Animal Behavior
Identifying animal behaviours from accelerometers: Improving predictive accuracy of machine learning by refining the variables selected, data frequency, and sample duration
Identifying animal behaviours from accelerometers: Improving predictive accuracy of machine learning by refining the variables selected, data frequency, and sample duration
- 저자: Dunford CE; Marks NJ; Wilson RP; Scantlebury DM
- 출처: - (2024)
- DOI/링크: https://doi.org/10.1002/ece3.11380
- 연구 계열: Topics/Animal Behavior
- 투고일: 2024-02-22
TL;DR
고양이 가속도 자료의 변수·시간 해상도·행동별 표본 시간을 조정해 RF 행동 분류 성능을 비교했다. 실내 검증에서는 확장 변수·행동별 시간 표준화·40 Hz 모델이 가장 정확했으나, 자유롭게 돌아다니는 고양이의 섭식·그루밍 시간은 1 Hz 모델이 더 정확하게 추정했다.
1. 연구 배경 및 동기
- 다루는 문제: 야생동물의 행동은 직접 관찰하기 어려워 몸에 부착한 가속도계로 기록하는 방법이 활용되고 있다. 장기간 축적된 자료의 자동 분류에는 RF 모델이 유용하지만 학습 자료의 구성에 따라 정확도가 달라지는 문제이다.
- 기존의 공백 / 왜 필요한가: 행동 분류에 흔히 쓰이는 변수와 자료 처리 방식이 최적의 정확도를 제공하는지 충분히 검토되지 않았다. 실내 검증에서 정확한 모델이 자유롭게 돌아다니는 개체에서도 정확한지 확인할 필요가 있었다.
2. 관련 연구
- 기존 연구 흐름: 기존 연구는 가속도 자료의 수동 의사결정나무와 RF 모델로 여러 동물종의 행동을 분류했다. 이동 행동은 비교적 정확하게 식별했지만, 자세와 움직임이 불규칙한 그루밍은 오분류가 많았다.
- 이 논문의 위치: 고양이를 육상 포유류 행동의 모델로 삼아 변수 구성·시간 해상도·행동별 표본 시간의 조합으로 만든 RF 모델 8개를 비교했다. 실내 영상 검증과 별도 실외 개체의 행동 시간 비교를 함께 수행했다.
3. 핵심 기여
- 기본 변수 13개와 표준오차 변수 8개를 추가한 확장 변수의 분류 성능을 비교했다.
- 40 Hz 자료와 1초 평균 자료의 성능 차이가 행동 유형에 따라 달라짐을 확인했다.
- 실내 검증 성능이 높아도 실외 섭식·그루밍 추정에는 오류가 발생함을 확인했다.
4. 제안 방법론
- 전체 접근 논리: 영상으로 행동을 확인한 가속도 자료에서 변수 구성·시간 해상도·행동별 표본 시간을 달리한 학습 자료 8개를 만들고 RF 모델을 비교했다. 실내 자료의 분류 성능과 실외 개체의 행동별 시간 일치도를 평가했다.
- 단계:
- 실내 고양이 9마리의 40 Hz 3축 가속도 자료와 영상을 동기화하고, 행동 전환 구간을 제외한 2초 이상 표본 116개를 추출했다.
- 기본 변수 13개 또는 확장 변수 21개, 40 Hz 또는 1초 평균, 전체 표본 또는 행동별 최대 60초 표본을 조합했다.
- 각 자료의 60%로 나무 500개와 분기당 후보 변수 3개를 사용하는 RF 모델을 학습하고, 나머지 40%로 검증했다.
- 실외 고양이 5마리의 행동을 RF로 예측하고, 매시간 첫 15분을 수동 분류한 행동 시간 비율과 ICC로 비교했다.
