基于Wi-Fi无线感知技术的奶牛爬跨行为识别

郝玉胜，林 强，王维兰，郭 敏，逯玉兰

·农业信息与电气技术·

基于Wi-Fi无线感知技术的奶牛爬跨行为识别

郝玉胜1，林 强1※，王维兰2，郭 敏1，逯玉兰3

（1. 西北民族大学数学与计算机科学学院，兰州 730030；2. 西北民族大学中国民族信息技术研究院，兰州 730030；3. 甘肃农业大学信息科学技术学院，兰州 730070）

奶牛发情和爬跨行为之间存在着密切的联系，及时发现奶牛的爬跨行为是检测奶牛发情、提高养殖收益需要考虑的重要问题。为了在自然环境下可靠地检测奶牛的爬跨行为，同时避免引起应激反应，研究并提出基于Wi-Fi信号的奶牛爬跨行为检测与识别方法。首先，应用部署在日常生活环境中通用的Wi-Fi设备捕获奶牛的运动状态数据；其次，通过载波聚集、移动加权平均滤波对数据进行预处理；第三，基于局部离群因子LOF算法，实现信号跳变检测并以此为基础获取包含奶牛动作的信道状态信息（Channel State Information, CSI）序列片段；第四，设计并提取CSI序列片段的特征，构建了包含3类奶牛动作，共计8 127个样本的数据集；最后，基于长短时记忆网络（Long Short Term Memory, LSTM）构建奶牛行为识别模型。通过使用数据集中2 497个样本作为测试集检验提出的网络模型，检验结果表明，系统能够可靠地捕获包含奶牛动作的CSI序列片段，并以较高的准确率识别奶牛的爬跨行为。模型在测试集上对3类样本的总体分类准确率为96.67%，其Kappa系数为0.943 1，获得了较高的性能。研究结果将基于Wi-Fi信号的无线感知技术引入农业信息化领域，扩展了动物行为监控的技术手段，为无线传感技术在农业智能化方面的应用提供参考。

畜牧业；奶牛；算法；爬跨行为；Wi-Fi无线感知；信道状态信息

0 引 言

奶牛养殖产业是中国畜牧产业的重要组成部分，及时检测奶牛的发情行为是奶牛养殖中极为重要的工作任务。研究表明，爬跨和接受其他奶牛爬跨是奶牛发情时的重要行为特征[1]。奶牛在发情期内活动量增加，爬跨和接收爬跨的表现十分明显[2]。因此，根据奶牛的爬跨和发情行为之间的内在联系，准确检测奶牛的爬跨行为，可以及时获得奶牛发情的关键信息。

总结分析现有的研究成果，可将动物行为检测的方法大致归为3类，人工观察记录法、穿戴式检测法和非接触式无损检测法。其中，人工方法人力成本高，效率低，同时存在主观性强、精度较低等不足；穿戴式方法利用植入或穿戴在被测动物身上的传感器获取监测数据进而用于行为识别。蒋晓新[3]基于计步器对妊娠期奶牛步履数和活动量进行研究；Sakaguchi等[4]利用安装在荷斯坦奶牛腿部或颈部的传感器检测其发情行为；刘忠超等[5]基于阴道植入式传感器，通过感知奶牛阴道粘液的电阻变化实现奶牛发情行为的检测。虽然基于穿戴设备的检测方法具有较高的精度，但设备部署成本高，且需要在动物身上植入或佩戴相关感知设备，容易导致应激反应，有损动物福利。随着无线传感技术的进步，非接触式动物行为无损检测技术得以发展。由于无需接触动物身体，非接触式检测方法能够有效增进动物福利，提高管理效率。Tom等[6]和赵凯旋[7]基于图像处理技术分别对奶牛的跛足行为和呼吸率进行监测；何东健[8]利用视频分析技术对犊牛行为进行识别。基于视频图像处理的检测技术应用非常广泛，但需要较好的光照条件，相关设备的部署成本也不低。近年来，利用红外、声波、射频识别技术（Radio Frequency Identification, RFID）、光信号等作为传感介质的非接触式行为检测技术得到学界的关注。Maher等[9]基于红外温度仪对牛跛足行为进行检测；Felix等[10]利用超高频射频技术对猪只行为进行监控；逯玉兰等[11]基于Wi-Fi信号对猪的呼吸频率进行监测等。

