Automatische detectie van abnormaal gedrag van paarden.

Anniek Eerdekens
Persbericht

Toekomstmuziek of realiteit: Paarden nooit meer ziek dankzij digitale stalknecht.

Koliek is een van de belangrijkste doodsoorzaken bij paarden. Wat als koliek nu tijdig ontdekt kan worden en hiermee operaties en zelfs inslapen van het paard overbodig zijn? Dit onderzocht Anniek Eerdekens, studente Biomedische Ingenieurswetenschappen aan de Universiteit van Gent.

Mogelijke commerciële toepassing.

Koliek 

Koliek is een soort van buikpijn bij paarden die verschillende oorzaken kan hebben. De belangrijkste oorzaak van koliek zijn problemen in het spijsverteringskanaal. Dit komt omdat de lengte van het maag-darm kanaal een relatief lange weg is: bij een volwassen paard moet voedsel een reis van bijna 40 meter afleggen! Ter vergelijking: het spijsverteringskanaal van een volwassen man is ongeveer 9 meter. De problemen in het spijsverteringskanaal kunnen veel verschillende oorzaken hebben. Eén daarvan is verkeerde voeding. Denk hierbij aan bedorven of beschimmeld voer of het paard heeft te veel stro of zelfs zand gegeten. 6% van de paarden sterft ten gevolge van kolieken en daarmee is het één van de grootste doodsoorzaken. 

Symptomen 

Een paard met koliek vertoont specifieke gedragingen waarmee het wil laten zien dat het pijn heeft. Een aantal voorbeelden: 

*het paard krabt met zijn voorbeen, 

*het paard kijkt naar zijn buik, 

*het paard rolt veel, 

*het paard gaat constant liggen, 

*het paard heeft koorts en/of een te hoge hartslag. 

Als de eigenaar deze signalen tijdig ziet, is er niets aan de hand. De veearts kan dan worden gebeld om verdere hulp te bieden. Echter, vaak is een continu toezicht op paarden te duur of praktisch onhaalbaar waardoor levensbedreigende kolieken soms te laat worden opgemerkt. Het paard kan zich dan ondertussen al verwond hebben, de darmen kunnen door een verstopping verplaatst zijn en in het ergste geval kan het paard al overleden zijn. 

Hoe werkt de digitale stalknecht? 

In de masterthesis werd software ontwikkeld die het welzijn van paarden detecteert en analyseert met behulp van een bewegingssensor die op het been van het paard geplaatst werd. Als het paard dan bewegingen begint te maken gerelateerd aan kolieken kan een algoritme deze tijdig detecteren. 

Plaatsing accelerometer

Zo werden voor het onderzoek zes paarden geselecteerd die elk twee sensoren op hun voorbenen geplaatst kregen. De eigenaar liet het paard dan allerlei bewegingen uitvoeren zoals rollen, krabben en buikwijzen. Dit alles werd gefilmd. De verzamelde data werd dan van het juiste label voorzien die het gedrag aangeeft welk het paard aan het uitvoeren is. Dit stukje data werd dan toegevoegd aan het model zodat het model kon leren bij welke data welke beweging hoort. Naderhand werden stukjes data zonder label aan het model gegeven. Het model moest dan voorspellen welke beweging het paard aan het uitvoeren was. De uitkomsten zijn veelbelovend want zeven bewegingen van zes verschillende paarden konden met een nauwkeurigheid van 99% voorspeld worden. 

algoritme

Zuinig met energie 

Gezien het om een kleine sensor gaat die een kleine batterij heeft, moet er ook zuinig worden omgesprongen met energie. Hoe meer data, hoe meer energie: in een sensor worden data-pakketjes verzonden als energie. Daarom werd er onderzocht hoe er met zo min mogelijk data een grote nauwkeurigheid kan gehaald worden voor bewegingsdetectie. In dit onderzoek werden nauwkeurigheden van 99% gehaald aan meetsnelheden waarmee we meer dan 34 dagen doorkomen. Meer dan 47 dagen lukt indien je de sensor in een laag energieverbruik modus configureert. 

Algoritme voorspelt ondergrond 

In het onderzoek is er ook rekening gehouden met de omgeving van het paard. Zo zouden de types grond waarop het paard zich bevindt invloed kunnen hebben op de nauwkeurigheid van het model. Denk aan een natte, harde of zachte ondergrond.  Het bleek echter dat het algoritme het nog altijd performanter was dan 99% betreffende de detectie van de activiteit die paard aan het uitvoeren was. Nog interessanter was dat het algoritme zelfs kon voorspellen op welk type ondergrond het paard aan het bewegen was. 

