• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  •  Science >> Science >  >> Biologie
    Des chercheurs développent un nouvel outil d’IA pour l’analyse avancée du comportement animal
    Une nouvelle métrique d'évaluation intégrant le comportement :TPI (Temporal Proximity Index). (A) Mouvement du squelette d'action 3D d'une souris au fil du temps, chaque couleur représentant un répertoire de comportement standardisé. (B) Une fois l'espace d'intégration du comportement créé, l'examen des modèles de mouvement au fil du temps peut vérifier la qualité de l'intégration. (C) La qualité de la connectivité temporelle peut être calculée par la valeur totale du produit des probabilités de transition entre les clusters et la distance entre les clusters (TPI). (À gauche) Des transitions fréquentes vers des clusters proches indiquent une bonne connectivité temporelle. (À droite) Peu de transitions vers des clusters proches indiquent une mauvaise connectivité temporelle. (D) Méthode de calcul de l'indice de proximité temporelle (TPI) pour évaluer la connectivité temporelle de l'espace d'intégration du comportement. (E) Flux de travail pour l’analyse du comportement animal non supervisé. Crédit :Journal international de vision par ordinateur (2024). DOI :10.1007/s11263-024-02072-0

    L’analyse du comportement animal est un outil fondamental dans diverses études, allant de la recherche fondamentale en neurosciences à la compréhension des causes et des traitements des maladies. Elle est largement appliquée non seulement dans la recherche biologique, mais également dans divers domaines industriels, notamment la robotique.



    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.

    Schéma du framework SUBTLE. (A) Le processus d’obtention et d’analyse des coordonnées 3D de points clés à partir du mouvement d’une souris. 1) À gauche, il montre le processus d'extraction des coordonnées brutes 3D des mouvements de la souris à l'aide d'AVATAR3D, tandis qu'à droite, il montre le processus de traitement et d'analyse des données de coordonnées 3D obtenues à partir d'AVATAR3D. 2) Extrayez le squelette d'action 3D à l'aide de l'avatar. 3) Extraire les caractéristiques cinématiques et les spectrogrammes d'ondelettes à partir des coordonnées des points clés. 4) Effectuer des algorithmes non linéaires t-SNE et UMAP ; l'intégration utilisant UMAP développée dans cette étude est appelée SUBTILE. (B) Résultats de la cartographie non linéaire. Il montre les résultats d'intégration utilisant t-SNE et UMAP avec un nombre croissant de clusters (k). Le t-SNE présente une forme filiforme enchevêtrée au fil du temps, tandis que l'UMAP affiche une forme de grille bien alignée dans le temps. De plus, UMAP obtient systématiquement des scores TPI plus élevés que le t-SNE sur tous les numéros de cluster. Crédit :Journal international de vision par ordinateur (2024). DOI :10.1007/s11263-024-02072-0

    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.

    Plus d'informations : Jea Kwon et al, SUBTLE : Une plate-forme non supervisée avec intégration de liens temporels qui cartographie le comportement animal, International Journal of Computer Vision (2024). DOI :10.1007/s11263-024-02072-0

    Fourni par l'Institut des sciences fondamentales




    © Science https://fr.scienceaq.com