Luận văn thạc sĩ công nghệ kỹ thuật điện tử viễn thông nghiên cứu mạng cảm biến không dây giám sát hành vi gia súc sử dụng thuật toán phân loại hiệu quả đáp ứng thời gian thực

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ - - VŨ MINH THOẠI Đ án NGHIÊN CỨU PHÁT TRIỂN MẠNG CẢM BIẾN KHÔNG DÂY tố GIÁM SÁT HÀNH VI GIA SÚC SỬ DỤNG THUẬT TOÁN LUẬN VĂN THẠC SĨ p iệ gh tn PHÂN LOẠI HIỆU QUẢ ĐÁP ỨNG THỜI GIAN THỰC CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ VIỄN THÔNG Hà Nội - 2020 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ - - VŨ MINH THOẠI Đ NGHIÊN CỨU PHÁT TRIỂN MẠNG CẢM BIẾN KHÔNG DÂY án GIÁM SÁT HÀNH VI GIA SÚC SỬ DỤNG THUẬT TOÁN tn tố PHÂN LOẠI HIỆU QUẢ ĐÁP ỨNG THỜI GIAN THỰC gh Ngành: Công nghệ kỹ thuật Điện tử, Viễn thông Chuyên ngành: Kỹ thuật Điện tử 8510302.01 p iệ Mã số: LUẬN VĂN THẠC SĨ CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ VIỄN THÔNG NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS TS TRẦN ĐỨC TÂN Hà nội – 2020 LỜI CAM ĐOAN Tôi xin cam đoan luận văn tốt nghiệp: ”Nghiên cứu mạng cảm biến không dây giám sát hành vi gia súc sử dụng thuật toán phân loại hiệu đáp ứng thời gian thực” cơng trình nghiên cứu riêng tác giả Các số liệu, kết trình bày luận văn là hoàn toàn trung thực, chưa cơng bố cơng trình khác Trong luận văn có dùng số tài liệu tham khảo nêu phần tài liệu tham khảo Tác giả luận văn Đ Vũ Minh Thoại án p iệ gh tn tố i LỜI CẢM ƠN Để hồn thành luận văn này, tơi xin gửi lời cảm ơn chân thành và tình cảm đặc biệt tới người Thầy PGS TS Trần Đức Tân Thầy là người ln theo sát, tận tình bảo, góp ý, hướng dẫn và định hướng cho tơi suốt trình làm luận văn này Khoa Điện tử Viễn thông, Trường đại học Công nghệ Tôi xin cám ơn hỗ trợ từ đề tài “Nghiên cứu xử lý thơng tin hành vi bị dựa chuyển động từ cảm biến nhằm nâng cao hiệu chăn nuôi”, mã số ĐLTE00.02/20-21 Nghiên cứu này thực khuôn khổ đề tài mã số KC.01.21/16-20 tài trợ Bộ Khoa học Công nghệ Tiếp theo, xin gửi lời cảm ơn sâu sắc tới Thầy, Cô anh chị em Khoa sẵn sàng giúp đỡ tạo điều kiện tốt cho tơi q trình Đ làm luận văn Mặc dù có nhiều cố gắng, song thời gian thực luận văn có hạn, nên luận văn án cịn nhiều hạn chế Tơi mong nhận nhiều góp ý, bảo thầy, để hồn thiện luận văn tố Tôi xin chân thành cảm ơn! gh tn Hà Nội, ngày 25 tháng năm 2020 Học viên p iệ Vũ Minh Thoại ii TÓM TẮT Hiện nay, ngành chăn ni sản xuất sữa thực phẩm có nhiều bước phát triển mạnh nước ta Là ngành kinh tế quan trọng để phát triển kinh tế xã hội an ninh lương thực Để bảo đảm phát triển bền vững ngành việc giám sát và chăm sóc sức khỏe gia súc có vai trị quan trọng nhu cầu thiết yếu ngành chăn ni Tại Việt Nam, có số trang trại chăn ni