Gebruiksvriendelijke app 

De meettechnieken zijn vooralsnog ontwikkeld voor onderzoek in een testomgeving, maar zullen zeker in de praktijk gebruikt kunnen worden. Het doel is om uiteindelijk een gebruiksvriendelijke app te ontwikkelen waarop paardeneigenaars meldingen ontvangen wanneer hun paard ´zieke´ gedragingen vertoont. Ook zou het systeem geschikt zijn voor veterinaire onderzoekers en diervoerderproducenten. Bijvoorbeeld om het effect te monitoren van (ander) paardenvoer op de gezondheid en welzijn van paarden. 

Commercieel jasje 

De paardensportwereld heeft inmiddels ook interesse getoond. Zo zou het met dit systeem mogelijk zijn om te zien of bepaalde trainingsmethoden aangepast moeten worden zodat het paard beter kan presteren. De paardensportwereld kijkt nu samen met verschillende partners hoe het voorgestelde systeem in een commercieel jasje gegoten kan worden. 

Bibliografie

[1] Birth alarm. https://www.gallaghereurope.com/en_export_ge/birth-alarm . Accessed: 2019-05-29.

[2] Equestic saddle clip. http://www.maddelin.be/nl/equestic-eq-saddleclip.html . Accessed: 2019-05-29.

[3] Horse rolling. https://www.horseandhound.co.uk/tag/colic-in-horses . Accessed: 2018-05-30.

[4] Horse pawing. http://www.intakevets.co.uk/colic-advice . Accessed: 2018-05-30.

[5] Horse flank watching. https://extension.umn.edu/horse-health/colic-your-horse . Accessed: 2018-05-30.

[6] Ax3 axivity 3-axis logging accelerometer. https://axivity.com/product/ax3 . Accessed: 2019-04-02.

[7] Tendon boot with accelerometer. https://equiporiumstore.com/products/tr-pro-tendon-boot . Accessed: 2019-04-02.

[8] Xusheng Lei and Zhehao Sui. Intelligent fault detection of high voltage line based on the faster r-cnn. Measurement , 138:379–385, 2019.

[9] Gila Abells Sutton, Roee Dahan, Dan Turner, and Ora Paltiel. A behaviour-based pain scale for horses with acute colic: scale construction. The Veterinary Journal , 196(3):394–401, 2013.

[10] Josie L Traub-Dargatz, Christine A Kopral, Ann Hillberg Seitzinger, Lindsey P Garber, Kim Forde, and Nathaniel A White. Estimate of the national incidence of and operation-level risk factors for colic among horses in the united states, spring 1998 to spring 1999. Journal of the American Veterinary Medical Association , 219(1):67–71, 2001.

[11] CJ Proudman. A two year, prospective survey of equine colic in general practice. Equine Veterinary Journal , 24(2):90–93, 1992.

[12] Vanessa L Cook and Diana M Hassel. Evaluation of the colic in horses: decision for referral. The Veterinary clinics of North America. Equine practice , 30(2):383–98, 2014.

[13] Lena Wallin, Erling Strandberg, Jan Philipsson, and Göran Dalin. Estimates of longevity and causes of culling and death in swedish warmblood and coldblood horses. Livestock production science , 63(3):275–289, 2000.

[14] Claudia Giannetto, Marilena Bazzano, Simona Marafioti, Cristiano Bertolucci, and Giuseppe Piccione. Monitoring of total locomotor activity in mares during the prepartum and postpartum period. Journal of Veterinary Behavior: Clinical Applications and Research , 10(5):427–432, 2015.

[15] Patrick T Colahan, IG Mayhew, AM Merritt, JN Moore, et al. Equine medicine and surgery. Volumes I and II.  Number Fourth Edition. American Veterinary Publications Inc., 1991.

[16] Joan-Bryce Burla, Anic Ostertag, Heike Schulze Westerath, and Edna Hillmann. Gait determination and activity measurement in horses using an accelerometer. Computers and electronics in agriculture , 102:127–133, 2014.

[17] Terry Taewoong Um, Vahid Babakeshizadeh, and Dana Kulic. Exercise motion classification from large-scale wearable sensor data using convolutional neural networks. In Intelligent Robots and Systems (IROS), 2017 IEEE/RSJ International Conference on , pages 2385–2390. IEEE, 2017.