基于Wi-Fi信号的感知技术在人体定位[12-13]、动作识别[14-15]、身份鉴别[16-17]等方面的良好性能和低成本优势，本研究致力于基于Wi-Fi信号的奶牛爬跨行为检测和识别技术，以期将基于Wi-Fi信号的无线感知技术推广到动物行为检测和识别领域。利用日常生活中常见的网络设备，通过一台无线路由器和一台装配有Intel 5300无线网卡的计算机构建了Wi-Fi信号的信道状态信息采集系统；通过人工标记包含3类奶牛动作的8 127个CSI序列样本，训练了一个具有8层网路结构的长短时记忆网络（Long Short Term Memory, LSTM）分类器。试验结果表明分类器在测试集上的分类效果较好，能够获得较高的性能。

1 材料与方法

1.1 基于Wi-Fi信号的感知原理

Wi-Fi信号是一种射频信号，其信道特性主要由传输媒介所决定。信号从发射端传播到接收端的过程中会受到环境变化的干扰，使得接收信号较发射信号产生一定的衰落。在大多数情况下，传输Wi-Fi信号的电磁环境是时刻变化的，当发射端和接收端之间存在物体时，物体运动变化会显著改变Wi-Fi信号的传播环境，使其产生多径效应。一般而言，Wi-Fi信号发射端和接收端之间存在一条视距无线传输（Line of Sight, LOS），同时也存在多条因信号被物体反射而产生的反射路径（图1）。

图1 Wi-Fi信号传播路径

假设发射端发送的信号为单一频率的正弦波，如式（1）所示：

由于()和()都是相互独立的随机变量。根据中心极限定理，当足够大时，()和()都趋于正态分布，其均值为0，方差相等，因此()也可以表示为式（5）

由于包络服从瑞利分布，故称其为瑞利信道模型。如果能够实时获取瑞利模型中载波的振幅、相位以及时延信息，就可据此分析Wi-Fi信号的信道变化情况，由于信道变化是由环境变化引起的，因此可以根据Wi-Fi信号的信道变化进一步“推测”环境中发生的变化，实现对环境的“感知”。

1.2 信道状态信息（CSI）

根据IEEE 802.11 a/g/n标准[18]，Wi-Fi信号从发射端传输到接收端的过程中，为了保障通信质量，在规定的频率区间内，信号被划分为不同频率的子载波，每个子载波可能会沿着不同的传输路径到达接收端。网络物理层（Physical Layer, PHY）的信道状态信息（Channel State Information, CSI）正是衡量每个子载波传输状态的指标[19]。具体来说，CSI指标中包含了每一个载波在传输过程中的时延、振幅衰减、相位变化等信息，通过分析和探究CSI序列数据中的这些信息的具体变化，可以推断并表征信号在传播过程中发生的真实物理环境的变化。在频域上，多输入多输出（Multiple Input Multiple Output, MIMO）系统的窄带平坦衰落模型[20]可表示如式（6）所示

=+（6）

式中为接收到的信号向量；为发射信号向量；为噪声；为信道矩阵，表示发射信号通过物理空间传播变换为接收信号的过程中，物理环境对信号所施加的影响，即信号的变换矩阵。式（6）中的可采用式（7）来估算。

事实上，CSI是对的一种估计。在正交频分多路复用（Orthogonal Frequency Division Multiplexing, OFDM）通信系统中，每一对天线之间形成一个无线电波束，每个波束中包含若干个子载波，每一个子载波的CSI值可用式（8）来表示。

1.3 信道状态信息（CSI）序列数据格式

在Linux平台下，通过使用Intel 5300无线网卡的开源驱动程序可实时捕获CSI序列数据[21]。CSI序列数据是由一系列在时序上连续、大小为N×N×30的矩阵构成。其中，N为发射端天线的数量；N为接收端天线数量；根据IEEE 802.11 a/g/n标准[18]，数字30表示在2.4 GHz的OFDM通信系统中，每个发射天线和接收天线之间的无线电波束中包含30个子载波。本研究设计的系统中，信号发射端选用配备有1个发射天线的Tenda W3003R路由器，信号接收端选用安装有Intel 5300无线网卡的ThinkPad X200便捷式计算机，无线网卡默认配备有3个信号接收天线，采集到的CSI数据为1×3×30的矩阵，如式（9）所示：