bị sữa lớn để nâng cao suất chất lượng sản phẩm, họ quan tâm đến vấn đề sức khoẻ bò Vì vậy, họ có nhu cầu giám sát thể chất sinh lý đàn gia súc càng thường xuyên tốt Phát sinh từ chất khó khăn liên quan đến việc quản lý trang trại với khu chăn thả lớn, nhà chăn nuôi ln ln có nhu cầu "giám sát" động vật họ cách tự động tiết kiệm chi phí Công nghệ mạng cảm biến Đ không dây giải pháp khả thi cho vấn đề Trong thơng tin cần cho việc chăn sóc sức khỏe gia súc hành vi sở quan trọng nhạy án cảm Việc giám sát hành vi gia súc thực tế thường tiến hành theo hướng quan sát chuyển động cổ bò chuyển động chân Dữ liệu từ tố thiết bị quan sát lưu lại thiết bị để xử lý sau truyền thông tn không dây thiết bị trung tâm để xử lý Tuy nhiên, việc thực thi kỹ thuật gh chưa đáp ứng việc giám sát thời gian thực hay quy mô chăn thả lớn, nhiều hệ thống xác định hai hành vi trạng thái động vật iệ thời điểm nhiều hành vi độ xác cịn thấp p Luận văn này đề xuất thiết bị giám sát hành vi bò (gồm ăn, nằm, đứng) theo thời gian thực Hệ thống thiết kế theo mơ hình mạng cảm biến khơng dây, mở rộng số lượng nút mạng Các thiết bị nhận biết hành vi xây dựng dựa cảm biến gia tốc thuật toán k-means Sở dĩ thuật toán k-means lựa chọn áp dụng vi điều khiển cấu hình thấp iii Đ MỤC LỤC MỤC LỤC iv DANH MỤC HÌNH VẼ v DANH MỤC BẢNG BIỂU vi DANH MỤC VIẾT TẮT vii DANH MỤC KÍ HIỆU viii CHƯƠNG TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU 1.1 TÌNH HÌNH NGHIÊN CỨU TRONG NƯỚC VÀ QUỐC TẾ 1.1.1 Giới thiệu 1.1.2 Tình hình nghiên cứu quốc tế .2 1.1.3 Tình hình nghiên cứu nước .3 1.2 NGHIÊN CỨU CÁC THUẬT TOÁN PHÂN LOẠI HÀNH VI GIA SÚC 1.2.1 Tổng quan phương pháp học máy 1.2.1.1 Giới thiệu học máy 1.2.1.2 Các giải thuật học máy 1.2.2 Thuật toán phân cụm k-means 1.2.3 Thuật toán máy vector hỗ trợ (SVM) 1.2.4 Thuật toán định 1.2.5 So sánh loại thuật toán phân loại nhận xét 12 CHƯƠNG NỘI DUNG ĐỀ TÀI NGHIÊN CỨU 14 2.1 NGHIÊN CỨU HỆ THỐNG THIẾT BỊ GIÁM SÁT HÀNH VI GIA SÚC 14 2.1.1 Xây dựng mạng wsn ứng dụng cho giám sát hành vi gia súc 14 Module Ra-02 (hình 2.3) 19 Mạng khơng dây 2.4GHz dịng module nRF24 20 Module NRF24L01 23 Thiết bị gắn cảm biến 25 Thiết bị LoRa Gateway 29 2.2 PHÂN LOẠI HÀNH VI GIA SÚC 31 2.2.1 Trạng thái hành vi gia súc .31 2.1.3 Xây dựng tham số đánh giá phân loại gia súc .33 CHƯƠNG KẾT QUẢ 36 3.1 HỆ THỐNG PHẦN CỨNG .36 3.2 THỬ NGHIỆM HỆ THỐNG .36 3.3 KẾT QUẢ PHÂN LOẠI HÀNH VI SỬ DỤNG K-MEANS 36 3.4 MỘT SỐ SAI SỐ TRONG QUÁ TRÌNH THU DỮ LIỆU 36 KẾT LUẬN 45 TÀI LIỆU THAM KHẢO 46 án p iệ gh tn tố iv DANH MỤC HÌNH VẼ Hình 1.1 Sơ đồ giải thuật toán k-means Hình 1.2 Thuật tốn SVM Hình 2.1 Mơ tả vị trí thiết bị cá thể gia súc .15 Hình 2.2 Mơ tả kiến trúc