[18] Daniele Ravi, Charence Wong, Benny Lo, and Guang-Zhong Yang. A deep learning approach to on-node sensor data analytics for mobile or wearable devices. IEEE journal of biomedical and health informatics , 21(1):56–64, 2017.

[19] Elizabeth J Davidson. Lameness evaluation of the athletic horse. Veterinary Clinics: Equine Practice , 34(2):181–191, 2018.

[20] Horse gaits. https://en.wikipedia.org/wiki/Horse_gait . Accessed: 2019-04-02.

[21] SB Kotsiantis, Dimitris Kanellopoulos, and PE Pintelas. Data preprocessing for supervised leaning. International Journal of Computer Science , 1(2):111–117, 2006.

[22] Hennie Brugman, Albert Russel, and Xd Nijmegen. Annotating multi-media/multi-modal resources with elan. In LREC , 2004.

[23] Katja Liebal, Bridget M Waller, Katie E Slocombe, and Anne M Burrows. Primate communication: a multimodal approach . Cambridge University Press, 2013.

[24] Andrea Ravignani and W Tecumseh Fitch. Sonification of experimental parameters as a new method for efficient coding of behavior. In Proceedings of Measuring Behavior , volume 2012, pages 376–379. Citeseer, 2012.

[25] Said Benaissa, Frank AM Tuyttens, David Plets, Toon de Pessemier, Jens Trogh, Emmeric Tanghe, Luc Martens, Leen Vandaele, Annelies Van Nuffel, Wout Joseph, et al. On the use of on-cow accelerometers for the classification of behaviours in dairy barns. Research in veterinary science , 2017.

[26] Xin Zhao, Haikun Wei, Hai Wang, Tingting Zhu, and Kanjian Zhang. 3d-cnn-based feature extraction of ground-based cloud images for direct normal irradiance prediction. Solar Energy 181:510–518, 2019.

[27] Andrey Ignatov. Real-time human activity recognition from accelerometer data using convolutional neural networks. Applied Soft Computing , 62:915–922, 2018.

[28] Baris Bozkurt, Ioannis Germanakis, and Yannis Stylianou. A study of time-frequency features for cnn-based automatic heart sound classification for pathology detection. Computers in biology and medicine , 100:132–143, 2018.

[29] Ji Gan, Weiqiang Wang, and Ke Lu. A new perspective: Recognizing online handwritten chinese characters via 1-dimensional cnn. Information Sciences , 478:375–390, 2019.

[30] Muhammad Tahir, Hilal Tayara, and Kil To Chong. ipseu-cnn: Identifying rna pseudouridine sites using convolutional neural networks. Molecular Therapy-Nucleic Acids , 16:463–470, 2019.

[31] Alex Krizhevsky, Ilya Sutskever, and Geoffrey E Hinton. Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems , pages 1097–1105, 2012.

[32] Charissa Ann Ronao and Sung-Bae Cho. Human activity recognition with smartphone sensors  using deep learning neural networks. Expert systems with applications , 59:235–244, 2016.

 [33] Zhihua Cui, Lei Du, Penghong Wang, Xingjuan Cai, and Wensheng Zhang. Malicious code detection based on cnns and multi-objective algorithm. Journal of Parallel and Distributed Computing , 2019.

[34] Nitish Srivastava, Geoffrey Hinton, Alex Krizhevsky, Ilya Sutskever, and Ruslan Salakhutdinov. Dropout: a simple way to prevent neural networks from overfitting. The Journal of Machine Learning Research , 15(1):1929–1958, 2014.

[35] Arafat Abu Mallouh, Zakariya Qawaqneh, and Buket D Barkana. Utilizing cnns and transfer learning of pre-trained models for age range classification from unconstrained face images. Image and Vision Computing , 2019.

[36] Anju Unnikrishnan, V Sowmya, and KP Soman. Deep alexnet with reduced number of trainable parameters for satellite image classification. Procedia computer science , 143:931–938, 2018.

[37] Ax3 user manual. https://axivity.com/userguides/ax3/using/ . Accessed: 2018-10-01.

[38] Ax3 omgui. https://github.com/digitalinteraction/openmovement/wiki/AX3-GUI . Accessed: 2018-10-01.

Universiteit of Hogeschool
Biomedische Ingenieurswetenchappen
Publicatiejaar
2019
Promotor(en)
prof. dr. ir. Wout Joseph, prof. dr. ir. Eli De Poorter
Kernwoorden
Share this on: