探索利用动物本体加速度计进行野生动物行为分类的深度学习技术

IF 6.3 2区环境科学与生态学 Q1 ECOLOGY Methods in Ecology and Evolution Pub Date : 2024-02-21 DOI:10.1111/2041-210X.14294

Ryoma Otsuka, Naoya Yoshimura, Kei Tanigaki, Shiho Koyama, Yuichi Mizutani, Ken Yoda, Takuya Maekawa

引用次数: 0

摘要

1 引言1.1 利用时间序列传感器数据对野生动物进行行为分类了解动物在何时、何地以及在做什么是理解动物行为的基础。生物记录是一种现代研究技术，它利用动物携带的数据记录器记录各种时间序列传感器数据，如加速度、温度、水深和位置数据（Fehlmann & King, 2016; Yoda, 2019）。在现有传感器中，加速度传感器通常用于重建动物行为，因为许多行为都以独特的加速度信号模式为特征（Yoda 等人，1999 年）。一旦通过视频或直接观察（即标记或注释）确认了加速度信号与行为之间的关系，就可以通过监督学习开发出 "行为分类器"。然后，就可以利用这些分类器计算行为时间分配（Yoda 等人，2001 年），并从加速度信号中识别特定行为，如捕获猎物（Watanabe & Takahashi, 2013 年）。最近，经典的机器学习方法，即通常需要特征工程的非深度学习机器学习方法（本研究中的术语解释见表 S1），成功地对动物行为进行了分类。以往的研究利用各种机器学习模型和加速度数据对包括鸟类和哺乳动物在内的各种动物的行为进行了分类（Fehlmann 等人，2017 年；Nathan 等人，2012 年；Yu 等人，2021 年）。例如，Nathan 等人（2012 年）测试了五种经典机器学习模型对狮鹫行为分类的有效性：线性判别分析 (LDA)、支持向量机 (SVM)、决策树 (DT)、随机森林 (RF) 和人工神经网络 (ANN)。Yu 等人（2021 年）对五个物种进行了 XGBoost 以及 LDA、DT、SVM、RF 和 ANN 的测试。虽然他们主要侧重于寻找适合机载行为分类的模型，但他们证明 SVM、RF、ANN 和 XGBoost 在 F1 分数或总体准确率方面通常表现更好。此外，还采用了其他方法，如 k 近邻（Sur 等人，2017 年）和隐马尔可夫模型（Leos-Barajas 等人，2017 年）。只有少数研究利用深度学习对使用时间序列传感器数据的野生动物行为进行分类。虽然不是基于加速度的行为分类，但 Browning 等人（2018 年）使用多层感知器利用 GPS 数据预测了三种海鸟的潜水行为。Roy 等人（2022 年）通过使用卷积神经网络（CNN）和 U-Net 来预测海鸟的潜水行为，从而扩展了他们的工作。最近，霍夫曼等人（2023 年）将 CNN 和门控递归单元等深度学习模型应用于九个物种的数据集。因此，在最近的生物记录研究中，有几个将深度学习应用于时间序列传感器数据的例子；不过，这一领域仍处于早期发展阶段。1.2 家养动物和人类的行为分类技术基于深度学习的行为分类技术已被广泛应用于家养动物和人类研究中（如 Pan 等人，2023 年；Singh 等人，2021 年）。在对包括马和哺乳母猪在内的家畜进行基于加速度的行为分类时，深度学习模型（如 CNN）已被开发为一种自动监测行为并获取动物健康和福利信息的技术（如 Eerdekens 等人，2020 年；Pan 等人，2023 年）。在人类活动识别（HAR）方面，Ordóñez 和 Roggen（2016 年）证明，结合了 CNN 和 LSTM 的 DeepConvLSTM（DCL）在日常活动和流水线工人活动数据集上取得了很高的性能。Singh 等人（2021 年）提出了一种在 DCL 架构之后增加了一个自我注意层的模型（本研究中称为 DeepConvLSTMSelfAttn（DCLSA）），该模型在各种人类活动数据集上的表现优于 DCL。最近，在工业领域开展了 HAR 研究，重点关注更具体、更复杂的任务。Xia 等人（2022 年）提出了基于注意力的神经网络来识别高绩效和低绩效工人的技能。Yoshimura, Maekawa 等人（2022 年）提出了基于注意力的神经网络来识别高绩效和低绩效工人的技能。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

摘要图片

查看原文

微信好友朋友圈 QQ好友复制链接

本刊更多论文

Exploring deep learning techniques for wild animal behaviour classification using animal-borne accelerometers

求助全文

通过发布文献求助，成功后即可免费获取论文全文。去求助

来源期刊

Methods in Ecology and Evolution ECOLOGY-

CiteScore

11.60

自引率

3.00%

发文量

236

审稿时长

4-8 weeks

期刊介绍： A British Ecological Society journal, Methods in Ecology and Evolution (MEE) promotes the development of new methods in ecology and evolution, and facilitates their dissemination and uptake by the research community. MEE brings together papers from previously disparate sub-disciplines to provide a single forum for tracking methodological developments in all areas. MEE publishes methodological papers in any area of ecology and evolution, including: -Phylogenetic analysis -Statistical methods -Conservation & management -Theoretical methods -Practical methods, including lab and field -This list is not exhaustive, and we welcome enquiries about possible submissions. Methods are defined in the widest terms and may be analytical, practical or conceptual. A primary aim of the journal is to maximise the uptake of techniques by the community. We recognise that a major stumbling block in the uptake and application of new methods is the accessibility of methods. For example, users may need computer code, example applications or demonstrations of methods.