NGHIÊN CỨU VÀ XÂY DỰNG HỆ GIÁM SÁT HOẠT ĐỘNG, HỖ TRỢ CHĂN NUÔI GIA SÚC. TÓM TẮT LUẬN ÁN TIẾN SĨ CÔNG NGHỆ ĐIỆN TỬ - VIỄN THÔNG

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ PHÙNG CÔNG PHI KHANH NGHIÊN CỨU VÀ XÂY DỰNG HỆ GIÁM SÁT HOẠT ĐỘNG, HỖ TRỢ CHĂN NUÔI GIA SÚC Chuyên ngành: Kỹ thuật điện tử Mã số: 9520203.01 TĨM TẮT LUẬN ÁN TIẾN SĨ CƠNG NGHỆ ĐIỆN TỬ - VIỄN THƠNG Hà Nội – 2021 Cơng trình hồn thành tại: Trường Đại học Cơng 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 Đặt vấn đề Việc phân loại hành vi bị mợt cách phát sớm bệnh tật, tương tác đàn gây ảnh hưởng đến sức khỏe Hành vi thay đổi bò bị bệnh bao gồm giảm hoạt đợng thường ngày hành vi ăn, uống, đi, đứng, nằm Việc giám sát bò tập trung theo ba hướng phổ biến giám sát phân loại hành vi bò, phát trấn thương, xác định thời điểm sinh sản bị Mợt hệ thống giám sát hoạt đợng, hỗ trợ chăn nuôi thường gồm một bộ xử lý trung tâm thường máy tính có nhiệm vụ nhận thông tin xử lý thông tin theo một thuật tốn phân loại hành vi, thơng qua thơng tin hoạt đợng bị Các bợ thu thập thơng tin hoạt đợng bị lấy từ cảm biến gửi cho bợ xử lý trung tâm Ngồi cịn có hệ thống lưu trữ liệu, đưa liệu lên internet để thuận lợi cho việc giám sát hành vi bò, quản lý xử lý thông tin Mục tiêu nghiên cứu luận án Mục tiêu chung: Nghiên cứu xây dựng 01 hệ thống triển khai thu thập liệu gia tốc ba trục (từ chuyển đợng bị) phân loại hành vi bò từ liệu cảm biến gia tốc ba trục gắn bò Mục tiêu cụ thể: - Nghiên cứu giải thuật phân loại hành vi bò dựa liệu cảm biến gia tốc ba trục gắn bị - Đề xuất, xây dựng hệ thống hồn chỉnh phân loại hành vi bò (bao gồm phần cứng phần mềm) - Nghiên cứu nhóm giải pháp tiết kiệm lượng nút cảm biến đặt sườn dốc Đối tượng phạm vi nghiên cứu Đối tượng nghiên cứu bị (mợt loại gia súc phổ biến, có giá trị kinh tế cao) Các cảm biến gắn bò cảm biến gia tốc, liệu thu nhận tín hiệu gia tốc thu nhận từ chuyển đợng bị Ngồi ra, luận án cịn sử dụng tập liệu công khai để đảm bảo tính khách quan thuật tốn đề xuất Nội dung nghiên cứu Đề tài thực thông qua nợi dung sau 1) Nghiên cứu hệ thống giám sát nhận dạng hành vi bị 2) Nghiên cứu thuật tốn xử lý liệu từ cảm biến để phân loại hành vi bị 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 Phương pháp nghiên cứu Kết hợp nghiên cứu lý thuyết, mô thực nghiệm kiểm chứng Để thực đề tài thành công, trước tiên phải nghiên cứu, nắm vững lý thuyết nguyên tắc đo giám sát hành vi bò, cảm biến kỹ thuật xử lý tín hiệu tiên tiến để xử lý, đề xuất giải thuật giám sát phân loại hành vi Tiếp đó, giải thuật nguyên lý hoạt đợng hệ thống phải mơ hình hóa mơ để đánh giá tính hiệu giải thuật hệ thống đề xuất Sau đó, nghiên cứu sinh xây dựng thành một hệ cảm biến không dây thu thập liệu thực tế Cuối cùng, hệ thống kiểm chứng thực nghiệm phịng thí nghiệm nơng trại chăn ni bị Ý nghĩa khoa học đóng góp luận án Luận án có đóng góp 1/ Xây dựng bợ phân loại bảy hành vi bị sử dụng liệu cảm biến gia tốc ba trục gắn chân bò 2/ Xây dựng hệ thống mạng cảm biến khơng dây 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 3/ Xây dựng bợ phân loại hành vi bị sử dụng liệu đồng bợ từ cảm biến gia tốc gắn chân bò cổ bò CHƯƠNG TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU 1.1 Nghiên cứu giới Hiện giới có nhiều kỹ thuật giúp giám sát sức khoẻ, hoạt động vấn đề sinh sản vật nuôi quy mô lớn Những kỹ thuật giúp chủ trang trại, công ty hay doanh nghiệp kiểm sốt vật ni mình, từ giúp nâng cao hiệu chăn nuôi Tuy nhiên kỹ thuật áp dụng cịn thủ cơng cần can thiệp sức người Việc nghiên cứu kỹ thuật thiết bị một chủ để quan tâm mạnh mẽ Các trang trại chăn nuôi ngày phải đối mặt với thách thức lớn việc giám sát, trì sức khỏe thể chất tinh thần vật ni, liên quan trực tiếp đến số lượng chất lượng sản phẩm chăn nuôi Các trang trại chăn ni có quy mơ từ trung bình đến lớn khó theo dõi vật ni thơng qua quan sát, dẫn đến tổn thất cho trang trại 1.2 Nghiên cứu nước Trên thực tế, 95% bò nước nuôi một cách rải rác hộ gia đình nhỏ khơng có kỹ Nơng dân khơng đào tạo kỹ thuật chăn ni, biện pháp phịng bệnh Nhờ áp dụng kỹ thuật đại, việc quản lý chuồng trở nên dễ dàng dễ dàng Ngoài ra, giá sản xuất giảm tiết kiệm lao động Một số công ty chế biến sữa Việt Nam, nơi thực công nghệ tiên tiến để tăng số lượng chăn nuôi họ cải thiện suất chất lượng sữa tươi Chẳng hạn như: công ty sữa TH true milk Việt Nam, áp dụng công nghệ Israel thông qua công ty AfiMilk AfiMilk cơng ty mang lại cho Israel thương hiệu đợc tơn ngành chăn ni bị sữa, có trang trại bị sữa cơng nghiệp lớn giới Cơng ty VINAMILK Việt Nam có đàn bò mà bò sử dụng chip điện tử đeo cổ kiểm soát hệ thống quản lý ALPRO cung cấp DELAVAL (công ty tập đồn TetraPark) Nói chung thiết bị giám sát hỗ trợ trăn ni bị thường dạng thương phẩm độc quyền công ty cung cấp nên không phục vụ cho việc nghiên cứu, cải tiến thiết bị Các nhóm nghiên cứu, phát triển