Mục đích nghiên cứu: Nghiên cứu giải thuật phân loại hành vi bò dựa trên dữ liệu cảm biến gia tốc ba trục; Đề xuất, xây dựng hệ thống phân loại hành vi của bò (bao gồm phần cứng và phần mềm).
ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ PHÙNG CÔNG PHI KHANH NGHIÊN CỨU VÀ XÂY DỰNG HỆ THỐNG GIÁM SÁT HOẠT ĐỘNG, HỖ TRỢ CHĂN NUÔI GIA SÚC Chuyên ngành: Kỹ thuật điện tử Mã số: 9520203.01 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ Hà Nội – 2021 Cơng trình hồn thành tại: Trường Đại học Công nghệ, Đại học Quốc Gia Hà Nội Người hướng dẫn khoa học: PGS TS Trần Đức Tân Phản biện: …………………………………………………………… ……………………………………………………………………… Phản biện: …………………………………………………………… ……………………………………………………………………… Phản biện: …………………………………………………………… ……………………………………………………………………… Luận án bảo vệ trước Hội đồng cấp Đại học Quốc gia chấm luận án tiến sĩ họp vào hồi … giờ … ngày … tháng … năm … Có thể tìm hiểu luận án tại: - Thư viện Quốc gia Việt Nam - Trung tâm Thông tin - Thư viện, Đại học Quốc gia Hà Nội MỞ ĐẦU Lý chọn đề tài Việc chăn mi bị cơng nghệ cao đầu tư và phát triển mạnh Trước đây, việc chăn ni bị là phổ biến với hợ gia đình nơng trại tồn giới, với quy mơ chăn ni nhỏ việc giám sát tình trạng sức khoẻ, sinh sản vật nuôi đơn giản theo kinh nghiệm người chăn nuôi Tuy nhiên, với trang trại hay doanh nghiệp cần chăn ni với số lượng lớn bị phục vụ cho mục đích lấy thịt sữa hay lấy giống …, việc giám sát trở nên khó khăn áp dụng giám sát theo hình thức thủ cơng Mục đích nghiên cứu - Nghiên cứu giải thuật phân loại hành vi bò dựa liệu cảm biến gia tốc ba trục - Đề xuất, xây dựng hệ thống phân loại hành vi bò (bao gồm phần cứng phần mềm) Đối tượng phạm vi nghiên cứu Đối tượng nghiên cứu cảm biến gia tốc gắn bò để thu liệu Dữ liệu nhận tín hiệu gia tốc ba trục thu từ bò Các đặc trưng liệu gia tốc thu từ bị, thuật tốn học máy phục vụ cho phân loại hành vi bò Ý nghĩa khoa học thực tiễn đề tài nghiên cứu Các kỹ thuật xử lý tín hiệu tiên tiến kết hợp với nghiên cứu hoạt động gia súc, để xây dựng mợt hệ thống giám sát Có thể thấy tính liên ngành đề tài Việc đề xuất kỹ thuật xử lý tín hiệu thơng minh cho tín hiệu từ cảm biến MEMS kết hợp với mơ hình IoT có ý nghĩa khoa học nước quốc tế Việc xây dựng thành hệ thống tính cơng nghệ thực tiễn cao CHƯƠNG 1: TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU 1.1 Nghiên cứu giới Trong thập kỷ vừa qua, có gia tăng lớn việc sử dụng thiết bị giám sát từ xa máy theo dõi định vị tồn cầu (GPS), cảm biến vị trí cảm biến gia tốc để ghi lại hành vi động vật tự động [7][12][13][14][24][30][36] Trong [40], việc phân loại hành vi bò thiết kế thực cách sử dụng liệu video dùng camera Các kiện hành vi quan tâm nghiên cứu bao gồm nằm, đứng, lại giao phối Những tiến bộ gần thiết bị điện tử cảm biến độ nhạy cao cung cấp kịch để ghi lại hoạt đợng bị [10] Mợt số hệ thống có dựa cơng nghệ cảm biến phát triển để phân tích hành vi bị sữa mợt cách tự đợng [35][56] Với