Validazione di un algoritmo pedometrico come strumento di valutazione del comportamento locomotorio nella bufala mediterranea da latte.
Il settore bufalino in Campania ha registrato, negli ultimi anni, un costante trend di crescita; pertanto, è importante sviluppare nuove tecniche di allevamento che consentano di monitorare costantemente la salute degli animali al fine di risolvere tempestivamente eventuali condizioni patologiche.
L’utilizzo di sensori non invasivi da applicare al collo o agli arti posteriori è una pratica comunemente diffusa negli allevamenti bovini moderni. Data la similarità tra le tecniche di allevamento nelle aziende bovine e bufaline, si sta cercando di considerare un approccio innovativo anche in questo settore. Di seguito è riportata una sinossi di uno studio condotto nel 2017 da D’Andrea et al. che ha come obiettivo finale la validazione del sensore RumiWatch® per il riconoscimento di diversi comportamenti bufalini.
Nello specifico, il lavoro si proponeva di verificare che l’algoritmo, elaborando i dati provenienti dal pedometro, riuscisse a distinguere i diversi movimenti e i comportamenti abituali dell’animale. Tale tool potrebbe rappresentare un vero strumento di supporto per l’allevatore che riuscirebbe a monitorare real-time lo stato di benessere della bufala e intervenire tempestivamente qualora si manifestassero anomalie. Al fine di validare l’algoritmo sono state effettuate delle riprese video (golden standard), così da effettuare il confronto tra l’output dello strumento e la classificazione del comportamento visto in video. I risultati hanno mostrato un alto grado di correlazione tra le riprese video e gli output in uscita dallo strumento.
Studio
Lo studio è stato effettuato su 15 bufale primipare di razza Mediterranea Italiana, scelte in maniera randomica. Tutte le bufale avevano un’età compresa tra i 28 e i 31 mesi.
Le attività sperimentali comprendevano:
- La validazione dell’algoritmo per il riconoscimento dei comportamenti di seguito riportati.
| Comportamento | Descrizione |
|---|---|
| Stand-up | Evento in cui l'angolo del pedometro cambia la sua posizione da > 58° verso l'asse y a un angolo < 58° verso l'asse y. |
| Lie-down | Evento in cui l'angolo del pedometro cambia posizione da un angolo < 58° verso l'asse y a un angolo > 58° verso l'asse y per almeno 20 secondi. |
| Lying bouts | Periodo con il pedometro in una posizione che supera un angolo di 58 verso l'asse y, della durata di >50 secondi. L'interruzione di questa posizione del pedometro per meno di 20 secondi viene identificata e calcolata come un evento in piedi e uno sdraiato, ma non come un allenamento in piedi separato. |
| Lying time | Somma della durata di tutti i lying bouts in un determinato periodo di registrazione. |
| Up-right time | Somma della durata di tutti i walking bouts e di standing bouts in un determinato periodo di registrazione. |
- La validazione dell’algoritmo per il riconoscimento dei comportamenti espressi quando l’animale è in piedi.
| Comportamento | Descrizione |
|---|---|
| Standing time | Somma della durata di tutti gli standing bouts in un determinato periodo di registrazione. |
| Walking time | Somma della durata di tutti gli standing bouts in un determinato periodo di registrazione. Il dispositivo registra l'attività attività di cammino in segmenti di 10 secondi. |
| Standing bouts | Periodo in cui la bufala è in posizione eretta ma non cammina; il cambiamento temporaneo dell'angolo del pedometro superiore a 58° verso l'asse y per meno di 50 secondi non è classificati come lyng down e standing up né come un ulteriore periodo di lying bout. |
| Walking bouts | Periodo caratterizzato da almeno 3 passi consecutivi nella stessa direzione (avanti o indietro). L'intervallo tra due falcate non deve superare i 4 s. I walking bouts sono classificati come separati, se il tempo tra 2 passi supera i 10 secondi. |
Le performance dell’algoritmo sono state valutate tramite le seguenti analisi statistiche. Per l’analisi dei diversi comportamenti è stato utilizzato un intervallo di confidenza del 95% per i dati discreti, l’errore di misura relativo medio (RME) e il test di correlazione di rank di Spearman per i dati continui. Per le variabili discrete, sono state valutate anche la sensibilità (Se) e la specificità (Sp). Per le variabili continue, invece, sono state utilizzate le analisi di Bland-Altman per valutare le differenze osservate tra l’output dell’analisi della registrazione video e dello strumento.
Risultati e discussioni
I risultati delle prove sperimentali riportano un’alta correlazione tra l’output del sensore (tipologia di comportamento) e l’output del golden standard (registrazioni video). In particolare, l’algoritmo è stato molto accurato nell’identificare i comportamenti lying time e up-right time. Le analisi di Bland-Altman e l’RME hanno confermato poca differenza nel numero di volte in cui questi comportamenti sono stati identificati da parte del sensore e delle riprese video. Anche attività come lying bout, stand up e lie down sono state correttamente riconosciute; tuttavia, la specificità registrata per i comportamenti lie down e stand up non raggiungeva il 100%. Tale risultato è dovuto probabilmente alla presenza di falsi positivi dovuti alla manifestazione di comportamenti diversi da quelli per cui l’algoritmo era settato. L’algoritmo ha riscontrato difficoltà nel riconoscere alcuni episodi di walking bout e standing; infatti, anche in questo caso le riprese video, mostravano delle variazioni nei comportamenti espressi dalle bufale che non venivano riconosciuti dall’algoritmo. Il numero di passi (strides) mostra valori discreti di RME: infatti, come accade anche per le vacche, la camminata non è sempre regolare; pertanto, i movimenti caratteristici dei passi non rientrano nei limiti di tempo utilizzati dal dispositivo per identificarli. La differenza tra i risultati forniti dall’RWp e dal GS in merito a questa variabile può essere dovuta ad un inevitabile errore umano/incertezza nel definire accuratamente l’inizio e la fine di un allenamento di cammino.
Conclusioni
Il pedometro RumiWatch® e il relativo algoritmo hanno registrato delle buone performance nell’individuazione di alcuni dei principali comportamenti espressi dalla bufala mediterranea italiana. Tale studio rappresenta il primo passo verso l’utilizzo di questa tecnologia come strumento di supporto per gli allevatori. Nel caso specifico, il pedometro RumiWatch®, opportunamente settato, potrebbe aiutare gli allevatori e i medici veterinari nell’identificazione precoce di laminiti, consentendo di intervenire tempestivamente evitando la somministrazione sia di xenobiotici che l’abbattimento precoce dei capi.
Sinossi dell’articolo “Validation of a pedometer algorithm as a tool for evaluation of locomotor behaviour in dairy Mediterranean buffalo“, di Luigi D’Andrea, Jacopo Guccione, Maher Alsaaod, Ramona Deiss, Antonio Di Loria, Adrian Steiner e Paolo Ciaramella. DOI: 10.1017/S0022029917000668
Scrivi un commento
Devi accedere, per commentare.