Một phương pháp thu nhận và tiền xử lý dữ liệu cảm biến gia tốc 3 trục, phục vụ phân loại hành vi của bò

Đo lường – Tin học<br /> <br /> MỘT PHƯƠNG PHÁP THU NHẬN VÀ TIỀN XỬ LÝ DỮ LIỆU CẢM<br /> BIẾN GIA TỐC 3 TRỤC, PHỤC VỤ PHÂN LOẠI HÀNH VI CỦA BÒ<br /> Phùng Công Phi Khanh1,4,*, Hoàng Quang Trung2,<br /> Nguyễn Tiến Anh3, Trần Đức Tân4<br /> Tóm tắt: Phân loại hành vi của bò giúp người ta giám sát được các hoạt động của<br /> bò từ đó có thể theo dõi được sức khỏe và các thời kỳ sinh lý của bò. Để phân loại<br /> hành vi của bò người ta thường sử dụng dữ liệu từ cảm biến gia tốc 3 trục gắn trên cổ<br /> bò. Căn chỉnh là một phương pháp cải thiện hiệu năng của cảm biến bằng cách loại<br /> bỏ lỗi cấu trúc trong dữ liệu đầu ra cảm biến. Trong nghiên cứu này, chúng tôi thu<br /> nhận dữ liệu từ cảm biến gia tốc 3 trục gắn trên cổ bò, thông qua vi điều khiển và hệ<br /> thống truyền không dây đưa dữ liệu về máy tính. Đề xuất phương pháp căn chỉnh cảm<br /> biến, chuẩn hóa dữ liệu đầu ra của cảm biến theo từng giây và xây dựng bộ dữ liệu<br /> dựa trên việc đồng bộ hóa với video quan sát thực tế. Thử nghiệm phân loại hành vi<br /> của bò dùng thuật toán cây quyết định với bộ dữ liệu thu được.<br /> Từ khóa: Cảm biến gia tốc; Truyền thông không dây; Giám sát hoạt động gia súc.<br /> <br /> 1. ĐẶT VẤN ĐỀ<br /> Hiện nay, ở Việt Nam và trên thế giới có nhiều kỹ thuật giúp giám sát sức khỏe, hoạt<br /> động và các vấn đề sinh sản của vật nuôi trên quy mô lớn. Tuy nhiên, những kỹ thuật hiện<br /> tại đang áp dụng còn khá thủ công và cần sự can thiệp của sức người. Việc nghiên cứu các<br /> kỹ thuật và thiết bị mới luôn là một chủ đề được quan tâm mạnh mẽ. Như trong bài báo số<br /> [1], nhóm tác giả lấy dữ liệu từ cảm biến gia tốc 3 trục gắn trên cổ bò để phân tích và tập<br /> trung vào phân loại ba hoạt động của bò gồm: đứng, nằm và ăn. Thuật toán sử dụng khá đa<br /> dạng như thuật toán cây quyết định, K-means, mô hình Markov ẩn (HMM) và thuật toán<br /> máy véc tơ hỗ trợ.<br /> Tuy nhiên, chưa phân biệt rõ sự chuyển trạng<br /> thái từ đứng sang nằm và ngược lại, chưa có một<br /> số trạng thái khác như trạng thái: đi, ngủ, uống<br /> nước và trạng thái nhai lại của bò. Trong bài báo<br /> [2], nhóm tác giả sử dụng nhiều loại cảm biến khác<br /> nhau như: cảm biến gia tốc 3 trục, cảm biến từ<br /> trường 3 trục, cảm biến tốc độ di chuyển, cảm biến<br /> nhiệt độ. Bên cạnh đó, họ xây dựng một nền tảng<br /> cảm biến không dây để thu thập thông tin từ gia<br /> súc mà không cần can thiệp đến chúng. Tuy nhiên,<br /> hệ thống mới dừng lại ở việc lưu trữ dữ liệu trên<br /> thẻ nhớ. Trong bài báo số [3], các tác giả chỉ tập<br /> trung vào việc xác định thời kỳ rụng trứng của Hình 1. Thiết bị trên cổ bò.<br /> giống bò đen ở Nhật dựa vào việc giám sát số bước<br /> chân thời gian thực và truyền thông không dây.<br /> Trong các bài báo chưa đề cập rõ ràng đến việc căn chỉnh cảm biến và chuẩn hóa dữ<br /> liệu đầu ra của cảm biến. Trong nghiên cứu này chúng tôi đề cập đến việc chuẩn hóa dữ<br /> liệu từ cảm biến gia tốc từ thiết bị gắn trên cổ bò (hình 1), giúp có thể xây dựng được<br /> những bộ dữ liệu chuẩn từ đó nâng cao hiệu quả, độ chính xác cho thuật toán phân loại<br /> hành vi của bò. Thử nghiệm phân loại hành vi của bò với bộ dữ liệu thu được sử dụng<br /> thuật toán cây quyết định.