郝玉勝，林 強(qiáng)，王維蘭，郭 敏，逯玉蘭

·農(nóng)業(yè)信息與電氣技術(shù)·

基于Wi-Fi無(wú)線(xiàn)感知技術(shù)的奶牛爬跨行為識(shí)別

郝玉勝1，林 強(qiáng)1※，王維蘭2，郭 敏1，逯玉蘭3

（1. 西北民族大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，蘭州 730030；2. 西北民族大學(xué)中國(guó)民族信息技術(shù)研究院，蘭州 730030；3. 甘肅農(nóng)業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院，蘭州 730070）

奶牛發(fā)情和爬跨行為之間存在著密切的聯(lián)系，及時(shí)發(fā)現(xiàn)奶牛的爬跨行為是檢測(cè)奶牛發(fā)情、提高養(yǎng)殖收益需要考慮的重要問(wèn)題。為了在自然環(huán)境下可靠地檢測(cè)奶牛的爬跨行為，同時(shí)避免引起應(yīng)激反應(yīng)，研究并提出基于Wi-Fi信號(hào)的奶牛爬跨行為檢測(cè)與識(shí)別方法。首先，應(yīng)用部署在日常生活環(huán)境中通用的Wi-Fi設(shè)備捕獲奶牛的運(yùn)動(dòng)狀態(tài)數(shù)據(jù)；其次，通過(guò)載波聚集、移動(dòng)加權(quán)平均濾波對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；第三，基于局部離群因子LOF算法，實(shí)現(xiàn)信號(hào)跳變檢測(cè)并以此為基礎(chǔ)獲取包含奶牛動(dòng)作的信道狀態(tài)信息（Channel State Information, CSI）序列片段；第四，設(shè)計(jì)并提取CSI序列片段的特征，構(gòu)建了包含3類(lèi)奶牛動(dòng)作，共計(jì)8 127個(gè)樣本的數(shù)據(jù)集；最后，基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Long Short Term Memory, LSTM）構(gòu)建奶牛行為識(shí)別模型。通過(guò)使用數(shù)據(jù)集中2 497個(gè)樣本作為測(cè)試集檢驗(yàn)提出的網(wǎng)絡(luò)模型，檢驗(yàn)結(jié)果表明，系統(tǒng)能夠可靠地捕獲包含奶牛動(dòng)作的CSI序列片段，并以較高的準(zhǔn)確率識(shí)別奶牛的爬跨行為。模型在測(cè)試集上對(duì)3類(lèi)樣本的總體分類(lèi)準(zhǔn)確率為96.67%，其Kappa系數(shù)為0.943 1，獲得了較高的性能。研究結(jié)果將基于Wi-Fi信號(hào)的無(wú)線(xiàn)感知技術(shù)引入農(nóng)業(yè)信息化領(lǐng)域，擴(kuò)展了動(dòng)物行為監(jiān)控的技術(shù)手段，為無(wú)線(xiàn)傳感技術(shù)在農(nóng)業(yè)智能化方面的應(yīng)用提供參考。

畜牧業(yè)；奶牛；算法；爬跨行為；Wi-Fi無(wú)線(xiàn)感知；信道狀態(tài)信息

0 引 言

奶牛養(yǎng)殖產(chǎn)業(yè)是中國(guó)畜牧產(chǎn)業(yè)的重要組成部分，及時(shí)檢測(cè)奶牛的發(fā)情行為是奶牛養(yǎng)殖中極為重要的工作任務(wù)。研究表明，爬跨和接受其他奶牛爬跨是奶牛發(fā)情時(shí)的重要行為特征[1]。奶牛在發(fā)情期內(nèi)活動(dòng)量增加，爬跨和接收爬跨的表現(xiàn)十分明顯[2]。因此，根據(jù)奶牛的爬跨和發(fā)情行為之間的內(nèi)在聯(lián)系，準(zhǔn)確檢測(cè)奶牛的爬跨行為，可以及時(shí)獲得奶牛發(fā)情的關(guān)鍵信息。

總結(jié)分析現(xiàn)有的研究成果，可將動(dòng)物行為檢測(cè)的方法大致歸為3類(lèi)，人工觀察記錄法、穿戴式檢測(cè)法和非接觸式無(wú)損檢測(cè)法。其中，人工方法人力成本高，效率低，同時(shí)存在主觀性強(qiáng)、精度較低等不足；穿戴式方法利用植入或穿戴在被測(cè)動(dòng)物身上的傳感器獲取監(jiān)測(cè)數(shù)據(jù)進(jìn)而用于行為識(shí)別。蔣曉新[3]基于計(jì)步器對(duì)妊娠期奶牛步履數(shù)和活動(dòng)量進(jìn)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(cè)其發(fā)情行為；劉忠超等[5]基于陰道植入式傳感器，通過(guò)感知奶牛陰道粘液的電阻變化實(shí)現(xiàn)奶牛發(fā)情行為的檢測(cè)。雖然基于穿戴設(shè)備的檢測(cè)方法具有較高的精度，但設(shè)備部署成本高，且需要在動(dòng)物身上植入或佩戴相關(guān)感知設(shè)備，容易導(dǎo)致應(yīng)激反應(yīng)，有損動(dòng)物福利。隨著無(wú)線(xiàn)傳感技術(shù)的進(jìn)步，非接觸式動(dòng)物行為無(wú)損檢測(cè)技術(shù)得以發(fā)展。由于無(wú)需接觸動(dòng)物身體，非接觸式檢測(cè)方法能夠有效增進(jìn)動(dòng)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(shù)分別對(duì)奶牛的跛足行為和呼吸率進(jìn)行監(jiān)測(cè)；何東健[8]利用視頻分析技術(shù)對(duì)犢牛行為進(jìn)行識(shí)別?；谝曨l圖像處理的檢測(cè)技術(shù)應(yīng)用非常廣泛，但需要較好的光照條件，相關(guān)設(shè)備的部署成本也不低。近年來(lái)，利用紅外、聲波、射頻識(shí)別技術(shù)（Radio Frequency Identification, RFID）、光信號(hào)等作為傳感介質(zhì)的非接觸式行為檢測(cè)技術(shù)得到學(xué)界的關(guān)注。Maher等[9]基于紅外溫度儀對(duì)牛跛足行為進(jìn)行檢測(cè)；Felix等[10]利用超高頻射頻技術(shù)對(duì)豬只行為進(jìn)行監(jiān)控；逯玉蘭等[11]基于Wi-Fi信號(hào)對(duì)豬的呼吸頻率進(jìn)行監(jiān)測(cè)等。

