0 引 言
1 母牛发情的典型特征与监测鉴定方法
1.1 母牛发情现象与特征分析
1.1.1 正常发情
1.1.2 异常发情
1.2 母牛发情监测与鉴定方法的分类
2 单因子驱动的发情感知与鉴定
2.1 基于生理体征的发情感知与鉴定
2.1.1 体温
2.1.2 反刍
2.1.3 活动量
2.2 基于行为模式的发情感知与鉴定
2.2.1 采食行为
2.2.2 哞叫行为
2.2.3 性欲行为
3 多因子融合的发情感知与鉴定
表1 基于多因子信息融合的发情监测与鉴定相关研究Table 1 Research on monitoring and identification of estrus based on multi-factor information fusion |
文献 | 年份 | 融合因子数据 类型 | 监测设备类型 | 决策方法 | 研究结果 | 样本量† |
---|---|---|---|---|---|---|
田富洋等[82] | 2013 | 活动量和肢端体表温度 | 腿部穿戴式监测设备(具备活动量与体表温度监测功能) | 学习矢量量化神经网络 | 模型准确率达100%,发情预测率可达70%以上 | 5/25 |
寇红祥等[55] | 2017 | 活动量和阴道黏液电阻值 | 腿部穿戴式设备(计步器)、发情排卵仪 | 统计分析法与阈值检测法 | 发情检出率100% | 19/20 |
Gu等[74] | 2017 | 爬跨行为和活动量 | 视频监控、腿部穿戴式设备(计步器) | 视频图像分析(图像熵、最小包围盒面积等)结合活动量数据的融合决策 | 发情行为识别准确率≥80%,漏检率最低为3.28% | 3 476/400 |
Minegishi等[44] | 2019 | 活动量和反刍时间 | 颈部穿戴式设备 | 逻辑回归模型与阈值检测法 | 结合活动和反刍时间数据的模型在预测发情方面表现最佳,尤其是在冬季条件下。敏感性≥80.4%,特异性≥98.8%,阳性预测值≥71.9% | 1 462/300 |
Fauvel等[83] | 2019 | 活动量和体温(瘤胃环境温度) | 颈部穿戴式设备、瘤胃温度传感器 | 局部级联继承算法 | 测试集F 1分数为68.9%,能够有效检测静默发情事件 | 671/125 |
Higaki等[84] | 2019 | 阴道温度和阴道电导率 | 侵入式无线阴道传 感器 | 机器学习算法(决策树、支持向量机和人工神经网络) | 人工神经网络(最佳模型)敏感度和精确度均达到94% | 17/17 |
Cairo等[64] | 2020 | 采食和饮水行为 数据 | 电子饲料槽和水槽 | 机器学习算法(广义线性模型、人工神经网络和随机森林) | 可对发情事件提前6小时或者12小时进行有效预测,且人工神经网络模型与随机森林算法均具有较好的效果;在即时预测方面,人工神经网络效果最佳,敏感性100%,特异性93.2%,准确性96.5%,阳性预测值93.4% | 99/57 |
Wang等[35] | 2020 | 位置和行为参数 | 颈部穿戴式设备、视频监控 | 主成分分析与机器学习算法 | 使用0.5小时时间窗口的反向传播神经网络算法监测效果最佳;其灵敏度93.12%,精确度85.71%,准确度≥88% | 265/12 |
Benaissa等[36] | 2020 | 位置和行为参数 | 颈部穿戴式设备 | 逻辑回归模型 | 将多传感器结合使用效果最佳;其灵敏度85%~90%,精确度87%~93% | 未知/12 |
Perez Marquez等[85] | 2021 | 体温(外阴皮肤温度)和行为数据 | 红外热成像相机 | 统计分析与相关性分析,广义线性混合模型 | 最优组合(Res IR VtailPM-S-hipAM-S-hipPM)效率77%,诊断优势比26.62,阳性预测值90%,特异性97%,Youden J指数0.32 | 未知/18 |
Schilkowsky等[21] | 2021 | 身体活动水平和反刍时间 | 耳部穿戴式加速度计传感器 | 系统内部未知算法 | 在所有发情且排卵的奶牛群体中,系统敏感度92.5%,特异性91.7%,阳性预测值99.4%,准确度94% | 190/216 |
Higaki等[86] | 2021 | 体表温度和行为指标(平均活动强度、站立时间和姿势变化等参数) | 尾部穿戴式设备(集测温与行为数据记录于一体) | 机器学习算法(决策树、支持向量机和人工神经网络) | 支持向量机(最佳模型)敏感度92.0%,精确度54.8% | 25/13 |
Yildiz等[87] | 2021 | 活动量数据和养殖环境数据(如温度、湿度等) | 计步器、环境温湿度监测仪 | 不同拓扑结构的人工神经网络、尺度共轭梯度反向传播算法等 | 最佳模型准确率≥99%,敏感性为10.32%,精确度为63.34%,F 1分数为0.177 5 | 184/78 |
Kim等[88] | 2023 | 体温(瘤胃环境温度)和身体活动量 | 瘤胃胶囊传感器、植入式三轴加速度计 | 单因素方差分析法、卡方检验 | 正确预测发情的比例为88.2%,误预测率为11.8% | 未知/125 |
Mortazavi等[89] | 2023 | 牛奶中挥发性有机化合物成分(如甲烷、氨气、硫化氢等) | 挥发性有机化合物传感器(电子鼻技术) | 机器学习算法(主成分分析、线性判别分析和人工神经网络) | 人工神经网络分类准确率为91% | 34/46 |
Cheon等[90] | 2023 | 活动量和爬跨行为 | 颈部穿戴式设备 | 逐步判别分析法 | 两小时时间段内记录的活动和爬跨行为在发情接近时显著增加;结合活动和爬跨行为可提高韩牛发情检测率 | 8/20 |
|