基于YOLOv11的量化和时间分析,对鹿小鼠的重复行为进行量化和时间分析
Farhan Augustine1, Shawn M Doss2, Ryan M Lee3
1University of Maryland Baltimore County, Department of Biological Sciences, Baltimore, MD, USA; Johns Hopkins University School of Medicine, Department of Neurology, Baltimore, MD, USA.
Neuroscience
|May 14, 2025
概括
我们使用YOLOv11深度学习开发了一个自动化系统来分析鹿鼠的行为. 该系统量化了行为模式和时间动态,为动物运动提供了新的见解.
科学领域:
- 伦理学 伦理学 伦理学
- 计算生物学 计算生物学
- 深度学习在动物行为中的应用.
背景情况:
- 鹿鼠 (Peromyscus maniculatus bairdii) 行为的详细时间动态尚不清楚.
- 现有的行为分析方法可能是劳动密集型的,缺乏高通量能力.
研究的目的:
- 介绍一个集成的自动化系统,用于客观,高吞吐量量化鹿鼠行为.
- 分析鹿鼠行为复杂的时间组织.
- 为了建立鹿鼠的基线时间数据.
主要方法:
- 利用YOLOv11深度学习进行直接的全身行为逐分类.
- 实现了用于发作重建的后处理和时间分析套件.
- 采用过渡概率和行为序列挖掘来揭示时间结构.
主要成果:
- 实现目标,高通量量化行为频率,持续时间和时间组织.
- 在鹿鼠行为中确定过渡模式和顺序关系.
- 提供了Peromyscus maniculatus bairdii的初始基线时间数据.
结论:
- 基于YOLOv11的系统提供了一种高效可靠的方法来详细描述行为活动.
- 这种方法增强了对鹿小鼠和其他动物模型的时间动态的研究.
- 该系统可用于未来对自然变异,实验操纵和运动障碍模型的研究.
