利用机器学习模型评估ROCKET与Catch22特征在基于加速度计数据的犊牛行为分类中的性能
机器学习
2024-05-01 v2 信号处理
摘要
持续监测犊牛行为有助于识别影响奶牛场犊牛福利的常规操作（如断奶、去角等）。在这方面，从颈圈采集的加速度计数据可与机器学习模型结合使用，以自动分类犊牛行为。手工特征常用于机器学习模型，而ROCKET和Catch22特征则是专门为相关领域的时间序列分类问题设计的。本研究旨在比较ROCKET和Catch22特征与手工特征的性能。使用加速度传感器监测了30头爱尔兰荷斯坦-弗里生和娟姗断奶前犊牛，获得了27.4小时的行为标注数据。从原始X、Y和Z轴计算了额外的时间序列，并将其分割为3秒的时间窗口。为每个时间窗口计算了ROCKET、Catch22和手工特征，然后将数据集划分为训练集、验证集和测试集。每组特征用于训练三种机器学习模型（随机森林、极限梯度提升和RidgeClassifierCV），以分类六种指示断奶前犊牛福利的行为（饮奶、理毛、躺卧、跑动、行走和其他）。使用验证集调整模型，并用测试集评估每种特征-模型组合的性能。三种模型中，ROCKET获得了最佳性能[平均平衡准确率 +/- 标准差] (0.70 +/- 0.07)，其次是Catch22 (0.69 +/- 0.05)，均超过了手工特征 (0.65 +/- 0.034)。最佳平衡准确率 (0.77) 由ROCKET与RidgeClassifierCV组合获得，其次是Catch22与随机森林组合 (0.73)。因此，针对特定行为和场景定制这些方法，对于推进精准畜牧业和更大规模地提升动物福利至关重要。
引用
@article{arxiv.2404.18159,
title = {Evaluating ROCKET and Catch22 features for calf behaviour classification from accelerometer data using Machine Learning models},
author = {Oshana Dissanayake and Sarah E. McPherson and Joseph Allyndree and Emer Kennedy and Padraig Cunningham and Lucile Riaboff},
journal= {arXiv preprint arXiv:2404.18159},
year = {2024}
}
备注
45 pages, 8 figures, 11 tables (3 in the Appendix), Journal paper