NL2015574B1

NL2015574B1 - Methode en systeem voor het bepalen van een fysiologische toestand van een herkauwer.

Info

Publication number: NL2015574B1
Application number: NL2015574A
Authority: NL
Inventors: Martin Van Dijk Jeroen
Original assignee: N V Nederlandsche Apparatenfabriek Nedap
Priority date: 2015-10-06
Filing date: 2015-10-06
Publication date: 2017-05-02
Also published as: US11019806B2; EP3153095A1; US20170112104A1

Abstract

De uitvinding voorziet in een systeem en een methode voor het bepalen van een fysiologische toestand van een herkauwer. Het systeem omvat sensor eenheid en een rekeneenheid. De sensor eenheid genereert een stroom meetgegevens die indicatief zijn voor een bewegingstoestand van de herkauwer. De rekeneenheid gebruikt een neuraal netwerk voor het berekenen van een stroom toestandsgegevens uit de stroom meetgegevens. De toestandsgegevens geven een fysiologische toestand van de herkauwer aan.

Description

Titel: Methode en systeem voor het bepalen van een fysiologische toestand van een herkauwer

INLEIDING

Herkauwers hebben vier magen: de pens, de netmaag, de boekmaag en de lebmaag. Een herkauwer kauwt het eten eerst oppervlakkig, waarna het in de netmaag en de pens terechtkomt. Na ongeveer een half uur gaan de grofvezelige materialen als spijsbrokken terug naar de mond waar deze worden fijngemalen en vermengd met speeksel. Bij terugkeer in de pens gaan de fijndelige materialen via de netmaag naar de boekmaag voor de verdere vertering.

Het tijdsaandeel van de verschillende fysiologische activiteiten van de herkauwer is een belangrijke indicator voor diens gezondheidstoestand. Hiermee kan rekening gehouden worden bij de samenstelling van het voedingspatroon of de indeling van het dagritme, zoals de schakeltijden voor de stalverlichting en de tijden waarop de herkauwers worden gemolken. Bij herkauwers is het herkauwen een belangrijke fysiologische activiteit naast eten, rusten en slapen. De herkauwer kan daarbij zowel een staande als een liggende houding aannemen.

SAMENVATTING VAN DE UITVINDING

Het is een doel van de uitvinding de genoemde indicator op een eenvoudige wijze vast te kunnen stellen.

Teneinde dit doel te verwezenlijken voorziet de uitvinding in een systeem als beschreven in conclusie 1.

Ter verwezenlijking van ditzelfde doel voorziet de uitvinding voorts in een werkwijze als beschreven in conclusie 13.

De huidige uitvinding berust op het inzicht dat de genoemde indicator met behulp van een neuraal netwerk betrouwbaar kan worden vastgesteld uit bewegingstoestand gegevens van de herkauwer.

Vaststelling van de bewegingstoestand gegevens kan plaatsvinden zonder dat dit noemenswaardige hinder van de herkauwer met zich meebrengt. Door verwerking van deze gegevens met een neuraal netwerk kan de genoemde indicator vervolgens gemakkelijk worden vastgesteld.

Een neuraal netwerk kan voor dit doel worden getraind door gebruik te maken van een reeks invoergegevens, waarbij respectieve invoergegevens een indicatie geven van de fysiologische toestand van de herkauwer voor genoemde respectieve tijdsintervallen op basis van een onafhankelijke beoordeling, bijvoorbeeld door een beoordeling verkregen van een deskundige die hetzij de herkauwers rechtstreeks observeert, hetzij op camerabeelden. Tijdens de training past het neuraal netwerk zijn instellingen aan totdat de fysiologische toestand die door het neurale netwerk op basis van bewegingstoestand gegevens voor onderscheiden tijdsintervallen is vastgesteld in hoofdzaak overeenkomt met de fysiologische toestand die voor die tijdsintervallen is vastgesteld op basis van de onafhankelijke beoordeling.

Het zo getrainde neurale netwerk kan daarna gebruikt worden om de genoemde indicator vast te stellen op basis van bewegingstoestand gegevens. Anderszins, of daarnaast kunnen de instellingen van het getrainde neurale netwerk gekopieerd worden naar andere neurale netwerken, die vervolgens voor vaststellen van de indicator worden aangewend.

Een neuraal netwerk is een rekeneenheid die een veelvoud van onderling gekoppelde netwerkcellen omvat, waarbij de netwerkcellen een uitgangssignaal kunnen leveren dat is gebaseerd op een veelvoud van onderling gewogen ingangssignalen, waarbij de voor het wegen van de ingangssignalen gebruikte weegfactoren aangepast kan worden door trainen van netwerk. Daarbij krijgt het neurale netwerk zowel invoersignalen als controle signalen die het neurale netwerk in staat stelt vast te stellen in hoeverre de op basis van de weegfactoren berekende toestandsgegevens overeenkomen met de feitelijke toestand. De controle signalen kunnen direct de feitelijke toestand aangeven, of kunnen indicatief zijn voor een afwijking van de berekende toestandsgegevens en de toestandsgegevens die de feitelijke toestand weergeven.

Voorbeelden van een neuraal netwerk zijn het (meerlaags) perceptron, het Kohonen-netwerk, het Hopfield-netwerk, de Boltzmann machine, het radiale-basis functie netwerk, de support vector machine en de zelforganiserende map.

De genoemde neurale netwerken kunnen in hardware worden ontwikkeld, waarbij elk onderdeel in het neurale netwerk, omvattende de netwerkcellen, de verbindingen en weegelementen voor het wegen van de verschillende signalen zijn voorzien als een respectieve component in de hardware. Anderzijds kan een neuraal netwerk ook gesimuleerd door software die op een programmeerbare processor wordt uitgevoerd, waarbij de processor beurtelings de door de verschillende onderdelen van het netwerk uit te voeren bewerkingen uitvoert. Ook tussenoplossingen zijn mogelijk. De programmeerbare processor kan bijvoorbeeld verschillende ‘cores/kernen’ hebben die ieder een deel de bewerkingen voor een respectieve sectie van het netwerk uitvoeren. In een programmeerbare processor met vier kernen kan bijvoorbeeld elke kern een respectieve laag van het neurale netwerk simuleren.

