Detección de anomalías en la salud bovina mediante simulación, utilizando aprendizaje automático y datos sintéticos de sensores IoT
Resumen
El objetivo de esta investigación fue evaluar una metodología basada en aprendizaje automático para la detección temprana de anomalías en el estado de salud del ganado vacuno mediante el análisis de variables fisiológicas y de comportamiento alimentario que se obtienen de sensores IoT en la práctica real. Para esta investigación se generó un conjunto de datos sintético de registros de temperatura corporal, frecuencia cardíaca y actividad alimentaria de cuarenta bovinos, incorporando variaciones fisiológicas normales y anomalías controladas. El preprocesamiento incluyó la eliminación de registros que contienen valores perdidos y la normalización de variables para garantizar la comparabilidad. Se implementaron tres modelos de aprendizaje automático, el Random Forest como clasificador supervisado para diferenciar entre estados fisiológicos normales y anormales, el K– Means como algoritmo no supervisado para identificar patrones de conducta alimentaria, y el algoritmo Isolation Forest para la detección individual de anomalías sin requerir umbrales clínicos predefinidos. El resultado del modelo Random Forest demostró un rendimiento adecuado en la clasificación de estados fisiológicos. El resultado en el algoritmo K–Means permitió agrupar al ganado en dos conglomerados distintos según la tasa de alimentación promedio, mostrando patrones de actividad alimentaria baja y alta. Por su parte, Isolation Forest identificó individuos con valores atípicas de variables fisiológicas y de conducta, aislando perfiles inusuales. Se concluye que este enfoque proporciona una base metodológica para el desarrollo de sistemas de monitorización inteligentes en la ganadería de precisión, con potencial aplicación en escenarios reales mediante la incorporación de datos de sensores IoT, lo que contribuye a mejorar el bienestar animal y optimizar la productividad de los bovinos.
Descargas
Citas
Morrone S, Dimauro C, Gambella F, Cappai MG. Industry 4.0 and precision livestock farming (PLF): an up-to-date overview across animal productions. Sensors [Internet]. 2022; 22(12):4319. doi: https://doi.org/rf74 DOI: https://doi.org/10.3390/s22124319
Grzesiak W, Zaborski D, Pluciński M, Jędrzejczak-Silicka M, Pilarczyk R, Sablik P. The use of selected machine learning methods in dairy cattle farming: a review. Animals [Internet]. 2025; 15(14):2033. doi: https://doi.org/rf8d DOI: https://doi.org/10.3390/ani15142033
Prieto-Luna JC, Alarcón-Sucasaca A, Fernández-Romero V, Turpo-Galeano YH, Delgado-Berrocal YR, Holgado-Apaza LA. Automated monitoring system for estrus signs in cattle using precision livestock farming with IoT technology in the Peruvian Amazon. Rev. Cient. Sist. Inform. [Internet]. 2025; 5(1):e837. doi: https://doi.org/rf8m DOI: https://doi.org/10.51252/rcsi.v5i1.837
Kraft M, Bernhardt H, Brunsch R, Büscher W, Colangelo E, Graf H, Marquering J, Tapken H, Toppel K, Westerkamp C, Ziron M. Can livestock farming benefit from Industry 4.0 technology? Evidence from recent study. Appl. Sci. [Internet]. 2022; 12(24):12844. doi: https://doi.org/g9qdfp DOI: https://doi.org/10.3390/app122412844
Higaki S, Noronha de Andrade-Freitas E, Negreiro A, Dórea JRR, Cabrera VE. Leveraging unsupervised machine learning techniques for detecting outliers in the daily milk yield data of dairy cows. J. Dairy Sci. [Internet]. 2025; 108(9):9696-9711. doi: https://doi.org/rf8r DOI: https://doi.org/10.3168/jds.2024-25889
Hossain ME, Kabir MA, Zheng L, Swain DL, McGrath S, Medway J. A systematic review of machine learning techniques for cattle identification: datasets, methods and future directions. Artif. Intell. Agric. [Internet]. 2022; 6:138-155. doi: https://doi.org/grg35z DOI: https://doi.org/10.1016/j.aiia.2022.09.002
