[논문 리뷰] Machine Learning Approaches to Predict and Detect Early-Onset of Digital Dermatitis in Dairy Cows using Sensor Data

Jennifer Magana, Dinu Găvojdian외 4명|arXiv (Cornell University)|2023. 09. 18.

Animal Behavior and Welfare Studies인용 수 3

한 줄 요약

이 연구는 젖소의 행동 센서 데이터를 사용하여 디지털 데르마티티스(DD)를 처음 나타나는 날에 감지하는 기계학습 모델을 개발한다(정확도: 79%)와 동시에 2일 전에 예측하는 모델을 개발한다(정확도: 64%). 이 접근법은 개별 젖소의 행동 변화를 활용하여 상업적 프리스톨 라이징 시스템에서의 축산 관리 및 동물 복지를 향상시키기 위한 조기 경고 시스템을 가능하게 한다.

ABSTRACT

The aim of this study was to employ machine learning algorithms based on sensor behavior data for (1) early-onset detection of digital dermatitis (DD); and (2) DD prediction in dairy cows. With the ultimate goal to set-up early warning tools for DD prediction, which would than allow a better monitoring and management of DD under commercial settings, resulting in a decrease of DD prevalence and severity, while improving animal welfare. A machine learning model that is capable of predicting and detecting digital dermatitis in cows housed under free-stall conditions based on behavior sensor data has been purposed and tested in this exploratory study. The model for DD detection on day 0 of the appearance of the clinical signs has reached an accuracy of 79%, while the model for prediction of DD 2 days prior to the appearance of the first clinical signs has reached an accuracy of 64%. The proposed machine learning models could help to develop a real-time automated tool for monitoring and diagnostic of DD in lactating dairy cows, based on behavior sensor data under conventional dairy environments. Results showed that alterations in behavioral patterns at individual levels can be used as inputs in an early warning system for herd management in order to detect variances in health of individual cows.

연구 동기 및 목표

• 행동 센서 데이터를 활용하여 젖소의 디지털 데르마티티스(DD)를 임상 증상이 나타나는 최초 시점에 감지할 수 있는 기계학습 모델을 개발하는 것.
• 시각적으로 나타나기 전까지 최대 2일 전에 DD 발생 가능성을 예측하여 사전 대응 관리를 가능하게 하는 것.
• 행동 패턴을 기반으로 하여 상업적 프리스톨 젖소 사육 시스템에서 실시간으로 자동 모니터링이 가능한 DD용 도구를 개발하는 것.
• 조기 감지와 조치를 통해 동물 복지 향상과 DD 유병률 및 심각도 감소를 도모하는 것.
• 개별 수준의 행동 변화가 조기 DD 감지 및 예측에 신뢰할 수 있는 지표로 사용될 수 있는지 검증하는 것.

제안 방법

• 프리스톨 시스템에 소지된 유축 젖소의 행동 센서 데이터를 수집하고 모델 훈련을 위해 전처리하였다.
• 시간에 따른 행동 패턴을 기반으로 젖소가 DD가 있는지 여부를 분류하기 위해 지도 기반 기계학습 알고리즘을 훈련시켰다.
• 감지 모델은 임상 증상이 나타나는 날(Day 0)의 데이터를 사용하여 해당 날에 DD를 식별하도록 훈련시켰다.
• 예측 모델은 이전의 행동 데이터를 기반으로 임상 증상이 나타나기 2일 전에 DD 발생 가능성을 예측하도록 훈련시켰다.
• 특성 공학은 조기 DD를 암시하는 활동량, 누워 있는 시간, 서 있는 패턴의 이질성을 식별하는 데 중점을 두었다.
• 모델 평가에는 정확도를 포함한 표준 분류 지표를 사용하였으며, 별도의 테스트 데이터 세트를 활용하였다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 행동 센서 데이터만을 사용하여 젖소의 디지털 데르마티티스를 처음 나타나는 날에 감지할 수 있는가?
• RQ2 이러한 모델은 시각적으로 증상이 나타나기 전에 2일 전에 디지털 데르마티티스의 발생을 예측할 수 있는가?
• RQ3 활동량과 누워 있는 시간 패턴의 개별 수준 행동 변화는 조기 DD 발생과 관련이 있는가?
• RQ4 이러한 모델은 실생활 상업적 젖소 사육 환경에서 자동 모니터링을 위해 효과적으로 구현될 수 있는가?
• RQ5 행동 기반 모델의 조기 DD 감지 및 예측 정확도는 얼마인가?

주요 결과

• 감지 모델은 임상 증상이 나타나는 날에 디지털 데르마티티스를 79%의 정확도로 식별하였다.
• 예측 모델은 시각적 증상이 나타나기 2일 전에 DD 발생 가능성을 64%의 정확도로 예측하였다.
• 특히 누워 있는 시간과 활동량의 개별 행동 이질성은 조기 DD 발생의 강력한 예측 지표였다.
• 모델들은 상업적 프리스톨 젖소 사육 시스템에서 실시간 자동 모니터링이 가능하다는 점을 입증하였다.
• 행동 센서 데이터만으로도 헤르드 건강 관리의 조기 경고 시스템에 신뢰할 수 있는 입력 자료로 활용될 수 있다.
• 결과는 디지털 데르마티티스 유병률 감소와 젖소 복지 향상을 위한 확장 가능한 비침습적 도구 개발의 가능성을 뒷받침한다.