相关实验视频
Updated: Jul 3, 2025
07:38
Strategies for Assessing Autistic-Like Behaviors in Mice
Published on: September 20, 2024
976
机器学习方法的比较,用于量化小鼠的自我理行为.
Kassi Correia1, Raegan Walker1, Christopher Pittenger2
1Department of Psychiatry, Yale School of Medicine, Yale University, New Haven, CT, United States.
Frontiers in behavioral neuroscience
|February 13, 2024
概括
DeepLabCut (DLC) 与简单行为分析 (SimBA) 准确量化鼠标理时间,但DLC/SimBA和HomeCageScan (HCS) 都在与手动评分相比,难以准确地测量理时间.
科学领域:
- 行为神经科学 行为神经科学
- 机器学习应用 机器学习应用
- 动物行为分析.
背景情况:
- 自动行为分析工具在神经科学中越来越重要.
- 标准化量化动物行为至关重要.
- 机器学习的进步推动了这些工具的开发.
研究的目的:
- 将自动化工具 (DeepLabCut/SimBA,HomeCageScan) 与用于小鼠修饰的手动评分进行比较.
- 评估测量理时间和比赛次数的准确性.
- 在不同的行为条件下评估工具性能.
主要方法:
- 在基线和压力治疗 (喷水,克制) 后记录了小鼠的理行为.
- 使用DeepLabCut/SimBA,HomeCageScan和手动评分进行视频分析.
- 量化整体理时间和整体理时间.
主要成果:
- 这两种治疗方法都增加了理时间和比赛次数.
- 与手动评分相比,HomeCageScan高估了理时间.
- 深度实验室Cut/SimBA持续时间测量与手动评分非常相匹配.
- 这两种自动化方法都显示了与手动评分相比,理比赛数量存在显著差异.
结论:
- DeepLabCut/SimBA提供了一种高通量,准确的方法来量化小鼠理时间.
- 与手动评分相比,DeepLabCut/SimBA和HomeCageScan都无法可靠地测量与手动评分相比的理比赛数量.
