立體棲架散養蛋雞行為加速度信號降噪方法比較分析

胡 乾 聶路瑋 王朝元，2，3*

(1.中國農業大學 水利與土木工程學院，北京 100083； 2.農業農村部設施農業工程重點實驗室，北京100083； 3.北京市畜禽健康養殖環境工程技術研究中心，北京 100083)

基于加速度傳感器的穿戴式行為監測系統常用于畜禽行為的自動識別和活動強度的量化，但設備抖動、畜禽應激、基礎運動等因素易對監測信號造成干擾，從而對識別效果產生不利影響，因而對信號進行降噪是畜禽行為自動識別研究的重要措施。小波閾值法、經驗模態分解(Empirical mode decomposition，EMD)是常用的信號降噪方法。小波閾值法具有時頻分析能力強、運算速度快與原始信號最優估計易獲得等優勢，已應用于二維平面種雞行為加速度信號和蛋雞叫聲信號的降噪。基于EMD提出的自適應完備集合經驗模態分解(Complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)可根據信號特征進行分解，對非平穩信號具有良好的適應性，以CEEMDAN為基礎的降噪方法在去除機械振動加速度信號的噪聲上取得了良好的效果。

立體棲架散養系統通過飼養空間的優化配置，理論上可滿足蛋雞在三維空間上的棲息、行走、跳躍等自然行為表達的實際需求，被用來代替傳統籠養系統，是國內外蛋雞生產方式轉型升級發展的重點方向。與豬、牛等體型較大的動物在二維平面上的行為活動相比，立體棲架系統中散養的蛋雞，可以在三維空間中自由表達其行為活動，動作更加靈活，頻率更快，幅度更小，因此對其行為進行識別時要求信號的精度更高，干擾更少。雖然小波閾值法和基于CEEMDAN的降噪方法已廣泛應用于不同領域，但是否適用于立體棲架散養蛋雞在三維空間中的不同行為加速度信號的降噪，還有待進一步研究。

基于K-means、神經網絡、KNN和SVM等機器學習方法對畜禽不同行為進行分類識別的研究較多，但目前還存在需要建立訓練模型、計算復雜、長期監測困難等問題，因而實際應用的瓶頸還有待進一步突破；而通過直接提取不同行為信號特征，并基于其閾值大小對畜禽行為進行自動識別，則具有計算量小和實用性強等優勢。目前國際上已構建了基于加速度信號閾值特征的奶牛行為自動識別決策樹模型，具有良好的分類識別效果。與奶牛行為相比，散養蛋雞可以在三維空間中進行活動，行為類型更加豐富，行為自動識別難度更大，蛋雞在立體空間中不同行為的加速度信號特征尚不明晰。

本研究旨在比較小波閾值、CEEMDAN、CEEMDAN結合小波閾值對立體棲架散養蛋雞行為加速度信號的降噪效果，篩選合適的降噪方法和參數，提取蛋雞在立體空間中的趴臥、站立、采食、飲水、行走和跳躍6種典型行為加速度信號特征，探索基于加速度信號特征值進行行為自動分類識別的可行性，為蛋雞行為自動識別與分類研究應用提供依據。

1 材料與方法

1.1 試驗材料

1

.

1

.

1

試驗系統與對象

試驗在中國農業大學上莊實驗站試驗雞舍中進行。試驗采用的立體棲架散養系統由食槽、水線、產蛋箱、棲桿等組成(圖1)。本研究在原有雞籠靠近平臺側搭建V型分布的棲桿，左側配置一定坡度分布的棲桿，滿足雞在不同高度上的空間活動需求。試驗開始前1個月，將19只蛋雞轉入試驗雞舍以適應環境和散養設備；正式試驗時，隨機挑選6只健康蛋雞作為研究對象。在雞籠不同位置安裝了攝像頭，記錄蛋雞在立體空間中的行為活動。

1.攝像頭；2.棲桿；3.產蛋箱；4水線；5.食槽 1.Camera; 2.Perch; 3.Nest; 4.Water line; 5.Feed trough圖1 蛋雞立體棲架散養系統Fig.1 Aviary system for laying hen production

1

.

1

.

