对宠物健康监测的研究与设计

摘 要：针对宠物健康问题，文章提出基于物联网的宠物健康监测系统。该系统采用了宠物行为识别、机器学习以及深度学习算法等技术，通过算法来判断宠物是否健康。实验结果表明，该系统能够比较准确地监测宠物的健康状况，研究成果对于宠物健康管理和医疗保健具有一定的意义和价值。未来，基于物联网的宠物健康监测系统必将成为宠物健康管理的重要工具，为宠物主人提供更全面、科学的健康管理方案，有利于及时发现和干预宠物健康问题，对改善宠物健康产生积极影响。

关键词：宠物健康；参数提取；机器学习；深度学习

中图分类号：TP311 文献标识码：A 文章编号：2096-4706（2024）16-0150-07

Research and Design of Pet Health Monitoring

Abstract： Aiming at the problems of pet health， this paper proposes a pet health monitoring system based on the Internet of Things. The system uses pet behavior recognition， Machine Learning and Deep Learning algorithms and other technologies， and it can determine whether a pet is healthy or not through algorithms. The experiment results show that the system can accurately monitor the health status of pets， and its research results have certain significance and value for pet health management and medical care. In the future， the pet health monitoring system based on the Internet of Things is expected to become an important tool for pet health management， providing pet owners with a more comprehensive and scientific health management program. It is conducive to the timely detection and intervention of pet health problems， and it will have a positive impact on the improvement of pet health.

Keywords： pet health; parameter extraction; Machine Learning; Deep Learning

0 引 言

随着人们对宠物的关注度不断提高，宠物健康成为人们越来越关注的话题。中国宠物产业协会最新公布的数据显示，2021年中国宠物市场规模达到了2 900亿元人民币，同比增长超过15%。预计到2025年，中国宠物市场规模将达到5 500亿元人民币以上，年均增长率将维持在10%以上。中国宠物市场规模依然保持着较快的增长，宠物相关行业的市场具有较为客观的发展潜力[1]。本文提出的新型的监测宠物健康系统主要用于解决监测不够准确、服务不够完善、成本高昂等问题，该系统能够借助物联网设备获取宠物各项指标的数据、借助机器学习中的算法来判断宠物是否健康，宠物主人能够通过查看宠物各项指标的异常数据和系统给出的一些针对性建议更加了解宠物的健康状况。

1 设计思路

目前国内的宠物健康监测产品开发能力低，许多产品滥竽充数，宠物健康难以得到保障。本设计的提出旨在为宠物主人提供更为全面的宠物健康信息，以便照顾他们的宠物。

设计目标：1）全面的健康检测功能。产品应能通过体温、心率、血压等生理指标的监测，及时发现宠物健康问题，并提供准确的健康建议，帮助主人更好地照顾宠物。2）高精度和可靠性。确保设备的传感器和监测算法具有高精度和稳定性，能够准确地监测宠物的生理指标，并及时发现异常情况做出反馈。3）简单易用。宠物健康监测软件平台应具有用户友好的界面和操作方式，宠物主人可以轻松使用该软件，并能够快速获取宠物健康信息。4）数据准确。产品的数据必须准确可靠，尽可能多的显示能够反映宠物健康状况指标，同时做到数据的精确。

2 系统功能架构

如图1所示，系统分为管理界面、宠物监测、数据分析和统计、用户身份和信息管理四个部分，系统通过对管理界面、宠物监测、数据分析和统计三个功能的操作，达到对宠物健康监测的目的。系统的主要功能包括实时监测宠物生理状况，实时记录宠物行为，提供宠物健康报告，根据报告内容提供专业医疗咨询服务，等等。

2.1 用户管理界面

用户管理界面包括工作台、宠物管理、设备管理三个部分。工作台提供各类管理功能的接口，包括宠物管理、设备管理、数据分析、用户管理等功能。宠物管理记录了宠物的健康档案、接种情况等基本信息，同时也能够对宠物行为进行监测、查看用户的历史管理记录。用户可以随时在APP里查看管理宠物的信息。设备管理包括自动投喂装置、健康监测设备、温湿度检测调节装置、智能卫生消杀设备等装置的管控和监测。用户可以远程操作设备，对宠物进行监测，并实时更新设备的状态信息。