mạng (star) 17 Hình 2.3 Module thu phát LoRa Ra-02 19 Hình 2.4 Sơ đồ kênh truyền mạng nRF 2.4GHz 20 Hình 2.5 Mạng đa thiết bị truyền thiết bị nhận .21 Hình 2.6 Cấu trúc gói tin ShockBurst 22 Hình 2.7 Dữ liệu gửi cho 22 Hình 2.8 Module nRF24L01 mini 23 Hình 2.9 Thiết bị gắn bò thực tế 25 Đ Hình 2.10 Sơ đồ khối hệ thống thiết bị gắn cảm biến 25 Hình 2.11 Sơ đồ thuật toán thiết bị gắn cảm biến 28 án Hình 2.12 Sơ đồ khổi hệ thống LoRa Gateway .29 Hình 2.13 Sơ đồ thuật tốn thiết bị LoRa Gateway .30 tố Hình 2.14 Hướng trục gia tốc gắn cổ bò 32 tn Hình 2.15 Các trục cảm biến gia tốc bị đứng 32 Hình 2.16 Hướng cảm biến gia tốc bò ăn .33 gh Hình 2.17 Hướng cảm biến gia tốc bò nằm 33 iệ Hình 2.17 Phương pháp cửa sổ trượt 35 Hình 3.1 Thiết bị phần cứng gắn cổ .36 p Hình 3.2 Dữ liệu tốc theo trục X, Y, Z ( mg = 0.001 g, g =9.8 m/s2) .38 Hình 3.3 Khai thác đặc trưng VeDBA 39 Hình 3.4 Khai thác đặc trưng SCAY 39 Hình 3.5 Khai thác quan hệ SCAY (trục tung) VeDBA (trục hồnh) 40 Hình 3.6 Quan hệ SCAY (trục tung) VeDBA (trục hoành) 41 sử dụng k-means với thiết lập cụm khác 41 Hình 3.7 Dữ liệu gia tốc tập kiểm tra 41 Hình 3.8 VeDBA tập kiểm tra 42 Hình 3.9 VeDBA tập kiểm tra 42 Hình 3.10 Quan hệ VeDBA – SCAY tập kiểm tra 43 Hình 3.11 Chỉ số nhận dạng ước lượng (trên) thực tế (dưới) 43 v DANH MỤC BẢNG BIỂU Bảng 1.1 So sánh thuật toán phân loại 13 Bảng 2.1 Các tầng mạng mạng không dây LoRa 16 Bảng 2.2 Các lớp thiết bị mạng truyền thông LoRa 18 Đ án p iệ gh tn tố vi DANH MỤC VIẾT TẮT Tiếng Anh đầyđủ TiếngViệt DBA Dynamic Body Acceleration Gia tốc thể động DBAx Dynamic Body Acceleration of x-axis Gia tốc thể động trục x DBAy Dynamic Body Acceleration of y-axis Gia tốc thể động trục y DBAz Dynamic Body Acceleration of z-axis Gia tốc thể động trục z VeDBA Vector of Dynamic Body Acceleration Vector gia tốc thể động SCAY Static Component of the Acceleration Thành phần gia tốc tĩnh in the Y-axis trục y Analog to Digital Converter Bộ chuyển đội tương tự sang ADC Universal asynchronous receiver / Truyền nhận nối tiếp không transmitter đồng Inter-Integrated Circuit Mạch chuyển đổi giao tiếp án I2C Đ UART số p iệ gh tn tố vii DANH MỤC KÍ HIỆU Kí hiệu Đơn vị VeDBA m/s2 SCAY m/s2 DBAx m/s2 DBAy m/s2 DBAz m/s2 Đ án p iệ gh tn tố viii Hình 2.16 thể hướng cảm biến gia tốc bò ăn Đ án Hình 2.16 Hướng cảm biến gia tốc bị ăn p iệ gh tn tố Hình 2.17 thể hướng cảm biến gia tốc bò nằm: Hình 2.17 Hướng cảm biến gia tốc bò nằm 2.1.3 Xây dựng tham số đánh giá phân loại gia súc Chúng ta xây dựng tham số VeDBA dùng để xác định mức độ tiêu hao lượng bò Các bước xây dựng thuật toán: 33  Thu thập liệu gia tốc x, y, z  Tính số ngưỡng A cho VeDBA  Nếu giá trị