Type de document : article scientifique publié dans Scientific Reports
Auteurs : J. A. Vázquez-Diosdado, C. Doidge, E. V. Bushby, F. Occhiuto and J. Kaler
Résumé en français (traduction) : Quantification du comportement de jeu des veaux à l’aide de données de localisation automatisées à bande ultralarge et association avec l’âge, le sevrage et l’état de santé
Le comportement de jeu peut être un indicateur du bien-être des animaux. Les tentatives précédentes visant à prédire le comportement de jeu chez les veaux d’élevage sont limitées en raison des méthodes de classification utilisées, qui conduisent à une surestimation, et des courtes périodes pendant lesquelles les veaux sont observés. L’étude visait à classer et à quantifier automatiquement le comportement de jeu des veaux d’élevage à l’aide de données de localisation provenant de capteurs à bande ultra-large et à étudier les facteurs associés au comportement de jeu. Des données de localisation ont été recueillies auprès de 46 veaux de trois cohortes pendant une période de 18 semaines. Les observations comportementales tirées des séquences vidéo ont été fusionnées avec les données de localisation pour obtenir un total de 101,36 heures de données étiquetées. Un algorithme d’apprentissage d’ensemble AdaBoost a été mis en œuvre pour classer les comportements de jeu. Pour tenir compte de la surestimation, généralement observée dans les comportements à faible prévalence, une technique de comptage ajustée a été appliquée aux résultats du classificateur. Deux modèles linéaires mixtes généralisés ont été ajustés pour étudier les facteurs (par exemple, l’âge, la santé) associés à la durée du jeu et au nombre d’instances de jeu par jour. Notre algorithme a identifié le comportement de jeu avec une précision de plus de 94 % lorsqu’il a été évalué sur l’ensemble de test sans animaux utilisés pour la formation, et avec une surestimation de 16 %, calculée sur la base du nombre prédit d’échantillons de jeu par rapport au nombre d’échantillons étiquetés comme étant du jeu sur l’ensemble de test. Le nombre d’occurrences et la durée du comportement de jeu par jour ont diminué de manière significative avec l’âge et la maladie, tandis que le comportement de jeu a augmenté de manière significative pendant et après le sevrage. Les cas de jeu ont également diminué de manière significative avec l’augmentation de la température moyenne. Nous pensons que la méthode de quantification que nous avons utilisée pourrait servir à détecter et à surveiller d’autres comportements à faible prévalence (par exemple, le toilettage social) à partir de données de localisation, y compris des indicateurs de bien-être positif.
Résumé en anglais (original) : Play behaviour can act as an indicator of positive animal welfare. Previous attempts to predict play behaviour in farmed calves are limited because of the classification methods used, which lead to overestimation, and the short time periods that calves are observed. The study aimed to automatically classify and quantify play behaviour in farmed calves using location data from ultra-wide band sensors and to investigate factors associated with play behaviour. Location data were collected from 46 calves in three cohorts for a period of 18 weeks. Behavioural observations from video footage were merged with location data to obtain a total of 101.36 h of labelled data. An AdaBoost ensemble learning algorithm was implemented to classify play behaviour. To account for overestimation, generally seen in low-prevalence behaviours, an adjusted count technique was applied to the outputs of the classifier. Two generalized linear mixed models were fitted to investigate factors (e.g. age, health) associated with duration of play and number of play instances per day. Our algorithm identified play behaviour with > 94% accuracy when evaluated on the test set with no animals used for training, and 16% overestimation, which was computed based on the predicted number of samples of play versus the number of samples labelled as play on the test set. The instances and duration of play behaviour per day significantly decreased with age and sickness, whilst play behaviour significantly increased during and after weaning. The instances of play also significantly decreased as mean temperature increased. We suggest that the quantification method that we used could be used to detect and monitor other low prevalence behaviours (e.g. social grooming) from location data, including indicators of positive welfare.
