基于不同行為時間的奶牛健康狀況評價

鄭國生，施正香,3※，滕光輝,3

（1.中國農業大學農業農村部設施農業工程重點實驗室，北京100083；2. 中國農業大學水利與土木工程學院，北京100083；3.北京市畜禽健康養殖環境工程技術研究中心，北京100083）

0 引 言

隨著奶牛場電子信息技術的廣泛應用，奶牛場對牛群的健康管理逐漸走向信息化、精準化和智能化。由于奶牛的活動行為是其健康與否的直接評價指標，因此，及時準確地了解奶牛行為狀況對牛群健康管理具有重要意義。

當前國內外關于奶牛行為的研究主要集中在健康和發情繁育2 方面，而國內關于奶牛行為活動的研究相對較少。尹令等[1]用三軸加速度傳感器構建奶牛行為分類模型，利用結構相似子序列快速聚類算法提高奶牛發情檢測的準確率。宋懷波等[2]提出一種基于Horn-Schunck光流法的多目標奶牛嘴部區域自動檢測方法，為奶牛反芻行為的智能監測提供參考。顧靜秋等[3]利用圖像熵對象識別方法，實時捕獲奶牛爬跨行為與蹄部、背部特征，結合被識別奶牛的連續運動量，判斷奶牛發情行為。鄢新義等[4]通過監測泌乳奶牛的反芻時間和活動量，研究其變化規律和影響因素。在夏季，奶牛受熱應激影響，活動量增加，反芻時間縮短；在冬季，奶牛活動量減少，反芻時間延長。國外對奶牛行為活動的研究相對較多。Mcgowan 等[5]對奶牛的研究結果表明，計步器綁定在身體的不同位置會造成數據結果的差別。Allen等[6]通過裝有三軸加速度傳感器的腿部數據記錄裝置測量了奶牛站立、躺臥的時間，研究了奶牛體溫和行為的關系。Reith等[7-9]利用奶牛反芻與活動量及其變化規律的監測，結合信息技術，可以很好地進行早期疾病發現，如肢蹄病、乳房炎、消化系統疾病、應激等。Jónsson 等[10]研究提出采用廣義似然比值檢驗結合最佳時間窗口選擇的方法按奶牛躺、站立和走動的比例來分類，以此判斷奶牛是否發情。Handcock 等[11]應用傳感器網絡建立智能農場，通過在牛脖子上佩戴全球定位系統GPS（global position system）和無線傳感器節點的項圈來記錄相關環境和牛的行為特征,實現奶牛個體到全群管理的應用。Nadimi等[12]提出采用無線傳感器網絡節點測量牛頸部的旋轉角度和運動速度，運用分類樹來分類牛的行為。

綜上可知，國內外研究學者對奶牛行為的研究，主要集中在奶牛不同行為的監測和識別領域，如發情監測、反芻識別、運動時間測量等，缺乏對奶牛健康狀況綜合評價的研究。本文通過對奶牛行為時間進行監測和分析，構建奶牛健康狀況評價模型，以期快速識別出規模牛群中異常牛只，及時對其進行觀察、確認和治療，有效解決規模奶牛場牛群管理工作中勞動量大、生產損失高、工作效率低等問題。

1 材料與方法

本文試驗所監測行為時間是指一天24 h內奶牛的休息時間、反芻時間和采食時間，根據監測設備識別不同行為時間的特征，定義不同行為時間如表1。通過對奶牛不同行為進行連續監測和數據采集，研究其變化與奶牛健康狀況的關系。

表1 奶牛不同行為時間定義Table 1 Definitions of different behavioral time

1.1 試驗樣本選擇

參考國內外學者有關奶牛采食行為、反芻行為、躺臥休息行為和發情行為等研究的樣本選擇數量[13-22]，2018年春季，在黑龍江省虎林市安興奶牛場，1 棟牛舍相同群組中選擇17 頭高產荷斯坦泌乳奶牛進行試驗研究。樣本奶牛體重（500±50）kg，奶牛泌乳日齡（203±83）d，采用散欄舍飼飼喂方式，全混合日糧機械飼喂，每天飼喂3次（06:00,13:00,20:00），機器擠奶3次（05:00,12:00,19:00），每頭奶牛日均產奶（30±2）kg。

