刘志伟，李丽华，2*

(1. 河北农业大学机电工程学院，河北 保定 071001;2. 农业部肉蛋鸡养殖设施工程重点实验室，河北 保定 071001;)

畜禽行为是反映畜禽健康状况的一种重要表现，准确高效地监测、分析畜禽行为有助于了解畜禽的生理、健康和福利状况。能及时发现个体异常，预防疾病，减少养殖场的经济损失，提高动物福利[1]。人工观察法不仅耗费人力，而且当测量人员进入养殖场时，畜禽会产生应激反应，测量的结果会产生误差，不能准确反映畜禽个体的行为特征信息。监测中图像信息采集对摄像机的固定位置和角度都有较高要求，监测过程中易受环境光线的干扰，所获得图像的清晰度难以保证，对畜禽的行为识别产生误判。随着物联网技术的发展，将加速度传感器(acceleration sensor)技术应用于畜牧业生产中，有利于精准畜牧业蓬勃发展。加速度传感器具有体积小、高性能、低成本和高封装等特点，且具有连续不间断监测畜禽行为信息等优点，对准确寻找出病态畜禽具有非常重要的作用。将加速优越感器佩戴于畜禽身体的某个部位获取加速度数据就可以识别出主要行为特征，判断出行为信息与畜禽健康状况的关系，从而减少人力，并尽早发现畜禽的异常，减少或避免不必要的损失。

加速度传感器技术监测畜禽行为受到了国内外研究人员的高度重视，近10年，加速度传感器在家畜大个体行为识别领域上成就显著，国外学者重点指出加速度传感器技术在羊行为分类、量化中的应用[2]，而国内学者将加速度传感器佩戴于羊的颈部、头部、耳朵、腿部等部位进行研究[3-6]。基于此佩戴方法，国外学者对羊的行为进一步研究，搭建了行为监测系统并识别了羊的采食、跨跳、行走、跑、站立、跛行步态等多行为模式[2，7-9]；在猪的行为识别上，基于加速度传感器技术，国内外研究了猪的产仔和准确的分娩时间[10]、休息、移动和进食行为[11]、侧卧和立卧哺乳姿态[12-13]、猪的产前行为[14]。研究结果表明，行为识别准确率高，实际效果显著。国内外研究人员通过采集牛的日常行为加速度数据，使用k-means均值聚类、支持向量机和随机森林等方法分析和处理数据并建立模型，已深入研究了牛的吞咽、反刍、舔舐、站立、平躺、慢走、快走、躺卧等行为[15-16]。对于狗的行为研究上，有人将加速度传感器佩戴于狗背部，结合迭代最小二乘算法(ILSA)识别狗的奔跑等行为[17]。

对家禽小个体的研究还有待进一步深入。2019年，有人曾对肉鸡步态进行过研究，使用加速度传感器和逻辑回归算法，研究了肉鸡的健康步态和跛行步态的程度[18]。在鸽子的行为识别上，将加速度优越感器绑在翅膀下面和尾部，采用多重多项式回归分析与处理加速度数据，研究了鸽子的平飞和着陆飞行的行为[19-20]。随着人们对畜禽的养殖要求越来越高，福利化养殖越来越受到重视，监测畜禽的行为就成了炙手可热的问题。加速度传感器能感受个体的加速度，输出加速度数据，通过提取个体行为特征识别个体行为，具有连续不间断的监测畜禽的行为等优点，因而得到迅速发展。

本文详细阐述了国内外利用加速度传感器在畜禽个体行为识别监测领域的应用现状及存在的问题，对家禽小个体的行为监测研究进行了展望，为国内开展家禽小个体行为监测技术研究提供参考。

1 加速度传感器技术

1.1 加速度传感器分类和工作原理

加速度传感器一般按轴数和原理分类，轴数一般有单轴、双轴、三轴、六轴和九轴；单轴和双轴一般用于汽车防盗、玩具制造、桥梁、大坝的振动等监测。由于动物和人都具有自主意识，可以随时改变其运动轨迹，单轴和双轴加速度传感器就不适合对此类问题描述。三轴、六轴和九轴加速度传感器一般用于测量人和动物的行为信息，三轴加速度传感器是六轴和九轴的核心元件且具有3个相互垂直的输出轴，空间中的任意运动可以在3个方向上进行分解。按工作原理分为一般压电式、压阻式、电容式、伺服式加速度传感器。加速度传感器的原理运用了牛顿第二定律如公式(1)。

