基于不同行为时间的奶牛健康状况评价

郑国生，施正香,3※，滕光辉,3

（1.中国农业大学农业农村部设施农业工程重点实验室，北京100083；2. 中国农业大学水利与土木工程学院，北京100083；3.北京市畜禽健康养殖环境工程技术研究中心，北京100083）

0 引 言

随着奶牛场电子信息技术的广泛应用，奶牛场对牛群的健康管理逐渐走向信息化、精准化和智能化。由于奶牛的活动行为是其健康与否的直接评价指标，因此，及时准确地了解奶牛行为状况对牛群健康管理具有重要意义。

当前国内外关于奶牛行为的研究主要集中在健康和发情繁育2 方面，而国内关于奶牛行为活动的研究相对较少。尹令等[1]用三轴加速度传感器构建奶牛行为分类模型，利用结构相似子序列快速聚类算法提高奶牛发情检测的准确率。宋怀波等[2]提出一种基于Horn-Schunck光流法的多目标奶牛嘴部区域自动检测方法，为奶牛反刍行为的智能监测提供参考。顾静秋等[3]利用图像熵对象识别方法，实时捕获奶牛爬跨行为与蹄部、背部特征，结合被识别奶牛的连续运动量，判断奶牛发情行为。鄢新义等[4]通过监测泌乳奶牛的反刍时间和活动量，研究其变化规律和影响因素。在夏季，奶牛受热应激影响，活动量增加，反刍时间缩短；在冬季，奶牛活动量减少，反刍时间延长。国外对奶牛行为活动的研究相对较多。Mcgowan 等[5]对奶牛的研究结果表明，计步器绑定在身体的不同位置会造成数据结果的差别。Allen等[6]通过装有三轴加速度传感器的腿部数据记录装置测量了奶牛站立、躺卧的时间，研究了奶牛体温和行为的关系。Reith等[7-9]利用奶牛反刍与活动量及其变化规律的监测，结合信息技术，可以很好地进行早期疾病发现，如肢蹄病、乳房炎、消化系统疾病、应激等。Jónsson 等[10]研究提出采用广义似然比值检验结合最佳时间窗口选择的方法按奶牛躺、站立和走动的比例来分类，以此判断奶牛是否发情。Handcock 等[11]应用传感器网络建立智能农场，通过在牛脖子上佩戴全球定位系统GPS（global position system）和无线传感器节点的项圈来记录相关环境和牛的行为特征,实现奶牛个体到全群管理的应用。Nadimi等[12]提出采用无线传感器网络节点测量牛颈部的旋转角度和运动速度，运用分类树来分类牛的行为。

综上可知，国内外研究学者对奶牛行为的研究，主要集中在奶牛不同行为的监测和识别领域，如发情监测、反刍识别、运动时间测量等，缺乏对奶牛健康状况综合评价的研究。本文通过对奶牛行为时间进行监测和分析，构建奶牛健康状况评价模型，以期快速识别出规模牛群中异常牛只，及时对其进行观察、确认和治疗，有效解决规模奶牛场牛群管理工作中劳动量大、生产损失高、工作效率低等问题。

1 材料与方法

本文试验所监测行为时间是指一天24 h内奶牛的休息时间、反刍时间和采食时间，根据监测设备识别不同行为时间的特征，定义不同行为时间如表1。通过对奶牛不同行为进行连续监测和数据采集，研究其变化与奶牛健康状况的关系。

表1 奶牛不同行为时间定义Table 1 Definitions of different behavioral time

1.1 试验样本选择

参考国内外学者有关奶牛采食行为、反刍行为、躺卧休息行为和发情行为等研究的样本选择数量[13-22]，2018年春季，在黑龙江省虎林市安兴奶牛场，1 栋牛舍相同群组中选择17 头高产荷斯坦泌乳奶牛进行试验研究。样本奶牛体重（500±50）kg，奶牛泌乳日龄（203±83）d，采用散栏舍饲饲喂方式，全混合日粮机械饲喂，每天饲喂3次（06:00,13:00,20:00），机器挤奶3次（05:00,12:00,19:00），每头奶牛日均产奶（30±2）kg。

