Help, mijn merrie gaat bevallen!

Timo
De Waele

Na een dracht van 11 maanden is het zover, je hoogzwangere merrie kan nu elk moment bevallen! De vraag is alleen, wanneer? In ruim 10% van de bevallingen heeft de merrie hulp nodig om te garanderen dat zowel veulen als merrie gezond en wel uit de bevalling komen. De laatste weken van de zwangerschap bestaan dus voornamelijk uit slapeloze nachten voor vele eigenaars. Om de gezondheid van pasgeboren veulens, en de nachtrust van de eigenaars, te kunnen garanderen werd een systeem onderzocht dat de onzekerheid over het tijdstip van de bevalling wegneemt door te detecteren wanneer de bevalling op het punt staat om te beginnen.

Een veulen drinkt bij de moeder

Een kritiek moment

De bevalling is vaak een van de meest kritieke momenten in het leven van een paard. In bijna 1 op 10 bevallingen bevindt het veulen zich in een positie waarop de bevalling geen voortgang kan maken waardoor het dreigt te sterven door verstikking. In dit geval is menselijke interventie nodig om ervoor te zorgen dat zowel moeder als kind het halen. Samen met de onzekerheid over het tijdstip van de bevalling zorgt dit ervoor dat er heel wat energie gestoken wordt in het observeren van hoogzwangere merries.

 

Om deze inspanning te verlichten bestaan reeds vele technologieën zoals FoalGuard, dat detecteert als een merrie gaat liggen, of Foalert dat met een sensor de opening van de vagina meet. Deze sensoren compromitteren echter allen op draagcomfort en/of accuraatheid. De nieuw ontwikkelde technologie tracht beide beperkingen aan te pakken en zorgt voor een comfortabele en accurate oplossing.

 

Comfort en accuraatheid

Allereerst werd het draagcomfort aangepakt, hetgeen afhankelijk is van 2 factoren, namelijk de grootte van de sensor en de plaatsing van de sensor. Foalert bijvoorbeeld werkt met een sensor die aan de buitenste schaamlippen vastgenaaid moet worden, dit komt het draagcomfort uiteraard niet ten goede. Voor dit onderzoek is geopteerd om gebruik te maken van een kleine accelerometer die aan het halster van de merrie bevestigd moet worden, op deze manier werd de invloed op het draagcomfort tot een minimum gehouden. Deze sensor zal alle bewegingen van het hoofd registreren, deze kunnen dan gebruikt worden om te detecteren wanneer de merrie op het punt staat om te bevallen.

 

De meeste bevallingsdetectoren die vandaag de dag te verkrijgen zijn werken met behulp van simpele factoren, zoals de duur en frequentie van neerliggen, lichaamstemperatuur, etc. Deze simpele factoren zijn echter zeer vatbaar voor gemiste detecties of valse alarmen. Door gebruik te maken van de totale activiteit van een merrie hopen we een robuustere manier van bevallingen detecteren te ontwikkelen.

 

Wat zegt de data

Tijdens de zomer van 2019 werd in samenwerking met de faculteit diergeneeskunde van de Universiteit Gent data verzameld van 15 zwangere merries. Uit deze data en ander diergeneeskundig onderzoek bleek dat paarden significante verschillen beginnen te vertonen in hun gedragingen naarmate de bevalling dichterbij komt. Ze worden onrustiger, ijsberen heen en weer in hun stal, hebben een veranderd eetpatroon, etc. Omwille van deze duidelijke veranderingen in het gedrag werd geopteerd om gebruik te gaan maken van anomalie detectie, dit is een techniek waarbij een computerprogramma kan herkennen wanneer iets of iemand zich anders gaat gedragen dan normaal. Dit wordt reeds in vele sectoren met succes gebruikt, bijvoorbeeld voor het detecteren van kredietkaartfraude of voor het opsporen van defecten in energiecentrales.