2.2 宠物监测

宠物监测主要包括宠物状态监测分析、检测详情记录两个部分。系统通过宠物的行为和健康状况，判断宠物是否出现异常情况，并向用户实时发送宠物的状态。系统有自动提醒的功能，当检测到宠物处于异常状态时，将向用户发送紧急提醒，如居住环境的温度湿度发生剧烈变化、长时间未对宠物的居住环境进行消杀毒处理、宠物排泄物未被及时处理、宠物的饮食补给等。

2.3 数据分析和统计

数据分析和统计包含宠物行为记录分析、宠物生理状态记录分析、宠物健康情况记录分析三个部分。系统根据记录的宠物各项指标以及宠物的行为与数据库记载的标准信息进行比对，判断宠物是否存在健康问题。根据宠物的居住环境的温度湿度、宠物的进食情况、消杀操作记录，分析宠物的投喂和排泄情况，记录分析宠物的异常数据。系统会进行判断和分析，并及时提醒用户进行相对应的操作。

用户可以随时登录系统查看宠物的健康状态。系统将自动生成宠物的健康情况记录表，表中包括对宠物的健康状态的评价和宠物身体变化趋势，便于用户了解宠物身体变化，及早发现潜在的问题。针对宠物出现的问题，系统会根据宠物的健康状态提供专业的医疗咨询服务，为宠物健康提供专业的指导意见。

2.4 用户身份和信息管理

记录和管理用户的个人信息，包含用户登录/注册信息、用户权限的管理，等等。

3 人工智能算法设计

人工智能技术在不断地发展迭代，为了提高监测宠物是否健康的准确率，改进实时监测，强化机器学习，优化数据模型是必不可少的。人工智能算法可以通过对宠物的生理指标、行为模式和环境数据进行分析，来实现对宠物健康状况的监测和预测[2]。通过机器学习和深度学习等技术，可以构建出针对宠物健康监测的模型，实现对宠物患病风险的预警和预测。人工智能算法的设计理论和方法在智能监测宠物健康方面具有广阔的应用前景[3]，将为宠物主人提供更加全面和科学的健康管理方案。

3.1 实时监测与智能分类

智能状态分类器通常使用监督学习算法，例如支持向量机（Support Vector Machines， SVM）或深度学习中的卷积神经网络（Convolutional Neural Networks， CNN）或循环神经网络（Recurrent Neural Networks， RNN）。这些算法能够从实时监测的生理参数数据中学习模式，实现对宠物健康状态的准确分类。

3.1.1 实时监测算法

实时信号处理。对传感器数据进行实时信号处理，可采用滤波器技术[4]中的卡尔曼滤波器，卡尔曼滤波器是一种常见的递归滤波器，可以用于估计系统状态并优化测量的精度。同时，传感器融合算法，扩展卡尔曼滤波（Extended Kalman Filter， EKF），可有效整合多个传感器的信息，确保高质量、低延迟的数据分析，提供更准确的实时监测。

门限值监测。设定合适的生理参数阈值，当某个参数超过设定的阈值时，触发实时报警机制。例如：临床研究测量显示，狗的正常体温一般在38～39 ℃，年幼的狗体温可能会高一些，通常在38.5 ℃左右，成年的狗体温一般在38 ℃。当狗的皮肤温度超过39 ℃，直肠温度超过39.5 ℃一般就会认定狗狗处于发烧的状态。

