基于機(jī)器學(xué)習(xí)算法的奶牛疾病預(yù)測模型的研究

李尚汝,宋佳美,張城瑞,孫雨坤,張永根

(東北農(nóng)業(yè)大學(xué)動物科學(xué)技術(shù)學(xué)院，哈爾濱 150030)

目前，牧場中奶牛疾病的檢測主要依賴獸醫(yī)巡視和診斷[1]。然而僅靠牛場的工作人員無法完成高質(zhì)量的群體化和個性化管理工作，這使機(jī)器學(xué)習(xí)(machine learning，ML)在奶牛精準(zhǔn)育種、飼養(yǎng)管理和疾病監(jiān)測等領(lǐng)域有著廣泛的研究和應(yīng)用前景[2]。大型牧場利用傳感器收集各種類型的數(shù)據(jù)，并配有一體化的信息管理系統(tǒng)，其中一些系統(tǒng)能夠處理部分傳感器的數(shù)據(jù)并提供決策支持[3]。如配有智能化設(shè)備(如智能項圈、計步器等)的牧場會根據(jù)反芻量和活動量的異常預(yù)警來輔助診斷，在一定程度上避免了誤判、漏判[4]。然而，如果牧場的信息管理系統(tǒng)能夠整合ML算法以支持生產(chǎn)決策過程或使其自動化時，來自各種傳感器的數(shù)據(jù)才能得到充分利用[1]。ML算法利用統(tǒng)計技術(shù)對大型數(shù)據(jù)集進(jìn)行處理并預(yù)測奶牛的生產(chǎn)性能和疾病[5-6]。

近年來，有許多學(xué)者利用ML算法判斷奶牛的異常。Wagner等[7]利用瘤胃內(nèi)pH傳感器監(jiān)測奶牛瘤胃pH，同時利用具有定位功能的項圈監(jiān)測奶牛的活動，評估K-近鄰回歸(K-Nearest Neighbours for Regression，KNNR)、決策樹回歸(Decision Tree for Regression，DTR)、多層感知器(MultiLayer Perceptron，MLP)和長短期記憶(Long Short-Term Memory，LSTM)預(yù)測奶牛瘤胃酸中毒情況，結(jié)果表明KNNR表現(xiàn)最佳，真陽性為83%。Mtga等[8]比較了線性回歸(Linear Regression，LRN)、隨機(jī)森林(Random Forests，RF)、梯度提升決策樹(Gradient Boosting Decision Tree，GBDT)和人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)預(yù)測熱應(yīng)激時奶牛的呼吸頻率、皮膚溫度和陰道溫度的效果，發(fā)現(xiàn)RF和ANN的預(yù)測效果較好，均方根誤差最低分別為9.695次/min、0.334 ℃和0.434 ℃。Xu等[9]利用8種ML算法對奶牛血漿中β-羥丁酸、游離脂肪酸、葡萄糖、胰島素和胰島素樣生長因子-1的濃度進(jìn)行聚類，以評價泌乳早期代謝狀態(tài)，發(fā)現(xiàn)RF和支持向量機(jī)(Support Vector Machine，SVM)表現(xiàn)最佳，最低錯誤率為12.4%～22.6%。然而，這些方法存在一定的侵入性，可能會使奶牛產(chǎn)生應(yīng)激，在牧場中適用性有限。用奶牛生產(chǎn)中的常規(guī)數(shù)據(jù)來預(yù)測奶牛的異常表現(xiàn)，如反芻量、胎次、產(chǎn)奶性能等，可以有效避免因人為操作引起的奶牛應(yīng)激。

