Repositorio
Institucional

Munoz-Poblete, Carlos

A dataset for detecting walking, grazing, and resting behaviors in free-grazing cattle using IoT collar IMU signals

FRONTIERS MEDIA SA

FRONTIERS IN VETERINARY SCIENCE

en

In this study, we developed a dataset of behaviors associated with lameness in dairy cows. The data collection utilized IoT collars that were placed around the necks of 10 dairy cows. This publicly available dataset contains 441 labeled behaviors, amounting to over 7 h of recording time. It includes acceleration data referenced in both body and world frames, as well as gyroscope signals, which facilitated the extraction of 112 relevant features for classifying key behaviors such as walking, grazing, and resting through machine learning algorithms. To enhance model performance and reduce feature dimensionality, automatic feature selection techniques were applied before classification. The dataset's effectiveness was assessed using various classification models, including Support Vector Machines (SVM), Logistic Regression, Decision Trees, and Random Forests. Results indicated that signals referenced to the body frame yielded better behavior discrimination, achieving a maximum macro F1-score of 0.9625 with the SVM model. This public dataset can facilitate early lameness detection by enabling accurate classification of behavior patterns.En este estudio, desarrollamos un conjunto de datos de comportamientos asociados con la cojera en vacas lecheras. La recopilación de datos se realizó mediante collares IoT colocados alrededor del cuello de 10 vacas lecheras. Este conjunto de datos, disponible públicamente, contiene 441 comportamientos etiquetados, con más de 7 horas de grabación. Incluye datos de aceleración referenciados tanto en el sistema de coordenadas corporal como en el sistema de coordenadas global, así como señales de giroscopio, lo que facilitó la extracción de 112 características relevantes para clasificar comportamientos clave como caminar, pastar y descansar mediante algoritmos de aprendizaje automático. Para mejorar el rendimiento del modelo y reducir la dimensionalidad de las características, se aplicaron técnicas de selección automática de características antes de la clasificación. La efectividad del conjunto de datos se evaluó utilizando varios modelos de clasificación, incluyendo Máquinas de Vectores de Soporte (SVM), Regresión Logística, Árboles de Decisión y Bosques Aleatorios. Los resultados indicaron que las señales referenciadas al sistema de coordenadas corporal proporcionaron una mejor discriminación del comportamiento, alcanzando una puntuación F1 macro máxima de 0,9625 con el modelo SVM. Este conjunto de datos público puede facilitar la detección temprana de la cojera al permitir una clasificación precisa de los patrones de comportamiento.

artículo original

standardized dataset

behaviors

cattle

lameness

animal welfare

Internet of Things (IoT)

IMU

10.3389/fvets.2025.1630083

pdf

MILK-PRODUCTION

LAMENESS

COWS

ASSOCIATIONS

MILK-PRODUCTION

LAMENESS

COWS

ASSOCIATIONS

Ganadería

Ciencias Veterinarias

Ciencias de la Computación

versión publicada

dorada

verde

acceso abierto

acceso abierto

WOS:001569219200001

A dataset for detecting walking, grazing, and resting behaviors in free-grazing cattle using IoT collar IMU signals

artículo original

FRONTIERS MEDIA SA

FRONTIERS IN VETERINARY SCIENCE

Veterinary Sciences

en

CC BY 4.0

Agencia Nacional de Investigacin y Desarrollohttps://doi.org/10.13039/501100020884#ANID/FONDECYT Regular#Basal funding for Scientific and Technological Center of Excellence, IMPACT

Agencia Nacional de Investigacin y Desarrollohttps://doi.org/10.13039/501100020884 [Ndegrees1220178]

ANID/FONDECYT Regular [FB210024]

Basal funding for Scientific and Technological Center of Excellence, IMPACT

pdf