鄭國(guó)生，施正香,3※，滕光輝,3

（1.中國(guó)農(nóng)業(yè)大學(xué)農(nóng)業(yè)農(nóng)村部設(shè)施農(nóng)業(yè)工程重點(diǎn)實(shí)驗(yàn)室，北京100083；2. 中國(guó)農(nóng)業(yè)大學(xué)水利與土木工程學(xué)院，北京100083；3.北京市畜禽健康養(yǎng)殖環(huán)境工程技術(shù)研究中心，北京100083）

0 引 言

隨著奶牛場(chǎng)電子信息技術(shù)的廣泛應(yīng)用，奶牛場(chǎng)對(duì)牛群的健康管理逐漸走向信息化、精準(zhǔn)化和智能化。由于奶牛的活動(dòng)行為是其健康與否的直接評(píng)價(jià)指標(biāo)，因此，及時(shí)準(zhǔn)確地了解奶牛行為狀況對(duì)牛群健康管理具有重要意義。

當(dāng)前國(guó)內(nèi)外關(guān)于奶牛行為的研究主要集中在健康和發(fā)情繁育2 方面，而國(guó)內(nèi)關(guān)于奶牛行為活動(dòng)的研究相對(duì)較少。尹令等[1]用三軸加速度傳感器構(gòu)建奶牛行為分類(lèi)模型，利用結(jié)構(gòu)相似子序列快速聚類(lèi)算法提高奶牛發(fā)情檢測(cè)的準(zhǔn)確率。宋懷波等[2]提出一種基于Horn-Schunck光流法的多目標(biāo)奶牛嘴部區(qū)域自動(dòng)檢測(cè)方法，為奶牛反芻行為的智能監(jiān)測(cè)提供參考。顧靜秋等[3]利用圖像熵對(duì)象識(shí)別方法，實(shí)時(shí)捕獲奶牛爬跨行為與蹄部、背部特征，結(jié)合被識(shí)別奶牛的連續(xù)運(yùn)動(dòng)量，判斷奶牛發(fā)情行為。鄢新義等[4]通過(guò)監(jiān)測(cè)泌乳奶牛的反芻時(shí)間和活動(dòng)量，研究其變化規(guī)律和影響因素。在夏季，奶牛受熱應(yīng)激影響，活動(dòng)量增加，反芻時(shí)間縮短；在冬季，奶?；顒?dòng)量減少，反芻時(shí)間延長(zhǎng)。國(guó)外對(duì)奶牛行為活動(dòng)的研究相對(duì)較多。Mcgowan 等[5]對(duì)奶牛的研究結(jié)果表明，計(jì)步器綁定在身體的不同位置會(huì)造成數(shù)據(jù)結(jié)果的差別。Allen等[6]通過(guò)裝有三軸加速度傳感器的腿部數(shù)據(jù)記錄裝置測(cè)量了奶牛站立、躺臥的時(shí)間，研究了奶牛體溫和行為的關(guān)系。Reith等[7-9]利用奶牛反芻與活動(dòng)量及其變化規(guī)律的監(jiān)測(cè)，結(jié)合信息技術(shù)，可以很好地進(jìn)行早期疾病發(fā)現(xiàn)，如肢蹄病、乳房炎、消化系統(tǒng)疾病、應(yīng)激等。Jónsson 等[10]研究提出采用廣義似然比值檢驗(yàn)結(jié)合最佳時(shí)間窗口選擇的方法按奶牛躺、站立和走動(dòng)的比例來(lái)分類(lèi)，以此判斷奶牛是否發(fā)情。Handcock 等[11]應(yīng)用傳感器網(wǎng)絡(luò)建立智能農(nóng)場(chǎng)，通過(guò)在牛脖子上佩戴全球定位系統(tǒng)GPS（global position system）和無(wú)線傳感器節(jié)點(diǎn)的項(xiàng)圈來(lái)記錄相關(guān)環(huán)境和牛的行為特征,實(shí)現(xiàn)奶牛個(gè)體到全群管理的應(yīng)用。Nadimi等[12]提出采用無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)測(cè)量牛頸部的旋轉(zhuǎn)角度和運(yùn)動(dòng)速度，運(yùn)用分類(lèi)樹(shù)來(lái)分類(lèi)牛的行為。

