Wetenschap
Onderzoekers ontwikkelen een nieuwe AI-tool voor geavanceerde analyse van diergedrag
Analyse van diergedrag is een fundamenteel hulpmiddel in verschillende onderzoeken, variërend van fundamenteel neurowetenschappelijk onderzoek tot het begrijpen van de oorzaken en behandelingen van ziekten. Het wordt niet alleen op grote schaal toegepast in biologisch onderzoek, maar ook op verschillende industriële gebieden, waaronder robotica.
Onlangs zijn er pogingen gedaan om het gedrag van dieren nauwkeurig te analyseren met behulp van AI-technologie. Er zijn echter nog steeds beperkingen voor AI om intuïtief verschillend gedrag te herkennen, zoals menselijke waarnemers dat kunnen.
Bij traditioneel onderzoek naar diergedrag gaat het vooral om het filmen van dieren met één camera en het analyseren van laagdimensionale gegevens zoals de tijd en frequentie van specifieke bewegingen. De analysemethode leverde AI overeenkomstige resultaten op voor elk stukje trainingsgegevens, vergelijkbaar met het simpelweg voeden van AI met vragen samen met de antwoordsleutel.
Hoewel deze methode eenvoudig is, vereist het tijd en arbeidsintensief menselijk toezicht om de gegevens op te bouwen. Vooringenomenheid van de waarnemer speelt ook een rol, omdat de analyseresultaten kunnen worden vertekend door het subjectieve oordeel van de experimentator.
Om deze beperkingen te overwinnen heeft een gezamenlijk onderzoeksteam onder leiding van directeur C. Justin Lee van het Center for Cognition and Sociality binnen het Institute for Basic Science, en Cha Meeyoung, de Chief Investigator (CI) van de Data Science Group van het IBS Center for Wiskundige en computerwetenschappen (tevens professor aan de School of Computing bij KAIST), heeft een nieuw analytisch hulpmiddel ontwikkeld genaamd SUBTLE (Spectrogram-UMAP-Based Temporal-Link Embedding). SUBTLE classificeert en analyseert het gedrag van dieren door middel van AI-leren op basis van 3D-bewegingsinformatie.
Het artikel is gepubliceerd in het International Journal of Computer Vision .
Eerst registreerde het onderzoeksteam de bewegingen van muizen met behulp van meerdere camera's, waarbij de coördinaten van negen belangrijke punten, zoals het hoofd, de benen en de heupen, werden geëxtraheerd om 3D-actiegegevens van skeletbewegingen in de loop van de tijd te verkrijgen.
Vervolgens hebben ze deze tijdreeksgegevens teruggebracht tot twee dimensies voor inbedding, een proces dat een verzameling vectoren creëert die overeenkomen met elk stukje gegevens, waardoor complexe gegevens beknopter en betekenisvoller kunnen worden weergegeven.
Vervolgens hebben de onderzoekers soortgelijke gedragstoestanden geclusterd in subclusters en deze subclusters gegroepeerd in superclusters die gestandaardiseerde gedragspatronen (repertoires) vertegenwoordigen, zoals lopen, staan, verzorging, enz.
Tijdens dit proces stelden ze een nieuwe metriek voor, de Temporal Proximity Index (TPI), om gedragsdataclusters te evalueren. Deze statistiek meet of elk cluster dezelfde gedragsstatus omvat en effectief temporele bewegingen vertegenwoordigt, vergelijkbaar met hoe mensen temporele informatie belangrijk vinden bij het classificeren van gedrag.
CI Cha Meeyoung verklaarde:"De introductie van nieuwe evaluatiestatistieken en benchmarkgegevens om te helpen bij de automatisering van de classificatie van diergedrag is het resultaat van de samenwerking tussen neurowetenschappen en datawetenschap. We verwachten dat dit algoritme nuttig zal zijn in verschillende industrieën die gedragspatroonherkenning vereisen. , inclusief de robotica-industrie, die tot doel heeft de bewegingen van dieren na te bootsen."
Directeur C. Justin Lee, die dit onderzoek leidde, zei:"We hebben een effectief raamwerk voor gedragsanalyse ontwikkeld dat menselijk ingrijpen minimaliseert en tegelijkertijd complex gedrag van dieren begrijpt door mechanismen voor het herkennen van menselijke gedragspatronen toe te passen. Dit raamwerk heeft belangrijke industriële toepassingen en kan ook worden gebruikt als een hulpmiddel om dieper inzicht te krijgen in de principes van gedragsherkenning in de hersenen."
Bovendien heeft het onderzoeksteam in april vorig jaar de SUBTLE-technologie overgedragen aan Actnova, een bedrijf dat gespecialiseerd is in op AI gebaseerde klinische en niet-klinische gedragstestanalyses. Het team gebruikte Actnova's analysesysteem voor diergedrag, AVATAR3D, om voor dit onderzoek 3D-bewegingsgegevens van dieren te verkrijgen.
Het onderzoeksteam heeft de code van SUBTLE ook open-source gemaakt, en een gebruiksvriendelijke grafische interface (GUI) om de analyse van diergedrag te vergemakkelijken is beschikbaar via de SUBTLE-webservice voor onderzoekers die niet bekend zijn met programmeren.