1.2 試驗材料與方法

試驗材料包括泌乳奶牛，電腦，奶牛頸圈（MooMonitor+，Dairymaster，愛爾蘭），數據基站，亞馬遜云存儲端。奶牛和配套電腦由安興奶牛場合作提供；奶牛頸圈和數據基站硬件設備由愛爾蘭Dairy Master 擠奶設備公司提供，該頸圈配套MEMS（micro electro-mechanical system）加速度計，根據加速計傳感器技術原理對不同方向加速度變化時間進行大數據聚類分析，透過RFID卷標追蹤牛的位置，監測奶牛活動行為[23]。該系統具有大數據多級分類機器學習功能，即通過前期模擬訓練，后期可以根據新搜集的數據特征自動對已建模型進行修正，更加科學準確地對奶牛不同行為進行分類識別。該系統采用無線數據傳輸方式進行數據采集和存儲，具體流程見圖1。頸圈每秒鐘可測數據24 項，存儲數據容量為5萬條，每天可采集數據210萬條。數據信息采集以基站為中心，有效覆蓋范圍半徑為1 km，數據每15 min上傳1次；數據存儲云端由亞馬遜云公司提供，具有足夠容量空間，可以存儲采集奶牛的終生信息。

圖1 奶牛行為時間采集流程Fig.1 Collecting flow chart of cows'behavior time

關于設備采集數據可靠性的驗證，Lori 等[24]的試驗報告，在P=0.001 置信水平下，該頸圈對奶牛每天休息時間、反芻時間、采食時間的監測結果與目視觀察記錄法統計結果高度一致，分別達到97%，99%和99%，確認設備監測數據可靠。

1.2.1 試驗設備安裝

在試驗牛場泌乳牛舍選擇17 頭高產荷斯坦泌乳奶牛，對奶牛進行標號和安裝頸圈。根據數據基站1 km 有效工作半徑，把數據采集基站安裝在奶牛場的中心位置，保證最大范圍覆蓋和采集奶牛行為數據信息。

1.2.2 試驗數據采集

2018 年4 月1 日-2018 年5 月31 日，通過Dairymaster Moonmonitor+信息采集系統，對17 頭樣本奶牛每天24 h連續監測并進行試驗數據采集，試驗期間每天早上。8:00 通過系統電腦客戶端從云數據存儲端下載監測數據，數據下載間隔為24 h，即每天所下載數據是之前24 h 內奶牛休息時間、反芻時間、采食時間，共61 d，獲取數據記錄1 037 條，隨機從中選取937 條作為訓練數據集，選取100 條作為驗證數據集，對模型預測進行驗證。同時，采用人工目視觀察法，每天早上06:00 開始，觀察樣本奶牛試驗期間健康狀況，頻率為每隔4 h 觀察1 次，人工記錄奶牛非正常行為事件，如跛足、乳房炎、腹瀉、外傷等。利用SPSS23.0 軟件對樣本奶牛61 d 的訓練數據集進行統計分析，建立奶牛健康狀況評價模型。

1.2.3 模型構建方法

本文以奶牛不同行為表現正常與否為依據對奶牛健康狀況進行評價研究，將奶牛行為表現結果分為：正常與非正常，選擇Binary Logistic 回歸分析方法進行模型構建。奶牛行為表現正常與否作為因變量，即0-1 型因變量，定義正常行為=0，代表在一定時期內，奶牛活動行為正常，無突然或異常變化，身體健康；非正常行為=1，代表在一定時期內，奶牛活動出現非正常行為，如出現跛足、發情、應激等。p 為奶牛非正常行為發生概率，取值區間為[0,1]，則有Logistic線性回歸模型一般形式

式中x1，x2，x3分別代表奶牛每天休息時間水平、采食時間水平、反芻時間水平。β0，β1，β2，β3為模型待估計參數。通過SPSS23.0 軟件，用最大似然估計法求解待估計參數，行為時間Wald 統計檢驗值對應顯著性水平小于0.05，則該行為時間對應估計參數通過模型系數檢驗，否則剔除。由式（1）可得奶牛非正常行為發生預測概率為