Voor training van een neuraal netwerk is het gewenst dat de gebruikte weegfactoren instelbaar zijn, teneinde te bewerkstelligen dat het neurale netwerk met de gedurende de training verkregen instellingen een betrouwbare schatting van de toestand van de herkauwer kan maken op basis van de bewegingstoestand gegevens. Desgewenst, maar dit is niet noodzakelijk, kunnen de weegfactoren in het voor eindgebruik bestemde neurale netwerk vastliggen. In een hardware implementatie van het voor eindgebruik bestemde neurale netwerk kunnen de weegfactoren vastliggen in het ontwerp daarvan. Bij een implementatie van het voor eindgebruik bestemde neurale netwerk in door een programmeerbare processor uit te voeren programmatuur, kan de programmatuur met de weegfactoren bijvoorbeeld als een ROM meegeleverd worden.

In een uitvoeringsvorm heeft het neurale netwerk respectieve uitgangen voor het afgeven van een signaal dat indicatief is voor een kans dat de fysiologische toestand van de herkauwer overeenkomt met respectieve specifieke fysiologische toestanden. De fysiologische toestanden waarvoor het neurale netwerk een respectieve uitgang heeft bevatten bijvoorbeeld tenminste een of meer van weidegang, beweiden, grazen, eten, herkauwen, rusten, slapen, staan en liggen.

In een uitvoeringsvorm heeft het neurale netwerk een respectieve uitgang voor tenminste een of meer van de fysiologische toestanden aangeduid als rusten, herkauwen en eten. Het neurale netwerk kan voorts een uitgang hebben voor het afgeven van een signaal dat de kans aangeeft dat de fysiologische toestand van de herkauwer een andere is dan deze fysiologische toestanden.

In een uitvoeringsvorm heeft het neurale netwerk een respectieve uitgang voor tenminste een of meer van de fysiologische toestanden aangeduid als rusten en eten. Het neurale netwerk kan voorts een uitgang hebben voor het afgeven van een signaal dat de kans aangeeft dat de fysiologische toestand van de herkauwer een andere fysiologische toestand, niet zijnde herkauwen, is dan deze fysiologische toestanden.

In een uitvoeringsvorm heeft het neurale netwerk een respectieve uitgang voor tenminste een of meer van de fysiologische toestanden aangeduid als rusten, en slapen.

In een uitvoeringsvorm heeft het neurale netwerk een respectieve uitgang voor tenminste een of meer van de fysiologische toestanden aangeduid als staan, en liggen.

Bij voorkeur omvat het systeem een door de herkauwer te dragen systeemdeel dat is opgenomen in een door de herkauwer om de nek te dragen behuizing. Gebleken is dat uit de bewegingen van de nek van de herkauwer veel informatie afgeleid kan worden over de fysiologische toestand van de herkauwer. Gebleken is dat met name een 3G sensor hiervoor zeer geschikt is.

KORTE OMSCHRIJVING VAN DE FIGUREN

Deze en andere aspecten van de huidige uitvinding zijn nader toegelicht aan de hand van de volgende tekeningen. Daarin toont: FIG. 1 schematisch een systeem voor het bepalen van een fysiologische toestand van een herkauwer, FIG. 2 schematisch een door de herkauwer te dragen systeemdeel van het systeem van FIG. 1, FIG. 3 in een voorbeeld van een in het systeemdeel van FIG. 2 gebruikt neuraal netwerk, FIG. 4 meetwaarden en andere gegevens die werden gebruikt voor training van het neurale netwerk, FIG. 5 een alternatieve uitvoeringsvorm van een door de herkauwer te dragen systeemdeel, FIG. 6 een onderdeel van het systeemdeel van FIG. 5 in meer detail.

GEDETAILLEERDE FIGUURBESCHRIJVING

In de volgende figuren hebben overeenkomstige onderdelen eenzelfde verwijzingscijfer. FIG. 1 toont schematisch een systeem 10, 20 voor het bepalen van de toestand van een herkauwer H. In de getoonde uitvoeringsvorm is het systeem uitgevoerd als een eerste systeemdeel 10 dat als een kraag om de hals van de herkauwer is aangebracht en een tweede systeemdeel 20 dat elders is opgesteld en dat op draadloze wijze signalen van het eerste systeemdeel 10 ontvangt, bijvoorbeeld rechtstreekse via een draadloze verbinding of door tussenkomst van een netwerk, bijvoorbeeld een internet verbinding. Zoals verderop in de beschrijving is toegelicht zijn echter vele andere uitvoeringen mogelijk.

Het systeemdeel 10, dat in meer detail is getoond in FIG. 2 omvat een sensor eenheid 12 voor het genereren van een stroom Sl meetgegevens die indicatief zijn voor een bewegingstoestand van de herkauwer. In bedrijf genereert de sensoreenheid 12 een stroom meetgegevens Sl die indicatief is voor een bewegingstoestand van de herkauwer H. Voor dat doel is de sensoreenheid 12 bijvoorbeeld uitgerust met een of meer traagheidssensoren, en/of gyroscopen. Het systeemdeel omvat voorts een rekeneenheid 15. De rekeneenheid 15 maakt gebruik van een neuraal netwerk voor het berekenen van een stroom S3 toestandsgegevens uit de stroom meetgegevens.

Als neuraal netwerk kan een feedforward netwerk worden toegepast, maar ook kan een recurrent netwerk worden toegepast, dat bijvoorbeeld als een feedforward netwerk is geconfigureerd. Voorbeelden zijn het perceptron, het Kohonen-netwerk, het Hopfield-netwerk, de Boltzmann machine, het radiale-basis functie netwerk, de support vector machine en de zelforganiserende map.

De toestandsgegevens S3 zijn indicatief voor de fysiologische toestand van de herkauwer. De toestandsgegevens kunnen bijvoorbeeld aangeven of de herkauwer op een bepaald moment, of gedurende een bepaald tijdsinterval bezig is met eten, met herkauwen van het eten, of dat de herkauwer rust, of slaapt. Ook kunnen de toestandsgegevens aangeven of de herkauwer daarbij staat of ligt. Aan de hand van verkregen toestandsgegevens kan vervolgens weer worden vastgesteld welk tijdsaandeel door de herkauwer wordt doorgebracht in welke toestand, bijvoorbeeld kan worden vastgesteld hoeveel uren per dag de herkauwer slaapt, rust, eet, herkauwt etc. Ook kan continue de actuele toestand van het dier worden bepaald gedurende een onbepaalde periode.

