一种动物健康状态跟踪方法与流程

1.本发明涉及数据处理领域，尤其涉及一种动物健康状态跟踪方法。


背景技术：

2.目前的动物养殖需要全生命周期可追溯的饲养管理，但通常是以舍、群为单位，部署摄像头、温度传感器等方式进行统一管理。同时监测参数的设置。
3.为实现单体动物的可追溯管理，目前可以通过设置脚环、耳环等方式进行单体数据采集，这些脚环、耳环设置有运动传感器、温度传感器等传感器，可以监测动物单体的温度、活动状态等信息。


技术实现要素：

4.有鉴于现有技术的上述缺陷，本发明的目的是提供一种基于无线传感器的动物健康状态跟踪方法，可实现单体动物在全寿命周期的可追溯管理。
5.为实现上述目的，本发明提供了一种以下技术方案：
6.一种动物健康状态跟踪方法，包括：
7.通过设置在动物身上的无线传感器，周期性地获取动物的一项或多项生理数据的数据序列；设立动物健康状态评价模型，所述动物健康状态评价模型包含一个或多个单值评价模型，每个单值评价模型以一项生理数据为输入进行统计分析，输出统计分析结果；综合各单值评价模型的统计分析结果以自动判定动物是否正常；设立回归机制，根据统计分析结果自动更新各单值评价模型的参数。
8.进一步的，所述单值评价模型，以单个生理数据的数据序列为输入，执行：
9.根据设定的第一统计周期，周期性地从所述数据序列截取生理数据，计算第一统计周期内该生理数据的平均值和标准差，并根据平均值和/或标准差给出第一分类结果；
10.根据设定的第二统计周期，对第二统计周期内的第一分类结果进行统计，给出第一分类结果在所述第二统计周期内的时间分布；
11.将各第一分类结果在所述第二统计周期内的时间分布进行加权求和获得动物的第一健康值；
12.将当前第一健康值和前一个第一健康值或前n个第一健康值进行比较，根据比较得到的差值给出动物的当前健康状态；
13.根据前m个第一健康值的均值更新第一统计周期内的第一分类的分类阈值，更新第二统计周期内的加权值。
14.进一步的，所述无线传感器包括运动监测功能，所述生理数据为加速度数据，所述第一分类结果包括动物运动状态、动物进食状态和动物睡眠状态。
15.进一步的，在所述第一统计周期，所述第一分类结果通过加速度的平均值和/或标准差获得。
16.进一步的，当前第一健康值和前一个第一健康值的间隔为第二统计周期或第三统
计周期，所述第三统计周期包含多个第二统计周期。
17.进一步的，所述第二统计周期的取值范围为1分钟－4小时；所述第三统计周期的值为一天。
18.进一步的，所述无线传感器包括温度监测功能，所述生理数据为温度数据，所述第一分类结果根据温度阈值分为多个温度区段。
19.进一步的，所述动物健康状态评价模型以多个单值评价模型的输出为输入，执行：对同一时间段的各项生理数据在第二统计周期给出的第一健康值进行加权求和，获得第二健康值；将当前第二健康值和前一个或前n个第二健康值进行比较，根据比较得到的差值给出动物的当前健康状态；根据前m个第二健康值的均值更新综合评价时的各生理数据的加权值。
20.进一步的，所述动物健康状态评价模型用于评价动物的运动情况，包括：
21.第一单值评价模型：采用加速度数据，在第一统计周期，根据加速度的平均值和/或标准差给出第一分类结果；在第二统计周期，对第一分类结果进行加权求和，其中加权值为各数据区间的时间占比，获得第一健康值；将当前第一健康值和前n个第一健康值的平均值进行比较，输出比较结果，其中当前第一健康值和前一个第一健康值是以第二统计周期为间隔。
22.进一步的，所述动物健康状态评价模型用于评价动物的发情概率或发病概率，包括：
23.第一单值评价模型：采用加速度数据，在第一统计周期，根据加速度的平均值和/或标准差给出第一分类结果；在第二统计周期，对第一分类结果进行加权求和，其中加权值为各数据区间的时间占比，获得第一健康值；将当前第一健康值和前n个第一健康值的平均值进行比较，其中当前第一健康值和前一个第一健康值是以第二统计周期为间隔；
24.第二单值评价模型：采用加速度数据，在第一统计周期，根据加速度的平均值和/或标准差给出第一分类结果；在第二统计周期，对第一分类结果进行加权求和，获得第一健康值；将当前第一健康值和前n个第一健康值的平均值进行比较，其中当前第一健康值和前一个第一健康值是以第三统计周期为间隔；
