Kan AI het gedrag van honden lezen? Dit blijkt uit onderzoek

Een evidence-based overzicht van onderzoek naar emoties en pijnsignalen bij honden, van DogFACS tot videomodellen, en van de beperkingen bij het vertalen van laboratoriumresultaten naar de woonkamer.

Onderzoek & bewijs | Evidence-overzicht | Bijgewerkt op 31 augustus 2026

Het korte antwoord

Huidig onderzoek laat zien dat computervisiemodellen onder vastgelegde onderzoeksomstandigheden bepaalde labels kunnen classificeren op basis van beelden of video’s van honden. Zo kan een model bijvoorbeeld twee experimenteel opgewekte toestanden onderscheiden binnen een gecontroleerde groep Labradors, of korte videofragmenten classificeren die door experts zijn voorzien van annotaties voor pijnsignalen. Dat is een betekenisvol onderzoeksresultaat.

Dat is niet hetzelfde als het lezen van de innerlijke gevoelens van een hond. De onderzoeken tonen niet aan dat een telefoonapp pijn kan diagnosticeren, de stemming van een hond uit één foto kan afleiden of op basis van één thuisvideo kan bepalen of een hond veilig of onveilig is. De vraag is niet simpelweg of een model een percentage kan produceren. Het gaat erom of het label, de gegevens, de onderzoeksopzet en de praktijksituatie de beslissing rechtvaardigen die iemand wil nemen.

In dit overzicht beantwoorden we de vraag: Wat kunnen huidige computervisieonderzoeken daadwerkelijk afleiden uit video’s van het gezicht of lichaam van een hond, en welk bewijs ontbreekt nog voordat gezinnen die uitkomsten zouden moeten gebruiken?

Wat we hebben onderzocht

Dit is een narratief evidence-overzicht, geen systematische review of meta-analyse. We selecteerden vijf wetenschappelijke bronnen die de vraag vanuit verschillende invalshoeken helpen beantwoorden:

• een fundamentele gedragsstudie waarin FACS en DogFACS werden gebruikt;
• een gecontroleerde deep-learningstudie naar twee emotionele toestanden bij honden;
• een door dierenartsen geannoteerde videostudie naar pijnsignalen;
• een studie waarin emotiemodellen werden getest op videofragmenten van verschillende rassen en uit minder gecontroleerde omgevingen; en
• een peer-reviewed overzicht van computervisiemethoden voor pijn en affectieve toestanden bij dieren.

Wanneer dat mogelijk was, gaven we voorrang aan de officiële publicatie in een tijdschrift of conferentie en controleerden we vervolgens de volledige tekst of een gezaghebbende repository. We legden per studie de diersoort, populatie, gegevensbron, definitie van het label, modeltaak, evaluatieopzet en beperkingen vast. Marketing van consumentenapps namen we niet als bewijs mee, en onderzoek bij andere diersoorten beschouwden we niet als bewijs over honden.

Eerst: wat betekent ‘emotieherkenning’ hier?

In alledaagse taal klinkt ‘de emotie van mijn hond herkennen’ alsof je rechtstreeks toegang hebt tot een innerlijke ervaring. In een studie betekent het meestal iets beperkters: zichtbare pixels, lichaamspunten of gelaatsactiecodes koppelen aan een label dat onderzoekers voor een specifiek protocol hebben vastgesteld.

DogFACS is daarvan een nuttig voorbeeld. Het is een anatomisch gebaseerd coderingssysteem voor waarneembare bewegingen van het gezicht. Onderzoekers krijgen hiermee een begrippenkader om handelingen zoals oorbewegingen, knipperen of mondbewegingen te beschrijven. Het is geen stemmingsmeter. In de studie uit 2017 gebruikten Caeiro, Guo en Mills FACS en DogFACS om menselijke en gezichtsbewegingen van honden in verschillende stimuluscategorieën te vergelijken. Honden vertoonden inderdaad kenmerkende bewegingen die samenhingen met verschillende categorieën, maar die bewegingen waren niet simpelweg menselijke uitdrukkingen die op een honden gezicht waren overgezet. De conclusie van het artikel is een reden om antropomorfe aannames te beperken, geen vrijbrief om één gezichtsuitdrukking gelijk te stellen aan één universeel gevoel. Het artikel bevat bovendien een correctie van de auteurs en moet daarom worden gelezen als een voortschrijdend wetenschappelijk verslag, niet als een onfeilbaar woordenboek van labels. Lees de studie in Scientific Reports

