En AI-teknologi til at afsløre karakteristika for dyrs adfærd

Registrering af bevægelser af mennesker og dyr (inklusive fugle og insekter) er blevet meget let på grund af udviklingen af ​​små og billige GPS-enheder og videokameraer. Imidlertid, det er stadig svært at udlede, hvad der udløser sådanne bevægelser (f.eks. eksterne stimuli og/eller deres mentale processer) fra adfærdsregistrene.

I dette studie, Shuhei Yamazaki og kolleger har udviklet en kunstig intelligens (AI) teknologi, først, at estimere et dyrs adfærdstilstand, såsom "hvile, " "fodring, " eller "rejser, "Uden menneskelig klassificering, og, Næste, at udforske egenskaberne ved hver adfærdstilstand ved at sammenligne svar under forskellige forhold, såsom før og efter at have oplevet en bestemt stimulus.

Denne metode, kaldet STEFTR (statsestimat og funktionsudtræk af dyrs adfærd), gjorde det muligt for forskerne at estimere adfærdstilstande for rundorme og pingviner, der bevæger sig cirka 1 cm på 10 minutter i en petriskål og adskillige kilometer på 1 dag eller mere i det Antarktiske Ocean, henholdsvis, ved at analysere dem på nøjagtig samme måde. Især de opnåede> 90 % nøjagtighed ved kun at bruge snesevis af dyrebaner, selvom forskerne traditionelt brugte forhåndsviden fra specialister om dyrets bevægelser og/eller millioner af videobilleder af dyrs adfærd til at træne AI.

I funktionsudtrækket, Yamazaki et al. afsløret oplevelsesafhængig (dvs. læringsafhængige) ændringer i specifikke adfærdsaspekter hos orme og flagermus, og seksuelle feromonafhængige ændringer i frugtfluer. I øvrigt, de afslørede ændringer i nerveaktivitet, der er forbundet med adfærdsændringer hos orme.

Afslutningsvis, STEFTR-metoden kan gøre det nemt at udlede "vigtige steder" for dyrs adfærd, såsom reder og fødesteder, der normalt er svære at finde, kun ved hjælp af banedata for vilde dyr. Ud over, det kan hjælpe med at opdage vigtige hjerneaktiviteter relateret til dyrs adfærd, derved bidrage til fremskridt inden for grundlæggende hjernevidenskab.