5. 실험 설정
| 항목 | 내용 |
|---|---|
| 대상/재료 | 실내 고양이 9마리(암컷 4, 수컷 5; 6개월–8세), 실외 고양이 5마리(암컷 4, 수컷 1; 9개월–12세). 실내 행동 표본 116개, 총 54.2분. |
| 처리 조건 | 목걸이 부착 Daily Diary 3축 가속도계, 40 Hz 기록. 휴식·걷기·속보·달리기·목걸이 흔들기·섭식·그루밍 7종 행동. 시간 표준화 자료는 행동별 최대 60초를 무작위 추출하고, 60초 미만이면 전부 포함했다. 실외 기록 총 13.72일, 수동 분류 총 74.88시간. |
| 대조군 | 기본 변수·전체 표본 모델을 포함한 8개 처리 조합 간 비교. 실내 기준은 영상 행동 표지, 실외 비교 기준은 수동 의사결정나무 분류이다. |
| 측정 방법 | 정밀도, 재현율, F-measure, OOB 오류율, Gini 변수 중요도, 행동별 시간 비율. 실외 일치도는 단일 측정·절대 일치·이원 혼합효과 ICC로 평가했다. |
6. 실험 결과 분석
| 지표 | 변화(Δ) | 조건 · 유의성 |
|---|---|---|
| 실내 평균 F-measure | 0.96 ± 0.02 vs 0.74 ± 0.05 | 확장·시간 표준화, 40 vs 1 Hz |
| 실내 OOB 오류율 | 5.26% vs 28.49% | 확장·시간 표준화, 40 vs 1 Hz |
| 변수 추가에 따른 F-measure | 0.96 ± 0.02 vs 0.92 ± 0.03 | 40 Hz·시간 표준화, 확장 vs 기본 |
| 시간 표준화에 따른 F-measure | 0.74 ± 0.05 vs 0.60 ± 0.15 | 확장·1 Hz, 표준화 vs 전체 표본 |
| 빠른 행동의 평균 F-measure | 0.89 ± 0.14 vs 0.59 ± 0.24 | 걷기·속보·달리기·흔들기, 40 vs 1 Hz |
| 실외 행동 시간 ICC | 0.756 ± 0.006 vs 0.751 ± 0.006 | 휴식 제외, 확장·시간 표준화, 40 vs 1 Hz |
| 실외 섭식·그루밍 예측 시간 비율 | 각각 <0.04% | 확장·시간 표준화·40 Hz |
| 실외 섭식·그루밍 시간 추정 | 1 Hz에서 수동 분류와 더 근접 | 확장·시간 표준화, 1 vs 40 Hz |
| 수동 의사결정나무 분류 정확도 | 82.76% | 영상으로 확인한 실내 행동 표본 |
| 변수 중요도 | 상위 10개 중 최소 6개가 표준오차 변수 | 확장·시간 표준화, 40·1 Hz |
제안 기전(인과 사슬):
저자 해석: 이동 표준오차 계산 → 움직임 크기를 더 일정하게 표현 → 행동 구분 개선. 행동별 표본 시간 표준화 → 빈번한 행동에 치우친 학습 완화 → 분류 성능 개선. 1초 평균 계산 → 느리고 불규칙한 움직임 특성 포착 → 실외 섭식·그루밍 시간 추정 개선.
7. 비판적 평가
강점
- 세 가지 자료 처리 요소를 조합한 8개 모델을 동일한 행동 자료로 비교했다.
- 학습에 사용하지 않은 실외 고양이 5마리에서 적용 성능을 평가했다.
- 휴식을 제외한 ICC도 분석해 전체 시간의 90% 이상인 휴식이 일치도를 높이는 영향을 확인했다.
한계 · 의문
- 실외 비교 기준은 직접 촬영한 행동이 아니라 수동 의사결정나무 분류이며, 해당 분류의 실내 정확도는 82.76%이다.
- 실내 행동 자료는 총 54.2분이며, 그루밍과 목걸이 흔들기 표본이 상대적으로 적었다.
- 시간 표준화는 자료 크기도 줄이므로 OOB 오류율 증가를 과적합 감소만으로 해석하기 어렵다.
8. 향후 연구 방향
- 동물 부착 카메라나 직접 관찰로 실외 행동 예측을 검증한다.
- 야생 개체에서 확보한 행동 자료로 모델을 학습한다.
- 동물종과 목표 행동의 움직임 주기에 맞춰 변수와 평균 계산 시간을 조정한다.
9. 결론
가속도 자료의 변수 선택·시간 해상도·행동별 표본 시간은 RF 행동 분류 성능을 좌우하는 요소이다. 실내 검증 성능만으로 실외 적용 정확도를 보장하기 어려우므로, 목표 행동에 맞춘 자료 처리와 현장 검증이 필요한 연구이다.
Keywords
animal behaviour, accelerometer, domestic cat, Felis catus, random forest, machine learning, predictive accuracy, data processing
원문 그림





원문 그림 · 라이선스: cc-by