Type de document : article scientifique disponible avant publication dans Journal of Dairy Science
Auteurs : Chuanyi Guo, Emma Ternman, Xinjie Zhao, Kai Liu, Mutian Niu
Résumé en français (traduction) : Classification, à l’aide de l’apprentissage profond, des états d’éveil, de sommeil et de rumination chez les vaches laitières à partir de données de polysomnographie et de RumiWatch
Le sommeil est essentiel à la santé et au bien-être des vaches laitières, mais son suivi précis reste difficile. Si la polysomnographie (PSG) constitue la référence en matière d’évaluation du sommeil, le fait qu’elle repose sur une analyse manuelle des signaux physiologiques, très gourmande en main-d’œuvre, limite son application en exploitation, ce qui souligne la nécessité de disposer de systèmes de capteurs accessibles, tels que le RumiWatch System (RWS). Cette étude a proposé DairySleepNet, un cadre d’apprentissage profond basé sur un modèle d’espace d’états sélectif, pour la classification automatisée des états d’éveil, de sommeil et de rumination à partir de données de PSG et de RWS, dans le but de faciliter des annotations à grande échelle et un déploiement en exploitation. Le cadre proposé a adopté une architecture de codage en deux étapes qui a traité efficacement les représentations temps-fréquence converties à partir de signaux multicanaux bruts par la transformée de Fourier à court terme, capturant à la fois les caractéristiques temporelles intra-canaux et les interactions inter-canaux. La méthode a été évaluée à l’aide de 77,13 h d’enregistrements PSG et RWS exploitables provenant de 7 vaches, avec environ un segment de 12 h conservé pour chaque vache. Une validation croisée au niveau de l’animal et une stratégie d’échantillonnage pondérée souple ont été mises en œuvre pour garantir une évaluation robuste. Les résultats expérimentaux ont démontré que DairySleepNet atteignait un macro-F1 de 86,37 % et une précision de 90,80 % lors de l’utilisation de données PSG, surpassant nettement les modèles de référence basés sur Transformer et sur l’apprentissage automatique. Ces résultats ont confirmé la faisabilité de l’annotation automatisée du sommeil à partir d’enregistrements PSG. Bien que la combinaison des données PSG et RWS ait réduit la variabilité entre les plis, elle n’a pas amélioré les performances globales du système. En revanche, la classification reposant uniquement sur les données RWS est restée insatisfaisante, soulignant la nécessité de poursuivre le développement méthodologique avant de pouvoir mettre en place une surveillance fiable du sommeil en exploitation. Les travaux futurs devraient donner la priorité à une classification fine des stades de sommeil, actuellement limitée par le manque de données étiquetées spécifiques à chaque stade, ainsi qu’à une collecte de données plus large dans divers environnements d’exploitation afin de permettre une application robuste et pratique en exploitation.
Résumé en anglais (original) : Sleep is essential for the health and welfare of dairy cattle, yet accurate monitoring remains challenging. While Polysomnography (PSG) serves as the gold standard for sleep assessment, its reliance on labor-intensive manual scoring of physiological signals constrains on-farm application, underscoring the need for accessible sensor systems such as the RumiWatch System (RWS). This study proposed DairySleepNet, a deep learning framework based on a selective state space model, for automated classification of wakefulness, sleep, and rumination states using PSG and RWS data, with the aim of supporting scalable annotations and on-farm deployment. The proposed framework adopted a 2-stage encoding architecture that effectively processed time-frequency representations converted from raw multichannel signals through the short-time Fourier transform, capturing both within-channel temporal features and cross-channel interactions. The method was evaluated using 77.13 h of usable PSG and RWS recordings from 7 cows, with approximately one 12-h segment retained for each cow. Animal-level cross-validation and a soft weighted sampling strategy were implemented to ensure robust evaluation. Experimental results demonstrated that DairySleepNet achieved a macro F1 of 86.37% and an accuracy of 90.80% when using PSG data, markedly outperforming both Transformer-based and machine learning baselines. These results supported the feasibility of automated sleep annotation from PSG recordings. Although combining PSG and RWS data reduced cross-fold variability, it did not improve the overall system performance. By contrast, classification based solely on RWS data remained unsatisfactory, underscoring the need for further methodological development before reliable on-farm sleep monitoring can be achieved. Future work should prioritize fine-grained sleep staging, currently limited by scarce stage-specific labeled data, and broader data collection across diverse farm environments to enable robust and practical on-farm application.
