RESUMO

A cow behavior monitoring system based on the Internet of Things (IoT) has been designed and implemented using tri-axial accelerometer, MSP430 microcontroller, wireless radio frequency (RF) module, and a laptop. The implemented system measured cow movement behavior and transmitted acceleration data to the laptop through the wireless RF module. Results were displayed on the laptop in a 2D graph, through which behavior patterns of cows were predicted. The measured data from the system were analyzed using the Multi-Back Propagation-Adaptive Boosting algorithm to determine the specific behavioral state of cows. The developed system can be used to increase classification performance of cow behavior by detecting acceleration data. Accuracy exceeded 90% for all the classified behavior categories, and the specificity of normal walking reached 96.98%. The sensitivity was good for all behavior patterns except standing up and lying down, with a maximum of 87.23% for standing. Overall, the IoT-based measurement system provides accurate and remote measurement of cow behavior, and the ensemble classification algorithm can effectively recognize various behavior patterns in dairy cows. Future research will improve the classification algorithm parameters and increase the number of enrolled cows. Once the functionality and reliability of the system have been confirmed on a large scale, commercialization may become possible.(AU)

Um sistema de monitoramento de comportamento de vacas baseado na Internet das Coisas (IoT) foi projetado e implementado através do uso de acelerômetro tri-axial, Microcontrolador MSP430, módulo de rádio, frequência sem fio (RF), e um portátil. O sistema implementado mediu o comportamento do movimento da vaca e transmitiu dados de aceleração ao portátil através do módulo RF sem fio. Os resultados foram exibidos no portátil em um gráfico 2D, através do qual os padrões de comportamento das vacas foram previstos. Os dados medidos do sistema foram analisados usando o Multi-retropropagação-Adaptativa algoritmo de Boosting para determinar o estado comportamental específico das vacas. O sistema desenvolvido pode ser usado para aumentar a classificação de desempenho de vaca comportamento através da detecção de aceleração de dados. A precisão excedeu 90% de todas as categorias de classificação de comportamento e a especificidade do andar normal atingiu 96.98%. A sensibilidade foi boa para todos os padrões de comportamento, exceto em pé e deitada, com um máximo de 87.23% para ficar de pé. No geral, o sistema baseado em IoT fornece medição precisa e remota do comportamento da vaca, e o algoritmo de conjunto de classificação pode efetivamente reconhecer vários padrões de comportamento em vacas leiteiras. Pesquisas futuras irão melhorar os parâmetros do algoritmo de classificação e aumentar a quantidade de vacas matriculadas. Uma vez que a funcionalidade e confiabilidade do sistema foram confirmadas em larga escala, a comercialização pode se tornar possível.(AU)

Assuntos

RESUMO

ABSTRACT: A cow behavior monitoring system based on the Internet of Things (IoT) has been designed and implemented using tri-axial accelerometer, MSP430 microcontroller, wireless radio frequency (RF) module, and a laptop. The implemented system measured cow movement behavior and transmitted acceleration data to the laptop through the wireless RF module. Results were displayed on the laptop in a 2D graph, through which behavior patterns of cows were predicted. The measured data from the system were analyzed using the Multi-Back Propagation-Adaptive Boosting algorithm to determine the specific behavioral state of cows. The developed system can be used to increase classification performance of cow behavior by detecting acceleration data. Accuracy exceeded 90% for all the classified behavior categories, and the specificity of normal walking reached 96.98%. The sensitivity was good for all behavior patterns except standing up and lying down, with a maximum of 87.23% for standing. Overall, the IoT-based measurement system provides accurate and remote measurement of cow behavior, and the ensemble classification algorithm can effectively recognize various behavior patterns in dairy cows. Future research will improve the classification algorithm parameters and increase the number of enrolled cows. Once the functionality and reliability of the system have been confirmed on a large scale, commercialization may become possible.

RESUMO: Um sistema de monitoramento de comportamento de vacas baseado na Internet das Coisas (IoT) foi projetado e implementado através do uso de acelerômetro tri-axial, Microcontrolador MSP430, módulo de rádio, frequência sem fio (RF), e um portátil. O sistema implementado mediu o comportamento do movimento da vaca e transmitiu dados de aceleração ao portátil através do módulo RF sem fio. Os resultados foram exibidos no portátil em um gráfico 2D, através do qual os padrões de comportamento das vacas foram previstos. Os dados medidos do sistema foram analisados usando o Multi-retropropagação-Adaptativa algoritmo de Boosting para determinar o estado comportamental específico das vacas. O sistema desenvolvido pode ser usado para aumentar a classificação de desempenho de vaca comportamento através da detecção de aceleração de dados. A precisão excedeu 90% de todas as categorias de classificação de comportamento e a especificidade do andar normal atingiu 96.98%. A sensibilidade foi boa para todos os padrões de comportamento, exceto em pé e deitada, com um máximo de 87.23% para ficar de pé. No geral, o sistema baseado em IoT fornece medição precisa e remota do comportamento da vaca, e o algoritmo de conjunto de classificação pode efetivamente reconhecer vários padrões de comportamento em vacas leiteiras. Pesquisas futuras irão melhorar os parâmetros do algoritmo de classificação e aumentar a quantidade de vacas matriculadas. Uma vez que a funcionalidade e confiabilidade do sistema foram confirmadas em larga escala, a comercialização pode se tornar possível.

RESUMO

Resumo Diminuições no volume da atividade física diária (VAF - número de passos) e na intensidade da atividade física diária (IAF – velocidade média de caminhada) estão relacionadas com a maior incidência de quedas e aumento da incidência de doenças crônico-degenerativas em idosos. Portanto, identificar fatores que possam aumentar o VAF e a IAF torna-se essencial, principalmente para essa população. Desta forma, o objetivo do presente estudo foi investigar a influência da força muscular no VAF e na IAF de idosos saudáveis. Foram recrutados 18 participantes (10 homens e oito mulheres), com idade acima de 60 anos. Os participantes realizaram o teste de uma repetição máxima (1-RM) e utilizaram acelerômetro triaxial durante sete dias consecutivos, para mensurar o VAF e a IAF. Para analisar a influência da força no VAF e IAF realizou-se uma análise de regressão linear simples. Não foram observadas correlações significantes entre a força muscular e o VAF (p = 0,93; r2 = −0,06), assim como, entre a força muscular e a IAF (p = 0,08; r2 = 0,17). Conclui-se que a força muscular não influencia o VAF e a IAF de idosos saudáveis.(AU)

Abstract Reduction in the volume daily physical activity (VAF – number of steps) and in the intensity of daily physical activity (IAF- average walk velocity) are related with higher incidence of falls and increase of incidence of chronic diseases in elderly. However, the identification of factors which may increase the VAF and the IAF became essential, especially in this population. Therefore, the aim of the present study was to investigate the influence of muscle strength in VAF and the IAF of older healthy elderly. It were recruited 18 participants, ten men and eight women, aged above 60 years old. The participants performed the one repetition maximal test (1-RM) and afterwards they used the triaxial accelerometer, during seven consecutive days, to measure the VAF and the IAF. To analyze the influence of muscle strength in the VAF and IAF a simple linear regression analysis was performed. It was not observed significant correlations between the muscle strength and the VAF (p = 0.93; r2 = −0.06), or between muscle strength and the IAF (p = 0.08; r2 = 0.17). In conclusion the muscle strength does not influence the VAF and IAF of healthy older adults.(AU)

Assuntos