Djurbeteendeanalys är ett grundläggande verktyg i olika studier, allt från grundläggande neurovetenskaplig forskning till att förstå orsaker och behandlingar av sjukdomar. Det används i stor utsträckning inte bara inom biologisk forskning utan även inom olika industriella områden, inklusive robotteknik.
Nyligen har ansträngningar gjorts för att noggrant analysera djurens beteenden med hjälp av AI-teknik. Men det finns fortfarande begränsningar för AI att intuitivt känna igen olika beteenden som mänskliga observatörer kan.
Traditionell djurbeteendeforskning går i första hand ut på att filma djur med en enda kamera och analysera lågdimensionella data som tid och frekvens för specifika rörelser. Analysmetoden gav AI motsvarande resultat för varje del av träningsdata, som att helt enkelt mata AI med frågor tillsammans med svarsnyckeln.
Även om den här metoden är enkel, kräver den tid och arbetsintensiv mänsklig övervakning för att bygga upp data. Observatörsbias är också en faktor, eftersom analysresultaten kan förvrängas av försöksledarens subjektiva bedömning.
För att övervinna dessa begränsningar har ett gemensamt forskarteam ledd av direktör C. Justin Lee från Center for Cognition and Sociality inom Institutet för grundläggande vetenskap och Cha Meeyoung, chefsutredare (CI) för Data Science Group vid IBS Center för Mathematical and Computational Sciences (även professor vid School of Computing vid KAIST), har utvecklat ett nytt analysverktyg som heter SUBTLE (Spectrogram-UMAP-Based Temporal-Link Embedding). SUBTLE klassificerar och analyserar djurs beteende genom AI-inlärning baserat på 3D-rörelseinformation.
Uppsatsen är publicerad i International Journal of Computer Vision .
Först registrerade forskargruppen rörelser hos möss med hjälp av flera kameror och extraherade koordinaterna för nio nyckelpunkter som huvud, ben och höfter för att få 3D-action skelettrörelsedata över tid.
De reducerade sedan denna tidsseriedata till två dimensioner för inbäddning, en process som skapar en samling vektorer som motsvarar varje datastycke, vilket gör att komplexa data kan representeras mer koncist och meningsfullt.
Därefter grupperade forskarna liknande beteendetillstånd i subkluster och grupperade dessa subkluster i superkluster som representerade standardiserade beteendemönster (repertoarer), som att gå, stå, trimma, etc.
Under denna process föreslog de ett nytt mått som heter Temporal Proximity Index (TPI) för att utvärdera beteendedatakluster. Detta mått mäter om varje kluster innehåller samma beteendetillstånd och effektivt representerar tidsmässiga rörelser, liknande hur människor anser att tidsinformation är viktig när de klassificerar beteende.
CI Cha Meeyoung uttalade:"Införandet av nya utvärderingsmått och benchmarkdata för att hjälpa till med automatisering av klassificering av djurbeteende är ett resultat av samarbetet mellan neurovetenskap och datavetenskap. Vi förväntar oss att denna algoritm kommer att vara fördelaktig i olika branscher som kräver igenkänning av beteendemönster. , inklusive robotindustrin, som syftar till att efterlikna djurrörelser."
Direktör C. Justin Lee, som ledde denna forskning, sa:"Vi har utvecklat ett effektivt ramverk för beteendeanalys som minimerar mänskligt ingripande samtidigt som vi förstår komplexa djurbeteenden genom att tillämpa mekanismer för igenkänning av mänskliga beteendemönster. Detta ramverk har betydande industriella tillämpningar och kan också användas som ett verktyg för att få djupare insikter i principerna för beteendeigenkänning i hjärnan."
Dessutom överförde forskargruppen SUBTLE-teknologi till Actnova, ett företag som specialiserat sig på AI-baserad klinisk och icke-klinisk beteendetestanalys, i april förra året. Teamet använde Actnovas analyssystem för djurbeteende, AVATAR3D, för att erhålla 3D-rörelsedata för djur för denna forskning.
Forskargruppen har även gjort SUBTLEs kod öppen källkod, och ett användarvänligt grafiskt gränssnitt (GUI) för att underlätta analys av djurbeteende är tillgängligt via webbtjänsten SUBTLE för forskare som inte är bekanta med programmering.
Mer information: Jea Kwon et al, SUBTLE:An Unsupervised Platform with Temporal Link Embedding that Maps Animal Behavior, International Journal of Computer Vision (2024). DOI:10.1007/s11263-024-02072-0
Tillhandahålls av Institute for Basic Science
