NL9400527A - Device for the automatic analysis of animal data - Google Patents

Device for the automatic analysis of animal data Download PDF

Info

Publication number
NL9400527A
NL9400527A NL9400527A NL9400527A NL9400527A NL 9400527 A NL9400527 A NL 9400527A NL 9400527 A NL9400527 A NL 9400527A NL 9400527 A NL9400527 A NL 9400527A NL 9400527 A NL9400527 A NL 9400527A
Authority
NL
Netherlands
Prior art keywords
animal
cpn
mastitis
milk
probability
Prior art date
Application number
NL9400527A
Other languages
Dutch (nl)
Inventor
Serge Louis Loosveld
Original Assignee
Nedap Nv
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nedap Nv filed Critical Nedap Nv
Priority to NL9400527A priority Critical patent/NL9400527A/en
Publication of NL9400527A publication Critical patent/NL9400527A/en

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K29/00—Other apparatus for animal husbandry
    • A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/02—Food
    • G01N33/04—Dairy products
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Environmental Sciences (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Evolutionary Biology (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Animal Husbandry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Epidemiology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

The invention relates to an automated information system for use within the livestock industry. The system receives, stores and supplies data of the livestock company relating to the animals of the company. The system can process data in the field of feeding, milk production, milking performance, temperature, behaviour, weight and electrical conductivity of the milk for each animal. A characteristic of the system is that these data are used in order to determine the probability that the animal has a specific physical condition and that not only the aforementioned data are taken into consideration in this determination, but also data which play a part in determining the prior probability of the physical condition. In terms of the combination of the different factors, use is made of a Causal Probability Network (CPN), a method which enables reasoning with uncertain and incomplete knowledge. The system is supplied once only (initially) in terms of knowledge. It is then possible for the system to refine the knowledge by verifying the calculations through counter-checking. The system can thus help monitor productivity and animal health and obviate the consequences of the occurrence of specific diseases.

Description

Ir. S.L. LoosveldIr. S.L. Loosveld

Inrichting voor het automatisch analyseren van dierqeqevensDevice for the automatic analysis of animal data

De uitvinding betreft een informatiesysteem dat meetwaarden analyseert die betrekking hebben op dieren, en die met behulp van automatisch werkende meetapparatuur verkregen zijn. Bijvoorbeeld de analyse van meetwaarden van elektrische geleidbaarheid (E.G.) in melk van melkvee, waarbij gebruik gemaakt kan worden van gegevens die van invloed zijn op de kans dat een dier mastitis zal krijgen, en van gegevens die een afgeleide zijn van het vóórkomen van mastitis bij een dier, zoals bijvoorbeeld (naast E.G.) wijzigingen in de melkproduktie, lichaamstemperatuur en voeropname.The invention relates to an information system that analyzes measured values relating to animals and which have been obtained with the aid of automatically operating measuring equipment. For example, the analysis of electrical conductivity (EC) measurements in milk from dairy cattle, using data that influence the likelihood that an animal will develop mastitis, and data derived from the occurrence of mastitis in an animal, such as (in addition to EC) changes in milk production, body temperature and feed intake.

Het systeem heeft tot doel de veehouder te ondersteunen bij het beheren van zijn veestapel door middel van ondersteuning bij de bewaking van de gezondheid van de dieren en bij de analyse van de dierlijke produktie. Het is bruikbaar voor bedrijver met een veestapel variërend in omvang van 10 tot ca. 10.000 dieren.The aim of the system is to support the farmer in managing his livestock by providing support in monitoring animal health and in the analysis of animal production. It can be used by a herd operator ranging in size from 10 to about 10,000 animals.

Op melkveehouderijbedrijven is bijvoorbeeld uierontsteking (mastitis) bij de dieren een veel voorkomend probleem, dat substantiële economische schade tot gevolg kan hebben. De mate waarin deze ontsteking voorkomt varieert sterk per bedrij f.For example, udder inflammation (mastitis) in animals is a common problem on dairy farms, which can lead to substantial economic damage. The extent to which this inflammation occurs varies greatly from company to company.

Vanwege de kosten is het voor de veehouder van belang om eventuele gevallen van mastitis vroegtijdig te signaleren.Because of the costs, it is important for the farmer to identify any cases of mastitis early.

Ten behoeve van vroegtijdige signalering bestaan reeds apparaten die van de melk de E.G. meten. Bij een uierontsteking zal namelijk vaak de E.G; stijgen. De E.G. kan in de melk van de afzonderlijke 4 kwartieren gemeten worden en/of in de mengmelk.For the purpose of early detection, devices that already contain the E.G. measure. With an udder infection, the E.G; rise. The E.G. can be measured in the milk of the individual 4 quarters and / or in the mixed milk.