lớn số ngưỡng VeDBA -> High Activity, ngược lại Low Activity  Vì bị nằm hay đứng thay đổi giá trị trục gia tốc y Tính giá trị số ngưỡng B cho SCAY  Nếu giá trị lớn số ngưỡng xác định hành vi là đứng, cịn nhỏ xác định hành vi nằm Để tính VeDBA, cần tính DBA.DBA thể lượng tiêu hao gia súc theo chiều Ta có cơng thức(2.1) thể DBA sau: DBAt  Ait  Ai*t  it (2.1) Đ Trong đó:  i = x,y,z thể trục gia tốc án Ai giá trị cảm biến tĩnh  Ai* giá trị liệu gia tốc  it giá trị trung bình liệu gia tốc Cơng thức: t+ win _ size  t -win _ size Ai*t (2.2) iệ gh it  win _ size tn tố  Vì liệu thu thập toán liệu gia tốc, phải sử dụng p cửa sổ trượt để chuyển đổi toàn học giám sát chuỗi thành tốn giám sát kinh điển Mơ hình cửa sổ trượt chuyển vấn đề học có giám sát chuỗi thành mơ hình học có giám sát kinh điển Phương pháp này xây dựng phân loại cửa sổ hw mà xếp cửa sổ đầu vào w với giá trị đầu y riêng Cụ thể, lấy d nửa độ dài cửa sổ.d xác định công thức: d (w  1) (2.3) Kết với chuỗi đầu vào thêm vào giá trị d null cuối sau chuyển thành mẫu riêng biệt Hình 2.17 mơ tả phương pháp cửa sổ trượt: 34 Đ Hình 2.17 Phương pháp cửa sổ trượt ODBA dùng để tổng hợp gia tốc động toàn thân.ODBA xác án địnhtrong công thức: ODBA  Ax  Ay  Az (2.4) tố VeDBA hay gọi vector tổng hợp gia tốc chuyển động toàn thân tn Trong cảm biến ngày nay, người ta hay dùng tham số ODBA và VeDBA để xác gh định mức độ tiêu hao lượng gia súc VeDBA đánh giá tốt ODBA.VeDBA thể công thức: iệ VeDBA  p Ax2  Ay2  Az2 (2.3) SCAY sử dụng để xác định thay đổi gia tốc trọng trường y SCAY xác định công thức (2.4): g y  g *cos(180   ) (2.4) 35 CHƯƠNG KẾT QUẢ 3.1 HỆ THỐNG PHẦN CỨNG Phần đánh giá kết thu được: Thiết bị phần cứng có kích thước 85×60×35mm, khổi lượng khoảng 300g mơ tả hình Trong phạm vi luận văn làm việc với liệu gắn cổ Đ án tn tố Hình 3.1 Thiết bị phần cứng gắn cổ gh 3.2 THỬ NGHIỆM HỆ THỐNG iệ Chúng tiến hành thu liệu bị ni bán chăn thả huyện Ba Vì, p thành phố Hà Nội Mỗi bị chúng tơi thu 60 phút liệu bị ăn, 60 phút liệu bò đứng 60 phút liệu bò nằm Nút trung tâm thu liệu máy tính đặt cách bị nghiên cứu 200m điều kiện có nhiều vật cản nhỏ che khuất Kết thu liệu tốt, chưa thấy gói liệu là số liệu nhận Bảng liệu thu cổ bò ăn: 36 Bảng 3.1 Dữ liệu đo cổ bò ăn Giờ Đ 12 12 12 12 12 12 12 12 12 12 12 12 12 12 12 Phút 22 22 22 22 22 22 22 22 22 22 22 22 22 22 22 Giấy Trục X 7.086 -631 7.167 -551 7.251 -509 7.342 -551 7.441 -612 7.519 -579 7.632 -687 7.696 -554 7.784 -432 7.874 -494 7.964 -580 8.051 -587 8.139 -594 8.229 -452 8.32 -435 Trục Y 432 394 382 380 427 316 452 427 393 513 381 509 320 389 507 Trục Z -650 -578 -694 -864 -953 -766 -736 -643 -759 -915 -838 -786 -719 -752 -879 Pin 