Chèvres corn’éctées : suivi de l’activité des chèvres en continu, d’un simple mouvement de corne !

Le suivi en continu de l’activité des animaux est une tâche difficile. Un des enjeux est de caractériser le comportement de manière quantitative, c’est-à-dire de le mesurer objectivement avec des variables, comme le temps passé dans les positions « couché » et « debout », la fréquence à laquelle les animaux ruminent, ou le temps qu’ils passent à interagir avec les congénères. Ces variables comportementales serviront de support pour la gestion de la santé et du bien-être, grâce à des modèles mathématiques complémentaires. L’objectif est donc de débloquer la puissance des modèles en utilisant des données comportementales numériques mesurées en continu sur de longues périodes : c’est ce qu’on appelle l’éthologie quantitative. Rien de nouveau ? Pas tout à fait : l’éthologie connait un tournant majeur grâce à la disponibilité de capteurs fiables à des prix abordables, qui fournissent des données sur les animaux de façon continue et automatique. Néanmoins, pour la plupart des espèces, l’utilisation de ces capteurs renvoie le plus souvent des données brutes, difficilement interprétables. Les caméras par exemple fournissent des images qui ne donnent aucune information directe sur le comportement. Et c’est exactement ici que les méthodes d’IA interviennent, en traduisant les informations enregistrées par les capteurs en variables comportementales. Dans cette étude, les chercheurs ont voulu relever le défi « du capteur au suivi du comportement des chèvres Créoles » avec l’utilisation d’accéléromètres. Ça ne vous dit rien ? Mais si ! Nous en possédons tous dans nos smartphones ou dans nos montres connectées. Ce sont des capteurs qui enregistrent l’accélération, c’est-à-dire la vitesse à laquelle nous bougeons dans les trois dimensions de l’espace. A quoi ça sert ? Eh bien, à décrypter votre activité, en fonction du pattern de votre accélération. Par exemple, si l’accéléromètre de votre téléphone détecte un signal de faible intensité avec une périodicité d’environ une demi-seconde, il y a de fortes chances que vous soyez en train de marcher, le téléphone dans votre poche, enregistrant chacun de vos pas pour en faire le total en fin de journée.

Revenons à nos chèvres. L’idée est en fait très proche : chaque type d’activité conduit à un mouvement particulier, qui lui-même conduit à un pattern d’accélération spécifique. Plus simplement, chaque activité possède une signature accélérométrique qui lui est propre. Alors oui, à ce stade, ça vous paraît très simple, c’est d’ailleurs pour ça que beaucoup de chercheurs se sont lancés dans ce défi ! Mais comme bien souvent, c’est quand on passe de la théorie à la pratique que les cheveux blancs apparaissent. Car les mouvements réalisés lors d’une même activité, comme celle du pâturage, ne sont jamais complétement les mêmes. Ça dépend de la hauteur de l’herbe, de la pente, des espèces botaniques, etc. Les accéléromètres ne sont pas non plus placés exactement au même endroit d’une chèvre à l’autre, conduisant à des signatures proches, mais variées. Les animaux eux-mêmes ont des mouvements ou postures un peu différents pour une même activité, ce qui rend le problème toujours moins simple. 