De resultaten van de E.G.-test zijn niet waterdicht. Zowel vals-positieve als vals-negatieve meldingen komen voor. Dit ligt niet zozeer aan de test op zich, als wel aan de mate waarin mastitis voorkomt. Hoewel mastitis op bedrijfsniveau veel voor kan komen, is de kans klein dat een individueel dier op een willekeurige dag mastitis krijgt (in de orde van grootte van fracties van 0.1%).The results of the E.G.test are not foolproof. Both false positive and false negative reports occur. This is not so much due to the test itself, but to the extent to which mastitis occurs. Although mastitis can be common at farm level, it is unlikely that an individual animal will develop mastitis on any given day (in the order of fractions of 0.1%).

Voor een goede interpretatie van de test is niet alleen de kwaliteit van de test van belang, maar ook de kans-vooraf dat een individu uit de testpopulatie positief/negatief reageert.For a good interpretation of the test, not only the quality of the test is important, but also the pre-chance that an individual from the test population reacts positively / negatively.

De kans vooraf dat een individueel dier mastitis krijgt kan op verschillende manieren geschat worden. Dit gebeurt aan de hand van risico-factoren.The probability of an individual animal developing mastitis in advance can be estimated in various ways. This is done on the basis of risk factors.

Ten eerste kunnen landelijke cijfers gebruikt worden. Dit geeft slechts een matige indicatie, aangezien de mastitis-druk per bedrijf sterk varieert. Daarom kan beter gewerkt worden met bedrijfscijfers: op een bedrijf waar 40 mastitis-gevallen op 100 dieren per jaar voorkomen, is de kans dat een positieve E.G.-test juist is groter dan op een bedrijf met 20 mastitis-gevallen per 100 koeien.First, national figures can be used. This is only a moderate indication, as the mastitis pressure varies greatly from farm to farm. That is why it is better to work with farm figures: on a farm where 40 mastitis cases occur per 100 animals per year, the chance that a positive E.G.test is correct is greater than on a farm with 20 mastitis cases per 100 cows.

Tot slot kan, in plaats van naar bedrijfsgegevens, gekeken worden naar gegevens van dieren individueel. Reeds gepubliceerd onderzoek heeft bijvoorbeeld aangetoond dat dieren die in de vorige lactatie mastitis hebben gehad een vergrote kans hebben op mastitis in de lopende lactatie. Soortgelijke effecten zijn bekend van het aantal reeds geconstateerde mastitis-gevallen in de huidige lactatie, van het aantal lactaties dat een dier achter de rug heeft (pariteit), het lactatiestadium en het produktieniveau. Individu-specifieke informatie kan dus een verbetering geven van de schatting van de kans-vooraf dat een dier mastitis krijgt. Overigens is de zwaarte van deze risicofactoren weer mede bepaald door bedrijfsafhankelijke factoren.Finally, instead of company data, it is possible to look at animal data individually. For example, previously published research has shown that animals who have had mastitis in the previous lactation have an increased risk of mastitis in ongoing lactation. Similar effects are known from the number of mastitis cases already observed in the current lactation, the number of lactations that an animal has had (parity), the lactation stage and the production level. Individual-specific information can therefore improve the estimate of the pre-chance that an animal will develop mastitis. The severity of these risk factors is also partly determined by business-dependent factors.

Naast deze gegevens kan bij de analyse van de E.G. ook gebruik worden gemaakt van gegevens die door sensoren gemeten worden, zoals bijvoorbeeld temperatuur, melkgift, melkstroom, voeropname, activiteit- en andere gedragsafwijkingen, en van gegevens door waarnemingen van de veehouder, zoals o.a. vlokkerigheid van de melk en hardheid van de uier. Zo zal een dier dat behalve een E.G.-attentie tevens een plotselinge daling in de melkproduktie vertoont en een verhoging van de lichaamstemperatuur heeft, met meer waarschijnlijkheid mastitis hebben dan een dier dat alleen een E.G.-attentie heeft.In addition to these data, the analysis of the E.G. use is also made of data measured by sensors, such as temperature, milk yield, milk flow, feed intake, activity and other behavioral deviations, and data from observations by the farmer, such as, for example, flocculation of the milk and hardness of the udder. For example, an animal that in addition to an E.G.attention also shows a sudden drop in milk production and an increase in body temperature, is more likely to have mastitis than an animal that only has an E.G.attention.

Bijzonder aan deze vinding is niet alleen dat een waarschijnlijkheid van mastitis wordt bepaald, maar ook de manier waarop deze waarschijnlijkheid wordt berekend: met een causaal probabilistisch netwerk (CPN), dat wil zeggen aan de hand van een netwerk van causale relaties met mastitis.What is special about this finding is not only that a probability of mastitis is determined, but also the way in which this probability is calculated: with a causal probabilistic network (CPN), that is to say through a network of causal relationships with mastitis.

