Entwicklung eines sensorbasierten Aktivitätsüberwachungssystems für Milchkühe

Transkript

1 Eidgenössisches Departement für Wirtschaft, Bildung und Forschung WBF Agroscope Entwicklung eines sensorbasierten Aktivitätsüberwachungssystems für Milchkühe Nils Zehner (Agroscope Tänikon) Kolloquium Agroscope Posieux, I gutes Essen, gesunde Umwelt

2 Gliederung 1. Projektziel 2. Systemübersicht 3. Wissenschaftliche Arbeiten 4. Wirtschaftliche Umsetzung 5. Zusammenfassung und Ausblick 2

3 Forschungsprojekt «RumiWatch» Gesundheitsüberwachungssystem für Milchkühe Eine Zusammenarbeit von Gefördert durch KTI Vetsuisse Bern Agroscope Tänikon ITIN+HOCH GmbH 3

4 Projektziel RumiWatch Automatisches Gesundheitsmonitoringsystem für Milchkühe Erfassung mehrerer Parameter des Wiederkau-, Futteraufnahme- und Bewegungsverhaltens Motivation: Technisches Instrument für Früherkennung von Lahmheiten, Stoffwechselerkrankungen, Fütterungsfehler Anwendbar durch Forschende, Veterinäre, Berater, Tierhalter Forschungskooperation von Agroscope und Vetsuisse Förderung: Kommission für Technologie und Innovation (KTI) Industriepartner: Itin+Hoch GmbH Fütterungstechnik Möglichkeit, die Funktionen des Systems in der Entwicklung zu beeinflussen und so ein Forschungsinstrument zu schaffen 4

5 RumiWatch: Systemübersicht Software Analyse und Visualisierung von Messdaten Nasenbandsensor Wiederkauen, Fressen, Trinken Pedometer Gehen, Stehen, Liegen 5

6 RumiWatch: Systemübersicht 6

7 Wissenschaftliche Arbeiten System-Entwicklung RumiWatch: Studie 1: Entwicklung und Validierung Nasenbandsensor Studie 2: Entwicklung und Validierung Pedometer Untersuchungen zu Anwendungspotentialen: Studie 3: Kalbungsdetektion bei Milchkühen Studie 4: EquiWatch - Anwendung bei Pferden 7

8 Validierung Nasenbandsensor Zielsetzung: Validierung des Nasenbandsensors als Instrument zur Erfassung des Ingestionsverhaltens von Milchkühen Klassierung der Aktivitäten basierend auf Messdaten einer Druckschlauch-Drucksensor-Kombination im Nasenband Referenzmethode: Direktbeobachtung (= Gold-Standard) Datenerhebung: RumiWatch-Messungen auf 14 Milchviehbetrieben Ost-CH Stallgefütterte Kühe (TMR) ohne Weidegang Validierung NBS durch Vergleich mit Direktbeobachtung Stichprobe: 60 Kühe zu je 60 Minuten kontinuierlich beobachtet 8

9 Validierung Nasenbandsensor Auswertung: Vergleich der Aktivitäten-Klassierung durch zwei verschiedene RumiWatch Converter-Versionen RWC V RWC V Überprüfung neu eingeführter Plausibilitäts-Checks Auswertung jeweils in 1-Minute- und 1-Stunde-Auflösung 9

10 Validierung Nasenbandsensor Druckprofile gut zwischen Aktivitäten differenzierbar Erstellung einer Klassierung 10

11 Validierung Nasenbandsensor Klassierung Kaubewegungen durch Firmware und Converter 11

12 Validierung Nasenbandsensor RumiWatch Converter: Versionen und Erweiterte Plausibilitäts-Checks für verbesserte Wiederkau-Detektion Parameter Plausibilitätskriterium Converter version Wiederkau- Klassifikation Wiederkau-Phasen < 3 Minuten Klassierung als Fressen V , V Doppel-Peaks (Peak-Interval < 0.2 Sekunden) bei Kauschlag- Zählung ignoriert höhere Validität der Wiederkau-Detektion V Bolus- Detektion Bolus-Zählung nur bei Wiederkau-Klassierung aktiv Zählung der Wiederkauschläge zwischen zwei Bolus-Pausen zur Bestimmung von chews per bolus Nach Detektion eines Bolus dient Kauschlagzählung zur Verifizierung der Bolus-Detektion für Auswertung: - < 20 Kauschläge pro Bolus: Bolus-Detektion wird ignoriert - 20 Kauschläge pro Bolus: valide Bolus-Detektion - 90 Kauschläge pro Bolus: Bolus-Zählung verdoppelt Kauschläge pro Bolus: Bolus-Zählung verdreifacht Mindestens ein gezählter Bolus pro Minute zur Klassierung als Wiederkauen erforderlich V , V V

13 Validierung Nasenbandsensor Direktbeobachtung als Referenzmethode Zählung und Klassifikation der Kauschläge mit Tablet-PC 13

14 Validierung Nasenbandsensor Datum, Zeit, Art des Kauschlags Direktbeobachtung mit Tablet-PC Erfassungsdokument mit VBA-Makros 14

