Signal capturing in participatory digital disease surveillance and its application for swine productivity improvement

การจับสัญญาณโรคในระบบเฝ้าระวังแบบมีส่วนร่วมด้วยเครื่องมือดิจิทัล และการประยุกต์ใช้ในฟาร์มสุกรเพื่อปรับปรุงผลผลิตของฟาร์มสุกร

Name: Panuwat Yamsakul

ThaSH: Swine -- Diseases

ThaSH: productivity

ThaSH: Veterinarians

Abstract: Nowadays, disease outbreaks in both humans and animals may have severe consequences for livestock industry and the world as a whole, making an efficient disease surveillance system necessary. Syndromic surveillance is used to detect abnormal signs and signals before an outbreak occurs. The capture of abnormal signals has been made easier with the help of digital technology, which involves a data input system (for information reporter and storage), an information transfer system, a processing system, and a notification system. For instance, the Participatory One Health Digital Disease Detection system, or PODD system, enables efficient and rapid detection of disease outbreaks and the control of their spread. The PODD system seeks cooperation from the public in submitting records of abnormalities occurring in people, animals, and the environment via a mobile phone application. The system detects clusters of illness symptoms. Between the years 2015 and 2016, 1,011 incidents of abnormalities were reported by users of the application, and 340 of those reports were continuous. These reports, which met the definition of an outbreak, were then sent to the government with the goal of developing enhanced control and prevention strategies for disease outbreaks. The objective of this thesis is to apply the concept of the participatory digital disease surveillance system, which helps to monitor abnormal signals before the spread of disease. In addition, digital technology has been developed to increase signal capture and improve productivity in pig farms. The technology used in this thesis studies includes use of artificial sucking sounds, development of sensors to monitor the body temperature of sow herds, classifying pig coughing sounds using machine learning for the detection of respiratory problems among fattening pigs. In the farrowing house, technology was applied to monitor and increase productivity on a pig farm. A total of 30 sows were divided into two groups: a treatment group (15 sows) that was exposed to artificial sucking sounds and a control group (15 sows) that was not. Both groups were exposed to the same management practices, and the housing areas were separated by a distance of about 270 meters. The objectives of this study were to compare farrowing indexes and to observe the sucking behavior of piglets using CCTV cameras. Moreover, Fecal samples of sows were collected daily to assess glucocorticoid hormone levels. The results indicate that a piglet approached a sow’s udder a significantly higher average number of times, while the sows were associated with a shorter onset time for the first piglet to come to the sow’s udder than for the control group (both p<0.05). The patterns and levels of FGM between the two groups were not different (both p>0.05), however; the treatment group produced better farrowing indexes than the control group, particularly in terms of litter weight gain and percent preweaning mortality rates. Moreover, the weaning to the first service interval of the treatment group was shorter than for the control group (p<0.05). Additionally, the stress hormone (glucocorticoid hormone, FGM) was activated in a sow during this process, indicating a state of stress. This would indicate that the artificial sucking sound could improve production index results and probably would have no adverse effect on the stress conditions of post-parturition sows. The body temperature of animals would need to be monitored for the prevention or progression of any disease within the herd. To replace a conventional rectal thermometer, an infrared sensor was used to detect the body temperature of sows. In this study, the automatic transfer of data was utilized, wherein data would flow from the infrared sensor to the point of data collection (cloud database). The data then undergo analysis through the web base, and responses would then be delivered (through notifications) to stakeholders. The body temperatures of 100 gestating sows were measured with the use of a standard thermometer (inserted into the rectum), while our device could be used on each part of the body of the sows. The results indicated that the valva or anus was an area that revealed a high correlation between the two measurements (R=0.78). In addition, this tool was employed for a full year in 2019 on commercial pig farms that were home to at least 300 sows. Production indexes were compared between 2018 (standard thermometer) and 2019 (infrared sensor). The results indicated that the majority of the production indexes in the after period (2019) were observed to be better than those of the before period (2018), especially in terms of the herd health status of the animals, productivity of fallowing house, and the welfare of those animals. Furthermore, this surveillance system could detect abnormalities as important signs of outbreaks in sow herds (via body temperature). Respiratory illness is an important problem that is commonly found on pig farms. Accordingly, coughing is an important sign that must be monitored. Many diseases are relevant as the cause of animal respiratory problems such as Mycoplasma hyopneumoniae (M.hyo), Streptococcus spp., Pasturella spp., Porcine reproductive and respiratory syndrome; PRRSv, and Porcine circovirus; PCV2. Machine learning can be used to classify pig coughing sounds on pig farms. Python was selected to convert the sound files to images (wave plots, spectrograms, and log power spectrograms). A recorder was used with a total of 45 healthy three-bred weaned piglets, wherein three replications of each were used with 15 weaning pigs per pen during different months. Blood samples and tonsil swabs were collected every month, but sounds were collected every week. Pig cough sounds were then distinguished from other sounds and a coughing index (CI) was established. Blood samples and tonsil swabs were utilized to determine respiratory diseases via laboratory tests that included ELISA, PCR, and bacterial cultures. According to our results, pig coughs sound were distinctly different from other sounds, as had been classified by python. Moreover, the laboratory results of the seroprofile of M.hyo, PRRSv, and PCV2, as had been established by the ELISA test, were employed in disease detection procedures during the fattening period. Spearman rank correlations and Kappa analysis were used to establish correlation values between coughing and the results of the laboratory tests. CI revealed a high correlation coefficient and agreement with the ELISA results of M.hyo, as well as the PCR results of PRRSv and PCV2 (p<0.05), while CI revealed a low correlation coefficient and agreement with the results of the Streptococcus spp. and Pasteurella spp. cultures (p>0.05). Therefore, the monitoring of coughing can be suited to detect respiratory problems and any potential relationships they may have with M.hyo, PRRSv, and PCV2 infections. In summary, the PODD system employs a syndromic surveillance approach that utilizes digital technology. The report was compiled with the help of reporters who were either villagers or workers of local government agencies. My study utilized digital technology to increase farm productivity by creating artificial sucking sounds. The PODD system could be applied to monitor endemic diseases and prevent outbreaks on pig farms by detecting early signs of abnormality, such as changes in body temperature and pig coughing. An automatic sensing system was employed which included infrared sensors and machine learning algorithms in the sound recorder. Those features make the surveillance system more user-friendly and accurate, especially in terms of data analysis and the potential to decrease the occurrence of human errors. After infrared sensors and the machine learning of the sound recorder were used in these studies, it was determined such system could be used for the early detection of certain abnormal signs such as for the detection of elevated body temperatures and the detection of coughing symptoms among pigs, respectively. The studies system is particularly effective for monitoring the body temperature of sows, as it can capture disease signals early, allowing rapid response to and prevent the spread of diseases that may impact productivity.