Een CPN is een schema met 'nodes' en 'links' tussen de nodes. Een node kan gezien worden als een waarneming of kennis op een bepaald domein, de link is de relatie tussen twee nodes, die bepaald wordt door een conditionele kans. Met behulp van het theorema van Bayes kan gerekend worden met conditionele kansen:A CPN is a scheme with 'nodes' and 'links' between the nodes. A node can be seen as an observation or knowledge in a certain domain, the link is the relationship between two nodes, which is determined by a conditional opportunity. Using Bayes' theorem, conditional probabilities can be calculated:

Figure NL9400527AD00041

De kans op H, gegeven b, is gelijk aan de kans op H en b samen, gedeeld door de kans dat b alleen voorkomt.The probability of H, given b, is equal to the probability of H and b combined, divided by the probability that b occurs alone.

Hieruit kan de inverse formule afgeleid worden:The inverse formula can be derived from this:

Figure NL9400527AD00042

ii

Met behulp van een algoritme van Spiegelhalter en Lauritzen, gebaseerd op de inverse van het theorema van Bayes, kan een netwerk ontwikkeld worden dat meerdere^ lagen van parent- en child-nodes bevat.Using a Spiegelhalter and Lauritzen algorithm, based on the inverse of Bayes' theorem, a network can be developed that contains multiple layers of parent and child nodes.

In figuur 1 staat een simpel voorbeeld van een CPN afgebeeld.Figure 1 shows a simple example of a CPN.

In de parent-nodes staan achtereenvolgens het lactatiestadium waarin het dier zich bevindt (node 1), het melkproduktieniveau (node 2) en het aantal malen dat het dier in het verleden mastitis heeft gehad (node 3).The parent nodes successively contain the lactation stage in which the animal is (node 1), the milk production level (node 2) and the number of times the animal has had mastitis in the past (node 3).

Gegeven deze factoren is er een bepaalde kans-vooraf dat het dier mastitis heeft (node 4). Lactatiestadium, melkproduktieniveau en mastitisverleden zijn derhalve risicofactoren voor mastitis: zij beïnvloeden de kans dat het dier mastitis krijgt, ongeacht enige andere waarneming. Gegeven het dier heeft mastitis, dan is er ook een bepaalde kans op een positieve E.G.-attentie (node 5, de child-node) .Given these factors, there is a predetermined chance that the animal has mastitis (node 4). Lactation stage, milk production level and past history of mastitis are therefore risk factors for mastitis: they influence the likelihood of the animal developing mastitis regardless of any other observation. Given the animal has mastitis, there is also a certain chance of a positive E.G.attention (node 5, the child node).

In een CPN kan echter ook teruggerekend worden wat de kans is dat het dier mastitis heeft, gegeven een E.G.-attentie, en gegeven een bepaalde invulling van de risico-factoren.However, a CPN can also calculate the probability that the animal has mastitis, given an E.G.attention, and given a specific interpretation of the risk factors.

In figuur 1 worden node 1, 2 en 3 parent-nodes genoemd, omdat een link uit deze nodes komt. Node 5 wordt een child-node genoemd omdat daar een link naar toe wijst.In Figure 1, node 1, 2 and 3 are called parent nodes because a link comes from these nodes. Node 5 is called a child node because a link points to it.

In de praktijk komt de toepassing van een CPN er op neer dat van één of meerdere tests de sensitiviteit en de specificiteit bepaald wordt.In practice, the application of a CPN boils down to determining the sensitivity and specificity of one or more tests.

Sensitiviteit: het percentage daadwerkelijk positieve gevallen die door de test ook positief worden bevonden.Sensitivity: the percentage of actually positive cases that the test also finds positive.

Specificiteit: het percentage daadwerkelijk negatieve gevallen die door de test ook als negatief beoordeeld worden.Specificity: the percentage of actual negative cases that are also considered negative by the test.

Vertaald naar figuur 1 betekent dit dat deze gegevens in de child-node worden opgenomen.Translated to figure 1, this means that this data is included in the child node.

De sensitiviteit van de E.G.-test is 92%, de specificiteit 99%.The sensitivity of the E.G. test is 92%, the specificity 99%.

Ook van de risicofactoren Lactatiestadium, Melkproduktieniveau, en Mastitisgevallen in de vorige lactatie zijn de invloeden op de kans-vooraf op mastitis bekend. Een dier dat in de zevende maand na afkalven zit, een normaal melkproduktieniveau heeft en in het verleden geen mastitis heeft gehad, zal een kans-vooraf op mastitis hebben van 0.01%. Een dier dat zich echter in de tweede maand na afkalven bevinden, een hoog melkproduktieniveau heeft, en zowel in de vorige lactatie, als in de huidige een aantal malen mastitis heeft gehad, zal een kans-vooraf op mastitis hebben van 0.81%.The influence of the risk factors Lactation stage, Milk production level, and Mastitis cases in the previous lactation are also known. An animal that is in the seventh month after calving, has a normal milk production level and has not had mastitis in the past will have a pre-chance of mastitis of 0.01%. However, an animal that is in the second month after calving, has a high milk production level, and has had mastitis a number of times in both the previous lactation and in the present one, will have a 0.81% chance of mastitis beforehand.

