基于可解释AI的方法用于动物健康监测
机器学习
2025-08-20 v3 人工智能
摘要
监控牛只健康并优化产量是奶农面临的关键挑战，因为难以跟踪牧场上所有动物的活动。本工作旨在展示基于可解释机器学习(ML)方法的现代数据驱动农业实践，这些方法解释了乳牛(cow)的活动和行为。连续收集三轴加速度计数据，运用稳健的ML方法和算法，为奶农和研究人员提供可操作信息，用于牛只活动，从而允许奶农做出明智决策并纳入可持续实践。本研究利用基于蓝牙的物联网(IoT)设备和4G网络实现无缝数据传输、即时分析、推理生成，并使用可解释性框架解释模型性能。特别强调对加速度计时间序列数据的预处理，包括提取统计特征、信号处理技术以及使用滑动窗口技术提取滞后特征。评估了各种调整了的超参数的ML模型，以不同窗口长度为活动分类。k-最近邻分类器在训练集上的AUC为0.98（均值），标准差为0.0026，在测试集上的AUC为0.99。为了确保透明度，采用如SHAP等可解释AI框架来解释特征重要性，这些解释可以被实践者理解和使用。详细的重要特征比较，以及所选特征的稳定性分析，支持开发面向可持续畜牧业的可解释且实用的ML模型。
引用
@article{arxiv.2508.10210,
title = {An Explainable AI based approach for Monitoring Animal Health},
author = {Rahul Jana and Shubham Dixit and Mrityunjay Sharma and Ritesh Kumar},
journal= {arXiv preprint arXiv:2508.10210},
year = {2025}
}