一种基于声学分析的羊反刍行为监测方法技术

本发明专利技术公开了一种基于声学分析的羊反刍行为监测方法，有助于羊的健康预警，建立智能化养殖模式。它包括以下步骤：(1)下位机实时读取声音信号；(2)以δ为时间间隔，下位机对原始声音信号进行预处理、识别，统计该时间段内羊的反刍次数及反刍行为持续时间；(3)下位机每24小时将统计的信息上传至上位机服务器，上位机服务器将数据存储至数据库中，并根据当日羊信息判断羊只是否处于健康状态，若判断羊处于非健康状态，上位机服务器将该羊编号以短信方式发送至羊场管理员手机。

【技术实现步骤摘要】
一种基于声学分析的羊反刍行为监测方法
本专利技术涉及动物声学分析、传感器技术、无线传输技术、自动化控制
具体讲一种基于智能穿戴设备实时采集、分析羊反刍行为的方法，此方法可对羊的健康状况波动进行提前预警。
技术介绍
反刍行为是羊的一个重要消化生理特征，它与羊的健康和生产性能都有一定关系，是衡量羊健康状况的一个重要指标。反刍行为是指反刍动物在食物消化前将食进的食物再逆出、咀嚼，然后吞咽的连续动作，羊反刍行为发生的次数或持续时间的减少被解释为压力、焦虑、疾病的指标，而反刍行为发生的次数或持续时间的增加与更多的唾液分泌和改善瘤胃健康相关。羊的反刍行为发生时间不固定，分布在一天中的不定阶段，在放牧状态下，由于羊的分布范围较广，此阶段发生的反刍行为难以被监测。目前无线通信及传感器技术已经在农业生产领域中得到广泛应用，在无线通信技术的支撑下，可以远程采集羊声音数据，利用声学分析技术自动检测羊各时间段内发生的反刍行为。无线录音技术快速发展，利用小巧的无线声音传感器可以实时地将羊各状态下产生的声音信号传回到下位机进行处理分析。
技术实现思路
(一)要解决的技术问题本专利技术要解决的技术问题是实现羊反刍行为的精准监测，推动羊的福利化、精细化养殖。(二)本专利技术的技术方案是为解决上述问题，本专利技术提出一种基于声学分析的羊反刍行为监测方法，其特征在于它包括以下步骤(S1至S5)：S1、无线声音传感器实时采集羊各状态下的长时声音信号L(t)，将长时声音信号L(t)传输到下位机。S2、下位机设置运算间隔为δ，对前一时间段内获取的长时声音信号进行预处理、端点检测、反刍行为识别。S2-1、导入长时声音信号L(t)，应用最小均方差对数谱幅度(MMSE-LSA)算法对L(t)进行预处理降噪，预处理降噪后得到的纯净长时信号记为L′(t)；S2-2、对L′(t)进行分帧、加窗处理，将纯净长时声音信号L′(t)分为一帧一帧的短时信号，计算每帧短时信号的短时能量和短时过零率；短时能量的计算公式为：式(1)中，En为短时能量，h(n)＝ω(n)2，ω(n)2表示窗口函数；短时过零率的计算公式为：式(2)中，sgn[x]是符号函数，即：S2-3、基于上述短时能量和短时过零率将纯净长时声音信号L′(t)分割为静默声音样本和非静默声音样本，设置非静默声音样本集合为C(n)，C(n)中存在羊的多种行为信息，包括：咬断牧草声音信号、咀嚼牧草声音信号、反刍回流声音信号、反刍咀嚼声音信号、反刍吞咽声音信号、非加性噪声信号；S2-4、提取非静默声音样本集合中每个声音信号的重构动态差分小波-梅尔倒谱系数(PDW-MFCC)；步骤S2-4中，提取PDW-MFCC的步骤包括：S2-4-1、对非静默声音样本集合C(n)中的每个声音样本进行预加重、分帧、加窗处理，预加重对声音在高频部分的损失进行补偿，分帧将连续的声信号分割为短时信号，加窗降低频谱泄露，增强信号之间的连续性，其本质是在声音信号交叠分帧的基