<br /> <br /> <br /> 340 P. C. P. Khanh, …, T. Đ. Tân, “Một phương pháp thu nhận … phân loại hành vi của bò.”<br /> Nghiên cứu khoa học công nghệ<br /> 2. NỘI DUNG<br /> 2.1. Hệ thu nhận dữ liệu gắn trên bò<br /> Hệ thống thu nhận dữ liệu gồm hai phần chính. Phần di động gắn trên bò và phần cố<br /> định kết nối với máy tính. Phần di động gắn trên cổ bò (hình 2a) đóng vai trò thu nhận dữ<br /> liệu cảm biến gia tốc 3 trục ở cổ bò đưa về vi điều khiển dsPIC33EP64MC504 [5]. Thiết<br /> bị trên cổ bò sẽ truyền dữ liệu không dây dùng modul Zigbee [7] về thành phần cố định<br /> được kết nối với máy tính (hình 2b).<br /> Modul Modul Modul Zigbee<br /> MPU6050 Zigbee<br /> <br /> dsPIC33EP64MC504 dsPIC33EP64MC504<br /> <br /> <br /> Modul nguồn + Pin Computer<br /> (a) (b)<br /> Hình 2. (a) Thành phần gắn trên cổ bò;<br /> (b) Thành phần cố định kết nối với máy tính.<br /> 2.2. Chuẩn hóa dữ liệu<br /> 2.2.1. Căn chỉnh cảm biến<br /> Thu nhận dữ liệu và tiền xử lý dữ liệu là cần thiết trong các hệ đo. Các cảm biến mặc<br /> dù đã được căn chỉnh tại nơi sản xuất để đạt độ chính xác cao. Tuy nhiên, các cảm biến<br /> không hoàn hảo, nó cần được hiệu chỉnh trong hệ thống mà nó được sử dụng. Căn chỉnh là<br /> một phương pháp cải thiện hiệu năng của cảm biến bằng cách loại bỏ lỗi cấu trúc trong dữ<br /> liệu đầu ra cảm biến. Lỗi cảm biến phân làm 2 loại là lỗi tất định và lỗi ngẫu nhiên.<br /> Xử lý lỗi tất định chúng tôi sử dụng gia tốc trọng trường để căn chỉnh cảm biến. Giả sử<br /> một trục gia tốc của cảm biến quay lên trên so với mặt đất nó sẽ nhận giá trị +1g và khi<br /> quay xuống dưới về phía mặt đất nó sẽ nhận giá trị là –1g. Căn chỉnh cảm biến thực hiện<br /> bằng cách quay cảm biến tại 6 vị trí tĩnh theo bảng 1:<br /> Bảng 1. Căn chỉnh cảm biến.<br /> Giá trị gia tốc nhận được theo các trục<br /> Trạng thái<br /> Ax Ay Az<br /> Xb xuống +1g 0 0<br /> Xb lên -1g 0 0<br /> Yb xuống 0 +1g 0<br /> Yb lên 0 -1g 0<br /> Zb xuống 0 0 +1g<br /> Zb lên 0 0 -1g<br /> <br /> Phương pháp quay cảm biến từ +1g đến -1g giúp ta thu được giá trị 0g chính xác và tin<br /> cậy. Xét trường hợp trục Z, khi quay lên cảm biến cho giá trị Z1 và khi quay xuống giá trị<br /> là Z2. Khi đó ta có:<br /> = + ( + 1) ; = − ( + 1) (1)<br /> Trong đó: là độ lệch theo trục Z, hệ số tỉ lệ theo trục Z. Từ (1) ta có:<br /> <br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san FEE, 08 - 2018 341<br />  Đo lường<br /> lường – Tin h<br /> học<br /> ọc<br /> <br /> = ; = −1 (2)<br /> Vớiới mỗi<br /> mỗi vị trí của cảm biến chúng tôi thu nhận dữ liệu trong khoảng 6 phút với khoảng<br /> 360 ddữ<br /> ữ liệu và<br /> và Z1, Z2 là các giá tr<br /> trịị trung bình.