BovineTalk：用于负面情感状态下奶牛发声分析的机器学习
声音
2023-07-27 v1 机器学习
音频与语音处理
摘要
亟需开发和验证 livestock 物种情感状态的非侵入性基于动物的指标，以便将其整合到农场评估方案中，可能通过精准畜牧养殖（PLF）工具实现。一种有前景的方法是使用发声指标。重要 livestock 物种（如猪、马、家禽和山羊）的发声声学结构及其功能已被广泛研究，但迄今为止牛在此背景下研究不足。母牛被证明产生两类发声：低频呼叫（LF），闭嘴或半闭嘴发出，用于近距离接触；以及张嘴发出的高频呼叫（HF），用于远距离交流，后者被认为在很大程度上与负面情感状态相关。此外，牛的发声被证明在包括负面和正面的广泛情境中包含个体信息。如今，奶牛在典型生产周期中面临一系列负面挑战和应激源，使得负面情感状态下的发声特别受研究关注。本研究的贡献之一是提供了迄今为止最大的、经预处理（去噪）的、由视觉隔离挑战诱发负面情感状态的多胎次泌乳成年奶牛数据集。我们在此提出两种计算框架——基于深度学习和基于可解释机器学习，用于分类高频与低频牛呼叫以及个体牛声纹识别。我们的两种框架模型在LF与HF分类上分别达到87.2%和89.4%准确率，在个体牛识别上准确率分别为68.9%和72.5%。
引用
@article{arxiv.2307.13994,
title = {BovineTalk: Machine Learning for Vocalization Analysis of Dairy Cattle under Negative Affective States},
author = {Dinu Gavojdian and Teddy Lazebnik and Madalina Mincu and Ariel Oren and Ioana Nicolae and Anna Zamansky},
journal= {arXiv preprint arXiv:2307.13994},
year = {2023}
}