A=F/M

(1)

大多数加速度传感器利用硅的机械特性，加速度传感器内部有敏感元件，以压阻式加速度传感器为例，当加速度传感器以a运动时，受到一个a方向相反的惯性力的作用，发生与加速度成正比a形变，该变形被粘贴在悬臂梁的扩散电阻感受到，阻值发生与应变成正比的变化，该电阻作为电桥的桥臂，电桥电压的变化即可以采集加速度数据。一般通过内部的信号放大电路和实现转化的电子电路输出电压，再通过相应的放大和滤波电路进行采集加速度数据。工作原理图如图1和图2。

图1 加速度传感器工作原理流程图

图2 加速度传感器工作原理

1.2 加速度传感器概述

加速度传感器是一种能感受加速度并转换成可用输出信号的传感器，它也是一种测量加速力的电子设备。加速度传感器技术最早由美国发明，20世纪30年代开始军用，应用于导弹、火箭等制导系统。早期的加速度传感器常见于摆式加速度传感器，主要代表有摆式积分陀螺加速度传感器、宝石轴承摆式加速度传感器、液浮摆式加速度传感器[21]。20世纪50年代，Saunders等[22]最先利用加速度传感器识别人体运动姿态。随着制造工艺的提升和压电技术的发展，20世纪60年代后期出现了振弦式和压电式加速度传感器[21]。2012年，《物联网“十二五”发展规划》重点指出传感器是物联网信息采集的基础，而我国传感器行业发展落后，几乎全部依赖于进口，传感器芯片进口占比达90%，因此未来我国要加大对传感器技术的研发来弥补缺陷[23]。当前，加速度传感器技术已被应用于人体跌倒[24]、心率监测[25]以及运动行为识别[26-27]，猪、牛、羊、狗等家畜大个体运动行为识别[2-17]，但是对家禽小个体仅仅局限于肉鸡和鸽子的行为识别[18-20]。

2 加速度传感器数据处理主要算法

2.1 聚类算法和决策树C4.5算法

聚类算法是对样本分类的重要方法。在行为识别领域，k-means均值聚类、支持向量机(SVM)应用广泛，k-means均值聚类算法一般处理未知的样本集，SVM 算法则是对已知分类的训练样本集里提取特征，是一种有指导、有监督的迭代训练学习方法。郭东东等人[3]采用k-means聚类和SVM算法处理加速度数据，建立典型行为分类模型同时也可以进一步判断异常行为，并用SVM算法对k-means聚类模型进一步优化。通过对行为的识别精度的比较发现，SVM算法识别效果更要优于k-means均值聚类算法。提取海鸟行为特征变量，并用k-means算法实现了对海鸟的站立、游泳、飞行、潜水等行为分类识别[28]。将原始数据进行预处理分成许多小的片段，均值、方差、偏度和峰度作为人的行为特征提取值[29]，而通过自回归模型提取AR系数作为行为识别的特征，然后使用SVM算法实现了对人体的弯曲、跳跃、跑步、步行等多行为分类与识别[30]。Resheff[31]提出了一种新型矩阵分解聚类方法，具有可以将加速度测量值进行软分区或硬分区的优势，识别了鹳的步行、站立、坐、拍打、滑翔等行为，与k-means聚类和SVM算法相比较，该聚类算法的识别准确率较低。决策树算法对数据进行归纳总结，得到可读的规则和决策树，可读的规则作用是对数据进行分类，决策树作用是找到训练样本集蕴含的分类规则。将数据集分为3个时期进行测试，通过决策树算法识别了绵羊的放牧、躺卧、跑步、站立和走等行为，行为识别准确度较高[7]。通过对原始信号进行滤波去噪处理，然后对时域和频域提取特征，时域包括平均值、方差、标准差、平均绝对偏差、均方根、导数等[32]。频域包括离散傅里叶变换系数、熵等。提取了小波能量特征和样本熵作为行为识别的特征值，决策树算法建立行为分类器，对人的走路、上楼、下楼识别，但是准确率低，效果不是很理想[33]。