2

蛋雞行為監測系統與信號采集本研究開發了由云服務器、同步中繼、六軸姿態傳感器(LSM6DSL，STMicroelectronics)模塊等組成的蛋雞三維空間行為穿戴式監測系統。該行為監測系統滿足體積小、質量輕、穿戴簡單等特定要求，在蛋雞佩戴后不影響其正常的行為活動。試驗時，使用“8”字型彈性綁帶，將傳感器模塊固定在蛋雞背部；使用“U”型強韌柔軟標簽，將蛋雞從1，2，…，6進行編號。加速度傳感器采用鋰電池供電，量程為±2 g，蛋雞背部

X

、

Y

、

Z

軸加速度數據的采樣頻率為20 Hz。傳感器模塊使用ZigBee技術由同步中繼進行時間實時校準，同步中繼則通過Wi-Fi連接云服務器以獲取精準時間，保證各傳感器時間的一致性與準確性。

1.2 數據來源

隨機選取5只蛋雞，對2021-01-11T05:00:00—05:20:00、12:00:00—12:20:00和18:00:00—18:20:00時間段內的連續加速度信號，以10 min為一段對信號進行截取，比較小波閾值、CEEMDAN、CEEMDAN結合小波閾值3種方法對

X

、

Y

、

Z

軸加速度信號的降噪效果。對數據降噪后，分析同一天內蛋雞趴臥、站立、采食、飲水、行走、跳躍6種行為加速度信號標準差分布，6種行為數據量分別為11 360、5 580、10 460、10 800、4 830、3 470，共計46 510個數據。

1.3 降噪方法與評價

1

.

3

.

1

小波閾值降噪

小波變換是一種時間窗和頻率窗均可改變的時頻分析方法，對非平穩信號分析具有自適應，可有效地分析加速度信號時頻特征，適用于蛋雞行為加速度信號降噪。小波閾值法降噪包括3個步驟：

1)選擇合適的小波基函數和分解層數對蛋雞原始加速度信號

x

(

n

)進行小波變換，得到小波分解系數

A

；2)對

A

進行閾值處理，得到小波系數的估計值

a

；3)根據系數

a

進行信號重構，得到降噪后信號

f

(

n

)。

本研究選擇常用的小波基函數db3對蛋雞行為加速度信號進行分解。試驗中，信號采樣頻率為20 Hz，而蛋雞跳躍、行走等行為活動頻率較高，為保留有用信號，小波分解層數選擇1層。小波閾值分為硬閾值和軟閾值，軟閾值降噪后信號整體性好，更加平滑，因此本研究只針對軟閾值進行討論。小波系數軟閾值處理公式為：

(1)

式中：

δ

表示閾值大小。閾值選擇是小波閾值法降噪的關鍵，本研究對史坦無偏似然估計閾值(Rigrsure)、固定式閾值(Sqtsolog)、啟發式閾值(Heursure)、最大最小值閾值(Minimaxi)4種常用閾值的降噪效果進行了比較，以選擇適宜的閾值。4種閾值計算方法如下：設

N

為序列長度，信號

y

(

m

)為|

x

(

n

)|的升序序列，其中

m

=1,2,…,

N

，則Rigrsure閾值

δ

的計算公式為：

(2)

(3)

Sqtsolog閾值

δ

定義為：

(4)

Heursure閾值

δ

是Rigrsure和Sqtsolog閾值的結合，求解時需先求出

δ

和

δ

，具體計算公式為:

(5)

(6)

(7)

Minimaxi閾值

δ

定義為：

(8)

1

.

3

.

2

CEEMDAN降噪

蛋雞在立體棲架散養系統中能夠自由表達自然行為，行為活動類型多樣，動作轉換頻次快，行為加速度信號為非平穩信號，易受噪聲干擾。

本研究采用Torres提出的CEEMDAN方法對蛋雞行為加速度信號進行分解，加入的白噪聲均值為0、標準差為0.25，重復添加次數為100。CEEMDAN分解是采用三次樣條對信號極值點進行插值，形成上下包絡線，將上下包絡線的均值曲線從信號中分離，得到經驗模態(IMF)分量。因此CEEMDAN能根據加速度信號特點自適應分解信號，得到若干從高頻到低頻排列的IMF分量。由于噪聲頻率較高，有用信息頻率較低，CEEMDAN降噪時直接去除高頻分量，對低頻分量進行重構。降噪后信號可表示為：

