I
nnova Science
Journal
| Vol.03 | Núm.03 | Jul
–
Sep| 2025
| www.innovasciencejournal.omeditorial.com
336
Artículo Científico
Sensores
i
nteligentes y
t
écnicas de
m
achine
l
earning
para la
d
etección del
e
strés en
g
anado
b
ovino
.
Systematic review on intelligent sensors and techniques machine
learning for the
detection of stress in cattle
.
Lascano
-
Rivera,
Samuel Benjamín
1
;
Rivera
-
Escriba,
Luis Antonio
2
;
Balarezo
-
Urresta,
Luis
Rodrigo
3
;
Castañeda
-
Albán,
Jorge Eduardo
4
.
1
Universidad Politécnica Estatal del Carchi
;
Ecuador
,
Tulcán
;
https://orcid.org/0000
-
0001
-
5967
-
6441
;
samuel.lascano@upec.edu.ec
2
Universidade Estadual do Norte Fluminense
;
Brasil
,
Rio de Janeiro
;
https://orcid.org/0000
-
0002
-
5029
-
2561
;
rivera@uenf.br
3
Universidad Politécnica Estatal del
Carchi
;
Ecuador
,
Tulcán
;
https://orcid.org/0000
-
0001
-
5546
-
1259
;
luis.balarezo@upec.edu.ec
4
Universidad San Ignacio de Loyola
;
Perú
,
Lima
;
https://orcid.org/0000
-
0001
-
7725
-
8702
;
jorge.castaneda@usil.pe
1
Autor
Correspondencia
https://doi.
org/10.63618/omd/isj/v3/n3/64
Resumen:
Este artículo analiza el uso de la inteligencia artificial y el
aprendizaje automático en la ganadería de precisión, enfocándose en el
monitoreo del bienestar animal y la detección del estrés térmico en bovinos.
Se destacan tecnologías como los sensores inteligentes y el Internet de las
Cosas (IoT), que permiten un monitoreo continuo, remoto y no invasivo. La
revisión se basó en una búsqueda sistemática de artículos publicados desde
2020, empleando descriptores c
lave. Los resultados muestran que
algoritmos como Random Forest y XGBoost logran altos niveles de precisión
en la predicción de estados de salud y estrés, con índices de acierto de hasta
el 89,3 %. A pesar de estos avances, persisten desafíos en la mejora
de la
precisión de los modelos y en la integración eficiente de datos para una
implementación escalable en entornos ganaderos reales.
Palabras clave:
Machine Learning; Ganado Bovino
;
Sensores Inteligentes
;
Stress.
Abstract:
This article examines the use of artificial intelligence and machine
learning in precision livestock farming, focusing on animal welfare monitoring
and heat stress detection in cattle. Technologies such as smart sensors and
the Internet of Things (IoT) are
highlighted for enabling continuous, remote,
and non
-
invasive monitoring. The review was based on a systematic search
of articles published since 2020 using key descriptors. Results show that
algorithms like Random Forest and XGBoost achieve high accuracy
in
predicting health and stress states, with success rates reaching up to 89.3 %.
Despite these advances, challenges remain in improving model accuracy and
efficiently integrating data for scalable implementation in real
-
world livestock
environments
.
Keywords:
Machine Learning
;
Cattle
;
Smart Sensors
;
Stress.
Cita:
Lascano
-
Rivera, S. B.,
Rivera
-
Escriba, L. A., Balarezo
-
Urresta
, L. R., & Castañeda
-
Albán, J. E. (2025). Sensores
inteligentes y técnicas de machine
learning para la detección del
estrés en ganado bovino. Innova
Science Journal, 3(3), 336
-
355.
https://doi.org/1
0.63618/omd/isj/v
3/n3/64
Recibido:
03
/
05
/20
25
Aceptado:
27
/
06
/20
25
Publicado:
31
/
07
/20
25
Copyright:
©
2025
por los
autores. Este artículo es un
artículo de acceso abierto
distribuido bajo los términos y
condiciones de la
Licencia
Creative Commons, Atribución
-
NoComercial 4.0 Internacional.
(
CC
BY
-
NC
)
.
(
https://creativecommons.org/lice
nses/by
-
nc/4.0/
)
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
337
Artículo Científico
1. Introducción
La inteligencia artificial (IA) y el aprendizaje automático (AA) están siendo cada vez más
utilizadas en diversas aplicaciones dentro de la industria ganadera. Las tecnologías
digitales emergentes están transformando el monitoreo y manejo del ganado median
te
métodos no invasivos y automatizados para evaluar la salud y el bienestar animal
(Fuentes et al., 2022), reduciendo significativamente la intervención humana,
minimizando errores y evitando perturbaciones externas como etiquetas o marcas
tradicionales u
sadas para identificar los animales (Technologies
Y
Management, 2023).
El desafío clave radica en integrar de manera eficiente datos, sensores y modelos de IA
para abordar problemas prioritarios en la producción ganadera. Esta integración permite
aprovechar plenamente el potencial de la inteligencia artificial para mejorar ta
nto la
productividad como el manejo animal (Patel et al., 2022; Neethitajan, 2022).
Entre las técnicas de IA, el aprendizaje profundo destaca por su capacidad para
procesar grandes volúmenes de datos provenientes de sistemas de monitoreo. Estas
técnicas pu
eden superar las dificultades asociadas a la clasificación de datos inciertos,
imprecisos o con solapamiento entre clases (Rodríguez
-
Ramos et al., s.f.).
La ganadería moderna busca incorporar herramientas de agricultura de precisión y
tecnologías de aprend
izaje automático para incrementar la eficiencia y sostenibilidad de
la producción. Sin embargo, estos avances aún se encuentran en una fase incipiente,
tanto en términos de madurez tecnológica como de disponibilidad de recursos humanos
capacitados, lo que
implica la existencia de múltiples desafíos por resolver (Romanzini
et al., 2022). En este contexto, la combinación de sensores inteligentes e Internet de las
Cosas (IoT) está impulsando una transformación profunda en la gestión ganadera (Tekın
et al., 202
1).
Algunas aplicaciones basadas en sensores inteligentes incluyen sistemas de monitoreo
en pastoreo extensivo, dispositivos para rastrear ubicación, actividad y comportamiento
animal, detección temprana de cojeras y enfermedades. Estos sensores generan
gr
andes volúmenes de datos que, al ser procesados y analizados, permiten tomar
decisiones más informadas sobre el manejo del ganado y los recursos (Tedeschi et al.,
2021), especialmente en cuanto al cuidado continuo y en tiempo real del bienestar
animal (Hal
achmi et al., 2019).
Además, sensores de movimiento, como acelerómetros y GPS, facilitan el seguimiento
de la actividad, posición y desplazamientos del ganado (Džermeikaitė et al., 2023),
detectando cambios en patrones conductuales que pueden indicar probl
emas de salud,
como estrés o cojera. A su vez, biomarcadores relacionados con la salud y reproducción,
como bolos ruminales, actúan como indicadores de trastornos metabólicos (Qiao et al.,
2021). Este enfoque se conoce como ganadería de precisión (Tekın et
al., 2021;
Neethirajan, 2020).
El monitoreo automatizado del estrés es particularmente relevante dada la creciente
incidencia de factores climáticos como el cambio global y el calentamiento planetario,
que incrementan el riesgo de estrés térmico en el gan
ado. Este fenómeno afecta
negativamente la salud, el bienestar y la productividad animal, además de variar
considerablemente entre individuos (Islam et al., 2021).
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
338
Artículo Científico
Por ello, resulta fundamental implementar estrategias personalizadas de monitoreo y
mitigación del estrés en bovinos, evaluando parámetros fisiológicos y cambios
conductuales mediante una combinación de métodos tradicionales y tecnologías
automatizadas, co
n el objetivo de lograr una detección más precisa y oportuna a nivel
individual (Islam et al., 2020). Por ejemplo, Darvesh et al. (2023) han demostrado que la
temperatura de la piel es un indicador más confiable del estrés por calor que la
temperatura corp
oral interna, debido a la dificultad para medir esta última en animales
con piel gruesa.
