基于动物跟踪和兴趣区域分析的SARTAB,是一个可扩展的基于动物跟踪和兴趣区域分析的自动实时行为检测系统:对鱼求爱行为的验证
Tucker J Lancaster1, Kathryn N Leatherbury2, Kseniia Shilova1
1McGrath Lab, Georgia Institute of Technology, School of Biological Sciences, Atlanta, GA, United States.
Frontiers in behavioral neuroscience
|December 20, 2024
概括
我们开发了SARTAB,这是一个可扩展的,自动化的实时动物行为分析系统. 这种机器学习方法能够精确地检测行为,以获得即时的实验反,即使是在低成本的硬件上.
科学领域:
- 伦理学 伦理学 伦理学
- 计算神经科学是一种神经科学.
- 生物成像 - 生物成像
背景情况:
- 机器学习 (ML) 和计算机视觉 (CV) 为分析行为记录提供了强大的工具.
- ML/CV 方法的高计算复杂性往往限制了实时应用,例如基于行为的刺激传递或样本采集.
- 自动实时行为分析对于先进的实验设计至关重要.
研究的目的:
- 介绍SARTAB (可扩展的自动实时行为分析),这是一个用于自动实时行为检测的新系统.
- 为了证明SARTAB在检测鱼 (Pseudotropheus demasoni) 罕见的求爱行为中的实用性.
- 通过从积极行为个体收集神经组织样本,以单个核分辨率进行多原子分析.
主要方法:
- 萨尔塔布持续监测动物相对于行为相关的兴趣区域 (ROI) 的位置.
- 该系统利用神经网络分析进行高精度的行为检测和分类.
- 所有的分析都是在低成本,边缘部署的硬件上进行的,以提高可扩展性和能源效率.
主要成果:
- 实现了高ROI (0.969 mAP) 和动物检测 (0.718 mAP) 的准确性.
- 在手动选择的行为片段上展示了100%的分类准确性.
- 成功促进了从积极求爱的鱼中收集神经组织样本,以进行多原子分析.
结论:
- SARTAB为实时实验反提供了一个可扩展,节能的解决方案.
- 系统的灵活性允许适应新物种,行为和环境.
- 这种方法克服了实时行为分析的传统ML/CV方法的计算局限性.