lợi kích thước nhỏ, trọng lượng nhẹ tiêu thụ điện thấp, cảm biến gia tốc cung cấp mợt phương pháp đo khơng làm ảnh hưởng tới bị, khách quan phân loại hành vi bò điều kiện trang trại [5][6][8][13][16][31][34][41][49] Cách tiếp cận dựa vào cảm biến gia tốc có nhấn mạnh vào sức khỏe hiệu suất cá nhân là cách tiếp cận dựa bầy đàn truyền thống Tuy nhiên, việc giải thích liệu thu thập cảm biến mô tả loại hành vi thách thức lớn cho nhà phát triển, liên quan đến độ phức tạp hoạt đợng, trích xuất đặc trưng cho phép phân biệt hành vi, liệu đặc trưng máy thu phát không dây việc xử lý liệu phức tạp cần có để xử lý nhiễu vốn có phép đo thu thập 1.2 Nghiên cứu nước Mợt số nhóm biết đến gồm có nhóm nghiên cứu PGS Trần Đức Tân Nhóm có nhiều cơng trình khoa học cảm biến giải thuật xử lý tín hiệu cho cảm biến Về nội dung giám sát hoạt động, hỗ trợ chăm sóc sức khỏe gia súc, nhóm có mợt số kết nghiên cứu tốt [2][3][64][65][66][68], một số công bố sử dụng cảm biến gia tốc thu liệu cổ bị chân trước bị, sau dùng thuật toán phân loại hành vi thuật toán định [65][66], thuật toán máy véc tơ hỗ trợ [68], để phân loại một số hành vi bị gồm: đi, đứng, nằm, ăn Mợt nhóm khác nhóm Đại học Cần thơ đại diện tiến sỹ Trần Cơng Án Nhóm nghiên cứu nhận dạng hành vi bò dùng cảm biến gia tốc giải thuật học máy rừng ngẫu nhiên Cảm biến gia tốc ba trục HOBO (HoBo, 2017) gắn chân phải phía sau bị Nhóm tác giả sử dụng thuật toán rừng ngẫu nhiên nhận dạng bốn hành vi: đi, đứng, nằm và ăn [1] Nói chung nhóm nghiên cứu nước là bước đầu nghiên cứu, khía cạnh khác nhau, chưa có nghiên cứu đầy đủ từ thiết bị đến giải thuật để triển khai thực tiễn Số lượng hành vi phân loại có đi, đứng, nằm và ăn Thiết bị cịn thơ sơ, chưa có tảng không giây, hiệu suất phân loại thấp Với bối cảnh trên, luận án vào hoàn thiện hệ thống thu liệu theo mơ hình IoT giải vấn đề chọn vị trí lắp đặt cảm biến để cải thiện chất lượng liệu; lựa chọn phân tích thơng số đặc trưng liệu; ứng dụng thuật toán học máy phù hợp 1.3 Nội dung, phương pháp nghiên cứu Đề tài thực thơng qua nợi dung sau: 1) Nghiên cứu hệ thống giám sát nhận dạng hành vi bò 2) Nghiên cứu thuật toán nhằm xử lý liệu từ cảm biến để phân loại hành vi bò 3) Nghiên cứu giải pháp mơ hình tích hợp cảm biến phục vụ việc ghi nhận xử lý liệu hành vi bò 4) Xây dựng phần mềm phân loại hành vi bò chạy thử nghiệm 1.4 Đóng góp luận án Luận án này có đóng góp mới: 1/ Xây dựng bợ phân loại bảy hành vi bị sử dụng liệu cảm biến gia tốc ba trục gắn chân bị Cơng trình cơng bố tương ứng: cơng trình số 2,3,4 2/ Xây dựng hệ thống mạng cảm biến khơng dây ứng dụng IoT nút mạng gắn lên mợt bị Hai cảm biến gia tốc ba trục gắn vị trí chân cổ Dữ liệu gia tốc từ chân cổ bò đồng bợ để phục vụ cho tốn phân loại hành vi bị Cơng trình cơng bố tương ứng: cơng trình số 1,5 3/ Xây dựng bợ phân loại hành vi bò sử dụng liệu đồng bợ từ cảm biến gia tốc gắn chân bị cổ bị Cơng trình cơng bố tương ứng: cơng