DOI: https://doi.org/10.3390/ani15081080
PMID: https://pubmed.ncbi.nlm.nih.gov/40281916
تاريخ النشر: 2025-04-08
المؤلف: Jorn Schampheleer وآخرون
الموضوع الرئيسي: البحث الطبي البيطري في الخيول
نظرة عامة
تستكشف هذه الدراسة استخدام أجهزة الاستشعار القابلة للارتداء على الفرسان لتصنيف مختلف حركات الخيل—التوقف، المشي، الهرولة، والعدو—مع تقليل الانزعاج للخيول. من خلال اختبار أربعة مواضع لأجهزة الاستشعار على الفرسان (الركبة، العمود الفقري، الصدر، والذراع) مع مجموعة بيانات تتكون من خمسة فرسان وسبعة خيول، كانت تهدف الأبحاث إلى تعزيز دقة تصنيف الحركات. أشارت النتائج إلى أن نموذج الشبكة العصبية التلافيفية المتخصصة Long Short-Term Memory (LSTM) حقق أعلى دقة بنسبة 89.72% ودرجة F1 بلغت 86.18%، تم التحقق منها من خلال التحقق المتقاطع Leave-One-Subject-Out (LOSO) مع حجم نافذة مدته أربع ثوانٍ وتردد عينة قدره 25 هرتز. ومن الجدير بالذكر أنه عند تضمين الحصان الذي يحتوي على أكبر قدر من البيانات في مجموعة التدريب، تحسنت دقة النموذج إلى 98.31% مع درجة F1 بلغت 96.21%.
تم تحديد الموضع الأمثل لجهاز الاستشعار على أنه ركبة الفارس، وتؤكد الدراسة على أهمية تحسين مجموعة البيانات من خلال دمج خيول إضافية وتعزيز تقنيات معالجة البيانات، مثل تصفية الضوضاء ودمج الميزات. ستركز الأبحاث المستقبلية على تحقيق التوازن في مجموعة البيانات واستكشاف دمج البيانات من مواقع أجهزة استشعار مختلفة لتحسين متانة النموذج بشكل أكبر. تسهم النتائج في تطوير التكنولوجيا القابلة للارتداء لتعرف نشاط الخيل، مع آثار على مراقبة صحة الفروسية وتعزيز الأداء.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على النمو السريع لسوق الأجهزة القابلة للارتداء المتصلة، الذي شهد زيادة بنسبة 19% من 2021 إلى 2022، ليصل إلى إجمالي 1.1 مليار جهاز. بينما تم استكشاف تعرف نشاط الإنسان (HAR) بشكل موسع، لا يزال تعرف نشاط الحيوان (AAR) تحت البحث، خاصة في السياقات التي تتجاوز سلوك الماشية. تؤكد الدراسة على الفوائد المحتملة لمراقبة حركات الخيل أثناء التدريب لتعزيز الأداء، مشيرة إلى أن الدراسات الحالية في AAR غالبًا ما تعتمد على أجهزة استشعار متعددة ملحقة بالحيوان، مما يؤدي إلى استهلاك مرتفع للبطارية ومخاوف بشأن راحة وسلامة الحيوان.
لمعالجة هذه التحديات، تقترح الدراسة الحالية نهجًا مبتكرًا من خلال إرفاق أجهزة قياس التسارع (Axivity AX6) بالفارس بدلاً من الحصان. يهدف هذا الأسلوب إلى تخفيف المخاوف المتعلقة بعدم الراحة والاضطراب السلوكي المرتبط بأجهزة الاستشعار التي يرتديها الحصان. تسعى الدراسة إلى تحسين مجموعة متنوعة من المعلمات، بما في ذلك معدل العينة، وحجم النافذة، وموقع جهاز الاستشعار، ونموذج التصنيف، لتحسين دقة تصنيف أربع حركات للخيل: التوقف، المشي، الهرولة، والعدو. تتميز الأبحاث بتقييمها لثمانية نماذج تصنيف مختلفة عبر ثلاثة عشر نافذة زمنية وأربعة مواقع لأجهزة الاستشعار على جسم الفارس، مما يسهم في مجال AAR مع التركيز على تعزيز تفاعل الفارس ودقة البيانات.
الطرق
يستعرض قسم “المواد والطرق” التصميم التجريبي والإجراءات المستخدمة في الدراسة. يوضح اختيار المواد، بما في ذلك الكواشف والمعدات المحددة المستخدمة، بالإضافة إلى البروتوكولات المتبعة لضمان قابلية التكرار وموثوقية النتائج. تشمل المنهجية كل من الأساليب النوعية والكمية، مع تسليط الضوء على التحليلات الإحصائية المطبقة لتفسير البيانات.
