I. Giới thiệu tổng quan
Nghiên cứu này tập trung vào việc sử dụng thuật toán cây quyết định kết hợp với phân tích ngưỡng kép để phân loại hành vi bò. Mục tiêu chính là nâng cao hiệu quả quản lý và giám sát sức khỏe bò trong các trang trại lớn. Phân tích ngưỡng kép giúp tăng độ chính xác trong việc phân loại các hành vi cơ bản như ăn, nằm, và đứng. Nghiên cứu sử dụng dữ liệu từ cảm biến gia tốc 3 chiều được gắn trên cổ bò, qua đó phân tích và dự đoán hành vi một cách tự động.
1.1. Đặt vấn đề
Việc quản lý và giám sát hành vi bò trong các trang trại lớn đang trở nên cấp thiết. Phân loại hành vi giúp chủ trang trại nắm bắt tình trạng sức khỏe của bò, từ đó điều chỉnh chế độ chăm sóc phù hợp. Nghiên cứu này đề xuất sử dụng thuật toán cây quyết định kết hợp với phân tích ngưỡng kép để phân loại hành vi bò một cách hiệu quả, thay thế phương pháp truyền thống không khả thi trong quy mô lớn.
1.2. Cấu trúc hệ thống
Hệ thống bao gồm các thành phần chính: cảm biến gia tốc gắn trên cổ bò, khối xử lý dữ liệu, và máy chủ tổng hợp thông tin. Cảm biến gia tốc thu thập dữ liệu về chuyển động của bò, sau đó dữ liệu được xử lý để phân loại hành vi. Kết quả được truyền về máy chủ, giúp chủ trang trại theo dõi và quản lý sức khỏe bò một cách kịp thời.
II. Thuật toán cây quyết định và phân tích ngưỡng kép
Nghiên cứu sử dụng thuật toán cây quyết định để phân loại hành vi bò dựa trên hai tham số chính: VeDBA (Vectorial Dynamic Body Acceleration) và SCAY (Static Component of the Acceleration in the Y-axis). Phân tích ngưỡng kép được áp dụng để tìm ra hai ngưỡng quyết định đồng thời, giúp tăng độ chính xác so với phương pháp tìm ngưỡng lần lượt.
2.1. Tính toán tham số đặc trưng
Dữ liệu từ cảm biến gia tốc được sử dụng để tính toán các tham số đặc trưng như VeDBA và SCAY. VeDBA đại diện cho tổng hợp gia tốc chuyển động toàn thân, trong khi SCAY phản ánh sự thay đổi gia tốc trọng trường theo trục Y. Các tham số này được sử dụng để phân loại hành vi bò thông qua so sánh với các ngưỡng quyết định.
2.2. Lưu đồ thuật toán
Thuật toán bắt đầu bằng việc thu thập dữ liệu gia tốc từ cảm biến. Sau đó, tính toán VeDBA và SCAY để so sánh với các ngưỡng quyết định. Nếu VeDBA lớn hơn ngưỡng A, bò được xác định là đang ăn. Ngược lại, SCAY được so sánh với ngưỡng B để phân loại giữa đứng và nằm. Quy trình này được thực hiện tự động, giúp phân loại hành vi bò một cách chính xác.
III. Đánh giá hiệu năng thuật toán
Hiệu năng của thuật toán được đánh giá dựa trên ba tham số chính: độ nhạy, độ chính xác, và độ chỉ rõ. Các tham số này phản ánh khả năng phân loại đúng của thuật toán trong việc xác định hành vi bò. Nghiên cứu so sánh hiệu năng của thuật toán trên các bộ dữ liệu lấy mẫu với tần số khác nhau (1 phút, 5 phút, 10 phút) để tìm ra phương pháp tối ưu.
3.1. Hiệu năng với bộ dữ liệu lấy mẫu 10 phút
Khi sử dụng bộ dữ liệu lấy mẫu 10 phút, thuật toán đạt được độ nhạy cao trong việc phân loại hành vi ăn của bò. Tuy nhiên, độ chính xác và độ chỉ rõ có phần giảm sút do khoảng cách thời gian giữa các mẫu dữ liệu lớn. Kết quả này cho thấy sự cần thiết của việc điều chỉnh tần số lấy mẫu để tối ưu hóa hiệu năng thuật toán.
3.2. Hiệu năng với bộ dữ liệu lấy mẫu 1 phút
Bộ dữ liệu lấy mẫu 1 phút cho kết quả tốt hơn về độ chính xác và độ chỉ rõ, đặc biệt trong việc phân loại hành vi nằm và đứng của bò. Tuy nhiên, độ nhạy có phần giảm do số lượng mẫu dữ liệu lớn, dẫn đến thời gian xử lý tăng lên. Điều này đặt ra yêu cầu cân bằng giữa tần số lấy mẫu và hiệu năng thuật toán.
IV. Kết luận và hướng nghiên cứu tiếp theo
Nghiên cứu đã chứng minh hiệu quả của thuật toán cây quyết định kết hợp với phân tích ngưỡng kép trong việc phân loại hành vi bò. Phương pháp này không chỉ nâng cao độ chính xác mà còn giúp quản lý sức khỏe bò một cách hiệu quả trong quy mô trang trại lớn. Hướng nghiên cứu tiếp theo có thể tập trung vào việc tối ưu hóa tần số lấy mẫu và tích hợp các thuật toán machine learning khác để cải thiện hiệu năng.