Wanneer met een CPN gevoed wordt met deze gegevens, blijkt dat bij een dier met de lage kans-vooraf op mastitis (0.01%) bij het waarnemen van de eerste E.G.-attentie een kans van 1% is dat het dier mastitis heeft. Wanneer dit dier in de hoog-risicogroep zou vallen zou de kans dat het dier mastitis heeft 43% zijn bij de eerste E.G.-attentie.When a CPN is fed with these data, it appears that in an animal with the low probability of mastitis (0.01%) when observing the first E.G.attention, there is a 1% chance that the animal has mastitis. If this animal were in the high-risk group, the chance that the animal has mastitis would be 43% with the first E.G.

Een CPN rond de ziekte mastitis zou waarschijnlijk uitgebreid kunnen worden zoals weergegeven in figuur 2. Deze figuur bevat een groter aantal parent-nodes die risico-factoren representeren wat betreft de prior-kans op mastitis: node 1 = pariteit node 2 = lactatiestadium node 3 = produktieniveau node 4 = aantal mastitisgevallen in de vorige lactatie node 5 = aantal mastitisgevallen in de huidige lactatie node 6 = aantal mastitisgevallen in de afgelopen 30 dagen node 7 = variatie in E.G. in het verleden node 8 = speenbeschadigingA CPN around mastitis disease could probably be expanded as shown in figure 2. This figure contains a larger number of parent nodes representing risk factors for the prior chance of mastitis: node 1 = parity node 2 = lactation stage node 3 = production level node 4 = number of mastitis cases in the previous lactation node 5 = number of mastitis cases in the current lactation node 6 = number of mastitis cases in the past 30 days node 7 = variation in EC node 8 = teat damage in the past

Node 9 geeft de kans op mastitis weer. Deze kans wordt niet alleen bepaald door risico-factoren. Ook waarnemingen spelen in de berekening van de waarschijnlijkheid dat het dier mastitis heeft een rol. Deze waarnemingen worden weergegeven in de child-nodes: node 10 = kleur van de melk node 11 = vlokken in melk node 12 = stroperigheid van de melk node 13 = hardheid van de uier node 14 = E.G.-verhoging node 15 = melkproduktieverlaging node 16 = melkstroomwijzigingen node 17 = temperatuurverhoging node 18 = voeropnameverlaging node 19 = activiteitsafwijking node 20 = gedragsafwijkingen node 21 = uierafwijkingenNode 9 indicates the risk of mastitis. This chance is not only determined by risk factors. Observations also play a role in the calculation of the probability that the animal has mastitis. These observations are reflected in the child nodes: node 10 = color of the milk node 11 = flakes in milk node 12 = syrupiness of the milk node 13 = hardness of the udder node 14 = EC increase node 15 = milk production decrease node 16 = milk flow changes node 17 = temperature increase node 18 = feed intake reduction node 19 = activity deviation node 20 = behavioral deviations node 21 = udder deviations

Niet alleen kan met een dergelijk CPN gerekend worden met onzekerheden, tevens kan ook met onvolledige kennis gerekend worden: mochten één of meerdere waarnemingen ontbreken of risico-factoren onbekend zijn, dan kan nog steeds met een dergelijk systeem gewerkt worden.Not only can such a CPN be used to calculate with uncertainties, but also with incomplete knowledge can be calculated: if one or more observations are missing or risk factors are unknown, it is still possible to work with such a system.

Om een CPN waarschijnlijkheden te laten berekenen die toegespitst zijn op de specifieke bedrijfssituatie, dienen ook de causale relaties gekwantificeerd te worden met data afkomstig van het bedrijf waar het CPN gebruikt wordt.In order for a CPN to calculate probabilities that are tailored to the specific business situation, the causal relationships must also be quantified with data from the company where the CPN is used.

Omdat deze data in de begin-periode van het gebruik van het CPN per definitie ontbreken, zal in deze periode met standaard-gemiddelden gewerkt moeten worden.Because these data are by definition missing in the initial period of the use of the CPN, standard averages will have to be used in this period.

Om toch tot een bedrijfsspecifiek CPN te komen dienen de berekeningen van het CPN getoetst te worden aan waarnemingen die uitsluitsel geven over het al dan niet mastitis hebben van een dier.In order to arrive at a company-specific CPN, the calculations of the CPN must be tested against observations that provide information about whether or not an animal has mastitis.

Deze toetsing behoort, indien mogelijk, voor iedere parenten child-node uit het netwerk te geschieden, aangezien deze nodes de input zijn voor het netwerk en derhalvè de plaatsen waar sturing plaats dient te vinden.This assessment should, if possible, be done for every child-node from the network, since these nodes are the input for the network and therefore the places where control should take place.