綜上可知，國(guó)內(nèi)外研究學(xué)者對(duì)奶牛行為的研究，主要集中在奶牛不同行為的監(jiān)測(cè)和識(shí)別領(lǐng)域，如發(fā)情監(jiān)測(cè)、反芻識(shí)別、運(yùn)動(dòng)時(shí)間測(cè)量等，缺乏對(duì)奶牛健康狀況綜合評(píng)價(jià)的研究。本文通過(guò)對(duì)奶牛行為時(shí)間進(jìn)行監(jiān)測(cè)和分析，構(gòu)建奶牛健康狀況評(píng)價(jià)模型，以期快速識(shí)別出規(guī)模牛群中異常牛只，及時(shí)對(duì)其進(jìn)行觀察、確認(rèn)和治療，有效解決規(guī)模奶牛場(chǎng)牛群管理工作中勞動(dòng)量大、生產(chǎn)損失高、工作效率低等問(wèn)題。

1 材料與方法

本文試驗(yàn)所監(jiān)測(cè)行為時(shí)間是指一天24 h內(nèi)奶牛的休息時(shí)間、反芻時(shí)間和采食時(shí)間，根據(jù)監(jiān)測(cè)設(shè)備識(shí)別不同行為時(shí)間的特征，定義不同行為時(shí)間如表1。通過(guò)對(duì)奶牛不同行為進(jìn)行連續(xù)監(jiān)測(cè)和數(shù)據(jù)采集，研究其變化與奶牛健康狀況的關(guān)系。

表1 奶牛不同行為時(shí)間定義Table 1 Definitions of different behavioral time

1.1 試驗(yàn)樣本選擇

參考國(guó)內(nèi)外學(xué)者有關(guān)奶牛采食行為、反芻行為、躺臥休息行為和發(fā)情行為等研究的樣本選擇數(shù)量[13-22]，2018年春季，在黑龍江省虎林市安興奶牛場(chǎng)，1 棟牛舍相同群組中選擇17 頭高產(chǎn)荷斯坦泌乳奶牛進(jìn)行試驗(yàn)研究。樣本奶牛體重（500±50）kg，奶牛泌乳日齡（203±83）d，采用散欄舍飼飼喂方式，全混合日糧機(jī)械飼喂，每天飼喂3次（06:00,13:00,20:00），機(jī)器擠奶3次（05:00,12:00,19:00），每頭奶牛日均產(chǎn)奶（30±2）kg。

1.2 試驗(yàn)材料與方法

試驗(yàn)材料包括泌乳奶牛，電腦，奶牛頸圈（MooMonitor+，Dairymaster，愛(ài)爾蘭），數(shù)據(jù)基站，亞馬遜云存儲(chǔ)端。奶牛和配套電腦由安興奶牛場(chǎng)合作提供；奶牛頸圈和數(shù)據(jù)基站硬件設(shè)備由愛(ài)爾蘭Dairy Master 擠奶設(shè)備公司提供，該頸圈配套MEMS（micro electro-mechanical system）加速度計(jì)，根據(jù)加速計(jì)傳感器技術(shù)原理對(duì)不同方向加速度變化時(shí)間進(jìn)行大數(shù)據(jù)聚類(lèi)分析，透過(guò)RFID卷標(biāo)追蹤牛的位置，監(jiān)測(cè)奶?；顒?dòng)行為[23]。該系統(tǒng)具有大數(shù)據(jù)多級(jí)分類(lèi)機(jī)器學(xué)習(xí)功能，即通過(guò)前期模擬訓(xùn)練，后期可以根據(jù)新搜集的數(shù)據(jù)特征自動(dòng)對(duì)已建模型進(jìn)行修正，更加科學(xué)準(zhǔn)確地對(duì)奶牛不同行為進(jìn)行分類(lèi)識(shí)別。該系統(tǒng)采用無(wú)線數(shù)據(jù)傳輸方式進(jìn)行數(shù)據(jù)采集和存儲(chǔ)，具體流程見(jiàn)圖1。頸圈每秒鐘可測(cè)數(shù)據(jù)24 項(xiàng)，存儲(chǔ)數(shù)據(jù)容量為5萬(wàn)條，每天可采集數(shù)據(jù)210萬(wàn)條。數(shù)據(jù)信息采集以基站為中心，有效覆蓋范圍半徑為1 km，數(shù)據(jù)每15 min上傳1次；數(shù)據(jù)存儲(chǔ)云端由亞馬遜云公司提供，具有足夠容量空間，可以存儲(chǔ)采集奶牛的終生信息。