بالإضافة إلى ذلك، قد يصف القسم تقنيات أخذ العينات، والضوابط التجريبية، وأي اعتبارات أخلاقية ذات صلة بالبحث. من خلال تقديم نظرة شاملة على الطرق، يهدف المؤلفون إلى تسهيل فهم الإطار التجريبي والتحقق من النتائج المقدمة في الأقسام اللاحقة من الورقة.
النتائج
في هذا القسم، يقدم المؤلفون نتائج تحليلهم التي تشمل أربعة معلمات تم تحسينها من خلال البحث الشبكي. تختلف منهجية تحديد قيم المعلمات المثلى بناءً على السياق: يتم استخدام الدقة المتوسطة للمعلمات العامة، مثل اختيار أفضل نموذج تصنيف، بينما يتم استخدام الدقة القصوى للمعلمات المعتمدة على غيرها، مثل تحديد تردد العينة الأمثل لنموذج ثابت. هذا التمييز ضروري لضمان أن أداء النموذج قوي عبر سيناريوهات بيانات مختلفة، خاصة عندما تكون التعميم أولوية.
قيمت الدراسة ما مجموعه 1,664 تكوينًا، مستمدة من تركيبات ثمانية نماذج، وثلاثة عشر حجم نافذة، وأربعة ترددات عينة، وأربعة مواقع لأجهزة الاستشعار، باستخدام مجموعة تدريب ومجموعة تحقق تضمنت بيانات من حصان محدد، تانغو. تم اختيار تانغو بناءً على خبرة فارسه وأدائه المتسق، مما وفر أساس تحقق موثوق. تشير النتائج إلى أن نموذج LSTM-convolutional حقق دقة متوسطة بلغت 89.72% مع التحقق المتقاطع Leave-One-Subject-Out (LOSOCV) عند تضمين موضوع محدد، غالاند، و98.31% عند استبعاده. بالإضافة إلى ذلك، حقق النموذج متوسط درجة F1 بلغت 86.18%، مما يبرز فعاليته في تصنيف الفئات الأربعة للحركات: التوقف، المشي، الهرولة، والعدو.
المناقشة
في هذا القسم، يناقش المؤلفون النتائج من أبحاثهم حول استخدام بيانات أجهزة قياس التسارع للتعرف على الأنشطة الخيلية، مع التأكيد على فعالية نموذج LSTM-convolutional (ConvLSTM2D). أظهر هذا النموذج أداءً متفوقًا مقارنة بالنماذج التقليدية، محققًا دقة متوسطة بلغت 89.72% ودرجة F1 بلغت 86.18% في ظل الظروف المثلى (تردد عينة قدره 25 هرتز، حجم نافذة قدره أربع ثوانٍ، وموقع جهاز الاستشعار على ركبة الفارس). تؤكد الدراسة الأبحاث السابقة التي تشير إلى فعالية نموذج ConvLSTM2D في تعرف نشاط الإنسان، مما يوسع من قابليته للتطبيق في تعرف نشاط الحيوان، وهو مساهمة جديدة في هذا المجال.
كما يبرز المؤلفون أهمية اختيار المعلمات المناسبة لأداء النموذج الأمثل. وجدوا أن حجم نافذة قدره أربع ثوانٍ كان الأكثر فعالية لنموذج ConvLSTM2D، مما يتناقض مع دراسات أخرى اقترحت فترات أطول. بالإضافة إلى ذلك، كان لاختيار موقع جهاز الاستشعار تأثير كبير على الدقة، حيث تفوقت ركبة الفارس على المواقع الأخرى، على الأرجح بسبب قربها من مركز كتلة الحصان. تؤكد هذه النتيجة على الحاجة إلى اعتبار دقيق لموقع جهاز الاستشعار في الدراسات المستقبلية. بشكل عام، تقدم الأبحاث رؤى قيمة حول المنهجيات لتعرف النشاط في الخيول، مما يمهد الطريق للتقدم في كل من مراقبة الحيوان وتطبيقات تدريب الفرسان.
DOI: https://doi.org/10.3390/ani15081080
PMID: https://pubmed.ncbi.nlm.nih.gov/40281916
Publication Date: 2025-04-08
Author(s): Jorn Schampheleer et al.
