基于加速度计的多变量时间序列数据集用于哺乳期小牛行为分类

获取关于哺乳期小牛对日常挑战（如运输、群体迁移等）和疾病（如呼吸道疾病、腹泻等）的行为适应性新见解是提高奶牛场小牛福利的有前景的途径。经典的自动监控行为的方法是为动物佩戴装有加速度计的颈部项圈并从加速度计时间序列开发机器学习模型。然而，作为模型开发的数据必须配备标签。获取这些标签需要从直接观察或视频中标注行为，这是一个耗时且代价高昂的过程。为解决这一挑战，我们提出了 ActBeCalf（Accelerometer Time-Series for Calf Behaviour classification）数据集：30 头哺乳期奶牛小牛（Holstein Friesian 和 Jersey 品种）佩戴一个装有 3D 加速度计传感器的颈部项圈，从出生后一周开始连续 13 周。小牛在每个笼子里同时被摄像机拍摄。试验结束时，从视频中使用行为观察研究交互软件（BORIS）由 3 名观察者使用包含 23 种行为的 ethogram 手动标注行为。ActBeCalf 包含与小牛行为配合得当的 27.4 小时的加速度计数据。数据集包括主要行为，如平躺、站立、行走和跑步，以及较突出的行为，如嗅鼻、社交互动和梳毛。最后，使用机器学习模型对 ActBeCalf 进行行为分类：（i）两种行为类别 [活跃和非活跃；模型 1] 和（ii）四种行为类别 [跑步、平躺、喝奶和“其他”类别；模型 2] 以演示其可靠性。我们得到不平衡准确率为 92% [模型 1] 和 84% [模型 2]。ActBeCalf 是一个全面且即插即用的数据集，用于从加速度计时间序列对哺乳期小牛行为进行分类。