1.4 信道状态信息（CSI）序列数据预处理

1.4.1 载波聚集

在不考虑频率分布的情况下，可采用合适的聚集算法将同一波束中的30个子载波聚集为一路信号。本研究依据式（10）所示的算法实现载波聚集[22]。

波束聚集操作减少了载波数量，但忽略了CSI序列信号中的频率分布信息，本研究利用聚集后的三路CSI序列信号完成信号的跳变检测。

1.4.2 移动加权平均滤波

式中的取值决定了当前时间槽内的CSI信号跟过去多少个相邻时间槽相关。试验表明，奶牛的爬跨行为对CSI序列信号影响最为剧烈的时刻是在奶牛抬起前蹄，做出爬跨动作，身体高度迅速改变的那一瞬间，持续时间在2～5 s之间。因此，在进行信号跳变检测时所选窗口大小应当适用于“凸显”信号片段中对应的奶牛爬跨动作，系统选用大小为5 s的时间窗口对CSI载波数据进行上述处理。

1.4.3 信号跳变检测

CSI信号是时间连续的序列，该序列中只有部分片段包含了奶牛的行为动作。因此，确定这些“蕴含”奶牛动作的CSI序列片段的起始和结束时刻是系统首先要解决的问题之一。

经过分析观察，当奶牛群体中的一个或若干奶牛随机运动时，CSI序列信号的振幅会产生明显变化，但幅度较小；当奶牛群体存在爬跨行为时，奶牛身体高度的陡然增加会使CSI序列出现短暂的“尖峰”片段。信号跳变检测模块的设计目的在于准确界定这些包含奶牛动作的CSI序列片段在整个序列中的起始和结束位置。

假设奶牛静止站立时的状态为“稳定状态”，以此为基础构建了稳定的CSI序列信号配置文件。然后通过应用局部离群因子LOF算法，捕获CSI信号序列的跳变。

式中N()表示样本点的邻域集合，|N()|为集合的大小，即邻域点的个数，|N()|≥；reach−dist(,)表示点到点的可达距离，其至少是点的第距离，定义如式（15）所示：

式中−dist()称之为第距离，即距离点第远的点与点之间的距离；(,)表示点到点的真实距离。

点的离群因子LOF()定义为点的领域点N()的局部可达密度与点的局部可达密度之比的平均数，如式（16）所示：

上述比值越接近1，点及其邻域点的密度差越小，点及其邻域点越属于同一簇；如果上述比值＜1，说明点的密度高于其邻域的点密度，点为密集点；如果上述比值＞1，点的密度小于其邻域点密度，点为异常点。

利用式（11）给出的三路聚集信号，将3个波束在不同时间槽内的CSI样本数据作为“点”输入到LOF()函数中，得到3个LOF值，即LOFA、LOFB和LOFＣ。当3个波束中同时出现局部离群因子，也就是说LOFA、LOFＢ和LOFＣ同时＞1时，系统认为CSI序列信号中存在跳变，即奶牛开始活动；当活动持续一段时间，3个LOF值不满足同时＞1的条件时，认为奶牛活动结束，系统保存这2个时间点之间的CSI信号序列片段。显然，这些片段中“蕴含”着奶牛的实际动作。

图2中时间槽1所示的部分，只有天线A波束的LOFA值＞1，天线B、C的LOF值均＜1，系统判定信号不存在跳变。在时间槽2和3内，3个天线的LOF值同时＞1，系统判定信号存在跳变，此时需要持续跟踪信号序列，直到跳变结束并保存CSI序列片段。

注：t1、t2和t3表示3个不同的时间槽，信号跳变检测模块通过计算每个时间槽内A、B、C 3个天线上的LOF值，即LOFA、LOFB和LOFC，以此判断信号是否存在跳变。

2 基于机器学习的奶牛行为识别

2.1 数据集

训练分类模型，首先需要构建可用的数据集。利用信号跳变检测模块，通过特征提取和人工标注一定数量的CSI序列片段，最终形成可用于训练序列序列信号分类模型的数据集。

2.1.1 信道状态信息（CSI）序列特征提取

针对每一个采集到的CSI序列片段，系统从10个维度提取其特征，以满足训练分类器的需要，提取的10个特征如表1所示。

表1 信道状态信息（CSI）序列片段特征

2.1.2 构建奶牛行为数据集

有监督机器学习方法对于模型的训练严重依赖于数据集。针对一个小的养殖群体（5头奶牛）的运动情况，系统对奶牛群体中一个或多个个体的3类运动状态采集并人工标注了8 127个CSI序列片段。其中，每头奶牛基本静止时（共同进食、饮水时）采集的CSI序列片段2 667个；有一头或多头奶牛随机运动时（随机走动、躺卧、嬉戏等）采集的CSI序列片段4 557个；群体中有奶牛存在爬跨行为时采集的CSI序列903个。每个CSI序列片段持续时间在2～15 s之间。