trình số 1,6 1.5 Kết luận chương Chương đề cập đến tiến bộ lĩnh vực giám sát phân loại hành vi động vật sử dụng cảm biến vi và thuật tốn thơng minh để phân loại hành vi Chương nêu hệ thống thu liệu, nên hoàn thiện theo mơ hình IoT Vấn đề chọn vị trí lắp đặt cảm biến để cải thiện liệu Vấn đề lựa chọn phân tích thơng số đặc trưng liệu vấn đề ứng dụng thuật toán học máy phù hợp CHƯƠNG 2: THIẾT KẾ, CHẾ TẠO THIẾT BỊ THU DỮ LIỆU 2.1 Thiết kế hệ thống giám sát bị dạng mạng cảm biến khơng dây Hệ thống cảm biến không dây thu nhận liệu từ bị chúng tơi thiết kế cần đảm bảo mợt số tiêu chí kỹ thuật sau: 1/ Mỗi nút mạng gắn lên mợt bị với khoảng cách truyền tin từ nút mạng tới nút trung tâm đạt tới 1km 2/ Dữ liệu gia tốc chân cổ phải đồng bộ theo giây 3/ Những thơng tin khác (ID nhận dạng bị, vị trí bị, phần trăm pin cịn lại nút mạng) 2.1.1 Mơ hình hệ thống Trong nghiên cứu này đề xuất hệ giám sát trạng thái hành vi bò thơng qua mơ hình mạng cảm biến khơng dây Mỗi nút mạng kết hợp hai thiết bị giám sát gắn cổ bò chân bò (Hình 1) Hệ thống gồm chia thành hai phần: Phần một gồm thiết bị đo chuyển động chân thiết bị đo chuyển đợng cổ bị truyền thông RF với tần số 2,4 GHz tạo thành mợt nút mạng Hình 2.1 Mơ hình mạng cảm biến không dây Phần hai gồm thiết bị đóng vai trị là nút trung tâm, nhận liệu từ nút mạng nhờ truyền thông không dây dải tần 433MHz Nút trung tâm kết nối với máy tính liệu đưa máy tính 2.1.2 Sơ đồ khối thiết bị đo chuyển động gắn vào chân bò 2.1.3 Sơ đồ khối thiết bị đo chuyển động gắn vào cổ bò 2.1.4 Nút trung tâm thu liệu xử lý liệu 2.2 Các modul thành phần 2.3 Các thiết bị Thiết bị thu liệu chân (Hình 2.10) có kích thước 85×60×35mm Hình 10 Thiết bị thu liệu chân Thiết bị thu liệu cổ (Hình 11) có kích thước giống chân Hình 11 Thiết bị thu liệu cổ Trung tâm thu thập liệu gồm mợt modul thu phát (Hình 12) Hình 12 Nút trung tâm thu liệu 2.4 Căn chỉnh cảm biến chuẩn hóa liệu Căn chỉnh cảm biến Thu nhận liệu tiền xử lý liệu cần thiết hệ đo Các cảm biến chỉnh nơi sản xuất cần hiệu chỉnh hệ thống mà sử dụng Căn chỉnh một phương pháp cải thiện hiệu cảm biến cách loại bỏ giảm thiểu sai số liệu đầu cảm biến Lỗi cảm biến phân làm loại lỗi tất định lỗi ngẫu nhiên Chuẩn hóa liệu Chuẩn hóa giải đo từ giá trị thô dùng modul MPU6050 Modul MPU6050 thiết lập để giá trị 16 bit có giải đo ±2, 4, 8, 16g Trong nghiên cứu sử dụng giải ± 4g 2.5 Kết luận chương Cảm biến gia tốc ba chiều cung cấp một phương pháp không xâm lấn để phân loại hành vi bò điều kiện trang trại Theo hiểu biết nghiên cứu sinh, trước chưa có cơng trình nào hệ thống phân loại sử dụng đồng thời hai cảm biến gia tốc trục (một gắn chân mợt cổ) Chính thế, đóng góp chương này là thành công việc xây dựng mợt mạng cảm biến khơng dây gắn bị mà nút mạng thu thập liệu đồng bợ từ chân cổ bị Cơng trình khoa học liên quan tới chương này là số 4, CHƯƠNG 3: ĐỀ XUẤT THUẬT TOÁN HỌC MÁY PHÂN LOẠI HÀNH VI CỦA BÒ 3.1 Dữ liệu sử dụng Chúng