In de praktijk is gebleken dat veehouders niet altijd weten op welke wijze zij het beste kunnen reageren op het optreden van een mastitis-geval. Niet alleen het aangeven van de waarschijnlijkheid dat een dier mastitis heeft is daarom van belang, maar een adequate reactie van het systeem zou een belangrijke toegevoegde waarde vormen.Practice has shown that livestock farmers do not always know how they can best respond to the occurrence of a mastitis case. It is therefore not only important to indicate the probability that an animal has mastitis, but an adequate response from the system would be an important added value.

Het systeem zal daarom niet alleen de gebruiker op de hoogte stellen van de berekende waarschijnlijkheden, maar tevens de mogelijkheid kunnen hebben extra actie te ondernemen.The system will therefore not only notify the user of the calculated probabilities, but may also have the opportunity to take additional action.

Op basis van waarnemingen op het gebied van karakteristieken van de melk zou het systeem de waarschijnlijkheid op een bepaald type mastitis kunnen berekenen, en een behandelingsadvies kunnen verstrekken gebaseerd op de soort mastitis.Based on observations on milk characteristics, the system could calculate the probability of a particular type of mastitis and provide treatment advice based on the type of mastitis.

Tevens zou het systeem acties kunnen ondernemen die erop gericht zijn gevolgen van een mastitis verder te beperken, zoals het aansturen van schakelingen die melk separeren.The system could also take actions aimed at further limiting the consequences of a mastitis, such as controlling circuits that separate milk.

Het systeem kan verder de gebruiker ondersteunen door schakelingen aan te sturen die er voor zorgen dat verdachte dieren gescheiden worden van overige dieren.The system can further support the user by controlling circuits that ensure that suspect animals are separated from other animals.

Bij voldoende betrouwbaarheid van het systeem zou overgegaan kunnen worden tot het automatisch verstrekken van medicatie.With sufficient reliability of the system, the automatic dispensing of medication could be started.

Uiteraard kunnen met een dergelijk systeem behalve mastitis ook andere ziektebeelden, afwijkingen of andere bijzonderheden worden gesignaleerd, gebaseerd op andere nodes, zoals bijvoorbeeld het ovulatiemoment.Of course, with such a system, in addition to mastitis, other syndromes, abnormalities or other details can be signaled, based on other nodes, such as the moment of ovulation.

Claims (21)

