[发明专利]基于二叉树的动物运动行为类别建模及判别方法、装置

说明书

本发明涉及运动行为识别技术领域，特别是基于二叉树的动物运动行为类别建模及判别方法、装置。获取三轴加速度数据的统计特征量，以统计特征量作为测试属性；以各测试属性的最小值与最大值作为对应测试属性的阈值取值范围的下限和上限，通过连续改变各测试属性的阈值，确立各测试属性的最佳行为类别分组方式及对应的最优阈值；计算各测试属性的信息增益；以具有最高信息增益的测试属性及其对应的最优阈值构建得到二叉决策树分类模型；并根据二叉决策树分类模型对待测试数据进行行为判别，通过三轴加速度数据的统计特征量合理的选取最优属性阈值，并构建最优二叉决策树模型，可以精准的实现对运动行为的判别。

技术领域

本发明涉及运动行为识别技术领域，特别是基于二叉树的动物运动行为类别建模及判别方法、装置。

背景技术

奶牛行为是奶牛健康和福利水平的重要指标，奶牛行为准确判别是现代畜牧业的重要研究内容。决策树算法在被提出之初就被认为是泛化能力较强的模型。对比其他监督机器学习算法，决策树算法具有预测准确率高、稳定性好、直观易懂等优点，已在奶牛行为识别中得到广泛应用。但在构建决策树模型时，分类类别过多，差分裂属性阈值选取无确定规则、全局优化效果差，导致奶牛行为识别率效果不佳。

发明内容

本发明的目的是提供基于二叉树的动物运动行为类别建模及判别方法、装置，用以解决传统决策树算法无法合理选取最优属性阈值而影响行为分类准确率的问题。

为了实现运动行为的分类判别，解决传统决策树算法无法合理选取最优属性阈值而影响行为分类准确率的问题。一种基于二叉树的动物运动行为类别建模方法，包括以下步骤：

1)获取用于设置在动物体上三轴加速度传感器的三轴加速度数据的统计特征量，所述统计特征量包括各轴均值、各轴标准差、各轴偏度、各轴峰度、各轴最大值和各轴最小值以及总体标准差、总体能量、总体幅度、总体矢量幅度、总体熵和总体倾角，以统计特征量作为测试属性；

2)以各测试属性的最小值与最大值作为对应测试属性的阈值取值范围的下限和上限，通过连续改变各测试属性的阈值，确立各测试属性的最佳行为类别分组方式及对应的最优阈值；

3)计算各测试属性的信息增益；

4)以具有最高信息增益的测试属性作为二叉决策树模型根结点，并由该测试属性的阈值建立该测试属性下的最佳行为类别分组方式中的正类行为组和负类行为组两个分支；

5)分别将各分支内运动行为特征划分为正类行为组和负类行为组，递归调用步骤2)至步骤4)建立二叉决策树模型的分支，直到所有分组中仅包含一类行为后停止即构建得到二叉决策树分类模型。

有益效果是，首先选取统计特征量作为测试属性，得到各测试属性下最佳行为类别分组方式及其对应的最优阈值，实现阈值选择局部最优，然后利用信息增益作为二叉决策树模型分裂属性的选择标准，使得到的二叉决策树分类模型拥有较强的泛化能力，保证了运动行为特征分类全局最优，该模型能够有效提升行为判别的准确率。

进一步地，为了便于划分运动行为，该建模方法中步骤2)中将运动行为划分成正类行为组和负类行为组，通过连续改变阈值将统计特征量构成的训练数据集划分为预测正类行为或预测负类行为，并计算出真阳性率和假阳性率，根据真阳性率和假阳性率得到每个行为类别分组方式阈值的最大值，循环改变正类行为和负类行为的运动行为，确立各测试属性的最佳行为类别分组方式及对应的最优阈值。

进一步地，为了准确的对测试属性的运动行为划分进行分类，该建模方法中所述测试属性的信息增益的公式如下：

式中，V表示测试属性a的可能取值{α¹，α²，...，α^V}，测试属性a中只有“是”与“否”两种可能，则V＝2，D^v表示训练数据集D中测试属性a的值为v的子集，信息熵为