 

Computers laten leren

Vaak wordt machine learning gebruikt om deze detectie uit te voeren. Dit is het deel van de informatica waarin computers gaan leren om bepaalde patronen in grote datasets te herkennen en aan de hand van deze patronen bepaalde zaken kunnen detecteren, zoals menselijke gezichten, of voorspellen, zoals welk volgend woord iemand gaat typen in een zin. In het geval van anomalie detectie leert het computerprogramma hoe normale data er hoort uit te zien, waarna het kan herkennen wanneer een bepaald datapunt significant verschilt van de normale data, indien dit het geval is kan een waarschuwing aan de gebruiker getoond kan worden.

 

Om dit toe te passen voor het detecteren van bevallingen werd allereerst de verzamelde data opgesplitst in 2 verschillende delen, een deel data van een aantal dagen voor de bevalling waarin de merrie haar normale gedrag nog vertoonde en het deel data vlakbij de bevalling waarbij de merrie gedragingen begint te vertonen die kunnen wijzen op een naderende bevalling. Door deze normale data aan een speciaal ontwikkeld computerprogramma door te geven leert deze standaard paardengedrag te herkennen waarna het abnormaal van normaal gedrag kan onderscheiden.

 

Resultaten

Voor 11 van de 15 merries was meer dan 3 dagen aan data voor de bevalling beschikbaar, deze paarden werden gebruikt om het ontwikkelde programma te evalueren. Verschillende aanpassingen aan het programma werden uitgetest en geëvalueerd. Uiteindelijk konden 11 van de 11 bevallingen correct gedetecteerd worden. Van deze 11 waren er echter ook 7 merries waarbij een of meerdere valse alarmen plaatsvonden een aantal dagen voor de effectieve bevalling. Aangezien dit kan leiden tot alarmmoeheid is verdere ontwikkeling zeker nog vereist alvorens deze methode effectief in de praktijk gebruikt zal kunnen worden maar de eerste resultaten zijn alvast veelbelovend.

 

Tijdens de lente en zomer van 2021 zal er terug data verzameld worden bij de faculteit diergeneeskunde zodat de prestaties verder verbeterd en geëvalueerd kunnen worden.

Bibliografie

  1. [1]  P. Cross, ‘Global horse statistics internal 02 2019’, Feb. 2019.

  2. [2]  Jan. 2020. [Online]. Available: https://www.t-online.de/sport/ id_75116260/totilas-mitbesitzer-paul-schockemoehle-senkt- preise-fuer-wunderhengst-samen.html.

  3. [3]  Jan. 2020. [Online]. Available: https://www.flandersfoalauction. be/nl/nieuws/Grand-finale-Flanders-Foal-Auction-sluit-af- met-20108-euro-gemiddeld.

  4. [4]  T. S. Mair et al., Equine Medicine, Surgery and Reproduction, 2nd edition. Edinburgh: Elsevier, 2013.

  5. [5]  P. M. McCue and R. Ferris, ‘Parturition, dystocia and foal survival: A retrospective study of 1047 births’, Equine Veterinary Journal, no. 44, pp. 22–25, 2012.

  6. [6]  O. J. Ginther and D. Williams, ‘On-the-farm incidence and nature of equine dystocias’, Journal of Equine Veterinary Science, no. 16, pp. 159–164, 1996.

  7. [7]  L. Heck, M. Clauss and M. S ́anchez-Villagra, ‘Gestation length vari- ation in domesticated horses and its relation to breed and body size di- versity’, Mammalian Biology - Zeitschrift fu ̈r Sa ̈ugetierkunde, vol. 84, pp. 44–51, Jan. 2017.

  8. [8]  P. D. Rossdale and R. V. Short, ‘The time of foaling of thoroughbred mares’, J. Reprod. Fertil., vol. 13, pp. 341–343, 1967.

  9. [9]  Jan. 2020. [Online]. Available: https://www.ugent.be/di/vvb/en/ services/clinic-reproduction-ghd.htm.

  10. [10]  E. B. Shaw, K. A. Houpt and D. F. Holmes, ‘Body temperature and behaviour of mares during the last two weeks of pregnancy body tem- perature and behaviour of mares 1 during the last two weeks of preg- nancy body temperature and behaviour of mares during the last two weeks of pregnancy’, Equine Veterinary Journal, vol. 20, pp. 199–202, 1988.