99 99 99 98 99 99 99 99 98 99 99 99 99 99 99 án Bảng liệu thu cổ bò nằm: Trục X -905 -896 -891 -884 -888 -911 -919 -901 -904 -885 -888 -884 -900 -931 Trục Y -375 -396 -395 -398 -406 -406 -413 -417 -403 -400 -395 -400 -435 -405 -409 iệ 37 Trục Z -70 -74 -78 -63 -71 -79 -83 -80 -86 -78 -76 -79 -72 -81 -82 p Giây 26.194 26.196 26.197 26.199 26.205 26.211 26.213 26.214 26.216 26.217 26.224 26.226 26.228 26.23 26.231 gh Phút 56 56 56 56 56 56 56 56 56 56 56 56 56 56 56 tn Giờ 12 12 12 12 12 12 12 12 12 12 12 12 12 12 12 tố Bảng 3.2 Dữ liệu đo cổ bò bò nằm Pin 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 Bảng liệu thu cổ bò đứng: Đ Bảng 3.3 Dữ liệu đo cổ bò bò đứng Phút Giây Trục X Trục Y Trục Z 30 20.419 -927 -297 -233 30 20.421 -951 -305 -228 30 20.423 -935 -299 -236 30 20.425 -927 -299 -223 30 20.426 -913 -290 -219 30 20.428 -917 -288 -222 30 20.432 -933 -302 -235 30 20.434 -932 -308 -235 30 20.436 -959 -302 -223 30 20.438 -914 -304 -225 30 20.44 -895 -290 -237 30 20.442 -924 -295 -225 30 20.444 -937 -307 -234 30 20.446 -941 -303 -227 30 20.45 -939 -303 -227 án Pin 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 3.3 KẾT QUẢ PHÂN LOẠI HÀNH VI SỬ DỤNG K-MEANS tố p iệ gh tn Hình 3.2 mơ tả mẫu liệu gia tốc theo trục tương ứng với ba hành vi khác mà luận văn quan tâm: đứng, nằm, ăn Hình 3.2 Dữ liệu tốc theo trục X, Y, Z ( mg = 0.001 g, g =9.8 m/s2) 38 Hình 3.3 mơ tả việc tính toán đặc trung VeDBA nội dung lý thuyết trình bày chương Có thể thấy bị ăn (mẫu thứ 300 đến 490) giá trị VeDBA có thay đổi phạm vi lớn Đ án tố tn Hình 3.3 Khai thác đặc trưng VeDBA Thông tin đặc trưng SCAY mô tả hình 3.4 p iệ gh Hình 3.4 Khai thác đặc trưng SCAY 39 Hình 3.5 thể quan hệ SCAY (trục tung) VeDBA (trục hoành) trước đưa vào k-means Đ án tố gh tn Hình 3.5 Khai thác quan hệ SCAY (trục tung) VeDBA (trục hồnh) Hình 3.6 thể quan hệ SCAY (trục tung) VeDBA (trục hoành) sử iệ dụng k-means với thiết lập cụm khác Màu sắc thể phân loại theo cụm với tâm cụm thể hình Tọa độ ba tâm cụm p xác định Tâm cụm = [-393.0000 17.3494] Tâm cụm 2= [ -56.5000 33.1097] Tâm cụm 3= [563.2500 162.6249] Các giá trị này sau nạp sẵn nhớ EPROM vi điều khiển để thực thi tốn phân loại theo thời gian thực Có thể thấy sử dụng k-means phân thành cụm chưa xác định hành vi tương ứng với cụm Dựa vào đặc tính động VeDBA ta xác định Tâm cụm là ăn (động học lớn nhất), Tâm cụm nằm (động học nhỏ nhất), Tâm cụm là đứng 40 Đ án Hình 3.6 Quan hệ SCAY (trục tung) VeDBA (trục hoành) tố sử dụng k-means với thiết lập cụm khác tn Với tập liệu kiểm tra ta tiến hành tương tự để khai thác liệu gia tốc (Hình 3.6), VeDBA (hình 3.7), SCAY (hình 3.8), quan hệ VeDBA – SCAY tập kiểm