Teilprojekt 2

„Entwicklung eines Monitoringsystems zur Früherkennung von Erkrankungen bei Milchkühen”

Problemstellung und Projektziele

Entwicklung eines computergestützten Entscheidungsmodells zur Optimierung

der Prozesssteuerung durch den Landwirt: 

• Quantifizierung und Erkennung von Abweichungen im laufenden Produktionsprozess

• Bündelung der Informationen in Entscheidungsmodelle für die frühzeitige Erkennung von Erkrankungen

• Einbindung der Modelle in Management-Informations-Systeme (Kuhplaner)

Material & Methoden

Versuchsbetrieb Karkendamm der Christian-Albrechts-Universität zu Kiel:

• Erfassung serieller Daten über geeignete Sensoren

• Untersuchung der tierindividuellen Abweichungen mit Zeitreihen- und Frequenzanalysen

• Entwicklung eines Mehrmerkmalmodells zur Entscheidungsunterstützung

Vernetzung mit anderen Teilprojekten

• On-Farm Analyse von Milchinhaltsstoffen als Basis für ein verbessertes Herdenmanagement

• Genomische Charakterisierung der Funktionalität und Stoffwechselstabilität von Hochleistungskühen

• Ökonomische Begleitforschung in den produktionsspezifischen Projekten

Ergebnisse

Der Beginn des Projektes erfolgte im Januar 2010. Nach einer umfassenden Literaturrecherche und einem Datenüberblick wurde die Auswertung auf die Erkennung von Mastitis und Lahmheit beschränkt und verschiedene Erkrankungsdefinitionen festgelegt. Im Anschluss wurden verschiedene Auswertungsalgorithmen ausgewählt, die im Folgenden vorgestellt werden

Univariate Betrachtung: Wavelet-Filter und CUSUM-Charts

• Auswahl der Indikatorvariablen (Leitfähigkeit, Pedometeraktivität) zur univariaten Betrachtung
• Auswahl des Wavelets und Filterung der Daten
• Klassifizierung über einen klassischen und einen self-starting Cusum-Chart
• Validierung der Methodik (Sensitivität, Spezifität, Fehlerrate)
• Waveletanalyse zur Erkrankungserkennung beim Rind anwendbar; bei Sensitivitäten von über 70 % erreichte Spezifität Werte zwischen 59,2 % bis 82,8 %, während die Fehlerraten von 69,2 % bis 99,6 % variierten.
• Mögliche Verbesserung der Ergebnisse (v. a. hohe Fehlerraten) durch multivariate

Betrachtung

Multivariate Auswertungsmethoden

1. Principal Component Analysis mit Hotelling‘s T²- und Residuen-Chart

• Auswahl der zur Verfügung stehenden Software: Matlab und SAS

• Festlegung der zu nutzenden Indikatorvariablen: Milchleistung, Leitfähigkeit der Milch, Futterparameter (Aufnahme, Trogbesuche, Verweildauer am Trog) und Pedometer-Aktivität

• Verbesserung der Ergebnisse, vor allem bei den Lahmheiten: Während die Block-Sensitivitäten der Mastitisdetektion Werte um die 77,4 % bis 83,3 % aufwiesen, lagen die Spezifität und die Fehlerraten bei 76,7 % bzw. 98,9 %. Die Block-Sensitivitäten der Lahmheitsauswertungen variierten von 73,8 % bis 87,8 %, mit Spezifitäten von 54,8 % bis 61,9 % und Fehlerraten zwischen 87,8 % und 89,2 %.

• Trotz einer Verbesserung der Detektionsergebnisse, v. a. für die Lahmheitserkennung, ist eine direkte Anwendung in der Praxis nicht möglich.

2. Support Vector Machines

• Festlegung der zu nutzenden Indikatorvariablen: Milchleistung, elektrische Leitfähigkeit der Milch und tierindividuelle Einflussparameter (z.B. Mastitiserkrankungen innerhalb des Beobachtungszeitraumes, Laktationsstadium)

• Beschränkung auf Mastitis

• Auswahl der geeigneten Software: Matlab-Interface von LibSVM

• Einteilung des Datensatzes in Trainings- und Testdatensatz

• Es wurde eine Block-Sensitivität von 84,6 % erreicht. Die Spezifität schwankte hingegen zwischen 71,6 % und 78,3 %. Mit vier falsch positiven Kühen pro Tag lag die Fehlerrate bei circa 99,2 %.

• Obgleich Support-Vector-Machines für biologische Datenauswertungen im Vergleich zu den vorhergehenden Methoden attraktive Einstellungsmöglichkeiten bieten, erlauben auch hier die erreichten Ergebnisse keine direkte praktische Anwendung.

