0
A caudofagia ou morder a cauda é um comportamento prejudicial que afeta o bem-estar e a saúde dos suínos. A detecção precoce dos sinais precursores de mordeduras de cauda oferece uma oportunidade para tomar medidas preventivas, evitando assim a incidência. O objetivo deste estudo foi construir um algoritmo de aprendizado através de máquina para detecção em tempo real de futuros episódios de caudofagia, usando dados de comportamento alimentar registrados por comedouros eletrônicos.
Foram avaliadas as capacidades de previsão de sete algoritmos de aprendizado (modelo linear generalizado com seleção gradual de recursos, florestas aleatórias, máquinas de vetores de suporte com kernel de função de base radial, modelo bayesiano linear generalizado, rede neural, k vizinhos mais próximos) e análise discriminante de mínimo parcial quadrados a partir de dados de alimentação diária coletados em 65 baias de duas granjas de suínos de terminação (25-100kg), com 27 incidentes de caudofagia. Os dados foram divididos em dados de treinamento e dados de análise de duas maneiras diferentes: aleatoriamente os dados em 75% (conjunto de treinamento) e 25% (conjunto de análise) ou selecionando baias aleatoriamente para constituir o conjunto de análise. Na primeira parte de dados, o modelo é atualizado periodicamente com os dados anterior, enquanto na segunda parte de dados, o modelo tenta prever o que não avaliou anteriormente.
O algoritmo k-vizinhos mais próximos foi capaz de prever 78% dos próximos surtos com 96% de precisão, quando previu surtos em baias para os quais tinha dados anteriores.
Em conclusão, os resultados indicam que modelos de aprendizado através de máquina podem ser considerados para implementação em sistemas automatizados de alimentação para prever surtos de caudofagia em tempo real.
Ollagnier C, Kasper C, Wallenbeck A, Keeling L, Bee G, Bigdeli SA. PLOS One. 2023. https://doi.org/10.1371/journal.pone.0252002