El análisis del comportamiento animal es una herramienta fundamental en diversos estudios, que van desde la investigación básica en neurociencia hasta la comprensión de las causas y tratamientos de las enfermedades. Se aplica ampliamente no sólo en la investigación biológica sino también en diversos campos industriales, incluida la robótica.
Recientemente, se han realizado esfuerzos para analizar con precisión el comportamiento de los animales utilizando tecnología de inteligencia artificial. Sin embargo, todavía existen limitaciones para que la IA reconozca intuitivamente diferentes comportamientos como pueden hacerlo los observadores humanos.
La investigación tradicional sobre el comportamiento animal implica principalmente filmar animales con una sola cámara y analizar datos de baja dimensión, como el tiempo y la frecuencia de movimientos específicos. El método de análisis proporcionó a la IA los resultados correspondientes para cada dato de entrenamiento, similar a simplemente alimentar a la IA con preguntas junto con la clave de respuestas.
Si bien este método es sencillo, requiere tiempo y una intensa supervisión humana para generar los datos. El sesgo del observador también es un factor, ya que los resultados del análisis pueden verse distorsionados por el juicio subjetivo del experimentador.
Para superar esas limitaciones, un equipo de investigación conjunto dirigido por el Director C. Justin Lee del Centro de Cognición y Socialidad dentro del Instituto de Ciencias Básicas, y Cha Meeyoung, Investigador Jefe (CI) del Grupo de Ciencia de Datos del Centro de Ciencias Básicas del IBS. Ciencias Matemáticas y Computacionales (también profesor en la Escuela de Computación de KAIST), ha desarrollado una nueva herramienta analítica llamada SUBTLE (Espectrograma-UMAP-Based Temporal-Link Embedding). SUBTLE clasifica y analiza el comportamiento animal mediante el aprendizaje de IA basado en información de movimiento 3D.
El artículo se publica en la Revista Internacional de Visión por Computadora .
Primero, el equipo de investigación registró los movimientos de los ratones utilizando múltiples cámaras, extrayendo las coordenadas de nueve puntos clave, como la cabeza, las piernas y las caderas, para obtener datos de movimiento del esqueleto de acción en 3D a lo largo del tiempo.
Luego redujeron estos datos de series de tiempo en dos dimensiones para incrustarlos, un proceso que crea una colección de vectores correspondientes a cada dato, lo que permite representar datos complejos de manera más concisa y significativa.
A continuación, los investigadores agruparon estados de comportamiento similares en subgrupos y agruparon estos subgrupos en supergrupos que representan patrones de comportamiento estandarizados (repertorios), como caminar, pararse, arreglarse, etc.
Durante este proceso, propusieron una nueva métrica llamada Índice de Proximidad Temporal (TPI) para evaluar grupos de datos de comportamiento. Esta métrica mide si cada grupo incluye el mismo estado de comportamiento y representa efectivamente movimientos temporales, similar a cómo los humanos consideran importante la información temporal al clasificar el comportamiento.
CI Cha Meeyoung declaró:"La introducción de nuevas métricas de evaluación y datos de referencia para ayudar en la automatización de la clasificación del comportamiento animal es el resultado de la colaboración entre la neurociencia y la ciencia de datos. Esperamos que este algoritmo sea beneficioso en diversas industrias que requieren reconocimiento de patrones de comportamiento , incluida la industria de la robótica, cuyo objetivo es imitar los movimientos de los animales."
El director C. Justin Lee, quien dirigió esta investigación, dijo:"Hemos desarrollado un marco de análisis de comportamiento eficaz que minimiza la intervención humana al tiempo que comprende comportamientos animales complejos mediante la aplicación de mecanismos de reconocimiento de patrones de comportamiento humano. Este marco tiene importantes aplicaciones industriales y también se puede utilizar como una herramienta para obtener conocimientos más profundos sobre los principios del reconocimiento de comportamiento en el cerebro."
Además, en abril del año pasado, el equipo de investigación transfirió la tecnología SUBTLE a Actnova, una empresa especializada en análisis de pruebas de comportamiento clínicas y no clínicas basadas en IA. El equipo utilizó el sistema de análisis del comportamiento animal de Actnova, AVATAR3D, para obtener datos de movimiento 3D de los animales para esta investigación.
El equipo de investigación también ha hecho que el código de SUBTLE sea de código abierto y una interfaz gráfica (GUI) fácil de usar para facilitar el análisis del comportamiento animal está disponible a través del servicio web SUBTLE para investigadores que no están familiarizados con la programación.
Más información: Jea Kwon et al, SUBTLE:Una plataforma no supervisada con incrustación de enlaces temporales que mapea el comportamiento animal, Revista Internacional de Visión por Computadora (2024). DOI:10.1007/s11263-024-02072-0
Proporcionado por el Instituto de Ciencias Básicas
