Att registrera människors och djurs rörelser (inklusive fåglar och insekter) har blivit mycket enkelt på grund av utvecklingen av små och billiga GPS-enheter och videokameror. Dock, det är fortfarande svårt att sluta sig till vad som utlöser sådana rörelser (t.ex. externa stimuli och/eller deras mentala processer) från beteendejournalerna.

I den här studien, Shuhei Yamazaki och kollegor har utvecklat en teknik för artificiell intelligens (AI), först, att uppskatta ett djurs beteendetillstånd, som "vila, " "matning, " eller "resande, "utan mänsklig klassificering, och, Nästa, att utforska egenskaperna hos varje beteendetillstånd genom att jämföra svar under olika förhållanden, som före och efter att ha upplevt en viss stimulans.

Den här metoden, kallas STEFTR (tillståndsuppskattning och funktionsextraktion av djurbeteende), gjorde det möjligt för forskarna att uppskatta beteendetillstånden för rundmaskar och pingviner som rör sig cirka 1 cm på 10 minuter i en petriskål och flera kilometer på 1 dag eller mer i Antarktiska havet, respektive, genom att analysera dem på exakt samma sätt. I synnerhet, de uppnådde> 90 % noggrannhet med endast tiotals djurbanor, även om forskare traditionellt använt förkunskaper från specialister om djurets rörelser och/eller miljontals videobilder av djurs beteende för att träna AI.

I funktionsextraktionen, Yamazaki et al. avslöjat upplevelseberoende (dvs. inlärningsberoende) förändringar i specifika beteendeaspekter hos maskar och fladdermöss, och sexuella feromonberoende förändringar hos fruktflugor. Dessutom, de avslöjade förändringar i nervaktivitet som är kopplad till beteendeförändringar hos maskar.

Sammanfattningsvis, STEFTR-metoden kan göra det lätt att sluta sig till "viktiga platser" för djurens beteende, som bon och matplatser som vanligtvis är svåra att hitta, använder endast bandata för vilda djur. Dessutom, det kan hjälpa till att upptäcka viktiga hjärnaktiviteter relaterade till djurens beteende, därigenom bidra till framstegen inom grundläggande hjärnvetenskap.