3.1.2 智能状态分类器

机器学习分类器[5]是识别、理解，并将想法、对象分到预设类别或“子群”的过程。机器学习程序使用预先分类的训练数据集，通过各种算法对未来的数据集进行分类。

卷积神经网络（CNN）是我们一般在处理图像和时间序列数据时会使用CNN。卷积层是CNN的核心，用于提取输入数据的特征。它通过卷积操作将输入数据与一组可学习的滤波器进行卷积运算，从而得到特征图。在卷积层中，输入图像与一组可学习的卷积核（也称为过滤器）进行卷积操作。卷积操作可以理解为将卷积核在输入图像上滑动，并计算卷积核与图像局部区域的点积，生成一个特征映射（特征图）。每个卷积核都可以提取不同的特征，如边缘、纹理等。卷积操作的好处在于它能够在保留局部空间关系的同时减少网络的参数量。对于宠物生理参数的监测，可以使用卷积层捕捉空间信息，例如传感器阵列的布局，以及适用于时间序列的循环神经网络（RNN）层，以建模生理参数的时序关系，然后在卷积层的特征映射上应用ReLU（Rectified Linear Unit）[6]，以引入非线性变换，增加模型的表达能力，使用池化操作来提取图像的主要特征，最终将多个卷积层和池化层交替堆叠形成卷积神经网络并使用Softmax激活函数来生成预测结果，Softmax函数[7]将每个类别的得分转化为概率分布，表示该样本属于每个类别的概率。这样CNN可以通过深度学习的方式不断优化模型，提高宠物健康监测系统的准确性和稳定性。

3.1.3 生理参数提取和转换方法

生理参数的提取和转换对于实时监测至关重要。

生理参数提取：利用信号处理技术从原始数据中提取出需要的生理参数，如心率、体温等。然后对其进行标准化处理，确保不同宠物或不同品种之间的数据可比性。我们使用Z-score法（正规化方法）[8]，在这种方法中，原始值x经过转换后得到标准化值y，这样可以使得数据具有可比性，并且可以将数据限定在[0，1]的范围内。在SPSS中，Z-score标准化是默认的标准化方法之一。Z-score的简单化模型：y=1/（1+x），x越大证明y越小，这样就可以把很大的参数规范在[0—1]之间了，Z-score模型如式（1）所示：

则新的序列y1，y2，…，yn的均值为0，而方差为1，且无量纲。

因此我们可以以不同品种的宠物狗为例，获取一组体温数据，Z-score归一化（mean为均值，std为标准差）如式（2）所示：

将xi代入Z-score归一化公式得到新的y1，y2，…，yn。可以发现，新的序列的均值接近0，标准差接近1。

由于使用Z-score标准化方法，不能保证归一化后的数据和为1。Z-score标准化的目的是使数据均值为0，标准差为1，而不是使和为1。

生理参数提取可通过信号处理技术，我们使用傅里叶变换[9]，首先收集宠物的生理数据，例如心率、呼吸频率等。可以使用传感器或监测设备来实时记录这些数据。将收集到的生理数据进行采样和数字化处理，得到离散时间序列。然后对离散时间序列进行傅里叶变换，傅里叶变换是一种数学工具，它可以将时域信号转换成频域信号，从而帮助我们分析信号的频率成分。通过傅里叶变换，我们可以将一个信号分解为不同频率的成分，从而更好地理解信号的频率特性。

长短时记忆网络（Long-Short Term Memory， LSTM）这是一种适用于序列数据的循环神经网络，能够捕捉生理参数的时序依赖关系。前面我们使用CNN对宠物的图像进行特征提取。CNN可以识别图像中的特征，例如颜色、纹理和形状等。通过训练CNN模型，可以得到宠物图像的特征表示。将CNN提取的特征作为输入序列，输入到LSTM中进行判断。

长短期记忆网络模块结构相对复杂。它包含三个门[10]：遗忘门、输入门和输出门。每个门都有其特定的功能。遗忘门负责决定在当前时刻应该保留多少上一时刻的单元状态到当前时刻的单元状态；输入门负责决定在当前时刻应该保留多少当前时刻的输入到当前时刻的单元状态；输出门负责决定在当前时刻的单元状态应该输出多少信息。通过这种机制，LSTM可以更好地处理长期依赖关系，从而适用于处理时间序列数据和自然语言处理任务。由于它叫记忆神经网络，因此，我们还需要添加遗忘机制和保存机制，让它学会如何更新自己的认识，从而更新它对世界的认识，并且它需要学习关于该图像的所有信息是否值得使用以及是否值得保存。在训练LSTM模型时，可以设置梯度上限参数以限制梯度的大小，从而防止梯度爆炸或梯度消失的问题。