(9)

式中：IMF為第

m

個IMF分量；

K

為IMF分量個數；

r

為殘余分量；

k

為區分高頻分量與低頻分量的值，是影響CEEMDAN降噪效果的關鍵參數。不同時間段內蛋雞行為加速度信號不同，經CEEMDAN得到的IMF分量個數也可能不同，主觀判斷

k

值大小易導致誤判。排列熵(Permutation entropy,PE)適用于衡量不規則信號復雜程度，其值越大，包含的噪聲越多，有利于區分高頻和低頻分量。因此，本研究通過計算各IMF分量PE值大小，并做歸一化處理，進而確定

k

值。

1

.

3

.

3

CEEMDAN結合小波閾值降噪

由于蛋雞行為加速度信號的采樣頻率低，CEEMDAN分解信號后易出現高頻分量與低頻分量分界不準確，以及高頻分量中含有部分有用信號的情況，直接去除高頻分量會導致有用信號損失。因此，本研究采用CEEMDAN結合小波閾值法對蛋雞行為加速度信號降噪，以期取得更好的降噪效果。具體降噪步驟如下：

1)對原始信號進行CEEMDAN分解，得到

K

個IMF分量和1個殘余分量；2)計算每個IMF分量排列熵，并進行歸一化處理，確定前

k

個分量為高頻分量；3)對前

k

個IMF分量分別采用小波閾值法降噪，參數與只采用小波閾值降噪參數相同；4)將小波閾值法降噪后的前

k

個IMF分量與其他分量一起重構，得到降噪后的信號。

1

.

3

.

4

降噪效果評價在去除蛋雞行為加速度信號噪聲時，需要盡可能多地保留不同行為的信號特征。本研究采用信噪比(Signal-to-noise ratio，SNR)和均方根誤差 (Root mean square error，RMSE)2個指標定量評價不同方法的降噪效果。SNR為原始信號功率和噪聲功率的比值，其值越大，降噪效果越好。RMSE為原始信號與降噪信號偏差的平方與數據量

n

比值的平方根，其值越小，降噪效果越好。SNR和RMSE均能反應降噪前后信號細節差異，是評價降噪效果的常用指標，計算公式如下：

(10)

(11)

1.4 蛋雞特征行為信號的加速度標準差分析

按0.5 s窗口大小，分別計算蛋雞趴臥、站立、采食、飲水、行走、跳躍6種特征行為

X

、

Y

、

Z

軸加速度標準差。根據箱形圖異常值判斷準則剔除異常值，再進行算術平方根(sqrt)轉換，使每種行為加速度標準差分布符合或接近正態分布，后文提到的標準差均為經sqrt轉換后的標準差。根據6種行為加速度標準差頻率分布對立體棲架散養蛋雞典型行為分類，并采用非參數檢驗判斷各類行為標準差是否具有顯著性差異。蛋雞行為描述見表1。

表1 蛋雞行為描述
Table 1 Behaviors description of laying hen

行為類型Types of behaviors描述Description趴臥 Lying腿和胸部接觸籠底或棲桿Legs and chest contact cage bottom or perch站立 Standing雙腿站立,肢體沒有明顯移動Standing on two legs with no visible movement of the limbs采食 Eating用喙接觸食槽或頭部在食槽上方With head in or above the feeder飲水 Drinking用喙啄飲水乳頭Pecking to a drinking nipple行走 Walking以正常速度或快速行走Walking at a normal speed or fast pace跳躍 Jumping蛋雞向上或水平或向下跳躍The lay hen jumps up or horizontally or down

2 結果與分析

2.1 CEEMDAN分解

本研究分別計算了所有數據段經CEEMDAN分解后得到的各IMF分量的排列熵PE，并根據PE值的大小確定

k

值。以編號6蛋雞為例，其05:00:00—05:10:00時間段內

X

軸加速度信號分解得到的各IMF分量的PE值歸一化結果見表2。結果發現，不同數據段分解后IMF～IMF分量的PE值均大于0.880 0。因此，取

k

值為4，即將IMF～IMF分量作為高頻噪聲，其余分量為有用信號。本研究與耿讀艷等區分高頻分量與低頻分量的PE值相似。

表2 編號6蛋雞05:00:00—05:10:00 軸加速度各IMF分量的排列熵(PE)
Table 2 The PE value of each IMF component of No.6 laying hen’s -axis acceleration data from 05:00:00 to 05:10:00

