Source : ParallelVision/Pixabay
Les découvertes scientifiques dans les domaines des sciences du comportement et des neurosciences nécessitent souvent la tâche longue et difficile d’identifier, de classer et de prédire les résultats à partir de grandes quantités de données complexes. Une étude publiée aujourd’hui dans Communication Nature montre comment l’apprentissage automatique de l’intelligence artificielle (IA) peut être utilisé pour identifier et prédire les comportements afin d’accélérer la recherche en neurosciences et en sciences du comportement.
« Étudier le comportement animal naturaliste reste un objectif difficile. Les progrès récents de l’apprentissage automatique ont permis la localisation des membres ; cependant, extraire les comportements nécessite de vérifier les modèles spatio-temporels de ces positions », a écrit l’équipe de recherche Carnegie Mellon d’Eric Yttri et Alexander Hsu, auteurs de l’étude.
Grâce à l’apprentissage automatique de l’IA, les scientifiques ont pu fournir une analyse de données comportementale et cinématique robuste qui pourrait aider à accélérer les études de recherche pour comprendre la douleur, les troubles obsessionnels compulsifs (TOC) et les troubles du mouvement à l’avenir.
“La recherche sur les troubles obsessionnels compulsifs en particulier a longtemps cherché à améliorer l’identification et la quantification du comportement de toilettage”, ont écrit les scientifiques. « La recherche sur la douleur et les démangeaisons a également cherché à atteindre des objectifs similaires. Ces résultats soulignent la nécessité d’une compréhension plus approfondie de la cinématique composite formant ces actions, car de nombreuses méthodes actuelles sont limitées à la seule durée de ces actions.
Les scientifiques ont entraîné leur algorithme d’apprentissage automatique à l’aide des données de vidéos de six souris de laboratoire. À l’aide d’un logiciel d’estimation de pose open source, les chercheurs ont filtré les images vidéo en pose. Les relations de pose ont été extraites des estimations et utilisées comme données d’entrée pour le regroupement non supervisé afin d’attribuer des étiquettes.
“Pour fournir un lien entre les poses et les actions et leur cinématique, nous avons développé B-SOiD – un algorithme open source et non supervisé qui identifie le comportement sans biais de l’utilisateur”, ont écrit les chercheurs. B-SOiD signifie Behavioral Segmentation of Open field dans DeepLabCut.
Les chercheurs ont utilisé une conception de classificateur de forêt aléatoire pour cartographier les relations entre les poses de grande dimension et les comportements. La forêt aléatoire est un algorithme d’apprentissage automatique largement utilisé avec une architecture de méthode d’ensemble composée de nombreux petits arbres de décision appelés estimateurs qui produisent des prédictions utilisées pour améliorer la précision prédictive globale de l’algorithme.
“Le classificateur de forêt aléatoire est bien adapté à la formation de caractéristiques de grande dimension et il a été démontré qu’il prédisait bien la représentation en basse dimension des caractéristiques de grande dimension, en particulier par rapport à des alternatives potentielles comme MLP ou SVM”, ont écrit les chercheurs.
Le classificateur de forêt aléatoire formé a appris les relations entre les relations de pose d’entrée et le mappage d’étiquettes. En conséquence, les chercheurs rapportent que la prédiction du comportement basée sur les nouvelles caractéristiques spatio-temporelles est plus rapide et a une résolution temporelle plus élevée.
Copyright © 2021 Cami Rosso Tous droits réservés.
Vous pourriez également aimer