正常行為發生概率q為

由式（2）和式（3）得

式中r為優勢比，是二項Logistic系數的指數,是指奶牛行為時間水平的值每增加1個單位時，奶牛非正常行為預測概率的變化情況。

模型建立后，為確保該模型能夠對奶牛行為數據進行解釋說明和預測的合理性，對模型進行系統檢驗。對于非線性邏輯回歸模型，根據統計學理論原則，常用似然比檢驗法對方程假設進行檢驗，Wald 統計量檢驗方程系數假設，Hosmer-Lemeshow goodness-of-fit統計法檢驗模型的擬合優度[25]，確定方程是否能夠準確表達數據結果。最后利用驗證數據集對模型預測準確度進行驗證。

1.2.4 數據處理

利用SPSS23.0 軟件對試驗期全部樣本數據進行相關性分析和邏輯回歸，建立奶牛非正常行為預測模型，并對模型進行檢驗，數據結果以平均值±標準差表示。

2 結果與分析

2.1 奶牛各行為時間監測與統計結果

依據試驗方案，對17 頭奶牛進行連續61 d 行為觀察和數據采集，獲取奶牛每天24 h 內休息時間、反芻時間、采食時間和不同行為天數。對奶牛正常和非正常行為時間段內不同行為時間分別進行統計，結果見表2。

表2 奶牛行為時間統計Table 2 Statistics of cow's behavior time

由表2 可知，1～10 號奶牛在試驗期間出現非正常行為，11～17 號奶牛在試驗期間各行為始終正常，平均行為時間無變化。1～10 號奶牛非正常行為期間的行為時間與正常行為期間的行為時間比較可知，不同奶牛的行為時間變化不同，平均休息時間變化較大：非正常行為期間，休息時間平均增加25.7%，反芻時間和采食時間分別平均減少12.7%和2.3%。

2.2 健康奶牛的行為時間分布

試驗獲得的1 037 條試驗數據中奶牛正常行為數據980 條，非正常行為數據57 條。每條數據記錄包括奶牛24 h 內休息時間、反芻時間、采食時間和行為狀況4 項信息。為研究奶牛正常狀態下不同行為時間分布，對980 條正常行為樣本數據進行統計分析，發現各行為時間呈正態分布，如圖2 所示，休息時間在300～600 min 之間的樣本數據769 條，占總樣本數據的78.5%；反芻時間在400～700 min 之間的樣本數據869 條，占總樣本數據的88.7%；采食時間在200～400 min 之間的樣本數據797 條，占總樣本數據的81.3%。該結果與邵大富等[16]、馮濤等[26]、Pahl 等[21]對奶牛不同行為時間分布的研究結論一致。而非正常行為樣本數據進行統計分析，結果表明各行為時間呈離散狀分布，無明顯分布規律，如圖3 所示。

圖2 正常行為時間分布Fig.2 Distribution of normal behavior time

圖3 非正常行為時間分布Fig.3 Distribution of abnormal behavior time

2.3 奶牛健康狀況評價模型構建

利用SPSS23.0 軟件，選擇Binary Logistic 回歸分析法，對試驗數據進行分析。根據Binary Logistic回歸分析方法應用條件和研究意義，結合奶牛正常行為時間分布，對行為時間進行分類，實現分類變量對奶牛行為狀況解釋說明。把奶牛行為時間按照由短到長分為“1，2，3，4，5”5類，分別代表不同的行為時間水平，具體見表3。

表3 行為時間分類和編碼Table 3 Behavior time sorting and coding

將不同行為時間轉換為分類變量，結合奶牛行為表現0-1結果，利用SPSS23.0軟件，對試驗數據進行分析。二項Logistic回歸模型自變量采用強行進入法，變量選入標準為顯著水平α＜0.05，剔除標準為α ＞0.1。模型變量系數和統計檢驗結果如表4。

利用最大似然估計法，通過SPSS23.0 軟件求得模型中未知參數β0、β1、β2和β3分別為-10.404、0.998、1.446 和0.084。由表4 可知，反芻時間Wald 統計檢驗值對應顯著性水平0.741＞0.05，β3沒有通過模型系數檢驗，故從模型中剔除，而休息時間和采食時間的Wald統計檢驗值對應顯著性水平＜0.01，β1和β2通過模型系數檢驗，即休息時間和采食時間是預測模型的主要影響因素。由采食時間優勢比和休息時間優勢比可知，采食時間對模型預測概率的影響力較休息時間大，且在其他條件不變的情況下，采食時間水平每增加1 個單位，奶牛非正常行為預測概率變化擴大4.2 倍。將β0、β1和β2的求得值代入Logistic線性回歸模型一般形式