sử dụng tập liệu công khai trực tuyến nghiên cứu Jun Wang cộng [34] địa chỉ: https://doi.org/10.1371/journal.pone.0203546.t006 3.2 Phương pháp phân loại đề xuất Phương pháp để phân loại hành vi bò sử dụng đặc điểm liệu gia tốc, là: giá trị trung bình, trung vị, SD, RMS dải giá trị Chúng tơi sử dụng cửa sổ trượt có độ rộng cố định Từ cửa sổ một vectơ gồm đặc trưng thu thập Quá trình nhận dạng hành vi thể Hình 3 Hình 3 Quy trình nhận dạng hành vi Hình phác thảo quy trình xây dựng bộ phân loại nghiên cứu 60% liệu chọn ngẫu nhiên làm tập liệu đào tạo 40% lại sử dụng làm tập liệu thử nghiệm Mợt chương trình viết Python phát triển áp dụng thuật toán học có giám sát khác để kiểm tra tính hiệu phương pháp đề xuất 𝜎(𝑋𝑗 ) = √𝑁 ∑𝑁 𝑖=1(𝑥𝑖 − 𝑚) (3.4) Trong (Xj) là đợ lệch chuẩn Xj Bình phương trung bình gốc (RMS) RMS X j N x N i 1 i (3.5) Trong RMSXj là bình phương trung bình gốc Xj 3.3 Các tham số đánh giá hiệu suất phân loại - TP: Mợt kết phân loại là dương tính thật, kết phát hành vi và hành vi xuất - TN: Mợt kết phân loại âm tính thật, kết khơng phát hành vi và hành vi khơng xuất - FP: Mợt kết phân loại là dương tính giả, kết phát hành vi hành vi khơng xuất - FN: Mợt kết phân loại âm tính giả, kết khơng phát hành vi hành vi xuất - Acc (Đợ xác); Sen (Đợ nhạy; PPV (Giá trị tiên đốn dương tính); NPV (Giá trị tiên đốn âm) Từ định nghĩa, chúng tơi có cơng thức (3.6 đến 3.9) Trong đó: PPV giá trị tiên đoán dương NPV giá trị tiên đoán âm Acc TP + TN TP + FP + FN + TN (3.6) Sen TP TP + FN (3.7) PPV TP TP + FP (3.8) NPV TN TN + FN (3.9) 10 3.4 Kết 3.3.1 Thử nghiệm với bốn phương pháp học máy Đánh giá hiệu phân loại phương pháp học máy riêng lẻ với cửa sổ khác (6 giây, 12 giây, 16 giây và 20 giây) và đặc trưng Chúng tơi so sánh thuật tốn GBDT, SVM, Rừng ngẫu nhiên KNN Trên hình 3.7, cách sử dụng một bộ liệu đầu vào Đợ xác, đợ nhạy tổng thể tính là đợ xác trung bình cho hành vi Chúng tơi thấy thuật tốn GBDT (cửa sổ 16 giây) đạt hiệu suất cao nhất, với đợ xác tổng thể 86,3% và đợ nhạy tổng thể 80,6% Hình So sánh hiệu suất thuật toán học máy khác 11 3.3.2 Thử nghiệm với thuật toán GBDT Trong Bảng ma trận nhầm lẫn đạt từ việc phân loại liệu thử nghiệm hành vi bò (1456 ghi, giải thích phần 3.1) theo thuật tốn GBDT (cửa sổ 16-giây) Bảng Các ma trận nhầm lẫn đạt từ việc phân loại liệu hành vi bị sữa Dự đốn hành vi Hành vi thực tế Ăn Nằm Đứng Nằm Đứng Đi bình xuống Đi lên thường nhanh Tồn bợ Ăn 220 23 0 0 243 Nằm 290 0 0 290 Đứng 57 120 0 179 0 71 53 129 0 47 65 120 0 290 291 0 2 200 204 290 143 121 120 295 210 1456 Nằm xuống Đứng lên Đi bình thường Đi nhanh Tồn bợ 277 Theo Bảng 8, nằm (290/290), bình thường (290/291) và nhanh (200/204) phân loại tốt Ăn và đứng phân loại sai với (57/179 ăn phân loại sai là đứng và 23/243 đứng phân loại sai là ăn) Nằm xuống phân loại sai với đứng lên (53/129 nằm xuống phân loại sai là đứng lên và 47/120 đứng lên phân loại sai nằm xuống) Hiệu suất mơ hình