Abstract: ปัจจุบันการระบาดของโรคทั้งในคนและสัตว์สามารถเกิดได้ง่ายและอาจสร้างความเสียหายให้กับอุตสาหกรรมการเลี้ยงสัตว์และโลกเป็นอย่างมาก ดังนั้นระบบเฝ้าระวังโรคที่มีประสิทธิภาพจึงมีความจำเป็น (disease surveillance system) Syndromic surveillance เป็นระบบที่ถูกนำมาใช้ในการจับสัญญาณอาการผิดปกติที่เกิดขึ้นก่อนที่จะเกิดการระบาด การจับสัญญาณความผิดปกติโดยนำเทคโนโลยีดิจิทัลเข้ามาช่วย เริ่มตั้งแต่ การป้อนข้อมูล (ผู้ให้ข้อมูลหรือระบบเก็บข้อมูล) ระบบการส่งต่อข้อมูล ระบบการประมวลผล รวมถึงระบบการแจ้งเตือน ดังเช่น ระบบเฝ้าระวังสุขภาพหนึ่งเดียวแบบมีส่วนร่วม “ผ่อดีดี” (PODD system) จะทำให้การตรวจจับโรคระบาดและควบคุมมิให้แพร่กระจาย เป็นไปได้อย่างมีประสิทธิผลและรวดเร็ว ระบบผ่อดีดีใช้ความร่วมมือกับประชาชนในการส่งข้อมูลความผิดปกติของคน สัตว์ และสิ่งแวดล้อม ผ่านแอปพลิเคชันในสมาร์ตโฟน ระบบจะตรวจจับกลุ่มก้อนอาการความเจ็บป่วย โดยในปี 2015-2016 มีผู้ใช้แอปพลิเคชันส่งข้อมูลความผิดปกติผ่านระบบ PODD ถึง 1,011 รายงาน และรายงานดังกล่าวถูกวิเคราะห์ และติดตามต่อเนื่องถึง 340 รายงาน โดยข้อมูลที่เข้านิยามเหตุระบาดดังกล่าวได้ถูกส่งไปยังผู้รับผิดชอบภาครัฐ เพื่อควบคุมและป้องกันการระบาดของโรค ในโรงเรือนคลอด การประยุกต์ใช้เทคโนโลยีเพื่อเพิ่มประสิทธิภาพการผลิต การวิเคราะห์เสียงดูดนมจำลองเพื่อกระตุ้นพฤติกรรมการดูดนมทั้งในแม่สุกรและลูกสุกร และตรวจสอบสภาวะเครียดผ่านการตรวจฮอร์โมนความเครียด (ฮอร์โมนกลูโคคอร์ติคอยด์; FGM) ของแม่สุกร ซึ่งอาจจะสูงขึ้นได้ แม่พันธุ์จำนวน 30 ตัว ถูกแบ่งออกเป็น 2 กลุ่ม โดยกลุ่มทดลองจะได้รับเสียงดูดนมจำลองและกลุ่มควบคุมจะไม่ได้รับเสียงทดลอง โดยทั้ง 2 กลุ่มจะมีการจัดการเหมือนกันและโรงเรือนจะอยู่ ห่างกันประมาณ 270 เมตร ซึ่งจุดประสงค์ของการศึกษานี้คือต้องการเปรียบเทียบประสิทธิภาพในเล้าคลอดและสังเกตุพฤติกรรมของลูกสุกรจากกล้องวงจรปิด นอกจากนี้อุจจาระจากแม่สุกรจะถูกเก็บทุกวันเพื่อประเมินฮอร์โมนกลูโคคอร์ติคอยด์ ผลการทดลองพบว่า แม่สุกรกลุ่มทดลองให้ลูกตัวแรกกินนมเร็วกว่ากลุ่มควบคุม และลูกสุกรกินนมแม่สุกรที่นานกว่ากลุ่มควบคุม (p<0.05) โดยที่ระดับฮอร์โมนความเครียดไม่แตกต่างกันของแม่สุกรทั้ง 2 กลุ่ม (p>0.05) อย่างไรก็ตามกลุ่มทดลองมีประสิทธิภาพการผลิตในเล้าคลอดดีกว่ากลุ่มควบคุมโดยเฉพาะน้ำหนักคลอดที่เพิ่มขึ้นและอัตราการตายของลูกสุกรในเล้าคลอด