监督机器学习方法用于早期检测乳牛的代谢和乳健康障碍,使用传感器衍生数据

科学领域:

• 兽医医学 兽医医学 兽医医学
• 动物科学动物科学
• 数据科学数据科学数据科学

背景情况:

• 乳牛疾病的早期检测对于群体的健康和生产力至关重要.
• 传统的疾病诊断方法可能是侵入性的和耗时的.
• 将自动数据收集与高级分析集成为实时健康监测提供了一个有希望的方法.

研究的目的:

• 评估五种监督机器学习模型在检测常见奶牛健康障碍方面的有效性.
• 评估使用连续牛奶成分和行为数据用于非侵入性疾病诊断的使用.
• 为了比较不同机器学习算法的性能来分类健康和生病的奶牛.

主要方法:

• 训练和测试了五种监督机器学习模型 (随机森林,梯度提升,后勤回归,决策树,多层感知器).
• 使用自动传感器收集了两家商业奶牛场的206头荷尔斯坦牛的数据.
• 参数包括牛奶产量,脂肪,蛋白质,乳糖,脂肪与蛋白质的比率 (FPR),体细胞计数 (SCC),反时间 (RT) 和体温.
• 根据临床检查和诊断测试,奶牛被分类为临床健康,亚临床症,亚临床乳腺炎或临床乳腺炎.

主要成果:

• 随机森林模型实现了最高的分类准确度 (0.857).
• 与健康的奶牛相比,亚临床症奶牛的牛奶脂肪含量更高,反时间更短.
• 临床乳腺炎的奶牛比健康的奶牛显示出明显更高的SCC和更低的乳糖水平.
• 机器学习模型在区分健康和疾病状态方面表现出强的表现.

结论:

• 监督机器学习模型,特别是随机森林,可以有效地使用传感器衍生数据检测奶牛健康障碍.
• 整合牛奶成分和行为数据为早期疾病检测提供了一种有价值的非侵入性方法.
• 这种方法支持主动的畜牧管理策略,改善动物福利和农场生产力.