1.2 试验材料与方法

试验材料包括泌乳奶牛，电脑，奶牛颈圈（MooMonitor+，Dairymaster，爱尔兰），数据基站，亚马逊云存储端。奶牛和配套电脑由安兴奶牛场合作提供；奶牛颈圈和数据基站硬件设备由爱尔兰Dairy Master 挤奶设备公司提供，该颈圈配套MEMS（micro electro-mechanical system）加速度计，根据加速计传感器技术原理对不同方向加速度变化时间进行大数据聚类分析，透过RFID卷标追踪牛的位置，监测奶牛活动行为[23]。该系统具有大数据多级分类机器学习功能，即通过前期模拟训练，后期可以根据新搜集的数据特征自动对已建模型进行修正，更加科学准确地对奶牛不同行为进行分类识别。该系统采用无线数据传输方式进行数据采集和存储，具体流程见图1。颈圈每秒钟可测数据24 项，存储数据容量为5万条，每天可采集数据210万条。数据信息采集以基站为中心，有效覆盖范围半径为1 km，数据每15 min上传1次；数据存储云端由亚马逊云公司提供，具有足够容量空间，可以存储采集奶牛的终生信息。

图1 奶牛行为时间采集流程Fig.1 Collecting flow chart of cows'behavior time

关于设备采集数据可靠性的验证，Lori 等[24]的试验报告，在P=0.001 置信水平下，该颈圈对奶牛每天休息时间、反刍时间、采食时间的监测结果与目视观察记录法统计结果高度一致，分别达到97%，99%和99%，确认设备监测数据可靠。

1.2.1 试验设备安装

在试验牛场泌乳牛舍选择17 头高产荷斯坦泌乳奶牛，对奶牛进行标号和安装颈圈。根据数据基站1 km 有效工作半径，把数据采集基站安装在奶牛场的中心位置，保证最大范围覆盖和采集奶牛行为数据信息。

1.2.2 试验数据采集

2018 年4 月1 日-2018 年5 月31 日，通过Dairymaster Moonmonitor+信息采集系统，对17 头样本奶牛每天24 h连续监测并进行试验数据采集，试验期间每天早上。8:00 通过系统电脑客户端从云数据存储端下载监测数据，数据下载间隔为24 h，即每天所下载数据是之前24 h 内奶牛休息时间、反刍时间、采食时间，共61 d，获取数据记录1 037 条，随机从中选取937 条作为训练数据集，选取100 条作为验证数据集，对模型预测进行验证。同时，采用人工目视观察法，每天早上06:00 开始，观察样本奶牛试验期间健康状况，频率为每隔4 h 观察1 次，人工记录奶牛非正常行为事件，如跛足、乳房炎、腹泻、外伤等。利用SPSS23.0 软件对样本奶牛61 d 的训练数据集进行统计分析，建立奶牛健康状况评价模型。

1.2.3 模型构建方法

本文以奶牛不同行为表现正常与否为依据对奶牛健康状况进行评价研究，将奶牛行为表现结果分为：正常与非正常，选择Binary Logistic 回归分析方法进行模型构建。奶牛行为表现正常与否作为因变量，即0-1 型因变量，定义正常行为=0，代表在一定时期内，奶牛活动行为正常，无突然或异常变化，身体健康；非正常行为=1，代表在一定时期内，奶牛活动出现非正常行为，如出现跛足、发情、应激等。p 为奶牛非正常行为发生概率，取值区间为[0,1]，则有Logistic线性回归模型一般形式

式中x1，x2，x3分别代表奶牛每天休息时间水平、采食时间水平、反刍时间水平。β0，β1，β2，β3为模型待估计参数。通过SPSS23.0 软件，用最大似然估计法求解待估计参数，行为时间Wald 统计检验值对应显著性水平小于0.05，则该行为时间对应估计参数通过模型系数检验，否则剔除。由式（1）可得奶牛非正常行为发生预测概率为