La combinación de temperatura ambiente y humedad relativa es clave para determinar
los niveles de estrés térmico, los cuales se clasifican en leve (Índice de Temperatu
ra y
Humedad
-
THI
-
entre 72 y 79), moderado (THI entre 79 y 89) y severo (THI > 89). Los
datos recopilados por los sensores son alimentados a algoritmos de aprendizaje
automático para predecir el estado general de salud del ganado, incluyendo el nivel de
e
strés (Jaddoa, 2020). Según Darvesh et al. (2023), los parámetros más utilizados para
medir el estrés incluyen: temperatura de la piel, frecuencia cardíaca, nivel de actividad,
condiciones ambientales (temperatura y humedad) y patrones de sueño. Estos dato
s
pueden registrarse mediante collares inteligentes.
Por otro lado, Davison et al. sugieren que combinar collares con sensores tipo
acelerómetro puede ser una solución viable para detectar y cuantificar automáticamente
el estrés en ganado lechero. Gracias
al uso integrado de inteligencia artificial y
tecnologías sensoriales, la ganadería moderna está viviendo una verdadera revolución
en el monitoreo y manejo del bienestar animal. Esto posibilita un control continuo y no
invasivo de la salud y productividad
del ganado, apoyado por análisis de datos en tiempo
real. Tales innovaciones tienen el potencial de ayudar a la industria ganadera a enfrentar
eficazmente los desafíos actuales y futuros.
2. Materiales y Métodos
Para esta revisión sistemática sobre el uso
de tecnologías de inteligencia artificial y
sensores inteligentes en el monitoreo y manejo del estrés en el ganado, surgen las
siguientes cuestiones para esclarecer:
P1 ¿Cómo pueden las tecnologías de aprendizaje automático y sensores inteligentes
mejora
r la detección y gestión del estrés en el ganado?
P2 ¿Qué algoritmos y métodos son más efectivos para clasificar condiciones de salud y
estrés térmico en la ganadería?
P3 ¿Cuáles son los desafíos y áreas clave para futuras investigaciones en la
implementación de estas tecnologías en la ganadería de precisión?
Resolver estas preguntas implica
identificar palabras
claves relacionadas para la
búsqueda en bases de datos científicas. Entonces para la pregunta uno, P1, las palabras
clave serán las sigu
ientes: machine learning, intelligent sensors, stress, livestock y
detection. Para aclarar la segunda pregunta , P2, se agregaron las palabras clave
algoritmos, métodos, salud y heat stress. Finalmente, para pregunta tres, P3 también se
le agregaron las pa
labras clave challenge y precision livestock. La combinación de las
palabras claves de P1 , P2 y P3 dan como resultado 133 artículos, en bases de datos
científicas indexadas.
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
339
Artículo Científico
Los artículos seleccionados se limitan a publicaciones desde 2020 hasta la actu
alidad
para centrarse en las últimas investigaciones relacionadas con los últimos desarrollos.
Este marco de búsqueda sintetiza enfoques metodológicos y resultados significativos
que ayudan a abordar las preguntas de investigación propuestas y comprenden l
a
aplicación de las tecnologías en la práctica. Los artículos seleccionados se evaluaron
en función de la metodología, el rendimiento del algoritmo y los resultados obtenidos.
La evaluación se lleva a cabo de forma sistemática siguiendo el diagrama de fluj
o
PRISMA que se muestra en la Figura 1. A través de estos estudios, se buscó métodos
efectivos y desafíos en la implementación de tecnologías ganaderas de precisión.
Figura 1:
Diagrama de Flujo PRISMA para la selección del estudio
2.1
Estado de
arte
de ganadería de precisión
La ganadería de precisión es un enfoque innovador y necesario en la producción animal,
ya que emplea tecnologías avanzadas para mejorar los sistemas de manejo y de
desempeño. Se describe el estado del arte de las aplicaciones de
sensores y la
variabilidad que entran en juego en la ganadería de precisión. Los mismos son
resumidos en la figura 1, mostrando la forma de operar sobre la eficiencia productiva y
el bienestar animal.
2.2
Sensores en
GP
.
En diversas investigaciones sobre el comportamiento y bienestar del ganado se han
utilizado distintos tipos de sensores
(Becker et al., 2021; Lardy et al., 2023)
. Entre ellos,
destacan acelerómetros 3D, giroscopios y cámaras para monitorear el comportam
iento
de rumia y actividad de las vacas lecheras
(Gorczyca
Y
Gebremedhin, 2020)
, así como
unidades de medición inercial (IMU) de 9 ejes y microcontroladores integrados para
predecir la actividad del ganado y eventos de estrés por calor
(Chapman et al., 2
023a;
Dineva
Y
Atanasova, 2023a)
. Para la predicción de eventos de estrés por calor en vacas
lecheras, se han empleado sensores de
rumen bolus
que permiten la recolección de
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
340
Artículo Científico
datos meteorológicos como temperatura del aire, humedad, radiación solar, lluvia
y
velocidad del viento, además de datos internos de temperatura del rumen, actividad,
índice de rumia y eventos de consumo de agua
(Chaudhry et al., 2020)
. Adicionalmente,
el uso de sensores GNSS facilita la localización precisa mediante la recolección de datos
de latitud, longitud y altitud
(Fuentes et al., 2020; Giannuzzi et al., 2022)
.
En estudios sobre la clasificación de comportamientos en ganado bov
ino, se ha utilizado
el sensor SparkFun 9 degrees of freedom razor IMU MO, que combina acelerómetros y
giroscopios de 3 ejes, permitiendo la obtención de magnitudes precisas de aceleración
y giroscopio para clasificar diferentes comportamientos
(Darvesh et
al., 2023)
. Además,
collares Afimilk Silent Herdsman y acelerómetros Axivity han sido empleados para
predecir partos en vacas lecheras, registrando actividades como comer, rumiar, nivel
relativo de actividad y tiempo de cola en posición elevada
(Da
Y
Ro
drigues, 2022)
.
En la detección temprana de la dermatitis digital en vacas lecheras, se han usado
sensores Nedap Smarttag Leg y Nedap Smarttag Neck, los cuales recogen datos sobre
el número de pasos, tiempo de pie, tiempo de caminata, tiempo de acostado,
tiempo de
comida, tiempo de rumia y tiempo de inactividad, proporcionando información crucial
para la identificación y manejo temprano de esta afección
(Martono et al., 2023; Setiamy
Y
Deliani, 2019)
. Por último, se ha destacado el uso de mini aceleróme
tros triaxiales
integrados en cabestros ajustados para recopilar aceleraciones durante la alimentación
de las vacas, analizando el comportamiento alimentario que puede ser indicativo del
bienestar animal
(El Moutaouakil
Y
Falih, 2024)
.
2.3
Variables reco
lectadas en GP
En las investigaciones revisadas, se recolectaron diversas características clave para
monitorear el comportamiento y bienestar del ganado. Entre ellas, se encuentran los
datos de temperatura, localización (latitud, longitud, altitud), y lect
uras de unidades de
medición inercial (IMU) que incluyen acelerómetros, giroscopios y magnetómetros
(Becker et al., 2021; Chapman et al., 2023a; Chaudhry et al., 2020; Da
Y
Rodrigues,
2022; Fuentes et al., 2020; Giannuzzi et al., 2022; Lardy et al., 2023)
. Se registraron
datos automatizados como la ingesta de leche, velocidad de consumo de leche, visitas
recompensadas y no recompensadas al comedero, ingesta de iniciador, recuento total
de pasos y tiempo de acostarse
(Darvesh et al., 2023; Dineva
Y
Atanaso
va, 2023a;
Giannuzzi et al., 2022; Gorczyca
Y
Gebremedhin, 2020)
. Además, se obtuvieron
características manuales como la puntuación de ultrasonido, peso corporal y estado de
IgG
(Giannuzzi et al., 2022; Gorczyca
Y
Gebremedhin, 2020)
.
