Förutsägelse i realtid av rapningshändelser hos boskap med huvudvibrationer och maskininlärning i en IoT‑bärbar enhet

Varför kos rapningar spelar roll för klimatet

De flesta funderar inte över en kos rapning, men dessa små gaspuffar samlas tyst till ett stort klimatproblem. Kor och andra betande djur släpper ut stora mängder metan, en värmefångande gas som på kort sikt är mycket starkare än koldioxid. Dagens bästa verktyg för att mäta denna metan är dock dyra, skrymmande och kräver ofta att djuren tas bort från sina vanliga betesmarker. Denna studie presenterar ett nytt sätt att övervaka metanrelaterade rapningar i realtid med hjälp av en lätt huvudgrimma och intelligenta algoritmer, vilket pekar mot billigare och mer djurvänlig klimatövervakning på gårdar.

En smart grimma för betande kor

Forskarna konstruerade en särskild grimma som en ko kan bära medan den rör sig och betar som vanligt. I remmarna över mule, hals och nacke sitter små rörelsesensorer som känner upp subtila vibrationer i djurets huvud. En liten gassensor kan placeras framför nosen för att känna metan, och all elektronik är monterad på ett kompakt kretskort som drivs av ett litet batteri. Systemet skickar data trådlöst till en telefon eller surfplatta, där en anpassad app visar incoming‑signalerna och lagrar dem för senare analys. Hela utrustningen väger ungefär lika mycket som ett lätt halsband, så korna kan röra sig och beta naturligt.

Att omvandla rapningar till data

För att lära systemet hur en rapning ser ut i dataform behövde teamet först tillförlitliga exempel. De använde gassensorn för att flagga tillfällen när gaskoncentrationen vid nosen steg kraftigt över bakgrundsnivåer. Varje sådan topp markerade en sannolik rapningsepisod. Samtidigt spelade rörelsesensorerna in hur kons huvud rörde sig och vibrerade. Forskarna delade sedan upp dessa rörelsespår i korta tidsfönster runt varje metantopp och beräknade enkla sammanfattningar av rörelserna—till exempel hur stora, hur varierande och hur långvariga vibrationerna var i varje riktning. Dessa sammanfattningar blev ingredienserna som matades in i datormodeller för att skilja ”rapnings”‑fönster från normalt beteende.

Att lära maskiner att upptäcka rapningar

Med denna etiketterade data i handen testade teamet en rad maskininlärningsmetoder, inklusive beslutsträd, random forests, boosting‑metoder och neurala nätverk. I deras första tester på två kor och tre sensorpositioner presterade modeller som använde data från alla tre huvudsensorerna bäst och identifierade korrekt rapningskopplade fönster ungefär tre fjärdedelar av gångerna. Senare utökade forskarna testerna till sju kor och fokuserade på en enskild, välplacerad sensor, vilket gjorde uppgiften svårare eftersom djur skiljer sig i hur de rör sig. Ändå presterade en kompakt neuralt nätverksmodell fortfarande bättre än slumpen och upptäckte många händelser i ny data. Viktigt är att de slutgiltiga modellerna var komprimerade nog att köras direkt på små, lågströmschips, vilket gjorde det möjligt för grimman att göra förutsägelser på plats utan konstant internetuppkoppling.

Hinder i verkliga fältförhållanden

Att upptäcka rapningar i en hage är mer komplicerat än det låter. Rapningar är relativt sällsynta jämfört med alla de ögonblick då en ko helt enkelt står, ligger, går eller tuggar. Det betyder att datan är kraftigt obalanserad: för varje verklig rapning finns många icke‑händelser. Teamet hanterade detta genom att noggrant välja och överlappa tidsfönster under träningen så att modellerna såg tillräckligt många positiva exempel. De kontrollerade också hur väl systemet fungerade under naturliga förhållanden där icke‑händelser kraftigt överväger rapningar. I denna svårare miljö plockade deras bästa modell fortfarande ut betydligt fler sanna händelser än en slumpmässig gissning, till priset av vissa falsklarm. Tester över individuella kor visade att vissa djur var lättare att klassificera än andra, vilket understryker behovet av större och mer varierade dataset i framtida arbete.

Vad detta betyder för renare jordbruk

Enkelt uttryckt visar denna studie att man kan lyssna på en kos huvudrörelser istället för att mäta gas kontinuerligt och ändå få en användbar bild av när metanrika rapningar inträffar. Det nuvarande systemet ersätter ännu inte guldstandardinstrumenten, och det upptäcker händelser definierade av metantoppar snarare än att direkt fastställa exakt mängd utsläppt gas. Men det erbjuder ett lovande, kostnadseffektivt sätt att väcka mer energikrävande metansensorer endast under sannolika rapningar, förlänga batteritiden och övervaka djur utan att stänga in dem i kammare. Med fler djur, längre försök och tätare kopplingar till etablerade mätmetoder kan denna typ av smart grimma bli en del av praktiska, djurvänliga verktyg som hjälper bönder och forskare att spåra och slutligen minska metanutsläpp från boskap.

Citering: 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

Nyckelord: metan från boskap, bärbara sensorer, maskininlärning, precisionsjordbruk, växthusgaser