Utiliser la technologie radar pour surveiller les animaux de compagnie

Reconnaître ce que font les animaux de compagnie est important pour les garder en bonne santé et heureux. Beaucoup de propriétaires d'animaux et de vétérinaires veulent savoir comment les animaux se comportent pour repérer rapidement d'éventuels problèmes de santé. Suivre les activités d'un animal peut aider à mieux comprendre sa santé.

#Méthodes Traditionnelles de Suivi du Comportement Animal

Les gens suivent généralement le comportement de leurs animaux de compagnie avec des appareils comme des colliers et des caméras. Cependant, ces appareils peuvent avoir des problèmes. Les dispositifs portables peuvent être inconfortables pour les animaux, et les caméras soulèvent des questions de vie privée.

#L'Utilisation de la Technologie Radar

La technologie radar, souvent utilisée pour surveiller les humains, peut aider à suivre les activités des animaux sans les inconvénients des méthodes traditionnelles. Cette technologie peut analyser de petits mouvements grâce aux ondes radar.

Dans cette étude, nous utilisons un type spécifique de radar appelé radar FMCW mm-wave. Cet appareil nous aide à recueillir des données sur cinq activités et postures différentes des animaux de compagnie. En combinant la technologie radar avec des méthodes d'apprentissage automatique, nous pouvons distinguer différentes activités et mouvements des animaux.

#Défis dans le Suivi de l'Activité Animale

Suivre l'activité des animaux de compagnie n'est pas simple. Les animaux peuvent bouger aléatoirement, et leur petite taille peut créer du bruit dans les données que nous collectons. Cela rend difficile l'utilisation efficace du radar pour la surveillance. Dans cette étude, nous examinons les différents défis que nous rencontrons en utilisant le radar et comment résoudre ces problèmes.

#Traitement du Signal pour la Reconnaissance de l'Activité des Animaux

Pour faire face aux défis du suivi des animaux avec le radar, nous avons développé plusieurs étapes de traitement spécifiquement conçues pour les animaux. Ces étapes aident à nettoyer et préparer les données que nous collectons, assurant ainsi que nous obtenons les meilleurs résultats possibles lors de la reconnaissance des activités des animaux.

#Suppression du Bruit

La première étape consiste à supprimer tout bruit indésirable de nos données. Cela implique de filtrer les points qui ne représentent pas les mouvements réels de l'animal. Nous pouvons aussi éliminer le désordre statique, qui comprend les objets qui ne changent pas de position dans le temps, comme les meubles. Cela aide à créer une vue plus claire de ce que fait l'animal.

#Agrégation des Données

Comme le nombre de points que nous capturons peut être limité, nous agrégeons les données de plusieurs images. Cela signifie que nous combinons les points collectés à plusieurs moments. En faisant cela, nous pouvons obtenir un ensemble de données meilleur et plus propre pour l'analyse.

#Voxelisation

Ensuite, nous convertissons les données collectées en une structure de grille en utilisant quelque chose appelé voxelisation. Cela implique de décomposer les données 3D en cubes plus petits, ce qui facilite la reconnaissance des motifs par nos algorithmes. Chaque voxel peut représenter de nombreux points, et cela aide à garder nos données organisées.

#Fenêtrage

Enfin, nous appliquons une technique appelée fenêtrage pour préserver l'ordre des données collectées. Cela signifie que nous examinons des segments plus petits de nos données pour maintenir le contexte des mouvements. En utilisant des segments qui se chevauchent, nous pouvons capturer les changements plus précisément.

#Expérimentation avec les Données Radar

Dans nos expériences, nous avons utilisé un appareil radar spécifique pour recueillir des données d'un chien. Nous avons enregistré cinq activités différentes : manger, s'allonger, s'asseoir, se tenir debout et marcher. Le radar a été positionné pour garantir que nous puissions capturer ces activités clairement.

#Mise en Place pour la Collecte de Données

Collecter des données d'animaux peut être délicat car ils ont tendance à bouger et à ne pas rester immobiles. Nous avons abordé cela en enregistrant les données par intervalles courts de 10 secondes. Pour la marche, nous avons utilisé des intervalles plus courts car le chien pouvait rapidement passer à travers le champ de vision du radar.

Au total, nous avons enregistré plus de 2200 secondes de données sur toutes les activités.