In het in FIG. 2 getoonde uitvoeringsvoorbeeld heeft het door de herkauwer gedragen systeemdeel voorts een zendeenheid 18. Deze zendeenheid 18 verstuurt de verkregen toestandsinformatie naar een tweede systeemdeel 20 dat is uitgerust met een ontvangeenheid voor het ontvangen van de verstuurde toestandsinformatie. In een uitvoeringsvorm (zoals schematisch aangegeven door de gestreepte pijl) is ook voorzien in middelen die het tweede systeemdeel 20 in staat stellen signalen naar het eerste systeemdeel 10 te sturen, bijvoorbeeld om ontvangst van de toestandsinformatie te bevestigen, of om de werking van het eerste systeemdeel 10 te beïnvloeden, bijvoorbeeld aan te geven met welke tussenpozen het eerste systeemdeel 10 de toestandsinformatie naar het tweede systeemdeel 20 moet versturen. FIG. 3 toont in meer detail een uitvoeringsvorm van een neuraal netwerk 16 dat door de rekeneenheid 15 kan worden gebruikt om toestandsgegevens uit de stroom meetgegevens te berekenen. In de getoonde uitvoeringsvorm heeft het neurale netwerk drie lagen 161, 162, 163, maar in andere uitvoeringsvormen kan ook in meer of minder lagen zijn voorzien. De eerste laag 161 ontvangt invoergegevens S2 die indicatief zijn voor een bewegingstoestand van de herkauwer, bijvoorbeeld de meetgegevens ax(n), ay(n), az(n). In deze uitvoering heeft de eerste laag 161 zes netwerkcellen 161a,...,161f. Elk van deze zes netwerkcellen ontvangt periodiek een invoergegeven dat specifiek is voor een aspect van bewegingen van de herkauwer, bijvoorbeeld informatie over de magnitude van de versnelling in een specifieke richting in het coördinatensysteem van de sensoreenheid 12, of informatie van een in de sensoreenheid opgenomen gyroscoop. De eerste laag 161 van netwerkcellen 161a,...,161f, kan de ontvangen gegevens bijvoorbeeld tijdelijk opslaan en daarna ongewijzigd doorgeven aan de tweede laag 162, maar kan anderszins een weging of andere bewerking uitvoeren, bijvoorbeeld het signaal begrenzen binnen een minimale en een maximale waarde.

De tweede, verborgen, laag 162 omvat netwerkcellen 162a,..., 162h. Elk van deze netwerkcellen 162j (j = a,...,h) berekent een uitgangswaarde vj, op basis van een functie f van de door de eerste laag 161, al dan niet bewerkte of gewogen, doorgegeven gegevens va,...,vf.

In het getoonde uitvoeringsvoorbeeld is de toegepaste functie als volgt gedefinieerd:

Andere functies zijn echter ook mogelijk.

De derde laag 163 met netwerkcellen 163a,...,163d, berekent een uitgangswaarde Vk, op basis van een functie g van de door de tweede laag 162 berekende uitgangswaarden op basis van de functies fj, bijvoorbeeld als volgt:

Elke functiewaarde gk is een indicatie voor de waarschijnlijkheid dat de herkauwer in een specifieke toestand verkeert. In een uitvoeringsvoorbeeld zijn de door de netwerkcellen 163a,..., 163d geleverde functiewaarden ga,...,gd respectievelijk indicaties voor de waarschijnlijkheid dat de herkauwer uitrust, herkauwt, eet, of met een andere activiteit bezig is. In andere uitvoeringsvormen kan voorzien zijn in netwerkcellen voor het afgeven van een waarschijnlijkheidsindicatie voor weer andere mogelijke toestanden van de herkauwer, bijvoorbeeld een indicatie voor de waarschijnlijkheid dat de herkauwer staat of ligt. Ook combinaties zijn mogelijk bijvoorbeeld netwerkcellen die een indicatie afgeven voor de waarschijnlijkheid dat de herkauwer uitrust, herkauwt, eet, en verdere netwerkcellen die indicatief zijn voor de waarschijnlijkheid dat de herkauwer daarbij staat of ligt.

Ook kan het neurale netwerk zijn voorzien van uitgangen voor het afgeven van een signaal dat indicatief is voor een kans dat de fysiologische toestand van de herkauwer niet met een of meer fysiologische toestanden overeenkomt. Een netwerk 163 kan bijvoorbeeld voor elk van de fysiologische toestanden rusten, herkauwen en eten een primaire uitgang hebben voor een signaal dat de kans van elk van die toestanden aangeeft, en daarnaast kan het netwerk een secundaire uitgang hebben voor een signaal dat de kans aangeeft dat de fysiologische toestand van de herkauwer een andere is dan deze fysiologische toestanden rusten, herkauwen en eten.

Ook kan het signaal aan zo’n secundaire uitgang mede indicatief zijn voor de kans dat een andere toestand afwezig is dan de toestanden waarvoor primaire uitgangen zijn voorzien. Bijvoorbeeld kan het neurale netwerk een primaire uitgang hebben om de kans aan te geven dat de herkauwer rust een andere primaire uitgang hebben om de kans aan te geven dat de herkauwer eet en daarnaast een secundaire uitgang hebben voor het afgeven van een signaal dat de kans aangeeft dat de herkauwer niet rust, niet eet en ook niet herkauwt.

Wellicht ten overvloede wordt opgemerkt dat het neurale netwerk meer van zulke eerstgenoemde of als tweede genoemde secundaire uitgangen hebben.

In de getoonde uitvoeringsvorm berekent het neurale netwerk 16 voor elk van de bovengenoemde toestanden een waarschijnlijkheidsindicatie. De duur van de tijdsintervallen tussen opeenvolgende berekeningen kan bijvoorbeeld inliggen 10 s tot 10 min. Naarmate het tijdsinterval langer is, en daarmee de sensoreenheid 12 en de rekeneenheid 15 minder vaak actief hoeven te zijn, kan het eerste systeemdeel 10 langer operationeel blijven met een bepaalde batterij capaciteit, en/of kan met een kleinere batterij worden volstaan. Bij een zeer lang tijdsinterval, bijvoorbeeld langer dan 1 uur is de verkregen toestandsinformatie gering om een goede indruk van de fysiologische herkauwer te krijgen. Bij een zeer kort tijdsinterval, bijvoorbeeld korter dan 1 seconde heeft de additioneel verkregen toestandsinformatie nog slechts een beperkte meerwaarde en weegt dit mogelijk niet op tegen het relatief hoge energieverbruik.Bij een zeer klein tijdsinterval is in feite sprake van het continue bepalen van de actuele toestand van het dier gedurende een onbepaalde periode. In een praktische uitvoeringsvorm kan het tijdsinterval bijvoorbeeld ongeveer 1 minuut zijn.