25.第三单值评价模型：采用温度数据，在第一统计周期，根据温度的平均值给出第一分类结果；在第二统计周期，根据第一分类结果在第二统计周期内的时间分布，进行加权求和，其中各温度区间的时间占比为各温度区间的加权值；将当前第一健康值和前n个第一健康值的平均值进行比较，其中当前第一健康值和前一个第一健康值是以第三统计周期为间隔。
26.本发明实现了如下技术效果：
27.本发明的动物健康状态跟踪方法，通过佩戴在动物身上的无线传感器，可以连续地获取动物一项或多项生理数据，从而可以对数据进行统计分析，从统计数据中自动判定动物是否正常。在统计过程中，还设立了回归机制，具有学习功能，可根据统计分析结果自动更新的分类阈值等参数。
28.本发明的动物健康跟踪方法，构建了一个多种模型结合判定的算法框架，可根据采集的数据种类和特性可方便地添加或删减模型，以避免重构代码，重写架构而产生的巨大工作量和风险。
附图说明
29.图1是采用单项生理数据－运动加速度数据进行动物健康跟踪的算法模型；
30.图2是采用多项生理数据进行动物发情情况跟踪的算法模型。
具体实施方式
31.为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
32.现结合附图和具体实施方式对本发明进一步说明。
33.如图1所示，
34.为了进行动物健康状态跟踪，将无线传感器佩戴在动物身上，对动物的一个或多个生理数据进行采集，目前方便采集的数据包括运动数据和温度数据等，其中运动数据通过无线传感器中的运动传感器获得。动物健康状态跟踪系统通过周期性地读取无线传感器采集的生理数据，并存储；当收集到一定时间长度的数据时，可以对数据进行统计分析。
35.在本实施例中，无线传感器可以是一种rfid标签，如以耳钉等方式设置在动物身上。该rfid标签可以在读写时，从读写的电磁波中取电，以执行运动监测、温度采集等生理数据采集功能。温度监测、运动监测可以在一个无线传感器上执行，也可以在不同的无线传感器上执行。
36.在本实施例中，运动传感器为加速度传感器，采集动物运动3轴加速度大小。每个数据包含(t，x，y，z，r)，其中，t为采样时间，x/y/z表示时间t时的x/y/z轴加速度值，r等于sqrt(x^2 y^2 z^2)，表示3轴加速度的大小。在算法中并不处理这些原始数据，而是对其进行加工，在一段时间dt内计算r的平均值和标准差，并将这些数据上传到服务器。分别用r和sigma表示，dt、r和sigma即为算法输入，如图1所示。
37.在本实施中，温度传感器采集动物体表温度，如将温度传感器以耳环的方式固定在动物的耳朵上，以采集动物耳部温度。
38.现以运动传感器和温度传感器为例，给出了如下的健康跟踪方法。
39.实施例1、采用单项运动加速度数据进行动物健康跟踪：
40.给定加速度标准差sigma的阈值sigma1、sigma2，统计每15分钟，sigma《sigma1的占比p1,sigma1《sigma《sigma2的占比p2,sigma》sigma2的占比p3。定义p1为动物休息的时间概率，p2为动物进食的时间概率，p3为动物运动的时间概率。
41.其中假定sigma1为50，sigma2为250。
42.获取测量数据，如表1所示(表1给出了15分钟测试数据的头尾部分)，在2021/9/23 0：15-2021/9/23 0：30时间段共有103个数据，其中《50的共有99个，50-250的共有3个，》250的共有1个，则p1＝99/103＝0.96,p2＝3/103＝0.03,p3＝1/103＝0.01。
43.表1
44.[0045][0046]
根据动物运动的加速度值r和/或其标准差sigma，可将动物状态分为动物休息状态、动物进食状态和动物运动状态；根据动物在该时间段的各状态时间占比，得到动物休息时间概率、动物进食时间概率和动物运动时间概率。
[0047]
对全天的数据进行累加，得到动物全天的休息时间t1、进食时间t2和运动时间t3。由于动物每天的生活是有规律的，因此当t1,t2和t3显著偏离前一天的值(或前7天的平均值)时，可判定动物不正常。偏离值可通过下式计算(tx_current
–
