基于多模态尾挂装置揭示荷斯坦犊牛腹泻与呼吸道疾病的行为生理差异及自动化疾病检测模型研究

本刊推荐：为解决犊牛腹泻与呼吸道疾病早期检测难题，研究人员利用配备三轴加速度计和热敏电阻的多模态尾挂装置，对329头荷斯坦犊牛进行行为与生理参数监测。通过线性混合模型和随机森林算法，发现疾病状态与活动强度(meanActivity)、躺卧时间(sumLying)、体位变化次数(sumPosition)、尾抬指数标准差(sdTail)及尾部皮肤温度(maxST)显著相关，并构建了AUC达0.71的疾病检测模型。该研究为犊牛健康管理提供了自动化监测新策略，对提升畜牧业智能化水平具有重要意义。

　　

在现代化奶牛养殖业中，犊牛健康管理是保障牧场长期盈利和可持续发展的核心环节。然而，腹泻和呼吸道疾病作为犊牛期最常见的两类健康问题，不仅导致高昂的治疗成本，还会引发群体传播风险、犊牛死亡率上升以及长期生产性能下降等问题。传统依赖人工观察的健康监测方式正面临规模化养殖场劳动力短缺的严峻挑战，亟需开发自动化、智能化的健康监测技术。

为此，日本国立农业食品研究机构动物卫生研究所的Eri Furukawa等学者在《Smart Agricultural Technology》发表了一项创新性研究，通过一款集成了三轴加速度计和热敏电阻的多模态尾挂装置，系统分析了荷斯坦犊牛在健康与疾病状态下的行为与生理参数差异，并构建了基于机器学习的疾病检测模型。该装置以3分钟为间隔持续采集数据，最终成功从1996个有效日记录中提取出关键指标，为犊牛疾病预警提供了重要技术支撑。

研究团队主要采用了以下关键技术方法：

1. 1.
   使用定制化尾挂装置（重31克）采集加速度、滚转角和尾部温度数据；
2. 2.
   基于威斯康星犊牛健康评分标准进行每周两次临床健康评估；
3. 3.
   通过线性混合效应模型分析五大每日指标（meanActivity, sumLying, sumPosition, sdTail, maxST）与疾病关联性；
4. 4.
   采用随机森林算法构建二分类疾病检测模型，并通过保留验证法评估性能。所有数据来自日本某商业牧场329头单独饲养的雌性荷斯坦犊牛（平均日龄20.7±10.9天）。

3.1 健康状态与传感指标的关联及分布特征

线性混合模型显示，腹泻疾病与meanActivity（β=-0.404, p=0.001）和sumPosition（β=-2.392, p<0.001）呈负相关，与sumLying（β=0.445, p<0.001）和sdTail（β=6.091, p=0.001）呈正相关。呼吸道疾病则与meanActivity（β=-0.443, p=0.010）负相关，与sumLying（β=0.391, p=0.008）和maxST（β=0.227, p=0.001）正相关。值得注意的是，两类疾病的指标分布存在显著重叠，提示单一指标难以实现疾病类型区分。

3.2 疾病检测模型性能与特征重要性

随机森林模型在十次迭代中平均达到灵敏度0.76、特异性0.52、AUC-ROC 0.71。其中meanActivity和sumLying被识别为最重要特征（平均重要性排名前二），而季节因素贡献度最低。尽管阳性预测值较低（0.17），但阴性预测值高达0.95，表明模型在排除健康病例方面具有较高可靠性。

4. 讨论与结论

本研究首次在统一框架内对比分析了犊牛腹泻与呼吸道疾病的行为生理特征，证实多模态尾挂装置可有效捕捉疾病相关变化。与既往单一参数研究相比，本研究采用更严谨的保留验证法，虽未显著提升性能指标，但提供了更接近实际应用的性能评估。模型表现出的高阴性预测值特性，使其适合作为牧场一级筛查工具，辅助管理人员快速排除健康个体并聚焦可疑病例。

研究的局限性包括单一牧场数据来源、缺乏时序特征分析以及未整合饲喂行为等多源数据。未来需通过多中心验证、引入时间序列特征（如移动平均偏差值）以及结合自动饲喂器数据等方式进一步提升模型泛化能力和鉴别精度。

该研究为犊牛健康管理提供了重要的技术路径，其提出的多参数融合分析框架和自动化监测策略，不仅适用于奶牛养殖领域，也为其他畜禽健康智能监测提供了可借鉴的范式。随着传感器技术和人工智能算法的持续优化，这类低成本、易部署的监测方案有望成为智慧畜牧业的标准配置。