3. Multivariate CUSUM-Charts

• Festlegung der zu nutzenden Indikatorvariablen: Nutzung der Datensätze bzw. der Erkrankungsvariablen aus 1. (Principal Component Analysis)

• Auswahl geeigneter Software: Matlab, SAS

• Transformation der Daten, um Stationarität und Unabhängigkeit zu erlangen:

a) Bildung von Residuen mittels Wavelet-Filtern, tierindividuell

b) Bildung von Residuen mittels multivariaten Vector-Autoregressive-Modellen, tierindividuell

• Jeweiligen Residuen klassifiziert durch klassischen multivariaten CUSUM-Chart sowie self-starting multivariaten CUSUM-Chart

• Bei einer vorausgesetzten Block-Sensitivität von mindestens 70 % zeigten alle vier untersuchten Methoden innerhalb der Erkrankungsdefinitionen ähnliche Ergebnisse. Mastitis-Detektion erreichte Spezifitäten von um die 73 % bis 80 % und Fehlerraten von 99,6 %. Beim Lahmheitsmonitoring wurden Spezifität von 81 %, Fehlerrate von 91 % und zehn falsch positive Kühe pro Tag realisiert.

• Auch wenn eine leichte Verbesserung im Vergleich zu den univariaten Methoden festgestellt werden konnte, erlauben die Ergebnisse keine Überführung einer der vorgestellten Monitoringsysteme in den praktischen Bereich der Erkrankungsfrüherkennung.

Die hier erreichten Ergebnisse müssen nicht alleinig durch die Methoden bedingt sein. Die genutzten Indikatorvariablen haben einen erheblichen Einfluss auf die Erkennung von erkrankten Tieren. Damit die untersuchten Monitoringsysteme praktisch implementiert werden können, sind eine Verbesserung und Weiterentwicklung der Sensortechnik für die Erhebung zusätzlicher mastitis- und lahmheitsrelevanter Indikatorvariablen erforderlich.

Wirtschaftliche Bedeutung

Die entwickelten Algorithmen lassen sich in heutige Managementinformationssysteme implementieren, um die frühzeitige Identifizierung von Krankheiten zu verbessern. Leider ist die Zahl der falsch positiven Kühe pro Tag noch zu hoch.

Kontakt

Institut für Tierzucht und Tierhaltung der Christian-Albrechts-Universität, Hermann-Rodewald-Str. 6, 24118 Kiel

Publikationen, Poster, Präsentationen und Vorträge

Publikationen

Miekley, B., I. Traulsen, and J. Krieter (2011): Detection of lameness and mastitis in dairy cows using wavelet analysis. 62nd EAAP Book of Abstracts No. 17, 288

Miekley, B., I. Traulsen und J. Krieter (2011): Nutzung von Wavelets für die Erkennung von Mastitiserkrankungen. KTBL-Tagungsband, 300-307

Miekley, B., I. Traulsen und J. Krieter (2011): Waveletanalyse als Hilfsmittel zur Mastitisfrüherkennung beim Milchrind. Vortragstagung der DGfZ und GfT Freising-Weihenstephan, C15

Miekley, B., I. Traulsen und J. Krieter (2011): Entwicklung eines Monitoringsystems zur Früherkennung von Erkrankungen bei Milchkühen. Kurzbericht: Bauernblatt

Miekley, B., I. Traulsen, and J. Krieter (2012): Detection of mastitis and lameness in dairy cows using wavelet analysis. Livestock Science 148, 227-236

Miekley, B., I. Traulsen, and J. Krieter (2012): Principal component analysis for the early detection of mastitis and lameness in dairy cows. Journal of Dairy Research, submitted

Miekley, B., I. Traulsen, and J. Krieter (2012): Mastitis detection in dairy cows: An application of support vector machines. Journal of Agricultural Science, submitted

Miekley, B., I. Traulsen, and J. Krieter (2012): Principal component analysis for the early detection of mastitis and lameness. 63rd EAAP Book of Abstracts No. 18, 48

Miekley, B., I. Traulsen und J. Krieter (2012): Früherkennung von Erkrankungen bei Milchkühen mit der Principal Component Analyse. Vortragstagung der DGfZ und GfT in Halle, C15

Miekley, B., E. Stamer, I. Traulsen and J. Krieter (in Vorbereitung): Implementation of multivariate cumulative sum control charts in mastitis and lameness monitoring.

Vorträge

Detection of lameness and mastitis in dairy cows using wavelet analysis. EAAP 2011 in Stavanger, Norwegen. 28.08. – 02.09.2011

Waveletanalyse als Hilfsmittel zur Mastitisfrüherkennung beim Milchrind. DGfZ 2011 in Freisingen. 6. / 7.09.2011

Nutzung von Wavelets für die Erkennung von Mastitiserkrankungen. BTU-Tagung 2011 in Kiel. 27.09. – 29.09.2011

Principal component analysis for the early detection of mastitis and lameness. EAAP 2012 in Bratislava, Slowakei. 27.08.- 31.08.2012

Früherkennung von Erkrankungen bei Milchkühen mit der Principal Component Analyse. Vortragstagung der DGfZ und GfT in Halle. 12. / 13.09.2012

	Das Zukunftsprogramm Wirtschaft wird aus dem Europäischen Fonds für regionale Entwicklung (EFRE) kofinanziert.