在一天长的视频录像上使用多流循环卷积网络检测与老鼠疼痛相关的理行为
Chien-Cheng Lee1, Ping-Wing Lui2, Wei-Wei Gao1
1Department of Electrical Engineering, Yuan Ze University, Taoyuan 320, Taiwan.
Bioengineering (Basel, Switzerland)
|January 8, 2025
概括
研究人员开发了一种自动化的深度学习算法,以检测老鼠的与疼痛相关的理行为,克服了动物疼痛研究中人类观察的局限性. 这种新方法准确量化疼痛表达,有助于开发新型疼痛疗法.
科学领域:
- *神经科学和动物行为研究
- * 计算生物学和机器学习
背景情况:
- *在动物模型中准确测量疼痛对于临床前研究至关重要.
- *目前依赖人类观察的方法是主观的,耗时的,劳动密集的.
- * 自动化疼痛行为量化带来了重大的技术挑战.
研究的目的:
- * 开发和验证一种深度学习算法,用于自动检测与疼痛相关的小鼠理行为.
- * 提供客观和有效的方法来评估动物模型中的疼痛.
- * 建立一个可靠的工具来分析动物的疼痛行为在实验环境中.
主要方法:
- * 开发一个多流循环卷积网络 (深度学习算法).
- * 通过向后肢注射化学物质,诱导大鼠的与疼痛相关的行为.
- *分析一整天的视频录制,过用于模型培训和测试的修饰部分.
主要成果:
- * 深度学习模型在区分理行为方面实现了平均88.5%的验证准确性.
- *在疼痛诱导和对照组之间观察到理期持续时间的统计学上显著差异.
- * 算法成功识别了与疼痛相关的理模式,与疼痛表达一致.
结论:
- *开发的深度学习算法提供了一个准确和自动化的解决方案,用于量化与疼痛相关的小鼠理.
- *这种自动化方法显著提高了临床前研究中疼痛评估的效率和客观性.
- *这些发现支持计算方法在促进动物疼痛研究和药物开发方面的实用性.
