Lehmän poikimiskäyttäytymistä indikoivien piirteideneristys. Tiedonlouhinta 2013 Sari Kajava, Ville Kumpulainen, Nina Hänninen



Samankaltaiset tiedostot
Kuvaa Nautaa lämpökuvaus nautojen hoidon tukena. EIP-ryhmien tapaaminen Helsinki Salla Ruuska Kuvaa Nautaa -hankkeen projektipäällikkö

Muutokset lehmien käyttäytymisessä ja ruumiinlämmössä poikimisen lähestyessä. Tiedonlouhinnan harjoitustyö

NAUDAN ENSIAPU POIKIMINEN JA VASIKAN ELVYTYS. NAUDAN ENSIAPU: POIKIMINEN JA VASIKAN ELVYTYS, Ann-Janette Ukkonen

Lehmän käyttäytymiseen perustuvien kiimanseurantajärjestelmien

ABHELSINKI UNIVERSITY OF TECHNOLOGY

3. Tietokoneharjoitukset

Tiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan pituus. Intelin osakekurssi. (Pörssi-) päivä n = 20 Intel_Volume. Auringonpilkkujen määrä

Harjoitus 9: Excel - Tilastollinen analyysi

Uudet tutkimustulokset nautojen hyvinvoinnista

Projektisuunnitelma ja johdanto AS Automaatio- ja systeemitekniikan projektityöt Paula Sirén

Lineaarinen rakennearvostelu ja rakenneindeksit. Jukka Pösö Faba Jalostus

Sari Kajava, Annu Palmio

Aki Taanila YHDEN SELITTÄJÄN REGRESSIO

Villi vai kesy. Naudan ja vasikan luonnollinen käyttäytyminen

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Järvi 1 Valkjärvi. Järvi 2 Sysijärvi

Regressioanalyysi. Kuusinen/Heliövaara 1

Varmennettu poikiminen osa 3.

805306A Johdatus monimuuttujamenetelmiin, 5 op

1/6 TEKNIIKKA JA LIIKENNE FYSIIKAN LABORATORIO V

Tässä osassa ei käytetä laskinta. Selitä päätelmäsi lyhyesti tai perustele ratkaisusi laskulausekkeella, kuviolla tms.

Johdatus regressioanalyysiin. Heliövaara 1

Gammaspektrometristen mittausten yhdistäminen testbed-dataan inversiotutkimuksessa

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

Lehmän käyttäytymiseen perustuvien kiimanseurantajärjestelmien

HIEHON KASVATUS JUOTOLTAVIEROITUKSELTA POIKIMISEEN - ruokinta, hoito, kasvun seuranta ja valmentautuminen lehmäksi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Differentiaali- ja integraalilaskenta 1. Tietokoneharjoitus: ratkaisut

Kandidaatintutkielman aineistonhankinta ja analyysi

HARJOITUSO HJELMA KOKO KEHOLLE

Regressioanalyysi. Vilkkumaa / Kuusinen 1

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

Osa II. Hyvinvointi- ja hoitotilat. Kuinka suunnitella ja käyttää niitä? Mitä voi saavuttaa?

Millaiseen huipputeknologiaan navetassa on mahdollisuus vuonna 2030?

Datatähti 2019 loppu

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto

Jatkuvat satunnaismuuttujat

Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1

Geologian tutkimuskeskus Q 19/2041/2006/ Espoo JÄTEKASOJEN PAINUMAHAVAINTOJA ÄMMÄSSUON JÄTTEENKÄSITTELYKESKUKSESSA

BIOSÄHKÖISET MITTAUKSET

Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi,

Aineistoista. Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin

4 Yleinen potenssifunktio ja polynomifunktio

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4

Mat Tilastollisen analyysin perusteet, kevät 2007

1 Johdanto 2. 2 Työkansion asettaminen 3. 3 Aineistojen lukeminen DAT-tiedosto SPSS-tiedosto Excel... 3

Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot

Sovellettu todennäköisyyslaskenta B

Helsingin seitsemäsluokkalaisten matematiikkakilpailu Ratkaisuita

Dynaamiset regressiomallit

Harjoitus 7: NCSS - Tilastollinen analyysi

Terra Preta kasvatuskoe Pilkon pellolla

2. TILASTOLLINEN TESTAAMINEN...

Sovellettu todennäköisyyslaskenta B

origo III neljännes D

Tehtävät 1/11. TAMPEREEN YLIOPISTO Informaatiotieteiden tiedekunta Valintakoe Matematiikka ja tilastotiede. Sukunimi (painokirjaimin)

Identifiointiprosessi

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas

Karting tekniikkakoulutus KF 6

Matemaatikot ja tilastotieteilijät

Viherseinien efekti Tilastoanalyysi

SiMAP - lämmityksen ohjauskeskus. Contents

Tilastotieteen jatkokurssi syksy 2003 Välikoe

13/05/14. Emolehmien kestävyysominaisuudet. Tässä esityksessä. Mistä kestävyys? Emolehmäseminaari 2014 Ikaalinen

