动物行为分析是各种研究的基本工具，从基础神经科学研究到了解疾病的原因和治疗方法。它不仅广泛应用于生物研究，还广泛应用于包括机器人技术在内的各种工业领域。
近年来，人们致力于利用人工智能技术准确分析动物行为。然而，人工智能在像人类观察者一样直观地识别不同行为方面仍然存在局限性。
传统的动物行为研究主要是用单个摄像机拍摄动物，分析特定动作的时间、频率等低维数据，这种分析方式为AI提供了每条训练数据的对应结果，相当于给AI输入问题和答案。
虽然这种方法很简单，但它需要时间和人力密集的人工监督来构建数据。观察者的偏见也是一个因素，因为分析结果可能会因实验者的主观判断而扭曲。
为了克服这些限制，由基础科学研究所认知与社会性研究中心主任 C. Justin Lee 和 IBS 数学与计算科学中心数据科学组首席研究员 (CI) Cha Meeyoung（也是 KAIST 计算学院的教授）领导的联合研究团队开发了一种名为 SUBTLE（基于频谱图-UMAP 的时间链接嵌入）的新分析工具。SUBTLE 通过基于 3D 运动信息的 AI 学习对动物行为进行分类和分析。
该论文发表在《国际计算机视觉杂志》上。
首先，研究团队利用多台摄像机记录老鼠的动作，提取头部、腿部、臀部等9个关键点的坐标，获得随时间变化的3D动作骨骼运动数据。
然后，他们将这些时间序列数据简化为二维以进行嵌入，这一过程会创建与每条数据相对应的向量集合，从而可以更简洁、更有意义地表示复杂数据。
SUBTLE 框架示意图。
（A）从鼠标移动中获取和分析关键点 3D 坐标的过程。
1）左侧显示了使用 AVATAR3D 提取鼠标移动的 3D 原始坐标的过程，右侧显示了处理和分析从 AVATAR3D 获得的 3D 坐标数据的过程。
2）使用虚拟形象提取 3D 动作骨架。
3）从关键点坐标中提取运动特征和小波谱图。
4）执行非线性 t-SNE 和 UMAP 算法；本研究中开发的使用 UMAP 的嵌入称为 SUBTLE。
（B）非线性映射的结果。它显示了使用 t-SNE 和 UMAP 的嵌入结果，其中簇数 (k) 不断增加。t-SNE 随时间呈现缠结的线状形状，而 UMAP 在时间上显示出良好对齐的网格形状。此外，UMAP 在所有聚类数上始终获得比 t-SNE 更高的 TPI 分数。
来源：国际计算机视觉杂志(2024)。DOI：10.1007/s11263-024-02072-0
接下来，研究人员将类似的行为状态聚类为子簇，并将这些子簇分组为代表标准化行为模式（曲目）的超簇，例如行走、站立、梳理等。
在此过程中，他们提出了一种新的指标，称为时间接近指数（TPI），用于评估行为数据簇。该指标衡量每个簇是否包含相同的行为状态，并有效地表示时间运动，类似于人类在对行为进行分类时认为时间信息很重要。
CI Cha Meeyoung 表示：“引入新的评估指标和基准数据来帮助实现动物行为分类的自动化，这是神经科学和数据科学合作的结果。我们希望这种算法能够惠及需要行为模式识别的各个行业，包括旨在模仿动物动作的机器人行业。”
领导这项研究的主任 C. Justin Lee 表示：“我们开发了一种有效的行为分析框架，通过应用人类的行为模式识别机制，在理解复杂的动物行为的同时，最大限度地减少人为干预。这个框架具有重要的工业应用价值，也可以作为一种工具，更深入地了解大脑中行为识别的原理。”
此外，研究团队于去年 4 月将 SUBTLE 技术转让给专门从事基于 AI 的临床和非临床行为测试分析的公司 Actnova。该团队利用 Actnova 的动物行为分析系统 AVATAR3D 获取了动物的 3D 运动数据，用于本次研究。
研究团队还将SUBTLE的代码开源，对于不熟悉编程的研究人员来说，可以通过SUBTLE网络服务获得用户友好的图形界面（GUI），以方便进行动物行为分析。
本站全部资讯来源于实验室原创、合作机构投稿及网友汇集投稿，仅代表个人观点，不作为任何依据，转载联系作者并注明出处：https://www.lvsky.net/231.html
评论