thiết bị giám sát hành vi bò việt nam khơng nhiều 1.3 Một số mơ hình hệ thống cảnh báo thực tế Vấn đề phức tạp việc nhận hành vi động vật thúc đẩy nhóm nghiên cứu khác đánh giá kịch thực tế khác giải pháp đeo thiết bị có gắn chứa cảm biến Error! Reference source not found.Error! Reference source not found.Error! Reference source not found Học máy cung cấp một cách tiếp cận tốt để cải thiện đợ xác mơ hình, dựa cấu trúc liệu thay đổi linh hoạt, xử lý bộ liệu lớn phức tạp thu từ một môi trường cụ thể Error! Reference source not found Ví dụ Martiskainen cộng nghiên cứu Error! Reference source not found phát triển một phương pháp sử dụng liệu gia tốc thuật toán máy vectơ hỗ trợ đa lớp (SVM) để tự động phân loại một số hành vi bị sữa Trong mợt nghiên cứu tương tự, Diosdado et al Error! Reference source not found thực thuật toán định để phân loại hành vi gia súc khác Arcidiacono et al Error! Reference source not found tính mợt ngưỡng gia tốc để phân loại hoạt động ăn đứng bị sữa chuồng ni tự Thuật tốn họ ước tính số bước chân bò từ liệu gia tốc cách sử dụng ngưỡng xác định theo thống kê Trong nghiên cứu họ Error! Reference source not found., tác giả phương pháp thực theo cách thức thời gian thực sử dụng tần số lấy mẫu thấp (tần số Hz) độ phức tạp thấp Họ giải thích hai lý cho việc phân loại sai ăn đứng thứ là: bò quay đầu hoạt đợng ăn vị trí cảm biến bị lệch Thứ hai một số trường hợp, bò đứng, đầu cúi xuống Cuối cùng, một số đề xuất đưa để cải thiện hiệu suất phân loại thực theo thời gian thực 1.4 Thách thức xây dựng hệ thống Nói chung nghiên cứu thường sử dụng cảm biến gia tốc gắn cổ bò chân bò, sử dụng cảm biến áp suất gắn má bò Số hành vi phân loại thơng thường đi, đứng, nằm, ăn Nhiều nghiên cứu cịn thủ cơng liệu ghi thẻ nhớ Nền tảng cảm biến không dây cần nghiên cứu áp dụng hiệu Bên cạnh thuật tốn cần cải tiến để nâng cao hiệu phân loại Trong nghiên cứu Error! Reference source not found.Error! Reference source not found.Error! Reference source not found.Error! Reference source not found chứng minh tiềm việc sử dụng học máy phân loại hành vi bò, họ phân loại hai ba hành vi Error! Reference source not found.Error! Reference source not found., giá trị tiên đoán dương tính phân loại khơng cao Error! Reference source not found thiếu phân tích đặc trưng liệu Error! Reference source not found.Error! Reference source not found Thực tế hiệu suất phương pháp phân loại phụ thuộc vào đặc trưng cửa sổ liệu (liên quan đến số lượng mẫu một ghi) 1.5 Kết luận chương Chương trình bày tổng quan tình hình nghiên cứu ngồi nước Phân tích mợt số mơ hình hệ thống giám sát cảnh báo trượt lở đất mưa Chương đề cập đến thách thức xây dựng hệ thống giám sát cảnh báo xác định vị trí trượt lở đất, khối lượng trượt, lựa chọn thơng số cần giám sát, tính ổn định tin cậy hệ thống, yêu cầu thực tế giá thành xây dựng hệ thống giám sát cảnh báo CHƯƠNG THIẾT KẾ, CHẾ TẠO THIẾT BỊ THU DỮ LIỆU 2.1 Thiết kế hệ thống giám sát bị theo mơ hình mạng cảm biến khơng dây Hệ thống giám sát mơ hình mạng cảm biến không dây thường bảo gồm: - Các thiết bị gắn bò, thường 01 thiết bị mợt bị, thiết bị gắn chân, cổ, mũi má bò, …, đóng vai trị nút mạng cảm biến, thu liệu phục vụ cho việc giám sát truyền không dây nơi thu - 01 Thiết bị trung tâm đóng vai trị mợt nút mạng thu nhận liệu từ thiết bị gắn bò nhằm mục đích lưu trữ xử lý liệu, đưa lên internet giúp việc giám sát thuận lợi qua thiết bị di động Hệ thống cảm biến khơng dây thu nhận liệu bị thiết kế cần đảm bảo mợt số tiêu chí kỹ thuật sau: 1/ nút mạng gắn lên một bò với khoảng cách truyền tin từ nút mạng tới nút trung tâm đạt tới 200 m; 2/ liệu gia tốc chân cổ phải đồng bợ theo giây để phục vụ cho tốn phân loại; 3/ thông tin khác (ID nhận dạng bị, vị trí bị, phần trăm pin cịn lại nút mạng) phải giám sát nhằm phục vụ cho công tác vận hành Trong nghiên cứu đề xuất hệ giám sát trạng thái hành vi bò thơng qua mơ hình mạng cảm biến khơng dây, nút mạng kết hợp hai thiết bị giám sát gắn cổ bò chân bò, hai thiết bị kết nối không dây với phát triển dựa cảm biến gia tốc trục giúp việc xác định trạng thái xác ( Hình 1) 433 MHz Thiết bị cổ bò Nút trung tâm UART-USB 2.4 GHz Thiết bị chân bị Máy tính Bị thứ n Hình Mơ hình mạng cảm biến không dây Hệ thống gồm chia thành hai phần chính: phần mợt thiết bị gắn bị nhằm đo đạc chuyển đợng vị trí chân cổ bị, phần hai phần thu liệu, lưu trữ xử lý liệu thu nhằm phân loại dự đoán hành vi Phần một gồm hai thiết bị là: thiết bị đo chuyển động chân thiết bị đo chuyển động cổ bị, hai thiết bị truyền thơng RF với tần số 2,4 GHz tạo thành mợt nút mạng Phần hai gồm thiết bị đóng vai trò 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 Máy tính lưu liệu thành ghi phục vụ cho việc lưu trữ, xử lý đưa phân tích hành vi bị 2.2 Các thiết bị 2.2.1 Thiết bị đo chuyển động gắn vào chân bò Thiết bị thu liệu chân (Hình 2) có kích thước 