2.2 k近邻(k-NN)和随机森林算法(RF)

k近邻(k-NN)算法是k个最相邻的样本中属于某一个类别，那么该样本也属于这个类别，同时具有这一个类别的特性。该算法优点是无需估计参数、不用训练，缺点是计算量大、不规则。随机森林算法(RF)是一种静态算法，算法容易陷入局部最优解，而不能实现全局最优解。通过提取加速度数据的时域、频域作为特征值，并用随机森林算法(RF)、支持向量机(SVM)和改进的RF对人体行走、平躺、静坐、跑步等行为识别，改进的蜜蜂交配优化算法増强了RF算法的稳定性，行为识别结果表明：改进的RF比RF高出1.37%，比SVM高出3.23%[33]。通过比较改进的k-NN、SVM对人体行为的准确度，研究结果表明：改进的k-NN(k-NN)行为识别准确度大于SVM。有人提出了一种TF4+FFT10作为特征值，并用KNN和决策树建立人体行为分类器，研究表明；k-NN对人体行为识别准确度较高于决策树算法，但是仍伴有对某些行为识别准确度低的问题，还需进一步完善[34]。刘玉琪等[35]对原始数据平滑、去噪、归一化和加窗操作，对处理后的数据提取平均周期、峰值差、平均峰值作为特征值，采用人工蜂群优化随机森林构建人体行为分类器，通过分析比较C4.5决策树、k-NN、SVM、RF的行为准确度，人工蜂群优化的RF比RF高出1.7%，比SVM高2.69%,比k近邻高出6.12%,比C4.5高出10.63%。采用随机森林模型来区分北极熊10种行为，发现休息和行走行为识别准确度是90%以上，但是游泳和头部摇晃的行为识别准确度较低，存在对休息或行走错误分类的情况，还需进一步优化随机森林模型[36]。

k-means聚类算法在处理数据上具有完整的操作步骤，较其他算法操作性强，在猪产前行为[14]、人体运动行为[32-33]、山羊的行为识别[3]等应用上，都以K-means聚类算法来处理数据，而SVM算法具有比K-means聚类算法的分类精度高的优点，对动物和人的行为分类大多数都应用了支持向量机算法对分类模型的进一步优化，分类效果显著。有人分析比较了k-NN、SVM、RF和C4.5算法的分类性能，发现k-NN不适合用于培训数据集中每一类的数量都严重不平衡的情况，故提出运用一个最近邻的k-NN混淆矩阵的方法来识别易混淆的运动[37-38]。支持向量机主要用于解决二分类问题，解决多分类问题效果不佳。随机森林算法是一种由多个决策树组成的分类器，适用于多分类。此外，随机森林不需要特征提取，与支持向量机相比，它对缺失数据的敏感性较低。综上，对4种模型的分类精度进行评估表明，支持向量机在行为识别上具有最佳的行为分类性能。k-means聚类算法和支持向量机在处理加速度数据和建立行为分类模型将会得到广泛应用，而其他算法相比较分类效果欠佳应用可能会减少。

3 加速度传感器在畜禽行为识别方面的应用

3.1 家畜行为识别上的应用

3.1.1 在羊行为识别上的应用

监测家畜行为可以对早期疾病进行预防，对家畜及时救治以减少损失。加速度传感器监测牲畜活动时，对出现任何预期疾病都能迅速采取相应的对策，具有减少肉眼观察等优点，故备受养殖人员所青睐。有人提出了一种使用加速度传感器的牲畜行为监测系统，该系统提供了牲畜的活动测量信息，将通过加速度传感器测量的活动数据传输给传感器管理员，传感器管理员对传输的数据进行格式处理和单位转换，以及处理过的数据存储在数据库中[39]。管理服务器定期向数据库请求传感器数据，传输的数据与指定的标准范围数据信息比较后，如果超出或低于标准范围，则分析牲畜对象信息后通知用户，用户确定是否有疾病。与此同时，该系统解决了肉眼观察需要大量劳力的问题并实现了实时监测的效果。