1. Een geautomatiseerd analyse-systeem voor de veehouderij dat diergegevens betreffende de lichamelijke toestand van individuele dieren ontvangt, opslaat en verwerkt, met het kenmerk dat een waarschijnlijkheid wordt bepaald dat een individueel dier in een bepaalde lichamelijke toestand verkeert, om hiermede de gebruiker van het systeem te ondersteunen bij de bewaking van de gezondheid van de dieren en bij de analyse van de dierlijke produktie.1. An automated animal husbandry analysis system which receives, stores and processes animal data on the physical condition of individual animals, characterized in that a probability is determined that an individual animal is in a particular physical condition, in order to enable the user of the animal support the system in monitoring animal health and in the analysis of animal production. 2. Een systeem volgens conclusie 1 met het kenmerk dat ten behoeve van de bepaling van de waarschijnlijkheid een methode wordt gebruikt die het mogelijk maakt te redeneren met kansen, zoals een causaal probabilistisch netwerk, waarbij met dit systeem de risico-factoren (factoren die de prior-kans op een bepaalde lichamelijke toestand van het dier beïnvloeden), en waarnemingen die door het optreden van een zekere toestand mede causaal kunnen worden bepaald, worden gecombineerd.A system according to claim 1, characterized in that for the determination of the probability a method is used which makes it possible to reason with opportunities, such as a causal probabilistic network, whereby with this system the risk factors (factors which prior chance of influencing a certain physical condition of the animal), and observations that can partly be causally determined by the occurrence of a certain condition are combined. 3. Een systeem volgens conclusie 2, met het kenmerk dat de waarschijnlijkheid wordt bepaald dat een individueel dier de ziekte uierontsteking (mastitis) heeft opgelopen, gegeven de uitslag van een test waarbij de elektrische geleidbaarheid (E.G.) van melk is gemeten en vergeleken met verwachte meetwaarden.A system according to claim 2, characterized in that the probability of an individual animal contracting mastitis (mastitis) is determined, given the result of a test in which the electrical conductivity (EC) of milk is measured and compared with expected measured values. 4. Een systeem volgens conclusie 3 met het kenmerk, dat als risico-factor voor het optreden van mastitis een instelbare kans op mastitis wordt gebruikt die voor alle dieren van kracht is.A system according to claim 3, characterized in that the risk factor for the occurrence of mastitis is an adjustable risk of mastitis which is effective for all animals. 5. Een systeem volgens conclusie 3 met het kenmerk, dat als risico-factoren voor het optreden van mastitis gebruik gemaakt wordt van individu-specifieke kenmerken.A system according to claim 3, characterized in that individual specific characteristics are used as risk factors for the occurrence of mastitis. 6. Een systeem volgens één of meerdere der voorgaande conclusies met het kenmerk, dat één van de parent-nodes van het CPN de risico-factor pariteit bevat.A system according to one or more of the preceding claims, characterized in that one of the parent nodes of the CPN contains the risk factor parity. 7. Een systeem volgens één of meerdere der voorgaande conclusies met het kenmerk, dat één van de parent-nodes van het CPN de risico-factor produktieniveau bevat en dat de melk-produktie in de afgelopen lactatie(s) of de produktie in de huidige lactatie hierbij als maatstaf voor produktieniveau wordt beschouwd.A system according to one or more of the preceding claims, characterized in that one of the parent nodes of the CPN contains the risk factor production level and that the milk production in the previous lactation (s) or the production in the current lactation is hereby regarded as a measure of production level. 8. Een systeem volgens één of meerdere der voorgaande conclusies met het kenmerk, dat één van de parent-nodes van het CPN de risico-factor lactatiestadium bevat en de lactatie in een aantal delen wordt opgedeeld die ieder een bijbehorende kans-vooraf op mastitis met zich dragen.A system according to one or more of the preceding claims, characterized in that one of the parent nodes of the CPN contains the risk factor lactation stage and the lactation is divided into a number of parts, each of which has an associated probability of mastitis with carry on. 9. Een systeem volgens één of meerdere der voorgaande conclusies met het kenmerk, dat één of meerdere parent-nodes van het CPN risico-factoren bevatten die gebaseerd zijn op het mastitis-verleden van een dier en waarbij gelet wordt op hoe lang geleden het dier mastitis had en hoe vaak.A system according to one or more of the preceding claims, characterized in that one or more parent nodes of the CPN contain risk factors based on the mastitis history of an animal and taking into account how long ago the animal had mastitis and how often. 10. Een systeem volgens één of meerdere der voorgaande conclusies met het kenmerk, dat één van de parent-nodes van het CPN de risico-factor 'wisselende E.G.' bevat en dat als maatstaf voor deze risico-factor het aantal malen dient dat de E.G. van een dier in de afgelopen tijd boven een bepaalde grenswaarde kwam.A system according to one or more of the preceding claims, characterized in that one of the parent nodes of the CPN has the risk factor 'varying E.G.' and that the measure of this risk factor is the number of times the E.G. of an animal has recently exceeded a certain limit value. 11. Een systeem volgens één of meerdere der voorgaande conclusies met het kenmerk, dat één van de child-nodes van het CPN het causale gevolg "produktiedaling" bevat en dat deze produktiedaling in een aantal klassen kan worden onderverdeeld.A system according to one or more of the preceding claims, characterized in that one of the child nodes of the CPN contains the causal consequence "production decline" and that this production decline can be divided into a number of classes. 