技術ノート：教師付き機械学習を用いた腹尾基部皮膚温度の連続測定に基づく乳牛の分娩予測

Technical note: Calving prediction in dairy cattle based on continuous measurements of ventral tail base skin temperature using supervised machine learning.

• Shogo Higaki
• Keisuke Koyama
• Yosuke Sasaki
• Kodai Abe
• Kazuyuki Honkawa
• Yoichiro Horii
• Tomoya Minamino
• Yoko Mikurino
• Hironao Okada
• Fumikazu Miwakeichi
• Hongyu Darhan
• Koji Yoshioka

抄録

本研究では、教師付き機械学習を用いた腹側尾部基底皮膚温度（ST）の連続測定に基づく分娩予測モデルを開発し、牛の管理方法が異なる 2 つの酪農場でモデルの予測能力を評価しました。ST データは、A（温帯気候のフリーストール牛舎）と B（亜寒帯気候のタイストール牛舎）で飼育された 105 頭と 33 頭の妊娠牛（平均±標準偏差：2.2±1.8 匹）から、それぞれ 2 分または 10 分間隔で収集しました。最大毎時STを抽出した後、その値の変化を残差ST（rST＝実際の毎時ST-過去3日間の同一時間の平均ST）で表して解析した。両農場とも、rST は分娩前に二相的に減少した。簡単に言うと、分娩前 36 時頃から 16 時頃までは気温に依存しない緩やかな減少が、分娩前 6 時頃から分娩までは気温に依存した急激な減少が見られた。普遍的な分娩予測モデルを作成するために、環境温度の異なる妊娠牛からトレーニングデータを作成した（A 農場では環境温度が 15℃未満、15℃以上～25℃未満、25℃以上の 3 つのグループからそれぞれ 10 個のデータセットを無作為に選択した）。次に、センシングデータから抽出した 15 個の特徴（分娩前の rST の変化を示す）と、非セン サーベースのデータから抽出した 1 個の特徴（分娩予定日までの日数）に基づいて、サポートベクターマシンを用いて訓練データを用いて 1 時間ごとの分娩予測モデルを構築した。予測モデルをトレーニングプロセスの一部ではないデータに適用した場合、A 農場（n = 75）では感度 85.3%と 71.9%、B 農場（n = 33）では 81.8%と 67.5%の感度と精度で、次の 24 時間以内の分娩が予測された。分娩警報から実際の分娩までの間隔の平均値と分散には、農場間で差は見られなかった（A 農場では 12.7±5.8 時間、B 農場では 13.0±5.6 時間）。以上のことから、教師付き機械学習による ST の連続測定に基づく分娩予測モデルは、乳牛の飼育条件によらず、効果的な分娩予測を実現する可能性があると考えられる。

In this study, we developed a calving prediction model based on continuous measurements of ventral tail base skin temperature (ST) with supervised machine learning and evaluated the predictive ability of the model in 2 dairy farms with distinct cattle management practices. The ST data were collected at 2- or 10-min intervals from 105 and 33 pregnant cattle (mean ± standard deviation: 2.2 ± 1.8 parities) reared in farms A (freestall barn, in a temperate climate) and B (tiestall barn, in a subarctic climate), respectively. After extracting maximum hourly ST, the change in values was expressed as residual ST (rST = actual hourly ST - mean ST for the same hour on the previous 3 d) and analyzed. In both farms, rST decreased in a biphasic manner before calving. Briefly, an ambient temperature-independent gradual decrease occurred from around 36 to 16 h before calving, and an ambient temperature-dependent sharp decrease occurred from around 6 h before until calving. To make a universal calving prediction model, training data were prepared from pregnant cattle under different ambient temperatures (10 data sets were randomly selected from each of the 3 ambient temperature groups: <15°C, ≥15°C to <25°C, and ≥25°C in farm A). An hourly calving prediction model was then constructed with the training data by support vector machine based on 15 features extracted from sensing data (indicative of pre-calving rST changes) and 1 feature from non-sensor-based data (days to expected calving date). When the prediction model was applied to the data that were not part of the training process, calving within the next 24 h was predicted with sensitivities and precisions of 85.3% and 71.9% in farm A (n = 75), and 81.8% and 67.5% in farm B (n = 33), respectively. No differences were observed in means and variances of intervals from the calving alerts to actual calving between farms (12.7 ± 5.8 and 13.0 ± 5.6 h in farms A and B, respectively). Above all, a calving prediction model based on continuous measurement of ST with supervised machine learning has the potential to achieve effective calving prediction, irrespective of the rearing condition in dairy cattle.

Copyright © 2020 American Dairy Science Association. Published by Elsevier Inc. All rights reserved.