  1. [11]  D. T. Cross, W. R. Threlfall and R. C. Kline, ‘Body temperature fluctuations in the periparturient horse mare’, Theriogenology, vol. 37, pp. 1041–1048, 1992.

  2. [12]  M. Saint-Dizier and S. Chastant-Maillard, ‘Methods and on-farm devices to predict calving time in cattle’, The Veterinary Journal, vol. 205, pp. 349–356, 2015.

  3. [13]  S. D. Goodwin, ‘Comparison of body temperatures of goats, horses, and sheep measured with a tympanic infrared thermometer, an im- plantable microchip transponder, and a rectal thermometer’, Journal of the American Association for Laboratory Animal Science, vol. 37, no. 3, pp. 51–55, 1998.

  4. [14]  E.-L. J. Verdegaal, C. Delesalle, C. G. Caraguel, L. E. Folwell, T. J. McWhorter, G. S. Howarth and S. H. Franklin, ‘Evaluation of a tele- metric gastrointestinal pill for continuous monitoring of gastrointest- inal temperature in horses at rest and during exercise’, American journal of veterinary research, vol. 78, no. 7, pp. 778–784, 2017.

  5. [15]  C. Hartmann, L. Lidauer, J. Aurich, C. Aurich and C. Nagel, ‘Detec- tion of the time of foaling by accelerometer technique in horses (equus caballus)—a pilot study’, Reproduction in domestic animals, vol. 53, pp. 1279–1286, 2018.

  6. [16]  C. Giannetto, M. Bazzano, S. Marafioti, C. Bertolucci and G. Pic- cione, ‘Monitoring of total locomotor activity in mares during the prepartum and postpartum period’, Journal of Veterinary Behavior, vol. 10, pp. 427–432, 2015.

  7. [17]  M. Pastell, J. Hietaoja, J. Yun, J. Tiusanen and A. Valros, ‘Predicting farrowing based on accelerometer data’, in Precision Livestock Farm- ing 13, D. Berckmans and J. Vandermeulen, Eds., 2013, pp. 819–824.

  8. [18]  M. Pastell, J. Hietaoja, J. Yun, J. Tiusanen and A. Valros, ‘Predicting farrowing of sows housed in crates and pens using accelerometers and cusum charts’, Computers and Electronics in Agriculture, vol. 127, pp. 197–203, 2016.

  9. [19]  M. Titler, M. G. Maquivar, S. Bas, P. J. Rajala-Schultz, E. Gordon, K. McCullough, P. Federico and G. M. Schuenemann, ‘Prediction of par- turition in holstein dairy cattle using electronic data loggers’, Journal of Dairy Science, vol. 98, no. 8, pp. 5304–5312, 2015.

  10. [20]  M. R. Borchers, Y. M. Chang, K. L. Proudfoot, B. A. Wadsworth, A. E. Stone and J. M. Bewley, ‘Machine-learning-based calving pre- diction from activity, lying, and ruminating behaviors in dairy cattle’, Journal of Dairy Science, vol. 100, no. 7, pp. 5664–5674, 2017.

  11. [21]  2007. [Online]. Available: http://www.foalguard.com. 56

  1. [22]  2020. [Online]. Available: https://birthalarm.com.

  2. [23]  2020. [Online]. Available: https://www.facebook.com/SafemateFoalalarm/.

  3. [24]  2007. [Online]. Available: http : / / www . foalguard . com / products . htm.

  4. [25]  2016. [Online]. Available: https://www.gallaghereurope.com/nl_ nl_ge/birth-alarm.

  5. [26]  [Online]. Available: https : / / baltichorse . eu / product / foal - alarm/.

  6. [27]  2019. [Online]. Available: https://foalert.com.

  7. [28]  L. A Bate, D. Hurnik and J. G. Crossley, ‘Benefits of using a photo- electric alert system for swine farrowing operations’’, Can. J. Anim. Sci., vol. 71, pp. 909–911, 1991.

  8. [29]  Feb. 2017. [Online]. Available: https://www.littletonequine.com/ faq/foalalertversescaslicks/.

