基于可穿戴传感器与空间注意力增强ResNeSt-101模型的猪行为分类与节律分析研究

本研究针对猪只行为特征模糊、持续时间不规则及人工分类困难等问题，利用耳标传感器数据开展猪行为识别与节律分析研究，提出基于时间-振幅图与空间注意力机制ResNeSt-101模型的行为分类方法，准确率达91.23%，并揭示猪只每日行为节律与采食时间规律，为智慧养殖与动物健康管理提供新技术路径。

　　

在规模化养猪业中，猪只的健康状况直接关系到生产效益与动物福利。传统依赖人工观察的行为监测方式不仅效率低下，还易受主观因素影响，难以实现精准、持续的个体行为追踪。尽管视频监控与图像识别技术在一定程度上提升了监测能力，但仍受光照、遮挡及空间限制的困扰。近年来，随着物联网（IoT）技术的快速发展，基于可穿戴传感器的行为监测成为研究热点，其中加速度传感器因其高稳定性、易安装和高灵敏度等特点，被广泛应用于猪只行为数据的采集与分析。

然而，现有研究仍面临诸多挑战：一是行为分类的准确性与实时性有待提升，尤其在复杂环境下；二是对猪只行为节律的系统性分析不足，缺乏基于长期、大规模数据的个体化行为模式解析。例如，以往研究多在有限样本（如2-4头猪）上进行验证，或使用定制化传感器设备，限制了其在实际生产中的推广应用。因此，开发一种能够可靠、连续监测猪只行为，并能精准识别异常行为的技术方法，成为当前养猪业亟待解决的问题。

为此，华南农业大学的研究团队在《Smart Agricultural Technology》上发表了一项研究，旨在通过猪只耳标传感器数据，构建一种基于深度学习的行为分类与节律分析方法。该研究利用耳标采集的三轴加速度数据，通过多时间尺度滑动窗口处理，将数据转换为时间-振幅图、短时傅里叶变换（STFT）频谱图、散点图和密度图，并采用空间注意力增强的ResNeSt-101模型进行分类，最终实现了对采食、运动和休息三种主要行为的高精度识别，同时分析了猪只的日常行为节律。

为开展这项研究，团队在广东德兴食品股份有限公司海门猪场进行了数据采集，使用40头杜洛克猪（每栏8头，共5批）佩戴富华科技PT851型智能耳标，以16Hz频率采集三轴加速度数据，持续60天。通过视频监控与饲喂系统记录行为时间点，标记采食、休息与运动行为时段，并依据特定标准（如采食行为从进料5秒后至离料5秒前）提取对应加速度数据。数据经解码（按位平面重构与符号扩展）和时间戳生成后，划分为0.5s至180s共7个时间尺度的片段，再转换为四种图像类型。采用随机裁剪、翻转、RandAugment和随机擦除等数据增强技术后，使用融入卷积块注意力模块（CBAM）的ResNeSt-101模型进行行为分类，并在Windows系统下基于PyTorch框架完成模型训练与评估。

研究结果显示，在60秒时间窗口下，时间-振幅图的分类效果最佳，准确率达91.23%，精确率、召回率和F1-score均超过91%。通过混淆矩阵分析发现，模型对休息行为的识别完全准确（7200样本全正确），采食行为正确率也较高（6912/7200），但运动行为存在部分误判（1296例误为采食，576例误为休息），可能与行为间动作重叠有关。对比其他图像类型，STFT频谱图表现最差（准确率85%），散点图和密度图分别为90%和89%。不同时间窗口的比较表明，60秒窗口最能平衡行为特征提取与数据冗余问题，短于或长于该窗口均会导致性能下降。

进一步利用Grad-CAM生成的热力图显示，采食行为对应信号段幅度小但波动频繁，运动行为信号剧烈且复杂，休息行为则较为平稳，印证了时间-振幅图在捕捉行为特征方面的优势。对40头猪每日行为时长的统计分析表明，猪只每日休息时间占15-17小时，运动时间为5-7小时，采食时间仅1-2小时，且个体间差异较小，体现出行为模式的高度一致性。采食时间分布分析发现，采食行为主要集中在6:00-10:00和14:00-18:00两个时段，夜间（23:00-5:00）几乎无采食活动，与运动量低谷期重合，显示出明显的昼夜节律。

该研究通过耳标传感器数据与深度学习技术的结合，成功实现了猪只行为的精准分类与节律分析，不仅为行为监测提供了新方法，也为早期疾病预警和健康管理奠定了基础。研究所采用的ResNeSt-101+CBAM模型在保持较高精度的同时，仅需1.23秒即可处理一小时数据，具备良好的实时处理与边缘部署潜力。然而，由于未包含异常行为数据，目前尚无法直接用于疾病预警，未来需通过长期监测积累异常样本以进一步完善模型。总体而言，这项研究为推动智能化养殖和动物福利提升提供了有力的技术支撑，具有重要的应用价值。