交叉骨交互图汇集网络,用于表达鼠标的学习社会行为.

科学领域:

• 行为神经科学 行为神经科学
• 计算神经科学是一种神经科学.
• 机器学习 机器学习

背景情况:

• 对老鼠社会行为的自动分析在神经科学中至关重要.
• 姿势信息 (关键点/骨架) 越来越多地用于行为解释.
• 现有的方法难以有效地编码和解码复杂的社会互动,因为形状变形和模糊的运动导致的姿势数据.

研究的目的:

• 提出一种新型网络,即交叉骨交互图集成网络 (CS-IGANet),用于使用姿势数据分析小鼠的复杂社会交互.
• 为了有效地建模小鼠之间的多层次相互作用 (内部,内部和交叉骨架).
• 通过动态图表级和节点级更新来增强社会行为的表示学习.

主要方法:

• 开发了一个交叉骨架交互图集成网络 (CS-IGANet),包含一个交叉骨架节点级交互模块 (CS-NLI).
• 设计了一个交互意识的变压器 (IAT),具有交互意识的自我注意力机制,用于动态表示学习.
• 实施了辅助自主监督学习任务,以测量交叉骨架节点的相似性.

主要成果:

• 与最先进的方法相比,CS-IGANet模型在分析小鼠的社会行为方面表现出卓越的表现.
• 拟议的CS-NLI模块有效地模拟了多层次的交互.
• 在自我注意的指导下,IAT动态更新表示,以提高准确性.

结论:

• CS-IGANet提供了一个有效的框架,用于使用骨数据分析复杂的小鼠社交互动.
• 新的交互意识模块和自我监督的任务增强了模型捕捉微妙行为动态的能力.
• 这种方法在行为神经科学中推进了自动化社会行为分析.