Kontaktinformation
Marie Rhodin
Forskare, Universitetslektor vid Institutionen för anatomi, fysiologi och biokemi (AFB); Avdelningen för anatomi och fysiologi samt Avdelningen för hippologi
Telefon: 018-672194
E-post: marie.rhodin@slu.se
Ur SLU:s kunskapsbank
Automatisk klassificering av hästens olika gångarter
Senast ändrad: 26 januari 2021
Människan har fascinerats över hästens fantastiska rörelsemönster och olika gångarter genom tiderna. Att klassificera olika gångarter görs traditionellt genom en visuell bedömning men rörelsens höga hastighet och människans begränsade synsinne gör bedömningen svår. Forskare från Sveriges lantbruksuniversitet har därför initierat en studie tillsammans med ett internationellt forskarteam från olika discipliner för att ta fram objektiva metoder för automatisk klassificering av hästens gångarter.
I studien ingick 120 hästar av fyra olika raser som utförde tre eller flera av sju olika gångarter: skritt, trav, galopp, tölt, pass, paso fino och colombiansk trocha. Hästarnas rörelsemönster registrerades med sju små tröghetssensorer som fästes på hästarna. Olika AI-tekniker (maskininlärning), bland annat så kallade neurala nätverk, användes för att skapa automatiserad gångartsklassificering.
Den automatiska gångartsanalysen kunde med 97% säkerhet klassificera hästens gångarter korrekt. Störst felklassificering fanns mellan trocha och trav vilket delvis kan bero på att dessa gångarter skiljer sig främst genom rörelsefrekvens, inte genom skillnader i timing mellan benens rörelser.
Metoden som tagits fram i studien kan användas som ett hjälpmedel för att objektivt klassificera rörelsemönstret hos hästar vid exempelvis tävlingar, i avelsutvärderingar och vid hältanalys med hjälp av tröghetssensorer. Resultaten gav även upphov till intressanta hypoteser för framtida studier av gångarter hos djur.
Studien som initierades av forskare vid Sveriges lantbruksuniversitet är ett samarbetsprojekt med Kungliga Tekniska Högskolan i Stockholm samt universitet i Nederländerna, Island, Colombia, Belgien, Schweiz och den har delvis finansierats av Stiftelsen Hästforskning och Formas.
Länk till publikationen
https://www.nature.com/articles/s41598-020-73215-9
Referens
Serra Bragança F.M., Broomé S., Rhodin M., Björnsdóttir S., Gunnarsson V., Voskamp J.,Persson-Sjodin E.P, Back W., Lindgren G., Novoa-Bravo M., Roepstorff C., Van der Zwaag B.J., Van Weeren P.R. and Hernlund E. (2020) Improving gait classification in horses by using inertial measurement unit (IMU) generated data and machine learning. Nature Scientific Reports.