加速度传感器技术目前在家畜大个体中应用广泛。为了准确的判断羊的日常行为与疾病之间的关系，国内外研究人员将加速度传感佩戴于羊的身体部位，实时且连续不间断地监测羊的行为，建立羊的行为分类模型，通过对羊只行为发生次数的统计，判断羊只个体是否有疾病，养殖人员及时发现并救治，从而减少不必要经济损失。国内研究人员通过对比试验，确定了三轴加速度传感器MSR145部署的最佳位置是佩戴于山羊羊角中心处，佩戴此处无应激反应，并用上述算法分别建立4种典型加速度数据模型，识别了山羊的躺卧、站立、慢走、采食、跨跳行为[3]。下一步将对异常的行为进行研究，通过比较异常行为特征预设的阈值参数与典型日常行为模型，自动指示异常个体的编号并生成异常信息报表，实现山羊行为与相关疾病的分类。杨晓龙[4]提出了一种基于三轴加速度传感器和ZigBee网络的奶山羊行为监测管理系统，该系统可以实时且连续不间断监测奶山羊的行为信息，将三轴加速度传感器佩戴于奶山羊的背部，建立了奶山羊的行走、跑、跨跳和站立行为分类模型，为研究奶山羊的发情、生病、分娩等实际应用具有非常重要意义。基于上述的研究，窦辉[5]将三轴加速度传感器MPU6050佩戴于奶山羊4个部位进行了突破，设计并开发了一套奶山羊行为识别系统，并对奶山羊的行走、慢跑、静卧和跨跳4种行为建立行为分类模型，准确度较高，为畜牧业技术人员和奶山羊养殖户提供有效帮助。张曦宇等[6]提出了种公羊运动行为识别系统，该系统利用加速度传感器技术识别了种公羊静立、行走、奔跑行为。通过对比不同部位加速度数据的稳定性，确定了种公羊的最佳部署是前腿处，并用两种算法建立行为模型，结果表明前腿处行为识别率高、应激小。该研究主要应用于种公羊的运动量补充和健康状况监测。

国外使用吊带将加速度传感器的佩戴于绵羊的头部，并用摄像机实时记录绵羊的行为信息，保证了加速度传感器采集数据时间的同步性，建立绵羊放牧、反刍和休息行为分类模型，识别准确度均在85%以上，但是存在将有些反刍活动被误认为是休息行为的问题[2]。该研究可及时给养殖人员提供准确信息，判断绵羊的健康状况，减少农场损失，具有实际应用价值。将三轴MEMS加速度传感器佩戴于绵羊的下颚采集加速度数据，随机森林算法提取放牧、躺卧、奔跑、站立和行走重要特征，决策树算法建立行为分类模型。分别测试3、5和10 s数据，结果表明，测试3 s时，躺卧的识别准确度最高是86.4%，测试5 s时，放牧行为识别准确度最高是96.2%，测试10 s时，吃草行为识别准确度最高是90.0%[7]。该研究用于绵羊的行为识别和分类，将有助于提高生产效率。将三轴加速度传感器通过项圈挂在绵羊脖子上、绑于腿部和附着于耳部，通过辨别绵羊声音来鉴别跛行步态。研究发现，耳附式加速度传感器对跛行步态特征分类具有独特的优势，并有效的对绵羊跛足行走活动与正常的放牧、站立和行走行为进行了区分[8]。该研究用于绵羊的监测生育能力和体重等产生性能，有效预防并减少继发性疾病的风险，对步态异常的动物进行鉴定，有助于发现许多有跛行症状的疾病，在实际生产中具有重大的意义。将三轴加速度传感器佩戴于羔羊的颈部，用于自动监测羔羊哺乳期吮吸行为，哺乳一般发生在发育周期的早期，通过对哺乳频率分析判断母羊产奶性能且可以预测疾病，也可以评价母乳质量；对于年龄较大的羔羊，哺乳的低频率可以提前发出信号，有助于及时给羔羊更换乳汁充足的母羊，提高羔羊存活率[9]。该研究对母羊与羔羊的哺乳行为提供了可靠的数据支撑，具有实际意义。

