Abstract The recent advances in sensor technology have allowed accurate predictions of estrus events using animal behavior information. Behavioral variables generated by electronic feed and water bins have not been explored as potential predictors for estrus detection. The objectives of this study were: (i) to evaluate the effect of estrus expression on feed intake and animal behavior (feeding and drinking) and (ii) to develop and evaluate predictive approaches to detect estrus expression using electronic feed and water bins data. Feed intake, animal behavior, and estrus events were measured in 57 Holstein × Gyr heifers (374 ± 21.2 kg and 22.6 ± 0.60 months). Previous to each estrus event, the following covariates were computed: total feed intake (FI, as-fed basis), number of visits at the feed bins (VF) and water bins (VW), time spent eating (TE), and time spent drinking water (TD). Three predictive approaches were evaluated: Generalized Linear Models (GLM), Artificial Neural Network (ANN), and Random Forest (RF). Twelve covariate sets were established to investigate: (ii.a) the prediction quality for estrus detection when long (−174 to 0 h) or short (−24 to 0 h) time series were used as predictors (6 h of time window, with estrus event at 0 h); (ii.b) the ability of machine learning algorithms to predict estrus 6 and 12 h in advance; and (ii.c) the predictive quality for estrus detection when only feeding and drinking behavior data (without intake variables) were included as predictors. The predictive approaches were evaluated through Leave-One-Out Cross-validation. Estrus events altered feeding and drinking behavior patterns, and feed intake. ANN, RF, and GLM presented similar accuracies within covariate sets. There was no benefit of using longer time series for estrus detection. Earlier detection of estrus event (6 and 12 h in advance) reduced model accuracy compared to predictions performed at 0 h. However, ANN and RF showed accuracy values ranging between 75.7% and 96.5%, which indicates a great potential for early estrus detection. The exclusion of feed intake data of the covariate sets did not reduce the accuracy, sensitivity, and specificity of the models for estrus detection. These findings suggest that behavioral data can early predict estrus events, which could be incorporated in sensor technologies capable of generating behavioral information, such as electronic bins, wearable sensors, and computer vision systems.

中文翻译：

---

将机器学习技术应用于奶牛早期发情检测的采食行为数据

摘要 传感器技术的最新进展允许使用动物行为信息准确预测发情事件。电子饲料和水箱产生的行为变量尚未被探索作为发情检测的潜在预测因子。本研究的目的是：(i) 评估发情表达对采食量和动物行为（喂食和饮水）的影响，以及 (ii) 开发和评估使用电子饲料和水箱数据检测发情表达的预测方法。在 57 头荷斯坦牛 × Gyr 小母牛（374 ± 21.2 kg 和 22.6 ± 0.60 个月）中测量了采食量、动物行为和发情事件。在每次发情事件之前，计算以下协变量：总采食量（FI，以饲喂为基础）、在饲料箱 (VF) 和水箱 (VW) 的访问次数、进食时间 (TE)、和花费的时间喝水 (TD)。评估了三种预测方法：广义线性模型 (GLM)、人工神经网络 (ANN) 和随机森林 (RF)。建立了十二个协变量集来研究：（ii.a）当使用长（-174 至 0 小时）或短（-24 至 0 小时）时间序列作为预测因子（6 小时的时间窗口，发情事件发生在 0 小时）；(ii.b) 机器学习算法提前预测 6 小时和 12 小时发情的能力；(ii.c) 当只包括喂食和饮水行为数据（没有摄入变量）作为预测因子时，发情检测的预测质量。预测方法通过留一法交叉验证进行评估。发情事件改变了进食和饮水行为模式以及饲料摄入量。人工神经网络，射频，和 GLM 在协变量集中表现出类似的准确性。使用更长的时间序列进行发情检测没有任何好处。与在 0 小时执行的预测相比，较早检测发情事件（提前 6 小时和 12 小时）降低了模型准确性。然而，ANN 和 RF 显示的准确度值介于 75.7% 和 96.5% 之间，这表明早期发情检测的潜力很大。排除协变量组的采食量数据不会降低发情检测模型的准确性、灵敏度和特异性。这些发现表明，行为数据可以早期预测发情事件，这些数据可以结合到能够生成行为信息的传感器技术中，例如电子垃圾箱、可穿戴传感器和计算机视觉系统。使用更长的时间序列进行发情检测没有任何好处。与在 0 小时执行的预测相比，较早检测发情事件（提前 6 小时和 12 小时）降低了模型准确性。然而，ANN 和 RF 显示的准确度值介于 75.7% 和 96.5% 之间，这表明早期发情检测的潜力很大。排除协变量组的采食量数据不会降低发情检测模型的准确性、灵敏度和特异性。这些发现表明，行为数据可以早期预测发情事件，这些数据可以结合到能够生成行为信息的传感器技术中，例如电子垃圾箱、可穿戴传感器和计算机视觉系统。使用更长的时间序列进行发情检测没有任何好处。与在 0 小时执行的预测相比，较早检测发情事件（提前 6 小时和 12 小时）降低了模型准确性。然而，ANN 和 RF 显示的准确度值介于 75.7% 和 96.5% 之间，这表明早期发情检测的潜力很大。排除协变量组的采食量数据不会降低发情检测模型的准确性、灵敏度和特异性。这些发现表明，行为数据可以早期预测发情事件，这可以结合到能够生成行为信息的传感器技术中，例如电子垃圾箱、可穿戴传感器和计算机视觉系统。与在 0 小时执行的预测相比，较早检测发情事件（提前 6 小时和 12 小时）降低了模型准确性。然而，ANN 和 RF 显示的准确度值介于 75.7% 和 96.5% 之间，这表明早期发情检测的潜力很大。排除协变量组的采食量数据不会降低发情检测模型的准确性、灵敏度和特异性。这些发现表明，行为数据可以早期预测发情事件，这些数据可以结合到能够生成行为信息的传感器技术中，例如电子垃圾箱、可穿戴传感器和计算机视觉系统。与在 0 小时执行的预测相比，较早检测发情事件（提前 6 小时和 12 小时）降低了模型准确性。然而，ANN 和 RF 显示的准确度值介于 75.7% 和 96.5% 之间，这表明早期发情检测的潜力很大。排除协变量组的采食量数据不会降低发情检测模型的准确性、灵敏度和特异性。这些发现表明，行为数据可以早期预测发情事件，这些数据可以结合到能够生成行为信息的传感器技术中，例如电子垃圾箱、可穿戴传感器和计算机视觉系统。排除协变量组的采食量数据不会降低发情检测模型的准确性、灵敏度和特异性。这些发现表明，行为数据可以早期预测发情事件，这些数据可以结合到能够生成行为信息的传感器技术中，例如电子垃圾箱、可穿戴传感器和计算机视觉系统。排除协变量组的采食量数据不会降低发情检测模型的准确性、灵敏度和特异性。这些发现表明，行为数据可以早期预测发情事件，这些数据可以结合到能够生成行为信息的传感器技术中，例如电子垃圾箱、可穿戴传感器和计算机视觉系统。