tx_mean7)/tx_mean7，若该变化》某个阈值，比如25％，则为异常。x可为1，2，3，tx_current代表当天的t1,t2,t3，tx_mean7代表前7天的t1平均，t2平均，t3平均。
[0048]
注意虽然此处令t＝15min，但只要时间段t不太短，可任意选择从1min到240min均可。不同的t其阈值也有所不同。若是t＝120min，则sigma1大约在30-100，sigma2大约在250-300。
[0049]
本发明的动物健康状态跟踪方法，通过佩戴在动物身上的无线传感器，可以连续地获取动物一项或多项生理数据，从而可以对数据进行统计分析，从统计数据中自动判定动物是否正常。在统计过程中，还设立了回归机制，具有学习功能，可根据统计分析结果自动更新分类阈值等参数。
[0050]
本动物健康跟踪方法，通过大量数据分析动物的状态分布，而不用关心动物的具体动作。
[0051]
实施例2、采用多项生理数据，进行动物发情和/或发病情况跟踪：
[0052]
动物发情或发病后，动物的运动状态和体表温度等特征会和原先的运动状态特征、体表温度特征会发生明显不同，为此，本实施例中的算法通过对多个模型的综合考虑，判断动物是否发情或发病，以期获得更为准确的判定结果，以便于对动物的繁育或防疫进
行针对性管理。
[0053]
考虑每个模型通过一段时间内的数据，给出当前的发情/发病概率pi,则总的发情/发病概率为p＝wi*pi，其中wi为该模型的权重，此处采用爱因斯坦求和记号，对i进行求和。此算法不要求wi之和为1。
[0054]
如图2所示，以发情为例，在本实施例中，具体的，采用了3个模型来进行判断，时间段定义为每2小时判断一次。但也可增加更多的模型并采用不同的时间间隔。
[0055]
模型一：类似于实施例1中的算法，统计2小时内sigma》sigma2的占比p3，f(p3)即为此模型的pi。函数f在后面定义。
[0056]
模型二：将一天分为12段，0点－2点，2点－4点，
……
以此类推。计算该时间段内r的平均值，并持续记录7天(或14天)。得到如下数据：
[0057][0058][0059]
最下面的“平均”一栏即为前7天的平均值。此后随着时间的推移，平均一栏总是计算前7天相应时段的平均值，即为7日滑动平均。
[0060]
将当前2小时时段内的平均值和过去7天同一时段的7个值的平均做比较，计算其变化p＝(mean_current2-mean_mean7)/mean_mean7。其中mean_current2为当前两小时内的平均值，mean_mean7为上表中最后一行对应的值。则f(p)即为此模型的pi。函数f在后面定义。
[0061]
模型三：与模型二类似，但数据不再是运动数据，而是温度数据。
[0062]
上述模型中的函数f为归一化函数，一个合适的选择为sigmoid函数，即f(x)＝1/(1 e^(-x))。但也可采用其他函数，比如双曲正切函数tanh(x)＝(e^x-e^(-x))/(e^x e^(-x))，甚至不同的模型采用不同的归一化函数。
[0063]
得到所有模型的pi之后，可利用p＝wi*pi得到总的发情概率p。一个合适的wi选择为[0.3,0.4,0.3]，但也可采用不同的权重。当发情概率大于某个阈值，比如80％时，则动物可能发情，当连续2段(即4小时)p都大于该阈值(80％)，则需进行提示并派人查看。
[0064]
也可增加更多的模型，比如考虑在模型二中用sigma代替r，或在模型一中用r代替sigma。此时只需增加并修改wi的值即可综合考虑所有模型的结果，并给出更加精确的判断。
[0065]
在实施例2中，本发明构建了一种算法框架，包括多个并行的算法模型，在各算法的输出通过加权求和获得分类结果，并可根据历史数据进行迭代优化。通过该算法框架，可
在不改动之前模型优点的基础上，通过增、减算法模型不断进化，获得更好的结果。以避免重构代码，重写架构而产生的巨大工作量及巨大风险。
[0066]
发病的情况也类似，可采用与发情相同或相似的模型，只需修改最终的模型权重wi和/或判定阈值，即可在计算发情的过程中同步进行处理和判断。
[0067]
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。