Les morsures de queue et les comportements agressifs sont des comportements délétères affectant la santé et le bien-être des porcs ainsi que la productivité des élevages. En dépit de plusieurs années de recherche sur les causes et solutions possibles, ces phénomènes sont toujours fréquemment observés dans les élevages. Le risque très élevé de morsures de queue conduit d'ailleurs les éleveurs à couper systématiquement la queue des porcs contrairement à ce que préconise la réglementation en vigueur. Les épisodes de morsures de queue semblent précédés d'une phase d'agitation comportementale. Dans le cadre du projet européen PIGWATCH (ERANET Anihwa), l’INRA et le CEA travaillent au développement d’une technique automatisée, basée sur des capteurs et des algorithmes de machine learning (intelligence artificielle), pour détecter les profils d’activité qui pourraient indiquer ou prédire les comportements. Le CEA-LETI a développé un dispositif (porté à l’oreille) incluant un accéléromètre triaxial, une communication sans fil et une application Android pour l’acquisition des données. Les dispositifs sont connectés au smartphone via une communication Bluetooth basse consommation. Les dispositifs et l’électronique ont été conçus pour être résistants à l’eau et aux contraintes mécaniques telles que les mordillements. Douze porcs ont été équipés avec ces dispositifs à l'élevage expérimental de l’INRA à Saint-Gilles. Leur activité a été enregistrée et observée par caméra, à intervalles réguliers, durant 2 mois. Les animaux (femelles ou porcs mâles entiers) ont été élevés en groupe de 8 sur sol en béton avec distribution quotidienne de paille. Les comportements et notamment le repos et les combats ont été identifiés à partir des enregistrements vidéo et, les signaux issus des capteurs ont été marqués en accord avec ces observations. Les signaux ont ensuite été analysés de façon à extraire les caractéristiques mathématiques pertinentes pour discriminer les comportements observés. Dans une seconde étape, ces caractéristiques mathématiques ont été utilisées dans des algorithmes de machine learning pour détecter automatiquement les comportements. Différents modèles mathématiques ont été comparés sur la base de leur niveau de performance (taux de vrais positifs versus faux positifs, précision…) de manière à optimiser le système de détection automatique des comportements. Actuellement, l’algorithme toujours en développement est capable de détecter 42% des combats avec un taux de vrais positifs de 62%. Le système final sera testé et évalué dans deux élevages (un élevage commercial et un élevage expérimental) en Allemagne en 2018.