Repositorio
Institucional

Munoz-Poblete, Carlos

Preliminary Development of a Database for Detecting Active Mounting Behaviors Using Signals Acquired from IoT Collars in Free-Grazing Cattle

MDPI

SENSORS

en

This study presents the development of a database for detecting active mounts, utilizing IoT collars equipped with Inertial Measurement Units (IMUs) installed on eight Holstein Friesian cows, along with video recordings from a long-range PTZ camera mounted in a central pole for event labeling in the natural environment when free grazing. The resulting database comprises 415 labeled events associated with various behaviors, containing acceleration signals in both the Body and World Frame of reference and gyroscope signals. A Support Vector Machine (SVM) algorithm is implemented to evaluate the effectiveness of the dataset in detecting active mounts and to compare training performance using both frames. The algorithm achieves an average F1 Score of 88.6% for the World Frame of reference, showing a significant improvement compared to the algorithm trained with Body Frame (78.6%) when both are trained with the same 112 features. After applying feature selection using Sequential Backward Selection (SBS), the SVM exhibits a minor performance difference between the F1 Score obtained with the two reference frames (89.7% World Frame vs. 91.5% Body Frame). This study provides a public dataset and a replicable methodology, facilitating future research on movement-based behavior classification in cattle.Este estudio presenta el desarrollo de una base de datos para la detección de montas activas, utilizando collares IoT equipados con Unidades de Medición Inercial (IMU) instaladas en ocho vacas Holstein Friesian, junto con grabaciones de video de una cámara PTZ de largo alcance montada en un poste central para el etiquetado de eventos en el entorno natural durante el pastoreo libre. La base de datos resultante comprende 415 eventos etiquetados asociados con diversos comportamientos, que contienen señales de aceleración tanto en el marco de referencia del cuerpo como del mundo y señales de giroscopio. Se implementa un algoritmo de Máquina de Vectores de Soporte (SVM) para evaluar la efectividad del conjunto de datos en la detección de montas activas y para comparar el rendimiento del entrenamiento utilizando ambos marcos. El algoritmo alcanza una puntuación F1 promedio de 88,6 % para el marco de referencia del mundo, mostrando una mejora significativa en comparación con el algoritmo entrenado con el marco del cuerpo (78,6 %) cuando ambos se entrenan con las mismas 112 características. Tras aplicar la selección de características mediante la Selección Secuencial Hacia Atrás (SBS), la máquina de vectores de soporte (SVM) muestra una diferencia de rendimiento mínima entre la puntuación F1 obtenida con los dos marcos de referencia (89,7 % en el marco del mundo frente al 91,5 % en el marco del cuerpo). Este estudio proporciona un conjunto de datos público y una metodología replicable, lo que facilita futuras investigaciones sobre la clasificación del comportamiento en el ganado basada en el movimiento.

artículo original

estrus in cows

active mounts

IoT collar

IMU

public database

machine learning

cattle

free-grazing

10.3390/s25103233

pdf

DAIRY-COWS

ESTRUS

DAIRY-COWS

ESTRUS

Ciencia Animal y lechería

Ciencias de la Computación

Robótica y Sistemas de Control Automático

versión publicada

dorada

verde

acceso abierto

acceso abierto

WOS:001496896300001

Preliminary Development of a Database for Detecting Active Mounting Behaviors Using Signals Acquired from IoT Collars in Free-Grazing Cattle

artículo original

MDPI

SENSORS

Chemistry, Analytical

Engineering, Electrical & Electronic

Instruments & Instrumentation

en

CC BY 4.0

ANID/FONDECYT Regular#Basal funding for Scientific and Technological Center of Excellence, IMPACT

ANID/FONDECYT Regular

Basal funding for Scientific and Technological Center of Excellence, IMPACT [FB210024]

[Ndegrees1220178]

pdf