Se recolectaron datos sobre la temperatura del rumen, actividad, índice de rumia y
eventos de consumo de agua para predecir eventos de estrés por calor en vacas
lecheras
(Chaudhry et al., 2020; Darvesh et al., 2023; Fuentes et al., 2020)
. Otras
caracterí
sticas incluyen actividades como comer, rumiar, nivel relativo de actividad,
tiempo de cola en posición elevada, número de pasos, tiempo de pie, tiempo de
caminata, tiempo de acostado, tiempo de comida, tiempo de rumia y tiempo de
inactividad
(Chapman et a
l., 2023; Lardy et al., 2023; Martono et al., 2023; Setiamy
Y
Deliani, 2019)
. En estudios sobre la clasificación de comportamientos en terneros
lecheros, se extrajeron 44 características de las magnitudes de la aceleración y el
giroscopio
(Dineva
Y
Atana
sova, 2023; Giannuzzi et al., 2022)
.
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
341
Artículo Científico
2.4
Algoritmos utilizados en la GP.
En diversas investigaciones sobre el comportamiento y bienestar del ganado se han
utilizado distintos algoritmos de aprendizaje automático. Entre los más importantes
están: Bosque
Aleatorio (RF), Máquina de Vectores de Soporte (SVM), Árbol de
Decisión (DT), K
-
Vecinos más Cercanos (k
-
NN), XGBoost, Redes Neuronales (NN),
entre otros. RF es utilizado en múltiples estudios para clasificar y predecir el
comportamiento y estado de salud
del ganado
(Brouwers et al., 2023; Cantor et al.,
2022; Setiamy
Y
Deliani, 2019)
. SVM
es
usado para la clasificación del comportamiento
del ganado, especialmente en la detección de eventos específicos como la metritis y el
estrés térmico
(Cantor et al., 2022; Martono et al., 2023)
. DT es utilizado en estudios
enfocados en la clasificación del comportamiento del ganado, ofreciendo un buen
equilibrio entre sensibilidad y especificidad
(Setiamy
Y
Deliani, 2019)
, mientras que k
-
NN es emple
ado en investigaciones para predecir eventos de salud del ganado como la
metritis
(Cantor et al., 2022)
. El algoritmo XGBoost es destacado por su alto rendimiento
en la clasificación de comportamientos específicos del ganado como la alimentación y
rumia
(Dineva
Y
Atanasova, 2023)
. En la predicción de respuestas fisiológicas y
comportamientos del ganado es utilizado NN es utilizado con buena precisión
(Chapman
et al., 2023; Gorczyca
Y
Gebremedhin, 2020)
. La Tabla 1 sinteriza los algoritmos y
tecnología
s usados en la detección de factores relacionados con estrés vacuno.
2.5
Desempeño de los algoritmos en la GP.
Entre los algoritmos de aprendizaje automático con mejor desempeño tenemos a RF
con una precisión del 81.91% para predecir la producción diaria
de leche
(Brouwers et
al., 2023)
, de la misma manera se reportaron puntajes F1 entre 92.86% y 100% en la
predicción de metritis
(Cantor et al., 2022)
. SVM mostró un desempeño inferior con
puntajes F1 entre 23.26% y 65% en la predicción de metritis
(Can
tor et al., 2022)
.
Mientras que k
-
NN alcanzó una precisión del 99.34% para la clasificación de
comportamiento de alimentación en vacas en la investigación
(Martono et al., 2023)
.
En
otra investigación destacada
(Cantor et al., 2022)
, tuvo puntajes F1
entre 44.94% y
63.16% en la predicción de metritis. Con uso de Bi
-
LSTM
se logró una precisión del
96.79% en la clasificación de comportamientos bovinos en tiempo real utilizando
recolección de energía de radiofrecuencia en la investigación
(Setiamy
Y
Deli
ani, 2019)
.
3.
Resultados
3.1
Tecnologías de aprendizaje automático y sensores inteligentes en la mejoría
de la detección y gestión del estrés en el ganado.
Los estudios demuestran
cómo la combinación de tecnologías de aprendizaje
automático y sensores
inteligentes están revolucionando la forma en que se gestiona el
estrés en el ganado, permitiendo intervenciones más precisas y efectivas para mejorar
la salud y el bienestar animal,
como sintetiza la Tabla 1, los artículos más relevantes
como Becker et al
. (2021) centran su trabajo en la
predicción del estrés térmico en vacas
lecheras
utilizando técnicas de aprendizaje automático. Los autores emplearon varios
algoritmos, destacando que el método de
RF
en la predicción del estrés por calor, lo que
permite a
los productores detectar y mitigar los efectos negativos del estrés térmico en
la producción de leche. Se utilizó un sistema de puntuación y se integraron sensores
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
342
Artículo Científico
como los de temperatura corporal y frecuencia respiratoria para recoger datos
relevantes so
bre las condiciones del ganado.
Lardy et al. (2023)
investigan la
discriminación de condiciones patológicas,
reproductivas y de estrés en vacas
mediante el análisis de datos de actividad obtenidos
de sensores
utilizando RF. En este enfoque se sugiere que la integración de datos de
sensores puede mejorar significativamente la gestión del ganado. Gorczyca
Y
Gebremedhin (2020) clasifican los factores de estrés térmico ambiental que afectan a
las vacas lecheras med
iante algoritmos de ML. Los resultados indican que
la
temperatura del aire
es el factor más influyente en las respuestas fisiológicas de las
vacas, lo que resalta la importancia de los sensores ambientales en la detección de
estrés térmico. Estos hallazgos
pueden ayudar a los ganaderos a implementar
intervenciones adecuadas antes de que se produzcan condiciones estresantes.
Mientras que Chapman et al. (2023) presentan un modelo de
LSTM, que es un tipo de
Rede neuronal recurrente (RNN), para pronosticar el
estrés térmico en ganado,
utilizando datos de comportamiento registrados de forma autónoma. El estudio concluye
que los métodos de aprendizaje profundo recurrentes son más precisos que los
enfoques estadísticos tradicionales, lo que sugiere que la combina
ción de datos de
sensores y técnicas avanzadas de aprendizaje automático puede mejorar
significativamente el bienestar animal y la productividad.
Tabla 1.
Relación de Sensores Inteligentes y Técnicas de Machine
Fuentes
ML Factible
Estrés
Vacas
Sensor
(Becker et al., 2021)
;
(Lardy et al., 2023)
;
(Gorczyca
Y
Gebremedhin, 2019)
;
(Veissier et al., n.d.)
;
(Veissier et
al., n.d.)
;
(Vidal et al., 2023)
RF
*
*
*
(Chapman et al., 2023b)
LSTM
*
*
*
(Dineva
Y
Atanasova, 2023b)
;
(Chaudhry et
al., 2020)
;
(Zhou et al., 2022)
;
(Fadul
-
Pacheco et al., 2021)
;
(Balasso et al., 2021)
;
(Schmeling et al., 2021)
;
(Marques et al., 2024)
;
(Tran et al., 2021)
;
(Miller et al.,
2020)
;
(Schmeling et al., 2021)
;
(Watanabe et al.,
2021)
;
(Gha
foor
Y
Sitkowska, 2021)
;
(Higaki et al., n.d.)
RF
*
*
(Fuentes et al., 202
2
)
ANN
*
*
*
(Giannuzzi et al., 2022)
(El Moutaouakil
Y
Falih, 2024)
(Dac et al., 2022)
ANN
*
*
(Darvesh et al., 2023)
(Li et al., 2022)
(Riaboff et al.,
2020)
XGBoost
*
*
(Da
Y
Rodrigues, n.d.)
SVM
*
*
*
(Martono et al., 2023)
DT
*
*
(Gorczyca
Y
Gebremedhin, 2019)
GBM
*
*
*
(Brouwers et al., 2023)
MiniRocket y
InceptionTim
e.
*
*
(Zhang et al., n.d.)
LSTM
*
*
(Pedrosa et al., 2024)
MLP
*
*
(Shorten, 2023)
;
(Balasso et al., 2023)
;
(Hosseininoorbin et al., 2021)
CNN
*
*
(Surana
Y
Sharma, n.d.)
CNN y LSTM
*
*
(Sawada et al., 2023)
LightGBM y
NN
*
*
(Shu et al., n.d.)