Aan de hand van de door de netwerkcellen 163a,..., 163d geleverde waarschijnlijkheidsindicaties kan met een verdere rekenmodule 17 worden vast gesteld wat de meest waarschijnlijke toestand Ti is waarin de herkauwer verkeert. Bijvoorbeeld wordt als de meest waarschijnlijke toestand Ti aangewezen de toestand die de hoogste waarschijnlijkheidsindicatie g heeft.

Maar ook kan rekening gehouden worden met andere factoren. Bijvoorbeeld kan worden geconcludeerd dat het onwaarschijnlijk is dat de herkauwer herkauwt als eerder geleverde waarschijnlijkheidsindicaties aangeven dat de herkauwer gedurende langere tijd niet heeft gegeten.

In de getoonde uitvoeringsvorm wordt per tijdsinterval ti-t2 vastgesteld hoe vaak elk van de mogelijke toestanden is aangegeven als de meest waarschijnlijke toestand.

Eventueel kan uit de zo verkregen telwaarden NTi voor iedere mogelijke toestand weer worden vastgesteld welke toestand TTi de hoogste telwaarde heeft en desgewenst worden aangewezen als de meest waarschijnlijke toestand TTi voor het gehele tijdsinterval ti-t2.

Het tijdsinterval ti-t2 kan bijvoorbeeld 1 minuut zijn. Dan kan bijvoorbeeld voorts met behulp van de rekenmodule 17 voor elk kwartier worden geteld hoelang een dier zich in een bepaalde toestand heeft bevonden. Deze informatie kan bijvoorbeeld voor 96 kwartieren wordt gebufferd in de rekenmodule waarna de inhoudt van de buffer met de zendereenheid 18 wordt verzonden.

Een andere mogelijkheid zou zijn dat voor elk van de mogelijke toestanden, de berekende waarschijnlijkheidsindicaties worden opgeteld, en meest waarschijnlijke toestand TTi voor het gehele tijdsinterval ti-t2 die toestand wordt aangewezen die de hoogste cumulatieve waarschijnlijkheidsindicatie heeft.

In een uitvoeringsvorm wordt de telwaarde NTi voor elke toestand i berekend voor een tijdsinterval met een duur van ongeveer 5 tot 25 maal de duur van de tijdsintervallen tussen opeenvolgende berekeningen van de waarschijnlijkheidsindicaties gi. In een praktische uitvoeringsvorm, waarbij iedere minuut een meest waarschijnlijke toestand Ti wordt vastgesteld, is de duur van de tijdsintervallen ti-t2 bijvoorbeeld ongeveer een kwartier.

De telwaarden NTi kunnen direct worden verstuurd naar het tweede systeemdeel 20, maar gunstiger is het deze gegevens batchgewijs te versturen. Doordat het versturen zo minder overhead met zich meebrengt kan gemiddeld met minder energie worden volstaan. In een praktische uitvoeringsvorm verstuurt de zendeenheid 18 bijvoorbeeld periodiek een batch met enkele tientallen tot enkele honderden sets telwaarden NTi. Bijvoorbeeld wordt dagelijks een buffer met 96 sets telwaarden NTi (i = a,...,d) naar het tweede systeemdeel 20 verzonden voor verdere analyse. Het tijdstip waarop de indicaties NTi worden verzonden kan bijvoorbeeld zo gekozen worden dat er gelegenheid is om direct aanpassingen aan te brengen in de omstandigheden van de herkauwer, bijvoorbeeld aanpassingen in de voeding, de belichting of de aan de indeling van de dag.

Vele variaties zijn mogelijk op de bovenbeschreven uitvoeringsvormen. In andere uitvoeringsvormen kan signaaloverdracht van het eerste naar het tweede systeemdeel bijvoorbeeld plaatsvinden via een (losneembare) kabel, of via een losneembare gegevensdrager, zoals een flashmemory. Ook zijn uitvoeringsvormen denkbaar waarin de rekeneenheid 15 is ondergebracht in het tweede systeemdeel 20 in plaats van in het eerste systeemdeel 10. In dat geval verstuurt de zendeenheid 18 de voor de rekeneenheid 15 benodigde meetgegevens naar het tweede systeemdeel 20. Ook dit zou batchgewijs kunnen plaatsvinden. In de praktijk is het echter gunstiger de dat de rekeneenheid 15 deel uitmaakt van het door de herkauwer gedragen eerste systeemdeel 10.

Het systeemdeel 10 kan ook op andere wijze door de herkauwer gedragen worden, bijvoorbeeld als een band 10a, 10b, rond een van de poten, als een tag 10c aan het oor, als een sticker lOd op de huid, of als implantaat 10e. In weer ander uitvoeringsvormen kan het systeem 1-delig zijn uitgevoerd, en bijvoorbeeld de mogelijkheid bieden gegevens op een beeldscherm uit te lezen.

Samenvattend voert het bovenbeschreven systeem in bedrijf een werkwijze uit met de volgende stappen.

Met bewegingssensoren, bijvoorbeeld versnellingsmeters, gyroscopen e.d. wordt een stroom Sl meetgegevens, bv ax(n), ay(n), az(n), gegenereerd die indicatief is voor een bewegingstoestand van de herkauwer.

Vervolgens wordt met een neuraal netwerk een stroom S3 toestandsgegevens T(m) berekend uit de stroom meetgegevens. Deze toestandsgegevens zijn indicatief voor de fysiologische toestand van de herkauwer. Het genereren van de meetgegevens en het daaruit berekenen van de toestandsgegevens kan tegelijkertijd plaatsvinden, in die zin dat nieuwe meetgegevens kunnen worden gegenereerd terwijl toestandsgegevens worden bepaald uit eerder gegenereerde meetgegevens.

Het neurale netwerk 16 dat wordt gebruikt kan van te voren zijn geprepareerd voor dit doel, bijvoorbeeld door instellingen (b.v. de weegfactoren Wij, w’jk) van een eerder getraind neuraal netwerk over te nemen. Anderzijds kan het neurale netwerk 16 zelf getraind worden met een aan het gebruik voorafgaande training, bijvoorbeeld zoals beschreven in de volgende procedure.

