在过渡期期间,基于机器学习的检测Holstein牛的亚临床和临床症,使用传感器数据
Eunjeong Jeon1, Jongkyoo Kim2, Mooyoung Jung3
1Department of Animal Science, College of Agriculture and Natural Resources, Michigan State University, East Lansing, MI 48824, USA.
Preventive veterinary medicine
|December 23, 2025
概括
一个新的模型准确地使用行为,牛的特征和环境来分类奶牛症的严重程度. 这种精确的乳制品技术有助于早期检测和群体管理,减少这种代谢障碍带来的经济损失.
科学领域:
- 动物科学动物科学
- 兽医医学 兽医医学 兽医医学
- 数据科学数据科学数据科学
背景情况:
- 症是乳牛的一种代谢障碍,其临床形式造成了严重的经济损失.
- 现有的预测模型缺乏全面的风险因素整合,例如小牛的出生体重,并且经常使用二进制分类.
研究的目的:
- 开发一种多类分类模型,以区分荷尔斯坦牛的非症 (NK),亚临床症 (SCK) 和临床症 (CK).
- 通过整合行为指标,牛特异性特征和环境变量来改善症严重程度的分类.
主要方法:
- 总共有132头荷尔斯坦牛在分娩后使用自动监测 (HR-TAG) 对活动和反进行了监测.
- 输入特征包括活动,反时间,分娩年龄,小牛出生体重和分娩季节;血液β-基酸盐 (BHBA) 度决定了症状态.
- 训练和优化了五个机器学习算法,并选择了极端梯度提升 (XGBoost) 作为表现最好的模型.
主要成果:
- 该XGBoost模型实现了高性能指标:精度 (0.959),灵敏度 (0.935),特异性 (0.966),F测量 (0.951) 和AUC (0.950).
- 确定症严重程度的关键预测因素是分娩年龄,小牛出生体重和分娩季节.
- 该模型成功地区分了NK,SCK和CK组.
结论:
- 将基于传感器的行为特征与牛特异性和环境因素相结合,可以准确地对症严重程度进行分类.
- 这种方法支持应用精确的乳制品技术来早期检测症和量身定制的群体管理战略.
- 开发的模型在管理乳牛代谢健康方面比以前的二元分类方法有了显著的进步.
