基于Wi-Fi無線感知技術的奶牛爬跨行為識別

郝玉勝，林 強，王維蘭，郭 敏，逯玉蘭

·農業信息與電氣技術·

基于Wi-Fi無線感知技術的奶牛爬跨行為識別

郝玉勝1，林 強1※，王維蘭2，郭 敏1，逯玉蘭3

（1. 西北民族大學數學與計算機科學學院，蘭州 730030；2. 西北民族大學中國民族信息技術研究院，蘭州 730030；3. 甘肅農業大學信息科學技術學院，蘭州 730070）

奶牛發情和爬跨行為之間存在著密切的聯系，及時發現奶牛的爬跨行為是檢測奶牛發情、提高養殖收益需要考慮的重要問題。為了在自然環境下可靠地檢測奶牛的爬跨行為，同時避免引起應激反應，研究并提出基于Wi-Fi信號的奶牛爬跨行為檢測與識別方法。首先，應用部署在日常生活環境中通用的Wi-Fi設備捕獲奶牛的運動狀態數據；其次，通過載波聚集、移動加權平均濾波對數據進行預處理；第三，基于局部離群因子LOF算法，實現信號跳變檢測并以此為基礎獲取包含奶牛動作的信道狀態信息（Channel State Information, CSI）序列片段；第四，設計并提取CSI序列片段的特征，構建了包含3類奶牛動作，共計8 127個樣本的數據集；最后，基于長短時記憶網絡（Long Short Term Memory, LSTM）構建奶牛行為識別模型。通過使用數據集中2 497個樣本作為測試集檢驗提出的網絡模型，檢驗結果表明，系統能夠可靠地捕獲包含奶牛動作的CSI序列片段，并以較高的準確率識別奶牛的爬跨行為。模型在測試集上對3類樣本的總體分類準確率為96.67%，其Kappa系數為0.943 1，獲得了較高的性能。研究結果將基于Wi-Fi信號的無線感知技術引入農業信息化領域，擴展了動物行為監控的技術手段，為無線傳感技術在農業智能化方面的應用提供參考。

畜牧業；奶牛；算法；爬跨行為；Wi-Fi無線感知；信道狀態信息

0 引 言

奶牛養殖產業是中國畜牧產業的重要組成部分，及時檢測奶牛的發情行為是奶牛養殖中極為重要的工作任務。研究表明，爬跨和接受其他奶牛爬跨是奶牛發情時的重要行為特征[1]。奶牛在發情期內活動量增加，爬跨和接收爬跨的表現十分明顯[2]。因此，根據奶牛的爬跨和發情行為之間的內在聯系，準確檢測奶牛的爬跨行為，可以及時獲得奶牛發情的關鍵信息。

總結分析現有的研究成果，可將動物行為檢測的方法大致歸為3類，人工觀察記錄法、穿戴式檢測法和非接觸式無損檢測法。其中，人工方法人力成本高，效率低，同時存在主觀性強、精度較低等不足；穿戴式方法利用植入或穿戴在被測動物身上的傳感器獲取監測數據進而用于行為識別。蔣曉新[3]基于計步器對妊娠期奶牛步履數和活動量進行研究；Sakaguchi等[4]利用安裝在荷斯坦奶牛腿部或頸部的傳感器檢測其發情行為；劉忠超等[5]基于陰道植入式傳感器，通過感知奶牛陰道粘液的電阻變化實現奶牛發情行為的檢測。雖然基于穿戴設備的檢測方法具有較高的精度，但設備部署成本高，且需要在動物身上植入或佩戴相關感知設備，容易導致應激反應，有損動物福利。隨著無線傳感技術的進步，非接觸式動物行為無損檢測技術得以發展。由于無需接觸動物身體，非接觸式檢測方法能夠有效增進動物福利，提高管理效率。Tom等[6]和趙凱旋[7]基于圖像處理技術分別對奶牛的跛足行為和呼吸率進行監測；何東健[8]利用視頻分析技術對犢牛行為進行識別。基于視頻圖像處理的檢測技術應用非常廣泛，但需要較好的光照條件，相關設備的部署成本也不低。近年來，利用紅外、聲波、射頻識別技術（Radio Frequency Identification, RFID）、光信號等作為傳感介質的非接觸式行為檢測技術得到學界的關注。Maher等[9]基于紅外溫度儀對牛跛足行為進行檢測；Felix等[10]利用超高頻射頻技術對豬只行為進行監控；逯玉蘭等[11]基于Wi-Fi信號對豬的呼吸頻率進行監測等。