Dat onderscheid is belangrijk, omdat een model heel goed kan zijn in het reproduceren van de labels uit een studie, terwijl die labels beperkter blijven dan de vraag waarop een gezin antwoord wil. ‘Dit fragment lijkt op de frustratietoestand uit de studie’ is niet hetzelfde als ‘je hond is gefrustreerd.’

De bewijsmatrix

De percentages zijn overgenomen als gerapporteerde resultaten, niet als een ranglijst. De onderzoeken gebruiken verschillende populaties, taken, labels, eenheden en gegevensverdelingen. Het overzicht waarschuwt expliciet dat deze verschillen de meetwaarde al kunnen beïnvloeden voordat een model ooit een nieuwe hond te zien krijgt. Bekijk de onderzoeksvermelding

Waar de onderzoeken het over eens zijn

1. Context maakt deel uit van de meting

Het sterkste gecontroleerde resultaat over emoties kwam voort uit een bewust afgebakende onderzoeksvraag. Boneh-Shitrit en collega's werkten met 29 labradors en twee experimenteel opgewekte toestanden: positieve verwachting en frustratie. De video's waren kort, evenwichtig samengesteld en opgenomen volgens een protocol dat de toestanden interpreteerbaar moest maken. Het gerapporteerde resultaat van het deep-learningmodel is interessant, omdat het laat zien dat een model onder deze omstandigheden een onderscheid kan leren. De heatmaps bieden bovendien een manier om te bekijken waar het model naar keek.

Datzelfde onderzoeksontwerp vormt ook de beperking. Een labrador in een gecontroleerd experiment staat niet voor elke hond in een keuken, park of trimsalon. Een fragment van drie seconden geeft geen beeld van een hele dag gedrag. De onderzoekers benadrukken zelf dat bredere deelnemerskenmerken en langere of gevarieerdere gegevens nodig zijn voordat bredere conclusies kunnen worden getrokken. Bekijk het gecontroleerde emotieonderzoek

2. Pijnindicatoren zijn niet hetzelfde als de subjectieve ervaring van pijn

Het pijnonderzoek bij honden van Zhu en collega's gaat zorgvuldig met deze grens om. De methode combineert een stroom met houdingsgegevens met een RGB-stroom, gebruikt een fragment van acht frames dat over vier seconden is bemonsterd en levert een modeluitkomst voor een binaire taak rond een pijntoestand. In het artikel staat dat een afzonderlijke afbeelding of video de subjectieve pijnervaring niet rechtstreeks kan meten. Hooguit kunnen visuele aanwijzingen worden geschat die in de gegevens en labels waren weergegeven.

De dataset is waardevol omdat dierenartsen de video's hebben verzameld en van annotaties hebben voorzien. Naar maatstaven van consumentenproducten is de dataset echter klein: 61 bronvideo's, waaruit herhaaldelijk korte fragmenten zijn afgeleid. De brondataset is niet openbaar beschikbaar, hoewel de auteurs de code en annotaties beschikbaar hebben gesteld onder de voorwaarden die in het artikel worden beschreven. Rasverschillen, lichaamshouding, belichting, afscherming en copinggedrag beïnvloeden allemaal wat een camera kan waarnemen. De gerapporteerde F1-score en nauwkeurigheid zijn daarom bewijs over deze experimentele methode, niet over een diagnose thuis. Bekijk het artikel en de gegevensverklaring of de gepubliceerde conferentievermelding

