El comportamiento del ganado es un indicador significativo del bienestar del ganado. Con los avances en equipos electrónicos, monitorear y clasificar múltiples patrones de comportamiento del ganado se está volviendo cada vez más importante en la gestión de ganado de precisión. El objetivo de este estudio fue detectar estados fisiológicos importantes del ganado utilizando un modelo de red neuronal y sensores electrónicos portátiles. Se desarrolló un nuevo modelo de red neuronal recurrente de memoria a corto y largo plazo (LSTM) que utiliza información bidireccional para clasificar con precisión el comportamiento del ganado y se comparó con LSTM base. Se utilizaron LSTM bidireccional residual profundo y LSTM base para clasificar seis patrones de comportamiento de vacas con tamaños de ventana de 64, 128 y 256 (6.4 s, 12.8 s y 25.6 s, respectivamente). Los resultados mostraron que al usar LSTM bidireccional residual profundo con tamaño de ventana 128, cuatro indicadores de rendimiento de clasificación, a saber, precisión, precisión, recuperación y puntuación F1, lograron los mejores resultados del 94.9%, 95.1%, 94.9% y 94.9%, respectivamente. Los resultados mostraron que el modelo LSTM bidireccional residual profundo se puede utilizar para clasificar datos de series temporales recopilados de doce vacas utilizando collares de unidad de medición inercial. Se pueden clasificar seis patrones de comportamiento del ganado con alta precisión. Este método se puede utilizar para detectar rápidamente si una vaca está sufriendo de dermatomycosis bovina. Además, este método se puede utilizar para implementar técnicas automatizadas y precisas de clasificación del comportamiento del ganado para la ganadería de precisión.