3.1.2 在猪行为识别上的应用

采集猪的加速度数据，建立行为分类模型对猪在实际中的行为识别具有重大意义。国外使用耳贴式加速度传感器对母猪的加速度采样，通过尖点控制图监测产仔前母猪的筑巢行为，根据饲养员的需要对报警进行微调，用于自动监测母猪产仔报警[10]。目前对农场的实际情况而言，分娩开始前12 h内发出有用的警报效果最佳，产仔前6～12 h内，饲养人员可以为分娩的最佳开始做好准备。该研究在实际生产中用于母猪产仔行为监测。对8头母猪进行野外试验，将耳贴式加速度传感器附着在RFID标签上，该佩戴方法猪不会产生异常行为，设计了基于三轴加速度数据的数据采集系统，在100 m范围内无线实时传输加速度数据，建立母猪的休息、步行移动和进食行为分类模型[11]。该研究实现了自动监测母猪典型行为，对母猪的饲养和管理具有重大意义。设计了基于加速度传感器的数据采集系统，识别了11头母猪5种活动类型：喂养、翻滚、行走、平卧和侧卧，并用多变量模型与单变量模型对行为识别。结果表明，多变量模型比单变量模型更适合监测群体饲养母猪的活动[12]。该研究通过对母猪行为活动的识别与分类，自动监测母猪发情、产仔等，具有重要的实际应用价值。基于加速度传感器的一种猪行为管理系统，人们通过大数据来识别猪的进食育种等多行为模式，预测断奶母猪的最佳授精时间，旨在促进精准畜牧业的发展[40]。对提高生产效率和以现代质量标准衡量的农场福利生产具有重要意义，通过大数据与商业条件下的人工智能算法，可以转换成精准信息来改进养猪场决策。

国内将加速度传感器佩戴于母猪颈部下方，采集母猪活动的姿态角，通过对母猪姿态识别可以直接判断母猪的哺乳意愿[13]。有人提出并设计了一种基于三轴加速度传感器的母猪产前行为监测系统，可以快速且实时采集母猪运动信息，佩戴于颈部的传感器对母猪产前行为无影响，基本无应激[14]。k-means算法建立母猪躺卧、站立、吃料、筑窝行为模型，解决了对母猪分娩时间判断的问题，具有实用价值。

3.1.3 在牛行为研究上的应用

在牛上设计出一种基于三轴加速度传感器和决策树算法的奶牛行为活动监测系统[15]。该系统以10头跛足奶牛和9头非跛足奶牛为研究对象，通过对跛牛和非跛牛平均每日饲喂时间的差异性，经过算法快速监测奶牛跛足，跛足奶牛一般在下午饲喂时间较短。将传感器记录的加速度数据准确分类为饲喂、非饲喂和挤奶行为，该研究有助于开发自动化的监测系统，使奶牛的跛行能够迅速发现和治疗。Leonie等[41]提出并设计了一种Smart Bow耳塞加速度传感，器为犊牛行为监测系统，该系统以15头断奶前的荷斯坦奶牛为例，并用视频观察确定进食、反刍行为，达到了令人满意的精度，该研究可以预测乳牛的疾病或不适。将Smart Bow标签佩戴于奶牛耳朵上，同时设计了一种实时位置监测系统，通过4个传感器的距离计算奶牛的确切位置，谷仓地图确定为原点，只有当4个传感器在瞄准标签的视线范围内，才能将奶牛位置数据传至计算机[42]。通过设定标签和1头奶牛的30个参考点和观察者进行激光测量确认15头奶牛的位置。此研究可以测量奶牛的位置和监测奶牛的发情和疾病。一种耳挂式加速度传感器用于识别1月龄16只雄性荷斯坦犊牛的反刍、进食行为，回归分析和方差分析处理加速度数据，观察者和加速度传感器监测行为在时间上具有一致性[43]。采用了实时观察和瞬时采样方法，观察者将被指定观察的小腿扫描，每个指定的小腿5～10 s，并在计分表上标记饮水、采食和反刍类别中的1个类别，该研究虽然可以有效区分犊牛的行为，但是需要人不断去观察测量，耗费了人力。基于单轴加速度传感器和模式匹配方法的声学监测系统，以不活动的饲养牛为研究对象，通过提取进食和反刍的特征模式来区分下颌运动，识别了牛的吞咽和反刍咀嚼行为，准确率达到90%以上[44]。该研究证明声学监测方法对奶牛咀嚼活动的自动识别与分类，并用于评价动物管理是否有效。耳挂式加速度传感器和视频记录的奶犊牛饮水行为监测系统，以自然通风的马厩中3头断奶前的牛犊为研究对象，10 Hz频率采样，通过对加速度数据提取不同特征并开发加速度传感器(Smart Bow EAR)算法和DE监控的算法识别了牛犊的饮水行为，准确度为96.2%，可用于判断乳牛疾病和不适[45]。基于惯性测量单元(IMU)开发了一种牛草摄入量和反刍行为的监测算法，IMU内置于iPhone手机内包括一个加速度计、一个陀螺仪、一个磁强计，将iPhone手机佩戴于19头不同品种的奶牛头部上方，采样频率100 Hz，通过视频记录了牧草量。以平均值±标准差作为牛草摄入量和反刍行为的特征值，通过峰值或频率信号对行为进行深入分析以区别牛头部和下颌运动。自动监测算法应以最短的时间窗口达到较高的精度，通过对牛吃草和反刍行为识别，准确率均达到90%以上，有助于精确放牧管理[46]。以10头奶牛为研究对象，分别用项圈式加速度传感器和Rumi Watch鼻带传感器以10 Hz记录数据，研究采样率降低对算法分类精度的影响，分析比较SVM和DT的精度发现基本相同[47]。文中提出的简单DT算法可以降低采样频率，但不低于1 Hz。奶牛的饲喂和反刍行为精度均在90%以上。

