Predicción en tiempo real de episodios de eructos en ganadería mediante vibraciones de la cabeza y aprendizaje automático en un dispositivo portátil IoT

Por qué importan los eructos de las vacas para el clima

La mayoría de la gente no presta atención al eructo de una vaca, pero esas pequeñas bocanadas de gas se acumulan hasta convertirse en un gran problema climático. Las vacas y otros animales rumiantes emiten grandes cantidades de metano, un gas que atrapa el calor y que, a corto plazo, es mucho más potente que el dióxido de carbono. Sin embargo, las mejores herramientas actuales para medir ese metano son caras, voluminosas y a menudo requieren sacar a los animales de sus pastos habituales. Este estudio presenta una nueva forma de vigilar en tiempo real los eructos asociados al metano mediante un cabestro ligero y algoritmos inteligentes, lo que apunta a un control climático en las granjas más barato y respetuoso con los animales.

Un cabestro inteligente para vacas de pasto

Los investigadores diseñaron un cabestro especial que la vaca puede llevar mientras se desplaza y se alimenta con normalidad. Integrados en las correas sobre el hocico, el cuello y la nuca hay diminutos sensores de movimiento que detectan las sutiles vibraciones en la cabeza del animal. Un pequeño sensor de gas se puede colocar frente a la nariz para olfatear metano, y toda la electrónica se monta en una placa compacta alimentada por una batería pequeña. El sistema envía datos inalámbricamente a un teléfono o tableta, donde una aplicación personalizada muestra las señales entrantes y las almacena para su análisis posterior. Todo el conjunto pesa aproximadamente lo mismo que un collar ligero, de modo que las vacas pueden moverse y pastar de forma natural.

Convertir los eructos en datos

Para enseñar al sistema cómo se parece un eructo en forma de datos, el equipo primero necesitó ejemplos fiables. Usaron el sensor de metano para señalar los momentos en que los niveles de gas en la nariz de la vaca aumentaban bruscamente por encima de los valores de fondo. Cada uno de estos picos marcó un probable episodio de eructo. Al mismo tiempo, los sensores de movimiento registraron cómo se movía y vibraba la cabeza de la vaca. Los científicos segmentaron estos registros de movimiento en ventanas de tiempo cortas alrededor de cada pico de metano y calcularon resúmenes simples de los movimientos —como la magnitud, la variabilidad y la duración de las vibraciones en cada dirección—. Estos resúmenes se convirtieron en los insumos que alimentaron los modelos informáticos para separar las ventanas de “eructo” del comportamiento normal.

Enseñar a las máquinas a detectar eructos

Con estos datos etiquetados en mano, el equipo probó una batería de métodos de aprendizaje automático, incluidos árboles de decisión, bosques aleatorios, métodos de boosting y redes neuronales. En su primera ronda de pruebas con dos vacas y tres ubicaciones de sensores, los modelos que utilizaron datos de los tres sensores de la cabeza fueron los más eficaces, identificando correctamente las ventanas vinculadas a eructos en aproximadamente tres cuartas partes de los casos. Posteriormente, los investigadores ampliaron las pruebas a siete vacas y se centraron en un único sensor bien situado, lo que complicó el problema porque los animales difieren en sus movimientos. Aun así, un modelo compacto de red neuronal siguió rindiendo por encima del azar y detectó correctamente muchos eventos en datos nuevos. De forma importante, los modelos finales se comprimieron lo suficiente como para ejecutarse directamente en pequeños chips de bajo consumo, lo que permite que el cabestro realice predicciones en el propio dispositivo sin necesidad de acceso constante a Internet.

Desafíos reales en el campo

Detectar eructos en un pasto es más complicado de lo que parece. Los eructos son relativamente raros en comparación con todos los momentos en que una vaca está simplemente de pie, tumbada, caminando o masticando. Eso significa que los datos están fuertemente desequilibrados: por cada eructo verdadero hay muchos no‑eventos. El equipo abordó esto seleccionando con cuidado y solapando ventanas temporales durante el entrenamiento para que los modelos vieran suficientes ejemplos positivos. También comprobaron cómo funcionaba el sistema en condiciones naturales donde los no‑eventos superan ampliamente a los eructos. En ese escenario más exigente, su mejor modelo aún distinguió muchos más eventos reales que una suposición aleatoria, a costa de algunas falsas alarmas. Las pruebas entre distintas vacas mostraron que algunos animales fueron más fáciles de clasificar que otros, lo que subraya la necesidad de conjuntos de datos más amplios y variados en trabajos futuros.

Qué supone esto para una ganadería más limpia

En términos sencillos, este estudio demuestra que se puede escuchar el movimiento de la cabeza de una vaca en lugar de medir el gas todo el tiempo y, aun así, obtener una imagen útil de cuándo ocurren eructos ricos en metano. El sistema actual no reemplaza todavía a los instrumentos de referencia y detecta eventos definidos por picos de metano en lugar de probar directamente la cantidad exacta de gas liberado. Pero ofrece una vía prometedora y de bajo coste para activar sensores de metano más voraces energéticamente solo durante los eructos probables, prolongar la vida de la batería y vigilar a los animales sin confinarlos en cámaras. Con más animales, ensayos más prolongados y vínculos más estrechos con métodos de medición establecidos, este tipo de cabestro inteligente podría integrarse en herramientas prácticas y respetuosas con los animales que ayuden a agricultores y científicos a rastrear y, en última instancia, reducir el metano procedente de la ganadería.

Cita: Moncayo, J., Velasquez, M.L., Riveros, P.E. et al. Real-time eructation event prediction in livestock using head vibrations and machine-learning in an IoT wearable device. Sci Rep 16, 9099 (2026). https://doi.org/10.1038/s41598-026-42728-0

Palabras clave: metano ganadero, sensores portátiles, aprendizaje automático, agricultura de precisión, gases de efecto invernadero