圖1 奶牛行為時(shí)間采集流程Fig.1 Collecting flow chart of cows'behavior time

關(guān)于設(shè)備采集數(shù)據(jù)可靠性的驗(yàn)證，Lori 等[24]的試驗(yàn)報(bào)告，在P=0.001 置信水平下，該頸圈對(duì)奶牛每天休息時(shí)間、反芻時(shí)間、采食時(shí)間的監(jiān)測(cè)結(jié)果與目視觀察記錄法統(tǒng)計(jì)結(jié)果高度一致，分別達(dá)到97%，99%和99%，確認(rèn)設(shè)備監(jiān)測(cè)數(shù)據(jù)可靠。

1.2.1 試驗(yàn)設(shè)備安裝

在試驗(yàn)牛場(chǎng)泌乳牛舍選擇17 頭高產(chǎn)荷斯坦泌乳奶牛，對(duì)奶牛進(jìn)行標(biāo)號(hào)和安裝頸圈。根據(jù)數(shù)據(jù)基站1 km 有效工作半徑，把數(shù)據(jù)采集基站安裝在奶牛場(chǎng)的中心位置，保證最大范圍覆蓋和采集奶牛行為數(shù)據(jù)信息。

1.2.2 試驗(yàn)數(shù)據(jù)采集

2018 年4 月1 日-2018 年5 月31 日，通過(guò)Dairymaster Moonmonitor+信息采集系統(tǒng)，對(duì)17 頭樣本奶牛每天24 h連續(xù)監(jiān)測(cè)并進(jìn)行試驗(yàn)數(shù)據(jù)采集，試驗(yàn)期間每天早上。8:00 通過(guò)系統(tǒng)電腦客戶端從云數(shù)據(jù)存儲(chǔ)端下載監(jiān)測(cè)數(shù)據(jù)，數(shù)據(jù)下載間隔為24 h，即每天所下載數(shù)據(jù)是之前24 h 內(nèi)奶牛休息時(shí)間、反芻時(shí)間、采食時(shí)間，共61 d，獲取數(shù)據(jù)記錄1 037 條，隨機(jī)從中選取937 條作為訓(xùn)練數(shù)據(jù)集，選取100 條作為驗(yàn)證數(shù)據(jù)集，對(duì)模型預(yù)測(cè)進(jìn)行驗(yàn)證。同時(shí)，采用人工目視觀察法，每天早上06:00 開(kāi)始，觀察樣本奶牛試驗(yàn)期間健康狀況，頻率為每隔4 h 觀察1 次，人工記錄奶牛非正常行為事件，如跛足、乳房炎、腹瀉、外傷等。利用SPSS23.0 軟件對(duì)樣本奶牛61 d 的訓(xùn)練數(shù)據(jù)集進(jìn)行統(tǒng)計(jì)分析，建立奶牛健康狀況評(píng)價(jià)模型。

