تنفيذ خطوة بخطوة من السلوك العميق ، أدوات التعلم العميق لتحليل السلوك الآلي
فبراير 6, 2020
الغرض من هذا البروتوكول هو الاستفادة من الشبكات العصبية الملتوية المبنية مسبقًا لأتمتة تتبع السلوك وإجراء تحليل سلوكي مفصل. يمكن تطبيق تتبع السلوك على أي بيانات فيديو أو تسلسلات من الصور وقابلة للتعميم لتتبع أي كائن معرف من قبل المستخدم.
إجراء تحليل سلوك مفصل أمر بالغ الأهمية لفهم علاقة سلوك الدماغ. واحدة من أفضل الطرق لتقييم السلوك من خلال الملاحظات الدقيقة. ومع ذلك، فإن تحديد كمية السلوك الملاحظ يستغرق وقتا طويلا وتحديا.
الطرق الكلاسيكية لتحليل السلوك ليست قابلة للقياس الكمي بسهولة وهي ذاتية بطبيعتها. إن التطورات الأخيرة في التعلم العميق، وهو فرع من مجالات التعلم الآلي والذكاء الاصطناعي، توفر فرصاً لإجراء القياس الكمي الآلي والموضوعي للصور ومقاطع الفيديو. هنا نقدم طرقنا التي تم تطويرها مؤخرا باستخدام الشبكات العصبية العميقة لإجراء تحليل سلوك مفصل في القوارض والبشر.
الميزة الرئيسية لهذه التقنية هي مرونته ومدى انطباقه على أي بيانات تصوير لتحليل السلوك. يدعم صندوق أدوات DeepBehavior تعريف كائن مفرد، والكشف عن الكائنات المتعددة، وتعقب الوضع البشري. كما نقدم رمز معالجة ما بعد في MATLAB لمزيد من الأساليب في التحليل الكينمي المتعمق.
ابدأ بإعداد صندوق Tensor. تنشيط البيئة، ثم استخدام GitHub لاستنساخ صندوق Tensor وتثبيته على الجهاز وعلى تبعيات إضافية. بعد ذلك ، إطلاق واجهة المستخدم الرسومية وضع العلامات وتسمية ما لا يقل عن 600 صورة من توزيع واسع من إطارات السلوك.
لتسمية صورة انقر فوق الزاوية اليسرى العليا من الكائن الفائدة ثم أسفل الزاوية اليمنى. ثم تأكد من أن مربع المحيط التقاط الكائن بأكمله. انقر فوق التالي للانتقال إلى الإطار التالي.
لربط صور التدريب بملف معلمات الشبكة، افتح overfeat_rezoom. json في محرر النص واستبدال مسار الملف تحت train_idl إلى labels.json. ثم قم بإضافة نفس مسار الملف ضمن اختبار idl وحفظ التغييرات.
بدء البرنامج النصي للتدريب الذي سيبدأ التدريب ل600، 000 التكرار وتوليد الأوزان المدربة الناتجة عن الشبكة العصبية الالتواء في مجلد الإخراج. ثم قم بإجراء التنبؤ على الصور الجديدة، وعرض مخرجات الشبكة كصور مسمّاة وكإحداثيات مربعة مضمّن. تثبيت YOLOv3.
ثم تسمية بيانات التدريب مع Yolo_mark عن طريق وضع الصور في مجلد Yolo_mark البيانات obga ووضع العلامات عليها واحدا تلو الآخر في واجهة المستخدم الرسومية. تسمية ما يقرب من 200 صورة. بعد ذلك، قم بإعداد ملف التكوين.
لتعديل ملف التكوين فتح YOLO-obj. مجلد cfg. تعديل خطوط الدفعية والتقسيمات الفرعية والفئات.
ثم قم بتغيير الفلتر لكل طبقة التواء قبل طبقة YOLO. قم بتنزيل أوزان الشبكة ووضعها في بنية darknet. مجلد x64.
تشغيل خوارزمية التدريب وبمجرد اكتمال عرض التكرارات. لتتبع أجزاء متعددة من الجسم في موضوع بشري ، قم بتثبيت OpenPose ثم استخدمها لمعالجة الفيديو المطلوب. تم عرض قدرات صندوق أدوات DeepBehavior على مقاطع فيديو لفئران تقوم بمهمة الوصول إلى بيليه الطعام.
تم تسمية الكفوف اليمنى وتم تتبع الحركة مع كاميرات الرؤية الأمامية والجانبية. بعد معالجة آخر مع معايرة الكاميرا، تم الحصول على مسارات 3D من الوصول. تكون مخرجات YOLOv3 متعددة المربعات المحيط لأنه يمكن تعقب كائنات متعددة.