Chelotti JO, Martinez-Rau L, Ferrero M, Vignolo L, Galli J, Planisich A, Rufiner HL, Giovanini L. Livestock feeding behaviour: A review on automated systems for ruminant monitoring. Biosystems Eng. [Internet]. 2024; 246:150-177. doi: https://doi.org/gt6x7v DOI: https://doi.org/10.1016/j.biosystemseng.2024.08.003
Michelena Á, Díaz-Longueira A, Novais P, Simić D, Fontenla-Romero Ó, Calvo-Rolle J. Comparative analysis of unsupervised anomaly detection techniques for heat detection in dairy cattle. Neurocomputing [Internet]. 2024; 618:129088. doi: https://doi.org/rf8w DOI: https://doi.org/10.1016/j.neucom.2024.129088
Idris M, Uddin J, Sullivan M, McNeill DM, Phillips CJC. Non-invasive physiological indicators of heat stress in cattle. Animals [Internet]. 2021; 11(1):71. doi: https://doi.org/g95qcd DOI: https://doi.org/10.3390/ani11010071
Indarjulianto S, Nururrozi A, Datrianto DS, Fen TY, Priyo Jr TW, Setyawan EMN. Physiology value of breath, pulse and body temperature of cattle. BIO Web Conf. [Internet]. 2022; 49(2):01007. doi: https://doi.org/rf8x DOI: https://doi.org/10.1051/bioconf/20224901007
King MTM, Dancy KM, LeBlanc SJ, Pajor EA, DeVries TJ. Deviations in behavior and productivity data before diagnosis of health disorders in cows milked with an automated system. J. Dairy Sci. [Internet]. 2017; 100(10):8358-8371. doi: https://doi.org/gbz7t9 DOI: https://doi.org/10.3168/jds.2017-12723
Beauchemin KA. Invited review: current perspectives on eating and rumination activity in dairy cows. J. Dairy Sci. [Internet]. 2018; 101(6):4762-4784. doi: https://doi.org/gdmrbs DOI: https://doi.org/10.3168/jds.2017-13706
Codl R, Ducháček J, Stádník L, Gašparík M. Behavioral indicators of mastitis: feeding-to-rumination ratio as a predictive tool in Holstein-Czech Fleckvieh crossbreeds. Cogent Food Agric. [Internet]. 2026; 12(1):2629620. doi: https://doi.org/rgc5 DOI: https://doi.org/10.1080/23311932.2026.2629620
Jiang T, Gradus JL, Rosellini AJ. Supervised machine learning: a brief primer. Behav. Ther. [Internet]. 2020; 51(5):675-687. doi: https://doi.org/gm2xrd DOI: https://doi.org/10.1016/j.beth.2020.05.002
Kuo CT, Xu D, Friesen R. A brief review of unsupervised machine learning algorithms in astronomy: dimensionality reduction and clustering. Universe [Internet]. 2025; 11(12):412. doi: https://doi.org/rgc6 DOI: https://doi.org/10.3390/universe11120412
Breiman L. Random forests. Mach. Learn. [Internet]. 2001; 45(1):5-32. doi: https://doi.org/d8zjwq DOI: https://doi.org/10.1023/A:1010933404324
Viteri-Guzmán G, Molineros-Meza R, Oyarzún-Soares E. Impact on cattle welfare with IoT technology and statistical data analytics. E3S Web of Conferences [Internet]. 2025; 658:03005. doi: https://doi.org/rgc7 DOI: https://doi.org/10.1051/e3sconf/202565803005
Sun D, Webb L, van der Tol PPJ, van Reenen K. A systematic review of automatic health monitoring in calves: glimpsing the future from current practice. Front. Vet. Sci. [Internet]. 2021; 8:761468. doi https://doi.org/rgc8 DOI: https://doi.org/10.3389/fvets.2021.761468
Girdauskaitė A, Grigė S, Džermeikaitė K, Krištolaitytė J, Malašauskienė D, Televičius M, Šertvytytė G, Lembovičiūtė G, Antanaitis R. Supervised machine learning approaches for early detection of metabolic and udder health disorders in dairy cows using sensor-derived data. Front. Vet. Sci. [Internet]. 2025; 12:1726719. doi: https://doi.org/rgc9 DOI: https://doi.org/10.3389/fvets.2025.1726719
Brown W, Cavani L, Peñagaricano F, Weigel K, White HM. Feeding behavior parameters and temporal patterns in mid-lactation Holstein cows across a range of residual feed intake values. J. Dairy Sci. [Internet]. 2022; 105(10):8130-8142. doi: https://doi.org/rgdb DOI: https://doi.org/10.3168/jds.2022-22093