Evenals in de bovenbeschreven werkwijze, wordt een stroom Sl meetgegevens, bv ax(n), ay(n), az(n), gegenereerd die indicatief is voor een bewegingstoestand van de herkauwer waarvoor het netwerk later ook zal worden gebruikt om toestandsgegevens van de herkauwer te bepalen zoals hiervoor omschreven.

Daarnaast wordt een reeks met de meetgegevens geassocieerde invoergegevens ontvangen over de fysiologische toestand van deze herkauwer, die op basis van een onafhankelijke beoordeling zijn verkregen. Deze invoergegevens zijn bijvoorbeeld verkregen met hulp van een deskundige die de herkauwer observeert en voor verschillende delen van de meetgegevens steeds aangeeft wat naar zijn/haar oordeel de toestand van herkauwer is. Observatie kan bijvoorbeeld rechtstreeks plaatsvinden, maar anderszins door middel van videobeelden.

Met behulp van de meetgegevens en de onafhankelijk daarvan verkregen geassocieerde invoergegevens kan het neurale netwerk getraind worden. Dat wil zeggen dat de instellingen, zoals de weegfactoren, van het neurale netwerk worden aangepast totdat de toestand Ti die door het netwerk 16 is vastgesteld in hoofdzaak overeenkomt met de gegevens die door onafhankelijke beoordeling zijn verkregen. Desgewenst kan na training het functioneren van het neurale netwerk 16 geverifieerd worden met controle gegevens, d.w.z. een deel van de onafhankelijk verkregen gegevens kan worden uitgesloten voor gebruik bij de training en worden gereserveerd om vast te stellen of de door het getrainde netwerk voorspelde toestand Ti overeenkomt met de volgens deze controle gegevens geldende toestand van de herkauwer.

Een en ander is geïllustreerd in FIG. 4. FIG. 4 toont de gemeten waarden van de versnelling ax, ay, az in de richting van drie onderling orthogonale assen x,y,z. Voor verscheidene tijdsintervallen is een reeks invoergegevens ontvangen over de fysiologische toestand van de herkauwer, die op basis van een onafhankelijke beoordeling zijn verkregen. Deze gegevens zijn in FIG.4 schematisch getoond als “rusten”, “slapen”, “herkauwen” en “eten”, maar worden aan het neurale netwerk toegevoerd als digitale informatie, bijvoorbeeld worden deze aangegeven met de cijfers 1 t/m 4.

Op deze wijze kan voor elk van een veelvoud van tijdsintervallen steeds een meest waarschijnlijke toestand Ti worden voorspeld, en kan deze worden vergeleken met de beoordeling van de toestand van de herkauwer op basis van de onafhankelijk verkregen gegevens. De afwijking tussen deze twee waarden wordt gebruikt voor aanpassing van de instellingen van het neurale netwerk. Geschikte algoritmes daarvoor zijn op zich bekend. Deze zijn doorgaans gebaseerd op een “gradient descent” methode. Voor perceptrons is dit type methode bijvoorbeeld bekend als “backpropagatie”.

De volgorde waarin de signalen van een bepaald tijdsinterval aan het neurale netwerk worden toegevoerd is niet relevant. Belangrijk is dat voor elk tijdsinterval geldt dat deze een stroom meetgegevens omvat die geassocieerd is met een enkele bewegingstoestand van de herkauwer. Voor het trainen van het netwerk opdat deze van elkaar verschillende bewegingstoestanden kan herkennen zijn in het bijzonder verschillende stromen meetgegevens nodig die geassocieerd zijn met verschillende bewegingstoestanden van de herkauwer.

Een overzicht van geschikte neurale netwerken en methoden om deze te trainen is beschikbaar in: http://ww\v.cs.put.poznan.pl/jstefanowski/sed/DM13neuralnetworks.pdf In het hieraan vooraf gaande voorbeeld werd het netwerk getraind aan de hand van meetgegevens en invoergegevens verkregen van dezelfde herkauwer als waarvoor het netwerk na het trainen zal worden gebruikt voor het bepalen van de toestand van deze herkauwer. Er geldt hiervoor bijvoorbeeld dat de werkwijze voor het trainen de volgende stappen omvat: a. het genereren van tenminste een stroom (Sl) meetgegevens die indicatief is voor een bewegingstoestand van de eerste herkauwer, b. het ontvangen van invoergegevens die geassocieerd zijn met de tenminste ene stroom meetgegevens van stap a. , waarbij deze invoergegevens een indicatie geven van de fysiologische toestand van de eerste herkauwer voor genoemde tenminste ene stroom meetgegevens van op basis van een onafhankelijke beoordeling, c. het trainen van een neuraal netwerk op basis van de in stap a. gegenereerde stroom (Sl) meetgegevens en de daarmee geassocieerde in stap b. ontvangen invoergegevens.

In het bijzonder omvat de werkwijze voorts nog de volgende stappen: d. het herhalen van stap a., b. en c. voor een andere stroom meetgegevens en een daarmee geassocieerde andere invoergegevens die elk betrekking hebben op de eerste herkauwer.

Het is echter ook mogelijk dat het netwerk wordt getraind aan de hand van meetgegevens en invoergegevens van een andere herkauwer, een en ander op een zelfde wijze als hiervoor omschreven. Er geldt hiervoor bijvoorbeeld dat de werkwijze voor het trainen voorts de volgende stappen omvat: al. het genereren van tenminste een stroom (Sl) meetgegevens die indicatief is voor een bewegingstoestand van een tweede herkauwer die anders is dan de eerste herkauwer, bl. het ontvangen van invoergegevens die geassocieerd zijn met de tenminste ene stroom meetgegevens van stap al. , waarbij deze invoergegevens een indicatie geven van de fysiologische toestand van de tweede herkauwer voor genoemde daarmee geassocieerde tenminste ene stroom meetgegevens van stap al. op basis van een onafhankelijke beoordeling, cl. het trainen van een neuraal netwerk op basis van de in stap al. gegenereerde stroom (Sl) meetgegevens en de daarmee geassocieerde in stap bl. ontvangen invoergegevens.

In het bijzonder omvat deze werkwijze voorts nog de volgende stappen: dl. het herhalen van stap al., bl. en cl. voor een andere stroom meetgegevens en een daarmee geassocieerde andere invoergegevens die elk betrekking hebben op de tweede herkauwer.

