طراحی سامانه پیش بینی کتوز تحت بالینی در گله های گاو شیری مبتنی بر اینترنت اشیا و یادگیری ماشین

کتوز تحت بالینی یکی از شایع ترین اختلالات متابولیک در گله های گاو شیری است که با افزایش غلظت اجسام کتونی خون بدون بروز علائم بالینی آشکار مشخص می شود. این وضعیت نه تنها باعث کاهش تولید شیر و افت کیفیت آن می گردد بلکه هزینه های درمانی و حذف زودهنگام دام ها را نیز به همراه دارد. تشخیص به موقع این عارضه به دلیل فقدان علائم ظاهری همواره چالش برانگیز بوده و روش های سنتی مبتنی بر نمونه گیری دوره ای خون یا شیر اگرچه دقیق هستند اما عملیاتی پرهزینه، تهاجمی و وابسته به نیروی انسانی ماهر محسوب می شوند. در سال های اخیر پیشرفت های حوزه اینترنت اشیا امکان پایش پیوسته و غیر تهاجمی پارامترهای فیزیولوژیکی و رفتاری گاوها را فراهم ساخته است. حسگرهای نصب شده روی قلاده پابند یا سامانه های شیردوشی می توانند داده هایی نظیر فعالیت حرکتی، زمان نشخوار، دمای بدن، هدایت الکتریکی شیر و میزان تولید شیر را ثبت کنند. این پژوهش با هدف طراحی یک سامانه هوشمند برای پیش بینی کتوز تحت بالینی مبتنی بر تلفیق اینترنت اشیا و یادگیری ماشین انجام شده است. در این سامانه داده های خام از حسگرهای توزیع شده در گاوداری جمع آوری، پالایش و نرمالیزه می شوند سپس ویژگی های موثر با استفاده از روش های انتخابی مانند تحلیل مولفه اصلی و الگوریتم های افزایشی استخراج می گردند. مدل های یادگیری ماشین شامل جنگل تصادفی، ماشین بردار پشتیبان و شبکه عصبی عمیق بر روی داده های تاریخی آموزش دیده و با معیارهایی نظیر صحت، حساسیت، ویژگی و سطح زیر منحنی ROC ارزیابی می شوند. نتایج اولیه نشان می دهد که ترکیب جریان داده های چند حسگری با مدل های مبتنی بر یادگیری جمعی می تواند کتوز تحت بالینی را تا ۴۸ ساعت پیش از اوج علائم متابولیک با صحتی بالای ۹۰ درصد پیش بینی کند. این سامانه ضمن کاهش نیاز به آزمایش های خون دوره ای به دامداران امکان می دهد مداخلات تغذیه ای و مدیریتی را به موقع انجام دهند و از خسارات اقتصادی سنگین جلوگیری کنند. توسعه چنین سامانه ای گامی مهم در جهت تحقق دامداری دقیق و هوشمند محسوب می شود.

کلیدواژه ها:

کتوز تحت بالینی ، اینترنت اشیا ، یادگیری ، ماشین ، پیش بینی ، گاو شیری