3. Een model kan de achtergrond leren in plaats van de hond

Franzoni, Biondi en Milani testten een dataset met 100 openbaar beschikbare video's van verschillende rassen, verdeeld over vijf labels. Hun analyse is waardevol omdat ze voorbewerking als een bewijsvraag behandelt. Het bijsnijden van het gezicht, het segmenteren van de hond en het vervagen van de achtergrond veranderden de prestaties. De auteurs bespreken een bekend probleem: als veel "blije" honden in parken worden gefilmd en veel "verdrietige" honden binnenshuis, kan een model het park of de kamer leren herkennen in plaats van de gezichtsuitdrukking.

De gerapporteerde nauwkeurigheid van 0.605 voor één modelopzet met vijf labels en de maximale nauwkeurigheid van 0.8577 voor de samenvoeging in twee klassen, "gevaar", moeten in die context worden gelezen. De cijfers beschrijven één dataset, één taakdefinitie en één evaluatieopzet. De auteurs wijzen zelf op de beperkte diversiteit aan rassen en de noodzaak om temporele dynamiek te testen. De getransformeerde fragmenten zijn beschikbaar via de gegevensverklaring bij het artikel, terwijl voor de oorspronkelijke openbaar beschikbare verzameling auteursrechtelijke beperkingen gelden. Bekijk het onderzoek in Neural Computing and Applications

4. Tijd kan informatie bevatten die in een stilstaand beeld verloren gaat

Het overzicht van Broomé en collega's verdeelt computer vision-onderzoek in methoden met één beeld, methoden die beelden over meerdere frames samenvoegen en echte spatiotemporele videomodellen. Elke keuze beantwoordt een andere vraag. Tellen hoe vaak een oor naar voren staat, kan een taak op frameniveau zijn. Een knippering, een verandering in houding of een herhaald vermijdingspatroon herkennen vereist een reeks beelden.

Videomodellen zijn niet automatisch beter. Ze hebben meer gegevens nodig, kunnen duur zijn om te trainen en kunnen te veel leren van herhaalde frames uit dezelfde opname. Een stilstaand beeld en een fragment van vier seconden zijn verschillende metingen. Een consumentenclaim waarin niet staat over welk tijdsvenster de invoer loopt, mist een noodzakelijk onderdeel van de methode.

5. "Nauwkeurigheid" is niet hetzelfde als betrouwbaarheid

Nauwkeurigheid beantwoordt één vraag: hoe vaak kwam het voorspelde label overeen met het geregistreerde label binnen die testopzet? F1 brengt de prestaties over verschillende klassen op een andere manier in balans. Geen van beide cijfers vertelt ons op zichzelf of het model is gekalibreerd voor een nieuw ras, hoeveel dringende gevallen het mist, of het werkt met een telefooncamera of wat er gebeurt wanneer de belichting en lichaamshouding veranderen.

Het overzicht maakt dit vergelijkingsprobleem expliciet. Onderzoekers gebruiken verschillende camera's, hoeken, meeteenheden, bronnen voor labels, klassendistributies en validatiemethoden. Bij een willekeurige verdeling kunnen bijna identieke frames of fragmenten van dezelfde hond aan beide kanten van de testgrens terechtkomen. Bij een verdeling waarbij dieren strikt van elkaar worden gescheiden, wordt een hele hond buiten de test gehouden. Dat is moeilijker en geeft meer inzicht in de generaliseerbaarheid naar een nieuw individu. Externe validatie in een nieuwe kliniek, een nieuw huishouden, met een andere camera of bij een ander ras is nog moeilijker.

Daarom staat in de bovenstaande tabel de gerapporteerde meetwaarde naast de populatie en de taak. Als de noemer en de onderzoeksomstandigheden worden weggelaten, verandert een nuttig resultaat in een misleidend marketingcijfer.