85×60×35mm, khổi lượng khoảng 300 g Thiết bị chân dùng ATMega328 để xử lý thu tín hiệu gia tốc từ MPU-6050 với tần số 10Hz truyền liệu tới modul không dây RF2401 Theo nhà sản xuất đưa RF2401 có cự ly phát cực đại khoảng 100m, với ăng ten chìm mạch thiết bị phát sóng định hướng điều kiện sử dụng thiết bị chân trước bò cổ bị cách khơng q 2m, nên tỉ lệ lỗi bít thấp q trình thử nghiệm khơng cho thấy lỗi bít, nhà sản xuất đưa lỗi bít khoảng 0.001% Hình Thiết bị thu liệu chân 2.2.2 Thiết bị đo chuyển động gắn vào cổ bò Thiết bị thu liệu cổ (Hình 3) có kích thước giống thiết bị chân 85×60×35mm, khổi lượng khoảng 300g Thiết bị cổ bị thu liệu gia tốc từ MPU-6050, liệu GPS từ modul GPS NEO-UBLOX-6M V2 Mặt khác thiết bị cố thu liệu gia tốc trục từ thiết bị từ chân bị gửi lên, kết hợp với liệu cổ bị ghép thành mợt tin bao gồm: thơng tin gia tốc chân bị, gia tốc cổ bị thơng tin GPS cổ bị Tín hiệu gia tốc chân cổ làm thu nhận với tốc đợ 11 mẫu/ giây Tín hiệu GPS thu nhận với tần số 0,5Hz Bản tin tổng hợp sau Lora truyền đến nút trung tâm Theo nhà sản xuất đưa khoảng cách cực đại Lora truyền lên tới 10km, nhiên điều kiện nghiên cứu khảo sát khoảng 1km tỉ lệ lỗi bít thấp 1% Hình Thiết bị thu liệu cổ 2.2.3 Nút trung tâm Trung tâm thu thập liệu gồm mợt modul thu phát (Hình 4), một modul chuyển đổi liệu UART-USB một phần mềm máy tính Hình Nút trung tâm thu liệu 2.3 Căn chỉnh cảm biến chuẩn hóa liệu 2.3.1 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 2.3.2 Chuẩn hóa liệu Chuẩn hóa giải đo từ giá trị thơ dùng modul MPU6050 Modul MPU6050 thiết lập để giá trị 16 bit có giải đo ±2, 4, 8, 16g 2.4 Kết luận chương Cảm biến gia tốc ba chiều cung cấp một phương pháp không xâm lấn để phân loại hành vi bị điều kiện trang trại Đóng góp chương thành cơng việc xây dựng một mạng cảm biến không dây gắn bị mà nút mạng thu thập liệu đồng bợ từ chân cổ bị Cơng trình khoa học liên quan tới chương số 4, CHƯƠNG ĐỀ XUẤT THUẬT TỐN HỌC MÁY PHÂN LOẠI HÀNH VI CỦA BỊ 3.1 Dữ liệu sử dụng Chúng sử dụng tập liệu công khai trực tuyến nghiên cứu Jun Wang cộng Error! Reference source not found địa chỉ: https://doi.org/10.1371/journal.pone.0203546.t006 Bảng tóm tắt định nghĩa hành vi tập liệu Bảng Mô tả hành vi Định nghĩa hành vi Ăn Bị khu vực ăn, tìm kiếm ăn thức ăn Nằm Con bò buồng tư nằm Đứng Con bị đứng hồn tồn bốn chân Bị chùng mợt chân trước, hạ thấp chân trước, sau hạ chân sau xuống Nằm xuống trạng thái nằm Đứng lên Con bò vươn lên từ trạng thái nằm để đứng bốn chân Đi bình Hoạt đợng đặc trưng cử động chân liên tiếp (một bước thường tiến khoảng thời gian giây) Đi nhanh Con bò tiến nhanh phía trước với bước dài (hai bước tiến khoảng thời gian giây video) Tập liệu đề xuất một quan sát gắn nhãn tập liệu chứa 16 mẫu liệu gia tốc, mẫu ghi lại theo ba trục vng góc với tốc đợ lấy mẫu 1Hz 3.2 Phương pháp phân loại đề xuất Các đặc trưng cửa sổ liệu quan trọng việc thực thuật toán phân loại Các đặc trưng liệu trích xuất dựa cửa sổ thời gian Để tìm đợ dài cửa sổ tốt nhất, thực một số so sánh với vấn đề nhận biết hoạt động người (HAR) tín hiệu gia tốc lấy mẫu tốc độ lấy mẫu cao nhiều (ví dụ: 50 Hz) so với liệu bị (ở tần số Hz) Trong bối cảnh vấn đề HAR, cửa sổ cỡ trung bình (dài từ đến giây) hoạt động tốt từ một loạt cửa sổ từ đến 15 giây cho cảm biến gia tốc đặt cổ tay Vì bị sữa hoạt đợng người, chúng tơi sử dụng chiều dài cửa sổ dài cho nghiên cứu Phương pháp chúng tơi để phân loại hành vi bị sử dụng đặc điểm liệu gia tốc, là: giá trị trung bình, trung vị, SD, RMS dải giá trị Lí lựa chọn loại đặc trưng dựa vào chất tín hiệu sử dụng để phân loại Đây tín hiệu theo chuỗi thời gian (giá trị gia tốc thu thay đổi theo thời gian) Với loại tín hiệu kỹ sư khai thác thơng tin miền thời gian / miền tần số Tuy nhiên lựa chọn khai thác đặc trưng miền tần số dẫn đến đợ phức tạp tính tốn lớn Chính thế, NCS lựa chọn việc khai thác đặc trưng miền thời gian, cụ thể độ đo bậc để giảm thiểu độ phức tạp tính tốn đảm bảo phân loại xác Những thử nghiệm khác tiến hành với đợ đo để ước  (Xj) độ lệch chuẩn Xj Dữ liệu Nằm xuống có nhiều giá trị khơng khác liệu đứng lên nhiều Điều dẫn đến việc sử dụng RMS để đo đặc tính (3.5) N RMS X j  N  i 1 xi RMSXj bình phương trung bình gốc Xj Lưu ý tất công thức (3.1- 3.5) dành cho trục X; công thức cho trục Y, trục Z tương tự Chúng đánh giá hiệu suất phân loại thuật toán học máy riêng lẻ (Cây định tăng cường Gradient, Máy vectơ hỗ trợ, Rừng ngẫu nhiên K-Nearest Neighbor) với cửa sổ khác (6 giây, 12 giây, 16 giây 20 giây) với đặc trưng nói (giá trị trung bình, trung vị, SD, RMS dải giá trị) Hiệu suất mơ hình đánh giá dựa bốn số hiệu suất Cuối cùng, so sánh hiệu suất tổng thể với nghiên cứu Jun Wang cộng Error! Reference source not found Martiskainen M Jarvinen Error! Reference source not found Chúng sử dụng định nghĩa sau: - TP: Một kết phân loại dương tính thật, kết phát hành vi hành