Accelerometer biologgers är ett verktyg för att identifiera beteenden hos djur. För att kunna använda accelerometern effektivt är det viktigt att träna en maskin–inlärning algoritm för att kunna identifiera olika beteenden utifrån accelerations data. Denna studie testar om accelerometer går att effektivt använda på gäddan (Esox lucious) för att kunna identifiera de olika beteendena för att senare kunna användas på en stor skalig studie. Fem gäddor användes i studien och varje gädda hade en accelerometer i sin kroppshålighet. Gäddorna var filmade i en pool och data användes för att träna en maskin-inlärnings algoritm för att identifiera åtta beteenden, simmar, simmar tillsammans med andra gäddor, hantering av byte, inaktivitet, skrämd/flyr, lyckad attack, misslyckad attack och attack mot en annan gädda. Studien visar att det går att se skillnad mellan beteendena till en viss gräns. Inaktivitet, simmar och de olika attackerna kunde skiljas åt. Det gick inte att se skillnad mellan simmar och simmar tillsammans samt se skillnad mellan de olika attackerna. Flykt kan blandas ihop med simmar och attackerna. För att se skillnad mellan lyckad och misslyckad attack kan hantering av byte användas för att identifiera lyckad attack, dock funkar bara då bytet inte sväljs helt. Programmet behöver mer träning för att inte missta flykt och de olika attackerna med hantering av byte. Studien visar att accelerometer kan användas på en större skala, huvudsakligen för att se skillnad mellan inaktivitet, attacker och simmar. / Acceleration biologgers are tools to measure activity in animals and to identify behavioural modes. To use this technology efficiently it is important to train a machine learning algorithm to identify behavioural modes from acceleration data. This study test this technology on the Northern pike (Esox luscious) to determine if it is possible to measure pike behaviour in larger field’s studies. To do this five Northern pike was caught and implanted with accelerometers. The pikes were filmed in a pool with the accelerometer in their body cavity and the data was used to train a machine learning algorithm to identify eight behaviours, swimming, swimming together with other pikes, attacking other pikes, fleeing/scared, successful attack, unsuccessful attack, prey handling and inactivity (sleeping, waiting etc.). Inactive, swimming and the three attacks can be differentiated. Swimming and swimming together could not as well for the three different attacks. To differentiate successful attack and unsuccessful attack prey handling can help to identify successful attack. This only works if the prey was not swallowed directly. The results are promising as it indicates that with practice the program can be used at a larger scale field study to identify inactivity, swimming and attacks.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:lnu-96302 |
| Date | January 2020 |
| Creators | Andersson, Oskar |
| Publisher | Linnéuniversitetet, Institutionen för biologi och miljö (BOM) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0018 seconds