tra p iệ gh Hình 3.7 Dữ liệu gia tốc tập kiểm tra 41 Đ án tố Hình 3.8 VeDBA tập kiểm tra p iệ gh tn Hình 3.9 VeDBA tập kiểm tra 42 Đ án Hình 3.10 Quan hệ VeDBA – SCAY tập kiểm tra tố Hình 3.11 mô tả số nhận dạng ước lượng (trên) thực tế (dưới) ba hành p iệ gh tn vi quan tâm Độ xác định lượng 89.07% Hình 3.11 Chỉ số nhận dạng ước lượng (trên) thực tế (dưới) 43 Để tóm lược phần trình bày trên, học viên trình bày bước thực thi vi điều khiển để phân loại hành vi theo thời gian thực sau: Bước 1: thu thập liệu gia tốc theo trục theo giây (thu khung liệu) Bước 2: ước lượng VeDBA SCAY để thu vị trí khơng gian < VeDBA; SCAY> Bước 3: tính tốn khoảng cách tới Tâm cụm (giá trị tâm cụm không gian < VeDBA; SCAY> nạp sẵn nhờ vi điều khiển trình bày trên) Bước 4: xác định giá trị khoảng cách tối thiểu, gán nhãn hành vi tương ứng Bước 5: gửi kết phân loại gateway Đ 3.4 MỘT SỐ SAI SỐ TRONG QUÁ TRÌNH THU DỮ LIỆU - Dữ liệu thu có nhiều gói liệu khoảng 20% nguồn pin nhỏ án 92% Để đảm bảo khơng gói liệu trì thu liệu tin cậy chúng tơi trì thu liệu nguồn pin lớn 95% tố - Hoạt động bị khơng thuần, hành vi đan xen nhau, vừa ăn vừa đi, liên tục giúp thu liệu p iệ gh tn lại dừng ăn Chúng tơi khắc phục cách để bị đói cho bị ăn bị ăn 44 KẾT LUẬN Luận văn này thành công việc xây dựng thiết bị giám sát hành vi bò gồm ăn, nằm, đứng theo thời gian thực Hệ thống thiết kế theo mơ hình mạng cảm biến khơng dây, mở rộng số lượng nút mạng Các thiết bị nhận biết hành vi xây dựng dựa cảm biến gia tốc thuật tốn k-means với độ xác phân loại đạt tới 89% Phương hướng luận văn mở rộng số hành vi quan sát tiến hành thử nghiệm thời gian dài trang trại chăn nuôi Đ án p iệ gh tn tố 45 TÀI LIỆU THAM KHẢO [1] Nguyễn Đình Chinh, Phùng Công Phi Khanh, Trần Đức Tân, Lê Vũ Hà Nghiên cứu thiết kế mơ hình hệ thống giám sát hành vi bò Kỷ yếu hội thảo tồn quốc điện tử, truyền thơng cơng nghệ thông tin (REV-2016), Hà Nội tháng 12 năm 2016, trang 6-19 đến 6-22 [2] Phùng Cơng Phi Khanh, Phạm Đình Tuân, Nguyễn Đình Chinh, Phạm Anh Việt, Nguyễn Xuân Trường, Trần Đức Tân; Nghiên cứu, phát triển hệ thống cảnh báo môi trường sử dụng cảm biến đo độ ẩm truyền thông không dây Kỷ yếu hội nghị “Kỹ thuật đo lường toàn quốc lần thứ 6”, Hà Nội, tháng năm 2015, trang 954-959 Đ [3] Phung Cong Phi Khanh, Nguyen Dinh Chinh, Trinh Thi Cham, Pham Thi Vui, Tran Duc Tan Classification of Cow Behavior using 3-DOF Accelerometer and án Decision Tree Algorithm BME-HUST 2016 The Third International Conference On Biomedical Engineering Hanoi University of Science and Technology Hanoi, tố Vietnam October 05-06, 2016 Bach Khoa Publishing House PP45-50 tn [4] Diosdado, Jorge A Vázquez, et al "Classification