对牛60 min内的行为进行研究，随机记录5 s和20 s的2个阶段，提取了20个反刍行为，使用MATLAB光谱程序，通过光谱的距离来判别牛口腔是在采食还是反刍，并对采食、饮水、反刍行为分类，准确度均大于98%[48]。以5头荷尔斯坦牛和40头自由舍饲的牛为试验对象，使用20 Hz低频加速度传感器和200 Hz高频加速度传感器同时测量，200 Hz高频加速度传感器可以测量反刍的增加次数，二元分配分析及Tukey的多重比较可以区分牛的采食、反刍、步行和休息，该研究有利于牛的蹄病诊断，判断削蹄是否良好，预测发情和分娩时间[49]。以3家农户的奶牛为研究对象，每家农户各取12头佩戴加速度传感器于颈部右侧处，相机同步记录奶牛个体活动视频，识别奶牛反刍和咀嚼行为，通过对泌乳量、分娩间隔、空胎天数比较发现体质最佳的奶牛[50]。该研究可以有效区分生产性能最佳的奶牛。

三轴加速度传感器的计步器系统可以通过奶牛活动量来监测奶牛发情和健康[16]。使用低功耗芯片nRF24LE1E实现数据的无线传输，上传至上位机后通过发情算法进行数据处理，为养殖人员提供了奶牛准确的发情信息，减少了人力劳动，实现了计步器的低功耗和低成本，具有很强的实用性，提高了奶牛养殖的经济效益。姜美曦[51]基于加速度传感器和图像识别设计了一种肉牛行为监测系统，该系统可以做到时间同步、实时采集肉牛行为信息，标准差、方差和均值作为行为识别的特征值，卡尔曼滤波器对肉牛的加速度数据预处理，并对肉牛采食和行走行为进行分类，但是行为识别的准确度不高，该方法可以应用到其他畜禽上。王俊等[52]提出了基于无线腿部加速度传感器和最优二叉决策树分类算法的奶牛运动行为识别方法，峰度、标准差、偏度作为行为识别的特征量，通过构建ROC曲线获得特征量的最佳行为分组和阈值，该算法较SVM和ID3决策树算法高出5～6个百分点，有效区分识别奶牛的站立、平躺、慢走、快走、站立和躺卧动作。该研究对提高奶牛行为分类精度具有重要意义。

3.2 在狗行为识别上的应用

通过对狗的行为研究可以充分得到狗的方位和狗的姿态估计。以1只家养狗为研究对象，将包括三轴加速度传感器的MTI-G佩戴于狗的背部，且保证在狗身上的3个方向与设备轴向一致。MTI-G是评估姿态估计算法效率的有效工具，当狗的运动方向不确定时，它能够以一个小的误差重建AHRS给出的狗的方向。观察狗的低速运动如步行和小跑，之后观察加快运动奔跑，加速度曲线增加，对DBA组件的差异增加，这一由慢到快的运动过程展开研究。以欧拉角和四元数表示狗运动时的三维姿态输出，均方根、偏差作为行为提取特征值，通过卡尔曼滤波器(XEKF)的内部算法计算姿态。基于四元数的非线性观测器与迭代最小二乘算法(ILSA)相结合的方法对行为识别，通过动态体加速度(DBA)估计狗的奔跑、快速旋转等动态行为。同时，生物学家使用DBA指数来评估活动动物的能量消耗；然后使用由此得出的估计值，来提取动物的动态身体加速度和身体姿态估计问题。该研究对于监测狗的行为、运动和生理学具有重要意义。