础上再乘以一个窗函数；本专利技术选用汉明窗作为窗函数，其表达式为：H(z)＝1-αz-1，0.9≤α≤1.0(4)式(4)中α表示预加重系数，此处α取0.93；式(5)中，N为窗长；S2-4-2、对非静默声音样本集合C(n)中的声音样本进行离散小波变换得到频谱函数W(j，k)；W(j，k)的定义为：式(6)中a、j是尺度因子；b、k是位移因子；ψ(t)是小波函数，ψ*(t)是ψ(t)的共轭形式；S2-4-3、基于离散小波变换得到的频谱函数W(j，k)，通过由16个三角滤波器组成的滤波器组进行平滑并消除谐波；三角滤波器的频率响应定义为：式(7)中，S2-4-4、计算每个滤波器组输出的对数能量ds(m)，计算公式为：S2-4-5、离散余弦变换(DCT)可以将ds(m)映射到倒谱域，计算W_MFCC参数，其定义为：S2-4-5、提取W_MFCC动态差分参数(包括一阶差分和二阶差分)记为DW-MFCC，差分参数的计算公式为：式(4)中，dt表示第t个一阶差分，Ct表示第t个倒谱系数；S2-4-6、将W_MFCC与DW-MFCC合并为一个矩阵，对此矩阵进行PCA降维，取累计贡献率在85％以上的特征向量构成PDW-MFCC作为特征参数。S2-5、基于长短时记忆(LSTM)算法构建羊反刍行为识别模型，自动识别出反刍回流事件及反刍咀嚼事件的发生，并上述两事件统计反刍行为发生次数及反刍行为持续时间；步骤S2-5中，羊反刍行为识别模型构建的步骤包括：S2-5-1、识别开始；S2-5-2、基于声音样本数据集提取的PDW-MFCC特征，通过设置训练集、验证集、测试集，得到表现出色的LSTM分类器；S2-5-3、LSTM分类器使用过程中，首先提取声音样本的PDW-MFCC特征，送入至LSTM模型中，经由参数运算获得ht输出；LSTM分类器的具体计算公式为(11)至(16)：ft＝σ(Wf[ht-1，PDW_MFCCt]+bf)(11)it＝σ(Wi[ht-1，PDW_MFCCt]+bi)(12)ot＝σ(Wo[ht-1，PDW_MFCCt]+bo)(15)ht＝-ot*tanh(Ct)(16)S2-5-4、ht可经由SoftMax层转换为各类别的预测概率值，选择概率值最高的类别作为预测类别；S2-5-5、记录反刍回流、反刍咀嚼声音信号的发生位置，定义反刍回流发生开始至其所伴随的反刍咀嚼事件全部结束为一次反刍行为，每成功识别一次完整的反刍行为，反刍次数累加器数值增1，反刍持续时间累加器记录此次反刍行为的发生持续时间。S3、下位机以δ为计算周期，通过无线链路将反刍次数累加器及反刍持续时间累加器记录的本次计算过程中的数据传输至上位机进行保存，上位机服务器接收下位机发送的反刍次数及反刍行为持续时间值并记录在羊反刍行为数据库中。S4、上位机服务器以24小时为周期，从数据库中提取前24小时内获取的反刍次数及反刍行为持续时间数据，形成反刍次数序列RT与反刍行为持续时间序列RD，RT＝{rt1，rt2，rt3...，rtn}，RC＝{rc1，rc2，rc3...，rcn}，其中上位机服务器针对序列RT与RD计算羊在前24小时内的反刍次数与反刍行为持续时间。S5、上位机服务器对羊反刍次数与反刍行为持续时间信息进行保存与分析，基于日反刍次数、日反刍次数变化、日反刍行为持续时间、日反刍行为持续时间变化百分比建立逻辑回归方程对羊健康状况进行判断，当判断为非健康状态时，上位机服务器将羊只编号以短信方式发送至羊场管理员手机。步骤S5中，利用逻辑回归分析方法处理日反刍次数、日反刍次数变本文档来自技高网...

