Forskere udvikler nyt AI-værktøj til avanceret dyreadfærdsanalyse
Dyreadfærdsanalyse er et grundlæggende værktøj i forskellige undersøgelser, lige fra grundlæggende neurovidenskabelig forskning til forståelse af årsager og behandlinger af sygdomme. Det er bredt anvendt, ikke kun i biologisk forskning, men også på tværs af forskellige industrielle områder, herunder robotteknologi.
For nylig er der gjort en indsats for nøjagtigt at analysere dyrs adfærd ved hjælp af AI-teknologi. Der er dog stadig begrænsninger for AI til intuitivt at genkende forskellig adfærd, som menneskelige observatører kan.
Traditionel dyreadfærdsforskning involverer primært at filme dyr med et enkelt kamera og analysere lavdimensionelle data såsom tid og hyppighed af specifikke bevægelser. Analysemetoden gav AI tilsvarende resultater for hvert stykke træningsdata, svarende til blot at fodre AI med spørgsmål sammen med svarnøglen.
Selvom denne metode er ligetil, kræver det tid og arbejdskrævende menneskelig overvågning at opbygge dataene. Observatørbias er også en faktor, da analyseresultaterne kan forvrænges af forsøgslederens subjektive dømmekraft.
For at overvinde disse begrænsninger har et fælles forskerhold ledet af direktør C. Justin Lee fra Center for Kognition og Socialitet i Institute for Basic Science og Cha Meeyoung, Chief Investigator (CI) for Data Science Group ved IBS Center for Mathematical and Computational Sciences (også professor ved School of Computing på KAIST) har udviklet et nyt analytisk værktøj kaldet SUBTLE (Spectrogram-UMAP-Based Temporal-Link Embedding). SUBTLE klassificerer og analyserer dyrs adfærd gennem AI-læring baseret på 3D-bevægelsesinformation.
Artiklen er offentliggjort i International Journal of Computer Vision .
Først registrerede forskerholdet musenes bevægelser ved hjælp af flere kameraer og udtrak koordinaterne for ni nøglepunkter såsom hovedet, benene og hofterne for at opnå 3D-handlingsskeletbevægelsesdata over tid.
De reducerede derefter disse tidsseriedata til to dimensioner til indlejring, en proces, der skaber en samling af vektorer, der svarer til hvert stykke data, hvilket tillader komplekse data at blive repræsenteret mere kortfattet og meningsfuldt.
Dernæst grupperede forskerne lignende adfærdstilstande i underklynger og grupperede disse underklynger i superklynger, der repræsenterede standardiserede adfærdsmønstre (repertoirer), såsom at gå, stå, pleje, osv.
Under denne proces foreslog de en ny metrik kaldet Temporal Proximity Index (TPI) til at evaluere adfærdsdataklynger. Denne metrik måler, om hver klynge indeholder den samme adfærdstilstand og effektivt repræsenterer tidsmæssige bevægelser, svarende til hvordan mennesker anser tidsmæssige oplysninger for vigtige, når de klassificerer adfærd.
CI Cha Meeyoung udtalte:"Introduktionen af nye evalueringsmetrikker og benchmarkdata for at hjælpe med automatisering af dyreadfærdsklassificering er et resultat af samarbejdet mellem neurovidenskab og datavidenskab. Vi forventer, at denne algoritme vil være gavnlig i forskellige industrier, der kræver adfærdsmønstergenkendelse. , herunder robotindustrien, som har til formål at efterligne dyrebevægelser."
Direktør C. Justin Lee, der ledede denne forskning, sagde:"Vi har udviklet en effektiv adfærdsanalyseramme, der minimerer menneskelig indgriben, mens vi forstår kompleks dyreadfærd ved at anvende mekanismer til genkendelse af menneskelige adfærdsmønstre. Denne ramme har betydelige industrielle anvendelser og kan også bruges som et værktøj til at få dybere indsigt i principperne for adfærdsgenkendelse i hjernen."
Derudover overførte forskerholdet SUBTLE-teknologi til Actnova, en virksomhed, der er specialiseret i AI-baseret klinisk og ikke-klinisk adfærdstestanalyse, i april sidste år. Holdet brugte Actnovas dyreadfærdsanalysesystem, AVATAR3D, til at indhente 3D-bevægelsesdata for dyr til denne forskning.
Forskerholdet har også lavet SUBTLEs kode open-source, og en brugervenlig grafisk grænseflade (GUI) til at lette dyreadfærdsanalyse er tilgængelig via SUBTLE-webservicen for forskere, der ikke er fortrolige med programmering.
Flere oplysninger: Jea Kwon et al., SUBTLE:An Unsupervised Platform with Temporal Link Embedding that Maps Animal Behavior, International Journal of Computer Vision (2024). DOI:10.1007/s11263-024-02072-0
Leveret af Institute for Basic Science
Varme artikler
-
San Diego Zoo-pingvin udstyret med ortopædisk fodtøj (Opdatering)På dette udaterede billede leveret af San Diego Zoo Wildlife Alliance ser specialisterne i dyrelivspleje, Debbie Dention, til venstre, og Lara Jones, mens en pingvin ved navn Lucas tester tilpasset or -
Insekter falder dramatisk i tyske naturreservater:undersøgelseI løbet af de sidste 27 år har resarkanter fandt et gennemsnitligt fald i insektpopulationer på 76 procent, med virkningerne der ser værst ud om sommeren (82 procent) Forskere i Tyskland har dokum -
Undersøgelse viser, at en enkelt dækafgrøde kan klare sig bedre end blandingerBomuld dyrkes i en levende hvidkløverdækafgrøde. Athen, GA. Kredit:William Vencill Dækafgrøder kan være et værdifuldt værktøj til ukrudtsbekæmpelse - med succes i konkurrence med ukrudt om lys, van -
Kunne genetisk forbedring i sidste ende gøre menneskeheden dummere?Kan rod med vores eget DNA påvirke menneskeheden negativt? RubberBall Productions/Agency Collection/Getty Images Ingen andre arter på planeten kan matche menneskers evne til at lære, problemløsning o