RNA
*
*
*
(Wagner et al., 2020)
;
(Magana
et al., 2023)
;
(Cantor et
al., 2022)
k
-
NN
*
*
(Nogoy et al., 2021)
k
-
NN
*
*
*
(Dang et al., 2024)
Bi
-
LSTM
*
*
(Liseune et al., 2021)
C
-
LSTM
*
*
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
343
Artículo Científico
Nota:
Estudios
de machine l
earning para la
d
etección de estrés en
g
anado
b
ovino
Figura
2
.
Sensores
Usados en Ganadería de Precisión con Bovinos
P1: ¿Cómo pueden las tecnologías de aprendizaje automático y sensores inteligentes
mejorar la detección y gestión del estrés en el ganado?
Las tecnologías de aprendizaje automático (ML) y los sensores
inteligentes permiten un
monitoreo continuo, no invasivo y preciso del bienestar del ganado. Estas tecnologías
recopilan datos clave como temperatura de la piel, frecuencia cardíaca, actividad física,
temperatura y humedad ambiental, entre otros. Los senso
res, como acelerómetros,
GPS y bolos ruminales, capturan información en tiempo real que luego es procesada
por algoritmos de ML para predecir estados de salud y niveles de estrés. Esto facilita la
detección temprana de problemas como el estrés térmico y en
fermedades, mejorando
la gestión individualizada del ganado
3.2
Algoritmos y metodologías efectivas para clasificar condiciones de salud y
estrés térmico en la ganadería.
En esta revisión se destacan los algoritmos RF, SVM, ANN y GBM, como se observa en
la Fi
gura 3 generada desde la Tabla 1. y Tabla 2, (Lardy et al., 2023), (Gorczyca
Y
Gebremedhin, 2019), (Chapman et al., 2023b), (Fuentes et al., 2022)
.
31
3
3
6
5
10
9
5
4
1
1
4
1
1
1
1
0
5
10
15
20
25
30
35
(Woodward et al., 2024)
CA
*
*
*
(Stygar et al., 2023)
XGBoost.
*
*
*
(Ding
et al., 2022)
XGB
*
*
*
(Carslake et al., 2021)
AdaBoost
*
*
(Hernández et al., 2024)
SVM
*
*
(Tian et al., 2021)
k
-
NN
-
RF
*
*
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
344
Artículo Científico
Figura 3.
Algoritmos resultantes eficientes usados con sensores inteligentes en las
investigaciones
.
Tabla 2.
Algoritmos efectivos para clasificar condiciones de salud en ganado bovino
ML
Efectividad
Aplicaciones
Ventajas
RF
Alta precisión para
predecir el estrés
térmico y clasificar
condiciones de salud.
Predicción de precisión de
sistemas de
puntuación de
estrés térmico, discriminación
de condiciones patológicas,
productivas y de estrés.
Alta precisión en la
predicción de
enfermedades como la
cojera y la mastitis.
SVN
Buena precisión en la
clasificación de datos
complejos.
Clasificación de
co
mportamientos y condiciones
de salud basados en datos de
sensores.
Eficaz en la predicción de
dermatitis digital y otras
condiciones de salud.
ANN
Capacidad para
manejar grandes
volúmenes de datos y
detectar patrones
complejos.
Predicción de respuestas
fisiológicas al estrés térmico,
como temperatura corporal y
frecuencia respiratoria.
Alta precisión en la
predicción de parámetros
fisiológicos complejos.
GBM
Alta precisión en la
predicción de
condiciones de salud y
estrés térmico.
Clasificación de
comportamientos y predicción
de respuestas fisiológicas.
Mejora continua del modelo
a través de la combinación
de múltiples árboles de
decisión.
La Tabla 3 presenta un resumen de las metodologías utilizadas para clasificar las
condiciones de salud en gan
ado bovino, organizando la información de manera clara y
accesible, no solo resume información clave sobre estudios relevantes en el área de
salud bovina, sino que también se proporciona un recurso valioso para la comprensión
y análisis de las metodologías
utilizadas en este campo de investigación.
1
1
21
3
2
1
5
1
4
3
2
1
2
1
1
1
2
1
1
1
2
0
5
10
15
20
25
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
345
Artículo Científico
Tabla
3
Metodologías para clasificar condiciones de salud en ganado bovino.
Título del Estudio
Autores
Metodología
Cita
Predicting dairy cattle
health using machine
learning techniques
Marufuzzaman, M.,
Store, A.G., Decker,
C.A.
Técnicas de
aprendizaje
automático
“Predicting dairy cattle
health using machine
learning techniques.”
Discriminating
pathological, reproductive
or productive conditions in
dairy cows using sensor
-
based activity data
Landy, R.,
Ruin, Q.,
Voltaic, L.
Aprendizaje
automático basado
en datos de
actividad de
sensores
“Discriminating
pathological, reproductive
or productive conditions in
dairy cows using sensor
-
based activity data.”
Ranking of environmental
factors for heat stress in
dairy cows using machine
learning algorithms
Gorczyca, M.T.,
Gebremedhin, K.G.
Algoritmos de
aprendizaje
automático
“Ranking of environmental
factors for heat stress in
dairy cows using machine
learning algorithms.”
A deep learning model to
forecast
cattle heat stress
Chapman, N.M.,
Chlingaryan, A.,
Thomson, P.C.,
Lomax, S., Islam, M.A.,
Doughty, A.K., Clark,
C.E.F.
Modelo de
aprendizaje
profundo
“A deep learning model to
forecast cattle heat stress.”
Classification of health
status in dairy cows
using
machine learning and data
management on AWS
Cloud
Dineva, E., Atanasova,
T.
Aprendizaje
automático y gestión
de datos en AWS
Cloud
“Classification of health
status in dairy cows using
machine learning and data
management on AWS
Cloud.”
IoT and
Machine Learning
enabled Livestock
Monitoring
Chaudhry, A.A.,
Mumtaz, R., Pakdi,
S.M., Tahir, M.A.,
School, S.M.
Monitoreo de
ganado habilitado
por IoT y
aprendizaje
automático
“IoT and Machine Learning
enabled Livestock
Monitoring.”
Artificial Intelligen
ce
applied to a robotic dairy
farm to model milk
productivity and quality
Fuentes, S., Viejo,
C.G., Cullen, B.,
Tongson, E., Chauhan,
S.S., Dunshea, F.R.
Inteligencia artificial
aplicada a una
granja lechera
robótica
“Artificial Intelligence
applied to a r
obotic dairy
farm to model milk
productivity and quality.”
Non
-
invasive evaluation of
heat stress in cattle using
machine learning and
infrared thermography
Rodrigues, A.V.
Aprendizaje
automático y
termografía
infrarroja
“Non
-
invasive evaluation of
heat
stress in cattle using
machine learning and
infrared thermography.”
La implementación de tecnologías avanzadas ha demostrado ser efectiva en la
detección temprana de enfermedades y en la gestión del estrés térmico. En la tabla 3
se puede identificar las metodologías más efectivas en este campo.
P2: ¿Qué algoritmos y métod
os son más efectivos para clasificar condiciones de salud
y estrés térmico en la ganadería?
Entre los algoritmos más efectivos se encuentran Bosque Aleatorio (RF), XGBoost,
Máquina de Vectores de Soporte (SVM) y Redes Neuronales (NN). RF y XGBoost
destacan
por su alta precisión en la clasificación del comportamiento animal, con
estudios que reportan hasta un 89.3% de precisión en la detección del estrés térmico.
SVM es útil para clasificar comportamientos específicos como el estrés térmico o la
metritis, mi
entras que NN ofrece buenos resultados en la predicción de respuestas
fisiológicas. Estos métodos son alimentados con datos recolectados por sensores
avanzados, lo que asegura un análisis robusto
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
346
Artículo Científico
3.3
Desafíos y áreas clave para futuras investigaciones en la im
plementación de
estas tecnologías en la ganadería de precisión
La adopción de tecnologías en la ganadería de precisión debe hacer frente a varios retos
considerables que deben ser abordados para mejorar su adecuado uso. Uno de los
principales obstáculos e
s la integración de los datos de diferentes fuentes, como
sensores, dispositivos IoT y sistemas de gestión de datos, en un único sistema. La
heterogeneidad de estos datos y la falta de normalización dificultan la
interoperabilidad
y, por tanto, puede limitar la capacidad de los sistemas para interactuar y trabajar de
forma adecuada, por lo que la creación de estándares y protocolos que favorezcan la
integración de los datos es fundamental para obtener sistemas que permitan una
comu
nicación fluida entre diferentes sistemas y elementos (Marufuzzaman et al., 2021).