表2 数据集样本分布

在机器学习领域，典型的做法是将数据集中的一部分样本用于训练分类模型，另一部分样本用来测试训练后模型的性能。对训练集和测试集的划分，领域内并无固定的标准，只有若干指导原则，比如留出法、K折交叉验证法、留一法、自助法等。由于数据集规模适中，本研究根据留出法提供的指导原则，将数据集的70%用作训练集，剩余30%用作测试集。因此，整个数据集中的5 630个CSI序列片段构成训练集，另外2 497个CSI序列片段构成测试集。数据集样本分布如表2所示。

2.2 基于长短时记忆网络（LSTM）的序列分类模型

长短时记忆（Long Short Term Memory，LSTM）是面向时间序列的递归神经网络模型[25]，其包含一个记忆模型，用于对时间序列问题中的时间依赖性进行建模，能够有效解决长序列训练过程中梯度消失和梯度爆炸的问题。LSTM的核心在于细胞（cell）以及穿过细胞的信息流，整个网络由一系列细胞构成，单个LSTM细胞结构如图3所示。

信息从细胞中穿过，通过“门”结构实现对信息的删除或添加。门可以实现选择性地让信息通过，主要通过Sigmoid函数和一次逐点相乘操作来实现。其中，遗忘门决定哪些信息可以继续通过当前细胞；传入门决定让多少信息加入到细胞状态中；输出门求得LSTM的细胞输出。

基于LSTM的CSI序列分类模型，可实现奶牛行为的分类任务。具体而言，构建了一个包含8层网络结构的LSTM深度网络，其中输入层直接处理每个CSI序列片段的10维特征；网络共有4层LSTM隐层，每层分别含有150、125、100和80个LSTM细胞单元；之后紧接全连接层以及Softmax层；网络的最后是根据Softmax层的概率分布做出决策的分类决策层。整个模型的网络结构如图4所示。

注：Ct-1为t-1时刻的细胞状态，Ct为t时刻的细胞状态，为新的候选值；ht-1为上一个细胞的输出，ht为当前细胞的输出；xt为输入当前细胞的信息；σ为激活函数Sigmoid；tanh为激活函数；表示逐点相加操作，表示逐点相乘操作；遗忘门、输入门和输出门都会对输入信息ht-1和xt执行一些操作，其中间结果分别为ft、it和Ot，这些结果用来决定当前细胞应该删除、更新和输出什么信息。

注：输入层处理信道状态信息（CSI）序列片段的10个特征，即F1、F2、……、F10。P1、P2和P3表示输入序列被模型识别为各个类别（基本静止、随机走动和爬跨）的概率。

模型在训练时采用Adam优化器进行优化，最大训练轮数设置为50，每批次送入模型的样本数设置为13，初始化学习率设置为0.001。系统训练时的关键参数如表3所示。

模型利用训练集中的5 630个样本，根据表3所示的参数设置，共迭代训练21 653次。对训练得到的模型，采用测试集中的2 497个样本进行测试，通过计算各项评价指标衡量其性能。

2.3 模型评价指标

系统共涉及到基本静止、随机运动及爬跨3种奶牛行为，二分类问题中常用的查准率（precision）、查全率（recall）、F1-Score等指标并不适用于评价多分类模型。基于模型在测试集上分类结果，可通过计算总体分类准确率（Accuracy）以及Kappa系数来评价多分类模型的性能。

多分类模型的总体分类准确率（Accuracy）定义如式（17）所示

式中为样本的类别数，M为模型准确预测的第类样本的数量，为所有样本的数量。

表3 模型关键参数

Kappa系数定义如式（18）所示

式中0表示总体分类准确率（Accuracy）；e按照式（19）进行计算。

式中为所有样本数量，M为模型准确预测的第类样本的数量，N为第类样本的实际数量。

Kappa系数能够有效地评价多分类模型的有效性。值为0～0.2时，模型有效性“极低”；值为0.2～0.4时，模型有效性“一般”；值为0.4～0.6时，模型有效性“中等”；值为0.6～0.8时，模型“高度”有效；值为0.8～1.0时，模型与实际情况“几乎一致”。

