La rilevazione precoce dei problemi sanitari nei suini è fondamentale per un allevamento efficiente e per il benessere degli animali. Questo studio impiega analisi statistiche e apprendimento automatico per analizzare e classificare lo stato di salute dei suini utilizzando dati degli orari di attività.
Materiali e Metodi: Abbiamo raccolto dati da 176 suini per 145 giorni utilizzando marche auricolari con microchip per suini e applicato metodi di analisi statistica e visualizzazione per identificare modelli di attività associati a stati di salute normali e anormali. Le caratteristiche principali, che comprendono caratteristiche statistiche, di picco e di tendenze, sono state estratte per addestrare diversi modelli di apprendimento automatico, tra cui Random Forest, CatBoost e il modello CNN_LSTM_Attention (CLA), tra gli altri.

Risultati: I risultati hanno indicato che i suini erano più attivi dalle 05:00 alle 10:00 e dalle 12:00 alle 18:00. Rispetto ai suini normali, i suini anormali presentavano livelli di attività notevolmente ridotti, in particolare durante le ore di punta. I suini con diversi tipi di anomalie hanno dimostrato livelli di attività distinti rispetto ai suini normali. Quelli con anomalie di tipo cardiorespiratorie hanno mostrato tendenze di attività in calo simili a quelli con anomalie della milza e dell'apparato digerente, mentre i suini con anomalie di crescita e sviluppo hanno presentato le differenze tra i gruppi più significative rispetto ai suini controllo. Il modello CLA ha raggiunto le prestazioni più elevate nella classificazione dello stato di salute dei suini, con un'accuratezza dell'89,3%.
Conclusioni: Questa ricerca presenta un approccio innovativo al monitoraggio e alla gestione della salute dei suini utilizzando i dati di attività, che ha implicazioni pratiche significative.
Jianjun Yin, Yifei Chen, Yigui Huang, Deqin Xiao, Analysis and classification of pig health status using hourly activity data: Combining statistical analysis and machine learning, Applied Animal Behaviour Science, Volume 282, 2025, 106488, ISSN 0168-1591, https://doi.org/10.1016/j.applanim.2024.106488.