基于Wi-Fi信號的感知技術在人體定位[12-13]、動作識別[14-15]、身份鑒別[16-17]等方面的良好性能和低成本優勢，本研究致力于基于Wi-Fi信號的奶牛爬跨行為檢測和識別技術，以期將基于Wi-Fi信號的無線感知技術推廣到動物行為檢測和識別領域。利用日常生活中常見的網絡設備，通過一臺無線路由器和一臺裝配有Intel 5300無線網卡的計算機構建了Wi-Fi信號的信道狀態信息采集系統；通過人工標記包含3類奶牛動作的8 127個CSI序列樣本，訓練了一個具有8層網路結構的長短時記憶網絡（Long Short Term Memory, LSTM）分類器。試驗結果表明分類器在測試集上的分類效果較好，能夠獲得較高的性能。

1 材料與方法

1.1 基于Wi-Fi信號的感知原理

Wi-Fi信號是一種射頻信號，其信道特性主要由傳輸媒介所決定。信號從發射端傳播到接收端的過程中會受到環境變化的干擾，使得接收信號較發射信號產生一定的衰落。在大多數情況下，傳輸Wi-Fi信號的電磁環境是時刻變化的，當發射端和接收端之間存在物體時，物體運動變化會顯著改變Wi-Fi信號的傳播環境，使其產生多徑效應。一般而言，Wi-Fi信號發射端和接收端之間存在一條視距無線傳輸（Line of Sight, LOS），同時也存在多條因信號被物體反射而產生的反射路徑（圖1）。

圖1 Wi-Fi信號傳播路徑

假設發射端發送的信號為單一頻率的正弦波，如式（1）所示：

由于()和()都是相互獨立的隨機變量。根據中心極限定理，當足夠大時，()和()都趨于正態分布，其均值為0，方差相等，因此()也可以表示為式（5）

由于包絡服從瑞利分布，故稱其為瑞利信道模型。如果能夠實時獲取瑞利模型中載波的振幅、相位以及時延信息，就可據此分析Wi-Fi信號的信道變化情況，由于信道變化是由環境變化引起的，因此可以根據Wi-Fi信號的信道變化進一步“推測”環境中發生的變化，實現對環境的“感知”。

1.2 信道狀態信息（CSI）

根據IEEE 802.11 a/g/n標準[18]，Wi-Fi信號從發射端傳輸到接收端的過程中，為了保障通信質量，在規定的頻率區間內，信號被劃分為不同頻率的子載波，每個子載波可能會沿著不同的傳輸路徑到達接收端。網絡物理層（Physical Layer, PHY）的信道狀態信息（Channel State Information, CSI）正是衡量每個子載波傳輸狀態的指標[19]。具體來說，CSI指標中包含了每一個載波在傳輸過程中的時延、振幅衰減、相位變化等信息，通過分析和探究CSI序列數據中的這些信息的具體變化，可以推斷并表征信號在傳播過程中發生的真實物理環境的變化。在頻域上，多輸入多輸出（Multiple Input Multiple Output, MIMO）系統的窄帶平坦衰落模型[20]可表示如式（6）所示

=+（6）

式中為接收到的信號向量；為發射信號向量；為噪聲；為信道矩陣，表示發射信號通過物理空間傳播變換為接收信號的過程中，物理環境對信號所施加的影響，即信號的變換矩陣。式（6）中的可采用式（7）來估算。

事實上，CSI是對的一種估計。在正交頻分多路復用（Orthogonal Frequency Division Multiplexing, OFDM）通信系統中，每一對天線之間形成一個無線電波束，每個波束中包含若干個子載波，每一個子載波的CSI值可用式（8）來表示。

1.3 信道狀態信息（CSI）序列數據格式

在Linux平臺下，通過使用Intel 5300無線網卡的開源驅動程序可實時捕獲CSI序列數據[21]。CSI序列數據是由一系列在時序上連續、大小為N×N×30的矩陣構成。其中，N為發射端天線的數量；N為接收端天線數量；根據IEEE 802.11 a/g/n標準[18]，數字30表示在2.4 GHz的OFDM通信系統中，每個發射天線和接收天線之間的無線電波束中包含30個子載波。本研究設計的系統中，信號發射端選用配備有1個發射天線的Tenda W3003R路由器，信號接收端選用安裝有Intel 5300無線網卡的ThinkPad X200便捷式計算機，無線網卡默認配備有3個信號接收天線，采集到的CSI數據為1×3×30的矩陣，如式（9）所示：

