Pesquisadores desenvolvem nova ferramenta de IA para análise avançada do comportamento animal
Uma nova métrica de avaliação de incorporação de comportamento:TPI (Índice de Proximidade Temporal). (A) Movimento do esqueleto de ação 3D de um mouse ao longo do tempo, com cada cor representando um repertório de comportamento padronizado. (B) Uma vez criado o espaço de incorporação de comportamento, examinar os padrões de movimento ao longo do tempo pode verificar a qualidade da incorporação. (C) A qualidade da conectividade temporal pode ser calculada pelo valor total do produto das probabilidades de transição entre clusters e a distância entre clusters (TPI). (Esquerda) Transições frequentes para clusters próximos indicam boa conectividade temporal. (Direita) Poucas transições para clusters próximos indicam conectividade temporal ruim. (D) Método de cálculo do Índice de Proximidade Temporal (TPI) para avaliar a conectividade temporal do espaço de incorporação de comportamento. (E) Fluxo de trabalho para análise de comportamento animal não supervisionada. Crédito:Revista Internacional de Visão Computacional (2024). DOI:10.1007/s11263-024-02072-0 A análise do comportamento animal é uma ferramenta fundamental em diversos estudos, que vão desde pesquisas básicas em neurociência até a compreensão das causas e tratamentos de doenças. É amplamente aplicado não apenas na pesquisa biológica, mas também em vários campos industriais, incluindo a robótica.
Recentemente, foram feitos esforços para analisar com precisão o comportamento dos animais usando tecnologia de IA. No entanto, ainda existem limitações para a IA reconhecer intuitivamente diferentes comportamentos, como os observadores humanos conseguem.
A pesquisa tradicional do comportamento animal envolve principalmente filmar animais com uma única câmera e analisar dados de baixa dimensão, como o tempo e a frequência de movimentos específicos. O método de análise forneceu à IA os resultados correspondentes para cada dado de treinamento, semelhante a simplesmente alimentar a IA com perguntas junto com a chave de resposta.
Embora este método seja simples, requer tempo e supervisão humana trabalhosa para construir os dados. O viés do observador também é um fator, pois os resultados da análise podem ser distorcidos pelo julgamento subjetivo do experimentador.
Para superar essas limitações, uma equipe de pesquisa conjunta liderada pelo Diretor C. Justin Lee do Centro de Cognição e Socialidade do Instituto de Ciência Básica, e Cha Meeyoung, o Investigador Chefe (CI) do Grupo de Ciência de Dados do IBS Center for Ciências Matemáticas e Computacionais (também professor da Escola de Computação da KAIST), desenvolveu uma nova ferramenta analítica chamada SUBTLE (Spectrogram-UMAP-Based Temporal-Link Embedding). SUBTLE classifica e analisa o comportamento animal por meio de aprendizagem de IA com base em informações de movimento 3D.
O artigo foi publicado no International Journal of Computer Vision .
Primeiro, a equipe de pesquisa registrou os movimentos dos ratos usando múltiplas câmeras, extraindo as coordenadas de nove pontos-chave, como cabeça, pernas e quadris, para obter dados de movimento do esqueleto de ação em 3D ao longo do tempo.
Eles então reduziram esses dados de série temporal em duas dimensões para incorporação, um processo que cria uma coleção de vetores correspondentes a cada dado, permitindo que dados complexos sejam representados de forma mais concisa e significativa.
Esquema da estrutura SUBTLE. (A) O processo de obtenção e análise de coordenadas 3D de pontos-chave a partir do movimento de um mouse. 1) À esquerda mostra o processo de extração de coordenadas 3D brutas dos movimentos do mouse usando o AVATAR3D, enquanto à direita mostra o processo de processamento e análise dos dados de coordenadas 3D obtidos do AVATAR3D. 2) Extraia o esqueleto de ação 3D usando o avatar. 3) Extraia características cinemáticas e espectrogramas wavelet das coordenadas do ponto-chave. 4) Executar algoritmos não lineares t-SNE e UMAP; a incorporação usando UMAP desenvolvida neste estudo é chamada de SUBTLE. (B) Resultados do mapeamento não linear. Mostra os resultados de incorporação usando t-SNE e UMAP com um número crescente de clusters (k). O t-SNE exibe uma forma de fio emaranhado ao longo do tempo, enquanto o UMAP exibe uma forma de grade bem alinhada temporalmente. Além disso, o UMAP atinge consistentemente pontuações de TPI mais altas do que o t-SNE em todos os números de cluster. Crédito:Revista Internacional de Visão Computacional (2024). DOI:10.1007/s11263-024-02072-0
Em seguida, os pesquisadores agruparam estados de comportamento semelhantes em subgrupos e agruparam esses subgrupos em supergrupos que representam padrões de comportamento padronizados (repertórios), como andar, ficar em pé, arrumar-se, etc.
Durante esse processo, eles propuseram uma nova métrica chamada Índice de Proximidade Temporal (TPI) para avaliar clusters de dados comportamentais. Esta métrica mede se cada cluster inclui o mesmo estado de comportamento e representa efetivamente movimentos temporais, semelhante à forma como os humanos consideram a informação temporal importante ao classificar o comportamento.
CI Cha Meeyoung declarou:"A introdução de novas métricas de avaliação e dados de referência para auxiliar na automação da classificação do comportamento animal é resultado da colaboração entre a neurociência e a ciência de dados. Esperamos que este algoritmo seja benéfico em vários setores que exigem reconhecimento de padrões de comportamento , incluindo a indústria robótica, que visa imitar os movimentos dos animais."
O Diretor C. Justin Lee, que liderou esta pesquisa, disse:"Desenvolvemos uma estrutura de análise de comportamento eficaz que minimiza a intervenção humana enquanto compreende comportamentos animais complexos, aplicando mecanismos de reconhecimento de padrões de comportamento humano. Esta estrutura tem aplicações industriais significativas e também pode ser usada como uma ferramenta para obter insights mais profundos sobre os princípios de reconhecimento de comportamento no cérebro."
Além disso, a equipe de pesquisa transferiu a tecnologia SUBTLE para a Actnova, uma empresa especializada em análises de testes de comportamento clínicos e não clínicos baseados em IA, em abril do ano passado. A equipe utilizou o sistema de análise de comportamento animal da Actnova, AVATAR3D, para obter dados de movimento 3D de animais para esta pesquisa.
A equipe de pesquisa também tornou o código do SUBTLE de código aberto, e uma interface gráfica (GUI) amigável para facilitar a análise do comportamento animal está disponível através do serviço web do SUBTLE para pesquisadores que não estão familiarizados com programação.