นั้นเป็นการบ่งชี้ว่าเสียงดูดนมจำลองสามารถปรับปรุงประสิทธิภาพของแม่หลังคลอดได้และไม่ส่งผลต่อภาวะความเครียดของแม่สุกรหลังคลอด การติดตามอุณหภูมิร่างกายของสัตว์เพื่อป้องกันการเกิดโรคหรือการระบาดของโรคในฝูง อินฟราเรดเซนเซอร์ถูกสร้างเพื่อตรวจสอบอุณหภูมิร่างกายของแม่สุกร แทนการวัดโดยใช้เทอร์โมมิเตอร์แบบสอดทวาร ระบบการเชื่อมต่อข้อมูลอัตโนมัติถูกสร้างขึ้น โดยเริ่มจากการส่งผ่านข้อมูลเริ่มจากอินฟราเรดเซนเซอร์ การเก็บข้อมูล (ระบบของฐานข้อมูลแบบออนไลน์) การวิเคราะห์และแสดงผลผ่านเวปไซต์และระบบการตอบสนอง (แจ้งเตือน) กับผู้เกี่ยวข้อง ทำการทดสอบผลโดยใช้แม่พันธุ์ 100 ตัวถูกวัดอุณหภูมิร่างกายโดยใช้เทอร์โมมิเตอร์มาตรฐาน (แบบสอดทวาร) ขณะที่เครื่องมือของผู้วิจัยถูกใช้วัดอุณหภูมิในแต่ล่ะส่วนของร่างกายแม่สุกร ผลการทดลองพบว่าตำแหน่งอวัยวะเพศให้ค่าความสัมพันธ์สูงระหว่างเครื่องมือทั้ง 2 ตัว (R=0.78) นอกจากนี้เครื่องมือนี้ยังถูกนำไปใช้ในฟาร์มเอกชนในปี 2019 ประมาณ 300 แม่ ดัชนีการผลิตถูกเปรียบเทียบระหว่างปี 2018 (เทอร์โมมิเตอร์แบบสอดทวาร) กับปี 2019 (อินฟราเรดเซนเซอร์) ผลการทดลองบ่งชี้ว่าดัชนีการผลิตส่วนใหญ่ของปี 2019 ดีกว่าของปี 2018 โดยเฉพาะเรื่องสถานะสุขภาพฝูง ประสิทธิภาพของสุกรพันธุ์และสวัสดิภาพสัตว์ และระบบเฝ้าระวังโดยการติดตามอุณหภูมิร่างกายนี้สามารถตรวจสอบความผิดปกติที่สำคัญได้ก่อน (อุณหภูมิร่างกาย) ผู้วิจัยยังพัฒนาเซนเซอร์จับการไอในสุกรโดยใช้ปัญญาประดิษฐ์ (AI) และนำมาหาความสัมพันธ์กับสถานะโรคภายในฟาร์มสุกรขุน โดยเริ่มจากการวิเคราะห์เสียงไอของสุกรด้วยภาษาโปรแกรม Python แยกจากเสียงอื่นๆ ที่สามารถพบในฟาร์มสุกร เช่น เสียงเดิน เสียงเครื่องจักร หรือเสียงคนงานภายในฟาร์ม โดยแยกไฟล์เสียงเป็นรูปภาพ ประกอบด้วย wave plots, spectrograms และ log power spectrograms ผลการศึกษาพบว่า เสียงไอของสุกรมีความจำเพาะและสามารถแยกเสียงดังกล่าวออกได้ อุปกรณ์บันทึกเสียงถูกนำไปใช้ในฟาร์มสุกรขุนจำนวน 45 ตัว แบ่งออกเป็น 3 ชุดการทดลองที่เริ่มต่างช่วงเวลากัน (15 ตัว) โดยใช้ 1 อุปกรณ์ต่อคอก หลังจากนั้นจะบันทึกการไอของสุกรและถูกคำนวณเป็นดัชนีการไอ (coughing index; CI) นอกจากนี้ในแต่ละเดือนจะมีการเก็บเลือด สวอปต่อมทอนซิน เพื่อตรวจโรคทางระบบทางเดินหายใจ นำมาหาความสัมพันธ์ระหว่างดัชนีการไอและผลการตรวจพบโรคในระบบทางเดินหายใจทางห้องปฏิบัติการ (M.hyo, Streptococcus spp., Pasturella