0
Le vocalizzazioni suine contengono informazioni comportamentali che possono fungere da indicatori acustici di eventi e stati fisiologici rilevanti per il benessere e la gestione, inclusi segni respiratori, contesti di stress ad alta stimolazione e recettività alla riproduzione. Questo studio presenta un quadro integrato per il monitoraggio non invasivo a livello di evento delle vocalizzazioni suine comportamentali rilevanti in condizioni di allevamento commerciale.
Materiali e Metodi: Utilizza un modello a bassa massa di riconoscimento del comportamento acustico che classifica le vocalizzazioni suine in quattro categorie etologicamente rilevanti (normale, tosse, estro e urlo-normal, cough, oestrus, and scream). Il modello proposto si basa su una rete di memoria sequenziale feedforward profonda gerarchica con memoria del comportamento (HB-DFSMN), che incorpora un meccanismo di decadimento della memoria gerarchica e una fusione dinamica del contesto temporale per migliorare la modellazione delle caratteristiche acustiche a breve termine e ritmiche.
I coefficienti cepstrali Mel-frequency (MFCC-Mel-frequency cepstral coefficients) vengono utilizzati per rappresentare le caratteristiche vocali tempo-frequenza e il modello include livelli di convoluzione separabile in profondità (DPConv-depthwise separable convolution) per l'efficienza computazionale. Il sistema è stato addestrato e valutato su 4.238 campioni vocali etichettati, raccolti da un allevamento di suini commerciale.
Risultati: I risultati dimostrano che il modello riconosce accuratamente categorie comportamentali distinte con una precisione del 97,7% utilizzando solo 0,81 milioni di parametri. Studi di ablazione hanno ulteriormente confermato che i moduli basati sul comportamento migliorano significativamente il riconoscimento di segnali comportamentali significativi. Consentendo il riconoscimento non invasivo e in tempo reale di queste classi di vocalizzazione, il metodo supporta il monitoraggio degli eventi rilevanti per il benessere e la gestione della salute riproduttiva e respiratoria nell'allevamento di precisione.
Conclusioni: L'interpretazione del benessere dovrebbe essere contestualizzata con eventi di gestione e osservazioni ausiliarie, ove disponibili.
Yingying Lv, Yuqing Liu, Yuzhen Song, Jianping Wang, Qian Li, Recognising Behaviourally Relevant Pig Vocalisations for Welfare Assessment via a Lightweight Deep Acoustic Model, Applied Animal Behaviour Science, 2026, 106936, ISSN 0168-1591, https://doi.org/10.1016/j.applanim.2026.106936. (https://www.sciencedirect.com/science/article/pii/S0168159126000274)
