Portal de Pesquisa da BVS Veterinária

Tese em Português | VETTESES | ID: vtt-206719

Resumo

A identificação e classificação do comportamento alimentar em ruminantes ajudará a melhorar a eficiência da produção animal. O objetivo do primeiro estudo foi determinar a acurácia, sensitividade, especificidade e precisão que os acelerômetros de três eixos podem identificar e classificar o comportamento de ovelhas a pasto. Foram utilizadas ovelhas South African Meat Merino × Merino com 22 meses de idade. Os animais foram alocados em uma pastagem melhorada ou em uma pequena área para a observação dos comportamentos (pastejo, deitado, de pé, caminhando e correndo). O acelerômetro foi posicionado no maxilar inferior de cada ovelha. Três epochs (3 s, 5 s e 10 s) com 44 variáveis foram usados para classificar os comportamentos. Os cinco comportamentos foram classificados usando o algorítmo de árvore de decisão para determinar a acurácia, sensitividade, especificidade e precisão do modelo. Este algorítmo classificou corretamente 90,5, 92,5 e 91,3% dos dados avaliados para o comportamento de pastejo para os epochs 3, 5 e 10 s, respectivamente. Não foi encontrada diferença significativa para acurácia nos dados de avaliação e validação do comportamento de pastejo em cada epoch. O modelo prediz os comportamentos pastejo e correr com a mais alta precisão, sensitividade e especificidade para os dados validados no epoch 10 s. Os dados de avaliação e validação em epoch 5 s foi selecionado como o mais adequado com base nos valores de Kappa. O estudo de sub-comportamentos a nível bocado e mastigação pode levar a uma melhor compreensão do comportamento alimentar e consumo a pasto. O objetivo do segundo estudo foi avaliar a capacidade do acelerômetro de três eixos em discriminar as atividades de bocado e mastigação de ovelhas durante o pastejo e também avaliar uma nova abordagem para contar o número de bocados a partir dos dados do acelerômetro. Foram avaliados dois cenários, sendo que no primeiro (S1) foi avaliado aveia forrageira e azevém perene plantados em pequenas caixas. As forrageiras foram ofertadas em quatro sessões de ~2 minutos para cada espécie. No segundo cenário (S2), cortou-se o azevém em diferentes alturas baixa, média e alta. Três epochs (1 s, 3 s e 5 s) com 44 variáveis foram usados para classificar os comportamentos. O comportamento outro alcançou o mais alto valor para precisão, sensitividade e especificidade (100,0%, 95,4% e 100,0%, respectivamente) para S2 no epoch 5 s. No geral, o acelerômetro foi capaz de classificar os comportamentos bocado, mastigação e "outros" baseado nos valores de Kappa para ambos os estudos. Em S1, houve diferenças entre as espécies quanto à profundidade de mordida, consumo e massa do bocado. Foi encontrada uma baixa correlação entre a contagem de bocado estimada pelo acelerômetro (Bite1 e Bite2) e a contagem de bocado (visual) para a aveia em S1 (R = -0,37 para Bite1 e Bite2), mas a correlação melhorou para o azevém (R = 0,79 e R = 0,83, Bite1 e Bite2, respectivamente). Estes resultados ilustram que é possível estimar as características de comportamento alimentar usando acelerômetros.

---

Identifying and classifying feeding behaviour in free-ranging ruminants will help improve efficiency of animal production. The aim of the first study was to determine the accuracy, sensitivity, specificity and precision with which tri-axial accelerometers can identify sheep behaviour at pasture. The study was conducted using 22-month-old South African Meat Merino×Merino ewes. The animals were located in either a semi-improved pasture or in a small area to observe their behaviours (grazing, lying, running, standing and walking). A tri-axial accelerometer was attached to a halter on the under-jaw of each animal. Three epochs (3 s, 5 s and 10 s) with forty-four features calculated from acceleration signals were used to classify behaviours. The five behaviours were classified using a decision-tree algorithm to determine model accuracy, sensitivity, specificity and precision. The decision-tree algorithm correctly classified 90.5, 92.5 and 91.3% of the evaluation data set for grazing behaviour for the 3, 5 and 10 s epochs, respectively. There was no difference in the accuracy between the evaluation and validation data sets for grazing behaviour at each epoch. The model predicted grazing and running behaviour highly accurately and with the highest precision, sensitivity and specificity for the validation data set for the 10 s epoch. The 5 s epoch for both the evaluation and validation data sets was selected as the most suitable epoch based on the Kappa values. Study of subbehaviours at the level of bite and chew can lead to a better understanding of feeding behaviour and intake at pasture. The aim of the second study was to evaluate a tri-axial accelerometers capability to discriminate biting and chewing activities of sheep during grazing and also evaluate a new approach to count number of bites from the accelerometer. Two scenarios were evaluated, the first (S1) evaluated two diverse species using micro-sward boxes: forage oats and perennial ryegrass. Both were offered in four sessions of ~two minutes for each species. In the second scenario (S2), nine plots of ryegrass were mown to three different heights Low, Medium and High. Three epochs (1 s, 3 s and 5 s) with forty-four features calculated from acceleration signals were used to classify behaviours using a decision-tree algorithm. Other behaviour achieved the highest values for precision, sensitivity and specificity (100.0%, 95.4% and 100.0%, respectively) for S2 at the 5 s epoch. Overall, the accelerometer was able to classify bite, chewing and other behaviours well based on Kappa for both studies. In S1, there were differences between species for bite depth, intake and bite mass. A poor correlation was found between accelerometer estimated bite count (Bite1 and Bite2) and bite count (visual) for forage oats in S1 (R = -0.37 for Bite1 and Bite2) but the correlation improved for ryegrass (R = 0.79 and R = 0.83, Bite1 and Bite2, respectively.These results illustrate that it is possible to estimate characteristics of feeding behaviour using accellerometers.

Biblioteca responsável: BR68.1