Hoofdstuk 3: Dataverzameling en preprocessing

Het fundament van betrouwbare AI: correcte data

Een AI-systeem is slechts zo betrouwbaar als de gegevens waarop het is gebaseerd. Voor vroege lameness-detectie bij paarden betekent dit dat de sensorgegevens nauwkeurig, representatief en consistent moeten zijn. Zonder een solide basis van goede data kan zelfs het meest geavanceerde AI-model geen correcte interpretaties leveren. Dataverzameling is dus geen bijkomstigheid, maar een essentieel fundament onder de hele toepassing.

Bij het verzamelen van gegevens begint alles met het vastleggen van een zogenaamde baseline: een reeks metingen van een gezond, pijnvrij paard. Deze baseline fungeert als persoonlijke referentie voor dat dier. Alle toekomstige metingen worden vergeleken met deze referentie om afwijkingen op te sporen. Zonder zo’n norm heeft het systeem geen kader, en is het risico op foutieve interpretaties groot.

Sensorplaatsing en meetcondities

Voor betrouwbare metingen is correcte sensorplaatsing cruciaal. De opstelling bepaalt welke bewegingen worden geregistreerd en hoe nauwkeurig dat gebeurt. In de praktijk wordt vaak een combinatie gebruikt van:

• Een sensor op het borstbeen (voor verticale beweging en schouderactie);
• Een sensor op het kruis (voor de activiteit van de achterhand en bekkenbeweging);
• Een sensor op een voorbeen (voor het vastleggen van timing en stapfrequentie).

Sommige geavanceerde systemen gebruiken vier tot zes sensoren, bijvoorbeeld ook op de achterkootjes of schoft, om een vollediger driedimensionaal bewegingsbeeld te verkrijgen. Hoe uitgebreider de opstelling, hoe gedetailleerder de data – maar ook hoe complexer de verwerking.

De meetomstandigheden beïnvloeden de kwaliteit van de data aanzienlijk. Een vlakke, consistente ondergrond is aanbevolen, bij voorkeur buiten of op een gelijkmatige bodem. Storende factoren zoals harde wind, drukke omgeving of oneffen terrein kunnen het gangwerk van het paard beïnvloeden, en daarmee de metingen vertekenen. Idealiter worden de metingen uitgevoerd:

• In stap en draf, aan de hand én onder het zadel;
• Op een gelijke ondergrond met minimale afleiding;
• Meerdere keren, om betrouwbaarheid te waarborgen.

“Wat je meet, is wat je krijgt – en wat je niet meet, zie je niet.”

Preprocessing: van ruwe meting naar bruikbare dataset

Na het verzamelen van gegevens volgt de preprocessing – het technisch voorbereiden van data voor analyse door AI. Preprocessing zorgt ervoor dat de data correct geïnterpreteerd kan worden en vergelijkbaar is tussen metingen.

De belangrijkste stappen zijn:

• Filtering: alle sensorgegevens bevatten enige mate van ruis – kleine onregelmatigheden door trillingen, apparatuur of externe invloeden. Digitale filters, zoals low-pass filters, verwijderen deze ruis en verbeteren de kwaliteit van het signaal.
• Segmentatie: de data wordt opgedeeld in logische eenheden, bijvoorbeeld per pas of gangcyclus. Dit gebeurt door herkenningspunten te markeren, zoals het moment van voetlanding, afzet of zweeffase.
• Normalisatie: omdat paarden variëren in lichaamsbouw, tempo en beweging, worden de gegevens omgerekend naar een gestandaardiseerd formaat. Hierdoor kunnen individuele patronen toch eerlijk met elkaar vergeleken worden.
• Synchronisatie: als meerdere sensoren tegelijk worden gebruikt, moeten hun tijdlijnen exact gelijk worden gezet. Dit voorkomt interpretatiefouten, zoals het toeschrijven van een afwijking aan het verkeerde been.
• Labeling: dit is het proces waarbij de data een label krijgt: ‘gezond’, ‘licht asymmetrisch’, of ‘kreupel’. Deze labels worden idealiter toegekend op basis van een veterinaire beoordeling. Gelabelde datasets zijn noodzakelijk om AI-modellen goed te kunnen trainen en evalueren.

De rol van dierenartsen en trainers

Hoewel technologie veel kan meten, blijft de interpretatie ervan mensenwerk. Alleen een dierenarts kan met zekerheid vaststellen of een afwijking in het gangwerk daadwerkelijk wijst op kreupelheid, of dat er sprake is van een andere oorzaak (zoals tijdelijke spiervermoeidheid, spanning of gedragsfactoren).

Ook trainers en ruiters leveren waardevolle input. Zij kennen het normale gedrag, de trainingsgeschiedenis en het karakter van het paard. Ze kunnen aangeven wanneer een verandering mogelijk verband houdt met factoren die buiten het bewegingspatroon zelf liggen. Denk aan stress, weersomstandigheden of veranderingen in training.

Om dit inzicht te structureren, is het raadzaam om te werken met een observatieformulier of logboek. Hierin kunnen naast de meetgegevens ook contextfactoren worden vastgelegd, zoals ondergrond, weersomstandigheden, ruitergewicht of gedrag tijdens het longeren. Deze aanvullende informatie helpt bij het correct interpreteren van de meetresultaten.

Reflectie: investeren in kwaliteit

Dataverzameling en preprocessing lijken op het eerste gezicht technische details. Maar in werkelijkheid vormen ze de kern van de betrouwbaarheid van het hele AI-systeem. Als de input onvolledig of onbetrouwbaar is, kan ook het meest geavanceerde algoritme geen juiste conclusies trekken. Daarom is het essentieel om te investeren in:

• Een zorgvuldige meetopstelling;
• Duidelijke protocollen voor metingen;
• Bewustwording bij alle betrokkenen;
• Goede samenwerking tussen mens en techniek.

Door deze kwaliteitseisen vanaf het begin serieus te nemen, creëer je de voorwaarden voor een effectief en betrouwbaar systeem dat echt kan bijdragen aan het welzijn en de gezondheid van het paard.

Liever zonder onderbrekingen lezen?

Download deze gids nu voor een aanbiedingsprijs – reclamevrij en altijd bij de hand!