1.2.3 模型構(gòu)建方法

本文以奶牛不同行為表現(xiàn)正常與否為依據(jù)對(duì)奶牛健康狀況進(jìn)行評(píng)價(jià)研究，將奶牛行為表現(xiàn)結(jié)果分為：正常與非正常，選擇Binary Logistic 回歸分析方法進(jìn)行模型構(gòu)建。奶牛行為表現(xiàn)正常與否作為因變量，即0-1 型因變量，定義正常行為=0，代表在一定時(shí)期內(nèi)，奶?；顒?dòng)行為正常，無(wú)突然或異常變化，身體健康；非正常行為=1，代表在一定時(shí)期內(nèi)，奶?；顒?dòng)出現(xiàn)非正常行為，如出現(xiàn)跛足、發(fā)情、應(yīng)激等。p 為奶牛非正常行為發(fā)生概率，取值區(qū)間為[0,1]，則有Logistic線性回歸模型一般形式

式中x1，x2，x3分別代表奶牛每天休息時(shí)間水平、采食時(shí)間水平、反芻時(shí)間水平。β0，β1，β2，β3為模型待估計(jì)參數(shù)。通過(guò)SPSS23.0 軟件，用最大似然估計(jì)法求解待估計(jì)參數(shù)，行為時(shí)間Wald 統(tǒng)計(jì)檢驗(yàn)值對(duì)應(yīng)顯著性水平小于0.05，則該行為時(shí)間對(duì)應(yīng)估計(jì)參數(shù)通過(guò)模型系數(shù)檢驗(yàn)，否則剔除。由式（1）可得奶牛非正常行為發(fā)生預(yù)測(cè)概率為

正常行為發(fā)生概率q為

由式（2）和式（3）得

式中r為優(yōu)勢(shì)比，是二項(xiàng)Logistic系數(shù)的指數(shù),是指奶牛行為時(shí)間水平的值每增加1個(gè)單位時(shí)，奶牛非正常行為預(yù)測(cè)概率的變化情況。

模型建立后，為確保該模型能夠?qū)δ膛Ｐ袨閿?shù)據(jù)進(jìn)行解釋說(shuō)明和預(yù)測(cè)的合理性，對(duì)模型進(jìn)行系統(tǒng)檢驗(yàn)。對(duì)于非線性邏輯回歸模型，根據(jù)統(tǒng)計(jì)學(xué)理論原則，常用似然比檢驗(yàn)法對(duì)方程假設(shè)進(jìn)行檢驗(yàn)，Wald 統(tǒng)計(jì)量檢驗(yàn)方程系數(shù)假設(shè)，Hosmer-Lemeshow goodness-of-fit統(tǒng)計(jì)法檢驗(yàn)?zāi)Ｐ偷臄M合優(yōu)度[25]，確定方程是否能夠準(zhǔn)確表達(dá)數(shù)據(jù)結(jié)果。最后利用驗(yàn)證數(shù)據(jù)集對(duì)模型預(yù)測(cè)準(zhǔn)確度進(jìn)行驗(yàn)證。

1.2.4 數(shù)據(jù)處理

利用SPSS23.0 軟件對(duì)試驗(yàn)期全部樣本數(shù)據(jù)進(jìn)行相關(guān)性分析和邏輯回歸，建立奶牛非正常行為預(yù)測(cè)模型，并對(duì)模型進(jìn)行檢驗(yàn)，數(shù)據(jù)結(jié)果以平均值±標(biāo)準(zhǔn)差表示。

2 結(jié)果與分析

2.1 奶牛各行為時(shí)間監(jiān)測(cè)與統(tǒng)計(jì)結(jié)果

依據(jù)試驗(yàn)方案，對(duì)17 頭奶牛進(jìn)行連續(xù)61 d 行為觀察和數(shù)據(jù)采集，獲取奶牛每天24 h 內(nèi)休息時(shí)間、反芻時(shí)間、采食時(shí)間和不同行為天數(shù)。對(duì)奶牛正常和非正常行為時(shí)間段內(nèi)不同行為時(shí)間分別進(jìn)行統(tǒng)計(jì)，結(jié)果見(jiàn)表2。