奶?；疾『螅顒有袨?、采食行為和社交行為通常會減少[10]，這些指標(biāo)的變化，可輔助員工、技術(shù)人員和獸醫(yī)進(jìn)行疾病預(yù)警、診斷和決策[11]。研究表明，反芻時間可作為疾病早期檢測的工具[12-14]，反芻和活動可有效監(jiān)測奶牛乳房炎、消化和代謝狀態(tài)[15-16]。除了奶牛的行為指標(biāo)，產(chǎn)奶量也是反映疾病的一個重要因素[17]。目前，奶牛疾病的預(yù)測模型多以反芻量、活動量和產(chǎn)奶量作為預(yù)測變量[7，18-19]，而產(chǎn)奶量在很大程度上受胎次和泌乳天數(shù)的影響[20]，此外，泌乳天數(shù)和胎次也可以反映奶牛的身體代謝和健康狀態(tài)[9]，這表明各個指標(biāo)并不能孤立地預(yù)測奶牛的健康狀況。除了反芻量、活動量、產(chǎn)奶量之外，有必要將胎次和泌乳天數(shù)納入疾病預(yù)測的變量中。鑒于此，本試驗采用6種ML算法，利用奶牛生產(chǎn)中的日活動量、反芻量、產(chǎn)奶量、泌乳天數(shù)和胎次5種變量，建立奶牛健康狀態(tài)的預(yù)測模型，探究開發(fā)奶牛管理決策支持工具的可能性，評估6種ML算法在奶牛疾病預(yù)測中的性能；此外，建立以日活動量、反芻量和產(chǎn)奶量為變量的預(yù)測模型，評估胎次和泌乳天數(shù)對模型性能的影響。

1 材料與方法

1.1 數(shù)據(jù)采集

試驗數(shù)據(jù)來源于黑龍江省黑河市金澳牧場所有處于泌乳期的奶牛。泌乳奶牛飼喂全混合飼糧(TMR)，分區(qū)飼養(yǎng)(新產(chǎn)區(qū)、低產(chǎn)區(qū)、高產(chǎn)區(qū)和病區(qū))，不同產(chǎn)區(qū)飼喂的TMR不同，其中新產(chǎn)區(qū)和病區(qū)飼喂同一種TMR。TMR中粗飼料主要由玉米青貯、燕麥、紫花苜蓿、全棉籽和啤酒糟組成，精飼料由預(yù)混料、麩皮、噴漿玉米皮、菜籽粕和玉米蛋白等組成。TMR營養(yǎng)水平見表1。

表1 泌乳牛TMR營養(yǎng)水平

收集2020年12月至2021年11月所有泌乳奶牛的數(shù)據(jù)，總計944頭牛，共105 168條數(shù)據(jù)，其中疾病記錄3 268條。將數(shù)據(jù)分為訓(xùn)練集和外部驗證集，比例為2∶1。每條數(shù)據(jù)包含胎次、泌乳天數(shù)、日反芻量、日活動量、產(chǎn)奶量和6類疾病情況。其中，胎次、泌乳天數(shù)由信息管理人員登記在信息管理系統(tǒng)中；日反芻量、日活動量由智能項圈和計步器(安樂福(中國)科技智能有限公司)實時監(jiān)測并上傳至信息管理系統(tǒng)；產(chǎn)奶量由奶廳管理人員將奶廳的數(shù)據(jù)上傳至信息管理系統(tǒng)中。所有的疾病均由2名有經(jīng)驗的獸醫(yī)診治，每天進(jìn)行巡視和診斷，6類疾病分別為乳房疾病(乳房炎、隱性乳房炎)，蹄病(蹄葉炎、關(guān)節(jié)囊腫、潰瘍等)，生殖系統(tǒng)疾病(子宮炎、胎衣不下、陰道炎等)，消化系統(tǒng)疾病(前胃遲緩、瘤胃積食、瓣胃秘結(jié)等)，營養(yǎng)與代謝疾病(酮病、產(chǎn)后癱瘓等)，過敏與應(yīng)激(高燒、冷熱應(yīng)激等)。以上數(shù)據(jù)每日上傳1次，連續(xù)收集365 d。

1.2 模型建立與評估

1.2.1 模型算法 ANN包含輸入層、隱藏層和輸出層(圖1)，隱藏層包含若干神經(jīng)元，各神經(jīng)元之間用帶可變權(quán)重的有向弧連接，網(wǎng)絡(luò)通過對已知信息的反復(fù)學(xué)習(xí)訓(xùn)練，通過逐步調(diào)整、改變神經(jīng)元連接權(quán)重，達(dá)到處理信息、模擬輸入輸出之間關(guān)系的目的。

x，輸入變量；h，隱藏層神經(jīng)元；o，輸出變量；W，權(quán)重

DT用樹的結(jié)構(gòu)來構(gòu)建分類模型(圖2)，每個節(jié)點代表1個屬性，根據(jù)這個屬性的劃分，進(jìn)入這個節(jié)點的子節(jié)點，直至葉子節(jié)點，每個葉子節(jié)點都代表著一定的類別，從而達(dá)到分類的目的。C5.0和CHAID算法是DT里主要用于分類的算法。對于連續(xù)性自變量來說，C5.0每個節(jié)點分為兩支，CHAID可分為多支。