基于Wi-Fi信號(hào)的感知技術(shù)在人體定位[12-13]、動(dòng)作識(shí)別[14-15]、身份鑒別[16-17]等方面的良好性能和低成本優(yōu)勢(shì)，本研究致力于基于Wi-Fi信號(hào)的奶牛爬跨行為檢測(cè)和識(shí)別技術(shù)，以期將基于Wi-Fi信號(hào)的無(wú)線(xiàn)感知技術(shù)推廣到動(dòng)物行為檢測(cè)和識(shí)別領(lǐng)域。利用日常生活中常見(jiàn)的網(wǎng)絡(luò)設(shè)備，通過(guò)一臺(tái)無(wú)線(xiàn)路由器和一臺(tái)裝配有Intel 5300無(wú)線(xiàn)網(wǎng)卡的計(jì)算機(jī)構(gòu)建了Wi-Fi信號(hào)的信道狀態(tài)信息采集系統(tǒng)；通過(guò)人工標(biāo)記包含3類(lèi)奶牛動(dòng)作的8 127個(gè)CSI序列樣本，訓(xùn)練了一個(gè)具有8層網(wǎng)路結(jié)構(gòu)的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Long Short Term Memory, LSTM）分類(lèi)器。試驗(yàn)結(jié)果表明分類(lèi)器在測(cè)試集上的分類(lèi)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(hào)的感知原理

Wi-Fi信號(hào)是一種射頻信號(hào)，其信道特性主要由傳輸媒介所決定。信號(hào)從發(fā)射端傳播到接收端的過(guò)程中會(huì)受到環(huán)境變化的干擾，使得接收信號(hào)較發(fā)射信號(hào)產(chǎn)生一定的衰落。在大多數(shù)情況下，傳輸Wi-Fi信號(hào)的電磁環(huán)境是時(shí)刻變化的，當(dāng)發(fā)射端和接收端之間存在物體時(shí)，物體運(yùn)動(dòng)變化會(huì)顯著改變Wi-Fi信號(hào)的傳播環(huán)境，使其產(chǎn)生多徑效應(yīng)。一般而言，Wi-Fi信號(hào)發(fā)射端和接收端之間存在一條視距無(wú)線(xiàn)傳輸（Line of Sight, LOS），同時(shí)也存在多條因信號(hào)被物體反射而產(chǎn)生的反射路徑（圖1）。

圖1 Wi-Fi信號(hào)傳播路徑

假設(shè)發(fā)射端發(fā)送的信號(hào)為單一頻率的正弦波，如式（1）所示：

由于()和()都是相互獨(dú)立的隨機(jī)變量。根據(jù)中心極限定理，當(dāng)足夠大時(shí)，()和()都趨于正態(tài)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(luò)服從瑞利分布，故稱(chēng)其為瑞利信道模型。如果能夠?qū)崟r(shí)獲取瑞利模型中載波的振幅、相位以及時(shí)延信息，就可據(jù)此分析Wi-Fi信號(hào)的信道變化情況，由于信道變化是由環(huán)境變化引起的，因此可以根據(jù)Wi-Fi信號(hào)的信道變化進(jìn)一步“推測(cè)”環(huán)境中發(fā)生的變化，實(shí)現(xiàn)對(duì)環(huán)境的“感知”。

