DOI: https://doi.org/10.3390/s24103157
PMID: https://pubmed.ncbi.nlm.nih.gov/38794011
تاريخ النشر: 2024-05-16
المؤلف: Guillermo Hernández وآخرون
الموضوع الرئيسي: دراسات سلوك الحيوان ورفاهيته
نظرة عامة
تقدم هذه الدراسة نهجًا جديدًا لمراقبة الماشية من خلال استخدام خوارزميات ذكية تحلل البيانات من أجهزة استشعار منخفضة التكلفة لتحديد سلوك الحيوانات، مثل الرعي، والتجشؤ، والمشي. تعتمد المراقبة التقليدية على الملاحظة المباشرة، والتي غالبًا ما تكون غير عملية. حققت الدراسة دقة بنسبة 57% لتصنيف السلوك العام (أربع فئات) و85% لتصنيف سلوك الوقوف (فئتين) باستخدام مصنفات الدعم المتجه وطرق التجميع المعتمدة على الأشجار. تشير هذه النتائج إلى خطوة واعدة نحو التنبؤات المحددة بالأحداث، لا سيما في اكتشاف السلوكيات التي تشير إلى الولادة.
يحدد النظام المطور بفعالية الميزات عالية المستوى لسلوك الماشية، مستفيدًا من مجموعتين متميزتين للتسمية للتحليل. تشير النتائج إلى أن الميزات الأكثر إفادة تنشأ من قياسات تشتت سلسلة زمنية المستشعر، حيث أن طرق التجميع المعتمدة على الأشجار (مثل الغابة العشوائية، وتعزيز التدرج) وآلات الدعم المتجه تحقق أعلى دقة. ومع ذلك، تتأثر أداء هذه الخوارزميات بعوامل مختلفة، بما في ذلك موضع المستشعر ومدة الملاحظة، مما يعقد المقارنات المباشرة مع دراسات أخرى. على الرغم من هذه التحديات، تتماشى النتائج مع الأدبيات الموجودة، لا سيما فيما يتعلق بدقة اكتشاف سلوكيات الوقوف والاستلقاء، ويظهر النظام إمكانات لمراقبة التحولات الحرجة التي تشير إلى أحداث الولادة.
مقدمة
تستعرض المقدمة التحديات الملحة التي تواجه الزراعة العالمية، لا سيما في سياق زيادة الطلبات السكانية، والتحضر، وارتفاع استهلاك اللحوم. تسهم هذه العوامل في الضغوط الاقتصادية على المزارع، مما يؤدي إلى زيادة كثافة الحيوانات وتقليل تكاليف العمالة، مما يؤثر سلبًا على أنظمة تربية الماشية الواسعة، مثل تلك الموجودة في ديهيساس إسبانيا ومونتادوس البرتغال. تتطلب المسافة المتزايدة بين الحيوانات موارد أكثر للمراقبة، مما يزيد من التكاليف التشغيلية ويقلل من القدرة التنافسية.
لتخفيف هذه التحديات، اكتسب اعتماد الزراعة الدقيقة (PLF) زخمًا، مستفيدًا من التقدم في إنترنت الأشياء اللاسلكي (W-IoT) والتكنولوجيا القابلة للارتداء للمراقبة المستمرة عن بُعد لصحة ورفاهية الحيوانات. تم تسليط الضوء على أجهزة قياس التسارع كأدوات فعالة لتتبع نشاط الماشية والتنبؤ بالولادة من خلال تحليل فترات الاستلقاء. ومع ذلك، يبقى التمييز بين سلوكيات الاستلقاء والوقوف تحديًا مع بعض مواضع المستشعر. تقترح الدراسة جهاز استشعار مبتكر ومنخفض التكلفة يتم تركيبه على الرقبة يدمج قدرات نظام الملاحة العالمي عبر الأقمار الصناعية (GNSS) والاتصالات اللاسلكية، مصممًا للزراعة الواسعة. يهدف هذا الجهاز إلى تسهيل جمع البيانات وتحليلها في الوقت الحقيقي، باستخدام خوارزميات التعلم الآلي لاكتشاف حالات فسيولوجية مختلفة للحيوانات، مما يعزز عمليات اتخاذ القرار للمزارعين.
طرق
في قسم “الطرق”، يوضح المؤلفون المعدات المستخدمة طوال الدراسة، مع التأكيد على أهميتها لأهداف البحث. يحددون إجراء جمع البيانات، الذي يتضمن بروتوكولات وتقنيات محددة تم استخدامها لجمع البيانات بشكل منهجي. بالإضافة إلى ذلك، يصف المؤلفون هيكل مجموعة البيانات الناتجة، مع تسليط الضوء على السمات الرئيسية والتنظيم الذي يسهل التحليل اللاحق. يضمن هذا النهج الشامل أن تكون المنهجية شفافة وقابلة للتكرار، مما يسمح بالتحقق من النتائج المقدمة في الدراسة.
