规模化牧场自动监控设备下奶牛乳房炎影响因素与预警模型研究
——基于二元Logistics回归

陈梦醒，周晓晶,*，刘健伟

（1.黑龙江八一农垦大学动物科技学院，黑龙江 大庆 163319；黑龙江八一农垦大学理学院，黑龙江 大庆 163319）

奶牛乳房炎是指奶牛在各种外界的因素（化学、物理、环境、微生物等因素）[1-2]的刺激下奶牛乳腺发生炎性的症状[3]，是危害奶牛的常见群发性炎症类疾病之一，发病率高，是当今世界奶牛养殖所需要面对的重大难题。全世界约有2.2 亿头奶牛，其中约有1∕3 的奶牛患有各种类型的乳房炎。我国奶牛养殖业每年因乳房炎所造成的经济损失高达30 亿元[4]。乳房炎对奶牛的健康和生产性能有以下几点影响[5]：（1）患病牛的产奶量降低[6]；（2）产出的牛乳中炎性细胞的数量严重超标[7]，导致牛奶品质明显下降[8]；（3）对奶牛的繁殖性能产生不利的影响[9-10]。同时对牧场的管理成本主要有如下影响：（1）乳房炎治疗的成本增加[11]；（2）在治疗的过程中，抗生素的使用易产生耐药性，即使在停药后仍然存在一段时间的弃奶期[12-13]；（3）病情严重或者愈后不良的奶牛会增加奶牛的死亡和淘汰率[14]。奶牛乳房炎疾病的确诊主要是通过临床监测与实验室检验。从临床发现再到实验检测确诊的时间周期过长，易耽误病情。若能提早干预患病牛只或者对疑似患病的奶牛及时预警，不仅可减少疾病对奶牛的伤害，同时可降低牧场对疾病的投入。本研究旨在通过建立奶牛乳房炎早期预警模型来揭示患有乳房炎的病牛或无明显临床症状的隐性患病牛只并及时进行科学治疗，进而减少抗生素和抗菌药物的使用，对保证奶产品质量、提高动物福利、提高牧场经济效益具有重要生产意义及生态学意义[14]。

采用黑龙江省某两个规模化牧场奶牛的产奶量、活动量以及反刍时间等数据，对奶牛乳房炎与影响因素之间的关系进行调查研究，找出影响奶牛乳房炎发病的关键因素，建立奶牛乳房炎早期预警模型，进行模型检验，通过ROC曲线（用真阳性率和假阳性率作图所得的曲线，它可以表示灵敏度与特异度之间的相互关系）将模型可视化，从而为降低奶牛乳房炎发病率、减少牧场的经济损失和增加乳品的安全性提供依据。该预警模型的研究为牧场的管理者提供了更加简单有效的奶牛乳房炎疾病监测方法。

1 材料与方法

1.1 监测设备、管理方式及饲喂方式

数据来自于黑龙江省两个牧场，牧场1 共有751 头泌乳牛，分布在2 个畜舍，按照泌乳天数划分的6 个区，采用奶牛电子身份证（电子耳标）、TMR 精准饲喂等管理手段进行管理；采用SCR 智能挤奶系统实时记录产奶量；采用丰顿牛群管理系统对奶牛体征进行监控，对奶牛状况适时查询和追溯。牧场2 共有169 头牛，其中健康牛145 头，病牛24头，采用的饲养方式与牧场1相同，用于检验模型的稳定性。

采用SCR 智能管理系统实现对奶牛的产奶量、活动量及反刍时间的数据收集。该系统包括数据采集器、数据收集器、SCR 数据处理软件等设备。SCR智能系统通过项圈（颈部计步器）感应奶牛运动时颈部的变化测定奶牛的活动量；通过声波感应判断奶牛的反刍时间，每间隔2 h实时记录奶牛的相关数据；通过64 位的转盘式挤奶系统进行挤奶，实时采集产奶量。疾病数据由奶牛场兽医在确诊当天录入牧场安装的管理系统。对于本研究的牛群，泌乳奶牛采用全混合日粮，满足其全面营养需求。每天在06:30和15:00提供饲料2次。牛舍中配有风扇，每间隔7～8 m 有1 个饮水槽，保证自由采水，饮用水充足。泌乳牛每天在05:00、14:00、21:30 挤奶3 次，每次挤奶时系统自动记录单个产奶量。

1.2 数据来源

数据来自于牧场2020 年10 月—2021 年3 月患有乳房炎疾病奶牛和健康奶牛的产奶量、活动量及反刍时间，其中健康的牛只共计680头，患有乳房炎的牛只共计71 头。在自动化监控系统收集到的数据中，选取患有乳房炎的奶牛确诊前1～20 d 的产奶量、活动量以及反刍时间共60 个变量作为预测因子，对于未患有乳房炎的奶牛，取相应的60个指标为对应数据。其中与产奶量有关的数据用m-1～m-20来表示；活动量用r-1～r-20来表示；反刍时间用a-1～a-20来表示，统计数据（平均值和标准差）见表1。

