ABNet:人工智能授权的异常动作识别方法用于实验室老鼠行为

科学领域:

• 神经科学是一个神经科学.
• 药理学 药理学是指药理学的学科.
• 毒理学 毒理学 毒理学

背景情况:

• 自动识别异常的小鼠行为对于研究至关重要.
• 定义异常行为和收集训练数据是重大挑战.
• 现有的行为识别方法与直接识别异常行为的斗争.

研究的目的:

• 提出ABNet,一种基于人工智能的方法,用于在小鼠中识别异常动作.
• 为了增强特征提取和编码的时空数据.
• 使用人工智能准确识别异常小鼠行为.

主要方法:

• 作为编码器,ABNet使用了一个增强的空间时间图形卷积网络 (ST-GCN).
• ST-GCN结合了图形和时间卷曲来进行时空特征分析.
• 该模型是在正常行为样本上训练的,并使用无监督的集群来检测异常.

主要成果:

• 在Kinetics-Skeleton数据集上,ABNet表现出强的表现 (32.7%的顶级-1,55.2%的顶级-5准确度).
• 在小鼠行为分析中,ABNet在检测异常运动时,平均准确率为83.1%.
• 增强的ST-GCN显著提高了特征提取和编码能力.

结论:

• ABNet提供了一种有效的解决方案,用于对小鼠的异常行为识别.
• 人工智能增强的方法解决了传统行为分析的局限性.
• 这种方法在神经科学,药理学和毒理学研究中推进了定量分析.