Récemment, des efforts ont été déployés pour analyser avec précision les comportements des animaux à l’aide de la technologie de l’IA. Cependant, l'IA a encore des limites pour reconnaître intuitivement différents comportements comme le peuvent les observateurs humains.

La recherche traditionnelle sur le comportement animal consiste principalement à filmer les animaux avec une seule caméra et à analyser des données de faible dimension telles que l'heure et la fréquence de mouvements spécifiques. La méthode d'analyse a fourni à l'IA les résultats correspondants pour chaque élément de données d'entraînement, ce qui revient à simplement alimenter l'IA avec des questions accompagnées du corrigé.

Bien que cette méthode soit simple, elle nécessite du temps et une supervision humaine intensive pour créer les données. Le biais de l'observateur est également un facteur, car les résultats de l'analyse peuvent être faussés par le jugement subjectif de l'expérimentateur.

Pour surmonter ces limites, une équipe de recherche conjointe dirigée par le directeur C. Justin Lee du Centre pour la cognition et la socialité au sein de l'Institut des sciences fondamentales, et Cha Meeyoung, chercheur en chef (CI) du groupe de science des données au Centre IBS pour Mathematical and Computational Sciences (également professeur à la School of Computing du KAIST) a développé un nouvel outil analytique appelé SUBTLE (Spectrogram-UMAP-Based Temporal-Link Embedding). SUBTLE classe et analyse le comportement des animaux grâce à l'apprentissage de l'IA basé sur des informations de mouvement 3D.

L'article est publié dans l'International Journal of Computer Vision. .

Tout d'abord, l'équipe de recherche a enregistré les mouvements des souris à l'aide de plusieurs caméras, extrayant les coordonnées de neuf points clés tels que la tête, les jambes et les hanches pour obtenir des données de mouvement du squelette d'action 3D au fil du temps.

Ils ont ensuite réduit ces données de séries chronologiques en deux dimensions pour les intégrer, un processus qui crée une collection de vecteurs correspondant à chaque élément de données, permettant aux données complexes d'être représentées de manière plus concise et significative.

Ensuite, les chercheurs ont regroupé les états de comportement similaires en sous-groupes et ces sous-groupes en supergroupes représentant des modèles de comportement standardisés (répertoires), tels que marcher, se tenir debout, faire sa toilette, etc.

Au cours de ce processus, ils ont proposé une nouvelle métrique appelée indice de proximité temporelle (TPI) pour évaluer les groupes de données comportementales. Cette métrique mesure si chaque cluster inclut le même état de comportement et représente efficacement les mouvements temporels, de la même manière que les humains considèrent les informations temporelles comme importantes lors de la classification des comportements.

CI Cha Meeyoung a déclaré :« L'introduction de nouvelles mesures d'évaluation et de données de référence pour faciliter l'automatisation de la classification du comportement animal est le résultat de la collaboration entre les neurosciences et la science des données. Nous espérons que cet algorithme sera bénéfique dans diverses industries nécessitant la reconnaissance de modèles de comportement. , y compris l'industrie de la robotique, qui vise à imiter les mouvements des animaux."

Le directeur C. Justin Lee, qui a dirigé cette recherche, a déclaré :« Nous avons développé un cadre d'analyse comportementale efficace qui minimise l'intervention humaine tout en comprenant les comportements complexes des animaux en appliquant des mécanismes de reconnaissance des modèles de comportement humain. Ce cadre a des applications industrielles importantes et peut également être utilisé. comme un outil pour mieux comprendre les principes de la reconnaissance du comportement dans le cerveau."

De plus, l’équipe de recherche a transféré la technologie SUBTLE à Actnova, une société spécialisée dans l’analyse de tests de comportement cliniques et non cliniques basée sur l’IA, en avril de l’année dernière. L'équipe a utilisé le système d'analyse du comportement animal d'Actnova, AVATAR3D, pour obtenir des données 3D sur les mouvements des animaux pour cette recherche.

L'équipe de recherche a également rendu le code de SUBTLE open source, et une interface graphique (GUI) conviviale pour faciliter l'analyse du comportement animal est disponible via le service Web SUBTLE pour les chercheurs qui ne sont pas familiers avec la programmation.