使用图像处理和机器学习对小鼠进行新型物体识别测试的自动分析.
Takuya Kishi1, Koji Kobayashi1, Kazuo Sasagawa2
1Food and Animal Systemics, Graduate School of Agricultural and Life Sciences, The University of Tokyo, Tokyo, Japan.
Behavioural brain research
|October 2, 2024
概括
本研究介绍了一种使用机器学习分析小鼠探索行为的新型物体识别测试 (NORT) 的自动化方法. 自动化系统准确地检测新奇的识别,克服了手动观察在高通量研究的局限性.
科学领域:
- 神经科学是一个神经科学.
- 行为科学 行为科学
- 计算机科学 计算机科学
背景情况:
- 新型物体识别测试 (NORT) 对于评估动物模型中的新奇性识别至关重要.
- 手动NORT分析是劳动密集型的,并且限制了高通量研究.
- 需要自动行为分析来提高效率和客观性.
研究的目的:
- 开发和验证一种基于机器学习的自动化方法,用于分析北方的探索行为.
- 将自动化方法的性能与人类观察者评估进行比较.
- 为了使NORT在实验动物中进行高通量分析.
主要方法:
- 使用 DeepLabCut,一种机器学习模型,从视频记录中检测鼠标鼻子和尾巴底座标.
- 开发了一个支持向量机 (SVM) 分类器,训练在鼠标特征向量上,以区分探索性和非探索性行为.
- 通过将其对探索性持续时间和新性歧视指数的预测与人类观察者数据进行比较,验证了SVM的性能.
主要成果:
- 经过训练的SVM在检测探索性行为方面表现出高度准确性,与人类评估有很强的相关性.
- 使用SVM对NORT的自动分析显示,与人类观察者对探索行为持续时间的评估有显著的相关性.
- 从SVM预测中得出的新性歧视指数与人类观察结果非常相匹配.
结论:
- 一种自动化的机器学习方法有效地分析了北方的探索行为.
- 这种方法为手工观察提供了可靠和客观的替代方案,促进了高通量行为表型.
- 开发的系统提高了动物模型认知行为研究的效率和可扩展性.