表2 奶牛行為時(shí)間統(tǒng)計(jì)Table 2 Statistics of cow's behavior time

由表2 可知，1～10 號(hào)奶牛在試驗(yàn)期間出現(xiàn)非正常行為，11～17 號(hào)奶牛在試驗(yàn)期間各行為始終正常，平均行為時(shí)間無(wú)變化。1～10 號(hào)奶牛非正常行為期間的行為時(shí)間與正常行為期間的行為時(shí)間比較可知，不同奶牛的行為時(shí)間變化不同，平均休息時(shí)間變化較大：非正常行為期間，休息時(shí)間平均增加25.7%，反芻時(shí)間和采食時(shí)間分別平均減少12.7%和2.3%。

2.2 健康奶牛的行為時(shí)間分布

試驗(yàn)獲得的1 037 條試驗(yàn)數(shù)據(jù)中奶牛正常行為數(shù)據(jù)980 條，非正常行為數(shù)據(jù)57 條。每條數(shù)據(jù)記錄包括奶牛24 h 內(nèi)休息時(shí)間、反芻時(shí)間、采食時(shí)間和行為狀況4 項(xiàng)信息。為研究奶牛正常狀態(tài)下不同行為時(shí)間分布，對(duì)980 條正常行為樣本數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，發(fā)現(xiàn)各行為時(shí)間呈正態(tài)分布，如圖2 所示，休息時(shí)間在300～600 min 之間的樣本數(shù)據(jù)769 條，占總樣本數(shù)據(jù)的78.5%；反芻時(shí)間在400～700 min 之間的樣本數(shù)據(jù)869 條，占總樣本數(shù)據(jù)的88.7%；采食時(shí)間在200～400 min 之間的樣本數(shù)據(jù)797 條，占總樣本數(shù)據(jù)的81.3%。該結(jié)果與邵大富等[16]、馮濤等[26]、Pahl 等[21]對(duì)奶牛不同行為時(shí)間分布的研究結(jié)論一致。而非正常行為樣本數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，結(jié)果表明各行為時(shí)間呈離散狀分布，無(wú)明顯分布規(guī)律，如圖3 所示。

圖2 正常行為時(shí)間分布Fig.2 Distribution of normal behavior time

圖3 非正常行為時(shí)間分布Fig.3 Distribution of abnormal behavior time

2.3 奶牛健康狀況評(píng)價(jià)模型構(gòu)建

利用SPSS23.0 軟件，選擇Binary Logistic 回歸分析法，對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行分析。根據(jù)Binary Logistic回歸分析方法應(yīng)用條件和研究意義，結(jié)合奶牛正常行為時(shí)間分布，對(duì)行為時(shí)間進(jìn)行分類(lèi)，實(shí)現(xiàn)分類(lèi)變量對(duì)奶牛行為狀況解釋說(shuō)明。把奶牛行為時(shí)間按照由短到長(zhǎng)分為“1，2，3，4，5”5類(lèi)，分別代表不同的行為時(shí)間水平，具體見(jiàn)表3。

表3 行為時(shí)間分類(lèi)和編碼Table 3 Behavior time sorting and coding

將不同行為時(shí)間轉(zhuǎn)換為分類(lèi)變量，結(jié)合奶牛行為表現(xiàn)0-1結(jié)果，利用SPSS23.0軟件，對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行分析。二項(xiàng)Logistic回歸模型自變量采用強(qiáng)行進(jìn)入法，變量選入標(biāo)準(zhǔn)為顯著水平α＜0.05，剔除標(biāo)準(zhǔn)為α ＞0.1。模型變量系數(shù)和統(tǒng)計(jì)檢驗(yàn)結(jié)果如表4。