<br /> bình. Theo ph<br /> phương<br /> ương tr<br /> trình<br /> ình (2) chúng tôi tính đư<br /> được:<br /> ợc:<br /> =-46,8<br /> = 46,8 mg mg; = 9,9mg<br /> Tương tựtự chúng tôi tính đđư<br /> ược:<br /> ợc: =<br /> =-0,9<br /> 0,9 mg; = 9,7mg<br /> =18,8<br /> 18,8 mg; = 9,8mg<br /> Lỗi<br /> ỗi ngẫu nhinhiên<br /> ên phân tích theo phương sai Allan [9]. M Mục<br /> ục đích phân tích nhiễu nhiễu ddùng<br /> ùng<br /> Allan là đđểể xác định các thông số đặc tr<br /> trưng<br /> ưng ccủa<br /> ủa từng loại<br /> loại nhiễu<br /> nhiễu.. Các thành phphần<br /> ần nhiễu của<br /> cảm<br /> ảm biến gia tốc có thể đư ợc xác định bằng<br /> được ằng cá<br /> cách<br /> ch phân tích trên đđồồ thị log-log.<br /> log log. Chúng tôi<br /> sử<br /> ử dụng 298 mẫumẫu dữ liệu gia tốc đối với từng trục X, Y, Z vvàà mmỗi<br /> ỗi mẫu llàà giá tr<br /> trịị trung bbình<br /> ình<br /> trong 1s. Xác đđịnh<br /> ịnh hệ số lỗi theo ph<br /> phương<br /> ương sai Allan trong bbảng<br /> ảng 2. DữDữ liệu thô vvàà đđộộ lệch<br /> chuẩn Allan theo trục X đđư<br /> chuẩn ợc thể hiện<br /> ược hiện trong hhình<br /> ình 3a và 3b. Các trtrục<br /> ục Y v<br /> vàà Z cũng<br /> cũng đđược ợc tiến<br /> hành tương ttự.ự.<br /> <br /> <br /> <br /> <br /> (a)<br /> <br /> <br /> <br /> <br /> (b)<br /> <br /> <br /> <br /> <br /> Hình 3. (a) D<br /> Dữ<br /> ữ liệu theo trục X<br /> X;<br /> (b) Độ<br /> Độ lệch chuẩn Allan với trục XX..<br /> <br /> B<br /> Bảng 2 Xác định<br /> ảng 2. định hệ số lỗi theo ph<br /> phương<br /> ương sai Allan<br /> Allan..<br /> X Y Z<br /> m/s/√ )<br /> Phương sai ((m 0,0142 0,0105 0,0231<br /> <br /> <br /> <br /> 342 P. C. P. Khanh<br /> Khanh,, …, T. Đ. Tân<br /> Tân,, “M<br /> “Một<br /> ột ph<br /> phương<br /> ương pháp thu nh<br /> nhận<br /> ận … phân loại h<br /> hành<br /> ành vi ccủa<br /> ủa bbò.”<br /> .”<br /> Nghiên cứu khoa học công nghệ<br /> 2.2.2. Chuẩn hóa dữ liệu<br /> Chuẩn hóa dải đo từ giá trị thô dùng modul MPU6050. Modul MPU6050 thiết lập để<br /> do giá trị 16 bit có các dải đo ±2, 4, 8, 16g. Trong nghiên cứu này chúng tôi sử dụng dải ±<br /> 8g và dữ liệu thô được tính theo phương trình (3):<br /> G = (Giá trị đo) × = (Giá trị đo) × 2 (3)<br /> Xg = X × 2 Yg = Y × 2 Zg = Z × 2<br /> Nhận biết trạng thái của bò thông qua xử lý dữ liệu dữ liệu từ cảm biến gia tốc 3 trục<br /> gắn ở cổ bò. Chúng tôi đề xuất chuẩn hóa dữ liệu theo từng giây. Trong 1s chúng tôi nhận<br /> được từ 9 đến 12 giá trị cảm biến gia tốc và giá trị sử dụng là là trị trung bình trong 1 giây.<br /> Việc thu dữ liệu thông qua hệ thống không dây về máy tính kết hợp với dữ liệu quan<br /> sát thông qua video ghi hình đồng bộ với việc thu dữ liệu. Qua quan sát video, chúng tôi<br /> ghi lại các hành vi của bò để làm dữ liệu chuẩn. Hình 4 là dữ liệu gia tốc ba trục thu được<br /> tương ứng với hành vi của bò mà chúng tôi thử nghiệm.<br /> <br /> <br /> <br /> <br /> Hình 4. Dữ liệu gia tốc theo ba trục X, Y, Z ứng với các hành vi của bò.<br /> 3. THỬ NGHIỆM PHÂN LOẠI VỚI BỘ DỮ LIỆU THU ĐƯỢC<br /> 3.1. Bộ tham số đánh giá phân loại hành vi<br /> Chúng tôi sử dụng thuật toán cây quyết định để phân loại hành vi của bò. Để xác định<br /> thuộc tính cho thuật toán cây quyết định, dữ liệu là liên tục thông thường người ta sử dụng<br /> “Gini-index” hoặc “information-Gain” để xác định hằng số ngưỡng. Nhưng trong bài toán<br /> này, chúng tôi xây dựng các tham số VeDBA dùng để xác định mức độ tiêu hao năng<br /> lượng của bò. Các bước của thuật toán như sau:<br /> - Thu thập dữ liệu gia tốc theo 3 trục X, Y, Z<br /> - Tính hằng số ngưỡng A cho giá trị VeDBA<br /> - Xét VeDBA ≥ A => “Hoạt động mức cao” và ngược lại “Hoạt động mức thấp”.