12. Een systeem volgens één of meerdere der voorgaande conclusies met het kenmerk, dat één van de child-nodes van het CPN het causale gevolg "verandering in melkstroom-gedrag" bevat, waarbij deze wijzigingen kunnen liggen op het terrein van loze melktijd (tijd tussen aansluiten van melkstel en begin van melkstroom), melkduur, gemiddelde melksnelheid en maximale melksnelheid.A system according to one or more of the preceding claims, characterized in that one of the child nodes of the CPN contains the causal consequence "change in milk flow behavior", whereby these changes may lie in the field of empty milking time (time between connection of milking cluster and start of milk flow), milking duration, average milking speed and maximum milking speed. 13. Een systeem volgens één of meerdere der voorgaande conclusies met het kenmerk, dat één van de child-nodes van het CPN het causale gevolg "temperatuurstijging" bevat, waarbij deze stijging in een aantal klassen kan worden onderverdeeld.A system according to one or more of the preceding claims, characterized in that one of the child nodes of the CPN contains the causal consequence "temperature rise", whereby this rise can be divided into a number of classes. 14. Een systeem volgens één of meerdere der voorgaande conclusies met het kenmerk, dat één van de child-nodes van het CPN het causale gevolg "voeropname-daling" bevat, waarbij deze daling in een aantal klassen kan worden onderverdeeld.A system according to one or more of the preceding claims, characterized in that one of the child nodes of the CPN contains the causal consequence "feed intake drop", whereby this drop can be divided into a number of classes. 15. Een systeem volgens één of meerdere der voorgaande conclusies met het kenmerk, dat één van de child-nodes van het CPN het causale gevolg "activiteitswijziging" bevat, waarbij een activiteitswijziging wordt bepaald aan de hand van meetwaarden die verkregen worden m.b.v. stappentellers.A system according to one or more of the preceding claims, characterized in that one of the child nodes of the CPN contains the causal consequence "activity change", an activity change being determined on the basis of measured values obtained by means of pedometers. 16. Een systeem volgens één of meerdere der voorgaande conclusies met het kenmerk, dat één van de child-nodes van het CPN het causale gevolg "gedragsverandering" bevat, waarbij gedrag, en gedragsveranderingen, worden bepaald door te registreren op welke momenten dieren door zend/ontvang-inrichtingen worden waargenomen.A system according to one or more of the preceding claims, characterized in that one of the child nodes of the CPN contains the causal consequence "behavioral change", in which behavior, and behavioral changes, are determined by recording at which moments animals are transmitted receivers are observed. 17. Een systeem volgens één of meerdere der voorgaande conclusies met het kenmerk dat de resultaten van de waarschijnlijkheidsberekening worden getoetst aan waarnemingen door een deskundige, waarbij door deze terugkoppeling het CPN afgestemd kan worden op de bedrijfssituatie, waardoor de voorspellende waarde zal kunnen stijgen.A system according to one or more of the preceding claims, characterized in that the results of the probability calculation are tested against observations by an expert, whereby through this feedback the CPN can be adjusted to the business situation, so that the predictive value can increase. 18. Een systeem volgens één of meerdere der voorgaande conclusies met het kenmerk, dat één of meerdere child-nodes van het CPN causale gevolgen bevatten die gebaseerd zijn op de 'verschijning van de melk', waarbij gedacht dient te worden aan de kleur van de melk, het vóórkomen van vlokjes en stroperigheid van de melk.A system according to one or more of the preceding claims, characterized in that one or more child nodes of the CPN contain causal consequences based on the 'appearance of the milk', taking into account the color of the milk, the appearance of flakes and syrupiness of the milk. 19. Een systeem volgens één of meerdere der voorgaande conclusies met het kenmerk, dat een child-node van het CPN het causale gevolg 'verschijning van de uier' bevat, waarbij gedacht dient te worden aan de hardheid van de uier.A system according to one or more of the preceding claims, characterized in that a child node of the CPN contains the causal consequence 'appearance of the udder', in which case the hardness of the udder is to be considered. 20. Een systeem volgens één of meerdere der voorgaande conclusies met het kenmerk, dat het systeem op basis van de waarschijnlijkheid dat het dier een bepaalde toestand heeft actie onderneemt, waarbij deze actie kan liggen in het attenderen van de veehouder, het geven van een advies, het aansturen van schakelingen die verdachte melk separeren, het aansturen van schakelingen die verdachte dieren separeren, en/of het aansturen van schakelingen die medicatie verstrekken aan het dier.A system according to one or more of the preceding claims, characterized in that the system takes action on the basis of the probability that the animal has a certain condition, this action may lie in alerting the farmer, giving advice , controlling circuits that separate suspect milk, controlling circuits that separate suspicious animals, and / or controlling circuits that supply medication to the animal. 21. Een systeem volgens conclusie 2, met het kenmerk, dat de waarschijnlijkheid wordt bepaald dat bij een individueel dier de ovulatie recentelijk heeft plaats gevonden, dan wel spoedig plaats zal vinden.A system according to claim 2, characterized in that the probability is determined that ovulation has recently or will soon occur in an individual animal.
NL9400527A 1994-04-05 1994-04-05 Device for the automatic analysis of animal data NL9400527A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
NL9400527A NL9400527A (en) 1994-04-05 1994-04-05 Device for the automatic analysis of animal data