vi xuất - TN: Mợt kết phân loại âm tính thật, kết không phát hành vi hành vi khơng xuất - FP: Mợt kết phân loại dương tính giả, kết phát hành vi hành vi khơng xuất - FN: Mợt kết phân loại âm tính giả, kết không phát hành vi hành vi xuất Chúng tơi đánh giá hiệu suất thuật tốn dựa đợ xác, đợ nhạy, giá trị tiên đoán dương giá trị tiên đốn âm - Acc (Đợ xác): Xác định tỷ số “số dự đoán đúng” với “Tổng số dự đốn” - Sen (Đợ nhạy): Đo khả phân loại để phát hành vi có hành vi - PPV (Giá trị tiên đốn dương tính): Trình bày tỷ lệ phân loại dương tính - NPV (Giá trị tiên đoán âm): Thể tỷ lệ phân loại âm tính Từ định nghĩa, chúng tơi có cơng thức: TP + TN Acc  (3.6) TP + FP + FN + TN TP Sen  (3.7) TP + FN TP PPV  (3.8) TP + FP TN NPV  (3.9) TN + FN TP (True Positives) dương tính thật (tất dương), TN (False Positives) âm tính thật, FP (False Positives) dương tính giả FN (False Negatives) âm tính giả Acc biểu thị cho đợ xác, Sen đợ nhạy, PPV giá trị tiên đốn dương NPV giá trị tiên đoán âm 11 3.3 Kết Thử nghiệm dùng để đánh giá hiệu phân loại phương pháp học máy riêng lẻ thử nghiệm với cửa sổ khác (6 giây, 12 giây, 16 giây 20 giây) đặc trưng (phần 3.2) Chúng so sánh GBDT, SVM, Rừng ngẫu nhiên K hàng xóm gần (KNN) Trên Error! Reference source not found., cách sử dụng một bộ liệu đầu vào (phần 3.1) Đợ xác đợ nhạy sử dụng cửa sổ giây, 12 giây, 16 giây 20 giây khai thác Đợ xác tổng thể tính đợ xác trung bình cho hành vi Đợ nhạy tổng thể tính theo cách tương tự Thuật toán GBDT (cửa sổ 16 giây) đạt hiệu suất cao (đợ xác 86,3% độ nhạy 80,6%) Error! Reference source not found cho thấy hiệu suất thuật toán phân loại Trong mọi trường hợp, có phụ tḥc lớn vào kích thước cửa sổ, đợ xác đợ nhạy tổng thể tăng theo kích thước cửa sổ cho tất thuật tốn xem xét Từ kết quả, nói xu hướng chung kích thước cửa sổ có ảnh hưởng đến hiệu suất phân loại Mợt cửa sổ phù hợp giảm gánh nặng tính tốn thuật toán phân loại ảnh hưởng nhiễu Tuy nhiên chiều dài cửa sổ trở nên lớn, xác suất một cửa sổ định có nhiều mợt hoạt đợng tăng lên, đợ trễ trước đầu phân loại tăng lên số lượng liệu học giảm Xem xét tất tùy chọn trên, chúng tơi thấy thuật tốn GBDT (cửa sổ 16 giây) đạt hiệu suất cao nhất, với đợ xác tổng thể 86,3% đợ nhạy tổng thể 80,6% Các kết chi tiết việc sử dụng trình phân loại GBDT (cửa sổ 16 giây) mang lại hiệu suất tổng thể tốt (phần 3.1) trình bày Bảng 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 cho thấy số trường hợp xác định xác dương tính (hành vi mơ hình hóa), như xác định xác âm tính (các hành vi khác) Các trường hợp mợt mẫu âm tính phân loại sai thành dương tính ngược lại, gọi dương tính giả âm tính giả, tương ứng Bảng Các ma trận nhầm lẫn đạt từ việc phân loại liệu thử nghiệm hành vi bị sữa Dự đốn hành vi Hành vi Nằm Đứng Đi bình Tồn Ăn Nằm Đứng Đi nhanh thực tế xuống lên thường bộ Ăn 23 0 0 243 220 Nằm 0 0 0 290 290 Đứng 57 0 179 120 Nằm xuống 0 53 129 71 Đứng lên 0 47 120 65 Đi bình 0 0 291 290 thường Đi nhanh 0 2 204 200 Tồn bợ 277 290 143 121 120 295 210 1456 12 Theo Bảng 2, nằm (290/290), bình thường (290/291) nhanh (200/204) phân loại tốt, có mợt vài phân loại sai hành vi xảy (1/291 Đi bình thường 4/204 nhanh) Ăn đứng phân loại sai với (57/179 ăn phân loại sai đứng 23/243 đứng phân loại sai ăn) Nằm xuống phân loại sai với đứng lên (53/129 nằm xuống phân loại sai đứng lên 47/120 đứng lên phân loại sai nằm xuống) Hiệu suất mơ hình đánh giá dựa bốn số (phần 3.2), cụ thể đợ xác (7), đợ nhạy (8), PPV (9) NPV (10) Bảng Bảng Tóm tắt số hiệu suất thuật toán GBDT cho tất hành vi Các số Độ xác Đợ 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% Đi bình thường 99,5% 99,7% 98,3% 99,9% Đi nhanh 98,9% 98,0% 95,2% 99,6% Hiệu suất tổng thể mơ hình GBDT tốt Đợ nhạy cao (> 90%) cho tất lớp trừ đứng (67%), nằm xuống (55%) đứng lên (54,2%) Đợ xác 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%) cho thấy bợ phân loại có vấn đề dự đốn xác trường hợp dương tính lớp này, điều cho thấy thêm mẫu hành vi dễ bị nhầm lẫn với hành vi khác NPV xuất sắc cho tất lớp (> 95%) hành vi Chúng so sánh chi tiết hiệu suất tổng thể với công việc Jun Wang sử dụng một bộ liệu Bảng cho thấy kết so sánh sử dụng phương pháp đánh giá trung bình vĩ mơ (macro), tính tốn số liệu mợt cách đợc lập cho lớp sau lấy trung bình (do xử lý với tất phân loại bình đẳng) Bảng cho thấy kết so sánh sử dụng phương pháp đánh giá trung bình vi mơ (micro), tổng hợp đóng góp tất lớp vào giá trị trung bình tính tốn Bảng Các số hiệu suất tổng thể sử dụng phương pháp đánh giá trung bình vĩ mơ Jun Wang cợng Error! Các số Kết Reference source not found Đợ xác 92,3% 95,8% Đợ nhạy 79,1% 80,6% PPV 82,1% 81,4% NPV Không cung cấp 97,6% 13 Bảng Các số hiệu suất tổng thể sử dụng phương pháp đánh giá trung bình vi mô Các số Jun Wang cộng Error! Kết Reference source not found Đợ xác 86,6% 96,6% Đợ nhạy 85,2% 86,3% PPV 79,8% 