将手动预处理与自动特征提取集成在一起,以改进动物发作分类
An Yu1, Mannut Singh2, Abhineet Pandey1
1Department of Computer Science, University at Albany, Albany NY, United States.
Epilepsy & behavior : E&B
|February 21, 2025
概括
这项研究开发了一种人工智能系统,用于从视频中分类动物的阶段,达到高达90.3%的准确性. 半自动方法有助于药物发现,但需要手动数据预处理.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 动物行为分析.
背景情况:
- 动物模型对于研究至关重要,但目前的行为分析方法耗时且主观.
- 抗药物 (AED) 的临床前查在很大程度上依赖于动物模型中精确的发作检测.
- 自动化分析可以显著提高研究的效率和客观性.
研究的目的:
- 开发一种基于人工智能的对动物行为的定量分析,用于的阶段分类.
- 在动物模型中创建一个半自动管道用于发作检测和识别.
- 为了减少与研究中手动视频监控相关的时间和主观性.
主要方法:
- 利用深度学习和计算机视觉技术进行半自动分析管道.
- 结合基于模型和数据驱动的方法来检测发作.
- 使用了老鼠骨关键点和发作行为视频,需要手动预处理和细分.
主要成果:
- 开发了PoseC3D方法来对老鼠发作阶段进行分类.
- 在四种不同的现型上,获得了64.7%至90.3%的分类准确度.
- 成功收集和分析了老鼠发作行为的数据集.
结论:
- 在动物模型中展示了基于视频的发作阶段检测和分类的可行性.
- 半自动管道显示了对动物运动行为的定量分析的希望.
- 限制包括需要手工预处理和对未见动物进行测试,这影响了概括性.
