Automatic lameness detection in dairy cows through analysis of performance and activity data

In einem Offenlaufstall mit ca. 65 melkenden Fleckviehkühen wurden während der Zeit von März 2014 bis Mai 2015 neben den gängigen Tierdaten aus dem Herdenmanagementsystem verschiedene Aktivitäts- und Leistungsparameter tierindividuell erfasst. Ein automatisches Melksystem mit integrierter Waage lieferte bei jedem Durchgang Daten über Milchleistung und Körpergewicht jedes einzelnen Tieres. Mithilfe von Wiegetrögen wurden Menge, Dauer und Frequenz der Futteraufnahme jedes Tieres ermittelt. Aktivitätsdaten wie Allgemeine Ak-tivität, die Liegedauer und die Dauer der Liegeereignisse sowie deren Häufigkeit wurden durch Pedometer registriert. Parallel zur automatischen Datenerfassung wurde zunächst alle zwei Wochen, dann wöchentlich ein Locomotionscore (LMS) der ganzen Herde erhoben und alle auftretenden Klauenerkrankungen behandelt und genau dokumentiert. In den erfassten Daten wurde der Zusammenhang zwischen Lahmheitsstatus und Aktivitäts- und Leistungspa-rametern untersucht. Gefundene Assoziationen sollten in einen Algorithmus integriert werden, der anhand der Parameter, berechnet als Tageswerte, den Lahmheitsstatus einer Kuh bestim-men kann. Keiner der untersuchten Parameter erzielte in alleiniger Verwendung eine ausreichend große Genauigkeit bei der Aussage über „lahm“ oder „nicht lahm“. Leistungsparameter wie Milchleistung, Tiergewicht oder Futteraufnahmemenge zeigten nur sehr geringen oder gar keinen Zusammenhang mit dem Lahmheitsgrad. Die besten Ergebnisse erzielten die Dauer der Futteraufnahme, die Futteraufnahmeintensität, die durchschnittliche Futter-aufnahmemenge pro Besuch am Wiegetrog, die Anzahl der Besuche am Wiegetrog, die Liegedauer und die durchschnittliche Dauer eines Liegeereignisses. Die besten und praxisrelevanten Parameter Liegedauer, durchschnittliche Dauer eines Liegeereignisses, Anzahl der Besuche am Trog und die Dauer der Futteraufnahme wurden zusammen mit den Einflussfaktoren Laktationszahl und Laktationsstatus in zwei verschiedene Modelle integriert. Das erste Modell bestand aus einer binärlogistischen Regression im zweiten Modell wurden Grenzwerte mit unterschiedlicher Sensitivität bei allen vier der verwendeten Parameter mittels ROC-Kurven-Analyse festgelegt und die Werte danach eingeordnet. Es erfolgte eine Wichtung der Parameterwerte nach Stärke der Ausprägung, um zwischen eindeutig und nur bedingt auf eine vorliegende Lahmheit hinweisenden Parameterwerten zu differenzieren. Die binärlogistische Regression erzielte eine Sensitivität von 94 % und eine Spezifität 62 %. Das Modell der Parameterwichtung erreichte eine Sensitivität von 70 % bei einer Spezifität von 92 %. Die Ergebnisse ordnen sich zwischen denen ähnlicher Versuche ein, sind jedoch aufgrund der Anwendung unterschiedlicher Referenzsysteme und Bewertungsmethoden für die Lahmheit schwer direkt zu vergleichen. Im Versuch konnten mithilfe der Verhaltensparameter Liegedauer, durchschnittliche Dauer eines Liegeereignisses, Anzahl der Besuche am Trog und Dauer der Futteraufnahme Lahm-heiten detektiert werden. Die mit der Futteraufnahme assoziierten Parameter wurden im Ver-suchsbetrieb mit kostenintensiven und daher nicht praxisrelevanten Wiegetrögen erfasst. Mo-derne Pedometer können diese Parameter jedoch durch Tiererkennung über eine am Futter-tisch installierte Induktionsschleife ebenfalls erfassen. Die Analyse automatisch erfasster Fut-teraufnahme- und Liegeverhaltensdaten stellt demnach eine praktikable und relativ einfach und kostengünstig in einen bestehenden Betrieb zu integrierende Möglichkeit zur Lahmheits-detektion dar. Das hier entwickelte Modell ist jedoch an einer größeren Zahl von Tieren und in unterschiedlichen Haltungssystemen zu validieren.In a herd of 65 lactating Simmental cattle housed in a free stall barn several activity and per-formance parameters, as well as herd management data, were recorded from March 2014 to May 2015. Milk yield and life weight of every individual were measured by an automated milking system with integrated scales. Electronic feeding bins automatically recorded feed intake, feeding duration and number of every feeding event of every cow. Activity data like lying duration, overall activity, duration and number of lying bouts were measured with pe-dometers. Concurrently, a Locomotionscoring was made of the whole herd, first fortnightly then every week. All occurring hoof diseases were treated and accurately documented. The collected data were analyzed in order to find a link between lameness status and activity and performance parameters. These associations were to be integrated in an algorithm that can calculate the lameness status of a cow using those parameters’ daily values. None of the analyzed parameters could predict the status of “lame” or “not lame” sufficiently accurately. Performance parameters like milk yield, life weight or feed intake only presented with a very low or completely missing connection to the degree of lameness. Best results were achieved by feeding duration, feeding rate, feed intake per visit to the feeding bin, number of visits to the feeding bin, lying time and duration of lying bout. The best and more application-oriented parameters were lying time, average duration of lying bout, number of visits to the feeding bins and feeding duration. These apart from number of lactation and stage of lactation were fitted into two different models. The first model consisted of a logistic regression. In the second model thresholds for every of the four applied parameters at different sensitivities were determined with an ROC-Analysis to classify the parameter values. After the classifica-tion according to the thresholds the parameter values were weighted for degree of distinctness to differentiate between distinct and conditional indication of lameness through the parameter values. The binary logistic regression model achieved a sensitivity of 94 % and a specificity of 62 %. The model using weighting of the parameter values reached a sensitivity of 70 % with a speci-ficity of 92 %. The results fall between the results of those of similar experiments although they are difficult to compare with each other because of the different approaches in used ref-erence methods and assessment of lameness. In the trial lameness could be detected using the parameters lying time, average duration of lying bout, number of visits to the feeding bins and feeding duration. The feeding behavior associated parameters used in the final model were recorded by cost-intensive thus not appli-cation-oriented electronic feeding bins. Modern pedometers can record these parameters through animal identification at the feeding alley by using an inductive loop. Hence, analysis of automatically detected feeding and lying behavior data is practical and relatively easy and economical to install in an already existing farm to detect lameness. The developed model should be validated in a more significant number of animals and different types of housing