3 结果与分析

3.1 实证试验及结论

系统首先按照图5所示的场景部署，在实验室内组织志愿者进行实证试验，通过随机组织5～15名志愿者构成一个小的聚集群体，采集了该群体在做出3种不同类型动作时的CSI序列片段。

图5 实证试验场景

通过对1 400段CSI序列片段的分析和观测，得到如下结论：

1）被测对象的不同动作行为，会使CSI序列发生不同的变化，信号振幅呈现出不同的变化模式（图5）。

2）大多数载波因被测对象运动状态的变化而发生变化，呈现出相同的变化趋势（图6）。

3）一个波束内的子载波存在相关性，相邻的子载波相关性更强（图7）。

图6 波束中各子载波变化趋势

图7 波束中的各个子载波相关性分析

3.2 奶牛行为识别试验设置

在约150 m2的养殖棚舍下，选用5头奶牛进行试验，完成数据的采集和标注工作。信号发射端和信号接收端被安置在奶牛活动区域两侧高度为1.8 m的支架上，发射端采用1个发射天线，接收端采用Intel 5300网卡默认的3个接收天线。近距离部署使得接收端能够成功捕获来自发射端的Wi-Fi信号。根据IEEE 802.11 a/g/n标准[18]，系统工作时，发射天线和接收天线之间形成一个1×3的多输入多输出（Multiple Input and Multiple Output, MIMO）无线通信系统。

系统工作在2.4 GHz频段，接收端在建立Wi-Fi连接后，首先通过ping命令向发射端以1 000 bytes/s的速度不断发送数据包，使得通信链路中存在源源不断的数据流。在接收端的Linux平台下调用Intel 5300无线网卡的开源驱动程序[21]实时捕获每一个子载波的CSI序列数据，数据以文件形式存储在接收端。

试验过程中无数据包丢失现象，试验所采用的数据采集方法稳定、可靠，试验场景如图8所示。

图8 试验场景

3.3 奶牛行为识别试验结果分析

测试集中共有2 497个测试样本，其中包含奶牛基本静止样本867个、奶牛随机运动样本1 357个、奶牛爬跨样本273个。通过将这3类样本输入模型进行检验，可得到模型的实际分类结果，如表4所示。

表4 模型分类混淆矩阵

表4中，每一行表示每一类样本的真实类别，每一列表示模型对样本的预测类别，分析表4可知：

1）模型对每一类样本中的绝大多数都能够正确分类，只有极少数样本的分类结果有误；

2）基本静止这一类样本中仅有10个样本被误判为随机运动，没有样本被识别为爬跨行为。爬跨行为这一类样本仅有20个样本被误判为随机运动，没有样本被识别为基本静止。可见，模型能够100%地区分基本静止和爬跨两类样本，不会将二者混淆。

3）对于1 357个随机运动样本，有1 304个样本被正确分类。模型仅将其中40个样本误判为基本静止，将13个样本误判为爬跨。可能的原因有：第一，对“随机运动”的定义略显宽泛，即将奶牛的随机走动、躺卧、嬉戏等行为均定义为随机运动。奶牛嬉戏时的剧烈运动对信号的影响可能与爬跨行为带来的影响相仿，所采集的CSI序列片段有可能被识别为爬跨行为；奶牛的轻微走动对信号的影响并不剧烈，所采集的CSI序列片段有可能被识别为基本静止。第二，人工标注数据时的误差也使得该类样本的数据质量较另外2类样本略差一些。总之，在有监督机器学习领域，数据集的质量对分类模型的性能有着显著的影响，本研究所进行的试验也遵循这一规律。