đánh Bảng 12 Bảng Tóm tắt số hiệu suất thuật tốn GBDT Các số Đợ xác Độ nhạy PPV NPV Ăn 94,0% 90,5% 79,4% 97,8% Nằm 100% 100% 100% 100% Đứng 93,9% 67,0% 83,9% 95,1% Nằm xuống 92,1% 55,0% 58,7% 95,3% Đứng lên 91,9% 54,2% 54,2% 95,6% 99,5% 99,7% 98,3% 99,9% 98,9% 98,0% 95,2% 99,6% Đi bình thường Đi nhanh Hiệu suất tổng thể mơ hình GBDT tốt Đợ nhạy Sen cao (> 90%) cho tất lớp trừ đứng (67%), nằm xuống (55%) và đứng lên (54,2%) Đợ xác Acc tốt cho tất lớp (> 91,9%) hành vi, cho hiệu suất phân loại tổng thể PPV tốt cho việc nằm (100%), đứng (83,9%), ăn (79,4%), bình thường (98,3%), nhanh (95,2%) Các giá trị PPV thấp cho đứng lên (54,2%) nằm xuống (58,7%) - NPV xuất sắc cho tất lớp (> 95%) hành vi 3.5 Thảo luận Chúng so sánh chi tiết hiệu suất tổng thể với công việc Jun Wang sử dụng một bộ liệu Bảng 10 cho thấy kết so sánh sử dụng phương pháp đánh giá trung bình vĩ mơ (macro Bảng 11 cho thấy kết so sánh chúng tơi sử dụng phương pháp đánh giá trung bình vi mô (micro) 13 Bảng 10 Các số hiệu suất tổng thể sử dụng phương pháp đánh giá trung bình vĩ mơ Các số Jun Wang cợng [34] Kết chúng tơi Đợ xác 92,3% 95,8% Độ nhạy 79,1% 80,6% PPV 82,1% 81,4% NPV Không cung cấp 97,6% Bảng 11 Các số hiệu suất tổng thể sử dụng phương pháp đánh giá trung bình vi mơ Các số Jun Wang cợng [34] Kết chúng tơi Đợ xác 86,6% 96,6% Độ nhạy 85,2% 86,3% PPV 79,8% 86,0% NPV Không cung cấp 98,3% 3.6 Kết luận chương NCS đề xuất một bộ phân loại hành vi bị mợt cách hiệu Dữ liệu tạo cảm biến gia tốc sử dụng để huấn luyện sử dụng một số phân loại, bao gồm KNN, SVM, Rừng ngẫu nhiên Cây định tăng cường hỗ trợ thư viện Scikitlearn library Công bố khoa học liên quan tới chương này là công trình số 14 CHƯƠNG PHÂN LOẠI HÀNH VI SỬ DỤNG DỮ LIỆU ĐỒNG BỘ TỪ CHÂN VÀ CỔ BÒ 4.1 Động lực nghiên cứu 4.2 Dữ liệu sử dụng Điểm nghiên cứu là đồng bợ hóa liệu gia tốc chân cổ Mỗi 0,1 giây, bộ vi điều khiển cổ nhận hai bợ liệu Tính trung bình giây để có khung liệu cập nhật mợt giây Việc phân loại hành vi bị thực máy tính Năm bị định năm ID tương ứng (ID1, ID2, ID3, ID4 ID5) chia làm nhóm Nhóm cảm biến gắn vào bò hai tuần trước thử nghiệm (bao gồm ID1 ID4), nhóm cảm biến gắn vào bò vào ngày thử nghiệm (bao gồm ID2, ID3 ID5) - Tập liệu (DATASET01) chứa liệu từ cảm biến gắn chân - Tập liệu (DATASET02) bao gồm liệu từ cảm biến gắn cổ - Tập liệu (DATASET03) đồng bợ hóa liệu chân cổ 4.3 Phương pháp phân loại đề xuất Hình quy trình phân loại hành vi bị mà chúng tơi sử dụng Hình Quy trình phân loại hành vi bò 15 Dữ liệu gia tốc chân cổ hiển thị với độ dài cố định: ghi thứ i chứa liệu gia tốc 16 giây (16 mẫu), bao gồm liệu gia tốc 10 giây cuối (10 mẫu cuối cùng) ghi thứ (i-1) Ở chương này sử dụng đặc trưng gồm: RMS, độ lệch chuẩn (SD) giá trị trung bình cho tất ghi Dữ liệu gắn nhãn hành vi bò gồm bốn hành vi: đi, đứng, nằm và ăn Hình 4 quy trình hoạt đợng bợ phân loại Hình 4 Quy trình hoạt động phân loại Dữ liệu huấn luyện lựa chọn ngẫu