解读社会特征和病理生理条件的自然行为在常见的马尔莫塞特

科学领域:

• 神经科学是一个神经科学.
• 动物行为 动物行为
• 人工智能的人工智能

背景情况:

• 非人类灵长类动物 (NHPs) 是重要的动物模型,因为它们与人类的行为相似.
• 目前在NHP中基于实验室的行为评估是有限的.
• 在NHP中分析复杂的自然行为需要先进的方法.

研究的目的:

• 开发和验证一种基于人工智能的方法,用于从自然行为中解读NHP的伦理学,认知和病理学特征.
• 建立一个用于重建和估计3D姿势的系统.
• 在NHP行为研究中实现大数据的高吞吐量,多功能分析.

主要方法:

• 利用在大型数据集上训练的深度神经网络的三维 (3D) 姿势估计和人工智能 (AI).
• 开发下游分析方法来量化行为参数超出运动动力学.
• 应用时空过器和循环神经网络来分析社会相互作用和疾病模型.

主要成果:

• 成功重建和估计了常见的三维姿势,使得详细的行为分析.
• 食品共享的自动检测揭示了鱼中独特的父母角色.
• 发现的海在社交互动期间根据他人推断的内部状态调整行为.
• 在使用无监督方法在一年时间内检测到马尔莫塞特帕金森病模型中的渐进性症状行为.

结论:

• 由人工智能驱动的3D姿势估计方法为分析复杂的NHP行为提供了强大的,高吞吐量工具.
• 这种方法促进了神经科学研究,使得NHP中的社会和病理生理行为的大数据分析成为可能.
• 该系统为灵长类动物的社会动态和疾病建模提供了新的见解.