基于动物携带标签的动物行为计算分析基准

动物携带传感器（‘生物记录仪’）可记录一系列运动学与环境数据，用于阐明动物生态生理学并改进保护工作。机器学习技术被用于解读生物记录仪记录的大量数据，但该领域内尚不存在比较不同机器学习技术的通用框架。这使得例如识别基于机器学习的生物记录仪数据分析中有效模式的规律变得困难，也难以评估机器学习界所开发新方法的有效性。为此，我们提出生物记录仪行为基准（BEBE），即一组带有行为标注的数据集，以及一个建模任务与评估指标。BEBE是迄今此类公开基准中规模最大、分类学上最具多样性的。利用BEBE，我们比较了深度与经典机器学习方法基于生物记录仪数据识别动物行为的性能。作为BEBE的示例应用，我们测试了一种基于自监督学习的方法。为将该法应用于动物行为分类，我们适配了一个以人类腕戴加速度计采集的700,000小时数据预训练的深度神经网络。我们发现深度神经网络在BEBE全部九个数据集上均优于所测试的经典机器学习方法。我们还发现基于自监督学习的方法优于所测试的其他方法，尤其在可用训练数据量较少的场景下。有鉴于此，我们能为依赖机器学习从生物记录仪数据推断行为的研究设计提出具体建议。数据集与代码见 https://github.com/earthspecies/BEBE。