nhiên 60% bợ liệu Phần cịn lại 40% liệu thử nghiệm Sự phân chia này chứng minh phù hợp với tốn phân loại tập tính bò [34][35] 4.4 Kết Thử nghiệm đưa để đánh giá hiệu suất phân loại thuật toán RF áp dụng với cửa sổ 16 giây và ba đặc trưng (trung bình, 16 SD và RMS) Chúng so sánh hiệu suất phân loại Acc, Sen PPV nghiên cứu bốn loại hành vi: đi, đứng, nằm ăn Dữ liệu DATASET03 cung cấp số lượng TP lớn Ta nhận thấy sô lượng TP từ cảm biến gắn cổ (DATASET02) nhiều so với cảm biến gắn chân (DATASET01) Hình TP hành vi đứng ăn Hình 4.7 liệu đồng bộ (DATASET03) cung cấp số lượng TP lớn Như dự kiến, số lượng TP từ cảm biến gắn chân (DATASET01) lớn cổ (DATASET02) Hình TP nằm 17 Bảng trình bày kết phương pháp đánh giá trung bình vĩ mơ và phương pháp đánh giá trung bình vi mơ Bảng Hiệu suất sử dụng trung bình vi mơ trung bình vĩ mơ so sánh ba tập liệu (a), năm bò DATASET03 (b) (A) Bộ liệu 01 02 03 Đợ xác Đợ nhạy PPV Micro 0.81 0.81 0.81 Macro 0.84 0.84 0.84 Micro 0.82 0.82 0.82 Macro 0.80 0.80 0.81 Micro 0.94 0.94 0.94 Macro 0.95 0.95 0.95 Đợ xác Đợ nhạy PPV Micro 0.99 0.99 0.99 Macro 0.99 0.99 0.99 Micro 0.92 0.92 0.92 Macro 0.93 0.94 0.92 Micro 0.89 0.89 0.89 Macro 0.93 0.93 0.93 Micro 0.96 0.96 0.96 Macro 0.97 0.97 0.96 Micro 0.92 0.92 0.92 Macro 0.93 0.93 0.95 (B) COW ID ID1 ID2 ID3 ID4 ID5 18 Như thể Bảng 5(a), trung bình vi mơ trung bình vĩ mô DATASET01 DATASET02 gần Kết có ý nghĩa DATASET01 cho kết nằm và tốt và DATASET02 cho kết đứng và ăn tốt Hiệu suất DATASET03 là đáng kể so với trường hợp DATASET01 DATASET02 Hiệu suất phân loại tổng thể cho DATASET03: đợ xác 0,94, đợ nhạy 0,94 và 0,94 PPV trường hợp trung bình vi mơ; Đợ xác 0,95, độ nhạy 0,95 và 0,95 PPV trường hợp trung bình vĩ mơ Bảng 5(b) cho thấy trung bình vi mơ trung bình vĩ mơ năm bị ID1 có hiệu suất tốt với tất giá trị 0,99 ID4 có hiệu suất tốt giá trị nhỏ 0,96 ID3 có hiệu suất thấp Tuy nhiên, ba tiêu mức cao (0,89 trung bình vi mơ 0,93 trung bình vĩ mơ) 4.5 Thảo luận Như kết trình bày bảng trên, hành vi bị phân loại thành cơng với hiệu suất cao cách đạt đợ xác 0,95, độ nhạy 0,95 0,95 PPV sử dụng đề xuất (DATASET03) So với kết tài liệu, phương pháp kết hợp cảm biến gia tốc gắn chân gắn cổ chúng tơi áp dụng coi là đạt hiệu suất phân loại hành vi tốt Chúng đạt hiệu suất cao phân loại ăn (đợ xác 0,914, đợ nhạy 0,884 và PPV 0,956) và đứng (đợ xác 0,88, đợ nhạy 0,928 và PPV 0,842), thường có mợt giới hạn [8][9][34][35][55][62][63][64][68] Chúng thực kết mà không yêu cầu điều kiện cho trang trại Bảng trình bày so sánh với một số nghiên cứu liên quan 19 Bảng Tóm tắt nghiên cứu liên quan Các cơng trình P Martiskain en and M Jarvinen [62] Các hành vi Công nghệ sử dụng Arcidiacono et al [9] ăn, và cảm biến gia tốc bốn hành vi gắn cổ [34] mẫu liệu dụng 10 Hz 10 giây SVM khác thả) đứng và đứng, nằm, Jun Wang số lấy số pháp sử đứng, nằm, Oudshoorn ăn (bò chăn cảm biến gia tốc et al [19] Tần Cửa Phương ăn, đi, nằm xuống, đứng