نتائج
تشير النتائج إلى أن طريقة التجميع تؤثر بشكل كبير على مقاييس المعلومات المتبادلة المتعلقة بتفريق الفئات. بالنسبة للمكونات الديناميكية مثل السرعة الزاوية والتسارع، تظهر الانحرافات المعيارية كأكثر طرق التجميع إفادة، بينما توفر الانحرافات الحدية فائدة ضئيلة. على النقيض من ذلك، بالنسبة لبيانات درجة الحرارة، فإن متوسط قيمة درجة الحرارة أكثر فعالية لتفريق الفئات من الانحراف المعياري. يشير ذلك إلى أنه بالنسبة للمكونات الديناميكية، يجب إعطاء الأولوية للحظات من الدرجة الثانية، بينما يُفضل المتوسط لبيانات درجة الحرارة.
تظهر دقة الخوارزميات المختلفة تحسنًا طفيفًا مع زيادة أحجام النوافذ، مع نطاق موصى به يتراوح بين 30 إلى 120 ثانية لاتخاذ قرارات مثلى. تظهر طرق التجميع، بما في ذلك الغابة العشوائية، وتعزيز التدرج، والأشجار العشوائية للغاية، جنبًا إلى جنب مع آلات الدعم المتجه (SVMs)، أداءً متفوقًا. من الجدير بالذكر أن الأشجار العشوائية للغاية فعالة حسابيًا لأحجام النوافذ الصغيرة، بينما تتفوق SVMs مع مجموعات بيانات أكبر. تشير تحليل التحولات إلى أن الدقة تتحسن مع زيادة عدد التحولات، مما يشير إلى أن الخوارزميات يمكن أن تستخدم البيانات المتزايدة بشكل فعال دون الإفراط في التكيف. تكشف مصفوفات الالتباس عن دقة متوسطة تبلغ 0.85 لتصنيف ثنائي لسلوك الوقوف، بينما تبقى التحديات قائمة في التمييز بين حالات الرعي والاستراحة في التصنيف الرباعي. بشكل عام، تسلط الدراسة الضوء على إمكانات أجهزة الاستشعار المثبتة على الرقبة في التنبؤ بحالة الماشية، مع مجالات لتحسينات مستقبلية في أداء النموذج.
مناقشة
في هذا القسم، يوضح المؤلفون الأجهزة والمنهجية المستخدمة لجمع وتحليل البيانات من الأجهزة القابلة للارتداء المثبتة على الرقبة والتي تم تركيبها على الماشية. تم استخدام الأجهزة، التي تشمل مقياس حرارة رقمي، ومستشعر GNSS، ووحدة قياس التسارع ذات 9 محاور (IMU)، لجمع بيانات استشعار واسعة على مدار عام كامل في مزرعة ماشية في سالامانكا، إسبانيا. تضمنت عملية جمع البيانات ملاحظات بشرية تقوم بتعليق سلوكيات الأبقار، مما أسفر عن مجموعة بيانات تتكون من أكثر من 1900 ساعة من البيانات المعلّقة من سبعة أبقار لحم، مع أكثر من 120 مليون نقطة بيانات مصنفة. تم تصنيف التعليقات إلى سلوكيات عامة وسلوكيات وقوف، مع ملاحظة عدم توازن في توزيع الأفعال.
يصف المؤلفون معالجة البيانات، التي تضمنت تجميع قراءات المستشعرات في نوافذ زمنية متحركة لتسهيل التنبؤات. تم حساب مقاييس إحصائية مختلفة، بما في ذلك المتوسط، والانحراف المعياري، والانحراف، للبيانات المجمعة، بينما تم تحديد تسميات الفئات باستخدام الوضع. استخدمت مرحلة بناء النموذج خوارزميات التعلم الآلي من حزمة scikit-learn، مع التركيز على طرق التجميع المعتمدة على الأشجار وآلات الدعم المتجه، التي حققت أعلى معدلات دقة تبلغ 0.57 للسلوك العام و0.85 لسلوك الوقوف. استخدمت التقييم طريقة Leave One Group Out cross-validation لضمان تقييم أداء غير متحيز. على الرغم من التحديات في تصنيف البيانات والتباين الفطري لبيئة الزراعة، يظهر النظام المطور إمكانات لمراقبة سلوك الماشية، لا سيما في التنبؤ بأحداث الولادة.
DOI: https://doi.org/10.3390/s24103157
PMID: https://pubmed.ncbi.nlm.nih.gov/38794011
Publication Date: 2024-05-16
Author(s): Guillermo Hernández et al.
Primary Topic: Animal Behavior and Welfare Studies
Overview
This research presents a novel approach to livestock monitoring by utilizing intelligent algorithms that analyze data from low-cost sensors to determine animal behavior, such as grazing, ruminating, and walking. Traditional monitoring relies on direct observation, which is often impractical. The study achieved an accuracy of 57% for general behavior classification (four classes) and 85% for standing behavior classification (two classes) using support vector classifiers and tree-based ensemble methods. These results indicate a promising step toward event-specific predictions, particularly in detecting behaviors indicative of calving.
