Predicting dairy cow locomotion ability based on kinematic 3D coordinates
Notice bibliographique
Résumé
• Early detection of gait abnormality is needed to prevent clinical cases of lameness. • Data augmentation was used to expand the sample size and create a balanced data set. • LSTM models were trained to predict dairy cow gait scores using 3D kinematic data. • Zero-mean, unit-standard deviation normalization outperformed min-max scaling. • The best model achieved a 0.96 accuracy, precision, recall, and F1 score. Our study addresses the challenge of early lameness detection in dairy cows. Traditional visual scoring methods, while non-invasive and cost-effective, require extensive training and are impractical for continuous monitoring. Our research proposes an automated alternative using kinematic data and machine learning. Kinematic data were collected multiple times from 12 Holstein dairy cows over four weeks. After data cleaning, a total of 73 passages were available for model training. A trained observer scored the gait of each passage using a numerical rating system (NRS) ranging from 1 (sound cow) to 5 (severe lame cow) with 0.5 intervals. Data augmentation was used to obtain balanced data sets by adding 1 %, 2.5 %, 5 %, 7.5 %, and 10 % Gaussian noise along with random shifting and followed by two data normalization strategies. The augmented data was split into training (75 %) and testing (25 %) sets. A long short-term memory neural network was trained and evaluated. The highest accuracy, precision, recall, and F1 score achieved on the test set was 0.96 (SD = 0.03) for all metrics. Models trained with data normalized to a mean of zero and standard deviation of one outperformed those using normalization to a range between zero and one. Future research should focus on expanding the range of locomotion scores, particularly covering the early stages of locomotion changes. This is necessary to enable earlier identification and treatment of cows with impaired locomotion ability before they develop lameness.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».