可得奶牛非正常行為預測模型

式中x1代表奶牛休息時間水平，x2代表奶牛采食時間水平，p代表奶牛非正常行為發生概率。

回歸模型擬合優度的檢驗采用Hosmer and Leme-show[25]檢驗法。由Hosmer and Lemeshow 檢驗結果可知，檢驗卡方值對應的顯著性水平0.731＞0.05，拒絕原假設，即觀測值與預測值無顯著差異，模型擬合優度通過檢驗。將100 條試驗驗證數據集代入奶牛非正常行為預測模型計算可得，92 條試驗數據的非正常行為預測發生概率小于10%，8 條試驗數據非正常行為預測發生概率大于25%。預測結果與人工目視觀察結果比較，非正常行為和正常行為數據的預測準確率分別為80%和91.6%，模型整體預測準確率為91%。

表4 模型方程中的變量Table 4 Variables in model equation

3 討論

奶牛行為時間受環境影響，不同環境條件下奶牛行為時間存在一定差異。本文所構建評價模型是以東北地區環境條件為基礎完成的，其主要為東北地區規模化奶牛場牛群管理提供指導和參考。而中國規模化奶牛場分布在各個環境條件不同的地區，如果直接運用該模型對其它地區奶牛場牛群管理進行指導，難免出現偏差。因此，為使奶牛健康狀況評價模型更加具有代表性，未來要在中國東北地區、華中地區、南方地區分別選擇不同奶牛場進行樣本選擇和試驗，比較研究不同環境條件下的奶牛行為，構建更具有代表性的奶牛健康狀況評價模型。

奶牛的行為時間因個體差異而不同，為降低樣本個體差異對研究結果的影響，可在試驗條件可以滿足的情況下，選擇更多品種相同、個體指標相近的奶牛，獲得充足的樣本數據，以減小系統誤差。

奶牛行為監測技術，當前仍以國外為主，如以色列阿菲金公司研發的AfiAct計步器，監測奶牛躺臥時間；荷蘭Agis 公司開發的CowManager SensOor，測量奶牛反芻和飼喂時間；英國Icerobotics 公司的CowAlert IceQube，監測奶牛躺臥時間。但大部分都是專注于某單一行為監測技術的開發，如何利用一套設備實現奶牛多行為的精準監測，是行業領域亟待攻關的課題。因為奶牛不同行為的精準監測，有助于研究學者或生產管理者獲得更多準確數據信息進行比較分析，及時發現疾病或異樣奶牛，從而采取有效預防措施和處理，實現奶牛科學精準化管理。如Calamari 等[27]通過監測奶牛分娩期間反芻時間，檢測預防早期疾病。Ito 等[28]通過研究奶牛躺臥行為與跛足的關系，確定躺臥時間可以作為奶牛跛足行為的預警信號。Reith 等[29]研究奶牛反芻時間與發情行為的相關性，以反芻時間變化規律作為奶牛發情信號。因此，關于行為監測技術的研究，在今后奶牛業發展中的地位將越來越重要。

4 結論

1）奶牛非正常行為期間的各行為時間與正常行為期間比較可知，不同奶牛行為時間變化不同，平均休息時間變化較大，非正常行為期間平均休息時間比正常行為期間增加25.7%；反芻時間和采食時間分別減少12.7%和2.3%。

2）奶牛健康行為時間呈正態分布，每天（24 h）平均休息時間為300～600 min，反芻時間為400～700 min，采食時間為200～400 min。非正常行為時間呈離散狀分布，無明顯分布規律。

3）根據本文研究所構建的奶牛健康狀況評價模型可知，休息時間和采食時間是預測模型的主要影響因素，其中采食時間對模型預測概率的影響力較休息時間大，在其他條件不變的情況下，采食時間水平每增加1 個單位，奶牛非正常行為預測概率變化擴大4.2 倍。奶牛非正常行為預測模型預測結果與人工目視觀察結果比較，模型整體預測準確率為91%。因此，該研究可為現代規模奶牛場科學、精準化管理提供參考。