Otro reto importante es la calidad y la exactitud de los datos recogidos mediante las
diferentes herramientas de control. Las condiciones ambientales y técnicas pueden
condi
cionar la exactitud de estos datos y, por tanto, se pueden tomar decisiones
erróneas. Con el fin de poder dar respuesta a este problema, sería necesario mejorar la
exactitud y fiabilidad de los sensores y/o algoritmos de corrección de errores que puedan
ga
rantizar la calidad de los datos (Landy et al., 2020).
La creación de modelos predictivos exactos que sean capaces de interpretar los
volúmenes de datos en tiempo real representaría otro reto relevante. La construcción de
estos modelos podría verse obstacu
lizada por el hecho de que deben adaptarse a
diferentes condiciones y contextos con el fin de ser útiles. Por lo tanto, la creación y
optimización de algoritmos de aprendizaje automático y modelos de inteligencia artificial
que sean capaces de gestionar gr
andes volúmenes de datos a los fines de ofrecer
predicciones exactas y útiles es necesaria (Gorczyca
Y
Gebremedhin, 2020). La
adopción de las nuevas tecnologías por parte de los ganaderos puede ser muy lenta
debido a la falta de formación técnica y la resi
stencia al cambio, así como las interfaces
de usuario fáciles de usar. Por lo tanto, la creación de programas de formación y soporte
a los ganaderos, así como la creación de interfaces de usuario accesibles y fáciles de
utilizar son altamente recomendables
. (Chapman et al., 2022).
El coste inicial de la implantación de las tecnologías de precisión puede ser elevado, y
los ganaderos tienen que ver un retorno claro para poder justificar dicha inversión.
Producir estudios de coste/beneficio y desarrollar model
os de negocio que demuestren
el valor económico de la adopción de las tecnologías de precisión es un ámbito clave de
futuras investigaciones (Dineva
Y
Atanasova, 2020). La seguridad y privacidad de los
datos puede ser otro aspecto crítico. La recogida y al
macenamiento de grandes
volúmenes de datos sensibles es un aspecto que implicará cuestiones sobre la
seguridad y la privacidad de la información. Es necesario desarrollar soluciones de
seguridad adecuadas y políticas de privacidad adecuadas que garanticen
que los datos
de los ganaderos estén protegidos y que se atengan a la legalidad vigente (Chaudhry et
al., 2020).
Siguiendo con las áreas claves para futuras investigaciones, el desarrollo de sensores
más avanzados que permitan obtener datos más certeros y
en tiempo real sobre la salud
y el comportamiento del ganado resulta fundamental. También se requiere mejorar los
algoritmos de machine learning para gestionar mejor la variabilidad del dato, y ofrecer
predicciones más certeras y prácticas (Fuentes et al.
, 2020). Desarrollar sistemas de
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
347
Artículo Científico
gestión de datos que sean capaces de integrar y analizar datos provenientes de
múltiples fuentes de forma práctica y efectiva también resulta esencial. Llevar a cabo
modelos predictivos que puedan prevenir problemas de salu
d y de comportamiento del
ganado, permitiendo así actuaciones tempranas para mejorar el estado del animal, es
otra de las áreas clave (Rodrigues, 2020).
También, el diseño de las interfaces de los usuarios que sean intuitivas y fáciles de usar,
y que prop
orcionen a los ganaderos la información que necesitan de un modo claro y
accesible resulta crucial para la adopción de estas tecnologías. Realizar estudios de
caso y pruebas piloto para observar el valor y la efectividad de las tecnologías de
precisión en
diferentes contextos y tipos de ganadería también es clave (Marufuzzaman
et al., 2021). También se requiere investigación y desarrollo de políticas y regulaciones
que apoyen la adopción de las tecnologías de precisión en la ganadería, garantizando
que se c
umplan los estándares de seguridad y privacidad, lo cual es clave para el éxito
de la implementación de estas tecnologías a largo plazo (Landy et al., 2020). La
ganadería de precisión presenta distintos críticos, pero también presenta diferentes
oportunida
des para mejorar la eficiencia, el bienestar animal y la rentabilidad, las
investigaciones futuras deben centrarse en comprender esos críticos y en dar solución
a través de soluciones innovadoras en busca de la adopción de estas por los ganaderos.
P3: ¿Cuá
les son los desafíos y áreas clave para futuras investigaciones en la
implementación de estas tecnologías en la ganadería de precisión?
Los principales desafíos incluyen mejorar la precisión de los modelos predictivos,
integrar datos provenientes de múltip
les fuentes sensoriales y superar limitaciones
tecnológicas asociadas al costo y disponibilidad de sensores avanzados. También es
crucial desarrollar sistemas adaptados a las condiciones específicas del entorno
ganadero. Áreas clave para futuras investigac
iones incluyen el perfeccionamiento de
algoritmos para manejar incertidumbres en los datos, la personalización del monitoreo
a nivel individual y la capacitación técnica para los productores ganaderos.
4.
Discusión
El debate en torno a la puesta en marcha
de tecnologías relacionadas con el aprendizaje
automático y de sensores inteligentes para una buena gestión del estrés en el ganado
bovino, está ofreciendo un panorama altamente satisfactorio en pro de una mejora de la
salud y de la calidad del bienestar a
nimal. De hecho, la ganadería bovina se a tener que
enfrentar a retos más que ostensible sobre el estrés térmico y sobre las condiciones de
salud, por tanto, la incorporación de esas tecnologías emergentes implica la aparición
de un posible y suficiente re
medio.
4.1
Impacto de las Tecnologías en la Detección del Estrés
Los estudios revisados, como el de Becker et al. (2021), indican que el uso de algoritmos
de aprendizaje automático, como el de Random
Forest, ha permitido a los productores
de ganado lechero predecir el estrés térmico con mayor precisión. Tener la
capacidad
de
detectar y reducir los efectos negativos del estrés por calor no sólo mejora la salud
animal,
sino que también aumenta la producción de leche, lo cual es importante para la
rentabilidad de las explotaciones ganaderas. La integración de sensores, como los de
temperatura corporal y frecuencia respiratoria, proporciona datos en tiempo real que son
fu
ndamentales para la toma de decisiones informadas. Además, el trabajo de Lardy et
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
348
Artículo Científico
al. (2023) resalta la importancia de los datos de actividad obtenidos de sensores para
discriminar entre diversas condiciones patológicas y de estrés. Este enfoque no solo
me
jora la gestión del ganado, sino que también permite a los veterinarios y productores
identificar problemas antes de que se conviertan en crisis, promoviendo un enfoque
proactivo en la salud animal.
4.2
Algoritmos Efectivos y su Aplicación
El análisis de los
algoritmos utilizados para clasificar los estados de salud (que se
muestran en la Tabla 2), así como técnicas como SVM y ANN han demostrado ser
efectivas para predecir condiciones de salud complejas. Estos algoritmos son
especialmente útiles para clasifica
r datos complejos y detectar patrones invisibles a
simple vista. Por ejemplo, las redes neuronales pueden procesar grandes cantidades de
datos y probar patrones; Esto es importante en áreas con datos heterogéneos. También
es importante la alta precisión de
l algoritmo GBM a la hora de predecir la salud y el
estrés térmico. Este modelo permite la mejora continua mediante la combinación de
múltiples árboles de decisión, lo que garantiza una buena distribución de la información.
4.3
Desafíos en la Implementación d
e Tecnologías
A pesar de las evidentes ventajas, el despliegue de estas innovaciones tropieza con
numerosos obstáculos. Una de las principales barreras es la
fusión de
información de
diversos orígenes. "La diversidad de datos y la ausencia de protocolos uniformes hacen
que la interoperabilidad sea un desafío, lo que limita la capacidad de los sistemas para
intercambiar información de manera efectiva".
