《Biosystems Engineering》：Improved and interpretable accelerometer-based farrowing prediction
编辑推荐：
本研究针对母猪分娩时间预测精度不足和模型可解释性差的问题，开发了一种基于耳标加速度计数据的可解释人工智能方法。研究人员通过两阶段模型（巢筑行为检测和分娩时间预测），结合CUSUM、BEAST和NestDetect算法，在179头母猪数据集上实现82.68%的巢筑行为检测准确率，符号回归模型预测分娩时间平均绝对误差仅9.4小时。该研究为精准畜牧业提供了兼具预测性能和透明度的决策支持工具，对改善动物福利具有重要意义。
在现代化畜牧业生产中，准确预测母猪分娩时间对优化养殖管理和改善动物福利具有关键意义。母猪在分娩前会表现出特定的巢筑行为，这为预测分娩时机提供了重要线索。然而，现有的预测方法面临两大挑战：传统变点检测方法（如CUSUM）在不同饲养环境下稳定性不足，而基于黑箱算法的时间预测模型又缺乏可解释性，难以获得养殖人员的信任。
为了解决这些难题，来自奥地利应用技术大学的研究团队在《Biosystems Engineering》上发表了一项创新研究。他们开发了一种结合加速度计数据和可解释人工智能的两阶段预测框架，不仅能够可靠检测巢筑行为的起始点，还能准确预测剩余分娩时间，同时保持模型的透明度和可解释性。
研究方法上，团队利用SMARTBOW?耳标采集179头母猪的三轴加速度数据（采样频率10Hz），通过计算加速度幅值（M=√(x2+y2+z2)）来量化动物活动水平。研究采用分组5折交叉验证确保模型稳健性，主要技术方法包括：基于滑动窗口的在线测试框架、巢筑行为检测三种算法比较（CUSUM、BEAST和自定义NestDetect）、时间预测两种模型对比（符号回归SR和深度学习MLP），以及SHAP可解释性分析。
4.1 巢筑行为检测结果
研究人员比较了三种巢筑行为检测方法的性能。自研的NestDetect模型表现最佳，在48小时时间窗口内达到82.68%的正确检测率，显著优于CUSUM（67.04%）和BEAST（49.16%）。值得注意的是，NestDetect采用确定性算法，其检测结果具有高度一致性，而BEAST由于算法的随机性会导致结果波动。分析显示，NestDetect能够更早识别巢筑行为的起始点，为后续时间预测留出更充足的准备时间。
4.2 分娩时间预测结果
在时间预测环节，符号回归SR模型与深度学习模型表现出相近的预测性能。SR在测试集上的平均绝对误差MAE为9.47小时，决定系数R2为0.64；而神经网络MAE为9.64小时，R2为0.76。虽然神经网络在部分指标上略优，但SR模型仅使用了18个特征，模型复杂度（559个节点）远低于神经网络（3969个系数），展现出更好的效率。
特别值得关注的是，当研究团队使用人工标注的巢筑起始点（消除检测误差影响）并引入5小时修正因子后，SR模型的预测性能显著提升，MAE降至6.13小时，且预测偏差分布更加均衡。这表明在实际应用中，通过适当的校准可以进一步提高预测准确性。
4.3 可解释性与可解释性评估
本研究的一个重要贡献是对模型可解释性的深入分析。符号回归SR作为开箱模型，其数学表达式可直接解读，而神经网络则需要借助SHAP等后验解释方法。特征重要性分析显示，在SR模型中，“过去24小时平均活动量”和“限位饲养时间”对预测结果影响最大，这与母猪分娩前行为生理变化规律高度吻合。
SHAP分析进一步揭示，当母猪活动量在近期出现显著变化时，模型会预测较短的分娩间隔，这符合巢筑行为在分娩前24小时开始、6-12小时前达到高峰的生物学规律。这种直观的因果关系解释大大增强了模型在实际应用中的可信度。
5. 讨论与结论
该研究成功开发了一个完整的分娩预测流水线，首次实现了从巢筑行为检测到分娩时间预测的全流程可解释解决方案。与先前研究相比，本研究在检测准确率（82.68% vs 69.23%）和预测精度方面均有显著提升。
更重要的是，研究证实了在精准畜牧业中，模型性能与可解释性并非不可兼得。符号回归在保持竞争力的预测性能同时，提供了内在的透明度，这对于建立养殖人员对AI系统的信任至关重要。研究还发现，加速度数据与养殖管理信息的结合能有效提升预测准确性，特别是活动量变化模式和限位饲养时间等特征具有重要预测价值。
该技术的实际应用价值显著：9小时左右的预测误差相比传统依赖妊娠期估算和肉眼观察的方法（误差常超过24小时）已有重大改进，且系统能提供持续更新的预测信息，随着分娩临近，预测精度会进一步提高。这种数据驱动的自动化解决方案有望减轻养殖人员的劳动负担，为及时干预提供科学依据，从而降低母猪应激和仔猪压死风险。
未来研究方向包括整合计算机视觉技术提取更多行为特征，开发更直观的模型解释呈现方式，以及在多样化养殖环境中验证模型的普适性。这项研究为可解释人工智能在精准畜牧业的应用树立了重要标杆，推动了透明、可信的农业智能决策系统的发展。
