Technology applications in bovine gait analysis: A scoping review
Notice bibliographique
Résumé
Quantitative bovine gait analysis using technology has evolved significantly over the last two decades. However, subjective methods of gait assessment using visual locomotion scoring remain the primary on-farm and experimental approach. The objective of this review is to map research trends in quantitative bovine gait analysis and to explore the technologies that have been utilized to measure biomechanical parameters of gait. A scoping literature review was conducted according to PRISMA guidelines. A search algorithm based on PICO framework generated three components-bovine, gait, and technology-to address our objectives. Three online databases were searched for original work published from January 2000 to June 2020. A two-step screening process was then conducted, starting with the review of article titles and abstracts based on inclusion criteria. A remaining 125 articles then underwent a full-text assessment, resulting in 82 final articles. Thematic analysis of research aims resulted in four major themes among the studies: gait/claw biomechanics, lameness detection, intervention/comparison, and system development. Of the 4 themes, lameness detection (55% of studies) was the most common reason for technology use. Within the literature identified three main technologies were used: force and pressure platforms (FPP), vision-based systems (VB), and accelerometers. FPP were the first and most popular technologies to evaluate bovine gait and were used in 58.5% of studies. They include force platforms, pressure mapping systems, and weight distribution platforms. The second most applied technology was VB (34.1% of studies), which predominately consists of video analysis and image processing systems. Accelerometers, another technological method to measure gait characteristics, were used in 14.6% of studies. In sum, the strong demand for automatic lameness detection influenced the path of development for quantitative gait analysis technologies. Among emergent technologies, deep learning and wearable sensors (e.g., accelerometers) appear to be the most promising options. However, although progress has been made, more research is needed to develop more accurate, practical, and user-friendly technologies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,025 | 0,025 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».