【技术保护点】
1.一种基于声学分析的羊反刍行为监测方法，其特征在于它包括以下步骤(S1至S5)：/nS1、无线声音传感器实时采集羊各状态下的长时声音信号L(t)，将长时声音信号L(t)传输到下位机。/nS2、下位机设置运算间隔为δ，对前一时间段内获取的长时声音信号进行预处理、端点检测、反刍行为识别。/nS2-1、导入长时声音信号L(t)，应用最小均方差对数谱幅度(MMSE-LSA)算法对L(t)进行预处理降噪，预处理降噪后得到的纯净长时信号记为L′(t)；/nS2-2、对L′(t)进行分帧、加窗处理，将纯净长时声音信号L′(t)分为一帧一帧的短时信号，计算每帧短时信号的短时能量和短时过零率；/n短时能量的计算公式为：/n

【技术特征摘要】
1.一种基于声学分析的羊反刍行为监测方法，其特征在于它包括以下步骤(S1至S5)：
S1、无线声音传感器实时采集羊各状态下的长时声音信号L(t)，将长时声音信号L(t)传输到下位机。
S2、下位机设置运算间隔为δ，对前一时间段内获取的长时声音信号进行预处理、端点检测、反刍行为识别。
S2-1、导入长时声音信号L(t)，应用最小均方差对数谱幅度(MMSE-LSA)算法对L(t)进行预处理降噪，预处理降噪后得到的纯净长时信号记为L′(t)；
S2-2、对L′(t)进行分帧、加窗处理，将纯净长时声音信号L′(t)分为一帧一帧的短时信号，计算每帧短时信号的短时能量和短时过零率；
短时能量的计算公式为：



式(1)中，En为短时能量，h(n)＝ω(n)2，ω(n)2表示窗口函数；
短时过零率的计算公式为：



式(2)中，sgn[x]是符号函数，即：



S2-3、基于上述短时能量和短时过零率将纯净长时声音信号L′(t)分割为静默声音样本和非静默声音样本，设置非静默声音样本集合为C(n)，C(n)中存在羊的多种行为信息，包括：咬断牧草声音信号、咀嚼牧草声音信号、反刍回流声音信号、反刍咀嚼声音信号、反刍吞咽声音信号、非加性噪声信号；
S2-4、提取非静默声音样本集合中每个声音信号的重构动态差分小波-梅尔倒谱系数(PDW-MFCC)；
步骤S2-4中，提取PDW-MFCC的步骤包括：
S2-4-1、对非静默声音样本集合C(n)中的每个声音样本进行预加重、分帧、加窗处理，预加重对声音在高频部分的损失进行补偿，分帧将连续的声信号分割为短时信号，加窗降低频谱泄露，增强信号之间的连续性，其本质是在声音信号交叠分帧的基础上再乘以一个窗函数；
本发明选用汉明窗作为窗函数，其表达式为：
H(z)＝1-αz-1，0.9≤α≤1.0(4)



式(4)中α表示预加重系数，此处α取0.93；式(5)中，N为窗长；
S2-4-2、对非静默声音样本集合C(n)中的声音样本进行离散小波变换得到频谱函数W(j，k)；
W(j，k)的定义为：



式(6)中a、j是尺度因子；b、k是位移因子；ψ(t)是小波函数，ψ*(t)是ψ(t)的共轭形式；
S2-4-3、基于离散小波变换得到的频谱函数W(j，k)，通过由16个三角滤波器组成的滤波器组进行平滑并消除谐波；
三角滤波器的频率响应定义为：



式(7)中，
S2-4-4、计算每个滤波器组输出的对数能量ds(m)，计算公式为：



S2-4-5、离散余弦变换(DCT)可以将ds(m)映射到倒谱域，计算W_MFCC参数，其定义为：



S2-4-5、提取W_MFCC动态差分参数(包括一阶差分和二阶差分)记为DW-MFCC，差分参数的计算公式为：



式(4)中，dt表示第t个一阶差分，Ct表示第t个倒谱系数；
S2-4-6、将W_MFCC与DW-MFCC合并为一个矩阵，对此矩阵进行PCA降维，取累计贡献率在85％以上的特征向量构成PDW-MF...

【专利技术属性】
技术研发人员：陆明洲，段光辉，张生福，沈明霞，杨伟忠，梁钊董，姜春鑫，张海林，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：江苏;32