1.2 信道狀態(tài)信息（CSI）

根據(jù)IEEE 802.11 a/g/n標(biāo)準(zhǔn)[18]，Wi-Fi信號(hào)從發(fā)射端傳輸?shù)浇邮斩说倪^(guò)程中，為了保障通信質(zhì)量，在規(guī)定的頻率區(qū)間內(nèi)，信號(hào)被劃分為不同頻率的子載波，每個(gè)子載波可能會(huì)沿著不同的傳輸路徑到達(dá)接收端。網(wǎng)絡(luò)物理層（Physical Layer, PHY）的信道狀態(tài)信息（Channel State Information, CSI）正是衡量每個(gè)子載波傳輸狀態(tài)的指標(biāo)[19]。具體來(lái)說(shuō)，CSI指標(biāo)中包含了每一個(gè)載波在傳輸過(guò)程中的時(shí)延、振幅衰減、相位變化等信息，通過(guò)分析和探究CSI序列數(shù)據(jù)中的這些信息的具體變化，可以推斷并表征信號(hào)在傳播過(guò)程中發(fā)生的真實(shí)物理環(huán)境的變化。在頻域上，多輸入多輸出（Multiple Input Multiple Output, MIMO）系統(tǒng)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(hào)向量；為發(fā)射信號(hào)向量；為噪聲；為信道矩陣，表示發(fā)射信號(hào)通過(guò)物理空間傳播變換為接收信號(hào)的過(guò)程中，物理環(huán)境對(duì)信號(hào)所施加的影響，即信號(hào)的變換矩陣。式（6）中的可采用式（7）來(lái)估算。

事實(shí)上，CSI是對(duì)的一種估計(jì)。在正交頻分多路復(fù)用（Orthogonal Frequency Division Multiplexing, OFDM）通信系統(tǒng)中，每一對(duì)天線(xiàn)之間形成一個(gè)無(wú)線(xiàn)電波束，每個(gè)波束中包含若干個(gè)子載波，每一個(gè)子載波的CSI值可用式（8）來(lái)表示。

1.3 信道狀態(tài)信息（CSI）序列數(shù)據(jù)格式

在Linux平臺(tái)下，通過(guò)使用Intel 5300無(wú)線(xiàn)網(wǎng)卡的開(kāi)源驅(qū)動(dòng)程序可實(shí)時(shí)捕獲CSI序列數(shù)據(jù)[21]。CSI序列數(shù)據(jù)是由一系列在時(shí)序上連續(xù)、大小為N×N×30的矩陣構(gòu)成。其中，N為發(fā)射端天線(xiàn)的數(shù)量；N為接收端天線(xiàn)數(shù)量；根據(jù)IEEE 802.11 a/g/n標(biāo)準(zhǔn)[18]，數(shù)字30表示在2.4 GHz的OFDM通信系統(tǒng)中，每個(gè)發(fā)射天線(xiàn)和接收天線(xiàn)之間的無(wú)線(xiàn)電波束中包含30個(gè)子載波。本研究設(shè)計(jì)的系統(tǒng)中，信號(hào)發(fā)射端選用配備有1個(gè)發(fā)射天線(xiàn)的Tenda W3003R路由器，信號(hào)接收端選用安裝有Intel 5300無(wú)線(xiàn)網(wǎng)卡的ThinkPad X200便捷式計(jì)算機(jī)，無(wú)線(xiàn)網(wǎng)卡默認(rèn)配備有3個(gè)信號(hào)接收天線(xiàn)，采集到的CSI數(shù)據(jù)為1×3×30的矩陣，如式（9）所示：

1.4 信道狀態(tài)信息（CSI）序列數(shù)據(jù)預(yù)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(gè)子載波聚集為一路信號(hào)。本研究依據(jù)式（10）所示的算法實(shí)現(xiàn)載波聚集[22]。

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

1.4.2 移動(dòng)加權(quán)平均濾波

式中的取值決定了當(dāng)前時(shí)間槽內(nèi)的CSI信號(hào)跟過(guò)去多少個(gè)相鄰時(shí)間槽相關(guān)。試驗(yàn)表明，奶牛的爬跨行為對(duì)CSI序列信號(hào)影響最為劇烈的時(shí)刻是在奶牛抬起前蹄，做出爬跨動(dòng)作，身體高度迅速改變的那一瞬間，持續(xù)時(shí)間在2～5 s之間。因此，在進(jìn)行信號(hào)跳變檢測(cè)時(shí)所選窗口大小應(yīng)當(dāng)適用于“凸顯”信號(hào)片段中對(duì)應(yīng)的奶牛爬跨動(dòng)作，系統(tǒng)選用大小為5 s的時(shí)間窗口對(duì)CSI載波數(shù)據(jù)進(jìn)行上述處理。

1.4.3 信號(hào)跳變檢測(cè)

CSI信號(hào)是時(shí)間連續(xù)的序列，該序列中只有部分片段包含了奶牛的行為動(dòng)作。因此，確定這些“蘊(yùn)含”奶牛動(dòng)作的CSI序列片段的起始和結(jié)束時(shí)刻是系統(tǒng)首先要解決的問(wèn)題之一。

經(jīng)過(guò)分析觀察，當(dāng)奶牛群體中的一個(gè)或若干奶牛隨機(jī)運(yùn)動(dòng)時(shí)，CSI序列信號(hào)的振幅會(huì)產(chǎn)生明顯變化，但幅度較小；當(dāng)奶牛群體存在爬跨行為時(shí)，奶牛身體高度的陡然增加會(huì)使CSI序列出現(xiàn)短暫的“尖峰”片段。信號(hào)跳變檢測(cè)模塊的設(shè)計(jì)目的在于準(zhǔn)確界定這些包含奶牛動(dòng)作的CSI序列片段在整個(gè)序列中的起始和結(jié)束位置。

假設(shè)奶牛靜止站立時(shí)的狀態(tài)為“穩(wěn)定狀態(tài)”，以此為基礎(chǔ)構(gòu)建了穩(wěn)定的CSI序列信號(hào)配置文件。然后通過(guò)應(yīng)用局部離群因子LOF算法，捕獲CSI信號(hào)序列的跳變。

