基于小波变换特征的奶牛活动异常检测

在精准畜牧业中，检测偏离最优值或基线值的情况（即时间序列中的异常）对于迅速采取纠正措施至关重要。本文旨在检测奶牛活动的 24 小时时间序列中的异常，以期发现疾病或发情病例。必须将偏差与噪声区分开来，而生物数据的噪声可能非常高。尽早检测到异常也很重要，例如在农户肉眼察觉之前。本文研究了使用小波变换对数据进行去噪的益处，并评估了考虑检测时机的异常检测算法的性能。我们基于时间序列均值的小波变换与单个时间序列实例的小波变换之间的比较，开发了相关特征。我们假设这些特征有助于使用基于特征的算法检测周期性时间序列中的异常。我们用两个代表奶牛活动的数据集测试了这一假设，这些活动通常遵循日常模式，但可能因特定的生理或病理条件而发生偏离。我们将从小波变换导出的特征以及统计特征应用于 Isolation Forest 算法中。我们测量了动物饲养员标注为异常的日期与算法预测为异常的日期之间的检测距离。结果表明，基于小波的特征是对异常检测贡献最大的特征之一。结果还表明，检测点接近标注日期，并且往往早于该日期。总之，对奶牛活动数据的时间序列使用小波变换有助于检测与特定奶牛状态相关的异常。检测通常在饲养员标注日期之前获得，这为在早期阶段采取纠正措施提供了可能。