Using activity and milk yield as predictors of fresh cow disorders

The objective was to determine whether daily walking activity and milk yields could be used as predictors of metabolic and digestive disorders early in lactation. Data were collected from 1996 through 1999 from 1445 dairy cows in 3 Florida herds. Walking activity, milk yield, and other measures were collected from a computerized dairy management system. Mixed models analysis was used for data on cows before their first detected estrus, as identified by difference in activity. Healthy cows were defined as those without any metabolic or digestive disorder during the prebreeding stage, whereas a sick cow had an occurrence of those disorders at any time during the prebreeding stage. Metabolic disorders were ketosis, retained placenta, and milk fever. Digestive disorders included displaced abomasum, indigestion, reduced feed intake, traumatic gastritis, acidosis, and bloat. Data from cows with known cases of ketosis, left displaced abomasum, and digestive disorders were analyzed to determine changes in activity and milk yield before those specific disorders were clinically diagnosed. Although walking activity was generally lower among sick cows, cows with ketosis, left displaced abomasum, and digestive disorders had higher than average activity 8, 9, and 8 d, respectively, before each diagnosed disorder. Daily milk yields of sick cows were approximately 15 kg/d less than milk yields of healthy cows. Milk yields were lower by 6, 7, and 5 d, respectively, before diagnoses of ketosis, left displaced abomasum, and digestive disorders. Cows with ketosis, left displaced abomasum, and general digestive disorders could possibly be detected about 5 to 6 d earlier than clinical diagnoses based on changes in daily walking activity and milk yield.     

基于加速度的小波能量特征及样本熵组合的步态分类算法

摘 要： 目的 针对传统的使用小波分解系数作为特征对走路、上楼、下楼进行分类时不能对具有相同强度加速度信号的步态样本进行分类的问题,提出了一种基于样本熵和小波能量相结合作为特征的分类算法。方法 利用三轴加速度传感器采集走路、上楼、下楼三种步态下的上臂加速度信号,将信号进行小波分解,提取能量特征和样本熵特征,构建决策树分类器和贝叶斯分类器。结果 决策树分类器和贝叶斯分类器的总体分类精度分别为75%和78.75%,使用样本熵与小波能量作为特征的分类精度比仅使用小波能量的分类精度提高了15.85%和19.17%。结论 就步态分类精度而言,样本熵与小波能量相结合的方法优于仅使用传统小波能量方法。     

一种基于微能量采集和节能模式设计的节能方法

本文以计步器为例,探讨了一种基于微能量采集和节能模式设计的节能方法。一方面要选取合适的低功耗芯片,设置合理的低功耗工作模式;另一方面,采用 TI 公司的升压转换器芯片 BQ25504设计微能量采集方案,通过采集周边环境中被浪费的能量供设备使用,以增强设备的续航能力。通过这两方面的节能设计,使计步器的待机时长超过900小时,其节能技术还可广泛应用于其他可穿戴智能硬件产品。     

基于单片机的奶牛计步器的设计

在奶牛养殖业中,奶牛的发情检测在奶牛繁殖管理中具有重要地位,及时发现奶牛发情有利于提高奶牛的繁 殖率和产奶量,增加经济效益。因此,奶牛发情及时和准确鉴定变得举足轻重,传统的人工观察奶牛发情方法已不适应现代奶 牛养殖业的发展要求。本文将介绍以STC89C52 单片机、加速度传感器ADXL345 为核心的奶牛计步器的采用技术及设计过 程,以及基于加速度传感器的奶牛计步器目前发展状况和发展趋势,可实现对奶牛走路所产生步数的自动监测及显示。     

基于谷歌眼镜传感器的曲线拟合计步算法

当前独立的计步器普遍要考虑行人佩戴的部位,如基于手机的计步方法可靠性受限于手机放置位置。根据谷歌眼镜的位置固定特性设计了一种新的计步算法,有效地解决了平地、斜坡、上下楼梯等场景下的计步问题。该算法综合运用谷歌眼镜采集的加速度传感器信号和旋转矢量传感器信号,对这些信号进行快速傅里叶变换滤波处理,用二次曲线拟合信号序列,根据曲线参数阈值进行计步判断。实验结果表明：该算法在平地、斜坡、上下楼梯等场景具有96%以上的准确率。     

基于CC2541和LIS3DSH的计步器设计

设计了一种基于蓝牙低能耗(BLE)CC2541和微机电系统(MEMS)加速度传感器LIS3DSH的计步器,包括运动检测、数据处理和数据传输。数字输出加速度传感器LIS3DSH作为运动检测模块,检测人体运动时加速度变化;CC2541片载系统(SoC)作为核心处理器,对加速度信息进行处理,实现计步功能和数据传输。实验结果表明,该计步系统具有体积小、结构简单、功耗低、工作稳定的特点,能够提供较高精度的计步功能。     

基于蓝牙芯片CC2541 的计步器设计

为了实现穿戴式计步器准确计算步伐,本论文设计了一种基于蓝牙芯片CC2541 和六轴传感器MPU6050 的 电子计步器系统。在开发过程中,自主设计了一个简易的电子计步器系统开发板,实现了运动姿态的检测,加速度数据处理和 步数在蓝牙设备终端显示。实验结果表明：在走100 步时,具有较可靠的稳定性及准确性。该电子计步器可设计为15mm× 15mm的小体积仪器,且结构简单、功耗低、抗振动冲击能力强,能够满足较高精度的计步测量要求。     

基于一种不可行内点法的电力系统无功优化

在应用内点法进行线性规划时,尚不能保证它的全面收敛性。提出了一种新的算法来求解无功线性优化问题。利用潮流雅可比矩阵直接变换求取灵敏度系数,建立无功优化线性规划模型,同时采用一种不可行内点算法来直接求解该问题。IEEE 14节点、30节点、57节点系统的计算结果表明,该算法能有效求解无功优化线性规划问题,同时在初始点的选择上不要求从内点启动,迭代收敛次数稳定,对计算系统的规模不敏感。     

基于微型压力传感器的新型智能计步器磁

目前,随着人们的生活节奏越来越快,健康成为了一个热点话题。为更有效促进人们运动,且更准确、更方便地测量运动量,设计出一个计步器。该计步器是以微型压力传感器为基础,利用人体步行过程中由于自身重力自然对鞋底产生压力,且该压力值有零值和非零值交替变化规律的原理来计步,由压力传感器、主控板、显示模块和控制按键等四部分组成,压力传感器采集到的数据经微处理器处理后送至显示器显示。该计步器完全嵌入鞋体,不用特别携带,结构简单,计步准确。     

基于行为识别匹配的用户日常运动检测

针对用户日常运动过程中步态计步器(Pedometer of Gait, POG)检测问题,相较于传统的统计机器学习方法,基于模板匹配的方法往往具有更高的精度和效率。主要提出了一种基于模板匹配的改进Dynamic Template Wrapping(DTW)方法,并在开源实验数据上做了验证。实验结果显示,相对于传统模板匹配方法和统计学习方法,所提出的IsDTW方法不仅具有相对较高的实验精度(92%),在运行效率上也在一定程度上优于传统方法,对实际应用更具价值。