利用最大似然估計(jì)法，通過(guò)SPSS23.0 軟件求得模型中未知參數(shù)β0、β1、β2和β3分別為-10.404、0.998、1.446 和0.084。由表4 可知，反芻時(shí)間Wald 統(tǒng)計(jì)檢驗(yàn)值對(duì)應(yīng)顯著性水平0.741＞0.05，β3沒(méi)有通過(guò)模型系數(shù)檢驗(yàn)，故從模型中剔除，而休息時(shí)間和采食時(shí)間的Wald統(tǒng)計(jì)檢驗(yàn)值對(duì)應(yīng)顯著性水平＜0.01，β1和β2通過(guò)模型系數(shù)檢驗(yàn)，即休息時(shí)間和采食時(shí)間是預(yù)測(cè)模型的主要影響因素。由采食時(shí)間優(yōu)勢(shì)比和休息時(shí)間優(yōu)勢(shì)比可知，采食時(shí)間對(duì)模型預(yù)測(cè)概率的影響力較休息時(shí)間大，且在其他條件不變的情況下，采食時(shí)間水平每增加1 個(gè)單位，奶牛非正常行為預(yù)測(cè)概率變化擴(kuò)大4.2 倍。將β0、β1和β2的求得值代入Logistic線性回歸模型一般形式

可得奶牛非正常行為預(yù)測(cè)模型

式中x1代表奶牛休息時(shí)間水平，x2代表奶牛采食時(shí)間水平，p代表奶牛非正常行為發(fā)生概率。

回歸模型擬合優(yōu)度的檢驗(yàn)采用Hosmer and Leme-show[25]檢驗(yàn)法。由Hosmer and Lemeshow 檢驗(yàn)結(jié)果可知，檢驗(yàn)卡方值對(duì)應(yīng)的顯著性水平0.731＞0.05，拒絕原假設(shè)，即觀測(cè)值與預(yù)測(cè)值無(wú)顯著差異，模型擬合優(yōu)度通過(guò)檢驗(yàn)。將100 條試驗(yàn)驗(yàn)證數(shù)據(jù)集代入奶牛非正常行為預(yù)測(cè)模型計(jì)算可得，92 條試驗(yàn)數(shù)據(jù)的非正常行為預(yù)測(cè)發(fā)生概率小于10%，8 條試驗(yàn)數(shù)據(jù)非正常行為預(yù)測(cè)發(fā)生概率大于25%。預(yù)測(cè)結(jié)果與人工目視觀察結(jié)果比較，非正常行為和正常行為數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確率分別為80%和91.6%，模型整體預(yù)測(cè)準(zhǔn)確率為91%。

表4 模型方程中的變量Table 4 Variables in model equation

3 討論

奶牛行為時(shí)間受環(huán)境影響，不同環(huán)境條件下奶牛行為時(shí)間存在一定差異。本文所構(gòu)建評(píng)價(jià)模型是以東北地區(qū)環(huán)境條件為基礎(chǔ)完成的，其主要為東北地區(qū)規(guī)?；膛?chǎng)牛群管理提供指導(dǎo)和參考。而中國(guó)規(guī)模化奶牛場(chǎng)分布在各個(gè)環(huán)境條件不同的地區(qū)，如果直接運(yùn)用該模型對(duì)其它地區(qū)奶牛場(chǎng)牛群管理進(jìn)行指導(dǎo)，難免出現(xiàn)偏差。因此，為使奶牛健康狀況評(píng)價(jià)模型更加具有代表性，未來(lái)要在中國(guó)東北地區(qū)、華中地區(qū)、南方地區(qū)分別選擇不同奶牛場(chǎng)進(jìn)行樣本選擇和試驗(yàn)，比較研究不同環(huán)境條件下的奶牛行為，構(gòu)建更具有代表性的奶牛健康狀況評(píng)價(jià)模型。

