Machine Learning appliqué au suivi du comportement pour identifier maladies, états reproductifs et perturbations des vaches laitières

Autor: Veissier, Isabelle, Lardy, Romain, Mialon, Marie-Madeleine, Ruin, Q., Antoine, V., Koko, J.
Přispěvatelé: Unité Mixte de Recherche sur les Herbivores - UMR 1213 (UMRH), VetAgro Sup - Institut national d'enseignement supérieur et de recherche en alimentation, santé animale, sciences agronomiques et de l'environnement (VAS)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE), Laboratoire d'Informatique, de Modélisation et d'Optimisation des Systèmes (LIMOS), Ecole Nationale Supérieure des Mines de St Etienne (ENSM ST-ETIENNE)-Centre National de la Recherche Scientifique (CNRS)-Université Clermont Auvergne (UCA)-Institut national polytechnique Clermont Auvergne (INP Clermont Auvergne), Université Clermont Auvergne (UCA)-Université Clermont Auvergne (UCA), Institut de l'Elevage, INRAE
Jazyk: angličtina
Rok vydání: 2022
Předmět:
Zdroj: 26. Rencontres autour des Recherches sur les Ruminants (3R 2022)
26. Rencontres autour des Recherches sur les Ruminants (3R 2022), Institut de l'Elevage; INRAE, Dec 2022, Paris, France. pp.562-564
Popis: Séance : Bien-être animal; International audience; Animal behaviour is very sensitive to any external disturbance or change in the animal internal state. We sought to predict and classify a wide range of health, stress and physiological states from daily activity of dairy cow. We had six datasets (total, 122,000 cows*days). The caretakers noted the condition of the cows: illness, oestrus, calving, disturbances (handling, mixing. Cows were equipped with sensors to estimate the duration of activities - eating, resting, in the alleys - from which the activity level was calculated. We modelled the rhythm of activity by the Fourier transform (Harmonics 0 and 1). If the difference between the models obtained during 2 series of 24 h is higher than a certain threshold, there is a strong chance that a particular event has occurred: illness, stress, heat, farrowing. The change takes place before the caretakers spot the event. Next, we applied random forest to attributes describing the 24 h activity series (minimum, maximum, average, autocorrelations...). We correctly classify 99% of the control series (= very rare false positive) and in an episode surrounding a disease or a reproductive event, the probability of correctly classifying at least one series varies from 94 to 100%. Machine learning applied to time series seems therefore a very powerful tool to analyse the behaviour of animals and diagnose its internal state.; Le comportement d’un individu est très sensible à toute perturbation extérieure ou modification de l’état interne. Nous avons cherché à prédire et à classer un large éventail d'états de santé, de stress et d'états physiologiques à partir de l'activité quotidienne de vaches laitières. Nous disposions de six jeux de données (au total 122 000 vaches*jours). Les soigneurs notaient l'état des vaches : maladie, oestrus, vêlage, perturbations (manipulations, mélange). Les vaches étaient équipées de capteurs permettant d’estimer la durée des activités - manger, se reposer, dans les couloirs – à partir desquelles était calculé le niveau d’activité. Nous avons modélisé le rythme d’activité par des transformées de Fourier (Harmoniques 0 et 1). Si l’écart entre les modèles obtenus au cours de 2 séries de 24 h est supérieur à un certain seuil, il y a de fortes chances qu’un événement particulier soit survenu : maladie, stress, chaleurs, mise-bas. Le changement s’opère avant que les soigneurs repèrent l’évènement. Ensuite, nous avons appliqué le random forest à des attributs décrivant les séries d’activité de 24 h (minimum, maximum, moyenne, autocorrélations…). Nous classons correctement 99% des séries témoins (= quasiment pas de fausse alertes) et dans un épisode qui entoure une maladie ou un événement reproductif, la probabilité de classer correctement au moins une série varie de 94 à 100%. L'apprentissage automatique appliqué à des séries temporelles semble donc un outil très puissant pour analyser le comportement des animaux et diagnostiquer son état interne.
Databáze: OpenAIRE
Externí odkaz: