Оценка поведенческих реакций у крупного рогатого скота

Актуальность. При изучении поведенческих данных исследователи сталкиваются с проблемой дифференциации поведенческих действий. В данном исследовании была поставлена задача по разработке методологии, способной выполнять неконтролируемую поведенческую классификацию электронных данных, собранных с высокой частотой от установленных на ошейнике датчиков движения и GPS-датчиков на пастбищном скоте.

Методы. Для достижения поставленной задачи был собран набор данных, который обработали путем обнаружения ключевых признаков поведения животных и их классификации в соответствии с поведенческими параметрами.

Результаты. Обработанный набор данных в дальнейшем был применен к независимому набору данных с целью проверки эффективности методологии. Разработанная методология показала себя эффективным инструментом для анализа электронных данных, полученных от животных, и может быть использована для классификации данных по поведенческим параметрам, таким как поиск пищи, отдых, размышление, передвижение и другие действия. Это позволяет получить новые знания о поведении животных и является важным шагом в изучении животных в естественной среде их обитания.

1. Owen-Smith N., Fryxell J.M., Merrill E.H. Foraging theory upscaled: the behavioural ecology of herbivore movement. Philosophical Transactions of the Royal Society B: Biological Sciences. 2010; 365(1550): 2267–2278. https://doi.org/10.1098/rstb.2010.0095

2. Gaillard J.-M. et al. Habitat–performance relationships: finding the right metric at a given spatial scale. Philosophical Transactions of the Royal Society B: Biological Sciences. 2010; 365(1550): 2255–2265. https://doi.org/10.1098/rstb.2010.0085

3. González L.A., Tolkamp B.J., Coffey M.P., Ferret A., Kyriazakis I. Changes in Feeding Behavior as Possible Indicators for the Automatic Monitoring of Health Disorders in Dairy Cows. Journal of Dairy Science. 2008; 91(3): 1017–1028. https://doi.org/10.3168/jds.2007-0530

4. Anderson D.M., Estell R.E., Cibils A.F. Spatiotemporal Cattle Data—A Plea for Protocol Standardization. Positioning. 2013; 4(1): 115–136. https://doi.org/10.4236/pos.2013.41012

5. Wark T. et al. Transforming Agriculture through Pervasive Wireless Sensor Networks. IEEE Pervasive Computing. 2007; 6(2): 50–57. https://doi.org/10.1109/MPRV.2007.47

6. Handcock R.N. et al. Monitoring Animal Behaviour and Environmental Interactions Using Wireless Sensor Networks, GPS Collars and Satellite Remote Sensing. Sensors. 2009; 9(5): 3586–3603. https://doi.org/10.3390/s90503586

7. Nadimi E.S., Jørgensen R.N., Blanes-Vidal V., Christensen S. Monitoring and classifying animal behavior using ZigBee-based mobile ad hoc wireless sensor networks and artificial neural networks. Computers and Electronics in Agriculture. 2012; 82: 44–54. https://doi.org/10.1016/j.compag.2011.12.008

8. Martiskainen P., Järvinen M., Skön J.-P., Tiirikainen J., Kolehmainen M., Mononen J. Cow behavior pattern recognition using a three-dimensional accelerometer and support vector machines. Applied Animal Behaviour Science. 2009; 119(1–2): 32–38. https://doi.org/10.1016/j.applanim.2009.03.005

9. Ungar E.D., Henkin Z., Gutman M., Dolev A., Genizi A., Ganskopp D. Inference of Animal Activity From GPS Collar Data on Free-Ranging Cattle. Rangeland Ecology and Management. 2005; 58(3): 256–266. https://doi.org/10.2111/1551-5028(2005)58[256:IOAAFG]2.0.CO;2

10. McLachlan G.J., Peel D. Finite Mixture Models. New York: Wiley. 2000. xxii + 427. ISBN 978-0-471-00626-8 https://doi.org/10.1002/0471721182

11. Tolkamp B.J., Schweitzer D.P.N., Kyriazakis I. The Biologically Relevant Unit for the Analysis of Short-Term Feeding Behavior of Dairy Cows. Journal of Dairy Science. 2000; 83(9): 2057–2068. https://doi.org/10.3168/jds.S0022-0302(00)75087-9