DISSeCT:使用惯性传感器进行高分辨率的动物行为映射的无监督框架

科学领域:

• 计算神经伦理学计算神经伦理学
• 行为神经科学 行为神经科学
• 生物医学工程 生物医学工程

背景情况:

• 将动物行为分解为基本的组成部分至关重要,但具有挑战性.
• 目前的视频跟踪方法是数据密集型,环境限制,缺乏可扩展性.
• 惯性传感器提供紧,高分辨率,环境独立的动态数据.

研究的目的:

• 提出一种使用惯性传感器进行高分辨率行为分析的替代方法.
• 开发一个计算高效的管道,用于动物行为映射.
• 为了证明这种方法在疾病模型中的行为表型化中的实用性.

主要方法:

• 在惯性传感器时间序列上使用无监督变化点检测.
• 采用基于模型的概率聚类来将细分群分成行为动机.
• 应用分类隐藏的马尔科夫模型来分析高阶行为结构.
• 通过视频记录来证明已识别的图案.

主要成果:

• 通过使用头部惯性数据,成功地绘制出详细的动物行为,包括定位,理,运动和嗅觉探索.
• 识别出与视频分析一致的独特行为动机.
• 在帕金森病和勒沃多巴诱导的运动障碍的小鼠模型中检测到运动变化.
• 展示了访问更高阶行为结构的能力.

结论:

• 这种基于惯性传感器的方法提供了观察者公正的高分辨率行为分析.
• 该方法在计算上是高效的,可扩展的,并且不受环境限制.
• 它为研究和临床环境中的行为表型提供了一个强大的工具.