奶牛的行為時(shí)間因個(gè)體差異而不同，為降低樣本個(gè)體差異對(duì)研究結(jié)果的影響，可在試驗(yàn)條件可以滿足的情況下，選擇更多品種相同、個(gè)體指標(biāo)相近的奶牛，獲得充足的樣本數(shù)據(jù)，以減小系統(tǒng)誤差。

奶牛行為監(jiān)測(cè)技術(shù)，當(dāng)前仍以國(guó)外為主，如以色列阿菲金公司研發(fā)的AfiAct計(jì)步器，監(jiān)測(cè)奶牛躺臥時(shí)間；荷蘭Agis 公司開(kāi)發(fā)的CowManager SensOor，測(cè)量奶牛反芻和飼喂時(shí)間；英國(guó)Icerobotics 公司的CowAlert IceQube，監(jiān)測(cè)奶牛躺臥時(shí)間。但大部分都是專(zhuān)注于某單一行為監(jiān)測(cè)技術(shù)的開(kāi)發(fā)，如何利用一套設(shè)備實(shí)現(xiàn)奶牛多行為的精準(zhǔn)監(jiān)測(cè)，是行業(yè)領(lǐng)域亟待攻關(guān)的課題。因?yàn)槟膛２煌袨榈木珳?zhǔn)監(jiān)測(cè)，有助于研究學(xué)者或生產(chǎn)管理者獲得更多準(zhǔn)確數(shù)據(jù)信息進(jìn)行比較分析，及時(shí)發(fā)現(xiàn)疾病或異樣奶牛，從而采取有效預(yù)防措施和處理，實(shí)現(xiàn)奶?？茖W(xué)精準(zhǔn)化管理。如Calamari 等[27]通過(guò)監(jiān)測(cè)奶牛分娩期間反芻時(shí)間，檢測(cè)預(yù)防早期疾病。Ito 等[28]通過(guò)研究奶牛躺臥行為與跛足的關(guān)系，確定躺臥時(shí)間可以作為奶牛跛足行為的預(yù)警信號(hào)。Reith 等[29]研究奶牛反芻時(shí)間與發(fā)情行為的相關(guān)性，以反芻時(shí)間變化規(guī)律作為奶牛發(fā)情信號(hào)。因此，關(guān)于行為監(jiān)測(cè)技術(shù)的研究，在今后奶牛業(yè)發(fā)展中的地位將越來(lái)越重要。

4 結(jié)論

1）奶牛非正常行為期間的各行為時(shí)間與正常行為期間比較可知，不同奶牛行為時(shí)間變化不同，平均休息時(shí)間變化較大，非正常行為期間平均休息時(shí)間比正常行為期間增加25.7%；反芻時(shí)間和采食時(shí)間分別減少12.7%和2.3%。

2）奶牛健康行為時(shí)間呈正態(tài)分布，每天（24 h）平均休息時(shí)間為300～600 min，反芻時(shí)間為400～700 min，采食時(shí)間為200～400 min。非正常行為時(shí)間呈離散狀分布，無(wú)明顯分布規(guī)律。

3）根據(jù)本文研究所構(gòu)建的奶牛健康狀況評(píng)價(jià)模型可知，休息時(shí)間和采食時(shí)間是預(yù)測(cè)模型的主要影響因素，其中采食時(shí)間對(duì)模型預(yù)測(cè)概率的影響力較休息時(shí)間大，在其他條件不變的情況下，采食時(shí)間水平每增加1 個(gè)單位，奶牛非正常行為預(yù)測(cè)概率變化擴(kuò)大4.2 倍。奶牛非正常行為預(yù)測(cè)模型預(yù)測(cè)結(jié)果與人工目視觀察結(jié)果比較，模型整體預(yù)測(cè)準(zhǔn)確率為91%。因此，該研究可為現(xiàn)代規(guī)模奶牛場(chǎng)科學(xué)、精準(zhǔn)化管理提供參考。