Técnicas de aprendizaje automático para la identificación del nivel de estrés en bovinos

Abstract

Esta investigación analiza diversas técnicas de aprendizaje automático para identificar los niveles de estrés en bovinos, un factor crucial para su bienestar y productividad. Mediante una revisión exhaustiva de la literatura, se determinaron los factores fisiológicos y comportamentales que influyen en el estrés bovino, así como las técnicas más eficientes para su detección. Se recopilaron y preprocesaron datos de las actividades básicas como son: rumia, comida y descanso, para garantizar su calidad y adecuación en la evaluación de algoritmos. Para predecir el nivel de estrés, se implementaron y compararon varios modelos de aprendizaje automático, incluyendo bosques aleatorios, k-vecinos más cercanos (KNN), máquinas de soporte vectorial (LSTM), XGBoost, redes neuronales convolucionales (CNN), redes neuronales artificiales (ANN), redes de memoria a largo y corto plazo (LSTM) y redes neuronales profundas (DNN). La evaluación de estos modelos se llevó a cabo utilizando métricas de rendimiento como precisión, exactitud, recuperación, F1 y AUC. Los resultados mostraron que las CNN, DNN y LSTM fueron particularmente efectivas para el análisis de estrés en bovinos, superando a otros modelos en términos de precisión y capacidad de generalización. En conclusión, las técnicas de aprendizaje automático demostraron ser herramientas valiosas para la gestión del estrés en bovinos, ofreciendo un enfoque innovador para mejorar su bienestar y productividad. Este estudio destaca la importancia de continuar desarrollando y refinando estas técnicas para su aplicación en la industria ganadera.