分量ComponentPE值PE value分量ComponentPE值PE value分量ComponentPE值PE value分量ComponentPE值PE valueIMF11.000 0IMF50.737 3IMF90.285 7IMF130.222 9IMF20.982 3IMF60.548 0IMF100.249 8IMF140.215 1IMF30.943 8IMF70.427 3IMF110.235 0IMF40.944 2IMF80.334 3IMF120.233 9

2.2 3種降噪方法的降噪效果比較

計算立體棲架散養蛋雞行為

X

、

Y

、

Z

軸加速度信號經小波閾值、CEEMDAN、CEEMDAN結合小波閾值3種方法降噪后的信噪比(SNR)和均方根誤差(RMSE)，并求均值，結果見表3。可見，小波閾值法對蛋雞

X

、

Y

、

Z

軸加速度信號的降噪效果更好。與CEEMDAN降噪相比，小波閾值法降噪后信號的SNR、RMSE均值分別高3.659 6、低0.023 1；與CEEMDAN結合小波閾值法降噪相比，SNR、RMSE均值分別高0.261 7、低0.001 3。

表3 不同方法對加速度信號的降噪效果
Table 3 Denoising effect of different methods on acceleration signals

評價指標Evaluation indexes坐標軸Coordinate axis小波閾值Wavelet thresholdCEEMDANCEEMDAN+小波閾值CEEMDAN+Wavelet thresholdX13.592 310.170 713.445 6信噪比SNRY11.153 37.962 610.976 4Z28.094 023.727 427.632 6均值17.613 213.953 617.351 5X0.046 70.067 80.047 3均方根誤差RMSEY0.049 20.071 00.050 3Z0.039 20.065 50.041 3均值0.045 00.068 10.046 3

CEEMDAN降噪后信號的SNR最低，RMSE最高，原因是其直接將高頻分量去除，忽略了其中的部分有用信號。對多段加速度信號降噪發現，小波閾值法與CEEMDAN結合小波閾值法對部分數據段的降噪效果相近，但某些數據段采用小波閾值法的降噪效果更好，與已有研究比較小波閾值法、CEEMDAN結合小波閾值法對模擬信號和GNSS變形信號的降噪效果得到的結果不同。究其原因，主要是小波閾值法與CEEMDAN結合小波閾值法對信號的分解方式不同所造成的；由于立體棲架散養蛋雞在三維空間上的行為加速度信號隨時間的變化較大，導致CEEMDAN對其信號分解時存在一定的不穩定性。CEEMDAN分解在對散養蛋雞不同行為加速度信號進行降噪過程中存在的不足之處包括：1)端點效應和包絡過沖；2)分解后易出現虛假分量；3)CEEMDAN分解后模態分量IMF中存在殘余噪聲。隨機選取的編號6蛋雞05:00:00—05:10:00時間段內

X

軸原始信號與該信號經小波閾值法降噪后的信號見圖2。可以看出，小波閾值法在去除噪聲的同時，也可很好地保留信號細節信息。

因此從整體上看，小波閾值法更適用于立體棲架散養蛋雞行為加速度信號降噪，降噪后信號的SNR更高，RMSE更低。

圖2 小波閾值法對編號6蛋雞05:00:00—05:10:00 X軸加速度信號的降噪結果Fig.2 Denoising result of No.6 laying hens’ X-axis acceleration data from 05:00:00 to 05:10:00 by wavelet threshold

2.3 小波閾值法中不同閾值的降噪效果

蛋雞行為加速度信號經小波閾值法中Rigrsure、Heursure、Sqtsolog、Minimaxi 4種閾值降噪后的信噪比(SNR)和均方根誤差(RMSE)均值見表4。可以看出，在Heursure、Sqtwolog閾值準則下，小波閾值法的降噪效果相同，但與另2種閾值相比信號的SNR值更小，RMSE值更大；采用Minimaxi閾值準則，信號的SNR和RMSE值大小均處于中間位置；Rigrsure準則下，信號的SNR最高，RMSE最低。這是因為Rigrsure閾值通過極小化閾值準則函數確定，能保留信號更多細節，與曹晏飛等、杜曉冬等研究結果相似。在4種閾值準則下，Rigrsure閾值對蛋雞行為加速度數據降噪效果更好，因此也被本研究用來對立體散養蛋雞行為的加速度進行降噪處理。