spp., PRRSv, PCV2) ผลการทดลองพบว่าเครื่องบันทึกเสียงสามารถจับการไอในสุกรได้ที่อายุ 8 สัปดาห์ ซึ่งสามารถจับการไอได้เร็วกว่าผลการพบโรคทางห้องปฏิบัติการ นอกจากนี้ ดัชนีการไอสัมพันธ์กับการติดเชื้อ M.hyo, PRRSv, และ PCV2 จากการวิเคราะห์ด้วย Spearman rank correlations and Kappa analysis (P<0.05) แต่ดัชนีการไอไม่สัมพันธ์กับโรค Streptococcus spp. และ Pasturella spp., (P>0.05) ดังนั้นการไอสามารถเป็นดัชนีที่บ่งชี้ปัญหาทางระบบทางเดินหายใจได้ โดยเฉพาะที่เกิดจากการติดเชื้อ M.hyo, PRRSv, และ PCV2 สรุป แนวคิดของระบบเฝ้าระวังสุขภาพหนึ่งเดียวแบบมีส่วนร่วม (PODD) ที่ใช้กระบวนการเฝ้าระวังอาการที่ผิดปกติร่วมกับดิจิทัลเทคโนโลยี มีจุดเด่นคือมีผู้รายงานซึ่งเป็นอาสาสมัครในหมู่บ้านและผู้ที่ทำงานของรัฐในท้องถิ่น สามารถนำมาประยุกต์ใช้ในการผลิตสุกรในฟาร์มดังแสดงให้เห็นในการศึกษาของผู้วิจัยที่ใช้ดิจิทัลเทคโนโลยีมาใช้ปรับปรุงผลผลิตภายในฟาร์ม ด้วยการสร้างเสียงดูดนมจำลอง การประยุกต์ใช้แนวความคิดระบบ PODD สำหรับการเฝ้าระวังโรคประจำถิ่นและป้องกันโรคระบาดจากการตรวจอาการที่ผิดปกติได้ก่อน ด้วยเซนเซอร์ตรวจอุณหภูมิร่างกายและการไอของหมู การส่งข้อมูลอัตโนมัติโดยใช้เครื่องมือเทคโนโลยี เช่น อินฟราเรดเซนเซอร์และปัญญาประดิษฐ์ของเครื่องอัดเสียง สิ่งเหล่านี้ทำให้เพิ่มความคงเส้นคงวาและความแม่นยำของระบบเฝ้าระวังโดยเฉพาะข้อมูลที่ใช้ในการวิเคราะห์และลดความผิดพลาดที่เกิดจากคน หลังจากทั้งอินฟราเรดเซนเซอร์และปัญญาประดิษฐ์ของเครื่องอัดเสียงถูกใช้ในการศึกษาของผู้วิจัย สามารถตรวจสอบสัญญาณความผิดปกติได้อย่างรวดเร็ว เช่น การตรวจสอบการเพิ่มสูงขึ้นของอุณหภูมิร่างกายและการตรวจพบอาการไอของสุกรตามลำดับ จะเห็นได้อย่างชัดเจนว่าการใช้ระบบดังกล่าวสามารถจับสัญญาณการเกิดโรคในฝูงได้อย่างรวดเร็ว นำไปสู่การป้องกันการแพร่ระบาดของโรค ซึ่งส่งผลต่อประสิทธิภาพการผลิต

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Lertrak Srikitjakarn

Role: Advisor

Name: Kannika Na Lampang

Role: Advisor

Created: 2566

Modified: 2023-10-06

Issued: 2023-10-06

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Doctor of Philosophy

Level: Doctoral Degree

Descipline: Veterinary Science

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	591451011.pdf	7.78 MB	3	2025-10-14 20:26:31

ใช้เวลา

0.04195 วินาที