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

式中?dist()稱(chēng)之為第距離，即距離點(diǎn)第遠(yuǎn)的點(diǎn)與點(diǎn)之間的距離；(,)表示點(diǎn)到點(diǎn)的真實(shí)距離。

點(diǎn)的離群因子LOF()定義為點(diǎn)的領(lǐng)域點(diǎn)N()的局部可達(dá)密度與點(diǎn)的局部可達(dá)密度之比的平均數(shù)，如式（16）所示：

上述比值越接近1，點(diǎn)及其鄰域點(diǎn)的密度差越小，點(diǎn)及其鄰域點(diǎn)越屬于同一簇；如果上述比值＜1，說(shuō)明點(diǎn)的密度高于其鄰域的點(diǎn)密度，點(diǎn)為密集點(diǎn)；如果上述比值＞1，點(diǎn)的密度小于其鄰域點(diǎn)密度，點(diǎn)為異常點(diǎn)。

利用式（11）給出的三路聚集信號(hào)，將3個(gè)波束在不同時(shí)間槽內(nèi)的CSI樣本數(shù)據(jù)作為“點(diǎn)”輸入到LOF()函數(shù)中，得到3個(gè)LOF值，即LOFA、LOFB和LOFＣ。當(dāng)3個(gè)波束中同時(shí)出現(xiàn)局部離群因子，也就是說(shuō)LOFA、LOFＢ和LOFＣ同時(shí)＞1時(shí)，系統(tǒng)認(rèn)為CSI序列信號(hào)中存在跳變，即奶牛開(kāi)始活動(dòng)；當(dāng)活動(dòng)持續(xù)一段時(shí)間，3個(gè)LOF值不滿(mǎn)足同時(shí)＞1的條件時(shí)，認(rèn)為奶?；顒?dòng)結(jié)束，系統(tǒng)保存這2個(gè)時(shí)間點(diǎn)之間的CSI信號(hào)序列片段。顯然，這些片段中“蘊(yùn)含”著奶牛的實(shí)際動(dòng)作。

圖2中時(shí)間槽1所示的部分，只有天線(xiàn)A波束的LOFA值＞1，天線(xiàn)B、C的LOF值均＜1，系統(tǒng)判定信號(hào)不存在跳變。在時(shí)間槽2和3內(nèi)，3個(gè)天線(xiàn)的LOF值同時(shí)＞1，系統(tǒng)判定信號(hào)存在跳變，此時(shí)需要持續(xù)跟蹤信號(hào)序列，直到跳變結(jié)束并保存CSI序列片段。

注：t1、t2和t3表示3個(gè)不同的時(shí)間槽，信號(hào)跳變檢測(cè)模塊通過(guò)計(jì)算每個(gè)時(shí)間槽內(nèi)A、B、C 3個(gè)天線(xiàn)上的LOF值，即LOFA、LOFB和LOFC，以此判斷信號(hào)是否存在跳變。

2 基于機(jī)器學(xué)習(xí)的奶牛行為識(shí)別

2.1 數(shù)據(jù)集

訓(xùn)練分類(lèi)模型，首先需要構(gòu)建可用的數(shù)據(jù)集。利用信號(hào)跳變檢測(cè)模塊，通過(guò)特征提取和人工標(biāo)注一定數(shù)量的CSI序列片段，最終形成可用于訓(xùn)練序列序列信號(hào)分類(lèi)模型的數(shù)據(jù)集。

2.1.1 信道狀態(tài)信息（CSI）序列特征提取

針對(duì)每一個(gè)采集到的CSI序列片段，系統(tǒng)從10個(gè)維度提取其特征，以滿(mǎn)足訓(xùn)練分類(lèi)器的需要，提取的10個(gè)特征如表1所示。

表1 信道狀態(tài)信息（CSI）序列片段特征

2.1.2 構(gòu)建奶牛行為數(shù)據(jù)集

有監(jiān)督機(jī)器學(xué)習(xí)方法對(duì)于模型的訓(xùn)練嚴(yán)重依賴(lài)于數(shù)據(jù)集。針對(duì)一個(gè)小的養(yǎng)殖群體（5頭奶牛）的運(yùn)動(dòng)情況，系統(tǒng)對(duì)奶牛群體中一個(gè)或多個(gè)個(gè)體的3類(lèi)運(yùn)動(dòng)狀態(tài)采集并人工標(biāo)注了8 127個(gè)CSI序列片段。其中，每頭奶?；眷o止時(shí)（共同進(jìn)食、飲水時(shí)）采集的CSI序列片段2 667個(gè)；有一頭或多頭奶牛隨機(jī)運(yùn)動(dòng)時(shí)（隨機(jī)走動(dòng)、躺臥、嬉戲等）采集的CSI序列片段4 557個(gè)；群體中有奶牛存在爬跨行為時(shí)采集的CSI序列903個(gè)。每個(gè)CSI序列片段持續(xù)時(shí)間在2～15 s之間。