86,0% NPV Không cung cấp 98,3% 3.4 Kết luận chương Tóm lại, chương NCS đề xuất mợt bợ 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 Gradient hỗ trợ thư viện Scikit-learn library1 Công bố khoa học liên quan tới chương cơng trình số Scikit-learn library một thư viện Python mã nguồn mở có cơng cụ mạnh mẽ để phân tích liệu khai thác liệu 14 CHƯƠNG PHÂN LOẠI HÀNH VI SỬ DỤNG DỮ LIỆU ĐỒNG BỘ TỪ CHÂN VÀ CỔ BÒ 4.1 Động lực nghiên cứu Có hai cách tiếp cận phổ biến để thu thập liệu gia tốc từ một bị: cảm biến gia tốc gắn vào chân cổ bị Mợt số nghiên cứu dựa liệu gia tốc gắn cổ Error! Reference source not found.Error! Reference source not found.Error! Reference source not found.Error! Reference source not found.Error! Reference source not found., một số nghiên cứu khác dựa liệu gia tốc gắn chân Error! Reference source not found.Error! Reference source not found.Error! Reference source not found Sự lựa chọn chân hay cổ phụ thuộc vào hành vi tập trung vào, chẳng hạn liệu gia tốc gắn cổ tốt để phân biệt hành vi ăn Tuy nhiên, việc sử dụng cảm biến gia tốc chân cổ dẫn đến mợt số hành vi phân loại nhầm lẫn Ví dụ chúng chứa hành vi tương tự chẳng hạn đứng ăn (trong trường hợp liệu gia tốc gắn chân) Sự giới hạn thường đến từ liệu Nó cho thấy loại vấn đề này, liệu quan trọng phương pháp học máy Do đó, chúng tơi đề xuất mợt cách tiếp cận tập trung vào việc cải thiện chất lượng liệu 4.2 Dữ liệu sử dụng Gắn mợt cảm biến gia tốc vào chân bị mợt cảm biến gia tốc vào cổ bò cách thức để theo dõi hành vi bò Các chuyển động chân cổ thông qua cảm biến gia tốc chuyển đổi thành tín hiệu điện, gửi đến bộ vi điều khiển chân một bộ vi điều khiển khác cổ Dựa quan sát trực tiếp hành vi bị, chúng tơi gắn nhãn liệu (tức gán hành vi theo cách thủ công mà liệu thu thập thời điểm tương ứng với) thành bốn loại hành vi khác Điểm mấu chốt nghiên cứu đồng bợ hóa liệu gia tốc chân cổ Trong trường hợp tốt nhất, liệu bị q trình thu thập liệu, khơng có liệu bị trình truyền liệu từ chân đến cổ bị Sau 0,1 giây, bợ vi điều khiển cổ nhận hai khung liệu đồng bợ hóa theo thời gian Chúng tơi sử dụng mười khung liệu từ chân để tính trung bình nhằm thu mợt khung liệu với tốc độ cập nhật một giây Tương tự vậy, mười khung liệu từ cổ tính trung bình để thu mợt khung liệu với tốc đợ cập nhật mợt giây Mục đích việc lấy trung bình làm mịn liệu, loại bỏ thành phần nhiễu tần số cao Nếu liệu bị q trình thu thập liệu, thơng tin bị trình truyền liệu từ thiết bị chân sang thiết bị cổ xử lý sau: + Lấy số mẫu gia tốc chân bị nhận mợt giây gọi N, N có giá trị nhỏ 10, tính trung bình cộng giá trị gia tốc N mẫu thu trục X, Y, Z + Lấy số mẫu gia tốc nhận từ cổ bị mợt giây gọi M, M có giá trị nhỏ 10, tính trung bình cợng giá trị gia tốc M mẫu thu trục X, Y, Z + Xóa mẫu có giá trị trung bình tồn chân cổ Chúng lưu giá trị trung bình mà thơng tin thời gian (tính giây) tồn chân cổ 15 Thiết bị cổ có liệu gia tốc cổ chân đồng bợ hóa giây đóng gói thành mợt siêu khung bao gồm thành phần sau: + Mã định danh (ID) bò + Thời gian tính theo giây + Phần trăm pin lại thiết bị cổ chân + Gia tốc ba trục X, Y, Z đo chân bò + Gia tốc ba trục X, Y, Z đo cổ bị Dữ liệu đóng gói gửi đến nút trung tâm thông qua mô-đun giao tiếp LoRa Pin nút cảm biến pin Lithium có dung lượng 6600mAh điện áp làm việc 3,7V Tổng công suất trung bình mơ hình hoạt đợng nút cảm biến chân 68,99 mW Do đó, thời gian lý thuyết lần sạc 22440mWh / 68,99 mW = 325 giờ (hoặc 13,5 ngày) Tương tự, thời gian sạc nút cảm biến cổ 22440mWh / 134,99 mW = 166 giờ (hoặc bảy ngày) Tuổi thọ nút cảm biến cổ nhỏ so với nút chân bao gồm mợt mơ-đun LoRa Việc phân loại hành vi bị thực máy tính Các thiết bị hỗ trợ Internet điện thoại máy tính truy cập theo dõi tình trạng bò thời gian thực Năm bò thử nghiệm định năm ID tương ứng (ID1, ID2, ID3, ID4 ID5) Để đánh giá thích nghi bị đeo thiết bị, bị chia thành hai nhóm Các cảm biến gắn vào bị nhóm (bao gồm ID1 ID4) hai tuần trước thử nghiệm, cho bị nhóm cịn lại (bao gồm ID2, ID3 ID5) vào ngày thử nghiệm 20 mẫu / giây tốc đợ lấy mẫu tín hiệu thơ; chúng tơi lấy trung bình mợt mẫu / giây để lưu trữ tín hiệu lấy mẫu xuống Khơng có hạn chế ảnh hưởng đến hoạt động bị cơng nhận q trình thử nghiệm Ba bộ liệu tạo từ liệu gia tốc năm bò Tập liệu (DATASET01) chứa liệu từ cảm biến gắn chân, tập liệu thứ hai (DATASET02) bao gồm liệu từ cảm biến gắn cổ tập liệu thứ ba (DATASET03) đồng bợ hóa liệu từ cảm biến gắn chân gắn cổ Phân loại hành vi bò áp dụng cho tất bộ liệu để đánh giá hiệu suất một phương pháp với cấu trúc liệu khác Bảng Các hành vi phân loại Hành vi Định nghĩa Ăn Bò ăn (nhai lấy thức ăn dùng miệng) Nằm Bò tư nằm nghỉ ngơi Đứng Bò đứng tất chân Đi Bị bước vịng giây (ít cử động chân liên tiếp) 4.3 Phương pháp phân loại đề xuất Hình cho thấy quy trình mà sử dụng nghiên cứu Dữ liệu gia tốc chân cổ đồng bợ hóa hiển thị với độ dài cố định: ghi thứ i