利用多传感器行为数据、生理数据和牛奶产量数据，通过机器学习方法检测早期泌乳期奶牛的亚急性瘤胃酸中毒

《Scientific Reports》：Machine learning based detection of subacute ruminal acidosis in early lactation dairy cows using multi-sensor behavioral, physiological, and milk production data

　　

摘要

亚急性瘤胃酸中毒（SARA）是泌乳早期奶牛常见的代谢紊乱，会对瘤胃功能、牛奶产量和动物福利产生负面影响。由于临床症状通常较为微妙且短暂，因此早期识别仍然具有挑战性。本研究的目的是评估是否可以利用多传感器行为数据、生理数据和牛奶产量数据，通过机器学习方法来识别患有SARA的奶牛。研究对象为泌乳早期的荷斯坦奶牛，在其产奶的前100天内进行观察。最终数据集包含636个奶牛-天的观测记录，其中134例为SARA病例，502例为临床健康的对照组。在交叉验证过程中，还使用了奶牛的识别编号作为分组变量，以确保训练集和验证集之间的个体动物完全分离。SARA的诊断基于连续的瘤胃pH值测量结果：当奶牛的瘤胃pH值在5.2至5.8之间持续至少180分钟时，即被判定为SARA。传感器采集的变量包括反刍时间、活动量、饮水量、网胃温度、牛奶产量以及通过瘤胃内灌服剂和在线牛奶分析仪获得的牛奶成分。研究人员开发了六种监督式机器学习分类器，根据这些综合传感器数据对SARA状态进行分类。在所有评估的模型中，支持向量机（SVM）表现出最高的区分性能，其在重复的奶牛级别分组交叉验证中的曲线下面积（AUC）为0.97，准确率为0.95，敏感性为0.86，特异性为0.98。随机森林模型的表现也相当（AUC分别为0.97；准确率分别为0.93和0.98）。所有模型的特异性均高于敏感性，表明健康奶牛的识别准确性高于SARA病例。这些结果表明，在商业农场条件下，来自自动化传感器系统的行为数据、生理数据和牛奶产量数据的整合能够有效支持SARA奶牛的识别。研究结果支持多传感器监测系统与机器学习分类器结合使用，作为精准奶牛养殖中自动检测瘤胃健康问题的工具。