<br /> - Khi bò đang nằm hay đứng thì chỉ thay đổi giá trị gia tốc trên trục y. Nên từ y ta tính<br /> ra hằng số ngưỡng B1 và B2 cho SCAY. Nếu SCAY ≤ B1 thì hành vi của bò<br /> là đứng. Nếu SCAY ≥ B2 thì hành vi của bò là nằm.<br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san FEE, 08 - 2018 343<br />  Đo lường – Tin học<br /> Để tính VeDBA chúng ta cần tính DBA, trong đó DBA thể hiện năng lượng tiêu hao<br /> của gia súc theo một chiều. Giá trị của DBA được tính theo công thức (4):<br /> DBAt = Ait= | ∗ − μ | (4)<br /> Trong đó: i = x, y, z thể hiện các trục gia tốc<br /> Ait là các giá trị gia tốc tĩnh<br /> ∗<br /> là các dữ liệu gia tốc động<br /> μ là các giá trị trung bình của dữ liệu gia tốc<br /> _<br /> ∗<br /> μ = _ (5)<br /> _<br /> <br /> Ở đây chúng tôi sử dụng mô hình cửa sổ trượt để tính toán [4].<br /> Gia tốc động toàn thân ODBA được tổng hợp theo công thức (6):<br /> = + + (6)<br /> Véc tơ tổng hợp gia tốc chuyển động toàn thân VeDBA và ODBA là các tham số<br /> thường dùng để xác định mức độ tiêu hao năng lượng ở gia súc. VeDBA được đánh giá là<br /> tốt hơn ODBA. VeDBA được xác định theo công thức (7):<br /> <br /> = + + (7)<br /> <br /> SCAY được sử dụng để xác định sự thay đổi của gia tốc trọng trường y. SCAY được<br /> tính theo công thức (8): ⃗ = ∗ cos (180 − ) (8)<br /> Trong đó β là góc thể hiện sự tương đối giữa trục y với phương ngang.<br /> Hình 5: là dữ liệu VeDBA và SCAY thu được tương ứng với hành vi của bò mà chúng<br /> tôi thử nghiệm.<br /> <br /> <br /> <br /> <br /> Hình 5. Hai đặc trưng VeDBA và SCAY tương ứng với 4 hành vi cần quan sát.<br /> 3.2. Thuật toán đề xuất<br /> Trong công trình [1], tác giả đã sử dụng cây quyết định để phân loại hành vi nằm, đứng<br /> và ăn. Trong nghiên cứu này chúng tôi đề xuất sử dụng thuật toán cây quyết định phân loại<br /> hành vi đi, đứng, nằm và ăn của bò. Lưu đồ thuật toán trình bày trong hình 6.<br /> <br /> <br /> 344 P. C. P. Khanh, …, T. Đ. Tân, “Một phương pháp thu nhận … phân loại hành vi của bò.”<br /> Nghiên cứu khoa học công nghệ<br /> <br /> <br /> Bắt đầu<br /> <br /> <br /> Thu các dữ liệu gia tốc động x, y, z<br /> <br /> <br /> Tính các giá trị gia tốc tĩnh Ax, Ay, Az<br /> <br /> <br /> Tính giá trị VeDBA và SCAY<br /> <br /> <br /> Đúng Sai<br /> VeDBA ≥ A<br /> <br /> Hoạt động Hoạt động<br /> mức cao mức thấp<br /> <br /> Đúng Sai Đúng Sai<br /> SCAY > 0 SCAY< B1<br /> <br /> <br /> SCAY > B2<br /> <br /> <br /> Hành vi ăn Hành vi đi Hành vi đứng Hành vi nằm<br /> <br /> Hình 6. Thuật toán cây quyết định.<br /> 3.3. Hiệu năng của hệ thống<br /> Trong nghiên cứu này chúng tôi sử dụng 2 tham số để đánh giá hiệu năng của hệ thống<br /> đó là độ nhạy và độ chính xác của thuật toán theo công thức (9) và (10).