Otro obstáculo
considerable tiene que
ver con el calibre y la precisión de la información recopilada por los sensores. Las
variables ecológicas y técnicas pueden influir en la precisión de estas cifras, lo que
podría provocar elecciones erróneas. Por lo tanto, es importa
nte hacer que los sensores
sean más confiables y crear formas de corregir errores en los datos, como recomienda
la investigación de Landy et al. (2020).
4.4
Futuras Direcciones de Investigación
Entre áreas clave para investigar en el futuro está el desarrollo
de sensores avanzados
que puedan proporcionar datos en tiempo real más precisos sobre la salud y el
comportamiento del ganado. También es importante mejorar los algoritmos de
aprendizaje automático, para que puedan trabajar con una mayor variabilidad de l
os
datos y, por lo tanto, hacer predicciones más útiles. Otra prioridad es la creación de
sistemas de gestión de datos eficientes, que puedan integrar y analizar la información
de diferentes fuentes. También puede ser que la adopción de nuevas tecnologías
sea
lenta, ya que los ganaderos pueden carecer de conocimientos técnicos y ser resistentes
al cambio. Por lo tanto, es necesario desarrollar interfaces de uso agradables y
accesibles, para que no se requieran habilidades especializadas para utilizarlas,
ad
emás de ofrecer programas de capacitación.
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
349
Artículo Científico
5.
Conclusiones
La integración de sensores inteligentes y algoritmos de aprendizaje automático está
impulsando una transformación significativa en la ganadería, permitiendo un manejo
más eficiente, preciso y p
roactivo del bienestar animal, especialmente en lo referente al
estrés térmico. Este enfoque no solo mejora las condiciones de vida del ganado, sino
que también incrementa la productividad y sostenibilidad de los sistemas de producción.
Algoritmos como Ran
dom Forest (RF), XGBoost y Support Vector Machine (SVM) se
destacan como herramientas clave para la clasificación de estados de salud y detección
del estrés en bovinos. Su capacidad para procesar grandes volúmenes de datos con
alta precisión los convierte
en aliados fundamentales en el análisis automatizado de
indicadores fisiológicos y conductuales.
No obstante, la implementación efectiva de estas tecnologías enfrenta desafíos
prácticos y técnicos, entre los cuales se incluyen la integración heterogénea de
datos,
la accesibilidad a infraestructura tecnológica y la disponibilidad de personal capacitado
para su manejo. La superación de estos obstáculos es crucial para maximizar el impacto
de la inteligencia artificial en la gestión ganadera.
Este artículo muestra que las tecnologías basadas en inteligencia artificial y sensores
inteligentes tienen un papel fundamental en la detección temprana y monitoreo continuo
del estrés bovino. Aunque ya se han alcanzado avances prometedores mediante el us
o
de algoritmos como RF y XGBoost, persisten retos que requieren atención para
consolidar su aplicación a gran escala. A medida que estas herramientas continúen
evolucionando, es previsible una transformación integral en la ganadería hacia modelos
más sost
enibles, centrados en el bienestar animal y orientados a una mayor eficiencia
productiva.
Referencias Bibliográficas
Balasso, P., Marchesini, G., Ughelini, N., Serva, L.,
Y
Andrighetto, I. (2021).
Machine learning
to detect posture and behavior in dairy co
ws: Information from an accelerometer on the
animal
’
s left flank.
Animals
,
11
(
10
).
https://doi.org/
10.3390
/
ani
11102972
Balasso, P., Taccioli, C., Serva, L., Magrin, L., Andrighetto, I.,
Y
Marchesini, G. (2023).
Uncovering Patterns in Dairy Cow Behaviour: A Deep Learning Approach with Tri
-
Axial
Accelerometer Data.
Animals
,
13
(11).
https://doi.org/10.3390/ani13111886
Becker, C. A., Aghalar
i, A., Marufuzzaman, M.,
Y
Stone, A. E. (2021). Predicting dairy cattle
heat stress using machine learning techniques.
Journal of Dairy Science
,
104
(1), 501
–
524.
https://doi.org/10.3168/jds.2020
-
18653
Brouwers, S. P., Simmler, M., Savary, P.,
Y
Scriba, M. F. (2023). Towards a novel method for
detecting atypical lying down and standing up behaviors in dairy cows using accelerometers
and machine learning.
Smart Agricultural Technology
,
4
(November 2022),
100199.
https://doi.org/10.1016/j.atech.2023.100199
Cantor, M. C., Casella, E., Silvestri, S., Renaud, D. L.,
Y
Costa, J. H. C. (2022).
Using Machine
Learning and Behavioral Patterns Observed by
Automated Feeders and Accelerometers for
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
350
Artículo Científico
the Early Indication of Clinical Bovine Respiratory Disease Status in Preweaned Dairy
Calves.
Frontiers in Animal Science
,
3
(July),
1
–
16.
https://doi.org/10.3389/fanim.2022.852359
Carslake, C., Vázquez
-
Diosdado, J. A.,
Y
Kaler, J. (2021). Machine learning algorithms to
classify and quantify multiple behaviours in dairy calves using a sensor
–
moving beyond
classification in precision livestoc
k.
Sensors (Switzerland)
,
21
(1), 1
–
14.
https://doi.org/10.3390/s21010088
Chapman, N. H., Chlingaryan, A., Thomson, P. C., Lomax, S., Islam, M. A., Doughty, A. K.,
Y
Clark, C. E. F. (2023a).
A deep learning
model to forecast cattle heat stress.
Computers and
Electronics in Agriculture
,
211
(March), 107932.
https://doi.org/10.1016/j.compag.2023.107932
Chaudhry, A. A., Mumtaz, R., Hassan Zaidi, S. M.
, Tahir, M. A.,
Y
Muzammil School, S. H.
(2020). Internet of Things (IoT) and Machine Learning (ML) enabled Livestock Monitoring.
HONET 2020
-
IEEE 17th International Conference on Smart Communities: Improving
Quality of Life Using ICT, IoT and AI
,
May 200
4
, 151
–
155.
https://doi.org/10.1109/HONET50430.2020.9322666
Da, A. V.,
Y
Rodrigues, S. (2022).
Avaliação não invasiva do estresse térmico de bovinos: uma
abordagem baseada em aprendizado de m
áquina e termografia de infravermelho
.
Dac, H. H., Viejo, C. G., Lipovetzky, N., Tongson, E., Dunshea, F. R.,
Y
Fuentes, S. (2022).
Livestock Identification Using Deep Learning for Traceability.
Sensors
,
22
(21).
https://doi.org/10.3390/s22218256
Dang, T. H., Nkenyereye, L., Tran, V. T.,
Y
Chung, W. Y. (2024). Self
-
Powered Cattle Behavior
Monitoring System Using 915 MHz Radio Frequency Energy Harvesting.
IEEE Access
,
12
,
33779
–
33791.
https://doi.org/
10.1109
/
ACCESS.
2024.3360852
Darvesh, K., Khande, N., Avhad, S.,
Y
Khemchandani, M. (2023). IOT and AI based smart cattle
health monitoring.
Journal of Livestock
Science
,
14
(3), 211
–
218.
https://doi.org/10.33259/jlivestsci.2023.211
-
218
Dineva, K.,
Y
Atanasova, T. (2023a).
and Data Management on AWS Cloud
.
Dineva, K.,
Y
Atanasova, T. (2023b).
Health S
tatus Classification for Cows Using Machine
Learning and Data Management on AWS Cloud.
Animals
,
13
(20).
https://doi.org/10.3390/ani13203254
Ding, L., Lv, Y., Jiang, R., Zhao, W., Li, Q., Yang, B., Yu, L.
, Ma, W., Gao, R.,
Y
Yu, Q. (2022).
Predicting the Feed Intake of Cattle Based on Jaw Movement Using a Triaxial
Accelerometer.