由此看出长短时记忆网络在宠物健康监测系统中能够有效地处理时间序列数据，捕捉时序关系，应对数据缺失和噪声，提高系统的预测和决策能力。

3.2 趋势预测与数据分析

在宠物健康监测中，时间序列预测算法是关键任务之一，数据驱动的健康趋势分析涉及聚类和降维技术，另外还可采用深度学习方法。这些方法为宠物健康管理提供了强大技术支持，有助于主人及时发现潜在的健康问题。

3.2.1 时间序列预测算法

时间序列预测[11]是宠物健康监测中的重要任务，时间序列预测算法可能包括基于统计的ARIMA模型，ARIMA是一种时间序列预测模型，适用于预测生理参数的趋势。这里我们用伪代码举例说明，如图2所示。

3.2.2 数据驱动的健康趋势分析

数据驱动的分析方法包括聚类和降维技术[12]。聚类算法有层次聚类和DBSCAN（Density-Based Spatial Clustering of Applications with Noise），可将宠物群体划分为不同的健康簇。K均值聚类或层次聚类算法可以识别出具有相似健康特征的宠物群体，为定制化的健康管理提供基础。而降维技术，有主成分分析（Principal Component Analysis， PCA）和t-分布邻域嵌入（t-SNE），用于可视化和理解宠物健康数据的复杂结构，这里我们使用主成分分析。PCA是一种常用的降维技术，旨在帮助理解数据的内在结构。其核心思想是将原始的n维特征映射到一个新的k维空间上，这k维特征被称为主成分，它们是在原有n维特征的基础上重新构造出来的。PCA的工作过程是找到一组相互正交的新坐标轴，使得数据投影到这些坐标轴上的方差最大。换句话说，第一个新坐标轴是原始数据中方差最大的方向，第二个新坐标轴是与第一个坐标轴正交的平面中使得方差最大的方向，以此类推。通过这种方式，大部分方差都包含在前面k个坐标轴中，而后面的坐标轴所含的方差几乎为0。因此，我们可以忽略余下的坐标轴，只保留前面k个含有绝大部分方差的坐标轴，从而实现对数据特征的降维处理。在宠物健康监测中，PCA可以帮助识别生理参数中最重要的变化方向，有助于更好地理解和解释数据。这里我们用伪代码举例说明，如图3所示。

数据驱动的健康趋势分析可采用聚类算法，例如K均值聚类，以发现不同宠物群体中的健康模式。这里我们还是用伪代码举例说明，如图4所示。

另外，深度学习中的自动编码器等无监督学习方法也可用于挖掘数据中的隐藏模式和特征。同时，利用大数据技术对宠物群体的健康数据进行分析，识别潜在的健康趋势和模式，运用数据挖掘技术，发现宠物健康领域的新知识和规律。

3.3 个性化建议生成与模型优化

在宠物健康监测中，个性化建议算法采用协同过滤，基于相似宠物的健康数据为特定宠物提供个性化建议。深度学习中的推荐模型，利用历史健康数据和其他特征为宠物生成个性化健康建议。协同过滤根据用户历史行为和相似用户的行为生成建议，通过健康规则和实时监测数据为每个宠物制定个性化健康建议。模型参数优化策略包括不断接收新数据进行在线学习和模型优化，以适应宠物健康监测系统的动态变化。

3.3.1 个性化建议算法

在宠物健康监测中，协同过滤可以基于相似宠物的健康数据为特定宠物提供个性化建议。

个性化建议算法[13]可采用协同过滤和内容推荐的结合。深度学习中的推荐模型，如矩阵分解或基于神经网络的模型，可以利用宠物的历史健康数据和其他特征为其生成个性化的健康建议。协同过滤是一种推荐系统算法，如基于模型的协同过滤，根据用户历史行为和类似用户的行为为用户生成个性化建议。利用与目标宠物相似的宠物的健康数据，为其提供个性化建议。制定一套健康规则，根据实时监测的数据为每个宠物生成个性化的健康建议。

