為準(zhǔn)確提取步態(tài)特征、識(shí)別奶牛跛行,利用三維加速度傳感器采集30頭奶牛后趾加速度信號(hào),針對(duì)奶牛步態(tài)人工分割的不足,提出基于改進(jìn)的動(dòng)態(tài)時(shí)間規(guī)整算法對(duì)奶牛步態(tài)進(jìn)行分割,提取特征值并利用邏輯回歸法建立跛行識(shí)別模型。采用本文方法得到的步態(tài)分割精確度、靈敏度、準(zhǔn)確率平均值分別為89.53%、95.51%、87.49%,比常規(guī)動(dòng)態(tài)時(shí)間規(guī)整算法分別提高了5.31、4.48、8.43個(gè)百分點(diǎn),總體準(zhǔn)確率達(dá)到90.57%,相較自相關(guān)函數(shù)法和峰值檢測(cè)法分別提高了1.75、3.13個(gè)百分點(diǎn)。以支撐時(shí)間、步幅長度、平均強(qiáng)度、信號(hào)幅度面積、前進(jìn)方向加速度均值和運(yùn)動(dòng)變化量為自變量的跛行識(shí)別模型識(shí)別率分別為83.44%、81.72%、86.15%、86.81%、89.45%和85.71%。本研究結(jié)果可為奶牛步態(tài)分割、跛行識(shí)別提供技術(shù)支持。 

【文章來源】：農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020,51(07)北大核心EICSCD

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引言
1 材料和方法
    1.1 測(cè)量設(shè)備
    1.2 數(shù)據(jù)采集與預(yù)處理
2 改進(jìn)動(dòng)態(tài)時(shí)間規(guī)整算法步態(tài)分割實(shí)現(xiàn)
    2.1 步態(tài)序列特征點(diǎn)提取
    2.2 模板樣本建立
    2.3 累積成本矩陣計(jì)算
    2.4 算法改進(jìn)
    2.5 最小規(guī)整路徑確定
3 跛行識(shí)別模型建立
    3.1 步態(tài)特征提取
    3.2 跛行識(shí)別模型
4 結(jié)果與分析
    4.1 步態(tài)分割結(jié)果對(duì)比
    4.2 步態(tài)特征提取結(jié)果
    4.3 跛行預(yù)測(cè)模型的測(cè)試
5 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于序列相關(guān)和小波變換的加速度計(jì)信號(hào)降噪[J]. 董雅雯,王建林,魏青軒,邱科鵬,趙利強(qiáng).  傳感技術(shù)學(xué)報(bào). 2019(02)
[2]基于動(dòng)態(tài)多特征變量的黃羽肉雞跛行狀態(tài)定量評(píng)價(jià)方法[J]. 沈明霞,李嘉位,陸明洲,劉龍申,孫玉文,李泊.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(09)
[3]基于壓力分布測(cè)量系統(tǒng)的奶牛跛行早期識(shí)別[J]. 楊麗娟,張永,劉德環(huán),徐彬騰,劉彩霞.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2016(S1)
[4]精準(zhǔn)畜牧業(yè)中動(dòng)物信息智能感知與行為檢測(cè)研究進(jìn)展[J]. 何東健,劉冬,趙凱旋.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2016(05)
[5]基于小波變換的信號(hào)特征與突變點(diǎn)檢測(cè)算法研究[J]. 馮媛碩,宋吉江.  曲阜師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(01)
[6]基于小波變換的人體步態(tài)序列提取[J]. 符懋敬,莊建軍,侯鳳貞,寧新寶,展慶波,邵毅.  物理學(xué)報(bào). 2010(06)
[7]基于小波變換過零點(diǎn)表征的脈搏信號(hào)分析[J]. 白金星,趙子?jì)?王艷蘋.  航天醫(yī)學(xué)與醫(yī)學(xué)工程. 2006(03)
[8]基于小波變換的高斯函數(shù)極值點(diǎn)及拐點(diǎn)的判別[J]. 杜建衛(wèi).  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2004(07)

碩士論文
[1]基于三維加速度傳感器的人體行為識(shí)別[D]. 徐川龍.浙江工業(yè)大學(xué) 2013



本文編號(hào)：3165512