Ook kan het netwerk worden getraind op basis van meetgegevens en invoergegevens van een groep van herkauwers die al dan niet de herkauwer omvat waarvoor het getrainde netwerk later zal worden gebruikt om de toestand te bepalen. In een dergelijk geval kunnen enerzijds de meetgegevens behorende bij een bepaalde toestand worden gemiddeld over de groep en anderzijds de met de meetgegevens geassocieerde invoergegevens behorende bij de bepaalde toestand worden bepaald. Dit wordt dan herhaald uitgevoerd voor de verschillende toestanden en aan de hand van deze informatie wordt het netwerk getraind. Er geldt hiervoor bijvoorbeeld dat de werkwijze voorts omvat voorafgaand aan het normale gebruik van het neurale netwerk: a2. het genereren van een veelvoud van stromen (Sl) meetgegevens die indicatief is voor een zelfde bewegingstoestand van respectievelijk elk van een veelvoud van herkauwers, b2. het ontvangen van invoergegevens die geassocieerd zijn met de veelvoud van meetgegevens van stap a2. , waarbij deze invoergegevens een indicatie geven van de in stap a2. genoemde zelfde fysiologische toestand op basis van een onafhankelijke beoordeling, c2. het trainen van een neuraal netwerk op basis van de in stap a2. gegenereerde stromen (Sl) meetgegevens en de daarmee geassocieerde in stap b2. ontvangen invoergegevens.

In het bijzonder omvat deze werkwijze voorts nog de volgende stappen: d2. het herhalen van stap a2., b2. en c2. voor een ander veelvoud van meetgegevens en daarmee geassocieerde andere invoergegevens die elk betrekking hebben op het veelvoud van herkauwers.

In een uitvoeringsvorm, tijdens training en gebruik van het getrainde neurale netwerk, of een kopie daarvan, kan een voorbewerking plaatsvinden van de stroom Sl van meetgegevens voordat deze worden gebruikt voor het vaststellen van een meest waarschijnlijke toestand Ti. Deze verdere uitvoeringsvorm is schematisch getoond in FIG. 5. De rekeneenheid 15 heeft daarbij een additionele rekenmodule 14. In bedrijf leidt de additionele rekenmodule 14 een stroom S2 afgeleide gegevens af uit de stroom meetgegevens Sl, waarbij individuele gegevens in de stroom afgeleide gegevens zijn berekend uit een veelvoud van meetgegevens in de stroom Sl van meetgegevens. Enerzijds is het bijvoorbeeld mogelijk voor elk tijdstip waarvoor meetgegevens beschikbaar zijn een afgeleid gegeven te berekenen uit een reeks meetgegevens die zijn verkregen op tijdstippen in een tijdsperiode rondom, of aansluitend op dat tijdstip. Bij voorkeur worden echter de afgeleide gegevens berekend voor een deel van de tijdstippen waarvoor meetgegevens beschikbaar zijn. Bijvoorbeeld wordt voor onderling op elkaar volgende tijdsperioden steeds slechts afgeleide gegeven(s) voor een enkel tijdstip in de betreffende tijdsperiode berekend. Daarbij kan een datareductie bewerkstelligd worden die een verdere verwerking door het neurale netwerk 16 vereenvoudigt.

In een uitvoeringsvorm levert de sensoreenheid 12 bijvoorbeeld een stroom van 2 meetgegevens per seconde, en berekent de additionele rekenmodule 14 hieruit iedere minuut een of meer afgeleide gegevens die een indicatie zijn van een respectieve eigenschap van een door de meetgegevens gerepresenteerd signaal.

Voor de duidelijkheid toont FIG. 5 geen module 17 zoals in FIG. 2. Desgewenst kan ook hier een module 17 zijn toegevoegd voor het berekenen van een telwaarde NTi per tijdsinterval uit gegevens over de meest waarschijnlijke toestand Ti voor tijdstippen in dat tijdsinterval. FIG. 6 toont een uitvoeringsvorm, waarin de additionele rekenmodule 14 een eerste rekenblok 141x,141y, 141z en een tweede rekenblok 142x, 142y, 142z heeft voor berekenen van een indicatie van een respectieve eigenschap van een door de stroom meetgegevens Sl gerepresenteerd signaal. In de getoonde uitvoeringsvorm levert de sensoreenheid 12 (FIG. 5) periodiek versnellingsgegevens ax, ay, az. Deze gegevens geven voor opeenvolgende tijdstippen steeds de door de sensoreenheid 12 gemeten versnelling in het coördinatenstelsel van de sensor. In de getoonde uitvoeringsvorm berekent het eerste rekenblok een variantie V in de stroom meetgegevens als de indicatie voor een eerste eigenschap van het door de meetgegevens gerepresenteerd signaal. Hierbij wordt Vx(m) uit een reeks versnellingswaarden ax(n) met n=nm tot n=nm+i berekend als:

Waarbij μχ de gemiddelde waarde is voor deze reeks versnellingswaarden ax(n), en N (l+nm+i - nm) het aantal van de waarden in de reeks. Het aantal waarden in de reeks kan bijvoorbeeld liggen tussen 10 en 1000.

Op dezelfde wijze worden de waarden Vy(m) verkregen uit een reeks versnellingswaarden ay(n) en de waarden Vz(m) verkregen uit een reeks versnellingswaarden az(n).

Het tweede rekenblok 142x, 142y, 142z berekent een andere eigenschap van een door de stroom meetgegevens Sl gerepresenteerd signaal. Hier is dit het gemiddelde MADx(m) van absolute verschillen tussen opeenvolgende meetgegevens in de stroom meetgegevens. Dit kan worden berekend als volgt.

Op dezelfde wijze kunnen de waarden MADy(m) verkregen uit een reeks versnellingswaarden ay(n) en de waarden MADz(m) verkregen uit een reeks versnellingswaarden az(n).

Ook kan het eerste rekenblok of tweede rekenblok het gemiddelde MEANx(m) van opeenvolgende meetgegevens in de stroom bepalen. Dit kan als volgt worden berekend:

Op dezelfde wijze kunnen de waarden MEANy(m) verkregen uit een reeks versnellingswaarden ay(n) en de waarden MeANz(m) verkregen uit een reeks versnellingswaarden az(n).