lên, nhanh gắn cổ cảm biến gia tốc gắn cổ Hz 10 So sánh phút ngưỡng Hz giây So sánh ngưỡng combining legmounted accelerometer and Hz giây AdaBoost location sensor cảm biến gia tốc Barwick et đứng, nằm, al [28] ăn, gắn cổ, cảm biến 3, gia tốc gắn chân, 12 Hz 10 cảm biến gia tốc giây Random Forest gắn tai Nghiên cứu đứng, nằm, ăn, cảm biến gia tốc gắn cổ cảm biến 10 Hz gia tốc gắn chân 20 16 Random giây Forest P Martiskainen và M Jarvinen [62] sử dụng SVM (máy vectơ hỗ trợ) để nhận hành vi dựa liệu gia tốc gắn cổ Họ thu kết tốt hành vi ăn (0,96 đợ xác, 0,75 độ nhạy, 0,81 PPV), không tốt nằm (0,84 đợ xác, 0,80 đợ nhạy, 0,83 PPV) và (0,99 đợ xác, 0,79 đợ nhạy, 0,79 PPV), so với nghiên cứu liệu gia tốc gắn chân [34][35][63] Arcidiacono cộng [9] đề xuất một công cụ phân loại làm giảm ngưỡng cảm biến gia tốc Hệ thống họ tập trung vào việc đứng và ăn Tần số lấy mẫu Hz thời lượng cửa sổ giây Vì vậy, có 20 mẫu ghi Vì tốn phân loại phân biệt đứng và ăn, nên có mợt đặc trưng (trung vị) sử dụng để tính ngưỡng Jun Wang cợng [34] đề xuất một phương pháp dựa việc kết hợp cảm biến gia tốc cảm biến vị trí gắn chân Dùng thuật toán AdaBoost để phân loại bảy hành vi bị Hiệu suất chúng tơi tốt họ tất số: đợ xác (0,9 so với 0,86), độ nhạy (0,95 so với 0,85) PPV (0,95 so với 0,80) Kết ăn họ là đợ xác 0,75, đợ nhạy 0,73 0,75 PPV Kết đứng là đợ xác 0,75, độ nhạy 0,78 0,72 PPV Những kết thấp trường hợp xấu chúng tơi (bị ID2) 4.6 Kết luận chương Đóng góp quan trọng chương này là đề xuất việc sử dụng liệu đồng bợ hóa từ hai cảm biến gắn chân cổ bị cho bợ phân loại bốn hành vi quan trọng bị Cơng bố liên quan tới chương này là cơng trình số 21 KẾT LUẬN VÀ KIẾN NGHỊ Kết luận Luận án nghiên cứu sinh thành công việc nghiên cứu xây dựng 01 hệ thống mạng cảm biến khơng dây để phân loại hành vi bị Luận án này có đóng góp mới: 1/ Xây dựng bợ phân loại bảy hành vi bị sử dụng liệu cảm biến gia tốc gắn chân bò 2/ Xây dựng hệ thống mạng cảm biến không dây ứng dụng IoT nút mạng gắn lên mợt bị Hai cảm biến gia tốc ba trục gắn vị trí chân cổ 3/ Xây dựng bợ phân loại hành vi bị sử dụng liệu đồng bộ từ cảm biến gia tốc gắn chân bò cổ bò Trong tất nghiên cứu trước đây, khơng có cơng trình nào hệ thống phân loại sử dụng đồng thời hai cảm biến gia tốc trục Đáng kể liệu gia tốc từ hai cảm biến này đồng bộ hóa Dữ liệu đồng bợ hóa cung cấp kết phân loại tốt Hướng nghiên cứu 1/ Thiết kế triển khai hệ thống phân loại hành vi thời gian thực với điểm mấu chốt kết hợp cảm biến gia tốc gắn chân và gắn cổ cho hành vi phân loại 2/ Bổ sung thêm hành vi khác hành vi đợng dục bị Hiểu biết tốt chu kỳ sinh sản bị, giúp người chăn ni giải khó khăn sinh sản bò Hành vi này quan trọng sử dụng thuốc để kiểm soát và đồng bợ hóa chu kỳ sinh sản 3/ Nghiên cứu phát hiện, dự đốn bệnh bị sở kết phân loại hành vi 22 DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC CƠNG BỐ A Danh mục cơng trình sử dụng luận án Cơng bố khoa học: Duc Nghia Tran, T N Nguyen, P C P Khanh, Duc-Tan Tran, An IoT-based Design Using Accelerometers in Animal Behavior Recognition Systems, IEEE Sensors Journal, DOI: 10.1109/JSEN.2021.3051194 [SCIE] Phung Cong Phi Khanh, Duc-Tan Tran, Van Tu Duong, Nguyen Hong Thinh, Duc-Nghia Tran, “The new design of cows' behavior classifier based on acceleration data and proposed feature set”, Mathematical Biosciences and Engineering, 2020, 17(4): 2760-2780 DOI: 10.3934/mbe.2020151 [SCIE] Phung Cong Phi Khanh, Kieu Thi Nguyen, Duc-Nghia Tran, DinhChinh Nguyen, Trung Hoang Quang, Thang Van Nguyen, Duc-Tan Tran*, Classification of Cow’s Behaviors Based on 3-DoF Accelerations from Cow’s Movements, International Journal of Electrical and Computer Engineering, ISSN 2088-8708, Vol 9, No 3: June 2019, pp 1656-1662, DOI: 10.11591/ijece.v9i3.pp.1662-1650 [SCOPUS] Phùng Cơng Phi Khanh, Hồng Quang Chung, Nguyễn Tiến Anh, Trần Đức Tân, “Một phương pháp thu nhận tiền xử lý liệu cảm biến gia tốc ba trục, phục vụ phân loại hành vi bò” Tạp chí Nghiên cứu KH&CN quân sự, tháng năm 2018, 340-347 Nguyễn Đình Chinh, Phùng Cơng Phi Khanh, Trần Đức Tân, Lê Vũ Hà, “Nghiên cứu thiết kế mơ hình hệ thống giám sát hành vi bị”, Kỷ yếu Hợi thảo tồn quốc Điện tử, Truyền thông Công 23 nghệ thông tin (REV - 2016), Nhà xuất công thương, tháng 12 năm 2016, trang 6-19 đến 6-22 Sáng chế: Trần Đức Tân, Trần Đức Nghĩa, Phùng Công Phi Khanh, Hệ thống phân loại hành vi bò sử dụng cảm biến gia tốc ba trục gắn chân cổ bò, Sáng chế, số đơn 1-2020-06462, chủ đơn: Trường ĐH Phenikaa, có chấp nhận đơn hợp lệ (Ngày chấp nhận đơn: 23/11/2020), số 18194w/QĐ-SHTT B Danh mục cơng trình khác Quang-Trung Hoang, Phung Cong Phi Khanh, Bui Trung Ninh, Chu Thi Phuong Dung, Duc-Tan Tran “Cow Behavior Monitoring Using a Multidimensional Acceleration Sensor and Multiclass SVM” International Journal of Machine Learning and Networked Collaborative Engineering Vol 02, No 3, (2018), pp 110–118, ISSN:2581-3242 Phung Cong Phi Khanh, Ton That Long, Nguyen Dinh Chinh, Tran Duc -Tan “Performance Evaluation of a Multi-stage Classification for Cow Behavior” Telecommunications & Computing (SigTelCom) 2018 2nd International Conference on Recent Advances in Signal Processing, Telecommunications & Computing (SigTelCom), IEEE, 2018, Ho Chi Minh City, Vietnam, pp 121-125 24 ... đề tài nghiên cứu Các kỹ thuật xử lý tín hiệu tiên tiến kết hợp với nghiên cứu hoạt động gia súc, để xây dựng một hệ thống giám sát Có thể thấy tính liên ngành đề tài Việc đề xuất kỹ thuật xử... KẾT LUẬN VÀ KIẾN NGHỊ Kết luận Luận án nghiên cứu sinh thành công việc nghiên cứu xây dựng 01 hệ thống mạng cảm biến không dây để phân loại hành vi bị Luận án này có đóng góp mới: 1/ Xây dựng. .. việc giám sát trở nên khó khăn áp dụng giám sát theo hình thức thủ cơng Mục đích nghiên cứu - Nghiên cứu giải thuật phân loại hành vi bò dựa liệu cảm biến gia tốc ba trục - Đề xuất, xây dựng hệ thống