Hoe sterker bewijs eruit zou zien

Voordat een tool voor consumenten op verantwoorde wijze een ingrijpende claim zou kunnen doen, zouden we meer willen zien dan een hoge score op de testset van één artikel:

1. Een transparante doelvariabele. De tool moet aangeven of het een waarneembaar gedrag, een operationeel studielabel of een klinische uitkomst classificeert. Zonder definitie is ‘emotie’ te breed.
2. Een diverse deelnemersgroep. De tests moeten verschillende rassen, kopvormen, vachtkleuren, leeftijden, gezondheidssituaties en normale variatie omvatten, waarbij de aantallen zichtbaar worden gemaakt in plaats van in een kop te worden verhuld.
3. Scheiding op hondniveau. Geen enkele hond, geen enkel huishouden en geen enkele vrijwel identieke opname mag tussen de trainings- en testsets terechtkomen.
4. Externe en prospectieve validatie. Het model moet worden geëvalueerd in nieuwe klinieken en huishoudens, met andere camera’s en in andere perioden, en niet alleen op een apart gehouden deel van de oorspronkelijke verzameling.
5. Rapportage van klinisch relevante fouten. Gevoeligheid, specificiteit, kalibratie, fout-negatieven en onzekerheid moeten worden gerapporteerd voor de beslissing die de tool iemand vraagt te nemen.
6. Onafhankelijke beoordeling en correctie. Dierenartsen en gedragsexperts moeten het doel, de labels, de veiligheidsinformatie en gevallen waarin het model tekortschiet beoordelen. Wijzigingen per versie en bekende beperkingen moeten zichtbaar blijven.
7. Een veilige vervolgstap. Als de uitkomst invloed kan hebben op de verzorging of de omgang met een hond, moet de interface aangeven wat iemand vervolgens moet observeren en wanneer diegene contact moet opnemen met een dierenarts. Een classificatie met weinig zekerheid mag niet als geruststelling worden gepresenteerd.

Dit zijn geen hindernissen die door één merk zijn bedacht. Het zijn praktische gevolgen van de tekortkomingen in metingen en validatie die in de verschillende onderzoeken worden beschreven.

Een nuttige afbakening voor huisdiereigenaren

Als je een AI-functie voor gedragsanalyse probeert, beschouw het dan als een vraag om te onderzoeken, geen oordeel. Een verantwoordere werkwijze is:

• leg vast wat er vóór en na het fragment gebeurde, en niet alleen het meest expressieve beeld;
• noteer naast het beeld ook beweging, eetlust, ademhaling, houding, omgeving en duur;
• vergelijk de waarneming met het normale gedragspatroon van je eigen hond, en niet met een algemeen label;
• verander geen medicatie, stel de zorg niet uit en benader een bange hond niet omdat een app zelfverzekerd klinkt; en
• neem bij pijn, ademhalingsproblemen, plotselinge zwakte, instorten, letsel of een snelle gedragsverandering direct contact op met een dierenarts.

Onze bibliotheek over huisdiergezondheid is een betere plek voor praktische vragen over de verzorging. Voor de marktcontext achter de recente belangstelling voor slimme huisdiertechnologie kun je ons Industry Weekly-overzicht van augustusbekijken.

Kort samengevat

Het onderzoek is veelbelovend, maar die belofte is preciezer dan de slogan doet vermoeden. Computervisie kan onderzoekers helpen zichtbare patronen te kwantificeren en zorgvuldig gedefinieerde kenmerken te classificeren. DogFACS kan beschrijvingen van gezichtsbewegingen explicieter maken. Videomodellen kunnen houding, uiterlijk en tijdsverloop combineren. Dat zijn echte vooruitgangen.

Het bewijs rechtvaardigt nog altijd niet de consumentensprong van ‘het model kwam overeen met een studielabel’ naar ‘de app weet wat mijn hond voelt’ of ‘de hond is veilig’. De volgende nuttige test is niet nog een indrukwekkend percentage op zichzelf. Het gaat om betere referentiegegevens, meer diverse honden, validatie op hondniveau en met externe gegevens, transparantie over onzekerheid en een duidelijke grens waar professionele hulp nodig is.

