동물복지 향상을 위한 젖소 보행 분석과 점수 예측

초록

본 연구는 12마리의 젖소에 20개의 마커를 부착해 3차원 좌표를 수집하고, 69개의 보행 구간에서 추출한 보행 속성(보행 거리, 보폭, 보행 시간, 속도, 관절 각도)을 이용해 5점 척도(NRS) 기반 보행 점수를 예측한다. 데이터는 NRS ≤2, 2.5, ≥3의 세 그룹으로 재분류했으며, 랜덤 포레스트, GBM, XGBM, SVM 모델을 베이지안 최적화와 반복 교차검증으로 학습시켰다. 최종적으로 GBM이 테스트 셋에서 정확도와 F1 점수 0.65를 기록하며 가장 우수한 성능을 보였다.

상세 분석

이 논문은 기존의 시각적 보행 평가가 주관적이고 대규모 목장에서 실시간 적용이 어려운 점을 보완하고자, 고속 카메라 6대를 이용한 마커 기반 3차원 운동학(kine­matics) 데이터를 활용하였다. 마커는 전신 20개 부위에 부착했으며, 특히 앞·뒤 발굽에 부착된 마커의 좌표를 통해 ‘track‑up’, ‘stride length’, ‘stride time’, ‘stance time’, ‘velocity’, ‘joint flexion’ 등 6가지 핵심 보행 속성을 정의하였다. 각 속성은 수학적 식(예: 거리 차이, 시간 차이, 유클리드 거리)으로 정량화되었고, 비현실적인 값(예: track‑up >33 cm 등)은 평균값으로 대체해 데이터 손실을 최소화하였다.

보행 점수는 기존 5점 NRS를 사용했으나, 클래스 불균형(≤2 점 1개, ≥3 점 6개)으로 인해 세 그룹(≤2, 2.5, ≥3)으로 재구성하였다. 데이터는 70 % 훈련, 30 % 테스트로 분할했으며, 동일 passage에 속한 샘플이 서로 다른 셋에 배정되지 않도록 하여 정보 누수를 방지하였다. 모델 학습 단계에서는 3‑fold 교차검증을 5회 반복하고, 베이지안 최적화를 통해 하이퍼파라미터를 탐색하였다. 랜덤 포레스트는 트리 수·변수 수·노드 크기·깊이 등을, GBM은 트리 수·깊이·학습률·터미널 노드 최소 샘플 수 등을, XGBM은 부스팅 라운드·깊이·학습률·샘플·컬럼 서브샘플링·분할 최소 가중치를, SVM은 비용·감마 값을 최적화했다.

성능 평가는 정확도, 민감도, 특이도, F1 점수, 균형 정확도 등 5가지 지표를 사용했으며, 최종 모델 선택 기준은 macro‑F1 점수였다. 결과적으로 GBM이 테스트 셋에서 정확도 0.65, F1 점수 0.65를 기록하며 가장 높은 예측력을 보였다. 변수 중요도 분석(DALEX)에서는 ‘track‑up XY’, ‘stride length’, ‘velocity’ 등이 모델에 큰 기여를 하는 것으로 나타났으며, ALE 플롯을 통해 각 변수의 값 변화가 점수 예측에 미치는 비선형 효과를 시각화했다.

이 연구는 제한된 샘플(12마리, 69 구간)에도 불구하고, 고차원 운동학 데이터를 효과적으로 전처리·특징화하고, 베이지안 최적화 기반 머신러닝 파이프라인을 구축함으로써 초기 보행 이상을 정량적으로 탐지할 수 있음을 증명했다. 다만 클래스 불균형과 소규모 데이터로 인한 모델 일반화 한계가 존재하며, 향후 대규모 데이터와 실시간 스트리밍 분석을 결합하면 현장 적용 가능성이 크게 확대될 것으로 기대된다.