基于开源耳标传感器与机器学习算法的犊牛活动实时监测系统开发与验证

本研究针对传统犊牛行为监测方法劳动密集且难以捕捉细微变化的痛点，开发了一种基于开源RuuviTag传感器的轻量化耳标监测系统。通过集成三轴加速度数据与LSTM机器学习模型，实现了躺卧、站立和饮水三种关键行为的实时分类，测试准确率达99%，留一交叉验证平均准确率93.5%。该系统为非侵入式、可重复使用的精准畜牧业解决方案提供了技术支撑，对早期疾病识别和动物福利提升具有重要意义。

　　

在奶牛养殖业中，犊牛的健康状况直接关系到牧场未来的生产效益。传统的人工观察方式不仅耗时耗力，还容易因观察者的主观性和记录频次不足而遗漏重要行为变化。尽管精准畜牧业（Precision Livestock Farming）已引入多种传感器和视频监测工具，如商用活动追踪器、RFID系统和专用视频平台，但这些方案往往存在侵入性强、鲁棒性不足或系统封闭等问题，限制了其适应性和进一步开发的可能性。

为解决这一难题，来自加拿大拉瓦尔大学的研究团队开发了一种创新的开源轻量化耳标传感器系统，用于基于机器学习（ML）的犊牛活动实时监测。该系统以RuuviTag传感器为核心，搭载定制化固件，通过蓝牙低能耗（BLE）技术传输三轴加速度数据，并结合树莓派（Raspberry Pi 4）进行数据预处理和机器学习分析。研究成果已发表于《Smart Agricultural Technology》，为畜牧业提供了一种高效、动物友好且可定制化的监测方案。

本研究主要依托以下几项关键技术方法：

1. 1.

   使用定制化开源RuuviTag传感器，以10Hz频率采集三轴加速度数据，并通过BLE传输至树莓派4处理；

2. 2.

   利用安装在牛棚四角的四个BLE天线接收数据，经去重和解析后存储于InfluxDB时序数据库；

3. 3.

   通过自动牛奶饲喂器（AMF）和腿部AX3加速度计自动标注饮水和姿态（站立/躺卧）行为数据；

4. 4.

   提取包括平均加速度、标准差、幅度（Amag）、动态加速度（OBDA、VeBDA）、俯仰角（pitch）和滚转角（roll）等多种特征，并采用随机森林（RF）和长短期记忆网络（LSTM）进行分类建模；

5. 5.

   使用留一犊牛交叉验证（leave-one-calf-out）评估模型泛化能力。

2.1. RuuviTag配置与加速度数据的蓝牙传输

研究人员开发了定制固件，将RuuviTag配置为以10Hz频率采集12位量化的加速度数据，并通过BLE广播协议封装多组惯性数据。传感器总重仅16.3克，采用CR2032电池供电，预期续航达25天。其三维打印的外壳固定于犊牛耳标背后，无需额外穿孔，极大减少了动物的不适感。

2.2. 数据集构建与验证

在加拿大魁北克一家商业农场中，对5头16–43日龄的雌性荷斯坦犊牛进行了连续7天的监测，共获得超过9000万条三轴加速度数据。通过自动牛奶饲喂器（AMF）记录饮水事件，利用固定于后腿的AX3传感器识别站立和躺卧姿态，并通过隐马尔可夫模型（HMM）进行状态推断。

2.3. 特征提取与优化

除了基本的平均值和标准差外，研究还引入了幅度加速度（Amag）、整体身体动态加速度（OBDA）、向量身体动态加速度（VeBDA）、俯仰角（pitch）和滚转角（roll）等特征。分析表明，标准差和动态加速度等特征对分类贡献最大，而姿态角特征影响较小。

2.4. 机器学习建模与优化

2.4.1. 随机森林模型

该模型在测试集上达到72.5%的准确率。特征重要性分析显示，加速度的标准差和动态加速度分量最具判别力，而姿态角特征几乎无贡献。

2.4.2. LSTM神经网络

为解决行为序列中的时间依赖问题，团队采用双向LSTM结构，以50秒时间步长输入特征数据，最终模型在测试集上准确率达到99.32%。类不平衡问题通过加权损失函数得以缓解。

3.1. 基于随机森林的犊牛活动分类

仅使用加速度原始数据时分类效果较差（准确率57%），加入多维度特征后提升至72.5%。主成分分析（PCA）显示不同行为的数据重叠严重，表明单纯依靠加速度均值难以区分活动类型。

3.2. 基于LSTM的时序行为分类

L模型表现出优越的时序建模能力。当采用50秒时间窗口和5个标注序列时，模型准确率高达99.3%。结果表明，较长时间步长能更好地捕捉行为转换模式。

3.3. 留一交叉验证评估

模型在未见过的犊牛数据上平均准确率为93.5%，其中4头犊牛准确率超93%，仅一头（7480）为89.5%，推测与其潜在健康状态异常有关。

该研究成功开发出一套完整、开源的犊牛行为监测系统，通过耳标式传感器与机器学习算法的结合，实现了高精度的实时行为分类。其性能媲美现有商用系统（如Smartbow和Axivity），但具备更低的成本、更好的动物福利适应性和更高的可扩展性。该系统不仅适用于科学研究，也为农场提供了一种可行的自动化监测工具，有望促进早期疾病检测和犊牛福利管理的智能化发展。