表1 产奶量、活动量、反刍时间相关信息

2 预警模型原理及统计方法

2.1 二元Logistic回归分析原理

Logistic 回归分析是一种广义的线性回归分析模型，可应用于数据挖掘、疾病预警、经济预测等。根据其因变量的不同有多种回归方式，本研究的因变量是二分变量，即采用二元Logistic 回归模型。

令：y=1 表示患有乳房炎疾病的奶牛，y=0 表示健康的奶牛。将发病率记为Pdis，则其与自变量X1,X2,…,Xn之间的Logistic回归模型为：

则不发病的概率为：

定义：

2.2 统计分析方法及软件

本研究利用R 软件4.0.5 实现二元Logistic 分析模型的建立与检测。首先对60 个变量进行筛选，剔除错误或者缺失项过多数据，对于只缺少部分数据的指标，本研究采取补0的方法；然后对处理好的数据进行显著性检验，筛选出P<0.1的相关变量，通过R4.0.5 编程分别进行二元Logistic 分析，建立乳房炎疾病预警模型。

3 乳房炎二元Logistic回归模型建立及求解

3.1 显著性检验

通过R 4.0.5 对60 个处理好的指标进行显著性检验，因变量为Y（是否患病），为二分变量，自变量为上文所选定的60 个指标，剔除P>0.1 的指标，即用P≤0.1的指标进行模型建立，使模型稳定性更高。结果见表2～表4。

表2 产奶量显著性检验

表3 活动量显著性检验

表4 反刍时间显著性检验

3.2 模型建立

通过显著性检验所得的指标，运用R4.0.5进行编程，使用牧场2021 年2 月前的数据进行二元Logistic 分析，通过ROC 曲线（见图1）进行敏感度和特异性分析，其中敏感性（Sensitivity）又叫做真阳性率（TPR），是指真实正样本判断准确率；特异性（Specificity）又叫做假阳性率（FPR），是指真实负样本判断准确率。ROC曲线越靠近左上角试验的准确性就越高。通过混淆矩阵对模型的正确率进行检验，共选393头牛，其中健康牛只347头，病牛46头，预测健康牛只288头、患病牛只41头，得到模型的正确率为84%。建立奶牛乳房炎二元Logistics回归预警如下：Z=-18.590 0-0.102 5m-11+0.003 4m-12+0.049 4m-13+0.025 1m-14-0.052 0m-18-0.031 0m-19+0.172 8m-20-0.008 3r-1-0.002 1r-2+0.000 0r-3+0.009 7r-4+0.000 6r-5-0.006 0r-6+0.005 9r-7+0.013 3r-8-0.004 6r-9-0.001 3r-10+0.001 3r-11+0.005 3r-12-0.004 5r-13+0.002 3r-15-0.101 5r-16+0.186 6r-17-0.006 4r-18+0.008 4r-19-0.002 7r-20+0.010 0a-1+0.006 0a-11-0.013 3a-14-0.020 9a-18+0.005 7a-19+0.009 5a-20

图1 ROC曲线

则预测奶牛是否患病的概率模型如公式6：

3.3 模型检测

通过该牧场2021 年2 月后的数据对模型进行精确性检验，共选340头牛，其中健康牛只325头，病牛15头，预测健康牛只308头、患病牛只12头，ROC曲线如图2，得到模型的整体精确性为94%。

图2 ROC曲线

通过牧场2 的奶牛数据对模型进行稳定性检验，本次验证采取的数据为牧场2的相关数据，共选169 头牛，其中健康牛只145 头，病牛24 头，预测健康牛只127 头、患病牛只20 头，ROC 曲线如图3，得到模型的整体稳定性为87%，

图3 ROC曲线

4 结论

通过研究患病奶牛的产奶量、活动量和反刍时间，与健康奶牛这三项数据进行对比，建立了预警模型。二元Logistics回归模型中主要的指标集中在活动量，说明活动量在二元logistics 回归模型中拟合效果较好，其模型的精确率为94%，稳定性为87%。本研究能够通过对产奶量、活动量及反刍时间这三项数据进行监测确定奶牛是否患有乳房炎。模型的计算可以为牧场的管理提供了一定的支持，减少牧场的经济损失。通过奶牛乳房炎预警模型，首先，可以发现产奶量、活动量相对于反刍时间对诊断奶牛是否患病的效果更好；其次，测试二元Logistics回归模型的精确性高，为接下来开发应用于牧场生产管理实践的软件提供了算法与依据。通过国内外文献对于奶牛乳房炎与影响因素的研究表明，比较患病和健康的牛群，对每头牛不同时间段的行为变化的观察，其活动量、产奶量、采食量、反刍时间的总体趋势在各个研究之间是一致的。但关于乳房炎影响因素不仅仅是产奶量、活动量和反刍时间这三种，还应考虑奶牛疾病确诊当天及关键时间节点的血液指标、躺卧行为、胎次、泌乳期、泌乳阶段、乳汁温度、体重、体况评分等影响因素，同样对奶牛乳房炎的研究有着重要的意义[15]。未来研究将会考虑更多影响因素用于对奶牛乳房炎疾病的预警及诊断研究。