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

Jennifer Magana, Dinu Găvojdian+4 more|arXiv (Cornell University)|Sep 18, 2023

Animal Behavior and Welfare Studies被引用 3

一句话总结

本研究开发了基于奶牛行为传感器数据的机器学习模型，可在数字性皮炎（DD）首次出现当天实现79%的检测准确率，并在两天前实现64%的预测准确率。该方法利用个体奶牛行为变化，为商业自由卧栏饲养系统中的牛群管理与动物福利提供早期预警。

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.

研究动机与目标

• 开发基于行为传感器数据的机器学习模型，以在临床症状首次出现时尽早检测奶牛的数字性皮炎（DD）。
• 在可见临床症状出现前两天预测DD的发生，实现主动管理。
• 基于行为模式，为商业自由卧栏奶牛养殖系统开发实时、自动化的DD监测工具。
• 通过早期检测与干预，改善动物福利，降低DD的流行率与严重程度。
• 验证个体水平行为变化作为早期DD检测与预测可靠指标的可行性。

提出的方法

• 收集并预处理在自由卧栏系统中饲养的泌乳奶牛的行为传感器数据，用于模型训练。
• 使用监督式机器学习算法，基于时间序列行为模式对奶牛是否患有DD进行分类。
• 检测模型基于当天的数据，训练识别临床症状出现当天（第0天）的DD。
• 预测模型基于前期行为数据，训练预测临床症状出现前两天的DD发生。
• 特征工程聚焦于识别与早期DD相关的活动量、躺卧时长及站立模式的异常变化。
• 使用标准分类指标（包括准确率）在保留的测试数据上评估模型性能。

实验结果

研究问题

• RQ1 机器学习模型能否仅使用行为传感器数据，在数字性皮炎首次出现当天实现对奶牛的检测？
• RQ2 这些模型能否在临床症状可见前两天预测数字性皮炎的发病？
• RQ3 活动量与躺卧模式的个体行为变化是否与早期DD发病相关？
• RQ4 此类模型能否在现实商业奶牛养殖环境中有效部署，实现自动化监测？
• RQ5 基于行为的模型在早期DD检测与预测中的预测准确率如何？

主要发现

• 检测模型在临床症状首次出现当天的检测准确率达到79%。
• 预测模型在临床症状出现前两天预测DD发生的准确率达到64%。
• 个体行为异常——特别是躺卧时长与活动量的变化——是早期DD发病的强预测因子。
• 模型在商业自由卧栏奶牛养殖系统中实现了实时、自动化监测的可行性。
• 仅使用行为传感器数据即可作为牛群健康管理中早期预警系统的可靠输入。
• 研究结果支持开发可扩展、非侵入性的工具，以改善奶牛福利并降低DD的流行率。