编辑推荐：
随着全球骆驼养殖集约化发展，奶驼行为变化影响其福利与生产，但相关研究匮乏。研究人员利用三轴加速度计和陀螺仪组成的定制传感器，结合深度学习算法监测奶驼行为。结果显示，密集层卷积神经网络（CNNs）预测准确率达 84% 。该研究为奶驼行为监测提供新方法，助力养殖管理。
在广袤的养殖天地里，骆驼养殖正悄然发生着变化。全球骆驼数量不断攀升，尤其在非洲国家，已超过 4100 万头。人们对骆驼肉和奶的需求日益增长，因其富含多种营养成分，对健康益处多多。于是，集约化的骆驼养殖模式应运而生，机器挤奶也越来越普遍。
然而，这种养殖模式的转变给骆驼带来了诸多影响。空间受限、畜群密度增加，骆驼的活动范围大受约束；食物从天然植被变成了浓缩饲料，影响了它们的消化和营养吸收；长期站在坚硬地面且缺乏运动，导致健康问题频发；原本的社会等级秩序也被打乱，还可能出现刻板行为。这些变化严重影响了骆驼的福利状况，进而对其生产性能和健康造成威胁。但目前，人们对奶驼在集约化养殖系统中的行为了解少之又少。传统的行为评估方法，像直接观察和视频分析，不仅耗时费力，还可能干扰动物正常行为，人工分析视频的工作量也很大，而且不同观察者之间容易出现记录不一致的情况。
为了填补这一知识空白，来自突尼斯干旱地区研究所（IRA）等机构的研究人员展开了一项别具一格的研究。他们将三轴加速度计和陀螺仪组合成一个小巧的传感器，通过缰绳佩戴在 6 头雌性马格里布奶驼的右下颌处，利用 10 秒的时间窗口收集数据，并借助多种深度学习技术，如卷积神经网络结合长短期记忆网络（ConvLSTM）、密集层卷积神经网络（CNNs）和独立长短期记忆网络（LSTM），对奶驼的行为进行监测和预测。
研究人员用到的主要技术方法包括：定制由三轴加速度计和陀螺仪组成的传感器，用于采集奶驼行为数据；采用 10 秒时间窗口进行数据收集；运用多种深度学习算法（ConvLSTM、密集层 CNNs、LSTM）对收集的数据进行分析处理。
研究结果表明：在研究期间，奶驼花费时间最多的行为是进食，共计 444 分钟，出现了 33134 次；其次是反刍，156 分钟，出现 11611 次；休息为 140 分钟，出现 10487 次。相比之下，行走和饮水的频率要低得多，分别只有 2627 次和 368 次 。在行为预测方面，密集层 CNNs 的表现最为出色，总体准确率达到 84%，对进食、休息、反刍和行走的预测准确率分别为 89%、67%、92% 和 12%。ConvLSTM 模型的准确率为 83%，对上述行为的预测准确率分别为 85%、76%、87% 和 18%。LSTM 模型的总体准确率稍低，为 78%，相应的预测准确率分别为 81%、66%、87% 和 8% 。不过，所有模型在预测行走行为时都存在困难，这可能是因为在集约化养殖系统中，骆驼的活动范围有限。
在讨论部分，研究人员指出，这是首次利用可穿戴传感器预测骆驼行为，为了解奶驼在集约化管理系统中的活动提供了新的知识。传感器的放置位置会因物种和预测行为的不同而有所差异，此次将传感器置于骆驼右下颌，能较为准确地检测目标行为。
综合来看，这项研究意义非凡。它成功开发出一种可穿戴的 3D 传感器，结合深度学习算法，能够有效地监测奶驼的行为。密集层 CNNs 在行为预测中表现最佳，虽然行走行为预测仍有挑战，但在识别进食、反刍和休息行为方面准确率较高。这一研究成果为奶驼的自动化行为监测提供了坚实的基础，有助于提升集约化养殖系统中奶驼的福利水平，优化养殖管理策略，促进骆驼养殖业的健康发展。该研究发表在《Applied Animal Behaviour Science 2.2》上，为相关领域的研究开辟了新的道路，有望推动骆驼养殖行业的进一步发展。