正常行为发生概率q为

由式（2）和式（3）得

式中r为优势比，是二项Logistic系数的指数,是指奶牛行为时间水平的值每增加1个单位时，奶牛非正常行为预测概率的变化情况。

模型建立后，为确保该模型能够对奶牛行为数据进行解释说明和预测的合理性，对模型进行系统检验。对于非线性逻辑回归模型，根据统计学理论原则，常用似然比检验法对方程假设进行检验，Wald 统计量检验方程系数假设，Hosmer-Lemeshow goodness-of-fit统计法检验模型的拟合优度[25]，确定方程是否能够准确表达数据结果。最后利用验证数据集对模型预测准确度进行验证。

1.2.4 数据处理

利用SPSS23.0 软件对试验期全部样本数据进行相关性分析和逻辑回归，建立奶牛非正常行为预测模型，并对模型进行检验，数据结果以平均值±标准差表示。

2 结果与分析

2.1 奶牛各行为时间监测与统计结果

依据试验方案，对17 头奶牛进行连续61 d 行为观察和数据采集，获取奶牛每天24 h 内休息时间、反刍时间、采食时间和不同行为天数。对奶牛正常和非正常行为时间段内不同行为时间分别进行统计，结果见表2。

表2 奶牛行为时间统计Table 2 Statistics of cow's behavior time

由表2 可知，1～10 号奶牛在试验期间出现非正常行为，11～17 号奶牛在试验期间各行为始终正常，平均行为时间无变化。1～10 号奶牛非正常行为期间的行为时间与正常行为期间的行为时间比较可知，不同奶牛的行为时间变化不同，平均休息时间变化较大：非正常行为期间，休息时间平均增加25.7%，反刍时间和采食时间分别平均减少12.7%和2.3%。

2.2 健康奶牛的行为时间分布

试验获得的1 037 条试验数据中奶牛正常行为数据980 条，非正常行为数据57 条。每条数据记录包括奶牛24 h 内休息时间、反刍时间、采食时间和行为状况4 项信息。为研究奶牛正常状态下不同行为时间分布，对980 条正常行为样本数据进行统计分析，发现各行为时间呈正态分布，如图2 所示，休息时间在300～600 min 之间的样本数据769 条，占总样本数据的78.5%；反刍时间在400～700 min 之间的样本数据869 条，占总样本数据的88.7%；采食时间在200～400 min 之间的样本数据797 条，占总样本数据的81.3%。该结果与邵大富等[16]、冯涛等[26]、Pahl 等[21]对奶牛不同行为时间分布的研究结论一致。而非正常行为样本数据进行统计分析，结果表明各行为时间呈离散状分布，无明显分布规律，如图3 所示。

图2 正常行为时间分布Fig.2 Distribution of normal behavior time

图3 非正常行为时间分布Fig.3 Distribution of abnormal behavior time

2.3 奶牛健康状况评价模型构建

利用SPSS23.0 软件，选择Binary Logistic 回归分析法，对试验数据进行分析。根据Binary Logistic回归分析方法应用条件和研究意义，结合奶牛正常行为时间分布，对行为时间进行分类，实现分类变量对奶牛行为状况解释说明。把奶牛行为时间按照由短到长分为“1，2，3，4，5”5类，分别代表不同的行为时间水平，具体见表3。

表3 行为时间分类和编码Table 3 Behavior time sorting and coding

将不同行为时间转换为分类变量，结合奶牛行为表现0-1结果，利用SPSS23.0软件，对试验数据进行分析。二项Logistic回归模型自变量采用强行进入法，变量选入标准为显著水平α＜0.05，剔除标准为α ＞0.1。模型变量系数和统计检验结果如表4。

利用最大似然估计法，通过SPSS23.0 软件求得模型中未知参数β0、β1、β2和β3分别为-10.404、0.998、1.446 和0.084。由表4 可知，反刍时间Wald 统计检验值对应显著性水平0.741＞0.05，β3没有通过模型系数检验，故从模型中剔除，而休息时间和采食时间的Wald统计检验值对应显著性水平＜0.01，β1和β2通过模型系数检验，即休息时间和采食时间是预测模型的主要影响因素。由采食时间优势比和休息时间优势比可知，采食时间对模型预测概率的影响力较休息时间大，且在其他条件不变的情况下，采食时间水平每增加1 个单位，奶牛非正常行为预测概率变化扩大4.2 倍。将β0、β1和β2的求得值代入Logistic线性回归模型一般形式

