基于传感器监测数据的预测泌乳牛乳房炎机器学习算法研究

为了预测集约化牧场奶牛患有临床乳房炎的风险,试验选择黑龙江省黑河市两个集约化奶牛场的288头泌乳牛及其数据为研究对象,分为患病组(确诊患有乳房炎的奶牛189头)和健康组(109头),选择这些奶牛的日平均产奶量、日平均活动量、日平均反刍时间、日白天平均反刍时间、日夜间平均反刍时间、昼夜反刍时间比、日每2 h的反刍时间偏差绝对值、日加权反刍时间变化绝对值的和、日平均电导率变化百分比、日电导率峰值14个指标数据,比较分析上述变量在患病组和健康组组间和组内差异;然后采用3种机器学习算法(决策树、随机森林、eXtreme Gradient boosting)和二元逻辑分类算法预测奶牛乳房炎的发病情况。结果表明:在d-0时,患病组奶牛的日平均产奶量[(34.89±11.81)kg]极显著低于健康组[(41.96±8.69)kg,P<0.01];而在d-7~d-2时,患病组奶牛的日平均产奶量均高于健康组,但差异不显著(P>0.05)。患病组奶牛的日平均反刍时间、日白天平均反刍时间、日夜间平均反刍时间在d-1时均达到最低[(515.37±66.88)min、(206.63±67.05)min、(309.56±64.52)min],分别比健康组奶牛[(560.68±51.30)min、(225.81±34.04)min、(334.38±39.89)min]平均少45.31 min(P<0.05)、19.18 min(P>0.05)、24.82 min(P<0.05)。患病组奶牛的昼夜反刍时间比、日每2 h反刍时间偏差绝对值、日加权反刍时间变化绝对值的和均在d-0时达到最大值,而健康组奶牛的上述3个指标从d-7~d-0均无明显变化。患病组奶牛的日加权反刍时间变化绝对值的和在d-1和d-0时分别比健康组极显著高48.83和94.27(P<0.01)。患病组奶牛的日电导率变化百分比、日电导率峰值从d-3~d-0逐渐增大,d-0时达到最大值,而健康组奶牛上述指标均无明显变化。随机森林模型的Se值最高,二元逻辑分类模型最低;eXtreme Gradient boosting模型Sp值高于随机森林模型,但随机森林模型的Acc、F1和AUC值优于其他3种模型。说明随机森林算法对奶牛乳房炎的预测效果最优,日平均产奶量、昼夜反刍比、日加权反刍时间变化绝对值的和、日电导率变化百分比、日电导率峰值可作为奶牛乳房炎预测因子。