Científicos chinos predijeron el consumo de alimento del ganado basándose en el movimiento de la mandíbula usando un acelerómetro de tres ejes
Un grupo de científicos del Centro de Investigación de Tecnología de la Información Agrícola de Beijing, la Academia de Ciencias Agrícolas y Forestales de Beijing; El Centro Nacional de Investigación de Ingeniería de Tecnología de la Información Agrícola (NERCITA) y Solway Online (Beijing) New Energy Technology Co., Ltd., publicaron un artículo sobre innovaciones en el monitoreo de ganado en Agricultura 2022 en el portal MDPI.
“Los cambios en el comportamiento alimentario y el consumo de alimento son indicadores importantes de la salud y el bienestar del ganado, que ayudan a comprender la relación entre la nutrición de las vacas y su estado fisiológico.
El tiempo de alimentación reducido para el ganado lechero o de carne indica deficiencias nutricionales y, en tales casos, se necesita alimentación adicional.
Por ejemplo, se ha demostrado que las vacas en cetosis subclínica consumen menos materia seca y mastican menos tiempo antes del parto.
El ganado lechero y de carne en climas cálidos o fríos también cambiará su consumo de alimento y su comportamiento alimentario para hacer frente a las tensiones ambientales y mantener el equilibrio térmico.
Por lo tanto, la medición automática del comportamiento alimentario y del consumo de alimento es de gran importancia para facilitar la gestión diaria, en particular a la hora de decidir sobre la alimentación complementaria.
El uso de un acelerómetro se considera un método prometedor para medir automáticamente el comportamiento alimentario del ganado.
Hay varios dispositivos en el mercado para monitorear el comportamiento del ganado. Sin embargo, estos dispositivos solo registran comportamientos básicos como alimentarse, acostarse y caminar, y no actividades que incluyen movimientos de la mandíbula durante la alimentación, tragar (recoger comida en la boca), masticar, etc.
El ritmo y el momento del movimiento de la mandíbula se pueden utilizar para determinar la ocurrencia, la duración y los cambios diarios en el comportamiento de búsqueda de alimento y, por lo tanto, para evaluar el consumo de forraje por parte del ganado.
Por lo tanto, en los últimos años se han desarrollado varios sensores que utilizan movimientos rítmicos de la mandíbula para rastrear el comportamiento alimentario de los rumiantes. Por ejemplo, existe un sistema basado en la presión de la cápsula para medir el comportamiento de masticación y alimentación de las vacas. También se ha desarrollado un enfoque de aprendizaje automático para separar automáticamente los sonidos reales del movimiento de la mandíbula del ruido de fondo y los falsos ruidos intensos. Además de la medición de la presión y la acústica, la acelerometría es la técnica de medición más prometedora y mejor estudiada debido a su disponibilidad comercial y bajo costo.
Para satisfacer la necesidad adicional de uso comercial, se necesita un algoritmo de clasificación eficiente con una tasa de muestreo baja para reducir la cantidad de datos registrados, aumentar la duración de la batería del dispositivo de monitoreo y brindar información precisa.
Para este propósito, trece vacas Holstein multíparas y lactantes medianas fueron seleccionadas aleatoriamente de una granja lechera comercial en Beijing para recolectar señales de aceleración durante la alimentación. Las vacas experimentales estaban clínicamente sanas, todas con el mismo peso corporal de alrededor de 600 kg y una producción de leche promedio de alrededor de 26 kg de leche por vaca por día.
Las vacas se alojaron en un establo con ventilación natural con libre acceso a las áreas al aire libre y se alimentaron 3 veces al día con una ración mixta completa. El uso de vacas para la recopilación de datos ha sido aprobado por la Inspección Ética de Experimentación Animal NERCITA.
A cada vaca candidata se le colocó un cabestro bien ajustado y se aseguró con un protector de cuello durante la alimentación. Tres mini-acelerómetros triaxiales fabricados por una empresa estadounidense se integraron en el cabestro para registrar aceleraciones a una frecuencia de 1 Hz simultáneamente en tres lugares durante la alimentación.
Se conectaron acelerómetros triaxiales a la correa en los músculos elevador nasolabial (P1), masticatorio derecho (P2) y labio inferior izquierdo (P3), en lugares estrechamente relacionados con los movimientos de la mandíbula durante la alimentación. Los acelerómetros medían 58,0 × 33,0 × 23,0 mm y pesaban 18,0 g.
Se recogieron acelerogramas de movimiento mandibular y consumo de alimento en 13 vacas en lactancia media durante la alimentación.
Se desarrolló un sistema de identificación de comportamiento para reconocer los movimientos de la mandíbula, incluidos tragar, masticar y tragar-masticar mediante Extreme Gradient Boosting (XGB) integrado con un modelo de Markov oculto resuelto de Viterbi (HMM-Viterbi).
El estudio comparó catorce modelos de aprendizaje automático para predecir las tasas de ingesta de alimentos utilizando señales de acelerómetro de movimientos de mandíbula reconocidos.
Los algoritmos XGB y Viterbi, desarrollados para identificar los movimientos mandibulares de los bovinos durante la alimentación, utilizando señales de acelerómetro con una frecuencia baja de 1 Hz, mostraron el mejor resultado.
Usando estos algoritmos juntos, se pudieron identificar efectivamente tres actividades de alimentación con una precisión de hasta el 99%: tragar, masticar y tragar-masticar. Con base en la actividad de alimentación detectada, se creó un regresor ETR, que resultó ser el mejor modelo para predecir el nivel de consumo de alimento del ganado alimentado con raciones mixtas, en comparación con otros 13 modelos.
Se ha investigado el tejido nasolabial del elevador para recomendarlo como un sitio de monitoreo apropiado cuando se usa el método desarrollado para el monitoreo automático de la actividad de alimentación y el consumo de alimento en el ganado”.
Basado en un artículo de un grupo de autores (Luyu Ding, Yang Ur, Ruxiang Jiang, Wenjie Zhao, Qifeng Li, Baorhu Yang, Ligen Yu, Weihong Ma, Ronghua Gao, Qinyan Yu) publicado en el portal www.mdpi.com.
Foto: Svetlana Lukyanova.