A是B和C的父節(jié)點

RF是包含多個DT的分類器，其輸出的類別是由個別樹輸出的類別的眾數(shù)而定的。由于利用了集成的方法，相較于DT更能避免過擬合現(xiàn)象。

LR是一種廣義線性模型，主要用于解決分類問題，多用于二分類，也可用于多分類。線性回歸y=f(x)=wTx的取值并不在區(qū)間(0,1)內(nèi)，LR使用一個函數(shù)來歸一化y值，使y的取值在區(qū)間(0,1)內(nèi)，目的是利用樣本數(shù)據(jù)訓(xùn)練得到參數(shù)ω的值。該函數(shù)表達(dá)式如下：

BN也被稱為信念網(wǎng)絡(luò)(Belif Networks)或者因果網(wǎng)絡(luò)(Causal Networks)，是描述數(shù)據(jù)變量之間依賴關(guān)系的一種推理模型。BN的網(wǎng)絡(luò)結(jié)構(gòu)是一個有向無環(huán)圖，其中每個結(jié)點代表一個屬性或者數(shù)據(jù)變量，結(jié)點間的弧代表屬性間的概率依賴關(guān)系(圖3)。一條弧由屬性A指向?qū)傩訠，說明屬性A的取值可以對屬性B的取值產(chǎn)生影響，由于是有向無環(huán)圖，A、B間不會出現(xiàn)有向回路。

圖3 BN網(wǎng)絡(luò)結(jié)構(gòu)[23]

1.2.2 數(shù)據(jù)平衡 由于疾病記錄遠(yuǎn)少于健康記錄，而ML的分類器算法習(xí)慣于偏向多數(shù)類，會導(dǎo)致模型不準(zhǔn)確，因此首先對訓(xùn)練集的數(shù)據(jù)樣本進(jìn)行平衡。疾病記錄進(jìn)行過采樣，平衡因子=5；健康記錄進(jìn)行欠采樣，平衡因子=0.5。

1.2.3 模型訓(xùn)練與驗證 將平衡后的訓(xùn)練集數(shù)據(jù)用于模型訓(xùn)練。訓(xùn)練數(shù)據(jù)集被隨機(jī)分為訓(xùn)練集(90%)和測試集(10%)，采用10-折交叉法進(jìn)行內(nèi)部驗證，以調(diào)節(jié)參數(shù)優(yōu)化模型性能。每組模型重復(fù)訓(xùn)練2次：①將日產(chǎn)奶量、反芻量、活動量作為連續(xù)輸入變量，胎次和泌乳天數(shù)作為分類輸入變量，疾病情況作為分類目標(biāo)變量，用于模型性能和預(yù)測變量重要性的研究；②將日產(chǎn)奶量、反芻量、活動量作為連續(xù)輸入變量，疾病情況作為分類目標(biāo)變量，用于胎次和泌乳天數(shù)對模型精度影響的研究。輸出混淆矩陣和預(yù)測變量的權(quán)重。將訓(xùn)練后的模型采用外部驗證集數(shù)據(jù)進(jìn)行驗證，輸出混淆矩陣。所有ML模型訓(xùn)練和驗證采用IBM SPSS Modeler 18.0進(jìn)行，模型訓(xùn)練參數(shù)見表2、3。

表2 ANN、DT CHAID、RF參數(shù)集

表3 DT C5.0、LR、BN參數(shù)集

1.2.4 結(jié)果分析 對混淆矩陣分別進(jìn)行敏感性和特異性計算，評估模型性能，對輸入變量的權(quán)重進(jìn)行排序并評估其重要性。其中：

敏感性(%)=真陽性數(shù)/(真陽性數(shù)+假陰性數(shù))×100%

特異性(%)=真陰性數(shù)/(真陰性數(shù)+假陽性數(shù))×100%

2 結(jié) 果

2.1 模型性能

由表4可知，DT C5.0的敏感性均>85%，總體敏感度最佳，為95.5%。RF對于各項疾病識別的正確率均>50%，除乳房疾病外，其余疾病的識別正確率較一致，總體敏感度為56.8%。對于ANN，乳房疾病、蹄病、生殖系統(tǒng)和消化系統(tǒng)疾病以及健康牛的敏感性均在50%以上，而營養(yǎng)與代謝疾病和過敏與應(yīng)激識別錯誤率為100%，這與DT CHAID算法得到的結(jié)果趨勢一致，但DT CHAID對于蹄病和消化系統(tǒng)疾病的敏感性僅為20%左右。對于BN，除健康牛和乳房疾病外，其余疾病的敏感性不足45%;而對于LR，所有疾病的敏感性均不足40%，總體敏感度不足30%。

