1. Discriminative power of acoustic features for jaw movement classification in cattle and sheep
- Author
-
Emilio A. Laca, Carlos A. Cangiano, H. Leonardo Rufiner, César E. Martínez, José O. Chelotti, Julio R. Galli, and Diego H. Milone
- Subjects
geography ,geography.geographical_feature_category ,Ecology ,Computer science ,Speech recognition ,Foraging ,Work (physics) ,Jaw movement ,PRECISION LIVESTOCK FARMING ,Ganadería ,Producción Animal y Lechería ,Pasture ,Power (physics) ,Task (project management) ,Discriminative model ,CIENCIAS AGRÍCOLAS ,Ciencias de la Computación e Información ,JAW MOVEMENTS ,Ciencias de la Información y Bioinformática ,Ecology, Evolution, Behavior and Systematics ,ACOUSTIC VARIABLES ,GRAZING BEHAVIOUR ,CIENCIAS NATURALES Y EXACTAS - Abstract
Measuring foraging behaviour and pasture intake of ruminants is useful but difficult. Acoustic monitoring is one of the most promising methods for this task. In this work, we test its potential to classify jaw movements (JM) according to type (bite, chew, chew-bite), activity (grazing or rumination), and forage species being consumed. Experiments with cows and sheep grazing and ruminating several forages were conducted. First, each JM was manually identified, classified and described by two sets of sound features: i) one containing energy bands of the spectrum (EB), and ii) one containing four complementary (or global) variables (Cv). Two models were evaluated, one with EB alone and the other one combining EB and Cv. Jaw movements were correctly classified by type with 73.0% and 78.5% average accuracy. Accuracy wasbetter for cows than sheep (85 vs 66%). Simultaneous identification of the type of JM and plant species was about 78%. Classification accuracy of activity based on chews averaged 68.5% and 77.0% for rumination and grazing. Models including global variables performed better than using only the spectrum. Acoustic monitoring is a very promising method for further development, particularly to study diet selection. Fil: Galli, Julio Ricardo. Universidad Nacional de Rosario; Argentina Fil: Milone, Diego Humberto. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional; Argentina Fil: Cangiano, Carlos Alberto. Instituto Nacional de Tecnologia Agropecuaria. Centro Regional Buenos Aires Sur.; Argentina Fil: Martínez, César Ernesto. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional; Argentina Fil: Lacambra, Emilio. University of California at Davis; Estados Unidos Fil: Chelotti, Jose Omar. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional; Argentina Fil: Rufiner, Hugo Leonardo. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional; Argentina
- Published
- 2020
- Full Text
- View/download PDF