Выполнение детального анализа поведения имеет решающее значение для понимания отношений поведения мозга. Один из лучших способов оценить поведение через тщательные наблюдения. Тем не менее, количественная оценка наблюдаемого поведения является трудоемкой и сложной задачей.
Классические методы анализа поведения не легко поддаются количественной оценке и по своей сути субъективны. Последние разработки в области глубокого обучения, отрасли машинного обучения и искусственного интеллекта, предоставляют возможности для автоматизированной и объективной количественной оценки изображений и видео. Здесь мы представляем наши недавно разработанные методы использования глубоких нейронных сетей для выполнения детального анализа поведения у грызунов и людей.
Основным преимуществом этого метода является его гибкость и применимость к любым данным изображений для анализа поведения. Инструментарий DeepBehavior поддерживает идентификацию одного объекта, обнаружение нескольких объектов и отслеживание позу человека. Мы также предоставляем почтовый код в MATLAB для более углубленных методов кинематический анализ.
Начните с настройки Tensor Box. Активируйте среду, затем используйте GitHub для клонирования Tensor Box и установки его на машину и на дополнительные зависимости. Затем запустите графический пользовательский интерфейс маркировки и отклеймит не менее 600 изображений из широкого распространения кадров поведения.
Чтобы обозначить изображение нажмите на левый верхний угол объекта, представляющий интерес, а затем в правом нижнем углу. Затем убедитесь, что обвяжающая коробка захватывает весь объект. Нажмите рядом, чтобы перейти к следующему кадру.
Чтобы связать изображения обучения с файлом гипер параметров сети, откройте overfeat_rezoom. json в текстовом редакторе и заменить путь файла под train_idl на labels.json. Затем добавьте тот же путь файла в тест-idl и сохраните изменения.
Инициировать учебный сценарий, который начнет обучение для 600 000 итераций и генерировать полученные обученные веса скотобойной нейронной сети в папке вывода. Затем выполните прогноз на новых изображениях и просмотрите выходы сети в виде помеченных изображений и в качестве координат коробки. Установка YOLOv3.
Затем отмейте учебные данные Yolo_mark, поместив изображения в папку Yolo_mark-data-obga и поместив их один за другим в графическом пользовательском интерфейсе. Этикетка около 200 изображений. Затем на настройку файла конфигурации.
Для изменения файла конфигурации откройте YOLO-obj. cfg папку. Измените линии пакетов, подразделений и классов.
Затем измените фильтр для каждого слоя свертки перед слоем YOLO. Загрузите сетевые веса и поместите их в даркнет-сборку. папка x64.
Запустите алгоритм обучения, и как только он будет завершен, просмотрите итерации. Чтобы отслеживать несколько частей тела в человеке, установите OpenPose затем использовать его для обработки желаемого видео. Возможности Инструментария DeepBehavior были продемонстрированы на видео мышей, выполняющих задачу достижения пищевой гранулы.
Их правые лапы были помечены и движение отслеживалось с фронтальной и боковой камеры зрения. После обработки поста с калибровкой камеры были получены 3D траектории досягаемости. Выходы YOLOv3 являются несколькими связанными коробками, поскольку можно отслеживать несколько объектов.
Коробки вокруг объектов, представляющих интерес, которые могут быть частями тела. В OpenPose сеть обнаружила совместные позиции и после обработки с помощью калибровки камеры была создана 3D-модель предмета. Одним из важных шагов, не охватываемых этим протоколом, является обеспечение того, чтобы ваше устройство имеет соответствующие версии и зависимости Python, а также настроенное устройство GPU перед началом.
После успешного получения поведения трека из сети можно сделать дополнительную постобработавую для дальнейшего анализа кинематики и моделей поведения. Почему DeepBehavior Toolbox применим для диагностических подходов в моделях заболеваний грызунов и людей не является прямой терапевтической пользой. Использование этих методов в качестве диагностического или прогностический инструмент находится в стадии активных исследований в нашей лаборатории.
Этот метод используется для исследования нейронных механизмов квалифицированного моторного поведения у грызунов, а также используется в клинических исследованиях для оценки восстановления двигателя у пациентов с неврологическими заболеваниями.
