基于加速度计数据与机器学习融合的山羊行为预测模型优化研究及其在精准畜牧业中的应用

推荐：本研究针对精准畜牧业(PLF)中牲畜行为监测需求，开发了基于三轴加速度计和机器学习算法的山羊行为分类系统。通过评估滤波、窗口分割、重叠率等预处理方法对分类性能的影响，发现树状分类器和多层感知器(MLP)模型平均准确率达0.9以上，其中MLP模型可延长设备电池寿命约25%。该研究为实时行为监测提供了优化方案。

　　

在精准畜牧业(Precision Livestock Farming, PLF)快速发展的背景下，如何实现牲畜行为的自动化监测成为行业痛点。传统人工观察法耗时费力，而现有传感器技术存在数据预处理方法不统一、模型泛化能力不足、设备能耗过高等问题。特别是对于山羊这类运动模式复杂的反刍动物，其行为识别面临三大挑战：颈部佩戴的加速度计信号易受重力干扰、短时行为难以捕捉、以及"进食"与"行走"等行为信号相似度高。

针对这些技术瓶颈，西班牙瓦伦西亚理工大学的研究团队开展了一项创新研究。他们通过在15只Murciano-Granadina品种山羊颈部安装LIS3DH三轴加速度计（采样率10Hz），同步采集了50小时视频标注数据，构建了包含2400万数据点的数据库。研究创新性地采用Leave-One-Session-Out(LOSO)交叉验证方法，系统评估了3360种预处理组合对行为分类的影响。

在技术方法上，研究团队首先通过线性插值处理数据丢失问题，采用Butterworth滤波器进行信号处理，设置1-30秒不等的窗口大小(WS)和4-30Hz采样率(SR)进行数据分割。随后提取时域（均值、方差等）、频域（FFT特征）和运动动力学特征（ODBA、VeDBA等）共49个特征。使用Extra Tree分类器筛选最优预处理组合，并对比了16种机器学习算法性能，最终选择LightGBM、随机森林、逻辑回归和MLP进行深入分析。为解决类别不平衡问题，采用SMOTE过采样技术处理训练数据。

3.1 预处理方法对模型验证的影响
研究发现最佳预处理组合为：低通滤波(<0.02Hz)、40-60%重叠率、1-4秒窗口大小，此时Extra Tree分类器准确率达0.97-0.99。但LOSO验证显示实际准确率为0.93，表明传统验证方法存在数据泄露风险。高频滤波(0.9Hz)会显著降低准确率至0.29以下，因其过度消除重力分量信号。

3.2 各预处理方法对分类性能的影响
方差分析显示低通滤波和高通滤波分别使准确率降低0.3539和0.4146(p<0.001)，而40-60%重叠率可提升准确率0.1784。10秒窗口和10Hz采样率被确定为最佳平衡点，既能保留行为特征又不会显著增加能耗。值得注意的是，重叠处理在独立会话验证中并未提升性能，揭示前人研究可能存在验证方法缺陷。

3.2.1 模型评估与性能
在LOSO验证下，LightGBM和MLP表现最优（准确率0.926-0.937）。SMOTE过采样使逻辑回归对"行走"行为的识别率从0.31提升至0.84。特征重要性分析显示x轴均值在所有模型中均关键，而逻辑回归更依赖ODBA、VeDBA等运动能量特征。MLP模型经TensorFlow Lite量化后，模型尺寸仅17KB，较随机森林(12MB)大幅减小，并使设备续航提升25%。

这项研究的重要意义在于：首次系统评估了预处理方法对山羊行为分类的影响，揭示了滤波处理可能导致的信号失真问题；提出的LOSO验证方法为可穿戴设备研究提供了更可靠的评估框架；开发的MLP模型通过8位整数量化技术，在保持0.93准确率的同时显著降低能耗，为商业化应用奠定基础。研究结果不仅适用于山羊，其方法论对其它牲畜行为监测同样具有参考价值，特别是提出的10秒窗口和动态特征提取策略，为实时监测系统的设计提供了重要参数依据。未来研究可进一步探索多传感器融合策略，提升对"站立"与"躺卧"等相似行为的区分能力。