1.4 信道狀態信息（CSI）序列數據預處理

1.4.1 載波聚集

在不考慮頻率分布的情況下，可采用合適的聚集算法將同一波束中的30個子載波聚集為一路信號。本研究依據式（10）所示的算法實現載波聚集[22]。

波束聚集操作減少了載波數量，但忽略了CSI序列信號中的頻率分布信息，本研究利用聚集后的三路CSI序列信號完成信號的跳變檢測。

1.4.2 移動加權平均濾波

式中的取值決定了當前時間槽內的CSI信號跟過去多少個相鄰時間槽相關。試驗表明，奶牛的爬跨行為對CSI序列信號影響最為劇烈的時刻是在奶牛抬起前蹄，做出爬跨動作，身體高度迅速改變的那一瞬間，持續時間在2～5 s之間。因此，在進行信號跳變檢測時所選窗口大小應當適用于“凸顯”信號片段中對應的奶牛爬跨動作，系統選用大小為5 s的時間窗口對CSI載波數據進行上述處理。

1.4.3 信號跳變檢測

CSI信號是時間連續的序列，該序列中只有部分片段包含了奶牛的行為動作。因此，確定這些“蘊含”奶牛動作的CSI序列片段的起始和結束時刻是系統首先要解決的問題之一。

經過分析觀察，當奶牛群體中的一個或若干奶牛隨機運動時，CSI序列信號的振幅會產生明顯變化，但幅度較小；當奶牛群體存在爬跨行為時，奶牛身體高度的陡然增加會使CSI序列出現短暫的“尖峰”片段。信號跳變檢測模塊的設計目的在于準確界定這些包含奶牛動作的CSI序列片段在整個序列中的起始和結束位置。

假設奶牛靜止站立時的狀態為“穩定狀態”，以此為基礎構建了穩定的CSI序列信號配置文件。然后通過應用局部離群因子LOF算法，捕獲CSI信號序列的跳變。

式中N()表示樣本點的鄰域集合，|N()|為集合的大小，即鄰域點的個數，|N()|≥；reach?dist(,)表示點到點的可達距離，其至少是點的第距離，定義如式（15）所示：

式中?dist()稱之為第距離，即距離點第遠的點與點之間的距離；(,)表示點到點的真實距離。

點的離群因子LOF()定義為點的領域點N()的局部可達密度與點的局部可達密度之比的平均數，如式（16）所示：

上述比值越接近1，點及其鄰域點的密度差越小，點及其鄰域點越屬于同一簇；如果上述比值＜1，說明點的密度高于其鄰域的點密度，點為密集點；如果上述比值＞1，點的密度小于其鄰域點密度，點為異常點。

利用式（11）給出的三路聚集信號，將3個波束在不同時間槽內的CSI樣本數據作為“點”輸入到LOF()函數中，得到3個LOF值，即LOFA、LOFB和LOFＣ。當3個波束中同時出現局部離群因子，也就是說LOFA、LOFＢ和LOFＣ同時＞1時，系統認為CSI序列信號中存在跳變，即奶牛開始活動；當活動持續一段時間，3個LOF值不滿足同時＞1的條件時，認為奶牛活動結束，系統保存這2個時間點之間的CSI信號序列片段。顯然，這些片段中“蘊含”著奶牛的實際動作。

圖2中時間槽1所示的部分，只有天線A波束的LOFA值＞1，天線B、C的LOF值均＜1，系統判定信號不存在跳變。在時間槽2和3內，3個天線的LOF值同時＞1，系統判定信號存在跳變，此時需要持續跟蹤信號序列，直到跳變結束并保存CSI序列片段。

注：t1、t2和t3表示3個不同的時間槽，信號跳變檢測模塊通過計算每個時間槽內A、B、C 3個天線上的LOF值，即LOFA、LOFB和LOFC，以此判斷信號是否存在跳變。

2 基于機器學習的奶牛行為識別

2.1 數據集

訓練分類模型，首先需要構建可用的數據集。利用信號跳變檢測模塊，通過特征提取和人工標注一定數量的CSI序列片段，最終形成可用于訓練序列序列信號分類模型的數據集。

2.1.1 信道狀態信息（CSI）序列特征提取

針對每一個采集到的CSI序列片段，系統從10個維度提取其特征，以滿足訓練分類器的需要，提取的10個特征如表1所示。

表1 信道狀態信息（CSI）序列片段特征

2.1.2 構建奶牛行為數據集

有監督機器學習方法對于模型的訓練嚴重依賴于數據集。針對一個小的養殖群體（5頭奶牛）的運動情況，系統對奶牛群體中一個或多個個體的3類運動狀態采集并人工標注了8 127個CSI序列片段。其中，每頭奶牛基本靜止時（共同進食、飲水時）采集的CSI序列片段2 667個；有一頭或多頭奶牛隨機運動時（隨機走動、躺臥、嬉戲等）采集的CSI序列片段4 557個；群體中有奶牛存在爬跨行為時采集的CSI序列903個。每個CSI序列片段持續時間在2～15 s之間。