根据上述分类结果，通过计算2.3节给出的各项模型评价指标，可综合评价模型性能，计算结果如表5所示。

分析表5可知，就每一类样本的分类准确率而言，模型对奶牛的基本静止行为具有最高的分类准确率98.85%，对奶牛随机运动的分类准确率为96.09%，对奶牛爬跨行为的分类准确率为92.67%。奶牛爬跨行为样本较前两类样本的分类准确率略低，其原因在于奶牛的爬跨行为会使身体高度突然改变，对Wi-Fi信号的CSI序列有着十分显著的影响，对此类样本的捕获以及标注工作难以做到十分精确。在实际场景中，采集奶牛的爬跨行为样本时，很难保证其他奶牛保持绝对静止。本研究在标记此类样本时遵循“只要出现奶牛爬跨行为就将该类样本标记为‘爬跨’类别”的原则，因此该类样本动作具有一定的复杂性，样本中有可能还包含有其他奶牛的随机运动等因素，但爬跨动作对于CSI序列的影响是主要因素。由于所采用的深度学习模型建立在对数据的统计学习基础之上，在一定数量样本的训练下，能够确保模型在测试集上获得较高的分类性能即可满足应用需求。随着此类样本数量的进一步扩充和数据集质量的不断提高，模型对该类样本的分类准确率可进一步提高，但很难达到100%的分类准确率。

表5 模型评价结果

从整个模型的综合性能来看，模型的Kappa系数为0.943 1。对照2.3节给出的评价等级，模型对测试集上各类样本的分类结果与样本的真实结果“几乎一致”，获得了较高性能。

4 结 论

本研究基于当前生产环境中普遍存在的Wi-Fi网络，利用无线网络连接中端口物理层的信道状态信息（Channel State Information, CSI）序列数据构建了奶牛爬跨行为检测与识别系统，为基于Wi-Fi信号的无线感知技术在农业信息化领域的应用提供了基本的技术架构，给出了数据采集、预处理、分类模型训练以及模型评价等方面的具体方案。本研究的主要结论如下：

1）在Wi-Fi信号能够正常传播的养殖棚舍环境下，通过利用普通的网络设备可部署数据采集系统，构建基于CSI序列信号的感知系统，通过信号跳变检测和人工标记，共采集到包含3类奶牛动作的CSI序列片段8 127个并构建了数据集。

2）设计了一个具有8层网路结构的长短时记忆网络（Long Short Term Memory, LSTM），其中的4层LSTM隐层分别含有150、125、100和80个细胞单元，通过设定初始学习率为0.001，最大训练轮数为50和每批次训练样本数为13等关键参数，以数据集中的5 630个样本作为训练集，以Adam优化器进行优化，对网络进行训练，得到多分类模型。

3）所得模型在2 497个样本构成的测试集上可获得96.67%的总体分类准确率，模型Kappa系数为0.943 1，具备良好的分类效果。

本研究构建的系统仅仅利用了CSI序列信号的振幅特性。实际上，CSI序列信号中的频率变化、相位变化以及信号时延等属性也包含着丰富的环境变化信息，能够更加细腻地表征物理环境的变化，实现诸如对动物呼吸、咀嚼、反刍等细微动作的感知，这也是本研究需要继续深入的研究方向。

[1] 田富洋，王冉冉，宋占华，等. 奶牛发情行为的检测研究[J]. 农机化研究，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，王帅，苏力德，等. 奶牛发情行为的监测研究现状及进展[J]. 畜牧与兽医，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] 蒋晓新，邓双义，刘炜，等. 运用计步器对北方地区荷斯坦奶牛妊娠后期活动量进行控制的研究[J]. 黑龙江畜牧兽医，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] 刘忠超，何东健. 奶牛阴道植入式电阻传感器与无线检测系统研究[J]. 农业机械学报，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] 赵凯旋. 基于视频分析的奶牛呼吸频率与异常检测[J]. 农业机械学报，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] 何东健. 基于视频分析的犊牛的基本行为识别[J]. 农业机械学报，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] 逯玉兰，李广，郝玉胜. 基于Wi-Fi无线感知技术的猪呼吸频率监测[J]. 农业工程学报，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

郝玉胜，林强，王维兰，等. 基于Wi-Fi无线感知技术的奶牛爬跨行为识别[J]. 农业工程学报，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

西北民族大学中央高校基本科研业务费项目（31920170149）；西北民族大学甘肃省一流学科引导专项资金（11080305）；国家民委创新团队计划资助（〔2018〕98号）；国家自然科学基金项目“面向多流行学习的谱聚类方法及其在运动分割中的应用研究”（61866033）；国家自然科学基金项目“基于健康流数据的健康演进趋势识别与实时状态评测关键技术研究（61562075）；甘肃省高等学校创新基金项目（2020B-069）

郝玉胜，讲师，主要从事农业信息化，智能信息处理研究。Email：daryhao@126.com

林强，博士，副教授，主要从事普适计算、智能信息处理研究。Email：787305757@qq.com

10.11975/j.issn.1002-6819.2020.19.019

S24; TN911

A

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