表4 6種模型的敏感性

由表5可知，DT C5.0算法對于識別健康牛和患病牛的特異性均>90%，RF特異性均>80%。ANN、DT CHAID和BN的總特異性雖然超過90%，但對于健康牛的特異性均在70%左右。LR對健康牛的特異性僅為52%，未被識別為健康牛的特異性較高，均在80%以上。

表5 6種模型的特異性

2.2 模型驗證

由外部驗證得到的敏感性(表6)可知，除RF外，其余5種模型對健康牛預(yù)測的敏感性均超過70%。ANN、DT C5.0和CHAID對于生殖系統(tǒng)疾病的敏感性均超過60%，除LR外，其余5種模型對于乳房疾病的敏感性均超過50%，DT C5.0對營養(yǎng)與代謝疾病的敏感性超過50%。同時，DT C5.0的總體敏感度表現(xiàn)最佳，為56.8%，其余模型均在30%左右。而對于營養(yǎng)與代謝疾病和過敏與應(yīng)激，模型的整體預(yù)測精度較差。

表6 6種模型外部驗證的敏感性

由外部驗證得到的特異性(表7)可知，RF和ANN的特異性均在80%以上，且RF的總體特異度最佳，為95.1%。DT C5.0、CHAID和BN對于識別健康牛的特異性均為70%左右，LR為60%。對于6種疾病，6種模型的特異性均超過80%。

表7 6種模型外部驗證的特異性

2.3 預(yù)測變量

由圖4可知，對于不同算法，不同變量的重要性不一致。產(chǎn)奶量和泌乳天數(shù)為最重要的預(yù)測變量，其中，產(chǎn)奶量為RF、ANN和LR的第一重要變量，在其他3個模型中為第二或第三重要變量，而泌乳天數(shù)為DT C5.0、CHAID和BN的第一重要變量，在其他3個模型中為第二重要變量。在DT C5.0、CHAID和BN 3種模型中，胎次的重要性僅次于泌乳天數(shù)和產(chǎn)奶量，日反芻量和活動量重要性稍弱。將胎次和泌乳天數(shù)添加至預(yù)測變量前后得到的模型敏感性變化結(jié)果見圖5。由圖5可知，ANN、BN和LR對于健康牛的敏感性下降，對于6類疾病，僅有RF對于消化系統(tǒng)疾病的敏感性有所下降，其余模型對疾病敏感性均上升或不變。

圖4 6種模型預(yù)測變量的重要性

1,未患??；2，乳房疾??；3，蹄??；4，生殖系統(tǒng)疾??；5，消化系統(tǒng)疾??；6，營養(yǎng)與代謝疾?。?，過敏與應(yīng)激

3 討 論

在本研究中，產(chǎn)奶量和泌乳天數(shù)被證明為最重要的預(yù)測變量，泌乳天數(shù)和胎次可有效提高模型的性能和預(yù)測精度。本試驗?zāi)Ｐ陀?xùn)練后的最佳性能表現(xiàn)為總體敏感性>80%，特異性>90%。與本研究類似，Wagner等[7]采集奶牛的行為信息，利用ML預(yù)測奶牛瘤胃酸中毒情況，表現(xiàn)最優(yōu)的模型敏感性為83%。Kamphuis等[24]用體重、行為數(shù)據(jù)和產(chǎn)奶性能建立ML模型預(yù)測奶牛跛行，將模型特異性固定在80%時，組合模型的總體敏感性為50%。在實際生產(chǎn)中，許多疾病的癥狀通常受到多種因素的影響，ML因其強(qiáng)大的泛化能力和集成各種數(shù)據(jù)的靈活性具有很大的優(yōu)勢[18]，進(jìn)一步探索和完善可能會實現(xiàn)在個體水平上的精準(zhǔn)監(jiān)測。

