文献

J-GLOBAL ID：202102287453331999   整理番号：21A2571756

Tri-Axial加速度計を用いたPort Jackson Shark挙動を同定するための機械学習モデルの評価【JST・京大機械翻訳】

Assessment of Machine Learning Models to Identify Port Jackson Shark Behaviours Using Tri-Axial Accelerometers

著者 (5件)： Kadar Julianna P. (Department of Biological Sciences, Faculty of Science and Engineering, Macquarie University, Sydney, NSW 2109, Australia) ,  Ladds Monique A. (Marine Ecosystems Team, Wellington University, Wellington 6012, New Zealand) ,  Day Joanna (Taronga Institute of Science and Learning, Taronga Conservation Society Australia, Sydney, NSW 2088, Australia) ,  Lyall Brianne (Royal (Dick) School of Veterinary Studies, The University of Edinburgh, Easter Bush Veterinary Centre, Midlothian EH25 9RG, UK) ,  Brown Culum (Department of Biological Sciences, Faculty of Science and Engineering, Macquarie University, Sydney, NSW 2109, Australia)
資料名： Sensors (Web)  (Sensors (Web))
巻： 20  号： 24  ページ： 7096  発行年： 2020年 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 運動生態学は,伝統的に大規模な時間スケールにわたる動物の運動に焦点を当ててきたが,センサ技術の進歩により,焦点はますます微細スケールになる。加速度計は動物行動の定量に一般的に適用され,微細スケール(<2s)挙動を解明することができる。機械学習法は動物加速度計データに通常適用される。しかし,それらは理想解を見つけるための多重方法の試験を必要とする。三軸加速度計(10Hz)を用いて,Port Jacksonサメ(Heterodontus portusjacksoni)における4つの挙動を定量化した:2つの微細スケール挙動(<2s)(1)垂直遊泳と(2)採餌のための代理としての咀嚼,および2つの広範囲行動(>2smins)(3)休止と(4)遊泳。検証済みデータを用いて,三軸加速度計から66の要約統計量を計算し,行動間の分化を可能にする最も重要な特徴を評価した。各挙動事象からそれぞれ10と20のサンプルからなる1つと2つの第2の試験セットを作成した。8つの機械学習モデルを開発し,それらの全体的精度と行動特異的精度(1つの分類ツリー,5つのアンサンブル学習者と2つのニューラルネットワーク)を評価した。サポートベクターマシンモデルは,より長い2秒時間(F測度89%;マクロ平均F測度:90%)を使用するとき,4つの行動をよりよく分類した。ここでは,このサポートベクターマシン(SVM)モデルがPort Jacksonサメにおける微細および大規模挙動の両方を確実に分類できることを示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 測度 ,  *加速度計 ,  ニューラルネットワーク ,  多重化 ,  統計量 ,  生態学 ,  動物行動 ,  遊泳 ,  *機械学習 ,  サポートベクトルマシン
準シソーラス用語： アンサンブル学習 ,  採餌 ,  三軸加速度計 , 【Automatic Indexing@JST】

著者キーワード (8件)： 機械学習 ,  加速度計 ,  モデル選択 ,  底生生物 ,  板さい類 ,  エポック ,  サポートベクトルマシン ,  採餌

分類 (2件)： 時間,速度,加速度,角速度の計測法・機器  (AD05040K) ,  生体計測  (EL03020C)

引用文献 (57件)：

• Lea, J.S.E.; Humphries, N.E.; Von Brandis, R.G.; Clarke, C.R.; Sims, D.W. Acoustic telemetry and network analysis reveal the space use of multiple reef predators and enhance marine protected area design. Proc. R. Soc. B Biol. Sci. 2016, 283, 20160717.
• Ferreira, L.C.; Mansfield, K.L.; Thums, M.; Meekan, M.G. Satellite Tracking Technologies and Their Application to Shark Movement Ecology. In Shark Research: Emerging Technologies and Applications for the Field and Laboratory; Carrier, J., Heithaus, M.R., Simpendorfer, C.A., Eds.; CRC Press: Boca Raton, FL, USA, 2019.
• Nakamura, I.; Watanabe, Y.; Papastamatiou, Y.; Sato, K.; Meyer, C. Yo-yo vertical movements suggest a foraging strategy for tiger sharks Galeocerdo cuvier. Mar. Ecol. Prog. Ser. 2011, 424, 237-246.
• Hussey, N.; Kessel, S.; Aarestrup, K.; Cooke, S.J.; Cowley, P.D.; Fisk, A.T.; Harcourt, R.G.; Holland, K.N.; Iverson, S.J.; Kocik, J.F.; et al. Aquatic animal telemetry: A panoramic window into the underwater world. Science 2015, 348, 1255642.
• Brown, D.D.; Kays, R.; Wikelski, M.; Wilson, R.; Klimley, A.P. Observing the unwatchable through acceleration logging of animal behavior. Anim. Biotelem. 2013, 1, 20.

タイトルに関連する用語 (7件)： TRI ,  加速度計 ,  挙動 ,  同定 ,  機械学習 ,  モデル ,  評価