加强对小鼠新生儿超声波发声的分析:开发,评估和应用不同的数学模型
Rudolf Herdt1, Louisa Kinzel1, Johann Georg Maaß2,3
1Center for Industrial Mathematics, University of Bremen, Bremen 28334, Germany.
The Journal of the Acoustical Society of America
|October 14, 2024
概括
卷积神经网络是分析动物超声波发声 (USV) 的最佳深度学习架构. 这一发现使得研究动物交流和发育的可靠,自动化管道成为可能.
科学领域:
- 动物行为 动物行为
- 生物声学是一种生物声学.
- 计算神经科学是一种神经科学.
背景情况:
- 动物使用超声波发声 (USVs) 来进行社交交流,为它们的情感状态和发育提供了洞察力.
- 使用深度学习自动化分析USV对于研究这些复杂的发音至关重要.
- 以前的研究还没有系统地评估神经网络架构的USV分类.
研究的目的:
- 系统地评估不同的神经网络架构,用于对动物超声波发声 (USV) 的分类.
- 确定最适合用于准确可靠的USV分析的深度学习模型.
- 建立一个基础,为未来的研究在自动化USV分析.
主要方法:
- 评估了各种前网络,包括完全连接的卷积神经网络 (CNN),残余神经网络 (ResNets),EfficientNet和视觉转换器.
- 开发了一个精细的,基于的算法用于USV检测.
- 将表现最好的架构集成到一个完全自动化的分析管道中.
主要成果:
- 具有残余连接的卷积神经网络,专门适应USV数据,表现出卓越的性能.
- 最好的架构在USV分类中实现了86.79%的准确性.
- 精细的检测算法实现了94.9%的回忆率和99.3%的精度.
- 自动化管道可靠地分析了广泛的USV数据集.
结论:
- 卷积神经网络代表了动物USV分类最适合的架构.
- 开发的自动化管道为分析大规模USV数据集提供了可靠的工具,特别是在新生儿研究中.
- 这种系统的评估为未来使用深度学习进行生物声学分析的进展提供了坚实的基础.