chứa liệu gia tốc 16 giây (16 mẫu), bao gồm liệu gia tốc mười giây cuối (10 mẫu cuối cùng) ghi thứ (i-1) Ở chương sử dụng đặc trưng gồm: RMS, độ lệch chuẩn (SD) giá trị trung bình cho tất ghi Dữ liệu 16 gắn nhãn dựa quan sát thực tế hành vi bị gồm có bốn hành vi: đi, ăn, nằm đứng Hình Quy trình phân loại hành vi bị Hình Quy trình hoạt động phân loại Dữ liệu huấn luyện lựa chọn ngẫu nhiên 60% bộ liệu; phần lại (khoảng 40%) liệu thử nghiệm Sự phân chia chứng minh phù hợp với tốn phân loại tập tính bị Error! Reference source not found.Error! Reference source not found Mơ hình phân loại đào tạo liệu đào tạo gắn nhãn dựa bộ đặc trưng đề xuất 17 4.4 Kết Thử nghiệm đưa để đánh giá hiệu suất phân loại thuật toán RF áp dụng với cửa sổ 16 giây ba đặc trưng (trung bình, SD RMS) Chúng tơi so sánh hiệu suất phân loại đợ xác, độ nhạy PPV Nghiên cứu quan tâm đến bốn loại hành vi nghiên cứu này: đứng, ăn, nằm Những hành vi chia thành hai nhóm: / đứng ăn; / nằm Nếu quan sát vị trí cảm biến gia tốc, cảm biến gắn cổ dự kiến có hiệu suất tốt nhóm Cảm biến gắn chân kỳ vọng có hiệu suất tốt nhóm thứ hai Trên Hình 9, DATASET01 (đen) chứa liệu từ cảm biến gắn chân DATASET02 (màu đỏ) chứa liệu từ cảm biến gắn cổ DATASET03 (màu xanh lam) chứa liệu đồng bộ hóa từ cảm biến gắn chân gắn cổ Hình cho thấy số lượng TP cho nhóm (đứng ăn) tập liệu năm bò kịch chúng: + Dữ liệu từ chân (tức DATASET01) + Dữ liệu từ cổ (tức DATASET02) + Dữ liệu đồng bợ hóa từ chân cổ (tức DATASET03) Dữ liệu đồng bợ hóa từ cảm biến gắn chân gắn cổ (DATASET03) cung cấp số lượng TP lớn Tổng số hành vi đứng ăn 865, 817, 735, 813, 622 (Error! Reference source not found.B), số lượng TP 853, 723, 634, 764, 534 (Error! Reference source not found.) cho bò ID1, ID2, ID3, ID4, ID5 Điều thú vị số lượng TP từ cảm biến gắn cổ (DATASET02) nhiều so với cảm biến gắn chân (DATASET01) 1000 853 764 723 800 634 534 600 400 200 ID1 ID2 DATASET01 ID3 DATASET02 ID4 ID5 DATASET03 Hình TP hành vi đứng ăn Hình 10 với DATASET01 (đen) chứa liệu từ cảm biến gắn chân DATASET02 (màu đỏ) chứa liệu từ cảm biến gắn cổ DATASET03 (màu xanh lam) chứa liệu đồng bợ hóa từ cảm biến gắn chân gắn cổ Hình 10 cho thấy số lượng TP nhóm thứ hai (nằm đi) tập liệu năm bò kịch Dữ liệu đồng bợ hóa từ cảm biến gắn chân gắn cổ (DATASET03) cung cấp số lượng TP lớn Tổng số lần nằm và quan sát 570, 370, 185, 513, 547 (Error! Reference source not found.(b)), số TP 564, 369, 185, 511, 547 tương ứng cho bò ID1, ID2, ID3, ID4, ID5 Như chúng 18 mong đợi, số lượng TP từ cảm biến gắn chân (DATASET01) lớn so với cảm biến gắn cổ (DATASET02) 564 600 547 511 500 369 400 300 185 200 100 ID1 ID2 DATASET01 ID3 DATASET02 ID4 ID5 DATASET03 Hình 10 TP nằm Bảng trình bày kết phương pháp đánh giá trung bình vĩ mơ phương pháp đánh giá trung bình vi mơ Phương pháp đánh giá trung bình vĩ mơ tính tốn số mợt cách đợc lập cho lớp sau lấy giá trị trung bình (tất lớp đối xử nhau) Phương pháp đánh giá trung bình vi mơ tổng hợp đóng góp tất lớp vào giá trị trung bình tính tốn Bảng Hiệu suất sử dụng trung bình vi mơ trung bình vĩ mơ so sánh ba tập liệu (a), năm bò DATASET03 (b) (A) Bợ liệu 01 02 03 Đợ xác Độ nhạy PPV Micro Macro Micro Macro Micro Macro 0.81 0.84 0.82 0.80 0.94 0.95 0.81 0.84 0.82 0.80 0.94 0.95 0.81 0.84 0.82 0.81 0.94 0.95 (B) Độ xác Đợ nhạy PPV COW ID ID1 ID2 ID3 ID4 ID5 Micro Macro Micro Macro Micro Macro Micro Macro Micro 0.99 0.99 0.92 0.93 0.89 0.93 0.96 0.97 0.92 19 0.99 0.99 0.92 0.94 0.89 0.93 0.96 0.97 0.92 0.99 0.99 0.92 0.92 0.89 0.93 0.96 0.96 0.92 Macro 0.93 0.93 0.95 Như thể Bảng (a), trung bình vi mơ trung bình vĩ mơ DATASET01 DATASET02 gần Kết có ý nghĩa DATASET01 cho kết nằm tốt DATASET02 cho kết đứng ăn tốt Hiệu suất DATASET03 đáng kể so với trường hợp DATASET01 DATASET02 Hiệu suất phân loại tổng thể chúng tơi cho DATASET03: đợ xác 0,94, độ nhạy 0,94 0,94 PPV trường hợp trung bình vi mơ; Đợ xác 0,95, đợ nhạy 0,95 0,95 PPV trường hợp trung bình vĩ mơ Bảng (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 bò phân loại thành cơng với hiệu suất cao cách đạt đợ xác 0,95, đợ 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 áp dụng coi đạt hiệu suất phân loại hành vi tốt Chúng đạt hiệu suất cao phân loại ăn (đợ xác 0,914, đợ nhạy 0,884 PPV 0,956) đứng (đợ xác 0,88, đợ nhạy 0,928 PPV 0,842), thường có mợt giới hạn Error! Reference source not found.Error! Reference source not found.Error! Reference source not found.Error! Reference source not found.Error! Reference source not found Error! Reference source not found.Error! Reference source not found.Error! Reference source not found.Error! Reference source not found Chúng thực kết mà không yêu cầu điều kiện cho trang trại Bảng trình bày so sánh với mợt số nghiên cứu liên quan P Martiskainen M Jarvinen Error! Reference source not found sử dụng SVM (máy vectơ hỗ trợ) để nhận hành vi dựa liệu gia tốc