Il y a donc de la variabilité dans les données qui complique la tâche pour les modèles mathématiques « conventionnels ». La bonne nouvelle, c’est que les modèles d’IA sont de plus en plus efficaces pour extraire les patterns profonds liés à chaque classe d’activité. En particulier, les réseaux de type LSTM (Long-Short Term Memory) sont spécialement conçus pour la prédiction à partir de séries temporelles. Une série temporelle, c’est simplement une suite de mesures enregistrées au fil du temps. Quand on les met bout à bout, elles révèlent des informations qu’on ne verrait pas si on regardait chaque mesure séparément. Pour prédire l’activité à un temps donné, les modèles LSTM tirent justement profit des corrélations temporelles cachées dans ces fameux patterns/signatures. Pour cela, ils utilisent une sorte de mémoire qui stocke les éléments, du passé et du futur, afin de retrouver ce que l’animal a fait à chaque instant. En réalité, les chercheurs ne sont pas les premiers à utiliser ce genre de méthode. La nouveauté repose plutôt sur l’architecture hiérarchique développée : les séries temporelles d’accélérations ne sont pas traitées d’un seul coup par un modèle, mais de manière itérative, en traitant d’abord les activités les plus simples à prédire, permettant d’augmenter la qualité de prédiction. Par exemple, le comportement « pâture » chez la chèvre génère un pattern d’accélération assez anarchique, facilement identifiable. Dans un premier temps, les chercheurs demandent donc au modèle de trouver les périodes dans la série temporelle où l’animal a pâturé. Une fois que c’est fait, le modèle devra identifier les séquences associées à la rumination dont le pattern est un peu moins évident. Et ainsi de suite jusqu’aux comportements aux signatures les moins spécifiques, comme le déplacement. Par ailleurs, les chercheurs ont accordé une importance particulière à la reproductibilité de leurs travaux, en incluant le plus de détails possibles sur leur méthode. Les pré-traitements appliqués aux données sont tous détaillés et les codes sont disponibles pour tous en ligne. Enfin, la méthode a été testée sur une base de données incluant une grande diversité d’animaux, elle-même disponible en accès libre, assurant la reproductibilité de ces travaux. 

Au final le modèle hiérarchique LSTM, fonctionne-t-il ? Oui, et plutôt très bien ! Une chèvre qui est en train de pâturer sera bien détectée dans 99.5% des cas, dans 98% lorsqu’elle est au repos, et 95.2% lorsqu’elle rumine, offrant ici des informations cruciales et fiables pour étudier le lien entre comportement, santé et bien-être. Certains comportements comme le déplacement restent malgré tout encore complexes à identifier (51.2%), sûrement parce qu’ils sont trop peu représentés dans le jeu de données.

Avec cette étude, c’est la technologie des accéléromètres qui s’affirme un peu plus pour la prédiction des comportements animaux. C’est ici la diversité du jeu de données, la robustesse et la simplicité de la méthode qui sont à souligner, avec notamment des projets qui sont en cours pour utiliser ce procédé sur d’autres espèces (moutons et vaches). Une avancée technologique ouvrant encore un peu plus des perspectives en matière de suivi automatisé du comportement et de son lien avec la santé et le bien-être animal.

Figure : Exemple de séries temporelles d’accéléromètres collectées sur la corne des chèvres pour chacun des comportements étudiés. Chacun des 3 signaux correspond à chacun des axes de l’accéléromètre (axe X, Y et Z). On voit bien ici que les patterns sont différents selon les comportements : c’est ce qui permet au modèle LSTM de reconnaitre les activités des chèvres. Certaines activités sont faciles à reconnaitre comme le pâturage, tandis que d’autres sont plus difficiles à distinguer comme le déplacement. C’est l’intérêt de l’architecture hiérarchique proposée dans cette étude : le modèle doit d’abord reconnaitre les séries temporelles associées aux comportements facilement identifiables avant d’aller, par élimination, vers des séries associées à des comportements de moins en moins spécifiques.

Les travaux ont été financé par l’ANR via les projets HealtHavior 22-CE32-0005-01 et Wait-4 ANR-22-PEAE-0008. Il a également été rendu possible grâce à une mobilité individuelle, facilitant les interactions entre les auteurs du papier, financée par SFI (Science Foundation Ireland) et le gouvernement Irlandais via la subvention 16/RC/3835. Enfin, comme dans beaucoup de cas, la création de nouvelles méthodes ne peut pas se faire sans unité expérimentale, qui met à disposition des animaux et un savoir-faire, et permet d’apporter de la crédibilité à la méthode proposée. C’est ici l’UE PTEA de Gardel qui a permis de réaliser l’ensemble des développements liés à ce projet.