15 Validierung Nasenbandsensor Vergleich Kauschlagzählung pro Minute Wiederkauschläge/Minute: Median 63-64, IQR Fresskauschläge/Minute: Median 78-79, IQR Anzahl Kauschläge/Minute zwischen Fressen und Wiederkauen signifikant unterschiedlich (Mann-Whitney U test, p < 0.001). 15

16 Validierung Nasenbandsensor 1-Minute-Auflösung: Bewertung der Klassifizierung Actual classification (direct observation) Predicted classification (RumiWatch Converter) Behavior type present Behavior type not present Behavior type present True Positive False Positive Behavior type not present False Negative True Negative Parameter Equation Sensitivity True Positives Sensitivity = = Positives True Positives (True Positives + False Negatives) Specificity Specificity = True Negatives = Negatives True Negatives (True Negatives + False Positives) Positive predictive value Positive predictive value = True Positives (True Positives + False Positives) Accuracy Accuracy = (True Positives + True Negatives) (True Positives + False Positives + False Negatives + True Negatives ) 16

17 Validierung Nasenbandsensor Vergleich der Klassifikation durch verschiedene Converter- Versionen 1-min-Rohklassierung ohne Plausibilitäts-Checks RW Converter V [min] Other activity time Direct observation [min] Ruminating time Eating time Drinking time Total Other activity time Ruminating time Eating time Drinking time Total RWC Schwerpunkt auf Detektion Fressen RW Converter V [min] Other activity time Direct observation [min] Ruminating time Eating time Drinking time Total Other activity time Ruminating time Eating time Drinking time Total RWC Schwerpunkt auf Detektion Wiederkauen 17

18 Validierung Nasenbandsensor Ergebnisse: 1-min-Auflösung (Wiederkauen, Fressen) Parameter Rumination time Converter version Sensitivity Specificity Positive predictive value Accuracy V ( ) 0.98 ( ) 0.95 ( ) 0.95 ( ) V ( ) 0.87 ( ) 0.79 ( ) 0.90 ( ) Eating time V ( ) 0.94 ( ) 0.85 ( ) 0.92 ( ) V ( ) 0.98 ( ) 0.92 ( ) 0.88 ( ) Validere 1-min-Rohklassierung durch RWC

19 Validierung Nasenbandsensor Ergebnisse: 1-min-Auflösung (Trinken, sonstige Aktivitäten) Parameter Drinking time Other activity time Converter version Sensitivity Specificity Positive predictive value Accuracy V ( ) 0.99 ( ) 0.22 ( ) 0.98 ( ) V ( ) 1.00 ( ) 0.38 ( ) 0.99 ( ) V ( ) 0.93 ( ) 0.89 ( ) 0.93 ( ) V ( ) 0.93 ( ) 0.89 ( ) 0.94 ( ) Trinken schwierig zu detektieren Sonstige Aktivitäten werden klar abgegrenzt 19

20 Validierung Nasenbandsensor 1-Stunde-Auflösung: Bland-Altman-Plots Mittelwert und Differenz der Messmethoden (RumiWatch und Direktbeobachtung) für jeden Messzeitpunkt (1-h- Summary) Spearman-Korrelationskoeffizient (r s ) Korrelation von Direktbeobachtung und autom. Auswertung 20

21 Validierung Nasenbandsensor 21

22 Validierung Nasenbandsensor 22

23 Validierung Nasenbandsensor 23

24 Validierung Nasenbandsensor 24

25 Validierung Nasenbandsensor Ergebnisse: 1-Stunde-Summaries (n = 60 Kühe) Parameter Rumination time [min/h] Eating time [min/h] Drinking time [min/h] Other activity time [min/h] Ruminating chews [n/h] Total eating jaw movements [n/h] Bolus [n/h] Converter version Mean difference Bland Altman analysis Standard deviation Lower 95% CI Upper 95% CI r s Concordance V ** very high V ** very high V ** high V ** very high V ** moderate V ** high V ** very high V ** very high V ** very high V ** very high V , ** high V ** very high V ** very high V ** very high ** correlation is highly significant with p Hohe bis sehr hohe Korrelationen mit Direktbeobachtung 25

26 Validierung Nasenbandsensor Diskussion und Schlussfolgerungen: RumiWatch-Nasenbandsensor ermöglicht valide Erfassung des Fress- und Wiederkauverhaltens Plausibilitäts-Checks tragen wirksam zur verbesserten Validität bei Vorteil: «Alte» Messdaten können mit verbesserter Software (Converter) nochmals ausgewertet werden Beide Converter-Versionen geeignet und mit hohen Korrelationen mit Referenzmethode RumiWatch-Nasenbandsensor ist ein valides Messinstrument für wissenschaftliche Nutzung. 26

27 Wirtschaftliche Umsetzung 27

28 Wirtschaftliche Umsetzung Markteinführung erfolgte im November 2012 (EuroTier) Heute rund 1500 RumiWatch-Einheiten im internationalen Forschungseinsatz Stetige technische Erweiterung und Konsolidierung Nutzer-Feedback ist wichtiger Aspekt der Weiterentwicklung Wissenstransfer durch Dissertationen Wissenschaftliche Evaluation der Entwicklung Veröffentlichung von Papers und Tagungsbeiträgen Ausstrahlung in die Scientific Community RumiWatch ist international bekannt und etabliert 28