gắn cổ Tám hành vi phân loại với việc sử dụng một cảm biến gia tốc cho bò Tần số lấy mẫu cảm biến gia tốc 10 Hz; thời lượng cửa sổ 10 giây Do đó, mợt ghi họ liệu có 100 mẫu (trong nghiên cứu chúng tôi, một ghi 16 mẫu) Tám đặc trưng sử dụng, bao gồm trung bình, SD, giá trị nhỏ nhất, giá trị lớn nhất… Các kết phân loại hành vi đi, ăn, nằm đứng so sánh với kết Họ thu kết tốt hành vi ăn (0,96 độ xác, 0,75 nhạy cảm, 0,81 PPV) , khơng tốt nằm (0,84 đợ xác, 0,80 đợ nhạy, , 0,83 PPV) (0,99 đợ xác, 0,79 độ nhạy, 0,79 PPV ), so với nghiên cứu dựa liệu gia tốc gắn chân Error! Reference source not found.Error! Reference source not found.Error! Reference source not found Lí cảm biến gia tốc gắn cổ sử dụng thí nghiệm họ Dữ liệu gia tốc gắn cổ nhận biết việc ăn tốt so với liệu gia tốc gắn 20 chân ngược lại; Dữ liệu gia tốc gắn chân nhận biết nằm tốt so với liệu gia tốc gắn cổ Kết PPV họ 0,65 đứng, 0,83 nằm, 0,81 ăn 0,79 Kết PPV tốt đáng kể, tốt với đợ xác đợ nhạy Tóm lại, lượng mẫu một ghi lớn (100), nhiều đặc trưng (8) sử dụng hiệu suất chưa cao Tuy nhiên, lưu ý nghiên cứu P Martiskainen M Jarvinen Error! Reference source not found mợt cơng trình ban đầu chủ đề Khi cơng trình họ xuất bản, việc giám sát tự động dựa hành vi đợng vật tương đối Bảng Tóm tắt nghiên cứu liên quan Các trình cơng P Martiskainen and M Jarvinen Error! Reference source not found Oudshoorn et al Error! Reference source not found Arcidiacono et al Error! Reference source not found Wang et al Error! Reference source not found Các hành vi Công nghệ sử dụng Tần Cửa Phương số lấy số pháp sử mẫu liệu dụng đứng, nằm, cảm biến gia tốc gắn 10 ăn, bốn 10 Hz cổ giây hành vi khác SVM ăn (bò chăn cảm biến gia tốc gắn Hz thả) cổ 10 phút So sánh ngưỡng đứng cảm biến gia tốc gắn Hz cổ giây So sánh ngưỡng đứng, nằm, ăn, đi, nằm xuống, đứng lên, nhanh combining mounted accelerometer location sensor giây AdaBoost Barwick et al đứng, Error! ăn, Reference legand Hz cảm biến gia tốc gắn 3, 5, nằm, cổ, cảm biến gia tốc Random 12 Hz 10 gắn chân, cảm biến Forest giây gia tốc gắn tai 21 source found not Nghiên cứu đứng, ăn, nằm, cảm biến gia tốc gắn 16 cổ cảm biến gia tốc 10 Hz giây gắn chân Random Forest Arcidiacono cộng Error! Reference source not found đề xuất một công cụ phân loại làm giảm ngưỡng cảm biến gia tốc Hệ thống họ tập trung vào việc đứng ăn Tần số lấy mẫu Hz thời lượng cửa sổ giây Vì vậy, có 20 mẫu ghi Vì tốn phân loại phân biệt đứng ăn, nên có mợt đặc trưng (trung vị) sử dụng để tính ngưỡng Ngưỡng gia tốc sử dụng để phân biệt trạng thái ăn Khi ăn có chuyển đợng đầu, phân tích liệu cảm biến gia tốc trục X Oudshoorn cộng Error! Reference source not found sử dụng cảm biến cảm biến gia tốc để ước tính thời gian chăn thả Dữ liệu thu thập với tốc độ lấy mẫu Hz Ước tính việc chăn thả so sánh với việc quan sát thủ công cửa sổ 10 phút Phương pháp đề xuất dựa so sánh ngưỡng, tương tự ý tưởng Error! Reference source not found Số lượng hành vi công việc bị hạn chế họ khơng tập trung vào phân loại hành vi Lượng cỏ thông tin mà họ quan tâm, lượng cỏ ước tính từ tần suất cắn thời gian chăn thả Hiệu suất ước tính khơng cao: 0,7 đợ nhạy 0,82 PPV Một lý chất lượng liệu gia tốc thu thập Nghiên cứu mợt số nghiên cứu nói việc phân loại bị ăn cỏ Wang cợng Error! Reference source not found đề xuất một phương pháp dựa việc kết hợp cảm biến gia tốc cảm biến vị trí gắn chân Dùng thuật tốn AdaBoost để phân loại bảy hành vi bò Bốn hành vi nghiên cứu chúng tôi: ăn, nằm, đứng, bình thường Ba hành vi khác: nhanh, đứng lên, nằm xuống Trong thí nghiệm họ, tốc độ lấy mẫu Hz, thời lượng cửa sổ giây Hiệu suất tốt họ tất số: đợ xác (0,9 so với 0,86), đợ nhạy (0,95 so với 0,85) PPV (0,95 so với 0,80) Kết ăn họ đợ xác 0,75, độ nhạy 0,73 0,75 PPV Kết đứng đợ xác 0,75, đợ nhạy 0,78 0,72 PPV Những kết thấp trường hợp xấu chúng tơi (bị ID2) Nó chứng minh giải pháp kết hợp cảm biến chân cảm biến cổ hoạt động tốt so với giải pháp cảm biến chân cảm biến vị trí họ Hơn nữa, giải pháp họ phù hợp với bị chuồng thả rơng vị trí ăn cố định Trong trường hợp này, nhầm lẫn xuất bị đứng vị trí ăn cố định Barwick cợng Error! Reference source not found xác định hành vi cừu thay hành vi bị Các vấn đề phân loại tương tự Họ quan tâm đến bốn hành vi bao gồm ăn, nằm, đứng Ba loại cảm biến khác sử dụng ba thí nghiệm (khơng kết hợp, mợt cảm biến cho mợt thí nghiệm) Thí nghiệm cảm biến gia tốc đeo cổ, cảm biến gia tốc gắn chân cảm biến gia tốc đeo tai Dữ liệu lấy mẫu tần số 12 Hz Họ thử độ dài cửa sổ khác nhau: 3, 10 giây Mơ hình phân loại sử dụng RF Hiệu suất hệ thống giám sát cừu thấp so với hệ thống chúng tơi Đợ xác thử nghiệm cảm biến gắn tai lớn nhất, 22 dao đợng từ 0,86 đến 0,95 Cụ thể, đợ xác đứng dao động từ 0,69 đến 0,97, 0,85 đến 1, ăn 0,58 đến 0,95 đợ xác nằm thấp Trong tốn ML này, mợt cửa sổ liệu phù hợp điều cần thiết Error! Reference source not found