可得奶牛非正常行为预测模型

式中x1代表奶牛休息时间水平，x2代表奶牛采食时间水平，p代表奶牛非正常行为发生概率。

回归模型拟合优度的检验采用Hosmer and Leme-show[25]检验法。由Hosmer and Lemeshow 检验结果可知，检验卡方值对应的显著性水平0.731＞0.05，拒绝原假设，即观测值与预测值无显著差异，模型拟合优度通过检验。将100 条试验验证数据集代入奶牛非正常行为预测模型计算可得，92 条试验数据的非正常行为预测发生概率小于10%，8 条试验数据非正常行为预测发生概率大于25%。预测结果与人工目视观察结果比较，非正常行为和正常行为数据的预测准确率分别为80%和91.6%，模型整体预测准确率为91%。

表4 模型方程中的变量Table 4 Variables in model equation

3 讨论

奶牛行为时间受环境影响，不同环境条件下奶牛行为时间存在一定差异。本文所构建评价模型是以东北地区环境条件为基础完成的，其主要为东北地区规模化奶牛场牛群管理提供指导和参考。而中国规模化奶牛场分布在各个环境条件不同的地区，如果直接运用该模型对其它地区奶牛场牛群管理进行指导，难免出现偏差。因此，为使奶牛健康状况评价模型更加具有代表性，未来要在中国东北地区、华中地区、南方地区分别选择不同奶牛场进行样本选择和试验，比较研究不同环境条件下的奶牛行为，构建更具有代表性的奶牛健康状况评价模型。

奶牛的行为时间因个体差异而不同，为降低样本个体差异对研究结果的影响，可在试验条件可以满足的情况下，选择更多品种相同、个体指标相近的奶牛，获得充足的样本数据，以减小系统误差。

奶牛行为监测技术，当前仍以国外为主，如以色列阿菲金公司研发的AfiAct计步器，监测奶牛躺卧时间；荷兰Agis 公司开发的CowManager SensOor，测量奶牛反刍和饲喂时间；英国Icerobotics 公司的CowAlert IceQube，监测奶牛躺卧时间。但大部分都是专注于某单一行为监测技术的开发，如何利用一套设备实现奶牛多行为的精准监测，是行业领域亟待攻关的课题。因为奶牛不同行为的精准监测，有助于研究学者或生产管理者获得更多准确数据信息进行比较分析，及时发现疾病或异样奶牛，从而采取有效预防措施和处理，实现奶牛科学精准化管理。如Calamari 等[27]通过监测奶牛分娩期间反刍时间，检测预防早期疾病。Ito 等[28]通过研究奶牛躺卧行为与跛足的关系，确定躺卧时间可以作为奶牛跛足行为的预警信号。Reith 等[29]研究奶牛反刍时间与发情行为的相关性，以反刍时间变化规律作为奶牛发情信号。因此，关于行为监测技术的研究，在今后奶牛业发展中的地位将越来越重要。

4 结论

1）奶牛非正常行为期间的各行为时间与正常行为期间比较可知，不同奶牛行为时间变化不同，平均休息时间变化较大，非正常行为期间平均休息时间比正常行为期间增加25.7%；反刍时间和采食时间分别减少12.7%和2.3%。

2）奶牛健康行为时间呈正态分布，每天（24 h）平均休息时间为300～600 min，反刍时间为400～700 min，采食时间为200～400 min。非正常行为时间呈离散状分布，无明显分布规律。

3）根据本文研究所构建的奶牛健康状况评价模型可知，休息时间和采食时间是预测模型的主要影响因素，其中采食时间对模型预测概率的影响力较休息时间大，在其他条件不变的情况下，采食时间水平每增加1 个单位，奶牛非正常行为预测概率变化扩大4.2 倍。奶牛非正常行为预测模型预测结果与人工目视观察结果比较，模型整体预测准确率为91%。因此，该研究可为现代规模奶牛场科学、精准化管理提供参考。