Acoustic-based models to recognize emotional valence in dairy calves

A bioacústica animal é uma ferramenta importante para monitorar diferentes aspectos da fisiologia, comportamento e bem-estar de animais remotamente, de forma não invasiva e contínua. Estudos que utilizam essa ciência estão crescendo, principalmente devido ao desenvolvimento do aprendizado de máquina. Este trabalho visa investigar o uso de classificadores de aprendizado de máquina para determinar se dados de vocalização de bezerros podem ser usados ​​para avaliar seu bem-estar em relação à alimentação. Primeiramente, coletamos dados de vocalização de bezerros antes e depois da alimentação, em diferentes horários do dia e idades. Em seguida, onze métricas baseadas no domínio do tempo, da frequência e da qualidade sonora foram extraídas desses dados de áudio e usadas como características para os classificadores. Essas características foram usadas para determinar se os dados de vocalização pertenciam às classes “antes ou depois da alimentação”. Além disso, as mais relevantes foram identificadas usando o algoritmo Random Forest. Finalmente, sete classificadores de aprendizado de máquina foram treinados e testados, considerando o conjunto completo de características e um subconjunto contendo as características mais relevantes. O classificador k-vizinhos mais próximos, treinado com o subconjunto das características mais relevantes, obteve uma acurácia de 98,37%. Tanto as características no domínio da frequência quanto as características da qualidade sonora desempenharam papéis importantes nessa classificação. As principais implicações deste estudo são o desenvolvimento de uma proposta metodológica para o estudo da acústica utilizando aprendizado de máquina e o fato de a vocalização ser um biomarcador do bem-estar animal .