Agriculture (Switzerland)
,
12
(7).
https://doi.org/10.3390/agriculture12070899
El Moutaouakil, K.,
Y
Falih, N. (2024).
A comparative study on time series data
-
based artificial
intelligence approaches for classifying cattle feeding behavior.
Indonesian Journal of
Electrical Engineering and
Computer Science
,
33
(1), 324
–
332.
https://doi.org/10.11591/ijeecs.v33.i1.pp324
-
332
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
351
Artículo Científico
Fadul
-
Pacheco Liliana, Delgado Hector,
Y
Cabrera Victor E. (2021).
Exploring machine learning
algorithms fo
r early prediction of clinical mastitis
.
https://www.sciencedirect.com/science/article/pii/S0958694621000790
Fuentes, S., Gonzalez Viejo, C., Tongson, E.,
Y
Dunshea, F. R.
(2022).
The livestock farming
digital transformation: implementation of new and emerging technologies using artificial
intelligence. In
Animal Health Research Reviews
(Vol. 23, Issue 1, pp.
59
–
71).
Cambridge
University Press.
https://doi.org/10.1017/S1466252321000177
Fuentes, S., Viejo, C. G., Cullen, B., Tongson, E., Chauhan, S. S.,
Y
Dunshea, F. R. (2020).
Artificial intelligence applied to a robotic dairy farm to model milk productivity and qual
ity
based on cow data and daily environmental parameters.
Sensors (Switzerland)
,
20
(10).
https://doi.org/10.3390/s20102975
Ghafoor, N. A.,
Y
Sitkowska, B. (2021). MasPA
: A Machine Learning Application to Predict
Risk of Mastitis in Cattle from AMS Sensor Data.
AgriEngineering
,
3
(3), 575
–
583.
https://doi.org/10.3390/agriengineering3030037
Giannuzzi, D., Mota,
L. F. M., Pegolo, S., Gallo, L., Schiavon, S., Tagliapietra, F., Katz, G.,
Fainboym, D., Minuti, A., Trevisi, E.,
Y
Cecchinato, A. (2022). In
-
line near
-
infrared analysis
of milk coupled with machine learning methods for the daily prediction of blood metab
olic
profile in dairy cattle.
Scientific Reports
,
12
(1).
https://doi.org/10.1038/s41598
-
022
-
11799
-
0
Gorczyca, M. T.,
Y
Gebremedhin, K. G. (2020). Ranking of environmental heat stressors for dairy
cows using machine learning algorithms.
Computers and Electronics in Agriculture
,
168
(October 2019).
https://doi.org/
10.1016/j.compag.2019.105124
Halachmi, I., Guarino, M., Bewley, J.,
Y
Pastell, M. (2019). Smart Animal Agriculture:
Application of Real
-
Time Sensors to Improve Animal Well
-
Being and Production.
Annual
Review of Animal Biosciences
,
7
, 403
–
425.
https://doi.org/10.1146/annurev
-
animal
-
020518
-
114851
Hernández, G., González
-
Sánchez, C., González
-
Arrieta, A., Sánchez
-
Brizuela, G.,
Y
Fraile, J.
C. (2024).
Machine Learning
-
Based Prediction of Cat
tle Activity Using Sensor
-
Based Data.
Sensors
,
24
(10).
https://doi.org/10.3390/s24103157
Higaki, S., Darhan, H., Suzuki, C., Suda, T., Sakurai, R.,
Y
Yoshioka, K. (n.d.). An attempt at
estrus detection in
cattle by continuous measurements of ventral tail base surface temperature
with supervised machine learning. In
Technology Report
-
Journal of Reproduction and
Development
(Vol. 67, Issue 1).
Hosseininoorbin, S., Layeghy, S., Kusy, B., Jurdak
, R., Bishop
-
Hurley, G. J., Greenwood, P. L.,
Y
Portmann, M. (2021). Deep learning
-
based cattle behaviour classification using joint time
-
frequency data representation.
Computers and Electronics in Agriculture
,
187
.
https://doi.org/10.1016/j.compag.2021.106241
Islam, M. A., Lomax, S., Doughty, A., Islam, M. R., Jay, O., Thomson, P.,
Y
Clark, C. (2021).
Automated Monitoring of Cattle Heat Stress and Its Mitigation.
Frontiers in Animal Science
,
2
(O
ctober),
1
–
20.
https://doi.org/
10.3389
/
fanim.
2021.737213
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
352
Artículo Científico
Lardy, R., Ruin, Q.,
Y
Veissier, I. (2023). Discriminating pathological, reproductive or stress
conditions in cows using machine learning on
sensor
-
based activity data.
Computers and
Electronics in Agriculture
,
204
(December 2022), 107556.
https://doi.org/10.1016/j.compag.2022.107556
Li, Y., Shu, H., Bindelle, J., Xu, B., Zhang, W.,
Jin, Z., Guo, L.,
Y
Wang, W. (2022).
Classification and Analysis of Multiple Cattle Unitary Behaviors and Movements Based on
Machine Learning Methods.
Animals
,
12
(9).
https://doi.org/10.3390/ani12091060
Liseune, A., den Poel, D. Van, Hut, P. R., van Eerdenburg, F. J. C. M.,
Y
Hostens, M. (2021).
Leveraging sequential information from multivariate behavioral sensor data to predict the
moment of calving in dairy cattle using deep learning.
Computers and Ele
ctronics in
Agriculture
,
191
.
https://doi.org/10.1016/j.compag.2021.106566
Magana, J., Gavojdian, D., Menahem, Y., Lazebnik, T., Zamansky, A.,
Y
Adams
-
Progar, A.
(2023).
Machine learning approaches to predict and detect early
-
onset of digital dermatitis
in dairy cows using sensor data.
Frontiers in Veterinary Science
,
10
.
https://doi.org/10.3389/fvets.2023.1295430
Marques, T. C., Marques, L. R., Fernandes, P. B., de Lima, F. S., do Prado Paim, T.,
Y
Leão, K.
M. (2024). Machine Learning to Predict Pregnancy in Dairy Cows: An Approach Integrating
Automated Activity Monitoring and On
-
Farm Data.
Animals
,
14
(11).
https://doi.org/10.3390/ani14111567
Martono, N. P., Sawado, R., Nonaka, I., Terada, F.,
Y
Ohwada, H. (2023).
Automated Cattle
Behavior Classification Using Wearable Sensors and
Machine Learning Approach
(Issue
November).
Springer Nature Singapore.
https://doi.org/10.1007/978
-
981
-
99
-
7855
-
7_5
Miller, G. A., Mitchell, M., Barker, Z. E., Giebel, K., Codling, E. A., Amory, J. R., Michie, C.,
Davison, C., T
achtatzis, C., Andonovic, I.,
Y
Duthie, C. A. (2020). Using animal
-
mounted
sensor technology and machine learning to predict time
-
to
-
calving in beef and dairy cows.
Animal
,
14
(6), 1304
–
1312.
https://doi.org/
10.1017
/
S
1751731119003380
Neethirajan, S. (2020). The role of sensors, big data and machine learning in modern animal
farming.
Sensing and Bio
-
Sensing Research
,
29
(July), 100367.
h
ttps://doi.org/10.1016/j.sbsr.2020.100367
Nogoy, K. M. C., Park, J., Chon, S. Il, Sivamani, S., Park, M. J., Cho, J. P., Hong, H. K., Lee, D.
H.,
Y
Choi, S. H. (2021). Precision detection of real
-
time conditions of dairy cows using an
advanced artificial
intelligence hub.
Applied Sciences (Switzerland)
,
11
(24).
https://doi.org/10.3390/app112412043
Patel, H., Samad, A., Hamza, M., Muazzam, A.,
Y
Harahap, M. K. (2022). Role of Artificial
Intelligence in L
ivestock and Poultry Farming.
Sinkron
,
7
(4), 2425
–
2429.
https://doi.org/10.33395/sinkron.v7i4.11837
Pedrosa, V. B., Chen, S.
-
Y., Gloria, L. S., Doucette, J. S., Boerman, J. P., Rosa, G. J. M.,
Y
Brito,
L. F. (2024). Machine learning methods for genomic prediction of cow behavioral traits
measured by automatic milking systems in North American Holstein cattle.