The system developed effectively identifies high-level features of cattle behavior, leveraging two distinct labeling groups for analysis. The findings suggest that the most informative features arise from the dispersion measurements of sensor time series, with tree-based ensemble methods (e.g., random forest, gradient boosting) and support vector machines yielding the highest accuracy. However, the performance of these algorithms is influenced by various factors, including sensor placement and observation duration, which complicates direct comparisons with other studies. Despite these challenges, the results align with existing literature, particularly regarding the accuracy of detecting standing and lying behaviors, and the system shows potential for monitoring critical transitions that signal calving events.
Introduction
The introduction outlines the pressing challenges faced by global agriculture, particularly in the context of increasing population demands, urbanization, and rising meat consumption. These factors contribute to economic pressures on farms, leading to higher animal densities and reduced labor costs, which adversely affect extensive livestock farming systems, such as those found in Spain’s dehesas and Portugal’s montados. The growing distance between animals necessitates more resources for monitoring, thereby increasing operational costs and reducing competitiveness.
To mitigate these challenges, the adoption of Precision Livestock Farming (PLF) has gained traction, leveraging advancements in the Wireless Internet of Things (W-IoT) and wearable technology for continuous remote monitoring of animal health and welfare. Accelerometers are highlighted as effective tools for tracking cattle activity and predicting calving through the analysis of lying bouts. However, differentiating between lying and standing behaviors remains a challenge with certain sensor placements. The study proposes a novel, low-cost, neck-mounted sensor device that integrates Global Navigation Satellite System (GNSS) capabilities and wireless communication, optimized for extensive farming. This device aims to facilitate real-time data collection and analysis, employing machine learning algorithms to detect various physiological states of the animals, thereby enhancing decision-making processes for farmers.
Methods
In the “Methods” section, the authors detail the equipment utilized throughout the study, emphasizing its relevance to the research objectives. They outline the data collection procedure, which includes specific protocols and techniques employed to gather data systematically. Additionally, the authors describe the structure of the resulting dataset, highlighting key attributes and organization that facilitate subsequent analysis. This comprehensive approach ensures that the methodology is transparent and reproducible, allowing for validation of the findings presented in the study.
Results
The results indicate that the aggregation method significantly influences the mutual information metrics related to class differentiation. For dynamic components like angular velocity and acceleration, the standard deviation emerges as the most informative aggregation method, while skewness provides minimal utility. In contrast, for temperature data, the mean temperature value is more effective for class differentiation than the standard deviation. This suggests that for dynamic components, second-order moments should be prioritized, whereas the mean is preferable for temperature data.
The accuracy of various algorithms shows a slight improvement with increasing window sizes, with a recommended range of 30 to 120 seconds for optimal decision-making. Ensemble methods, including random forest, gradient boosting, and extremely randomized trees, along with support vector machines (SVMs), demonstrate superior performance. Notably, extremely randomized trees are computationally efficient for smaller window sizes, while SVMs excel with larger datasets. The analysis of shifts indicates that accuracy improves as the number of shifts increases, suggesting that algorithms can effectively utilize incremental data without overfitting. Confusion matrices reveal a mean accuracy of 0.85 for binary classification of standing behavior, while challenges remain in distinguishing between grazing and resting states in the four-class classification. Overall, the study highlights the potential of neck-mounted sensors for livestock state prediction, with avenues for future enhancements in model performance.
Discussion
In this section, the authors detail the hardware and methodology employed to collect and analyze data from neck-mounted wearable devices fitted to cattle. The devices, which include a digital thermometer, GNSS sensor, and a 9-axis Inertial Measurement Unit (IMU), were used to gather extensive sensor data over a year-long period on a livestock farm in Salamanca, Spain. The data collection process involved human observers annotating cow behaviors, resulting in a dataset comprising over 1900 hours of annotated data from seven beef cattle, with more than 120 million labeled data points. The annotations were categorized into general and standing behaviors, with a noted imbalance in the distribution of actions.
The authors describe the preprocessing of the data, which involved aggregating sensor readings into moving time windows to facilitate predictions. Various statistical measures, including mean, standard deviation, and skewness, were calculated for the aggregated data, while class labels were determined using the mode. The model construction phase utilized machine learning algorithms from the scikit-learn package, with a focus on tree-based ensemble methods and support vector machines, which yielded the highest accuracy rates of 0.57 for general behavior and 0.85 for standing behavior. The evaluation employed Leave One Group Out cross-validation to ensure unbiased performance assessment. Despite challenges in data labeling and the inherent variability of the farming environment, the developed system demonstrates potential for monitoring cattle behavior, particularly in predicting calving events.