#Prétraitement des Données

Une fois que nous avons nos données brutes, elles passent par plusieurs étapes de traitement. Cela garantit que lorsque nous analysons les données, nous obtenons les résultats les plus précis possibles.

#Techniques de Suppression du Bruit

Nous commençons par supprimer le bruit des données, en appliquant des algorithmes qui filtrent les points qui n'aident pas à comprendre les activités du chien.

#Stratégies d'Agrégation des Données

Ensuite, nous examinons différentes stratégies d'agrégation des données. En testant diverses méthodes pour combiner les données de plusieurs images, nous déterminons que fusionner deux images nous donne les meilleurs résultats sans perdre d'informations cruciales sur les mouvements du chien.

#Classification des Activités des Animaux

Après avoir traité les données, nous avons utilisé quatre modèles différents pour classifier les activités du chien. Chaque modèle a des points forts et des faiblesses différents.

#Machine à Vecteurs de Support (SVM)

Le premier modèle s'appelle Machine à Vecteurs de Support (SVM). Au départ, nous avons réduit les dimensions des données pour faciliter le traitement. Malgré certaines limitations, il a fourni une base de comparaison avec les autres méthodes.

#Perceptron Multi-Couches (MLP)

Le deuxième modèle est le Perceptron Multi-Couches (MLP), un type de réseau de neurones artificiel. Ce modèle est plus complexe et peut capturer plus de motifs dans les données. Après entraînement, il a atteint une précision modérée.

#Mémoire à Long Terme de Bidirectionnelle (Bi-LSTM)

Ensuite, nous avons exploré les modèles de Mémoire à Long Terme Bidirectionnelle (Bi-LSTM). Ceux-ci sont conçus pour mieux comprendre les séquences, capturant les informations passées et futures. Ce modèle a mieux performé que les précédents.

#Réseau de Neurones Convolutifs Distribués dans le Temps avec Bi-LSTM (TD-CNN + Bi-LSTM)

Enfin, nous avons mis en œuvre un modèle combiné de TD-CNN et Bi-LSTM. Ce modèle intègre à la fois des caractéristiques spatiales et temporelles, ce qui en fait le meilleur dans la reconnaissance des activités du chien.

#Résultats et Évaluation de la Performance

Les résultats ont montré que notre modèle final, TD-CNN + Bi-LSTM, a obtenu la plus haute précision dans la reconnaissance des activités. Nous avons créé une matrice de confusion pour visualiser la performance de notre système avec chaque activité.

#Défis dans la Classification

Certaines activités, comme s'allonger et s'asseoir, ont souvent été confondues en raison de leurs similarités. Cela souligne l'importance d'affiner davantage nos méthodes pour une meilleure précision.

#Analyse des Compromis dans les Techniques de Fenêtrage

Choisir la bonne taille de fenêtre pour analyser nos données est crucial. Nous avons constaté que des tailles de fenêtre plus grandes permettent au modèle de capturer plus de détails, mais peuvent également entraîner moins d'exemples d'entraînement, ce qui peut nuire à la performance.

#Taille de Fenêtre Optimale

Après divers tests, nous avons déterminé qu'une taille de fenêtre de 30 offrait le meilleur équilibre entre détail et quantité de données disponibles pour l'entraînement.

#Limitations et Directions Futures

Malgré notre succès, nous avons rencontré plusieurs défis lors de l'étude. L'un des principaux problèmes était les dimensions limitées des données, ce qui pourrait accroître le besoin de puissance de calcul.

#Suggestions pour Amélioration

Pour améliorer encore notre système, nous suggérons d'utiliser des méthodes avancées comme les signatures micro-Doppler pour mieux capturer les mouvements subtils. Une autre idée est d'utiliser plusieurs appareils radar pour augmenter la quantité de données collectées et améliorer la précision.

#Conclusion

En conclusion, notre étude représente une avancée significative dans l'utilisation de la technologie radar pour reconnaître les activités des animaux de compagnie. En développant des techniques de traitement sur mesure et en explorant divers modèles de classification, nous avons posé les bases d'une surveillance plus efficace du comportement animal. Notre approche basée sur le radar s'attaque à certains problèmes courants rencontrés avec les capteurs portables traditionnels et a le potentiel d'améliorer considérablement la surveillance de la santé animale.

Nous prévoyons de continuer à affiner nos méthodes et à explorer de nouvelles façons d'améliorer notre système à l'avenir.