3.1 模型性能

對6種模型性能的總體表現(xiàn)進(jìn)行分析發(fā)現(xiàn)，對于健康牛和患有乳房疾病的牛的敏感性相對較高，特異性相對較低，這可能是因為牧場中健康牛的數(shù)量遠(yuǎn)多于患病牛，且患有乳房疾病的奶牛數(shù)量多于患其他疾病的數(shù)量。數(shù)據(jù)量大的類別使得模型學(xué)習(xí)該特征的能力更強(qiáng)[7]，因此敏感性較高，同時由于該類別被識別為錯誤的數(shù)量也多于其他類別，因此特異性相對較低，然而這更能反映模型的真實水平。對于數(shù)據(jù)量少的類別(比如營養(yǎng)與代謝疾病、過敏與應(yīng)激)，即使被分類錯誤，其數(shù)量上相對占少數(shù)，因此特異性會“虛高”，導(dǎo)致模型不穩(wěn)定。此外，在本試驗和實際生產(chǎn)中，健康牛的數(shù)據(jù)量遠(yuǎn)多于患病牛，會導(dǎo)致數(shù)據(jù)不平衡的問題。盡管有些類型的數(shù)據(jù)樣本稀缺，但在某些情況下，這些數(shù)據(jù)更重要，如罕見疾病的診斷、災(zāi)難預(yù)測等[25-27]。因此，本試驗對不平衡的數(shù)據(jù)進(jìn)行了適當(dāng)?shù)奶幚?，即欠采樣和過采樣，以提高M(jìn)L預(yù)測數(shù)據(jù)量較少的樣本的準(zhǔn)確率，同時又不影響它們預(yù)測數(shù)據(jù)量多的樣本的精度。在實際應(yīng)用中，對數(shù)據(jù)量少的樣本進(jìn)行正確分類往往比對數(shù)據(jù)量多的樣本正確分類更重要。

本試驗中，DT C5.0算法在訓(xùn)練和驗證時表現(xiàn)出了很高的敏感性和特異性，CHAID算法則表現(xiàn)稍差。C5.0采用的是信息增益的方法對樹進(jìn)行劃分，強(qiáng)調(diào)小樣本上的重復(fù)測試比較，CHAID采用的是卡方的方法，1次對1個變量切分出多個統(tǒng)計顯著的分支，這樣會更快地生長出預(yù)測能力高的樹枝，但隨著樹不斷分支，子節(jié)點的支持度迅速降低，使其更快地逼近一棵臃腫而不穩(wěn)定的樹[28]。在查看樹的分支情況時會發(fā)現(xiàn)，C5.0的樹深度為27，而CHAID樹深度僅為4。Kurt等[28]利用DT算法預(yù)測乳腺癌，發(fā)現(xiàn)C5.0系列的算法敏感性和特異性均優(yōu)于CHAID,與本研究的結(jié)果一致?；贒T算法的模型常用于疾病監(jiān)測中，如Kamphuis等[29]收集9個不同牧場的擠奶機(jī)器人的數(shù)據(jù)，建立并驗證臨床乳房炎預(yù)測模型，將特異性保持在與牧場當(dāng)前使用的模型相當(dāng)?shù)乃綍r，DT模型能夠?qū)⒓訇栃跃瘓蟮臄?shù)量減少50%以上。DT往往在類別不均衡數(shù)據(jù)上表現(xiàn)良好，它使用基于類變量的劃分規(guī)則去創(chuàng)建分類樹，因此可以強(qiáng)制地將不同類別的樣本分開。

ANN在分類、聚類、模式識別和預(yù)測等領(lǐng)域已成為一種常用且有效的模型[30]。在本試驗中，ANN對于不同疾病的分類效果表現(xiàn)不一，這可能與疾病信息的數(shù)量有關(guān)，營養(yǎng)與代謝疾病、過敏與應(yīng)激疾病數(shù)據(jù)較少，導(dǎo)致模型擬合性弱，但其對于其他疾病的敏感性均>50%，對所有疾病的特異性均>90%?，F(xiàn)有研究表明，ANN在奶牛疾病預(yù)測方面表現(xiàn)出較好的預(yù)測性能，如Ehret等[18]利用基因組、代謝信息和牛奶成分，通過ANN預(yù)測亞臨床酮病(β-羥丁酸含量)，結(jié)果表明，β-羥丁酸含量的觀測值和預(yù)測目標(biāo)值之間的平均相關(guān)性最高可達(dá)0.643。此外，Li等[31]以飼料的營養(yǎng)成分、干物質(zhì)采食量和體重為輸入變量，利用ANN預(yù)測瘤胃pH、瘤胃氨氮和揮發(fā)性脂肪酸的濃度，與傳統(tǒng)方法相比，ANN提高了瘤胃代謝相關(guān)預(yù)測的精度。Slob等[1]指出，對于畜牧領(lǐng)域的研究，學(xué)者更傾向于DT和ANN算法。但基于DT的算法比基于ANN的算法更受歡迎，可能是因為ANN是一種黑盒方法，內(nèi)部決策規(guī)則不清楚，而DT算法的“if-else”決策規(guī)則可以幫助使用者理解決策過程。