表2 數(shù)據(jù)集樣本分布

在機(jī)器學(xué)習(xí)領(lǐng)域，典型的做法是將數(shù)據(jù)集中的一部分樣本用于訓(xùn)練分類(lèi)模型，另一部分樣本用來(lái)測(cè)試訓(xùn)練后模型的性能。對(duì)訓(xùn)練集和測(cè)試集的劃分，領(lǐng)域內(nèi)并無(wú)固定的標(biāo)準(zhǔn)，只有若干指導(dǎo)原則，比如留出法、K折交叉驗(yàn)證法、留一法、自助法等。由于數(shù)據(jù)集規(guī)模適中，本研究根據(jù)留出法提供的指導(dǎo)原則，將數(shù)據(jù)集的70%用作訓(xùn)練集，剩余30%用作測(cè)試集。因此，整個(gè)數(shù)據(jù)集中的5 630個(gè)CSI序列片段構(gòu)成訓(xùn)練集，另外2 497個(gè)CSI序列片段構(gòu)成測(cè)試集。數(shù)據(jù)集樣本分布如表2所示。

2.2 基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）的序列分類(lèi)模型

長(zhǎng)短時(shí)記憶（Long Short Term Memory，LSTM）是面向時(shí)間序列的遞歸神經(jīng)網(wǎng)絡(luò)模型[25]，其包含一個(gè)記憶模型，用于對(duì)時(shí)間序列問(wèn)題中的時(shí)間依賴(lài)性進(jìn)行建模，能夠有效解決長(zhǎng)序列訓(xùn)練過(guò)程中梯度消失和梯度爆炸的問(wèn)題。LSTM的核心在于細(xì)胞（cell）以及穿過(guò)細(xì)胞的信息流，整個(gè)網(wǎng)絡(luò)由一系列細(xì)胞構(gòu)成，單個(gè)LSTM細(xì)胞結(jié)構(gòu)如圖3所示。

信息從細(xì)胞中穿過(guò)，通過(guò)“門(mén)”結(jié)構(gòu)實(shí)現(xiàn)對(duì)信息的刪除或添加。門(mén)可以實(shí)現(xiàn)選擇性地讓信息通過(guò)，主要通過(guò)Sigmoid函數(shù)和一次逐點(diǎn)相乘操作來(lái)實(shí)現(xiàn)。其中，遺忘門(mén)決定哪些信息可以繼續(xù)通過(guò)當(dāng)前細(xì)胞；傳入門(mén)決定讓多少信息加入到細(xì)胞狀態(tài)中；輸出門(mén)求得LSTM的細(xì)胞輸出。

基于LSTM的CSI序列分類(lèi)模型，可實(shí)現(xiàn)奶牛行為的分類(lèi)任務(wù)。具體而言，構(gòu)建了一個(gè)包含8層網(wǎng)絡(luò)結(jié)構(gòu)的LSTM深度網(wǎng)絡(luò)，其中輸入層直接處理每個(gè)CSI序列片段的10維特征；網(wǎng)絡(luò)共有4層LSTM隱層，每層分別含有150、125、100和80個(gè)LSTM細(xì)胞單元；之后緊接全連接層以及Softmax層；網(wǎng)絡(luò)的最后是根據(jù)Softmax層的概率分布做出決策的分類(lèi)決策層。整個(gè)模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

注：Ct-1為t-1時(shí)刻的細(xì)胞狀態(tài)，Ct為t時(shí)刻的細(xì)胞狀態(tài)，為新的候選值；ht-1為上一個(gè)細(xì)胞的輸出，ht為當(dāng)前細(xì)胞的輸出；xt為輸入當(dāng)前細(xì)胞的信息；σ為激活函數(shù)Sigmoid；tanh為激活函數(shù)；表示逐點(diǎn)相加操作，表示逐點(diǎn)相乘操作；遺忘門(mén)、輸入門(mén)和輸出門(mén)都會(huì)對(duì)輸入信息ht-1和xt執(zhí)行一些操作，其中間結(jié)果分別為ft、it和Ot，這些結(jié)果用來(lái)決定當(dāng)前細(xì)胞應(yīng)該刪除、更新和輸出什么信息。

注：輸入層處理信道狀態(tài)信息（CSI）序列片段的10個(gè)特征，即F1、F2、……、F10。P1、P2和P3表示輸入序列被模型識(shí)別為各個(gè)類(lèi)別（基本靜止、隨機(jī)走動(dòng)和爬跨）的概率。

模型在訓(xùn)練時(shí)采用Adam優(yōu)化器進(jìn)行優(yōu)化，最大訓(xùn)練輪數(shù)設(shè)置為50，每批次送入模型的樣本數(shù)設(shè)置為13，初始化學(xué)習(xí)率設(shè)置為0.001。系統(tǒng)訓(xùn)練時(shí)的關(guān)鍵參數(shù)如表3所示。

模型利用訓(xùn)練集中的5 630個(gè)樣本，根據(jù)表3所示的參數(shù)設(shè)置，共迭代訓(xùn)練21 653次。對(duì)訓(xùn)練得到的模型，采用測(cè)試集中的2 497個(gè)樣本進(jìn)行測(cè)試，通過(guò)計(jì)算各項(xiàng)評(píng)價(jià)指標(biāo)衡量其性能。

2.3 模型評(píng)價(jià)指標(biāo)