of behaviour in housed dairy cows using an accelerometer-based activity monitoring system." Animal gh Biotelemetry 3.1 (2015): [5] Guo, Ying, et al "Animal behaviour understanding using wireless sensor iệ networks." Local Computer Networks, Proceedings 2006 31st IEEE Conference p on IEEE, 2006 [6] Yoshioka, Hajime, Michie Ito, and Yasuyuki Tanimoto "Effectiveness of a realtime radiotelemetric pedometer for estrus detection and insemination in Japanese Black cows." Journal of Reproduction and Development 56.3 (2010): 351-355 [7] Bourke AK, O’ Brien JV, Lyons GM Evaluation of threshold-based tri-axial accelerometer fall detection algorithm Gait Posture 2007;26:194– [8] Nathan R, Spiegel O, Formann-Roe S, Harel R, Wikelski M, Getz WM Using triaxial acceleration data to identify behavioural modes of free-ranging animals: general concepts and tools illustrated Biol.2012;215:986– 96 46 for griffon vultures J Exp [9] Resheff YS, Rotics S, Harel R, Spiegel O, Nathan R AcceleRater: a web application for supervised learning of behavioural modes from acceleration measurements Mov Ecol 2014;2:27 doi:10.1186/s40462-014-0027-0 [10] Moreau M, Siebert S, Buerket A, Schlecht E Use of tri-axial accelerometer forautomated recording and classification of goats’ grazing behaviour ApplAnimBehav Sci 2009;119:158– 70 [11] Martiskainen P, Jӓrvinen M, Skön JP, Tiirikainen J, Kolehmainen M, Mononen J Cow behaviour pattern recognition using a three-dimensional accelerometer and support vector machines ApplAnimBehav Sci 2009;119:32– [12] Robert B, White BJ, Renter DG, Larson RL Evaluation of three-dimensional accelerometers to monitor and classify behaviour patterns in cattle Đ CompuElectron Agric 2009;67:80– [13] Shamoun-Baranes J, Bom R, van Loon EE, Ens BJ, Oosterbeek K, Bouten W án From sensor data to animal behaviour: an oyster-catcher example PLoS One.2012;7:e37997 doi:10.1371/journal.pone.0037997 tố [14] Do, D D., Nguyen, H V., Tran, N X., Ta, T D., Tran, T D., & Vu, Y V (2011, tn December) Wireless ad hoc network based on global positioning system for marine monitoring, searching and rescuing (MSnR) In Asia-Pacific Microwave gh Conference 2011 (pp 1510-1513) IEEE [15] Tan, T D., Anh, N T., & Anh, G Q (2011, January) Low-cost Structural Health iệ Monitoring Scheme Using MEMS-based Accelerometers In 2011 Second p International Conference on Intelligent Systems, Modelling and Simulation (pp 217-220) IEEE [16] Tan, T D., Ha, L M., Long, N T., Tue, H H., & Thuy, N P (2008, December) Novel MEMS INS/GPS integration scheme using parallel Kalman filters In 2008 IEEE/SICE International Symposium on System Integration (pp 72-76) IEEE 47