表2 數據集樣本分布

在機器學習領域，典型的做法是將數據集中的一部分樣本用于訓練分類模型，另一部分樣本用來測試訓練后模型的性能。對訓練集和測試集的劃分，領域內并無固定的標準，只有若干指導原則，比如留出法、K折交叉驗證法、留一法、自助法等。由于數據集規模適中，本研究根據留出法提供的指導原則，將數據集的70%用作訓練集，剩余30%用作測試集。因此，整個數據集中的5 630個CSI序列片段構成訓練集，另外2 497個CSI序列片段構成測試集。數據集樣本分布如表2所示。

2.2 基于長短時記憶網絡（LSTM）的序列分類模型

長短時記憶（Long Short Term Memory，LSTM）是面向時間序列的遞歸神經網絡模型[25]，其包含一個記憶模型，用于對時間序列問題中的時間依賴性進行建模，能夠有效解決長序列訓練過程中梯度消失和梯度爆炸的問題。LSTM的核心在于細胞（cell）以及穿過細胞的信息流，整個網絡由一系列細胞構成，單個LSTM細胞結構如圖3所示。

信息從細胞中穿過，通過“門”結構實現對信息的刪除或添加。門可以實現選擇性地讓信息通過，主要通過Sigmoid函數和一次逐點相乘操作來實現。其中，遺忘門決定哪些信息可以繼續通過當前細胞；傳入門決定讓多少信息加入到細胞狀態中；輸出門求得LSTM的細胞輸出。

基于LSTM的CSI序列分類模型，可實現奶牛行為的分類任務。具體而言，構建了一個包含8層網絡結構的LSTM深度網絡，其中輸入層直接處理每個CSI序列片段的10維特征；網絡共有4層LSTM隱層，每層分別含有150、125、100和80個LSTM細胞單元；之后緊接全連接層以及Softmax層；網絡的最后是根據Softmax層的概率分布做出決策的分類決策層。整個模型的網絡結構如圖4所示。

注：Ct-1為t-1時刻的細胞狀態，Ct為t時刻的細胞狀態，為新的候選值；ht-1為上一個細胞的輸出，ht為當前細胞的輸出；xt為輸入當前細胞的信息；σ為激活函數Sigmoid；tanh為激活函數；表示逐點相加操作，表示逐點相乘操作；遺忘門、輸入門和輸出門都會對輸入信息ht-1和xt執行一些操作，其中間結果分別為ft、it和Ot，這些結果用來決定當前細胞應該刪除、更新和輸出什么信息。

注：輸入層處理信道狀態信息（CSI）序列片段的10個特征，即F1、F2、……、F10。P1、P2和P3表示輸入序列被模型識別為各個類別（基本靜止、隨機走動和爬跨）的概率。

模型在訓練時采用Adam優化器進行優化，最大訓練輪數設置為50，每批次送入模型的樣本數設置為13，初始化學習率設置為0.001。系統訓練時的關鍵參數如表3所示。

模型利用訓練集中的5 630個樣本，根據表3所示的參數設置，共迭代訓練21 653次。對訓練得到的模型，采用測試集中的2 497個樣本進行測試，通過計算各項評價指標衡量其性能。

2.3 模型評價指標

系統共涉及到基本靜止、隨機運動及爬跨3種奶牛行為，二分類問題中常用的查準率（precision）、查全率（recall）、F1-Score等指標并不適用于評價多分類模型。基于模型在測試集上分類結果，可通過計算總體分類準確率（Accuracy）以及Kappa系數來評價多分類模型的性能。

多分類模型的總體分類準確率（Accuracy）定義如式（17）所示

式中為樣本的類別數，M為模型準確預測的第類樣本的數量，為所有樣本的數量。

表3 模型關鍵參數

Kappa系數定義如式（18）所示

式中0表示總體分類準確率（Accuracy）；e按照式（19）進行計算。

式中為所有樣本數量，M為模型準確預測的第類樣本的數量，N為第類樣本的實際數量。

Kappa系數能夠有效地評價多分類模型的有效性。值為0～0.2時，模型有效性“極低”；值為0.2～0.4時，模型有效性“一般”；值為0.4～0.6時，模型有效性“中等”；值為0.6～0.8時，模型“高度”有效；值為0.8～1.0時，模型與實際情況“幾乎一致”。