Dat is de maatstaf die we zullen hanteren voor toekomstige artikelen in Onderzoek & bewijs: laat de bron zien, behoud de methode, benoem de onzekerheid en maak minstens zo duidelijk wat je niet uit de resultaten kunt afleiden als wat je wél hebt vastgesteld.

Veelgestelde vragen van lezers

Kan een AI-app zeggen of mijn hond blij is?

De app kan een fragment classificeren aan de hand van labels die uit een specifieke dataset zijn geleerd, maar huidige onderzoeken hebben geen universele detector voor geluk bij honden in een thuissituatie gevalideerd. Vraag welke labels, honden, camera’s en testopzet de claim van de app ondersteunen.

Kan een model voor pijn bij honden mijn huisdier diagnosticeren?

Nee. Onderzoek naar pijn bij honden schat visuele pijnindicatoren in binnen een onderzoekstaak. Het vervangt geen dierenartsonderzoek en meet subjectieve pijn niet rechtstreeks aan de hand van een thuisvideo.

Waarom rapporteren onderzoeken 77%, 86% of 89% als de technologie nog niet klaar is?

Die cijfers kunnen binnen hun experimenten legitieme resultaten zijn. Je kunt ze niet zonder meer met elkaar vergelijken, omdat de onderzoeken verschillende labels, steekproeven, invoervensters, datasetsplitsingen en meetwaarden gebruiken. Een resultaat is pas bruikbaar als ook duidelijk is op welke noemer het berust en wat de beperkingen zijn.

Waar moet ik op letten voordat ik een claim over AI die hondengedrag analyseert, vertrouw?

Let op een duidelijk omschreven doelvariabele, een splitsing op hondniveau, externe validatie, rapportage van fouten en onzekerheid, een beschrijving van de gegevens en een veiligheidsprotocol dat bij dringende zorgen doorverwijst naar een dierenarts.

Bronnen en informatie over updates

Alle bronpagina's zijn gecontroleerd op 31 augustus 2026. In de bovenstaande beschrijvingen van de onderzoeken maken we onderscheid tussen gerapporteerde bevindingen en onze interpretatie. Als een bron wordt gecorrigeerd, ingetrokken of ingrijpend bijgewerkt, passen we de betreffende passage aan en vermelden we wat er is gewijzigd, in plaats van de conclusie stilzwijgend te vervangen. Dit artikel is uitsluitend informatief en biedt geen veterinaire diagnose of behandeladvies.

1. Caeiro, C., Guo, K. en Mills, D. "Honden en mensen reageren op emotioneel betekenisvolle prikkels door verschillende gezichtsuitdrukkingen te produceren." Scientific Reports (2017; correctie door de auteurs in 2018). Nature-vermelding
2. Boneh-Shitrit, T. et al. "Verklaarbare geautomatiseerde herkenning van emotionele toestanden aan de hand van gezichtsuitdrukkingen van honden: positieve verwachting en frustratie als voorbeelden." Scientific Reports (2022). Nature-vermelding
3. Zhu, H. et al. "Videogebaseerde inschatting van pijnindicatoren bij honden." IEEE International Conference on Affective Computing and Intelligent Interaction (gepubliceerd conferentieverslag uit 2023; volledige arXiv-tekst v2 uit 2022). DOI-vermelding | Volledige tekst
4. Franzoni, V., Biondi, G. en Milani, A. "Geavanceerde technieken voor geautomatiseerde herkenning van emoties bij honden aan de hand van videobeelden met behulp van diep leren." Neural Computing and Applications (2024). Springer Nature-vermelding
5. Broomé, S. et al. "Verder kijken dan het volgen van bewegingen: een overzicht van computervisiegebaseerde herkenning van pijn en emoties bij dieren." International Journal of Computer Vision (2023). Springer DOI-vermelding | Universiteitsrepository