  9. [30]  [Online]. Available: http : / / people . upei . ca / bate / html / birth _ alert_system.html.

  10. [31]  [Online]. Available: http://www.equiview360.com.

  11. [32]  [Online]. Available: http : / / www . equiview360 . com / index . php ?

  12. [33]  O. Ginther, ‘Twinning in mares: A review of recent studies’, Journal

    of Equine Veterinary Science, vol. 2, no. 4, pp. 127–135, 1982.

  13. [34]  [Online]. Available: https://axivity.com/product/ax3.

  14. [35]  [Online]. Available: https : / / www . premierequine . co . uk / plain - padded-horse-head-collar-c2x21459520.

  15. [36]  A. Eerdekens, ‘Automatic detection of abnormal behaviour of equines’, Master’s thesis, Ghent University, 2019.

  16. [37]  S. Hochreiter and J. Schmidhuber, ‘Long short-term memory’, Neural computation, vol. 9, no. 8, pp. 1735–1780, 1997.

  17. [38]  J. Chung, C. Gulcehre, K. Cho and Y. Bengio, ‘Empirical evaluation of gated recurrent neural networks on sequence modeling’, arXiv preprint arXiv:1412.3555, 2014.

  18. [39]  I. Sutskever, O. Vinyals and Q. V. Le, ‘Sequence to sequence learning with neural networks’, in Advances in neural information processing systems, 2014, pp. 3104–3112.

  19. [40]  ‘Mean squared error’, in Encyclopedia of Machine Learning, C. Sam- mut and G. I. Webb, Eds. Boston, MA: Springer US, 2010, pp. 653– 653, isbn: 978-0-387-30164-8. doi: 10.1007/978-0-387-30164- 8_528. [Online]. Available: https://doi.org/10.1007/978-0-387- 30164-8_528.

  1. [41]  R. B. Cleveland, W. S. Cleveland, J. E. McRae and I. Terpenning, ‘Stl: A seasonal-trend decomposition’, Journal of official statistics, vol. 6, no. 1, pp. 3–73, 1990.

  2. [42]  ‘Score normalization’, in Encyclopedia of Biometrics, S. Z. Li and A. Jain, Eds. Boston, MA: Springer US, 2009, pp. 1134–1135, isbn: 978- 0-387-73003-5. doi: 10.1007/978-0-387-73003-5_767. [Online]. Available: https://doi.org/10.1007/978-0-387-73003-5_767.

  3. [43]  R. Fu, Z. Zhang and L. Li, ‘Using lstm and gru neural network methods for traffic flow prediction’, in 2016 31st Youth Academic Annual Con- ference of Chinese Association of Automation (YAC), 2016, pp. 324– 328. doi: 10.1109/YAC.2016.7804912.

  4. [44]  A. Roxburgh, ‘On computing the discrete fourier transform’, Dec. 2013.

  5. [45]  H. J. Nussbaumer, ‘The fast fourier transform’, in Fast Fourier Trans- form and Convolution Algorithms, Springer, 1981, pp. 80–111.

  6. [46]  A. J. Jerri, ‘The shannon sampling theorem—its various extensions and applications: A tutorial review’, Proceedings of the IEEE, vol. 65, no. 11, pp. 1565–1596, 1977.

  7. [47]  P. Verhulst, ‘Notice sur la loi que la population poursuit dans son accroissement in: Correspondance math ́ematique et physique, vol. 10’, 1838.

  8. [48]  S. Ak ̧cay, M. E. Kundegorski, M. Devereux and T. P. Breckon, ‘Trans- fer learning using convolutional neural networks for object classifica- tion within x-ray baggage security imagery’, in 2016 IEEE Interna- tional Conference on Image Processing (ICIP), IEEE, 2016, pp. 1057– 1061.

Download scriptie (6.25 MB)
Universiteit of Hogeschool
Universiteit Gent
Thesis jaar
2020
Promotor(en)
Prof. dr. Wout Joseph, Prof. dr. Eli De Poorter
Thema('s)
Kernwoorden