Rottien hyvinvointiin ja stressiin vaikuttavat tekijät

SEISAN 1(12) SEISAN. 1. Yoi

Havaitsevan tähtitieteen peruskurssi I

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1

1. Tilastollinen malli??

l (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on

naaraat < read.table(' head=t, sep=',')

MATEMATIIKKA 5 VIIKKOTUNTIA

Vastepintamenetelmä. Kuusinen/Heliövaara 1

Impedanssitomografia-peli

Avainsanojen poimiminen Eeva Ahonen

Teema 3: Tilastollisia kuvia ja tunnuslukuja

Lypsykarjan eläinten ryhmittely- Robotin takakierto

Poikiminen. Emolehmien kevät-seminaari Laukaa. Eläinlääkäri Teppo Heinola

FYSP101/K1 KINEMATIIKAN KUVAAJAT

MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

Mat Tilastollisen analyysin perusteet, kevät 2007

GeoGebra tutkivan oppimisen välineenä: havainto-hypoteesi-testaus

1. a) b) Nollakohdat: 20 = c) a b a b = + ( a b)( a + b) Derivaatan kuvaajan numero. 1 f x x x g x x x x. 3. a)

Lehmien hyvinvoinnin arvioinnit tilatasolla


Y ja

Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. eli matriisissa on 200 riviä (havainnot) ja 7 saraketta (mittaus-arvot)

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 9. luento. Pertti Palo

Maitovalmennus 2016 Onko lehmä tiine

b) Jos Ville kaataisikin karkit samaan pussiin ja valitsisi sieltä sattumanvaraisen karkin, niin millä todennäköisyydellä hän saisi merkkarin?

YLEISKUVA - Kysymykset

Kenguru Écolier (4. ja 5. luokka) sivu 1/5

Ruokinta-automaattidatan analyysi

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.

Viikko 1: Johdantoa Matti Kääriäinen

Transkriptio:

Lehmän poikimiskäyttäytymistä indikoivien piirteideneristys kiihtyvyysdatasta Tiedonlouhinta 2013 Sari Kajava, Ville Kumpulainen, Nina Hänninen

Sisältö Yleiskuva Alkuperäisen datan kuvaus Esiprosessointi Low-pass filter Uudet muuttujat Mallinnusmenetelmät & tulokset Keskihajonta, keskiarvo & neliösumma Fourier-muunnos Luokittelija Tulkinnat ja jatkotutkimukset

Lehmien poikimisen valvonta Karjakoot kasvavat automaattinen valvonta navetoissa lisääntyy Miksi poikimista halutaan valvoa? Lehmän ja vasikan hyvinvointi Taloudellisuus Milloin poikimisessa ongelmia? Ei tässä tänään teitä tarvita. Kuva www.ayearonthefarm.co.nz/tag/calving-cows/ Kuva http://farmlifeinwales.blogspot.fi/2010/08/calving-time-puppies-new-homes.html

Miten lehmän käyttäytyminen muuttuu ennen poikimista? Miedema et al. 2011 (Jaakko Monosen koulutusmateriaali Poikimisen automaattinen valvonta ja ennustaminen, 2012)

Alkuperäisen datan kuvaus (1) Remowel-hankkeen implanttidata 1. EKG-data 2. Lämpötila 3. Kiihtyvyysdata Koeasetelma 12 lehmää Kipulääkekoe ja poikimakoe Implantti leikattiin lehmän vasemman kyljen puolelle ihon alle Kuva Bjarnason et al. Kuva Lilli Frondelius

Alkuperäisen datan kuvaus (2) Kiihtyvyysmittaukset 16 Hz X, Y, Z Mihin suuntaan koordinaatit? JOS laitteet ns. pystyssä ja elektrodit lehmän pään puoleisessa reunassa pystysuorassa linjassa: X-akselin positiivinen suunta osoittaa kohti lehmän takapäätä (häntää) Y-akselin positiivinen suunta osoittaa navetassa kohti kattoa Z- akselin positiivinen suunta osoittaa lehmän kyljestä ulos Kuva Lilli Frondelius

Esiprosessointi: Low-pass Filter -

Aktiivisuus ennen poikimista 3415 Ensikko Supistukset alkavat klo 20.07? Häntä kokoajan koholla klo 20.58 Supistaa + liikehtii levottomasti + yrittää laskeutua makuulle klo 21.26 Käväisee makuulla klo 21.45, klo 21.47 uudelleen makuulle (vasta sitten ylös kun vasikka syntyy) Supistuksia klo 22 Poikiminen klo 22.17

Mallinnusmenetelmät: Keskihajonta Nousee seisomaan, kehonhoito, liikkuu Liikkuu Liikkuu, kehonhoito Liikkuu, kehonhoito Liikkuu Nousee seisomaan, kehonhoito, liikkuu Syö, liikkuu

Mallinnusmenetelmät: Keskiarvo Nousee seisomaan, kehonhoito, liikkuu Liikkuu Liikkuu, kehonhoito Liikkuu, kehonhoito Liikkuu Nousee seisomaan, kehonhoito, liikkuu Syö, liikkuu

Mallinnusmenetelmät: Neliösumma Nousee seisomaan, kehonhoito, liikkuu Liikkuu Liikkuu, kehonhoito Liikkuu, kehonhoito Liikkuu Nousee seisomaan, kehonhoito, liikkuu Syö, liikkuu

Mallinnusmenetelmät: Fourier

Uudet muuttujat Alun perin tarkoituksena oli laatia kasa uusia muuttujia, jotka kuvaavat kiihtyvyyskuvaajien piirteitä Kuvaajan rakenne Yksinkertaiset tilastolliset tunnusluvut tietyn aikalohkon sisällä Pitkäaikainen trendi (Low Pass filteröinti) Vrt. 3. harjoitusten 4. tehtävä: Muutamasta jalostetusta piirteestä sai 82%:n tarkkuudella lehmän liikkeet aavistelevan luokittelijan.