系統(tǒng)共涉及到基本靜止、隨機(jī)運(yùn)動(dòng)及爬跨3種奶牛行為，二分類(lèi)問(wèn)題中常用的查準(zhǔn)率（precision）、查全率（recall）、F1-Score等指標(biāo)并不適用于評(píng)價(jià)多分類(lèi)模型。基于模型在測(cè)試集上分類(lèi)結(jié)果，可通過(guò)計(jì)算總體分類(lèi)準(zhǔn)確率（Accuracy）以及Kappa系數(shù)來(lái)評(píng)價(jià)多分類(lèi)模型的性能。

多分類(lèi)模型的總體分類(lèi)準(zhǔn)確率（Accuracy）定義如式（17）所示

式中為樣本的類(lèi)別數(shù)，M為模型準(zhǔn)確預(yù)測(cè)的第類(lèi)樣本的數(shù)量，為所有樣本的數(shù)量。

表3 模型關(guān)鍵參數(shù)

Kappa系數(shù)定義如式（18）所示

式中0表示總體分類(lèi)準(zhǔn)確率（Accuracy）；e按照式（19）進(jìn)行計(jì)算。

式中為所有樣本數(shù)量，M為模型準(zhǔn)確預(yù)測(cè)的第類(lèi)樣本的數(shù)量，N為第類(lèi)樣本的實(shí)際數(shù)量。

Kappa系數(shù)能夠有效地評(píng)價(jià)多分類(lèi)模型的有效性。值為0～0.2時(shí)，模型有效性“極低”；值為0.2～0.4時(shí)，模型有效性“一般”；值為0.4～0.6時(shí)，模型有效性“中等”；值為0.6～0.8時(shí)，模型“高度”有效；值為0.8～1.0時(shí)，模型與實(shí)際情況“幾乎一致”。

3 結(jié)果與分析

3.1 實(shí)證試驗(yàn)及結(jié)論

系統(tǒng)首先按照?qǐng)D5所示的場(chǎng)景部署，在實(shí)驗(yàn)室內(nèi)組織志愿者進(jìn)行實(shí)證試驗(yàn)，通過(guò)隨機(jī)組織5～15名志愿者構(gòu)成一個(gè)小的聚集群體，采集了該群體在做出3種不同類(lèi)型動(dòng)作時(shí)的CSI序列片段。

圖5 實(shí)證試驗(yàn)場(chǎng)景

通過(guò)對(duì)1 400段CSI序列片段的分析和觀測(cè)，得到如下結(jié)論：

1）被測(cè)對(duì)象的不同動(dòng)作行為，會(huì)使CSI序列發(fā)生不同的變化，信號(hào)振幅呈現(xiàn)出不同的變化模式（圖5）。

2）大多數(shù)載波因被測(cè)對(duì)象運(yùn)動(dòng)狀態(tài)的變化而發(fā)生變化，呈現(xiàn)出相同的變化趨勢(shì)（圖6）。

3）一個(gè)波束內(nèi)的子載波存在相關(guān)性，相鄰的子載波相關(guān)性更強(qiáng)（圖7）。

圖6 波束中各子載波變化趨勢(shì)

圖7 波束中的各個(gè)子載波相關(guān)性分析

3.2 奶牛行為識(shí)別試驗(yàn)設(shè)置

在約150 m2的養(yǎng)殖棚舍下，選用5頭奶牛進(jìn)行試驗(yàn)，完成數(shù)據(jù)的采集和標(biāo)注工作。信號(hào)發(fā)射端和信號(hào)接收端被安置在奶?；顒?dòng)區(qū)域兩側(cè)高度為1.8 m的支架上，發(fā)射端采用1個(gè)發(fā)射天線(xiàn)，接收端采用Intel 5300網(wǎng)卡默認(rèn)的3個(gè)接收天線(xiàn)。近距離部署使得接收端能夠成功捕獲來(lái)自發(fā)射端的Wi-Fi信號(hào)。根據(jù)IEEE 802.11 a/g/n標(biāo)準(zhǔn)[18]，系統(tǒng)工作時(shí)，發(fā)射天線(xiàn)和接收天線(xiàn)之間形成一個(gè)1×3的多輸入多輸出（Multiple Input and Multiple Output, MIMO）無(wú)線(xiàn)通信系統(tǒng)。

系統(tǒng)工作在2.4 GHz頻段，接收端在建立Wi-Fi連接后，首先通過(guò)ping命令向發(fā)射端以1 000 bytes/s的速度不斷發(fā)送數(shù)據(jù)包，使得通信鏈路中存在源源不斷的數(shù)據(jù)流。在接收端的Linux平臺(tái)下調(diào)用Intel 5300無(wú)線(xiàn)網(wǎng)卡的開(kāi)源驅(qū)動(dòng)程序[21]實(shí)時(shí)捕獲每一個(gè)子載波的CSI序列數(shù)據(jù)，數(shù)據(jù)以文件形式存儲(chǔ)在接收端。

試驗(yàn)過(guò)程中無(wú)數(shù)據(jù)包丟失現(xiàn)象，試驗(yàn)所采用的數(shù)據(jù)采集方法穩(wěn)定、可靠，試驗(yàn)場(chǎng)景如圖8所示。

