In de huidige tijd, waar sensortechnologie alomtegenwoordig is in mobiele apparaten, wordt activiteitenanalyse steeds gangbaarder, zowel in gezondheidsmonitoring als in fitness-tracking. Deze trend vindt ook zijn weg in de paardensport en veehouderij, waar het monitoren van diergedrag essentiële inzichten biedt in hun gezondheid en welzijn. Traditionele methoden zijn vaak beperkt in het detecteren van gedrag of kunnen slecht generaliseren naar nieuwe data. Dit doctoraatsonderzoek richt zich op het potentieel van deep learning, met zijn geavanceerde computationele capaciteiten, om deze kloof te dichten. Door gebruik te maken van draagbare en inslikbare sensoren, worden data omgezet in inzichten over de activiteiten van het dier. Onze modellen, getest onder diverse omstandigheden, hebben geleid tot de ontwikkeling van een energie-efficiënt model dat activiteiten nauwkeuriger herkent. We hebben niet alleen activiteiten van dressuur en jumpingtrainingen kunnen classificeren om trainingen te optimaliseren, maar ons werk richt zich ook op het detecteren en classificeren van koliek bij paarden, een ernstige aandoening die fataal kan zijn. Automatische detectie kan levensreddend zijn. Verder is de toepassing van deze technologieën onderzocht voor het monitoren van geitengedrag, met gebruik van temperatuur- en versnellingsmetergegevens, om gedragingen zoals lighouding en maagbeweging te onderscheiden en te koppelen aan gezondheidsevaluaties door dierenartsen.