Toimintomuuttujat Varmistetut havainnot lehmän tekemisistä luokittelijaa varten (opettelu ja testaus) time x y z lpf_x lpf_y event 1 event 2 13373 123 0-11 333-200 1 0 84831 13373 84832 13373 84833 432-346 232 354-213 1 0 234-111 12 349-202 0 1 13373 85683 111-234 97 140-398 0 0

Uusien muuttujien karsiminen Kaikki muuttujat eivät ole lineaarisen mallin kannalta hyödyllisiä Vaihtoehtoja muuttujan karsinnalle PCA:n pohjalta tehdyn luokittelijan painoarvot Regressiomallissa tilastolliset merkittävyydet Ehkäisee myös ylisovittumista Mahdollisuus tarkastella visuaalisesti piileviä eilineaarisia riippuvuuksia ( => uusia muuttujia) Visuaalinen tarkastelu *

Oivallus

Oivallus

Oivallus

Havaintoja Tasoloikkapaikat seuraavatkin makuuasentojen muutosta Kyseessä on tietenkin anturin asennon vaihtuminen suhteessa painovoimaan Lineaarinen malli ei välttämättä toimi kovin hyvin ilman hieman eksoottisempaa muuttujamuunnosta, koska tietylle toiminnolle kuuluvia tasoja on monta ja eri toiminnoille ominaiset tasot limittyvät keskenään.

Vähän piirtelyä.. Makaa Ei makaa

Asentojen tarkastelu Kustakin koordinaatista i saadaan arvio Pi todennäköisyydelle, että lehmä makaa Päättelysääntö: Px + Py + Pz < 1.5 => lehmä ei makaa Esimerkkitulostus eilen kyhätystä ohjelmasta [x] false false 0.4781325970664539 3

Ensikokemukset menetelmästä 3415:n havainnot jaettiin kahdeksaan osaan, joista kolmea ensimmäistä käytettiin koulutukseen ja viimeistä viittä testaukseen: p_on p_off e_on 46929 1759 48688 e_off 2220 57482 59702 49149 59241 108390 Sum of correct answers: 104411 Percentage of correct answers: 96.33 Havaittu: Makaa Havaittu: Ei makaa Luokitus: Makaa Luokitus: Ei makaa 46929 1759 48688 2220 57482 59702 Correct runs had average length of 1684.0483870967741. Incorrect runs had average length of 65.22950819672131. Runs written to temp.yaml for further inspection. 49149 59241 108390

Ristiinvalidointi 3415:n kahdeksaan osaan jaetuista havainnoista poimittiin vuorollaan kunkin peräkkäisen kolmen osan havainnot opetukseen ja loput testaamiseen. Osa 1 Osa 2 Osa 3 Osa 4 Osa 5 Osa 6 Osa 7 Osa 8 % X X X 96.10 X X X 96.51 X X X 96.46 X X X 96.33 X X X 96.80 X X X 96.67

Tulevat kokeilut Miten pienellä koulutusdatalla ohjelma selviää? Koulutusdatan edustavuus LPF:n kiriminen

Menetelmän etuja Alustavat tulokset vaikuttavat melko hurjilta! Pienellä muutoksella ohjelma voisi vihjata, mistä päin aikajanaa koulutusdataa kannattaisi haalia mahdollisesti lisää kattavuuden parantamiseksi Ei vaadi pitkien makuujaksojen tuijottelua Muutama huolella valittu lyhyempi esimerkkipätkä eri toiminnoista riittänee Tarvittaessa rinnalle saa aina selkeän kuvaajan

Menetelmän haittoja Jos lehmän ruumiin asento on makuullaan ja seisaallaan tismalleen sama, ei menetelmä kykene erottamaan näitä toimintoja luotettavasti Vaatii yksilökohtaisen opetusdatan Anturin sijainti, suunta ja kalibrointi Lehmän asentomieltymykset ja ruumiinrakenne Vaatii huolellisuutta opetusdatan valinnassa Tunnistaa vain makaamisia / makaamattomuuksia

Tulkinnat ja jatkotutkimukset Dataa paljon, datan purkamisessa ja esiprosessoinnissa omat haasteensa Aktiivisuuden lisääntyminen Poikiminen? Jatkohaasteita Muiden toimintojen poimiminen datasta Miten hyvin poikimista edeltävä toimintojaksojen (makaamisen) keston muutos tulee ilmi luokitelluissa toiminnoissa?