使用监督机器学习对操作者自我管理行为进行分析:使用DeepLabCut和简单行为分析进行视频采集和姿势估计分析的协议

科学领域:

• 行为神经科学 行为神经科学
• 机器学习应用 机器学习应用
• 动物行为分析.

背景情况:

• 操作者自我管理行为的自动分析是有限的.
• 监督机器学习可以从视频记录中分析复杂的行为概况.
• 有效的行为分析对于理解动物模型至关重要.

研究的目的:

• 为操作员自我管理行为提供自动分析方法.
• 为了证明姿势估计对于行为数据生成的实用性.
• 从训练会话数据中开发预测性行为分类器.

主要方法:

• 使用Raspberry Pi或GoPro摄像头进行视频采集.
• 使用DeepLabCut (DLC) 和简单行为分析 (SimBA) 软件进行姿势估计.
• 将Med-PC杆响应数据与姿势估计衍生的象限时间数据进行比较.

主要成果:

• 概念验证使用DLC的姿势估计输出.
• 从姿势估计数据生成象限时间结果.
• 使用SimBA成功获取行为分类器.

结论:

• 本文所介绍的方法允许对操作者自我管理进行高效的,自动化的分析.
• 姿势估计为传统的行为数据收集提供了一个可行的替代方案.
• 这种方法促进了对操作任务的预测性行为分类器的生成.