3.3 家禽行为识别上的应用

3.3.1 在肉鸡步态检测上的应用

加速度传感器在家禽小个体的行为识别上的应用还处于起步阶段，在平养条件下给50只健康肉鸡、50只跛行肉鸡腿部佩戴无线运动脚环，建立健康和跛行的分类模型并能有效确定鸡的跛行程度[18]。通过单个轴加速度方向与合加速度方向的夹角对肉鸡右脚单步行的站立、抬腿、放腿、站立的连续动作分析，精准判断鸡腿部的健康状况，并成功将鸡的行走步态分为健康、轻度跛行、中度跛行、重度跛行。该研究对减少肉鸡因腿病造成的经济损失，减少淘汰率，具有重要意义。同时该研究将为笼养蛋鸡的行为识别提供参考。

3.3.2 在鸽子飞行行为识别上应用

在分隔7 m的2个栖息点之间，对6只鸽子飞行约18次机翼拍击进行了研究，加速度计布点方式是通过羽毛轴下8个位置沿着翼或穿过翼布署，2个位置穿过尾部，佩戴总质量约为15 g，摄像机放置在飞行线外侧处，可以得到飞行中间的垂直侧视图[19]。起飞开始时速度较慢之后平飞到着陆飞行，飞行姿态以数据和录像两种方式分别同步记录。随着上升飞行或负重飞行技术的发展，未来可以研究更多鸽子无氧飞行、鸽子肌肉性能接近最大值等问题。时隔6年，有人对18只鸽子自愿直行和盘旋飞行展开研究，记录器的安装质量共35 g佩戴于鸽子身上，总构成小于鸽子身体质量的8%，身体阻力略有增加会延长自愿飞行，也会以2 g的加速度盘旋[20]。用300 Hz的加速度计和陀螺仪记录翼拍运动，多重多项式回归进行分离和量化数据。研究了襟翼频率、身体运动与空速、爬升之间关系，以及与其他鸽子的接近度之间的关系，并证明了鸽子可以像飞机一样保持动力，鸽子倾斜转弯，在紧凑的集群中飞行都需要相当大的能量成本。这两项研究使养殖人员可以充分了解鸽子在飞行中的状态，有利于鸽子的高效养殖和管理。

3.4 加速度传感器应用在不同动物行为识别上的区别

加速度传感器大小和体积不同，佩戴于家畜的加速度传感器体积、质量较大，而对于家禽佩戴的加速度传感器一般较小。数据采集相似，不同动物一般都是实时且连续不间断采集加速度数据，用视频记录行为数据在时间上与采样数据保持一致。佩戴部位略有不同，羊、牛加速度传感器一般佩戴于颈部、耳部、腿部，牛也有在头部上方的情况，而猪一般都在颈部，狗在背部，肉鸡在腿部佩戴无线运动脚环，鸽子使用小型加速度计佩戴于机翼和尾翼。数据处理相似，通过加速度传感器获取加速度数据然后提取行为特征作为指标，采用不同的算法对行为识别与分类。实际意义大致相同，通过行为识别判断羊的异常行为精确判断个体发情、生病和分娩，如母猪的分娩、发情和哺乳，牛的跛足、疾病和发情，狗的能量消耗，肉鸡跛行步态，鸽子飞行状态监测。总之，对不同动物行为识别都能提高养殖人员的高效养殖和管理水平。

4 总结与展望

随着物联网的日新月异，加速度传感器成为行为识别领域的重中之重。在畜禽上应用，只需对获取的数据进行处理和分析就可以识别出畜禽的运动行为状态，简单快捷[53]。如今，加速度传感器在猪、牛、羊、狗这些大个体行为识别上的应用已经取得了非常好的效果，尤其在奶牛行为监测上应用较为广泛，但是在猪、羊等生产中应用仍然较少，由于监测牛的行为对人类会获得更大经济收益，对奶牛的高效管理可以提高奶牛产奶量、科学预测发情期和预防疾病，相比较而言，牛的经济价值远远超过猪、羊等其他畜种，故对牛的行为监测例子报道较多。对家禽小个体研究还处于起步阶段，研究设计易于穿戴、体积合理的传感器节点采集装置势在必行，提高小个体行为监测的识别准确率和稳定性也是后续家禽个体行为研究的重点。