3 結果與分析

3.1 實證試驗及結論

系統首先按照圖5所示的場景部署，在實驗室內組織志愿者進行實證試驗，通過隨機組織5～15名志愿者構成一個小的聚集群體，采集了該群體在做出3種不同類型動作時的CSI序列片段。

圖5 實證試驗場景

通過對1 400段CSI序列片段的分析和觀測，得到如下結論：

1）被測對象的不同動作行為，會使CSI序列發生不同的變化，信號振幅呈現出不同的變化模式（圖5）。

2）大多數載波因被測對象運動狀態的變化而發生變化，呈現出相同的變化趨勢（圖6）。

3）一個波束內的子載波存在相關性，相鄰的子載波相關性更強（圖7）。

圖6 波束中各子載波變化趨勢

圖7 波束中的各個子載波相關性分析

3.2 奶牛行為識別試驗設置

在約150 m2的養殖棚舍下，選用5頭奶牛進行試驗，完成數據的采集和標注工作。信號發射端和信號接收端被安置在奶牛活動區域兩側高度為1.8 m的支架上，發射端采用1個發射天線，接收端采用Intel 5300網卡默認的3個接收天線。近距離部署使得接收端能夠成功捕獲來自發射端的Wi-Fi信號。根據IEEE 802.11 a/g/n標準[18]，系統工作時，發射天線和接收天線之間形成一個1×3的多輸入多輸出（Multiple Input and Multiple Output, MIMO）無線通信系統。

系統工作在2.4 GHz頻段，接收端在建立Wi-Fi連接后，首先通過ping命令向發射端以1 000 bytes/s的速度不斷發送數據包，使得通信鏈路中存在源源不斷的數據流。在接收端的Linux平臺下調用Intel 5300無線網卡的開源驅動程序[21]實時捕獲每一個子載波的CSI序列數據，數據以文件形式存儲在接收端。

試驗過程中無數據包丟失現象，試驗所采用的數據采集方法穩定、可靠，試驗場景如圖8所示。

圖8 試驗場景

3.3 奶牛行為識別試驗結果分析

測試集中共有2 497個測試樣本，其中包含奶牛基本靜止樣本867個、奶牛隨機運動樣本1 357個、奶牛爬跨樣本273個。通過將這3類樣本輸入模型進行檢驗，可得到模型的實際分類結果，如表4所示。

表4 模型分類混淆矩陣

表4中，每一行表示每一類樣本的真實類別，每一列表示模型對樣本的預測類別，分析表4可知：

1）模型對每一類樣本中的絕大多數都能夠正確分類，只有極少數樣本的分類結果有誤；

2）基本靜止這一類樣本中僅有10個樣本被誤判為隨機運動，沒有樣本被識別為爬跨行為。爬跨行為這一類樣本僅有20個樣本被誤判為隨機運動，沒有樣本被識別為基本靜止。可見，模型能夠100%地區分基本靜止和爬跨兩類樣本，不會將二者混淆。

3）對于1 357個隨機運動樣本，有1 304個樣本被正確分類。模型僅將其中40個樣本誤判為基本靜止，將13個樣本誤判為爬跨。可能的原因有：第一，對“隨機運動”的定義略顯寬泛，即將奶牛的隨機走動、躺臥、嬉戲等行為均定義為隨機運動。奶牛嬉戲時的劇烈運動對信號的影響可能與爬跨行為帶來的影響相仿，所采集的CSI序列片段有可能被識別為爬跨行為；奶牛的輕微走動對信號的影響并不劇烈，所采集的CSI序列片段有可能被識別為基本靜止。第二，人工標注數據時的誤差也使得該類樣本的數據質量較另外2類樣本略差一些。總之，在有監督機器學習領域，數據集的質量對分類模型的性能有著顯著的影響，本研究所進行的試驗也遵循這一規律。

根據上述分類結果，通過計算2.3節給出的各項模型評價指標，可綜合評價模型性能，計算結果如表5所示。

分析表5可知，就每一類樣本的分類準確率而言，模型對奶牛的基本靜止行為具有最高的分類準確率98.85%，對奶牛隨機運動的分類準確率為96.09%，對奶牛爬跨行為的分類準確率為92.67%。奶牛爬跨行為樣本較前兩類樣本的分類準確率略低，其原因在于奶牛的爬跨行為會使身體高度突然改變，對Wi-Fi信號的CSI序列有著十分顯著的影響，對此類樣本的捕獲以及標注工作難以做到十分精確。在實際場景中，采集奶牛的爬跨行為樣本時，很難保證其他奶牛保持絕對靜止。本研究在標記此類樣本時遵循“只要出現奶牛爬跨行為就將該類樣本標記為‘爬跨’類別”的原則，因此該類樣本動作具有一定的復雜性，樣本中有可能還包含有其他奶牛的隨機運動等因素，但爬跨動作對于CSI序列的影響是主要因素。由于所采用的深度學習模型建立在對數據的統計學習基礎之上，在一定數量樣本的訓練下，能夠確保模型在測試集上獲得較高的分類性能即可滿足應用需求。隨著此類樣本數量的進一步擴充和數據集質量的不斷提高，模型對該類樣本的分類準確率可進一步提高，但很難達到100%的分類準確率。

