《Computers and Electronics in Agriculture》：Behavior recognition of grazing cattle with hybrid segmentation of multi-sensor features
编辑推荐：
放牧牛群多传感器数据驱动的混合分段行为识别框架研究，提出HSF框架通过预分类区分静态/动态行为，静态行为采用固定窗口，动态行为使用PELT算法实现自适应分段，结合双路径随机森林分类器，在八类行为识别中达到98.85%的F1分数，较基线方法提升2.80%。
岳玉晓|胡雅婷|丁璐宇|王朝阳|李启峰|于立根|杨宝珠
北京农林科学院信息技术研究中心，中国北京100097
摘要
使用多个传感器监测放牧牛的行为可以提高饲料摄入量的估计，优化牧场利用，并支持畜牧业中的牛健康管理。目前的行为识别研究主要依赖于静态时间窗口来全局提取所有行为类型的传感器特征。虽然静态行为（例如站立、躺下）可以被高精度识别，但动态行为（例如行走）的识别，尤其是像行走-反刍这样的混合活动，仍然不够理想。静态时间窗口往往会导致行为被截断或单个时间段内包含多种动作。因此，我们提出了一种混合分割框架（HSF），该框架首先使用预分类器来区分动态和静态行为。静态行为随后使用固定长度的窗口进行处理，而动态行为则基于PELT变化点检测算法使用可变长度的窗口进行分割。每个类别随后进行定制的特征提取和分类器训练。该框架应用于使用集成压力和惯性测量单元（IMU）传感器的数据，对放牧牛的八种行为进行分类：站立、躺下、觅食-咬嚼、觅食-咀嚼、站立-反刍、躺下-反刍、行走和行走-反刍。实验结果清楚地表明，HSF的平均F1分数为98.85%，相比标准静态窗口（SWS，96.33%）和滑动静态窗口（SWS-Slide，95.78%）基线分别提高了2.52和3.07个百分点（平均2.80%）。与其他先进方法相比，所提出的框架在计算时间和内存需求方面表现更好。这项研究为识别放牧牛的多种行为提供了坚实的算法基础，具有在饲料摄入量估计、分娩检测和其他精准畜牧业任务中的潜在应用价值。
引言
放牧牛的行为是衡量其健康状况、福利水平和生活环境的重要指标。行为监测的自动化显著推动了精准畜牧业的进步（Andriamandroso等人，2016年）。通过使用各种传感器，主要是加速度计（Kleanthous等人，2022年），可以准确识别和分类牛的行为。例如，Russel和Selvaraj（2024年）使用三轴加速度计监测了牛的站立、放牧、躺下、行走等行为的数据。为了监测颚部运动，Chen等人（2022年）利用压力传感器并开发了一种XGB算法来分类反刍和进食行为的特征，实现了96%的准确率。
在使用传感器数据进行行为识别时，信号分割窗口的大小是影响识别性能的关键因素。早期研究通常使用固定大小的滑动窗口进行分割。然而，不同行为的持续时间不同，目前还没有公认的最佳窗口大小。这使得窗口选择具有主观性，并限制了模型的性能（Li等人，2022年；Lovarelli等人，2022年；Versluijs等人，2023年）。为了解决这个问题，研究人员转向了混合和自适应窗口策略。例如，Hu等人（2020年）表明，使用多种窗口大小（2-15秒）提取特征显著提高了羊的放牧行为的分类准确性，使用随机森林分类器达到了99.9%的总体准确率。Alghamdi等人（2022年）进一步采用了适应行为持续时间的窗口，对持续时间较长的行为使用较长的窗口，对短暂的行为使用较短的窗口。这种自适应方法大大提高了对少数行为（如站立）的识别能力。
这一理念已扩展到人类和其他动物的行为研究中。Fida等人（2015年）发现，较长的窗口更适合静态人类活动，而较短的窗口更适合动态活动。Liu等人（2023a）首先将小鼠行为分类为静态或动态，然后应用了一种组合分割方法，将八种行为的分类准确率从80.04%提高到了92.06%。Fayat等人（2025年）引入了一种名为DISSeCT的动态分割框架，该框架使用变化点检测自动创建与自然行为边界匹配的可变长度段。研究从固定窗口发展到混合和自适应窗口，最终发展到完全数据驱动的动态分割。这一进展表明，优化窗口策略对于提高行为识别至关重要。然而，大多数现有研究仅关注单一物种或有限的行为集。目前尚不清楚这些方法在更复杂场景（如识别放牧牛的多种行为）中的效果如何。
在本文中，我们提出了一种具有三项关键创新的混合分割框架（HSF）。首先，引入了针对颚部运动压力和九轴IMU传感器的融合技术，以区分放牧牛中的复杂混合行为。其次，我们设计了一种定制的混合分割流程，使用预分类器将数据流路由到针对静态行为的优化固定长度窗口中，同时使用PELT变化点检测算法对动态行为进行自适应分割。第三，开发了一种高效的双路径建模策略，为静态和动态类别分别训练专门的随机森林分类器，从而优化了特征选择和计算效率。该框架在一个包含八种放牧行为的数据集上进行了评估，并与静态窗口方法和最先进的时间序列分类器（ROCKET）进行了全面比较。通过实现高效的稳健识别性能，这项工作为放牧牛管理的自动化和智能化做出了重要贡献。
数据收集
本研究中的放牧牛数据收集于中国内蒙古锡林浩特的白音西勒牧场。该牧场由当地牧民拥有，面积约为3.5平方公里，是牛、羊和马的栖息地。该地区的主要肉牛品种是西门塔尔牛。共有15头健康的牛被选为实验对象，雄性和雌性的数量相等，并均匀分布在三个年龄组：大约三分之一的牛年龄约为1岁
动态行为与静态行为之间的信号差异
了解动态行为和静态行为在传感器信号特征方面的差异对于准确描述行为至关重要，并为模型开发奠定了坚实的基础。
动态行为（例如行走）涉及不规则的快速运动，如步伐转换、转弯或加速，这会在加速度信号中引起显著的短期波动。如图6A所示，行走的x轴加速度信号表现出幅度变化
结论
本研究提出了一种混合分割行为识别框架HSF，利用融合的压力和IMU传感器数据对放牧牛的多重行为进行分类。HSF的一个显著优势在于它能够区分行为的动态和静态状态，从而有选择地从不同时间长度的特征集中提取信息。这种有针对性的方法为使用可穿戴设备准确识别牲畜行为提供了必要的信息
CRediT作者贡献声明
岳玉晓：撰写——原始草稿、软件、方法论。胡雅婷：验证、方法论、调查、数据管理。丁璐宇：撰写——审稿与编辑、监督、方法论、数据管理、概念化。王朝阳：方法论、调查、数据管理。李启峰：验证、资源管理、调查。于立根：方法论、调查、形式分析。杨宝珠：撰写——审稿与编辑、资金获取。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了国家重点研发计划（编号2021YFD1300502）、北京Nova计划（编号2022114）以及内蒙古自治区科技“突破”项目的“公布名单并任命负责人”倡议（编号2025KJTW0025）的资助。