<br /> Độ nhạy: = ; (9) Độ chính xác: = ; (10)<br /> TP là trường hợp thực tế có, thuật toán phân loại thấy có hành vi<br /> FN là trường hợp thực tế có, thuật toán phân loại không thấy hành vi<br /> FP là trường hợp thực tế không có, thuật toán phân loại thấy có hành vi<br /> TN là trường hợp thực tế không có, thuật toán phân loại không thấy hành vi<br /> Thuật toán được đề xuất cần xác định các ngưỡng A, B1 và B2. Ngưỡng A dùng để<br /> phân loại trạng thái hoạt động cao (gồm ăn, đi) và trạng thái hoạt động thấp (đứng, nằm).<br /> Ngưỡng B1 dùng phân loại trạng thái đứng và B2 dùng phân loại trạng thái nằm thông qua<br /> SCAY. Hiệu năng của hệ thống bị ảnh hưởng rất nhiều bởi sự lựa chọn của những ngưỡng<br /> này. Chúng tôi xác định ngưỡng dùng phương pháp sử dụng đường cong ROC. Biểu diễn<br /> TPR (độ nhạy) tương ứng với FPR (tỉ lệ báo động giả) khi biến đổi các giá trị ngưỡng<br /> dùng công thức (11) và (12).<br /> = ; (11)<br /> = ; (12)<br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san FEE, 08 - 2018 345<br />  Đo lường – Tin học<br /> Ngưỡng tốt nhất là giá trị tạo ra cặp TPR và FPR nằm ở góc trái trên cùng của đường cong<br /> ROC [8]. Kết quả thu được là: A =48mg, B1=-133mg và B2= -108mg.<br /> 3.4. Hiệu quả của thuật toán cây quyết định<br /> Bảng 3. Kết quả thực hiện phân loại với các thuật toán.<br /> <br /> Hành vi Độ nhạy (%) Độ chính xác (%) Hiệu năng hệ thống(%)<br /> <br /> Đứng 100 76 61,8<br /> Nằm 100 90 96,3<br /> Ăn 100 94 94,4<br /> Đi 97 93,6 93,9<br /> Tổng cộng 99 88,5 86,7<br /> Bảng 3 cho chúng ta thấy sử dụng thuật toán cây quyết định vừa đơn giản vừa có độ<br /> chính xác cao trong khi phân loại. Hiệu năng của hệ thống thu được là 86,7%, cải thiện<br /> 3,1% so với trường hợp dữ liệu chưa được căn chuẩn. Thuật toán cây quyết định phù hợp<br /> với khả năng xử lý của vi điều khiển. Thuật toán cây quyết định có thể sử dụng để phân<br /> loại hành vi gia súc trong thời gian thực.<br /> 4. KẾT LUẬN<br /> Trong bài báo này chúng tôi đã thực hiện thành công trong việc cải thiện dữ liệu thu<br /> thập từ cảm biến gia tốc ba chiều. Chúng tôi cũng đã thành công khi sử dụng thuật toán<br /> cây quyết định trong việc phân loại hành vi cho gia súc. Từ hành vi của gia súc: đi, ăn,<br /> nằm, đứng giúp người chăn nuôi có thể giám sát trạng thái của gia súc từ đó theo dõi<br /> được sức khỏe và các thời ký sinh trưởng của gia súc để có biện pháp nâng cao hiệu quả<br /> chăn nuôi.<br /> Lời cảm ơn: Bài báo được hỗ trợ từ Đại học Thái Nguyên thông qua đề tài khoa học<br /> và công nghệ, mã số: HĐ2018–TN07-02.<br /> TÀI LIỆU THAM KHẢO<br /> [1]. Diosdado, Jorge A. Vázquez, et al. "Classification of behaviour in housed dairy cows<br /> using an accelerometer-based activity monitoring system." Animal Biotelemetry 3.1<br /> (2015): 1.<br /> [2]. Guo, Ying, et al. "Animal behaviour understanding using wireless sensor<br /> networks." Local Computer Networks, Proceedings 2006 31st IEEE Conference on.<br /> IEEE, 2006.<br /> [3]. Yoshioka, Hajime, Michie Ito, and Yasuyuki Tanimoto. "Effectiveness of a real-time<br /> radiotelemetric pedometer for estrus detection and insemination in Japanese Black<br /> cows." Journal of Reproduction and Development 56.3 (2010): 351-355.<br /> [4]. Thomas G. Dietterich, “Machine Learning for Sequential Data: A Review”, In T.