除最常用的DT和ANN算法外，本試驗還選取了LR、BN和RF，因為它們各自代表了一批相似的方法[32]。在本試驗中，LR對于6類疾病的敏感性均不足40%，對健康牛的特異性僅為52%，這說明約有一半的患病牛被識別為健康牛，性能表現(xiàn)較差。這與很多研究相反，回歸在其他研究中的表現(xiàn)優(yōu)于BN、SVM和RF，這些研究多為預(yù)測與個體遺傳有關(guān)的產(chǎn)犢或受孕性狀，且沒有在個體水平上得到很好的預(yù)測結(jié)果，無法在實踐中使用[6，33]。這可能是因為LR在本質(zhì)上是一種線性分類模型，處理非線性數(shù)據(jù)時往往表現(xiàn)較差，而在個體水平預(yù)測時，個體信息之間可能很難滿足線性關(guān)系。在其他研究中，RF和BN在預(yù)測奶牛熱應(yīng)激和存活率方面均優(yōu)于LR[32，34]，這與本試驗的結(jié)論一致。RF是一種基于DT算法的模型，通過集成學(xué)習(xí)的思想將多棵樹集成，基本單元為DT[35]，相較于DT的單個樹算法，RF能有效防止過擬合，因此在本試驗中，雖然RF模型性能表現(xiàn)不及DT，但該模型相對更穩(wěn)定。與本試驗類似，Shahinfar等[36]利用ML預(yù)估具有高受孕率的奶牛發(fā)現(xiàn)，RF優(yōu)于貝葉斯方法，其準(zhǔn)確度可達(dá)0.80，這可能是因為BN的前提假設(shè)是分布獨立，然而現(xiàn)實中的預(yù)測變量受其他變量和環(huán)境的影響，很難完全獨立，如研究表明胎次和泌乳階段對產(chǎn)奶量有顯著影響[37-39]，每公斤干物質(zhì)的反芻時間與產(chǎn)奶量呈負(fù)相關(guān)關(guān)系[40]。影響模型性能的因素很多，不同的ML模型受自身算法和外部因素的限制，在不同場景下表現(xiàn)出的性能不一。

3.2 疾病預(yù)警

奶牛生產(chǎn)過程中產(chǎn)生的數(shù)據(jù)已被用于許多基于ML算法的疾病預(yù)警的研究中，如用血漿胰島素樣生長因子-1、葡萄糖、胰島素、游離脂肪酸、β-羥丁酸的濃度來評估奶牛泌乳早期的代謝狀態(tài)[9]，用牛奶代謝物濃度和牛奶成分預(yù)測酮病發(fā)生情況[32]，用瘤胃pH和活動情況來預(yù)測瘤胃酸中毒[7]等。然而，這些方法在目前的生產(chǎn)中并沒有得到充分的應(yīng)用，除部分?jǐn)?shù)據(jù)的獲取存在局限性外，其中一個原因可能是缺乏多參數(shù)數(shù)據(jù)集[41]。Kamphuis等[24]收集奶牛不同傳感器中的常規(guī)信息，如體重、活動量、產(chǎn)奶性能等，利用LR預(yù)測奶牛跛行，結(jié)果表明多變量(來自多個傳感器的數(shù)據(jù))模型始終優(yōu)于單變量(來自單個傳感器的數(shù)據(jù))模型。Stangaferro等[15-16,42]利用反芻和活動的信息建立基于健康指數(shù)評分(HIS)的自動健康監(jiān)測系統(tǒng)，以預(yù)測奶牛疾病情況，該系統(tǒng)對于皺胃移位、酮病、消化疾病、乳房炎和子宮炎的預(yù)警總敏感性為59.0%，總特異性為97.6%。這與本試驗中RF得到的結(jié)果相似，與DT C5.0算法得到的特異性相似，但敏感性相差較大。這可能是因為本試驗在此基礎(chǔ)上還增加了其他的預(yù)測變量。

