深度学习算法助力动物运动及行为研究

《自然-神经科学》今日在线发表研究表明，来自德国和美国的科学家研发了一种新型深度学习算法用于追踪动物运动及行为，其准确度可达到人工水平，而且无需采用追踪标记物或进行费时的手动分析。

准确追踪行为发生期间的身体运动部位是运动科学的一项重要内容。但是，如果采用视频记录方式来追踪运动，研究人员要么需要费时费力地标记每一帧，要么需要在研究对象身体的预定点上放置标记物。标记物可能会干扰研究目标的行为，而且一般只适合有限类型的运动。

美国哈佛大学的Mackenzie Mathis与德国蒂宾根大学的Matthias Bethge及同事利用机器学习开发了一款开源运动追踪工具——DeepLabCut，它不受以上限制。

作者先采用一个大型目标识别图像数据库对DeepLabCut进行了预训练。之后，DeepLabCut只需要接受小规模的人类标记图像（约200张）训练，即可完成一项新的追踪任务，从而方便神经科学家研究动物行为。

作者演示了这种算法如何可以在无需标记物的情况下，追踪小鼠和苍蝇在各种行为期间的任意身体部位运动，而且准确度可达到人工水平。DeepLabCut可以追踪精细的动作，如果蝇产卵、伸吻，以及小鼠的伸爪时每一个指的轨迹。

北京大学的魏坤琳与宾夕法尼亚大学Konrad Kording表示，DeepLabCut在理论上适用于任何视频，为运动科学打开了巨大的数据来源。他们预计未来“运动捕捉将从实验室内的一项艰难而又耗资不菲的任务变成一项每个人在日常生活中就能完成的小事情”。

科界原创

 责编：张梦

期刊来源：《自然-神经科学》

期刊编号：1097-6256 

原文链接：

版权声明：本文由科界平台原创编译，中文内容仅供参考，一切内容以英文原版为准。转载请注明来源科技工作者之家—科界App。