表4 小波閾值法中4種閾值的降噪效果
Table 4 Four kinds of threshold denoising effects in wavelet threshold method

評價指標Evaluation indexesRigrsureHeursureSqtwologMinimaxi信噪比 SNR17.613 216.683 916.683 916.701 2均方根誤差RMSE0.045 00.050 10.050 10.050 0

2.4 6種行為的加速度標準差分布

加速度標準差可以反映蛋雞的運動水平。本研究中蛋雞在立體空間的趴臥、站立、采食、飲水、行走、跳躍6種典型行為的

X

、

Y

、

Z

軸加速度標準差頻率分布見圖3：6種行為

X

、

Y

軸加速度標準分布呈4個類別。蛋雞行走與采食、飲水行為的

Z

軸加速度標準差分布與

X

、

Y

軸分布不同，因為行走是水平面內運動，背部在

Z

軸方向運動幅度較小，采食、飲水是雙腿站立啄取食物，背部在

Z

軸方向運動幅度也較小，表明

Z

軸加速度標準差不利于體現蛋雞行走與采食、飲水行為差異。因此，本研究根據

X

、

Y

軸加速度標準差分布將蛋雞典型行為活動分為趴臥和站立、采食和飲水、行走、跳躍4類。與Kozak等將蛋雞行走、跳躍行為活動水平歸為同一類別不同，本研究中由于立體棲架散養蛋雞跳躍距離遠、幅度大，跳躍行為活動強度較行走行為更高，故將行走和跳躍行為分成2類。統計分析蛋雞4類行為

X

、

Y

軸加速度標準差均值見表5。4類行為活動水平排序為：趴臥和站立<采食和飲水<行走<跳躍。4類行為

X

、

Y

軸加速度標準差均存在極顯著差異(

P

<0.001)，表明

X

、

Y

軸加速度標準差均能有效地區分蛋雞4類行為。因此，未來可進一步研究如何基于單軸加速度信號構建準確率較高的蛋雞行為分類模型，則可降低數據采集要求，推動監測設備向小型化和實用化方向發展。

圖3 蛋雞6種行為X、Y、Z軸加速度標準差頻率分布Fig.3 Frequency distribution of X-, Y- and Z-axis acceleration data standard deviations of laying hens’ six behaviors

表5 蛋雞各類行為加速度標準差
Table 5 Standard deviations of acceleration of laying hens’ behavioral categories

坐標軸Coordinate axis趴臥和站立Lying and standing采食和飲水Eating and drinking行走Walking跳躍JumpingP值P valueX軸X-axis0.04±0.01 a0.16±0.05 b0.28±0.10 c0.76±0.17 d<0.001Y軸Y-axis0.04±0.01 a0.14±0.04 b0.22±0.07 c0.76±0.18 d<0.001

注：同行不同小寫字母表示0.1%水平差異顯著。

Note: Different lowercase letters from the same sow indicate significant different at the 0.1% level.

3 結 論

本研究比較了小波閾值、CEEMDAN、CEEMDAN結合小波閾值3種方法對多段立體棲架散養蛋雞行為加速度信號的降噪效果，并分析了立體棲架散養蛋雞趴臥、站立、采食、飲水、行走、跳躍6種行為的加速度值標準差分布，主要結論如下：

1)小波閾值法比CEEMDAN、CEEMDAN結合小波閾值法能更有效地去除蛋雞行為加速度信號噪聲，降噪效果更穩定。小波Rigrsure閾值降噪效果更好，在降噪的同時能保留更多的細節信息。

2)根據蛋雞不同行為的

X

、

Y

軸加速度信號標準差分布，可將蛋雞行為活動強度由低到高分為趴臥和站立、采食和飲水、行走、跳躍4類，不同類別間加速度信號標準差存在顯著性差異(

P

<0.001)。