深度学习算法的扩展性能分析用于小鼠发声细分的声音

科学领域:

• 动物传播研究 动物传播研究
• 神经科学和神经药理学的神经科学和神经药理学
• 伦理学研究 伦理学研究

背景情况:

• 超声波发声 (USVs) 分析对于研究动物沟通,特别是小鼠的沟通至关重要.
• 准确的USV细分是可靠的行为和神经科学研究的关键先决条件.
• 目前用于USV检测和分类的自动化系统需要强大的细分方法.

研究的目的:

• 评估三个监督深度学习方法的性能,用于自动化USV细分.
• 为了比较自动编码器 (AE),U-NET和循环神经网络 (RNN) 在USV检测方面的有效性.
• 为未来的自动化USV分析系统建立一个基准.

主要方法:

• 开发和训练了三个监督深度学习模型:AE,UNET和RNN.
• 输入到模型:录制的音频轨道的谱图.
• 输出:USV调用检测到的区域. 基本真相数据集是手动创建的.

主要成果:

• 这三种模型的精度和回忆得分都超过了[公式:参见文本].
• 联网和AE模型超过[公式:参见文本]和超越了最先进的方法.
• 联网在外部数据集上表现出卓越的表现,证实了其稳定性.

结论:

• 监督深度学习方法,特别是UNET和AE,对于自动化USV细分非常有效.
• 这些模型为推进动物通信研究中的自动化分析提供了有价值的基准.
• 这些发现支持使用先进的深度学习来精确检测USV在神经科学和伦理学.