使用人工智能对狗的休息行为模式的自动观察及其与行为观察的相似性

科学领域:

• 动物行为 动物行为
• 人工智能的人工智能
• 兽医科学 兽医科学 兽医科学

背景情况:

• 直接的行为观察是耗时的,容易出现错误,挑战研究可靠性.
• 量化动物的睡眠模式对于福利评估至关重要,但由于繁的方法,经常被忽视.
• 自动视频分析为客观和高效的行为监控提供了一个有希望的解决方案.

研究的目的:

• 开发和验证基于卷积神经网络 (CNN) 的系统,用于检测和量化狗的睡眠模式.
• 将自动化系统的性能与直接的人类行为观察进行比较.
• 通过客观睡眠分析,评估CNN在促进动物福利研究中的实用性.

主要方法:

• 在13,688个视频中训练了一个CNN模型,以量化狗的睡眠时间和碎片化.
• 使用6000个以前未见的验证了CNN系统,将结果与单个人类观察员进行比较.
• 分析了睡眠时间,碎片化和总体观察时间,以达成系统观察者协议.

主要成果:

• 与人类观察相比,CNN系统在分类狗的睡眠框架方面实现了89%的相似率.
• 在自动化系统和人类观察者之间观察到的时间百分比没有发现显著差异 (p > 0.05).
• 自动化系统记录的总睡眠时间明显超过人类观察者 (p < 0.05),表明灵敏度更高.

结论:

• 基于CNN的自动视频分析是一种可靠的,可能更敏感的方法来量化狗的睡眠模式.
• 这项技术可以克服手动观察的局限性,提高动物行为和福利研究的可靠性和可重复性.
• 开发的系统具有显著的潜力,可以通过客观和大规模的睡眠分析来改善对动物福利的评估.