。

參考文獻：

[1] 上海艾瑞市場咨詢有限公司.中國寵物消費趨勢白皮書2021年 [C]//艾瑞咨詢系列研究報告.上海：[出版者不詳]，2021（5）：51-118.

[2] 何泫臻，范志聰，李孜，等.寵物健康智能監測發展現狀 [J].廣東飼料，2023，32（10）：8-14.

[3] 曹旭，陳仙祺，陳張好，等.寵物清潔用品現狀與市場淺析 [J].中國洗滌用品工業，2021（6）：40-46.

[4] 陳霈，馮康康，管曉晨，等.基于卡爾曼濾波觀察器的優化預測控制方法研究 [J].工業控制計算機，2023，36（10）：43-46.

[5] 惠姣姣，曹紅寶.基于機器學習分類算法的玻璃文物鑒定 [J].現代信息科技，2023，7（13）：101-104.

[6] BANERJEE C，MUKHERJEE T，PASILIAO E. Feature Representations Using the Reflected Rectified Linear Unit（RReLU） Activation [J].Big Data Mining and Analytics，2020，3（2）：102-120.

[7] 胡陸宇.面向長尾圖像分類的Softmax互補類權重設計算法研究 [D].廣州：廣州大學，2023.

[8] 邵梟虎.基于姿態正規化的人臉識別關鍵技術研究 [D].重慶：中國科學院大學（中國科學院重慶綠色智能技術研究院），2020.

[9] 張廣軍，葉聲華.大量規則圖形傅里葉頻譜信息提取方法的研究 [J].北京航空航天大學學報，1992（2）：25-29.

[10] 郭蘊穎，丁云峰.基于CNN和LSTM聯合預測并修正的電量缺失數據預測 [J].計算機系統應用，2020，29（8）：192-198.

[11] 王素.基于深度學習的時間序列預測算法研究與應用 [D].成都：電子科技大學，2023.

[12] 余大龍.基于特征選擇的數據降維算法研究 [D].合肥：安徽大學，2017.

[13] 孫建.基于強化學習的個性化推薦算法研究 [D].長春：長春工業大學，2023.