Accelerometer-derived classifiers for early detection of degenerative joint disease in cats
期刊：Veterinary Journal
DOI：10.1016/j.tvjl.2025.106352
链接：https://www.sciencedirect.com/science/article/abs/pii/S1090023325000565
01 研究目的
这项研究旨在通过结合加速度计和机器学习技术，早期预测猫的退行性关节疾病（DJD）。
因为DJD在猫中非常普遍，且目前缺乏客观评估猫因DJD疼痛的通用方法，开发准确的评估模型可以实现早期治疗，减缓疾病进展，改善猫的福祉。
02 研究方法
研究对象为56只年龄在6岁及以上的猫，其中51只被纳入分析。这些猫被分为健康组（24只，无主人报告的行动能力变化）和不健康组（27只，主人报告行动能力变化，提示早期DJD）。
研究中使用Actical® Z可穿戴设备收集了14天的加速度计数据。数据被分割为以高活动峰值为中心的60秒窗口。通过支持向量机（SVM）算法对数据进行分析，以预测DJD的早期迹象。
03 研究结果
1. 模型性能
①使用SVM算法的模型在预测猫DJD状态方面表现出较好的性能，曲线下面积为78%。
②模型的敏感性为68%，特异性为75%。
2. 数据增强的影响
①数据增强（通过组合不同数量的活动峰值）显著提高了模型的预测能力。例如，使用20个峰值组合的数据集，曲线下面积从单一峰值的65%提高到75%。
②不同样本长度（15秒、30秒、60秒和120秒）的数据显示，数据增强均能提升模型性能，且L1归一化、Anscombe变换和对数变换等预处理步骤进一步提高了模型的预测能力。
3. 样本长度的影响
样本长度对模型的预测能力影响不大。在所有测试的样本长度中，使用20个峰值组合并经过L1归一化、Anscombe变换和对数变换的模型曲线下面积均约为75%。
4. 活动数据与年龄的比较
仅使用年龄作为预测因子的模型曲线下面积显著低于使用加速度计数据的模型，表明加速度计数据在预测DJD方面具有更高的预测能力。
5. 模型可解释性
通过可视化模型的特征重要性，发现活动峰值前后约7秒内的活动数据对分类最为重要。这可能表明患有DJD的猫在进行高强度活动时的准备和恢复方式与健康猫不同。
04 研究结论
本研究利用加速度计和机器学习技术成功预测猫DJD的早期迹象，模型AUC达78%，优于仅使用年龄的预测方法。
研究表明，活动数据中的特定时间段（如高活动峰值前后）对分类至关重要。该方法为早期检测猫DJD提供了新的非侵入性手段，未来可进一步优化和扩展。
来源：Montout AX, Maniaki E, Burghardt T, et al. Accelerometer-derived classifiers for early detection of degenerative joint disease in cats. Vet J. 2025 Apr 9;311:106352.