表5 模型評價結果

從整個模型的綜合性能來看，模型的Kappa系數為0.943 1。對照2.3節給出的評價等級，模型對測試集上各類樣本的分類結果與樣本的真實結果“幾乎一致”，獲得了較高性能。

4 結 論

本研究基于當前生產環境中普遍存在的Wi-Fi網絡，利用無線網絡連接中端口物理層的信道狀態信息（Channel State Information, CSI）序列數據構建了奶牛爬跨行為檢測與識別系統，為基于Wi-Fi信號的無線感知技術在農業信息化領域的應用提供了基本的技術架構，給出了數據采集、預處理、分類模型訓練以及模型評價等方面的具體方案。本研究的主要結論如下：

1）在Wi-Fi信號能夠正常傳播的養殖棚舍環境下，通過利用普通的網絡設備可部署數據采集系統，構建基于CSI序列信號的感知系統，通過信號跳變檢測和人工標記，共采集到包含3類奶牛動作的CSI序列片段8 127個并構建了數據集。

2）設計了一個具有8層網路結構的長短時記憶網絡（Long Short Term Memory, LSTM），其中的4層LSTM隱層分別含有150、125、100和80個細胞單元，通過設定初始學習率為0.001，最大訓練輪數為50和每批次訓練樣本數為13等關鍵參數，以數據集中的5 630個樣本作為訓練集，以Adam優化器進行優化，對網絡進行訓練，得到多分類模型。

3）所得模型在2 497個樣本構成的測試集上可獲得96.67%的總體分類準確率，模型Kappa系數為0.943 1，具備良好的分類效果。

本研究構建的系統僅僅利用了CSI序列信號的振幅特性。實際上，CSI序列信號中的頻率變化、相位變化以及信號時延等屬性也包含著豐富的環境變化信息，能夠更加細膩地表征物理環境的變化，實現諸如對動物呼吸、咀嚼、反芻等細微動作的感知，這也是本研究需要繼續深入的研究方向。

[1] 田富洋，王冉冉，宋占華，等. 奶牛發情行為的檢測研究[J]. 農機化研究，2011，33(12)：223-232.

Tian Fuyang, Wang Ranran, Song Zhanhua, et al. Study on the detection of estrus behavior in cows[J]. Journal of Agricultural Mechanization Research, 2011, 33(12): 223-232. (in Chinese with Englishi abstract)

[2] 宗哲英，王帥，蘇力德，等. 奶牛發情行為的監測研究現狀及進展[J]. 畜牧與獸醫，2018，50(2)：147-150.

Zong Zheying, Wang Shuai, Su Lide, et al. A review research on monitoring the oestrus behavior of dairy cows[J]. Animal Husbandry & Veterinary Medicine, 2018, 50(2): 147-150. (in Chinese with Englishi abstract)

[3] 蔣曉新，鄧雙義，劉煒，等. 運用計步器對北方地區荷斯坦奶牛妊娠后期活動量進行控制的研究[J]. 黑龍江畜牧獸醫，2014(17)：102-104.

Jiang Xiaoxin, Deng Shuangyi, Liu Wei, et al. Study on controlling the activity of holstein dairy cows in the late gestation by using pedometer[J]. Heilongjiang Animal Husbandry and Veterinary Medicine, 2014(17):102-104. (in Chinese with English abstract)

[4] Sakaguchi M, Fujiki R, Yabuuchi K, et al. Reliability of estrous detection in holstein heifers using a radiotelemetric pedometer located on the neck or legs under different rearing conditions[J]. Journal of Reproduction & Development, 2007, 53(4): 819-828.

[5] 劉忠超，何東健. 奶牛陰道植入式電阻傳感器與無線檢測系統研究[J]. 農業機械學報，2019，50(11)：175-185.