Journal of Dairy
Science
.
https://
doi.org/10.3168/jds.2023
-
24082
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
353
Artículo Científico
Riaboff, L., Poggi, S., Madouasse, A., Couvreur, S., Aubin, S., Bédère, N., Goumand, E.,
Chauvin, A.,
Y
Plantier, G. (2020). Development of a methodological framework for a robust
prediction of the main behaviours of dairy c
ows using a combination of machine learning
algorithms on accelerometer data.
Computers and Electronics in Agriculture
,
169
.
https://doi.org/10.1016/j.compag.2019.105179
Rodríguez
-
Ramos, A., Ver
de, C.,
Y
Llanes
-
Santiago, O. (n.d.).
An integrated monitoring system
based on deep learning tools for industrial process
⋆
.
Romanzini, E. P., Watanabe, R. N., Fonseca, N. V. B., Berça, A. S., Brito, T. R., Bernardes, P.
A., Munari, D. P.,
Y
Reis, R. A. (2022).
Modern livestock farming under tropical conditions
using sensors in grazing systems.
Scientific Reports
,
12
(1), 1
–
10.
https://doi.org/10.1038/s41598
-
022
-
06650
-
5
Sawada, T., Uc
hino, T., Martono, N. P.,
Y
Ohwada, H. (2023). Efficient Estimation of
Cow
’
s
Location Using Machine Learning Based on
Sensor Data.
Lecture Notes of the Institute for
Computer Sciences, Social
-
Informatics and Telecommunications Engineering, LNICST
,
477
LNIC
ST
, 86
–
94.
https://doi.org/
10.1007/978
-
3
-
031
-
29126
-
5
_
7
Schmeling, L., Elmamooz, G., Hoang, P. T., Kozar, A., Nicklas, D., Sünkel, M., Thurner, S.,
Y
Rauch, E. (2021). Training and validating a ma
chine learning model for the sensor
-
based
monitoring of lying behavior in dairy cows on pasture and in the barn.
Animals
,
11
(9).
https://doi.org/10.3390/ani11092660
Setiamy, A. A.,
Y
Deliani, E. (2019).
No
主観的健康感
を
中心
とした
在宅高齢者
における
健康関
連指標
に
関
する
共分散構造分析
Title
.
2
(May),
5
–
10.
Shorten, P. R. (2023). Acoustic sensors for detecting cow behaviour.
Smart Agricultural
Technology
,
3
.
https://doi.org/10.1016/j.atech.2022.100071
Shu, H., Li, Y., Bindelle, J., Jin, Z., Fang, T., Xing, M.,
Y
Wang, W. (n.d.).
Predicting
physiological responses of dairy cows using comprehensive variables 1
.
Stygar, A. H., Frondelius, L., Berteselli, G. V.,
Gómez, Y., Canali, E., Niemi, J. K., Llonch, P.,
Y
Pastell, M. (2023). Measuring dairy cow welfare with real
-
time sensor
-
based data and
farm records: a concept study.
Animal
,
17
(12).
https://doi.
org/10.1016/j.animal.2023.101023
Surana, J.,
Y
Sharma, S. K. (n.d.). International Journal of INTELLIGENT SYSTEMS AND
APPLICATIONS IN ENGINEERING Predicting Cow Health with a Smart Framework: A
Big Data and Deep Learning
-
Based IoT Approach. In
Original Re
search Paper International
Journal of Intelligent Systems and Applications in Engineering IJISAE
(Vol. 2024, Issue 12s,
pp.
487
–
499).
www.ijisae.org
Tedeschi, L. O., Greenwood, P. L.,
Y
Halachmi
, I. (2021). Advancements in sensor technology
and decision support intelligent tools to assist smart livestock farming.
Journal of Animal
Science
,
99
(2), 1
–
11.
https://doi.org/
10.1093
/
jas/skab
038
Tekın,
K., Yurdakök
-
Dıkmen, B., Kanca, H.,
Y
Guatteo, R. (2021). Precision livestock farming
technologies: Novel direction of information flow.
Ankara Universitesi Veteriner Fakultesi
Dergisi
,
68
(2), 193
–
212.
https://doi.org/
10.33988
/
auvfd.
837485
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
354
Artículo Científico
Tian, F., Wang, J., Xiong, B., Jiang, L., Song, Z.,
Y
Li, F. (2021). Real
-
Time Behavioral
Recognition in Dairy Cows Based on Geomagnetism and Acceleration Information.
IEEE
Access
,
9
, 109497
–
109509.
https://doi.org/
10.1109
/
ACCESS.
2021.3099212
Tran, D. N., Nguyen, T. N., Khanh, P. C. P.,
Y
Trana, D. T. (2021). An IoT
-
based Design Using
Accelerometers in Animal Behavior Recognition Systems.
IEEE Sensors Journa
l
.
https://doi.org/10.1109/JSEN.2021.3051194
Veissier, I., Lardy, R., Mialon, M.
-
M., Ruin, Q., Antoine, V.,
Y
Koko, J. (n.d.).
Machine Learning
applied to behaviour
monitoring to detect diseases, reproductive events and disturbances in
dairy cows Machine Learning appliqué au suivi du comportement pour identifier maladies,
états reproductifs et perturbations des vaches laitières
(Issue 1).
https://hal.inrae.fr/hal
-
03943072
Vidal, G., Sharpnack, J., Pinedo, P., Tsai, I. C., Lee, A. R.,
Y
Martínez
-
López, B. (2023).
Comparative performance analysis of three machine learning algorithms applied to sensor
data registered by
a leg
-
attached accelerometer to predict metritis events in dairy cattle.
Frontiers in Animal Science
,
4
.
https://doi.org/10.3389/fanim.2023.1157090
Wagner, N., Antoine, V., Mialon, M.
-
M., Lardy, R
., Silberberg, M., Koho, J., Veissier, I.,
Y
Koko, J. (2020). Machine learning to detect behavioural anomalies in dairy cows under
subacute ruminal acidosis Machine learning to detect behavioural anomalies in dairy cows
under subacute ruminal acidosis Meta
bolic disease Data mining Real
-
Time Locating System.
Computers and Electronics in Agriculture
,
170
, 10.
https://doi.org/10.1016/j.compag.2020.105233ï
Watanabe, R. N., Bernardes, P. A., Romanzin
i, E. P., Teobaldo, R. W., Reis, R. A., Munari, D.
P., Braga, L. G.,
Y
Brito, T. R. (2021).
Strategy to predict high and low frequency behaviors
using triaxial accelerometers in grazing of beef cattle.
Animals
,
11
(12).
https://doi.org/10.3390/ani11123438
Woodward, S. J. R., Edwards, J. P., Verhoek, K. J.,
Y
Jago, J. G. (2024).
JDS Communications®
TBC; TBC Identifying and predicting heat stress events for grazing dairy cows using rumen
temperature boluses
.
http://creativecommons.org/licenses/by/4.0/
Zhang, Y., Zhang, Y., Gao, M., Dai, B., Kou, S., Fu, X.,
Y
Shen, W. (n.d.).
Digital twin perception
and modeling method for 2 feeding behavior of dair
y cows
.
https://ssrn.com/abstract=4463418
Zhou, X., Xu, C., Wang, H., Xu, W., Zhao, Z., Chen, M., Jia, B.,
Y
Huang, B. (2022). The Early
Prediction of Common Disorders in Dairy Cows Monitored by Automatic
Systems with
Machine Learning Algorithms.
Animals
,
12
(10).
https://doi.org/10.3390/ani12101251
AGRADECIMIENTOS
Este trabajo ha sido realizado parcialmente gracias al apoyo del grupo de investigación,
a
sí como de los Ingenieros Erika Tulcán, David Cisneros, y Brayan Andrade.
.
CONFLICTO DE INTERESES
“
Los autores declaran no tener ningún conflicto de intereses
”.
Innova Science Journal
I
nnova Science Journal
|
Vol.03 | Núm.03 | Jul
–
Sep| 2025
|www.innovasciencejournal.omeditorial.com
355
Artículo Científico