<br /> Caelli (Ed.) Structural, Syntactic, and Statistical Pattern Recognition; Lecture Notes<br /> in Computer Science, Vol. 2396. (pp. 15-30). Springer-Verlag, 2002.<br /> [5]. Microchip, 16-bit DSC for Precision Motor Control, dsPIC33EP64MC504 datasheet,<br /> https://www.microchip.com, Access: June 10, 2018.<br /> [6]. Fedorov, D., Ivoilov, A., Zhmud, V., & Trubin, V. “Using of Measuring System<br /> MPU6050 for the Determination of the Angular Velocities and Linear<br /> Accelerations”. Automation & Software Enginery, 2015, No. 1(11), pp. 75–80.<br /> <br /> <br /> 346 P. C. P. Khanh, …, T. Đ. Tân, “Một phương pháp thu nhận … phân loại hành vi của bò.”<br /> Nghiên cứu khoa học công nghệ<br /> [7]. Modul Zigbee DRF1605: main function, http://www.hmangas.com, Access: June 10,<br /> 2018.<br /> [8]. [8]Akobeng, A. K. (2007). “Understanding diagnostic tests 3: receiver operating<br /> characteristic curves”. Acta paediatrica, Vol. 96(5), pp. 644-647.<br /> [9]. Bhardwaj, R., Kumar, V., & Kumar, N. (2015, October). “Allan variance the stability<br /> analysis algorithm for MEMS based inertial sensors stochastic error”. In Computing<br /> and Communication (IEMCON), 2015 International Conference and Workshop on<br /> (pp. 1-5). IEEE.<br /> ABSTRACT<br /> A METHOD TO ACQUIRE AND PRE-PROCESSING 3 DOF ACCELERATION DATA<br /> FOR CLASSIFICATION OF COWS' BEHAVIORS<br /> Cattle behavior classification helps people monitor cow behaviors so that the<br /> health and physiological periods of cows can be monitored. To categorize the<br /> behavior of cows, the data from the 3-axis acceleromter mounted on their neck is<br /> often used. This paper proposes an effective alignment method that removes<br /> identifiable errors and characterizes the statistical errors of the sensor to improve<br /> the quality of cattle behavior classification. We retrieve data from the 3-axis<br /> acceleration sensor mounted on the cows’neck, through the microcontroller and the<br /> wireless transmission system to the server. Afterthat, accelerated data is then fed<br /> into a proposed decision tree model to classify the obtained behavior. Another<br /> contribution of this work is the development of a behavioral database of cows based<br /> on accelerated data (used for state prediction) and synchronization data from<br /> actual video observations (used for reference, quality assessment of behavior<br /> classification). The test results confirm the reliability of the proposed model.<br /> Keywords: Accelerometer; Wireless communication; Animal activity monitoring.<br /> <br /> Nhận bài ngày 01 tháng 7 năm 2018<br /> Hoàn thiện ngày 10 tháng 9 năm 2018<br /> Chấp nhận đăng ngày 20 tháng 9 năm 2018<br /> 1<br /> Địa chỉ: Trường đại học Sư phạm Hà nội;<br /> 2<br /> Trường đại học Công nghệ thông tin và Truyền thông, Đại học Thái Nguyên;<br /> 3<br /> Học viện Kỹ thuật quân sự;<br /> 4<br /> Trường đại học Công nghệ, Đại học Quốc gia Hà nội.<br /> *<br /> Email: phungcongphikhanh@gmail.com.<br /> <br /> <br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san FEE, 08 - 2018 347<br />