Liu Zhongchao, He Dongjian. Research of implantable sensor and wireless monitoring system for cow's vaginal resistance[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(11): 175-185. (in Chinese with Englishi abstract)

[6] Tom V H, Stefano V, Machteld S, et al. Automatic lameness detection based on consecutive 3D-video recordings[J]. Biosystems Engineering, 2014, 119(3): 108-116.

[7] 趙凱旋. 基于視頻分析的奶牛呼吸頻率與異常檢測[J]. 農業機械學報，2014，45(10)：258-263.

Zhao Kaixuan. Detection of breathing rate and abnormity of dairy cattle based on video analysis[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(10): 258-263. (in Chinese with Englishi abstract)

[8] 何東健. 基于視頻分析的犢牛的基本行為識別[J]. 農業機械學報，2016，47(9)：294-300.

He Dongjian. Recognition of calf basic behaviors based on video analysis[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(9): 294-300. (in Chinese with Englishi abstract)

[9] Maher A, Allan L S, Wolfgang B, et al. The role of infrared thermography as a non-Invasive tool for the detection of lameness in cattle[J]. Sensors, 2015, 15(6): 14513-14525.

[10] Felix A, Anita K, Florian E, et al. Monitoring trough visits of growing-finishing pigs with UHF-RFID[J]. Computers and Electronics in Agriculture, 2018, 144(1): 144-153.

[11] 逯玉蘭，李廣，郝玉勝. 基于Wi-Fi無線感知技術的豬呼吸頻率監測[J]. 農業工程學報，2019，35(24)：183-190.

Lu Yulan, Li Guang, Hao Yusheng. Monitoring pig respiration frequency using Wi-Fi wireless sensing technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(24): 183-190. (in Chinese with Englishi abstract)

[12] Manikanta K, Kiran J, Dinesh B, et al. SpotFi: Decimeter level localization using WiFi[C]//SIGCOMM 15, London, United Kindom, 2015.

[13] Wang Xuyu, Gao Lingjun, Mao Shiwen. BiLoc: Bi-modal deep learning for indoor localization with commodity 5GHz WiFi[J]. IEEE Access, 2017, 5(3): 4209-4220.

[14] Heba A, Moustafa Y, Khaled A H, et al. WiGest：A ubiquitous WiFi-based gesture recognition system[C]// Computer Communications (INFOCOM). Kowloon, Hong Kong, 2015.

[15] Mohammed A A, Li Fangmin, Ma Xiaolin, et al. Device-free indoor activity recognition system[J]. Applied Sciences, 2016, 6(11): 1-13.

[16] Zeng Yunze, Parth H P, Prasant M. WiWho: WiFi-based person identification in smart spaces[C]//15thACM International Conference on Information Processing in Sensor Networks (IPSN). Vienna, Austria, 2016.

[17] Li Qiyue, Fan Hailong, Sun Wei, et al. Fingerprints in the air: Unique identification of wireless devices using RF RSS fingerprints[J]. IEEE Sensors Journal, 2017, 17(11): 3568-3579.

[18] IEEE standard for information technology-Telecommunications and information exchange between systems-Local and metropolitan area networks - Specific requirements, IEEE Std 802.11nTM-2009 [S/OL]. [2009-10-29].https://ieeexplore.ieee.org/servlet/opac?punumber=5307291.

[19] Yang Zheng, Zhou Zimu, Liu Yunhao. From RSSI to CSI: Indoor localization via channel response[J]. ACM Computing Surveys, 2013, 46(2): 1-32.

[20] Marco C, Moe Z W, Alberto Z. On the capacity of spatially correlated MIMO rayleigh-fading channels[J]. IEEE Transactions on Information Theory, 2003, 49(10): 2363-2371.

[21] Daniel H, Hu Wenjun, Anmol S, et al. Tool release: Gathering 802.11n traces with channel state information[J]. ACM SIGCOMM Computer Communication Review, 2011, 41(1): 53-53.

[22] Wu Kaishun, Xiao Jiang, Yi Youwen, et al. FILA: Fine-grained indoor localization[C]//INFOCOM Proceedings. Orlando, Florida, USA, 2012.

[23] Wang Yuxi, Wu Kaishun. WiFall: Device-free fall detection by wireless networks[J]. IEEE Transactions on Mobile Computing, 2017, 16(2): 581-594.

[24] Breunig M, Kriegel H. LOF: Identifying density-based local outliers[C]//ACM SIGMOD 2000. Dallas, Texas, USA, 2000.

[25] Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.