圖8 試驗(yàn)場(chǎng)景

3.3 奶牛行為識(shí)別試驗(yàn)結(jié)果分析

測(cè)試集中共有2 497個(gè)測(cè)試樣本，其中包含奶?；眷o止樣本867個(gè)、奶牛隨機(jī)運(yùn)動(dòng)樣本1 357個(gè)、奶牛爬跨樣本273個(gè)。通過(guò)將這3類(lèi)樣本輸入模型進(jìn)行檢驗(yàn)，可得到模型的實(shí)際分類(lèi)結(jié)果，如表4所示。

表4 模型分類(lèi)混淆矩陣

表4中，每一行表示每一類(lèi)樣本的真實(shí)類(lèi)別，每一列表示模型對(duì)樣本的預(yù)測(cè)類(lèi)別，分析表4可知：

1）模型對(duì)每一類(lèi)樣本中的絕大多數(shù)都能夠正確分類(lèi)，只有極少數(shù)樣本的分類(lèi)結(jié)果有誤；

2）基本靜止這一類(lèi)樣本中僅有10個(gè)樣本被誤判為隨機(jī)運(yùn)動(dòng)，沒(méi)有樣本被識(shí)別為爬跨行為。爬跨行為這一類(lèi)樣本僅有20個(gè)樣本被誤判為隨機(jī)運(yùn)動(dòng)，沒(méi)有樣本被識(shí)別為基本靜止?？梢?jiàn)，模型能夠100%地區(qū)分基本靜止和爬跨兩類(lèi)樣本，不會(huì)將二者混淆。

3）對(duì)于1 357個(gè)隨機(jī)運(yùn)動(dòng)樣本，有1 304個(gè)樣本被正確分類(lèi)。模型僅將其中40個(gè)樣本誤判為基本靜止，將13個(gè)樣本誤判為爬跨?？赡艿脑蛴校旱谝?，對(duì)“隨機(jī)運(yùn)動(dòng)”的定義略顯寬泛，即將奶牛的隨機(jī)走動(dòng)、躺臥、嬉戲等行為均定義為隨機(jī)運(yùn)動(dòng)。奶牛嬉戲時(shí)的劇烈運(yùn)動(dòng)對(duì)信號(hào)的影響可能與爬跨行為帶來(lái)的影響相仿，所采集的CSI序列片段有可能被識(shí)別為爬跨行為；奶牛的輕微走動(dòng)對(duì)信號(hào)的影響并不劇烈，所采集的CSI序列片段有可能被識(shí)別為基本靜止。第二，人工標(biāo)注數(shù)據(jù)時(shí)的誤差也使得該類(lèi)樣本的數(shù)據(jù)質(zhì)量較另外2類(lèi)樣本略差一些?？傊?，在有監(jiān)督機(jī)器學(xué)習(xí)領(lǐng)域，數(shù)據(jù)集的質(zhì)量對(duì)分類(lèi)模型的性能有著顯著的影響，本研究所進(jìn)行的試驗(yàn)也遵循這一規(guī)律。

根據(jù)上述分類(lèi)結(jié)果，通過(guò)計(jì)算2.3節(jié)給出的各項(xiàng)模型評(píng)價(jià)指標(biāo)，可綜合評(píng)價(jià)模型性能，計(jì)算結(jié)果如表5所示。

分析表5可知，就每一類(lèi)樣本的分類(lèi)準(zhǔn)確率而言，模型對(duì)奶牛的基本靜止行為具有最高的分類(lèi)準(zhǔn)確率98.85%，對(duì)奶牛隨機(jī)運(yùn)動(dòng)的分類(lèi)準(zhǔn)確率為96.09%，對(duì)奶牛爬跨行為的分類(lèi)準(zhǔn)確率為92.67%。奶牛爬跨行為樣本較前兩類(lèi)樣本的分類(lèi)準(zhǔn)確率略低，其原因在于奶牛的爬跨行為會(huì)使身體高度突然改變，對(duì)Wi-Fi信號(hào)的CSI序列有著十分顯著的影響，對(duì)此類(lèi)樣本的捕獲以及標(biāo)注工作難以做到十分精確。在實(shí)際場(chǎng)景中，采集奶牛的爬跨行為樣本時(shí)，很難保證其他奶牛保持絕對(duì)靜止。本研究在標(biāo)記此類(lèi)樣本時(shí)遵循“只要出現(xiàn)奶牛爬跨行為就將該類(lèi)樣本標(biāo)記為‘爬跨’類(lèi)別”的原則，因此該類(lèi)樣本動(dòng)作具有一定的復(fù)雜性，樣本中有可能還包含有其他奶牛的隨機(jī)運(yùn)動(dòng)等因素，但爬跨動(dòng)作對(duì)于CSI序列的影響是主要因素。由于所采用的深度學(xué)習(xí)模型建立在對(duì)數(shù)據(jù)的統(tǒng)計(jì)學(xué)習(xí)基礎(chǔ)之上，在一定數(shù)量樣本的訓(xùn)練下，能夠確保模型在測(cè)試集上獲得較高的分類(lèi)性能即可滿(mǎn)足應(yīng)用需求。隨著此類(lèi)樣本數(shù)量的進(jìn)一步擴(kuò)充和數(shù)據(jù)集質(zhì)量的不斷提高，模型對(duì)該類(lèi)樣本的分類(lèi)準(zhǔn)確率可進(jìn)一步提高，但很難達(dá)到100%的分類(lèi)準(zhǔn)確率。

