动物行为分析是各种研究的基本工具，从基础神经科学研究到了解疾病的原因和治疗方法。它不仅广泛应用于生物学研究，还广泛应用于机器人等各个工业领域。最近，人们努力利用人工智能技术准确分析动物行为。然而，人工智能在像人类观察者那样直观地识别不同行为方面仍然存在局限性。
传统的动物行为研究主要涉及使用单个摄像机拍摄动物并分析特定动作的时间和频率等低维数据。分析方法为 AI 提供了每条训练数据的对应结果，类似于简单地向 AI 提供问题以及答案。虽然这种方法很简单，但它需要时间和劳动密集型的人工监督来构建数据。观察者的偏见也是一个因素，因为分析结果可能会因实验者的主观判断而扭曲。
为了克服这些限制，由基础科学研究所认知与社会研究中心主任 C. Justin LEE 和 IBS 数学与计算科学中心数据科学组首席研究员 (CI) CHA Meeyoung(也是 KAIST 计算学院的教授)领导的联合研究团队开发了一种名为“SUBTLE”(基于频谱图-UMAP 的时间链接嵌入)的新分析工具。SUBTLE 通过基于 3D 运动信息的 AI 学习对动物行为进行分类和分析。
首先，研究团队利用多个摄像头记录小鼠的动作，提取头部、腿部、臀部等 9 个关键点的坐标，获得随时间变化的三维动作骨骼运动数据。随后，他们将这种时序数据降维为二维，进行嵌入，即为每条数据创建一组对应的向量，让复杂的数据能够更加简洁、有意义地表示出来。
接下来，研究人员将类似的行为状态聚类为子簇，并将这些子簇分组为代表标准化行为模式(曲目)的超簇，例如行走、站立、梳理等。在此过程中，他们提出了一种称为时间接近指数 (TPI) 的新指标来评估行为数据簇。该指标衡量每个簇是否包含相同的行为状态并有效地表示时间运动，类似于人类在对行为进行分类时认为时间信息很重要。
CI CHA Meeyoung 表示：“引入新的评估指标和基准数据来帮助实现动物行为分类的自动化，这是神经科学和数据科学合作的结果。我们预计这种算法将有益于需要行为模式识别的各个行业，包括旨在模仿动物动作的机器人行业。”
领导这项研究的认知与社会研究中心主任 C. Justin LEE 表示：“我们开发出了一种有效的行为分析框架，它能最大限度地减少人为干预，同时通过应用人类行为模式识别机制来理解复杂的动物行为。这个框架具有重要的工业应用价值，也可以作为一种工具来深入了解大脑中行为识别的原理。”
此外，研究团队于去年 4 月将 SUBTLE 技术转让给专门从事基于 AI 的临床和非临床行为测试分析的公司 Actnova。该团队利用 Actnova 的动物行为分析系统 AVATAR3D 获取了动物的 3D 运动数据，用于这项研究。
研究团队还将SUBTLE的代码开源，对于不熟悉编程的研究人员来说，可以通过SUBTLE网络服务(http://subtle.ibs.re.kr/)获得用户友好的图形界面(GUI)，以便于进行动物行为分析。
免责声明：本文由用户上传，如有侵权请联系删除！
