基于生物记录仪实时行为识别的自由活动海鸟自主音频回放实验系统

这篇开创性研究开发了搭载边缘计算（edge computing）和机器学习（AIoA）的生物记录仪系统，首次实现野生动物自然状态下的自主音频干预实验。通过实时行为识别（F1-score=0.91）触发多模态数据采集（加速度计/GPS/视频），成功在8只黑尾鸥（Larus crassirostris）身上完成46次飞行状态下的声刺激实验，为动物行为因果研究提供了突破性的"AI动物交互"（AI playback on animals）技术范式。

　　

引言：突破传统实验的时空限制

传统音频回放实验（playback experiments）长期受限于人类可观测场景，难以研究动物在开放环境（如远洋飞行）的自然行为。本研究创新性地将边缘计算（edge computing）与生物记录仪结合，提出"动物人工智能"（AI on Animals, AIoA）概念，通过搭载决策树（Decision Tree）机器学习模型，实现飞行行为的实时识别（25Hz加速度数据），自主触发音频刺激（捕食者叫声/白噪声）和多模态数据记录。

技术突破：智能生物记录仪系统

记录仪核心采用nRF52840系统芯片（SoC），集成BMI270惯性测量单元（IMU）、BMM150磁力计和ZOE-M8Q GPS模块，并配备OV2640摄像头（640×480@30fps）、ICS-43434麦克风和UGCM0903EPD扬声器。系统通过三级触发机制运作：1）连续5秒飞行识别；2）GPS定位远离巢穴1km；3）维持飞行状态时启动60秒预录+音频播放+60秒后录。这种设计有效平衡了能耗与数据完整性，设备总重仅26.79g（<4.31%体重）。

野外实验验证

在日本蕪岛（Kabushima Island）对10只黑尾鸥进行的实地测试中，系统成功完成46次有效实验（18次游隼叫声/28次白噪声），视频数据通过YOLOv8模型实现头部运动量化分析（AD-MPR指标）。三组响应指标显示：1）平滑向量动态体加速度（S-VeDBA）反映能量消耗；2）GPS速度差分（AD-Speed）捕捉飞行变化；3）视频掩膜像素差（AD-MPR）量化警戒行为。贝叶斯模型（Stan 2.21.0）和因果推断（CausalImpact）分析表明，部分个体对两类声音均产生显著反应（图4）。

讨论与展望

该系统首次实现自然环境下"AI-动物交互"闭环：1）行为识别准确率达91%（F1-score）；2）突破传统ABR系统（automated behavioural response）的空间限制；3）建立多时间尺度（pre/during/post）行为响应分析框架。未来可扩展至磁刺激等新型干预方式，并引入反馈调节机制解决习惯化（habituation）问题。尽管存在扬声器位置、声音感知等优化空间，该技术为野生动物保护（如人鸟冲突管理）和认知生态学研究开辟了新范式。

技术细节亮点

• 功耗管理：10分钟实验间隔防止重复刺激，飞行终止时自动关闭高耗能模块

• 数据分析：采用30FPS视频的掩膜像素变化率（MPR）量化头部微动作

• 硬件创新：防水设计（Tesa胶带）承受海鸟潜水行为

• 算法优化：决策树模型在256KB RAM设备实现91%宏F1值

这项研究标志着生物记录技术从被动监测向主动交互的重要跨越，为理解动物行为决策的因果机制提供了革命性工具。