A matemática a serviço da bovinocultura leiteira: detecção precoce de alterações na atividade diária de vacas
Os pesquisadores desenvolveram um método matemático que pode detectar anormalidades devido a um problema de saúde ou estresse em vacas leiteiras, de um a dois dias antes do inicio dos sinais clínicos. Isso foi possível com a aplicação de ferramentas de machine learning a dados obtidos usando sensores de posicionamento nos animais.
Os animais diurnos são ativos durante o dia e descansam à noite e este ritmo circadiano é alterado se ele estiver doente (geralmente antes mesmo do início dos sinais clínicos) ou estressado. A identificação dessas alterações pode ajudar o produtor a intervir rapidamente, isolando e tratando o animal ou, se necessário, investigando o quadro clínico para identificar a causa do distúrbio.
A detecção de alterações na atividade diária requer observações contínuas com sensores que registram a atividade animal 24 horas por dia. No entanto, ainda é difícil detectar exatamente quando esse ritmo começa a ser alterado. A tese de Nicolas Wagner, co-financiada pelo departamento de Phase (Departamento de Fisiologia Animal e Sistemas de Criação – INRAE) e pela Universidade de Clermont Auvergne, teve como objetivo propor um método que permite a detecção de alterações na atividade diária ligadas a um quadro de doença ou estresse.
Para este trabalho, foram utilizados dados de sensores de posicionamento de vacas para estimar sua atividade (descansos, alimentações). Os pesquisadores reuniram 4 conjuntos de dados de fazendas comerciais e experimentais tendo acesso aos registros de atividade de todas as vacas. Foi estabelecido um método que permitiu classificar a atividade diária de uma vaca como normal ou anormal. A atividade normal corresponde a um dia sem nenhum acontecimento particular e a atividade anormal a um dia em que a vaca estava doente, estressada (por mudança de curral, por exemplo), no cio ou em processo de parto.
Foi calculado o nível de atividade por hora de cada vaca atribuindo um peso a cada uma delas. Foram consideradas séries temporais de 36 horas e utilizada a Transformada de Fourier para modelar as variações na atividade durante as primeiras e últimas 24 horas dessas séries de 36 horas. Em seguida, foi possível comparar os modelos de duas séries de 24 horas: uma diferença maior que o limiar definido matematicamente aponta para uma anomalia na atividade do animal.
Este método gerou menos de 20% de alarmes falsos. Detectou 90 a 100% das anormalidades devido a um problema de saúde ou reprodutivo, um a dois dias antes da detecção de sinais clínicos. O método também possibilitou detectar 60 a 70% das anomalias por estresse.
Esta identificação precoce na mudança de atividade pode ajudar os produtores a tomar decisões para intervir o mais rápido possível, buscando informações adicionais para diagnosticar o problema, isolar o animal ou mesmo tratá-lo, sem esperar pelo aparecimento de distúrbios clínicos.
Por: INRAE (Instituto Nacional de Pesquisa Agrícola Alimentar e Ambiental)
“Wagner N., Mialon MM, Sloth KH, Lardy R., Ledoux D., Silberberg M., De Boyer Des Roches A., Veissier I., 2020. Detection of changes in the circadian rhythm of cattle in relation to disease, stress, and reproductive events. Methods, in press.Methods to face the big challenges of ruminants or ruminant products phenotyping. https://doi.org/10.1016/j.ymeth.2020.09.003″
NOVIDADES
22 out
20 out
19 out
19 out
15 out
14 out
07 out
06 out
05 out
01 out
01 out
29 set
28 set
24 set
23 set
23 set
22 set
22 set
15 set
14 set
13 set
09 set
06 set
06 set
02 set
01 set
31 ago
31 ago
30 ago
27 ago
26 ago
25 ago
19 ago
19 ago
18 ago
17 ago
16 ago
12 ago
06 ago
06 ago
05 ago
02 ago
30 jul
26 jul
26 jul
22 jul
21 jul
15 jul
15 jul
13 jul
08 jul
06 jul
05 jul
05 jul
01 jul
30 jun
29 jun
29 jun
28 jun
24 jun
24 jun
23 jun
22 jun
18 jun
16 jun
15 jun
14 jun
10 jun
09 jun
08 jun
08 jun
07 jun
07 jun
03 jun
28 maio
27 maio
27 maio
26 maio
26 maio
26 maio
25 maio
24 maio
18 maio
18 maio
17 maio
14 maio
13 maio
12 maio
11 maio
11 maio
10 maio
10 maio
06 maio
05 maio
04 maio
04 maio
04 maio
03 maio
30 abr
30 abr
27 abr
26 abr
26 abr
23 abr
23 abr
21 abr
20 abr
14 abr
12 abr
12 abr
09 abr
08 abr
01 abr
31 mar
30 mar
30 mar
26 mar
23 mar
22 mar
20 mar
19 mar
15 mar
02 mar
26 fev
25 fev
23 fev
16 fev
01 fev
29 jan
24 jan
03 set