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
NL9400527A NL9400527A (en) 1994-04-05 1994-04-05 Device for the automatic analysis of animal data
NL9400527 1994-04-05

Publications (1)

Publication Number Publication Date
NL9400527A true NL9400527A (en) 1995-11-01

Family

ID=19864024

Family Applications (1)

Application Number Title Priority Date Filing Date
NL9400527A NL9400527A (en) 1994-04-05 1994-04-05 Device for the automatic analysis of animal data

Country Status (1)

Country Link
NL (1) NL9400527A (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001052636A1 (en) * 2000-01-21 2001-07-26 Courtney Oldham Method and system for manual entry of data into integrated electronic database for livestock data collection
NL1015120C2 (en) * 2000-05-04 2001-11-06 Inst Voor Milieu En Agritechni Stasticcal analysis of cow characteristics using fuzzy logic to detect oestrum and mastitis with high sensitivity and few false positives
NL1016835C2 (en) * 2000-12-08 2002-06-11 Nedap Nv Farm management system.
NL1016833C2 (en) * 2000-12-08 2002-06-11 Nedap Nv Animal management system.

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3553441A (en) * 1966-06-20 1971-01-05 Horizons Unlimited Problems So Direct computing statistical system
US3989009A (en) * 1975-01-16 1976-11-02 Sed Systems Ltd. Fluid conductivity measurement apparatus
US4463353A (en) * 1981-08-17 1984-07-31 Ralston Purina Company Animal feeding and monitoring system
US4517923A (en) * 1983-07-07 1985-05-21 Key Systems, Inc. Animal feeding system
EP0400354A2 (en) * 1989-05-26 1990-12-05 Franz-Peter Dr. Liebel Method for determining faulty operation status probabilities and probabilities of causes in technical and biological systems
DE4025404A1 (en) * 1990-08-10 1992-02-13 Guenter Fendt Early recognition of illnesses in animal - using temp. detection system and evaluating so that counter-measures can be executed
EP0504457A1 (en) * 1991-03-21 1992-09-23 Franz-Peter Dr. Liebel Procedure for determining faulty operation status probabilities of technical or biological systems using a single event probability with at most on one element operation

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3553441A (en) * 1966-06-20 1971-01-05 Horizons Unlimited Problems So Direct computing statistical system
US3989009A (en) * 1975-01-16 1976-11-02 Sed Systems Ltd. Fluid conductivity measurement apparatus
US4463353A (en) * 1981-08-17 1984-07-31 Ralston Purina Company Animal feeding and monitoring system
US4517923A (en) * 1983-07-07 1985-05-21 Key Systems, Inc. Animal feeding system
EP0400354A2 (en) * 1989-05-26 1990-12-05 Franz-Peter Dr. Liebel Method for determining faulty operation status probabilities and probabilities of causes in technical and biological systems
DE4025404A1 (en) * 1990-08-10 1992-02-13 Guenter Fendt Early recognition of illnesses in animal - using temp. detection system and evaluating so that counter-measures can be executed
EP0504457A1 (en) * 1991-03-21 1992-09-23 Franz-Peter Dr. Liebel Procedure for determining faulty operation status probabilities of technical or biological systems using a single event probability with at most on one element operation

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001052636A1 (en) * 2000-01-21 2001-07-26 Courtney Oldham Method and system for manual entry of data into integrated electronic database for livestock data collection
NL1015120C2 (en) * 2000-05-04 2001-11-06 Inst Voor Milieu En Agritechni Stasticcal analysis of cow characteristics using fuzzy logic to detect oestrum and mastitis with high sensitivity and few false positives
NL1016835C2 (en) * 2000-12-08 2002-06-11 Nedap Nv Farm management system.
NL1016833C2 (en) * 2000-12-08 2002-06-11 Nedap Nv Animal management system.
EP1213676A1 (en) * 2000-12-08 2002-06-12 N.V. Nederlandsche Apparatenfabriek NEDAP Animal management system
EP1246096A1 (en) * 2000-12-08 2002-10-02 N.V. Nederlandsche Apparatenfabriek NEDAP Farm management system

Similar Documents

Publication Publication Date Title
Rutten et al. Invited review: Sensors to support health management on dairy farms
Zehner et al. System specification and validation of a noseband pressure sensor for measurement of ruminating and eating behavior in stable-fed cows
De Mol et al. Applicability of day-to-day variation in behavior for the automated detection of lameness in dairy cows
Dominiak et al. Prioritizing alarms from sensor-based detection models in livestock production-A review on model performance and alarm reducing methods
Steeneveld et al. Discriminating between true-positive and false-positive clinical mastitis alerts from automatic milking systems
De Mol et al. Detection model for mastitis in cows milked in an automatic milking system
US10761107B2 (en) Apparatus and method for detecting disease in dairy animals
JP3856476B2 (en) System and method for monitoring the physical condition of livestock
Hovinen et al. Invited review: Udder health of dairy cows in automatic milking
Khatun et al. Development of a new clinical mastitis detection method for automatic milking systems
Cavero et al. Mastitis detection in dairy cows by application of neural networks
Steensels et al. A decision-tree model to detect post-calving diseases based on rumination, activity, milk yield, BW and voluntary visits to the milking robot
Cavero et al. Mastitis detection in dairy cows by application of fuzzy logic
Eckelkamp et al. On-farm use of disease alerts generated by precision dairy technology
Alawneh et al. Automatic recording of daily walkover liveweight of dairy cattle at pasture in the first 100 days in milk
Kamphuis et al. Applying additive logistic regression to data derived from sensors monitoring behavioral and physiological characteristics of dairy cows to detect lameness
Kamphuis et al. Field validation of protocols developed to evaluate in-line mastitis detection systems
Lien et al. Online detection of dairy cow subclinical mastitis using electrical conductivity indices of milk
Werner et al. Evaluation of precision technologies for measuring cows’ grazing behaviour
Dittrich et al. Estimating risk probabilities for sickness from behavioural patterns to identify health challenges in dairy cows with multivariate cumulative sum control charts
NL9400527A (en) Device for the automatic analysis of animal data
Yıldız et al. Determination of estrus in cattle with artificial neural networks using mobility and environmental data
Bello et al. A framework for real-time cattle monitoring using multimedia networks
CN114521106B (en) Automatic milking system and method for determining the health status of an animal
Krieter et al. Mastitis detection in dairy cows using neural networks

Legal Events

Date Code Title Description
A1B A search report has been drawn up
BV The patent application has lapsed