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)