Ook kan het eerste rekenblok of tweede rekenblok het minimum MINX, MINyen MINZ, van opeenvolgende meetgegevens in de stroom bepalen, Dit kan als volgt worden berekend:

Ook kan het eerste rekenblok of tweede rekenblok het maximum MAXx, MAXy en MAXZ van opeenvolgende meetgegevens in de stroom bepalen. Dit kan als volgt worden berekend:

De met de voorbewerkingen verkregen resultaten geven onderling verschillende signaaleigenschappen weer. Daarbij is de waarde MAD indicatief voor relatief snelle variaties in de gemeten waarde van de versnelling, en is de waarde V indicatief voor het totaal aan variaties in de gemeten waarde van de versnelling, de waarde MEAN indicatief voor het gemiddelde van de gemeten versnelling, de waarde MIN indicatief voor een benedengrens van de gemeten versnelling en de waarde MAX indicatief voor een bovengrens van de gemeten versnelling. Een ander afgeleid gegeven kan zijn het absolute verschil tussen de grootste en de kleinste waarde van de versnelling in de reeks versnellingswaarden. Dit gegeven is met name indicatief voor de sterkte van relatief langzame variaties in de versnelling.

Deze voorbewerkingen zetten de stroom meetgegevens Sl om in een stroom afgeleide gegevens S2 met lagere frequentie. Dit is niet essentieel, maar vereenvoudigt wel de taak van het neuraal netwerk, waardoor dit met name sneller getraind kan worden om specifieke toestanden te herkennen. In een praktische uitvoeringsvorm levert de sensoreenheid bijvoorbeeld voor iedere meetrichting x, y, z twee meetgegevens per seconde, en berekenen de rekenblokken 141x,y,z en 142x,y,z iedere minuut een afgeleid gegeven uit de in de afgelopen minuut geleverde meetgegevens.

In dit document wordt het onbepaald lidwoord "een" gebruikt in de zin van “één of meer”, zoals gebruikelijk is in octrooidocumenten. De bewoording “omvat” is niet exclusief gebruikt. M.a.w. als in dit document is gesteld dat een eerste element een tweede element omvat kan het eerste element naast het tweede element ook andere elementen omvatten. Voorts wordt in dit document de term "of' in niet exclusieve zin gebruikt. Dat wil zeggen, "A of B" omvat "A maar niet B", "B, maar niet A" en "A en B", tenzij anders is aangegeven.

Claims

1. Systeem (10, 20) voor het bepalen van een fysiologische toestand van een herkauwer (H), welk systeem de volgende onderdelen omvat: een sensor eenheid (12) voor het genereren van een stroom (Sl) meetgegevens (ax(n), ay(n), az(n)) die indicatief zijn voor een bewegingstoestand van de herkauwer, een rekeneenheid (15) omvattende een neuraal netwerk (16) voor het berekenen van een stroom (S3) toestandsgegevens (NTi) uit de stroom meetgegevens, welke toestandsgegevens indicatief zijn voor de fysiologische toestand van de herkauwer.

2. Systeem volgens conclusie 1, waarbij het neurale netwerk respectieve uitgangen heeft voor het afgeven van een signaal (gi) dat indicatief is voor een kans dat de fysiologische toestand van de herkauwer overeenkomt met respectieve specifieke fysiologische toestanden.

3. Systeem volgens conclusie 2, waarbij de fysiologische toestanden waarvoor het neurale netwerk een respectieve uitgang heeft tenminste een of meer omvatten van eten, herkauwen, rusten, slapen, staan en liggen.

4. Systeem volgens conclusie 3, waarbij de fysiologische toestanden waarvoor het neurale netwerk een respectieve uitgang heeft tenminste een of meer omvatten van rusten, herkauwen en eten en het neurale netwerk voorts een uitgang heeft voor het afgeven van een signaal dat indicatief is voor een kans dat de fysiologische toestand van de herkauwer een andere is dan deze fysiologische toestanden.

5. Systeem volgens conclusie 3 of 4, waarbij de fysiologische toestanden waarvoor het neurale netwerk een respectieve uitgang heeft tenminste een of meer omvatten van rusten, en slapen.

6. Systeem volgens conclusie 3, 4 of 5, waarbij de fysiologische toestanden waarvoor het neurale netwerk een respectieve uitgang heeft tenminste een of meer omvatten van staan en liggen.

7. Systeem volgens een der voorgaande conclusies, waarbij het systeem (10) een door de herkauwer te dragen systeemdeel (10) omvat.

8. Systeem volgens conclusie 7, waarbij het door de herkauwer te dragen systeemdeel (10) is opgenomen in een door de herkauwer om de nek te dragen behuizing.

9. Systeem volgens conclusies 7 of 8, voorts omvattende een zendeenheid (18) en een ontvangeenheid, waarbij de sensoreenheid (12), de rekeneenheid (15) en de zendeenheid (18) deel uitmaken van het door de herkauwer te dragen systeemdeel (10), en waarbij de ontvangeenheid separaat is opgenomen in een tweede systeemdeel (20), waarbij de zendeenheid (18) bewerkstelligt dat de door de rekeneenheid (15) berekende toestandsgegevens (NTi) worden overgedragen aan de ontvangeenheid van het tweede systeemdeel (20), eventueel in combinatie met een identificatie code.

10. System volgens conclusie 9, waarbij het eerste systeemdeel (10) voorts een opslageenheid omvat voor het opslaan van een veelvoud van toestandsgegevens en de zendeenheid (18) bewerkstelligt dat het veelvoud van toestandsgegevens als een cluster van gegevens gemeenschappelijk wordt overgedragen aan de ontvangmodule van het tweede systeemdeel (20).

11. Systeem volgens een der voorgaande conclusies, waarbij de sensoreenheid een 3G sensor omvat.

12. Werkwijze voor het bepalen van een fysiologische toestand van een eerste herkauwer (H) waarbij de werkwijze de volgende stappen omvat: het genereren van een stroom (Sl) meetgegevens (ax(n), ay(n), az(n)) die indicatief is voor een bewegingstoestand van de eerste herkauwer, het met een neuraal netwerk berekenen van een stroom (S3) toestandsgegevens (NTi) uit de stroom meetgegevens welke toestandsgegevens indicatief zijn voor de fysiologische toestand van de eerste herkauwer.