Nếu độ dài cửa sổ lớn, số lượng liệu huấn luyện giảm mợt cửa sổ định (mợt ghi) chứa nhiều hoạt động Như vậy, hiệu suất phân loại giảm Error! Reference source not found Độ dài cửa sổ ưu tiên khoảng 5-16 giây Error! Reference source not found.Error! Reference source not found.Error! Reference source not found.Error! Reference source not found.Error! Reference source not found.Error! Reference source not found.Error! Reference source not found Trong nghiên cứu này, độ dài cửa sổ 16 giây Tất công việc thảo luận nhằm mục đích phát triển mợt hệ thống dựa IoT để giám sát động vật Hệ thống sử dụng thiết bị cảm biến (cảm biến gia tốc đeo cổ gia tốc gắn chân) để cảm nhận phân tích liệu với hỗ trợ trí tuệ nhân tạo (trong trường hợp thuật tốn ML) Có nghiên cứu nâng cao chất lượng hệ thống IoT dựa trí tuệ nhân tạo Error! Reference source not found.Error! Reference source not found.Error! Reference source not found., mợt tốn thời gian thực, mợt thuật tốn nhanh đơn giản điều bắt buộc Xét liệu gia tốc không phức tạp với giá trị số, thuật toán RF, Cây định tăng cường Gradient AdaBoost (thuật toán dựa định) phù hợp Error! Reference source not found.Error! Reference source not found.Error! Reference source not found.Error! Reference source not found Chúng nhận thấy hiệu suất khác biệt nghiên cứu khơng đến từ thuật tốn ML Vì vậy, việc cải thiện liệu mục tiêu báo Trong tốn ML, thơng tin tốt có nghĩa hiệu suất tốt Dữ liệu gia tốc đồng bợ hóa từ cảm biến chân cảm biến vòng cổ lựa chọn Kết bật báo chứng minh hiệu suất vượt trợi thực cách sử dụng mợt mơ hình phân loại đơn giản 4.6 Kết luận chương Đóng góp quan trọng chương đề xuất việc sử dụng liệu đồng bợ hóa từ hai cảm biến lắp chân cổ bị cho bợ phân loại bốn hành vi quan trọng bò Việc phân loại hành vi bò ăn cỏ dựa hệ thống cảm biến kết hợp cung cấp cải tiến đáng kể so với hệ thống truyền thống khác (chỉ sử dụng một cảm biến, gắn chân gắn cổ) Công bố liên quan tới chương cơng trình số 23 KẾT LUẬN CHUNG Các phương tiện giám sát đại giúp người chăn nuôi tiết kiệm thời gian theo dõi nâng cao hiệu cơng tác chăm sóc sức khỏe gia súc Phân loại tập tính bị cách phát sớm bệnh tật mối quan hệ tương tác đàn ảnh hưởng đến sức khỏe Hành vi thay đổi bị bị bệnh bao gồm giảm hoạt động hàng ngày ăn, uống, lại, đứng nằm Với ưu điểm kích thước nhỏ, trọng lượng nhẹ tiêu thụ điện thấp, cảm biến gia tốc sử dụng rộng rãi để theo dõi phân loại hành vi bò Cảm biến gia tốc ba chiều cung cấp một phương pháp không xâm lấn để phân loại hành vi bò điều kiện trang trại Luận án nghiên cứu sinh thành công việc nghiên cứu xây dựng 01 hệ thống mạng cảm biến không dây nhằm thu thập liệu gia tốc (từ chuyển đợng bị) phân loại hành vi bị sử dụng cảm biến gia tốc gắn bò Luận án có đóng góp 1/ Xây dựng bợ phân loại bảy hành vi bị sử dụng cảm biến gia tốc gắn chân bò 2/ Xây dựng hệ thống mạng cảm biến khơng dây 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 bị đồng bợ để phục vụ cho tốn phân loại hành vi bị 3/ Xây dựng bợ phân loại hành vi bị sử dụng liệu đồng từ cảm biến gia tốc gắn chân bò cổ bò Trong tất nghiên cứu trước đây, khơng có cơng trình hệ thống phân loại sử dụng đồng thời hai cảm biến gia tốc - DoF (một gắn chân một cổ) Đáng kể liệu gia tốc từ hai cảm biến đồng bợ hóa Tốc độ cập nhật liệu một giây Hơn nữa, không liệu gia tốc mà người quản lý cịn có thơng tin ID bị, vị trí bị phần trăm pin cịn lại thiết bị cổ chân Chúng ta thấy khơng có kết bật việc phân loại sử dụng nhiều thuật toán học máy khác với bộ đặc trưng khác sử dụng liệu gia tốc chân cổ Chỉ hệ thống đề xuất chúng tơi, liệu đồng bợ hóa cung cấp kết phân loại tốt sử dụng một bộ đặc trưng đơn giản cho mơ hình phân loại Hướng nghiên cứu tiếp theo: 1/ Thiết kế triển khai hệ thống phân loại hành vi thời gian thực với điểm mấu chốt kết hợp cảm biến cảm biến gia tốc gắn chân gắn cổ cho hành vi phân loại 2/ Bổ sung thêm hành vi khác hành vi đợng dục bị Hiểu biết tốt chu kỳ đợng dục bị giúp người chăn ni giải khó khăn sinh sản bò tơ bò Hành vi quan trọng sử dụng thuốc để kiểm sốt đồng bợ hóa chu kỳ đợng dục gia súc 3/ Nghiên cứu phát hiện, dự đốn bệnh bị sở kết phân loại hành vi 24 DANH MỤC CÁC CƠNG TRÌNH CƠNG BỐ A Danh mục cơng trình sử dụng luận án Công 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, DucNghia 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, Dinh-Chinh 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 Công Phi Khanh, Hoàng Quang Trung, Nguyễn Tiến Anh, Trần Đức Tân, “Một phương pháp thu nhận tiền xử lý liệu cảm biến gia tốc trục, phục vụ phân loại hành vi bị” Tạp chí Nghiên cứu KH&CN qn sự, Số Đặc san FEE, 08 – 2018, trang 340 đến 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 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 1-202006462, chủ đơn: ĐH Phenikaa, có chấp nhận đơn hợp lệ, 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 25