On how to track social individuals behaviors via a mixed HW/SW solution

Nowadays, biologists and social scientists are interested in understanding fundamental evolutionary, ecological, and population processes, such as decision making and activity recognition in a group of individuals. Collective behavior of animals like fish or birds is governed by local mathematical rules. However, discovering the rules and the dynamics in more complex societies requires a different approach. By increasing the complexity of the sensor system and coupling it with a sophisticated machine learning framework, not only we can increase the granularity of the behavior classified by the machine learning pipeline, but we open the way to study the interaction between individuals and groups. In this thesis research work, we propose a new comprehensive solution composed by a sensor system to remotely extract data from social wild animals and a supervised machine learning framework to classify animal behaviors. The system is currently designed for Olive baboons (Papio anubis), which have been our target species for this stage of the project. The sensor system is composed of a main sensor unit which is located in a collar and a secondary unit that we designed as a bracelet. The main unit is composed of a GPS, a 9 axis IMU and a microphone. It provides Wi-Fi and Bluetooth connectivity to allow the primary and secondary units to communicate, as well as to extract the data from the system remotely. We exploit the Bluetooth Low Energy to implement a proximity sensor. The secondary unit is equipped with a 6 axis IMU. The machine learning framework takes as input the information provided by the biologists and provide a full classification for the entire observations. The architecture is based on three main steps. First, a temporal resolution selection to extract the optimal segmentation is performed. Then, to directly represent the social components of individuals, we infer dynamic networks. Finally, we carefully leverage the structure of the behavior of a species to drive the learning process. The proposed solution will allow scientists to have a deeper and more granular understanding of the animal behavior on a long term basis. The two main benefit of this setting will be empowering the scientific community with useful data and information to address animal conservation issues. Secondly, this technology could be adapted to other environment rather than the wild one, such as the possibility to study animals in agricultural, domestic, and habituated settings (such as zoos). This will make an impact on the productivity and efficiency of farms, veterinary health, and wellbeing of domesticated animals. Also humans can be considered as social individuals. This research project aims to provide the foundations to expand the developed tools for applications in a human scenario. This work will be concluded by presenting a case study on human sleep behaviors where the technology and framework developed for the animal environment have been adapted to work in a human environment.

Oggigiorno, la ricerca condotta da biologi e sociologi è focalizzata ad approfondire lo studio di un insieme di importanti processi evolutivi, ecologici e di popolazione, tra cui processi di decision making e riconoscimento di attività in gruppi di individui. I comportamenti di gruppo di animali come pesci o volatili sono governati da regole matematiche locali. Tuttavia, studiare queste regole e le conseguenti dinamiche in società complesse richiede un approccio differente. Questo viene fatto aumentando la complessità dei sistemi di sensori utilizzati ed accoppiando ad essi sofisticati algoritmi di machine learning. In questo modo, non solo possiamo aumentare la granularità dei comportamenti risconosciuti in modo automatico, ma si può aprire la strada ad una metodologia completamente nuova per studiare l'interazione tra individui e gruppi. In questo lavoro di tesi, proponiamo una nuova soluzione composta da un sistema di sensori per estrarre dati remotamente da animali sociali allo stato brado e un framework basato su machine learning per classificare il comportamento di questi animali. In questa fase del progetto, il sistema è stato progettato considerando come caso applicativo la specie dei babbuini verde oliva (Papio anubis). Il sistema di sensori è composto da un'unità primaria posizionata in un collare e un'unità secondaria progettata sotto forma di braccialetto. L'unità primaria è composta da un GPS, un modulo IMU a 9 assi e un microfono. L'unità offre connettività Wi-Fi e Bluetooth permettendo la trasmissione di dati tra le due unità, oltre alla possibilità di estrarre remotamente i dati dal sistema. Inoltre, la tecnologia Bluetooth Low Energy viene utilizzata per implementare un sensore di prossimità. L'unità secondaria è invece equipaggiata con un modulo IMU a 6 assi. Il sistema di classificazione del comportamento riceve le informazione dei biologi e produce una completa classificazione per tutta la durata dell'osservazione. L'architettura del framework si basa su tre elementi principali. Il primo riguarda la ricerca di una risoluzione temporale ottima per classificare il comportamento. Successivamente, il framework rappresenta direttamente le possibili relazione sociale di individui tramite reti dinamiche. L'effettivo apprendimento è realizzato sfruttanto la struttura del comportamente di una determinata specie. La soluzione proposta permetterà agli scienziati di studiare più in profondità e dettaglio il comportamento animale sul lungo termine. I due principali benefici di questa ricerca saranno la possibilità di fornire alla comunità scientifica dati ed informazioni utili per i problemi di conservazione della fauna. In secondo luogo, questa teconologia potrebbe essere adottata in altri scenari rispetto a quello degli animali in natura. Alcuni casi d'uso potrebbero essere applicazioni nel campo dell'allevamento animale, tracciamento di animali domestici e zoo, con l'obiettivo di aumentare la produttività e l'efficienza degli allevamenti, la salute dell'animale e il benessere dell'animale domestico. Per concludere, anche gli umani possono essere considerati individui sociali. Per questo motivo, questo progetto di ricerca si propone di porre le fondamenta per espandere gli strumenti sviluppati in modo che possano essere riadattati per applicazioni che abbiano come oggetto gli esseri umani. Questo lavoro si conclude presentando un caso di studio sull'analisi del sonno umano. Le tecnologie e il framework basato su machine learning utilizzati sono stati riadattati rispetto al lavoro precedentemente fatto in campo animale.