3.3.2 模型参数优化策略

通过不断接收新数据，系统能够在线学习并优化模型，以适应宠物健康监测系统的动态变化。同时引入用户反馈数据，根据用户的实际使用体验对系统进行参数调整和优化。

模型参数优化可能包括使用梯度下降等优化算法，对模型参数进行调整以最小化预测误差。此外，模型参数的优化涉及超参数调整和模型架构的优化。贝叶斯优化算法可以用于系统参数调整，以提高算法的整体性能，也可用于高效地搜索超参数空间，以最大化模型的性能。遗传算法等进化算法也可应用于优化深度学习模型的结构和参数。模型的在线学习可以通过递归最小二乘法（Recursive Least Squares）等算法实现，以适应不断变化的宠物健康数据。

4 系统软件设计

宠物健康监测系统是利用人工智能算法技术来监测和评估宠物的健康状况的服务型系统，其设计目的是为宠物主人提供全方位、实时的宠物健康监测服务，使其能够更好地关心和管理自家宠物的健康状况。同时，宠物健康监测平台对用户登录注册，宠物信息量管理，信息安全等功能板块进行了不同的设计。

4.1 用户登录

打开浏览器，输入系统的网址或IP地址，回车，等待浏览器返回平台登录页面，如图5所示。

用户需提供正确的用户名、密码以及验证码来进入系统，完成身份验证。

登录系统的流程如下：

1）进行身份验证登录：提供用户名称，用户密码，验证码。

2）多层次身份验证：系统采用，结合云服务器的高性能和数据处理能力，进行身份验证，确保信息安全传输和存储。

3）数据比对和验证：通过前台数据传输，系统将用户提供的信息与已存储在系统中的数据进行比对验证，以确保一致性和数据的完整性。

登录成功之后，进入快捷标签导航模式面板（工作台模式），工作台界面可以清晰地显示该系统所有的功能模块，让用户更加方便、快捷找到所需内容，如图6所示。

4.2 宠物信息量管理

宠物信息量管理分为宠物信息收集、宠物检测、监测设备管理、健康分析、运动跟踪五个功能模块，旨在为宠物信息提供有效的管理，为主人提供优质的服务。

4.2.1 宠物信息收集

宠物管理界面是对宠物的基本特征进行信息量记录，其中包括宠物类型、性别、年龄、体重等基础特征，另外可根据实际情况对宠物的信息进行编辑处理，保证宠物信息处于最新状态。

4.2.2 宠物检测

当用户进入宠物检测界面时，用户可以通过宠物的ID、宠物名称、检测时间、检测状态、关键字快速查找宠物的信息，根据监测设备返回的检测数值判断宠物的检测状态是否处于异常，如图7所示。

4.2.3  监测设备

点击页面左侧菜单导航栏对应的功能模块：监测设备管理，页面右侧操作区域将刷新并进入监测设备列表页面，在完成监测设备信息与系统绑定之后，用户可根据实际情况对监测设备进行编辑处理，如新增监测设备，删除监测设备等功能，如图8所示。

4.2.4 数据分析和健康评估

健康评估界面可实时的获取宠物的健康状态。进入健康评估界面后，点击获取宠物健康状态信息，宠物健康分析后的最新结果会以列表数据的形式返回到健康评估界面。另外，点击数据分析，系统会将智能设备、传感器等工具最新收集的宠物生理参数、运动习惯等多源数据使用算法再次进行数据分析比对，返回分析结果，同时将近期宠物健康状态结果制成条状图返回给健康评估界面，使用户更容易地了解到宠物的近期状况，用户可根据健康分析后的信息及时地对宠物的状态进行调整或处理。

4.2.5 运动跟踪

运动跟踪功能模块基于传感器技术与数据采集，可以实时监测宠物的运动活动。在运动数据采集时，需要利用机器学习和模式识别技术，对宠物的运动模式进行分析，训练模型，使其能够识别不同的活动，例如走路、跑步、休息等基本运动。