29 Zusammenfassung und Ausblick Erfolgreiche Entwicklung eines Aktivitäts- und Gesundheitsmonitoringsystems Technologieführerschaft auf dem Forschungsmarkt Zahlreiche Publikationen, weitere zu erwarten Schwerpunkt für Forschungspartner: Weiterführende Analysen und Publikation Nutzung der entwickelten Technologie für Folgeprojekte Schwerpunkt für Umsetzungspartner: Erhöhung des Kundennutzens bis hin zum Praxismarkt Erschliessung weiterer Marktpotentiale 29

30 EquiWatch - Anwendung bei Pferden Evaluierung neuer Anwendungspotentiale: Anpassung des Systems zur Erfassung des Kauverhaltens bei Pferden (RumiWatch EquiWatch) Grosses Potential in Wissenschaft und Praxis Pilotstudie mit Prototyp am Schweizerischen Nationalgestüt Publikation durch Werner et al. (2016) 30

31 App & Cloud für RumiWatch 31

32 Publikationen Alsaaod et al. (2015): Development and validation of a novel pedometer algorithm to quantify extended characteristics of the locomotor behavior of dairy cows. Journal of Dairy Science, 98(9), OPEN ACCESS Werner et al. (2016): Validation of a sensor-based automatic measurement system for monitoring chewing activity in horses. Livestock Science, 186, Zehner et al. (2017): System specification and validation of a noseband pressure sensor for measurement of ruminating and eating behavior in stable-fed cows. Computers and Electronics in Agriculture, 136, OPEN ACCESS 32

33 Herzlichen Dank! Agroscope gutes Essen, gesunde Umwelt 33

34 Validierung «EquiWatch» Hohe Übereinstimmung von Direktbeobachtung und autom. Messung Table 1. Agreement between measurement methods. Mean of agreement and standard deviation between the visual reference method and the automatic measurement system in percent. Mean of agreement a [%] Standard deviation [%] Total Hay Haylage Concentrate Chews aut = amount of chews per minute measured automatically in an observation period. Chews vis = amount of chews per minute measured visually in an observation period. a Mean of agreement [%]= (chews(aut)/(chews(vis)*100. Werner et al. (2016): Validation of a sensor-based automatic measurement system for monitoring chewing activity in horses. Livestock Science, 186,

35 Brunsterkennung mit RumiWatch Machbarkeitsstudie auf dem VB Agroscope Tänikon Verhaltensveränderungen während Brunst konnten mit Hilfe von RumiWatch aufgezeigt werden Publikation: Zehner et al Application of a chewing sensor (RumiWatch) for automatic heat detection in dairy cows: a pilot study. Proceedings of EurAgeng Conference of Agricultural Engineering, Zurich, 6-10 July,

36 1 2 3 Validierung Pedometer Table 1. Number and proportion of stand ups, lie downs, lying bouts, standing bouts, and walking bouts detected by the novel RumiWatch 1 algorithm compared with the number observed by analyzing the video recordings (gold standard). 95% CI of p Experiment Variable VVR 2 (no.) RumiWatch algorithm (no.) Proportion detected (p) Lower Upper 1 Stand up Lie down Lying bout Standing bout Walking bout ITIN+HOCH GmbH, Fütterungstechnik, Liestal, Switzerland. 2 VVR = visual video recording. Alsaaod et al. (2015): Development and validation of a novel pedometer algorithm to quantify extended characteristics of the locomotor behavior of dairy cows. Journal of Dairy Science, 98(9),

37 Validierung Pedometer Table 1. Relative measurement error (RME) of the variables lying time, standing time, walking time, number of strides, stride duration, and stride length given by the novel RumiWatch 1 algorithm as compared with the result of video recording analysis (gold standard). Range value 95% CI of RME Experiment Variable RME 2 (%) SD Lower Upper Lower Upper 1 Lying time (n = 18) Standing time (n = 21) Walking time (n = 21) Number of strides (n = 21) Stride duration (n = 16) Stride length (n = 16) ITIN+HOCH GmbH, Fütterungstechnik, Liestal, Switzerland. 2 RME = Mean relative measurement error between video recording and algorithm. Alsaaod et al. (2015): Development and validation of a novel pedometer algorithm to quantify extended characteristics of the locomotor behavior of dairy cows. Journal of Dairy Science, 98(9),

38 Funktionsweise Pedometer z -y -x y x -z Stehen: x-achse 0g, y-achse = 1g Liegen: x-achse = 1g, y-achse 0g 38

39 Funktionsweise Pedometer Bauteile RumiWatch-Pedometer (Itin+Hoch GmbH, Liestal) Beschleunigungssensor CPU SD Card Schutzplatte Batterie Gehäuseplatte 39

40 Funktionsweise Pedometer 40

41 RumiWatch Converter RumiWatch Converter (Zusatzsoftware zur benutzerdefinierten Auswertung) 41

42 RumiWatch Converter 1h-Summary der Pedometer-Auswertung 42