13. Werkwijze volgens conclusie 12, voorts omvattende voorafgaand aan de in conclusie 13 genoemde stappen: a. het genereren van tenminste een stroom (Sl) meetgegevens die indicatief is voor een bewegingstoestand van de eerste herkauwer, b. het ontvangen van invoergegevens die geassocieerd zijn met de tenminste ene stroom meetgegevens van stap a. , waarbij deze invoergegevens een indicatie geven van de fysiologische toestand van de eerste herkauwer voor genoemde tenminste ene stroom meetgegevens van op basis van een onafhankelijke beoordeling, c. het trainen van een neuraal netwerk op basis van de in stap a. gegenereerde stroom (Sl) meetgegevens en de daarmee geassocieerde in stap b. ontvangen invoergegevens .

14. Werkwijze volgens conclusie 13, met het kenmerk, dat de werkwijze voorts de volgende stappen omvat: d. het herhalen van stap a., b. en c. voor een andere stroom meetgegevens en een daarmee geassocieerde andere invoergegevens die elk betrekking hebben op de eerste herkauwer.

15. Werkwijze volgens conclusie 12, voorts omvattende voorafgaand aan de in conclusie 12 genoemde stappen: : - al. het genereren van tenminste een stroom (Sl) meetgegevens die indicatief is voor een bewegingstoestand van een tweede herkauwer die anders is dan de eerste herkauwer, bl. het ontvangen van invoergegevens die geassocieerd zijn met de tenminste ene stroom meetgegevens van stap al. , waarbij deze invoergegevens een indicatie geven van de fysiologische toestand van de tweede herkauwer voor genoemde daarmee geassocieerde tenminste ene stroom meetgegevens van stap al. op basis van een onafhankelijke beoordeling, cl. het trainen van een neuraal netwerk op basis van de in stap al. gegenereerde stroom (Sl) meetgegevens en de daarmee geassocieerde in stap bl. ontvangen invoergegevens.

16. Werkwijze volgens conclusie 15, met het kenmerk, dat de werkwijze voorts de volgende stappen omvat: dl. het herhalen van stap al., bl. en cl. voor een andere stroom meetgegevens en een daarmee geassocieerde andere invoergegevens die elk betrekking hebben op de tweede herkauwer.

17. Werkwijze volgens conclusie 12, voorts omvattende voorafgaand aan de in conclusie 12 genoemde stappen: a2. het genereren van een veelvoud van stromen (Sl) meetgegevens die indicatief is voor een zelfde bewegingstoestand van respectievelijk elk van een veelvoud van herkauwers, b2. het ontvangen van invoergegevens die geassocieerd zijn met de veelvoud van meetgegevens van stap a2. , waarbij deze invoergegevens een indicatie geven van de in stap a2. genoemde zelfde fysiologische toestand op basis van een onafhankelijke beoordeling, c2. het trainen van een neuraal netwerk op basis van de in stap a2. gegenereerde stromen (Sl) meetgegevens en de daarmee geassocieerde in stap b2. ontvangen invoergegevens.

18. Werkwijze volgens conclusie 17, met het kenmerk, dat de werkwijze voorts de volgende stappen omvat: d2. het herhalen van stap a2., b2. en c2. voor een ander veelvoud van meetgegevens en daarmee geassocieerde andere invoergegevens die elk betrekking hebben op het veelvoud van herkauwers;

19. Werkwijze volgens een der conclusies conclusie 13-18, waarbij het getrainde neurale netwerk wordt gebruikt als het neurale netwerk voor het berekenen van de stroom (S3) toestandsgegevens (NTi).

20. Werkwijze volgens conclusie 13, voorts omvattende, volgend op de in een der conclusies 13-19 genoemde stappen en voorafgaand aan de in conclusie 12 genoemde stappen, een stap waarbij de instellingen van het getrainde neuraal netwerk worden gekopieerd naar een verder neuraal netwerk, en dit verdere neurale netwerk wordt gebruikt als het neurale netwerk voor het berekenen van de stroom (S3) toestandsgegevens (NTi).voor bepalen van de fysiologische toestand.

21. Werkwijze volgens een der conclusies 12 - 20, waarbij het neurale netwerk is getraind om aan respectieve uitgangen een signaal (gi) af te geven dat indicatief is voor een kans dat de fysiologische toestand van de eerste herkauwer overeenkomt met respectieve specifieke fysiologische toestanden.

22. Werkwijze volgens conclusie 21, waarbij de fysiologische toestanden waarvoor het neurale netwerk is getraind tenminste een of meer omvatten van grazen, weidegang, beweiden, eten, herkauwen, rusten, slapen, staan en liggen.

23. Werkwijze volgens conclusie 22, waarbij de fysiologische toestanden waarvoor het neurale netwerk is getraind om aan respectieve uitgangen een signaal (gi) af te geven tenminste een of meer omvatten van rusten, herkauwen, eten en waarbij het neurale netwerk voorts is getraind om aan een uitgang een signaal af te geven dat indicatief is voor een kans dat de fysiologische toestand van de herkauwer een andere is dan deze fysiologische toestanden.

24. Werkwijze volgens conclusie 22 of 23, waarbij de fysiologische toestanden waarvoor het neurale netwerk is getraind om aan respectieve uitgangen een signaal (gi) af te geven tenminste een of meer omvatten van rusten en eten, en waarbij het neurale netwerk voorts is getraind om aan een uitgang een signaal af te geven dat dat indicatief is voor een kans dat de fysiologische toestand van de eerste herkauwer een andere fysiologische toestand, niet zijnde herkauwen, is dan deze fysiologische toestanden.

25. Werkwijze volgens conclusie 22, 23 of 24, waarbij de fysiologische toestanden waarvoor het systeem een respectieve uitgang heeft tenminste een of meer omvatten van rusten en slapen.

26. Werkwijze volgens een der conclusies 22-23, waarbij de fysiologische toestanden waarvoor het neurale netwerk is getraind om aan respectieve uitgangen een signaal (gi) af te geven tenminste een of meer omvatten van staan en liggen.

27. Werkwijze volgens een der voorgaande conclusies 12-26, waarbij het genereren van de stroom (Sl) meetgegevens systeem (10) wordt uitgevoerd met een sensor die is opgenomen in een door de eerste herkauwer te dragen systeemdeel (10).

28. Werkwijze volgens conclusie 27, waarbij het door de eerste herkauwer te dragen systeemdeel (10) is uitgevoerd in een door de herkauwer om de nek te dragen behuizing.

29. Werkwijze volgens conclusie 27 of 28, waarbij de sensor een 3G sensor is.