表5 模型評(píng)價(jià)結(jié)果

從整個(gè)模型的綜合性能來(lái)看，模型的Kappa系數(shù)為0.943 1。對(duì)照2.3節(jié)給出的評(píng)價(jià)等級(jí)，模型對(duì)測(cè)試集上各類(lèi)樣本的分類(lèi)結(jié)果與樣本的真實(shí)結(jié)果“幾乎一致”，獲得了較高性能。

4 結(jié) 論

本研究基于當(dāng)前生產(chǎn)環(huán)境中普遍存在的Wi-Fi網(wǎng)絡(luò)，利用無(wú)線(xiàn)網(wǎng)絡(luò)連接中端口物理層的信道狀態(tài)信息（Channel State Information, CSI）序列數(shù)據(jù)構(gòu)建了奶牛爬跨行為檢測(cè)與識(shí)別系統(tǒng)，為基于Wi-Fi信號(hào)的無(wú)線(xiàn)感知技術(shù)在農(nóng)業(yè)信息化領(lǐng)域的應(yīng)用提供了基本的技術(shù)架構(gòu)，給出了數(shù)據(jù)采集、預(yù)處理、分類(lèi)模型訓(xùn)練以及模型評(píng)價(jià)等方面的具體方案。本研究的主要結(jié)論如下：

1）在Wi-Fi信號(hào)能夠正常傳播的養(yǎng)殖棚舍環(huán)境下，通過(guò)利用普通的網(wǎng)絡(luò)設(shè)備可部署數(shù)據(jù)采集系統(tǒng)，構(gòu)建基于CSI序列信號(hào)的感知系統(tǒng)，通過(guò)信號(hào)跳變檢測(cè)和人工標(biāo)記，共采集到包含3類(lèi)奶牛動(dòng)作的CSI序列片段8 127個(gè)并構(gòu)建了數(shù)據(jù)集。

2）設(shè)計(jì)了一個(gè)具有8層網(wǎng)路結(jié)構(gòu)的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Long Short Term Memory, LSTM），其中的4層LSTM隱層分別含有150、125、100和80個(gè)細(xì)胞單元，通過(guò)設(shè)定初始學(xué)習(xí)率為0.001，最大訓(xùn)練輪數(shù)為50和每批次訓(xùn)練樣本數(shù)為13等關(guān)鍵參數(shù)，以數(shù)據(jù)集中的5 630個(gè)樣本作為訓(xùn)練集，以Adam優(yōu)化器進(jìn)行優(yōu)化，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到多分類(lèi)模型。

3）所得模型在2 497個(gè)樣本構(gòu)成的測(cè)試集上可獲得96.67%的總體分類(lèi)準(zhǔn)確率，模型Kappa系數(shù)為0.943 1，具備良好的分類(lèi)效果。

本研究構(gòu)建的系統(tǒng)僅僅利用了CSI序列信號(hào)的振幅特性。實(shí)際上，CSI序列信號(hào)中的頻率變化、相位變化以及信號(hào)時(shí)延等屬性也包含著豐富的環(huán)境變化信息，能夠更加細(xì)膩地表征物理環(huán)境的變化，實(shí)現(xiàn)諸如對(duì)動(dòng)物呼吸、咀嚼、反芻等細(xì)微動(dòng)作的感知，這也是本研究需要繼續(xù)深入的研究方向。

[1] 田富洋，王冉冉，宋占華，等. 奶牛發(fā)情行為的檢測(cè)研究[J]. 農(nóng)機(jī)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(fā)情行為的監(jiān)測(cè)研究現(xiàn)狀及進(jìn)展[J]. 畜牧與獸醫(yī)，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(yùn)用計(jì)步器對(duì)北方地區(qū)荷斯坦奶牛妊娠后期活動(dòng)量進(jìn)行控制的研究[J]. 黑龍江畜牧獸醫(yī)，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(wú)線(xiàn)檢測(cè)系統(tǒng)研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，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(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，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(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，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(wú)線(xiàn)感知技術(shù)的豬呼吸頻率監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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(qiáng)，王維蘭，等. 基于Wi-Fi無(wú)線(xiàn)感知技術(shù)的奶牛爬跨行為識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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(xué)中央高校基本科研業(yè)務(wù)費(fèi)項(xiàng)目（31920170149）；西北民族大學(xué)甘肅省一流學(xué)科引導(dǎo)專(zhuān)項(xiàng)資金（11080305）；國(guó)家民委創(chuàng)新團(tuán)隊(duì)計(jì)劃資助（〔2018〕98號(hào)）；國(guó)家自然科學(xué)基金項(xiàng)目“面向多流行學(xué)習(xí)的譜聚類(lèi)方法及其在運(yùn)動(dòng)分割中的應(yīng)用研究”（61866033）；國(guó)家自然科學(xué)基金項(xiàng)目“基于健康流數(shù)據(jù)的健康演進(jìn)趨勢(shì)識(shí)別與實(shí)時(shí)狀態(tài)評(píng)測(cè)關(guān)鍵技術(shù)研究（61562075）；甘肅省高等學(xué)校創(chuàng)新基金項(xiàng)目（2020B-069）

郝玉勝，講師，主要從事農(nóng)業(yè)信息化，智能信息處理研究。Email：daryhao@126.com

林強(qiáng)，博士，副教授，主要從事普適計(jì)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