在运动跟踪界面上点击查询宠物最近运动状况，界面将会返回宠物最新的运动数据，并对宠物的运动状况进行记录，且加以评价，如图9所示。

4.3 信息安全

信息安全功能模块主要从用户权限控制，系统登录日志这两个角度展开叙述。用户权限对传输的数据和存储的数据进行加密处理，防止第三方未经授权的访问对系统数据进行修改，造成数据泄露，遗失等不可逆后果。系统登录日志可以帮助检测异常活动，如失败多次的登录尝试，非常规的登录地点，有助于识别潜在的安全威胁。

4.3.1 用户权限控制

用户信息管理界面可以对用户的权限、身份、密码等做出修改，平台实施细粒度的权限控制，确保只有授权人员才能访问特定的信息。合理的访问管理机制，保证仅有具备合法权限的人员才能够查看、修改或处理敏感信息，最大程度降低潜在的数据滥用风险。

4.3.2 系统登录日志

打开系统登录日志界面可以清楚地查看到用户的登录时间、IP地址、登录方式、权限等级等，有助于监测内部用户的活动，帮助防范内部威胁，可以更容易的检测到异常用户行为，系统登录日志界面还可以对登录日志进行删除处理，避免登录日志冗余，造成数据堵塞等状况。

5 结 论

本论文旨在研究宠物健康领域的软件产品功能设计，以提高对宠物的监测能力，健康分析能力，同时给出应对性建议，并及时反馈宠物健康状态。通过分析市面上的相关软件的弊端以及市场调研结果反馈，设计并实施了一款创新性的软件产品，为宠物主人提供了更全面、实时的宠物健康信息。

宠物健康监测软件结合了先进的传感技术、数据分析和人工智能算法，通过追踪宠物的活动、饮食、睡眠等多个方面的数据，根据这些数据提供定制化的健康建议。这不仅使宠物主人能够更好地了解宠物的生活习惯，同时还有助于及时发现潜在的健康问题。

在本研究中，通过宠物的健康探讨了宠物健康监测领域的一些前沿技术和趋势，为未来的研究和发展提供了有益的参考。我们深信，通过不断创新和改进，宠物健康监测软件将在宠物健康监测领域发挥重要作用。

参考文献：

[1] 上海艾瑞市场咨询有限公司.中国宠物消费趋势白皮书2021年 [C]//艾瑞咨询系列研究报告.上海：[出版者不详]，2021（5）：51-118.

[2] 何泫臻，范志聪，李孜，等.宠物健康智能监测发展现状 [J].广东饲料，2023，32（10）：8-14.

[3] 曹旭，陈仙祺，陈张好，等.宠物清洁用品现状与市场浅析 [J].中国洗涤用品工业，2021（6）：40-46.

[4] 陈霈，冯康康，管晓晨，等.基于卡尔曼滤波观察器的优化预测控制方法研究 [J].工业控制计算机，2023，36（10）：43-46.

[5] 惠姣姣，曹红宝.基于机器学习分类算法的玻璃文物鉴定 [J].现代信息科技，2023，7（13）：101-104.

[6] BANERJEE C，MUKHERJEE T，PASILIAO E. Feature Representations Using the Reflected Rectified Linear Unit（RReLU） Activation [J].Big Data Mining and Analytics，2020，3（2）：102-120.

[7] 胡陆宇.面向长尾图像分类的Softmax互补类权重设计算法研究 [D].广州：广州大学，2023.

[8] 邵枭虎.基于姿态正规化的人脸识别关键技术研究 [D].重庆：中国科学院大学（中国科学院重庆绿色智能技术研究院），2020.

[9] 张广军，叶声华.大量规则图形傅里叶频谱信息提取方法的研究 [J].北京航空航天大学学报，1992（2）：25-29.

[10] 郭蕴颖，丁云峰.基于CNN和LSTM联合预测并修正的电量缺失数据预测 [J].计算机系统应用，2020，29（8）：192-198.

[11] 王素.基于深度学习的时间序列预测算法研究与应用 [D].成都：电子科技大学，2023.

[12] 余大龙.基于特征选择的数据降维算法研究 [D].合肥：安徽大学，2017.

[13] 孙建.基于强化学习的个性化推荐算法研究 [D].长春：长春工业大学，2023.