Recognition of crawling behavior of dairy cows using Wi-Fi wireless sensing technology

Hao Yusheng1, Lin Qiang1※, Wang Weilan2, Guo Min1, Lu Yulan3

(1.,,730030,;2.,,730030,;3.,,730070,)

In the dairy farming industry, there is a close relationship between estrus and the crawling behavior of dairy cows. Timely detection of the crawling behavior of dairy cows is an important issue to be considered to detect the estrus of cows and improve breeding income. Due to the traditional wearable sensing method is easy to cause animals’ stress response and generally detrimental to their welfare, it is necessary to find a new way. In 802.11 a/g/n standards, channel response can be partially extracted from off-the-shelf Orthogonal Frequency Division Multiplexing (OFDM) receivers in the format of the Channel State Information (CSI), which reveals a set of channel measurements depicting the environment changes. To reliably detect and effectively recognize the crawling behavior of dairy cows and avoid stress response in a natural farming environment, a method based on the CSI of Wi-Fi signals was proposed in this study. Firstly, in the breeding shed of about 150 m2, a wireless router was used as the signal transmitter, and a computer equipped with Intel 5300 wireless Network Interface Card (NIC) was used as the signal receiver to set up a Multiple Input and Multiple Output (MIMO) wireless communication system, which could be used to obtain dairy cows’ motion state data in the format of the CSI. Secondly, the obtained CSI series data was preprocessed step by step (i) the CSI values of 30 subcarriers in each radio beam were aggregated into one by using the algorithm of carrier aggregation so that the module of signal jump detection could be run; (ii) the environmental noise caused by factors such as temperature and shed layout were filtered by using the algorithm of moving weighted average filtering; (iii) based on the algorithm of local outlier factor, a signal jump detection module was designed to find out the beginning and end time of the dairy cows’ motion in each CSI sequence fragment. Thirdly, the characteristics of CSI sequences were designed and extracted to construct a dataset containing 8 127 samples of three types of cows’ movements. Finally, given the advantages and recent success of recurrent neural networks in the domains of time series, a multi-classification recognition model was build based on the Long Short Term Memory (LSTM) network. The LSTM network is constructed with an 8-layer architecture and was trained by 5 630 samples in the dataset. Through repeated training model and modification of network parameters, a set of optimized network parameters was finally obtained. To evaluate the model, the indices of classification accuracy and Kappa coefficient were defined. Meanwhile, the remaining 2 497 samples in the dataset were fed into the model to verify its performance. The test result showed that (i) the proposed method reliably captured the CSI series signal fragments containing dairy cows’ movements; (ii) the validity and accuracy of the model were closely related to the model structure and the quality of the dataset. Generally, the higher the number of layers in the network and the higher the quality of the dataset, the better performance of the model can be achieved; (iii) when the LSTM network adopts an 8-layer structure and trained under specific parameters setting, the Kappa coefficient of the trained model on the test set was 0.934 1, and the classification accuracy was 96.67%. Based on the channel state information of the Wi-Fi signal and combined with the machine learning method, a high-performance behavior recognition model can be constructed in specific application fields. The key to the problem lies in the construction of the dataset and the careful tuning of the model. This study introduced wireless sensing technology based on the Wi-Fi signal into the field of agricultural informatization, the results could expand the technical means of animal behavior monitoring and provide a reference for the application of wireless sensing technology in intelligent agriculture.

livestock production; dairy cow; algorithms; crawling behavior; Wi-Fi wireless sensing; channel state information

郝玉勝，林強，王維蘭，等. 基于Wi-Fi無線感知技術的奶牛爬跨行為識別[J]. 農業工程學報，2020，36(19)：168-176.doi：10.11975/j.issn.1002-6819.2020.19.019 http://www.tcsae.org

Hao Yusheng, Lin Qiang, Wang Weilan, et al. Recognition of crawling behavior of dairy cows using Wi-Fi wireless sensing technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(19): 168-176. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.19.019 http://www.tcsae.org

2020-06-17

2020-07-29

西北民族大學中央高校基本科研業務費項目（31920170149）；西北民族大學甘肅省一流學科引導專項資金（11080305）；國家民委創新團隊計劃資助（〔2018〕98號）；國家自然科學基金項目“面向多流行學習的譜聚類方法及其在運動分割中的應用研究”（61866033）；國家自然科學基金項目“基于健康流數據的健康演進趨勢識別與實時狀態評測關鍵技術研究（61562075）；甘肅省高等學校創新基金項目（2020B-069）

郝玉勝，講師，主要從事農業信息化，智能信息處理研究。Email：daryhao@126.com

林強，博士，副教授，主要從事普適計算、智能信息處理研究。Email：787305757@qq.com

10.11975/j.issn.1002-6819.2020.19.019

S24; TN911

A

1002-6819(2020)-19-0168-09