A takarmányozás adatait használja a beteg sertések kimutatására a gépi tanulás

A takarmányozási viselkedés megváltozása a kellemetlen érzés és a betegség korai jeleként használható. A finn kutatók a gépi tanulás módszereit alkalmazták az erre vonatkozó adatokkal az esetlegesen beteg sertések kimutatására. Ez vált világossá a Helsinki Egyetem és a Finn Természeti Erőforrások Intézete kutatóinak közelmúltbeli publikációjából, amelyet a Biosystems Enginering szaklapban közöltek.

A sertéstartási rendszerekben a takarmányozási viselkedés megváltozása a kellemetlen érzés és a betegség korai jeleként használható. Egy kereskedelmi gazdaságban azonban korlátozott idő áll rendelkezésre az egyéni viselkedési változások megfigyelésére és észlelésére. Elkerülendő a beteg állatok késleltetett kezelését, a gazdasági veszteségeket és a jólét megromlását. Az érzékelők és adagolók segítségével végzett automatikus adatgyűjtés értékes információkkal szolgál a betegség korai jeleiről.

Adatgyűjtés

A csapat 2011 és 2016 között 10 261 sertés (finn Yorkshire, finn Landrace és F1 keresztezett) takarmányozási viselkedési adatait gyűjtötte össze a finnországi központi tesztállomásról. A sertések vizet és takarmányt ad libitum kaptak.

A kutatók feljegyezték a napi látogatások számát, az etetéssel töltött időt és a napi takarmánybevitelt. A betegségre vonatkozó adatok olyan tüneteket tartalmaztak, mint a köhögés, a sántítás, az étvágytalanság, a bőrkárosodás és a farokharapás. A gépi tanulási modellekben a feljegyzett tünetek bármelyikével rendelkező sertéseket „betegnek” minősítették az adott napon. A feljegyzett tünetekkel nem rendelkező sertéseket „egészséges” kategóriába sorolták.

Új funkciók

A napi takarmányozási idő és a napi takarmányfelvétel abszolút értékei nem voltak optimális jellemzők a sertések betegségi állapotának előrejelzésére, mivel szoros kapcsolatuk van az állat életkorával. Ezért a csapat új funkciókat hozott létre, beleértve a napi rangokat és maradékokat.

A napi rangsorok egy állat megfigyelésének rangját mutatták az egyes napokon belüli többi sertéshez képest. A maradékok az állatok eltérését írták le az azonos korú sertés várható értékétől. Ezután a csapat megjósolta egy sertés egészségi állapotát olyan jellemzők alapján, mint az eredeti táplálkozási viselkedési jellemzők és a gépi tanulási algoritmus segítségével levezetett jellemzők.

Előrejelzéseiket vagy az ugyanazon a napon (egynapos ablak), ugyanazon a napon és 2 előző napon (3 napos ablak), vagy ugyanazon a napon és 6 előző napon (7 napos ablak) származó jellemzőkre alapozták.

A modellek teljesítménye

A kutatók a legjobb teljesítményt a 7 napos ablakban alkalmazott modellel érték el, 67%-os érzékenységgel és 73%-os specificitással. A pontosság azonban meglehetősen alacsony volt. Ennek oka lehet, hogy az állomás személyzete figyelmen kívül hagyta az enyhe tüneteket a napi rutinellenőrzés során. Ezen túlmenően az alacsony pontosság oka lehet egy erősen kiegyensúlyozatlan adatkészlet, amely torzított osztályozást okoz a gépi tanulásban.

A sertésbetegség kimutatható egy gépi tanulási algoritmus alkalmazásával az etetési viselkedési adatokra

A sertések viselkedésbeli változásai betegségre utalhatnak. Azonban ezek a változások gyorsak lehetnek, és azonnal betegséget jelezhetnek, vagy a változások néhány nappal a betegség előtt kezdődhetnek. Ebben a tanulmányban ezért különböző ablakhosszúságú modelleket alkalmaztak, hogy megtalálják az optimális adatrögzítési hosszt az adatok jellemzői és jellege alapján.

A hiperparaméterek olyan optimalizálási paraméterek, amelyek hangolják a gépi tanulási algoritmusok teljesítményét. A legjobb hiperparamétereket a képzés során szolgáltatott és a modellek előrejelzéséhez használt adatok alapján kapták meg. A modellek érzékenysége és specifitása minden ablakhossznál elfogadható volt. Ezenkívül az ablakhossz növelése javította az osztályozási modellek teljesítményét.

A modell jellemzői

Az abszolút értékeknél előnyösebb volt a sertésbetegség előrejelzésében az olyan jellemzők használata, amelyek a sertés táplálkozási viselkedésében eltérést mutatnak a karámtársaitól (rangsor) vagy az azonos korú sertésektől (maradék). Ezért egy átlagos napi takarmányozási időtől vagy napi takarmányfelvételtől való eltérés egy átlagos sertés etetési idejéhez és napi takarmánybeviteléhez képest jól jelzi az esetleges egészségügyi problémát. Ezenkívül a 7 napos ablakmodell használata a 40 funkció helyett csak a legjobb 10 fontos funkcióval növelte a modell teljesítményét, és csökkentette a modell működési idejét.

Következtetések

A szerzők arra a következtetésre jutottak, hogy „a sertésbetegség kimutatható, ha gépi tanulási algoritmust alkalmazunk az etetési viselkedési adatokra; az eredmények azonban javíthatók új jellemzők kiszámításával, a jellemzők közötti kölcsönhatások figyelembevételével, különböző ablakhossz(ok) és különböző módszerek alkalmazásával.

A kutatást A.T. Kavlak és P. Uimari, a Helsinki Egyetem munkatársai, és M. Pastell, Natural Resources Institute, Helsinki végezte.

(Forrás: pigprogress.net)