Primary Topic: Veterinary Equine Medical Research
Overview
This study investigates the use of wearable sensors on riders to classify various horse gaits—halt, walk, trot, and canter—while minimizing discomfort to the horses. By testing four sensor placements on riders (knee, backbone, chest, and arm) with a dataset comprising five riders and seven horses, the research aimed to enhance the accuracy of gait classification. The results indicated that a specialized Long Short-Term Memory (LSTM) convolutional neural network model achieved the highest accuracy of 89.72% and an F1-score of 86.18%, validated through Leave-One-Subject-Out (LOSO) cross-validation with a four-second window size and a sampling frequency of 25 Hz. Notably, when the horse with the most data was included in the training set, the model’s accuracy improved to 98.31% with an F1-score of 96.21%.
The optimal sensor placement was identified as the rider’s knee, and the study emphasizes the importance of refining the dataset by incorporating additional horses and enhancing data preprocessing techniques, such as noise filtering and feature integration. Future research will focus on balancing the dataset and exploring the combination of data from different sensor locations to further improve model robustness. The findings contribute to the development of wearable technology for horse activity recognition, with implications for equestrian health monitoring and performance enhancement.
Introduction
The introduction of this research paper highlights the rapid growth of the market for connected wearable devices, which saw a 19% increase from 2021 to 2022, culminating in a total of 1.1 billion devices. While human activity recognition (HAR) has been extensively explored, animal activity recognition (AAR) remains under-researched, particularly in contexts beyond cattle behavior. The study emphasizes the potential benefits of monitoring horse movements during training to enhance performance, noting that existing AAR studies often rely on multiple sensors attached to the animal, leading to high battery consumption and concerns regarding animal comfort and safety.
To address these challenges, the current study proposes an innovative approach by attaching accelerometers (Axivity AX6) to the rider instead of the horse. This method aims to alleviate concerns related to discomfort and behavioral disruption associated with horse-worn sensors. The study seeks to optimize various parameters, including sampling rate, time window, sensor location, and classification model, to improve the accuracy of classifying four horse movements: halt, walk, trot, and canter. The research is distinguished by its evaluation of eight different classification models across thirteen time windows and four sensor locations on the rider’s body, thereby contributing to the field of AAR with a focus on enhancing rider engagement and data accuracy.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the selection of materials, including specific reagents and equipment used, as well as the protocols followed to ensure reproducibility and reliability of results. The methodology encompasses both qualitative and quantitative approaches, highlighting the statistical analyses applied to interpret the data.
Additionally, the section may describe the sampling techniques, experimental controls, and any ethical considerations relevant to the research. By providing a comprehensive overview of the methods, the authors aim to facilitate understanding of the experimental framework and validate the findings presented in subsequent sections of the paper.
Results
In this section, the authors present the results of their analysis involving four parameters optimized through grid search. The methodology for determining optimal parameter values varies based on the context: average accuracy is employed for general parameters, such as selecting the best classification model, while maximum accuracy is used for parameters dependent on others, like identifying the optimal sampling frequency for a fixed model. This distinction is crucial for ensuring that the model’s performance is robust across various data scenarios, particularly when generalization is a priority.
The study evaluated a total of 1,664 configurations, derived from combinations of eight models, thirteen window sizes, four sampling frequencies, and four sensor locations, using a training set and a validation set that included data from a specific horse, Tango. Tango’s selection was based on his rider’s experience and his consistent performance, which provided a reliable validation basis. The results indicate that the LSTM-convolutional model achieved an average accuracy of 89.72% with leave-one-subject-out cross-validation (LOSOCV) when including a specific subject, Galand, and 98.31% when excluding him. Additionally, the model attained an average F1-score of 86.18%, underscoring its effectiveness in classifying the four gait classes: halt, walk, trot, and canter.
Discussion
In this section, the authors discuss the findings from their research on using accelerometer data for recognizing equine activities, emphasizing the effectiveness of the LSTM-convolutional (ConvLSTM2D) model. This model demonstrated superior performance compared to traditional models, achieving an average accuracy of 89.72% and an F1-score of 86.18% under optimal conditions (sampling frequency of 25 Hz, window size of four seconds, and sensor placement on the rider’s knee). The study corroborates previous research indicating the ConvLSTM2D model’s efficacy in human activity recognition, thereby extending its applicability to animal activity recognition, a novel contribution to the field.
The authors also highlight the importance of selecting appropriate parameters for optimal model performance. They found that a window size of four seconds was most effective for the ConvLSTM2D model, contrasting with other studies that suggested longer intervals. Additionally, the choice of sensor location significantly influenced accuracy, with the knee sensor outperforming others, likely due to its proximity to the horse’s center of mass. This finding underscores the need for careful consideration of sensor placement in future studies. Overall, the research provides valuable insights into the methodologies for activity recognition in equines, paving the way for advancements in both animal monitoring and rider training applications.