通過對預(yù)測變量重要性的分析發(fā)現(xiàn)，產(chǎn)奶量在本試驗的RF、ANN和LR 3個模型中為最重要的預(yù)測變量，在其他3個模型中也表現(xiàn)出了較高的重要性。疾病對產(chǎn)奶量有很大的影響，Carvalho等[43]研究表明，產(chǎn)后至少患1種疾病(子宮炎、乳房炎、蹄病、消化系統(tǒng)疾病和呼吸系統(tǒng)疾病)的奶牛，產(chǎn)奶量降低約4%，即使是具有相似的產(chǎn)奶基因潛力，患病牛的產(chǎn)奶量也遠(yuǎn)低于健康牛。此外，Khansefid等[44]建立了奶牛蹄病預(yù)測的多變量模型，指出產(chǎn)奶量可以提高模型的精度。對于反芻量和活動量，在本試驗?zāi)Ｐ椭械闹匾陨匀?，但仍為提高預(yù)測的精度做了一定貢獻(xiàn)。反芻和活動可有效監(jiān)測奶牛乳房炎、消化和代謝狀態(tài)[15-16]，Liboreiro等[45]研究發(fā)現(xiàn)，患子宮炎的奶牛反芻量每天減少30 min，活動量每天減少37 min；患亞臨床酮病的奶?；顒恿棵刻鞙p少35 min。同樣，Soriani等[46]也報道稱，產(chǎn)后沒有健康問題或只有輕微健康問題的奶牛在泌乳頭10 d的平均反芻時間(≥520 min/d)更長。

本試驗在模型常用的產(chǎn)奶量、反芻量和活動量的基礎(chǔ)上，添加了胎次和泌乳天數(shù)的信息，以預(yù)測奶牛的健康狀況。其中泌乳天數(shù)為DT C5.0、CHAID和BN 3個模型最重要的預(yù)測變量，為其余3個模型第二重要的預(yù)測變量，胎次在性能表現(xiàn)最佳的DT C5.0模型中，重要性僅次于泌乳天數(shù)和產(chǎn)奶量。疾病被證明與胎次和泌乳天數(shù)有關(guān)，Ribeiro等[47]總結(jié)了多項研究發(fā)現(xiàn)，約1/3的奶牛在泌乳前3周內(nèi)至少患1種臨床疾病(子宮炎、乳房炎、消化系統(tǒng)疾病、呼吸系統(tǒng)疾病或蹄病)，Leblanc[48]發(fā)現(xiàn)約有75%的奶牛疾病發(fā)生在產(chǎn)后1個月內(nèi)，Sogstad等[49]發(fā)現(xiàn)胎次≥3時，罹患蹄病的風(fēng)險顯著提高，且多胎奶牛更容易發(fā)生酮病和低血鈣癥[50-51]。本試驗中，將胎次和泌乳天數(shù)添加至預(yù)測變量后，模型的敏感性顯著提高，除了ANN、BN和LR 3種模型對健康牛的預(yù)測精度稍有下降外，只有RF對1類疾病的預(yù)測精度顯示為下降，這說明將胎次和泌乳天數(shù)納入預(yù)測變量中，可以提高模型的預(yù)測精度。與本試驗類似，Xu等[9]在利用ML算法預(yù)測奶牛泌乳早期代謝狀態(tài)時，將胎次作為其中1種預(yù)測變量，輸出模型的最低錯誤率僅為12.4%～22.6%。在目前的奶牛生產(chǎn)中，各類傳感器可以持續(xù)收集奶牛信息和行為數(shù)據(jù)，未來可以將多個傳感器和系統(tǒng)中的數(shù)據(jù)充分利用，以提高模型對異常指標(biāo)的敏感性。

4 結(jié) 論

ML算法對奶牛的健康狀態(tài)可以進(jìn)行有效分類，在預(yù)測疾病方面表現(xiàn)出了潛力。模型受各自算法的限制，在不同場景和條件下表現(xiàn)不一，本試驗中DT C5.0算法預(yù)測性能最佳，與同類研究相比，總體敏感性和特異性均表現(xiàn)出了優(yōu)勢。在常用的預(yù)測變量(日產(chǎn)奶量、反芻量和活動量)基礎(chǔ)上，納入胎次和泌乳天數(shù)可提高模型預(yù)測精度，其中泌乳天數(shù)和產(chǎn)奶量為相對重要的預(yù)測變量。