المربعات المحيطة حول الأشياء ذات الأهمية التي يمكن أن تكون أجزاء من الجسم. في OpenPose، اكتشفت الشبكة المواقف المشتركة وبعد المعالجة اللاحقة بمعايرة الكاميرا، تم إنشاء نموذج ثلاثي الأبعاد للموضوع. إحدى الخطوات الهامة التي لا يغطيها هذا البروتوكول هي التأكد من أن جهازك يحتوي على إصدارات وتبعيات Python المناسبة بالإضافة إلى جهاز GPU تم تكوينه قبل البدء.
بعد الحصول بنجاح على سلوك المسار من شبكة إضافية آخر معالجة يمكن القيام به لمزيد من تحليل كينماتيكا وأنماط السلوك. لماذا أداة DeepBehavior ينطبق على النهج التشخيصية في نماذج الأمراض من القوارض والموضوعات البشرية ليست فائدة علاجية مباشرة. استخدام هذه التقنيات كأداة تشخيصية أو تشخيصية هي تحت البحث النشط داخل مختبرنا.
يتم استخدام هذه التقنية للتحقيق في الآليات العصبية للسلوك الحركي الماهر في القوارض وكذلك استخدامها في الدراسات السريرية لتقييم التعافي الحركي في المرضى الذين يعانون من أمراض عصبية.
اعرض النص الكامل واحصل على الوصول إلى آلاف الفيديوهات العلمية
نظرة عامة
يستخدم هذا البروتوكول شبكات عصبية تلافيفية معدة مسبقاً لأتمتة تتبع السلوك وإجراء تحليل سلوكي مفصل. وهو قابل للتطبيق على أي بيانات فيديو أو تسلسلات من الصور، مما يسمح بتتبع كائنات يحددها المستخدم.
مكونات الدراسة الرئيسية
مجال العلم
- علم الأعصاب
- تحليل السلوك
- تعلم الآلة
خلفية علمية
- يعد فهم العلاقات بين الدماغ والسلوك أمراً بالغ الأهمية.
- تتسم طرق تحليل السلوك التقليدية بأنها ذاتية وتستغرق وقتاً طويلاً.
- يوفر التعلم العميق فرصاً للقياس الكمي الآلي للسلوك.
- يمكن للتطورات الحديثة في الذكاء الاصطناعي أن تعزز تتبع السلوك في مختلف الكائنات.
الغرض من الدراسة
- أتمتة تتبع السلوك باستخدام الشبكات العصبية العميقة.
- توفير قياس كمي موضوعي للسلوك في مقاطع الفيديو والصور.
- تحسين كفاءة تحليل السلوك في الأبحاث.
الطرق المستخدمة
- استخدام الشبكات العصبية الالتفافية.
- التطبيق على بيانات الفيديو وتسلسلات الصور.
- تتبع الأجسام المحددة من قبل المستخدم.
- التنفيذ في كل من دراسات القوارض والبشر.
النتائج الرئيسية
- أتمتة ناجحة لتتبع السلوك.
- تحليل موضوعي لأنماط السلوك.
- قابلية التعميم عبر أنواع مختلفة من بيانات الفيديو.
- فهم معزز للسلوك من خلال المقاييس الكمية.
الاستنتاجات
- يمكن لطرق التعلم العميق تحسين تحليل السلوك بشكل كبير.
- يقلل الأتمتة من الذاتية والوقت المستغرق في البحث.
- هذا النهج قابل للتطبيق في سياقات بحثية متنوعة.
الأسئلة الشائعة
الأهمية الصناعية التنفيذية
يعالج التحليل الآلي للسلوك عقبة التقييم اليدوي الذاتي الذي يتطلب وقتاً طويلاً في الأبحاث العصبية قبل السريرية، مما يتيح التحديد الكمي الموضوعي للأنماط الظاهرية الحركية في نماذج الأمراض. ومن خلال تحويل بيانات الفيديو إلى مقاييس كينماتيكية دقيقة، يدعم DeepBehavior التحقق من الأهداف وتقليل المخاطر الميكانيكية في مراحل الاكتشاف المبكرة، لا سيما في اضطرابات الجهاز العصبي المركزي (CNS) حيث تكون النقاط النهائية السلوكية بالغة الأهمية. ويعزز هذا من الثقة التنبؤية في تحديد المركبات الرائدة ويقلل من معدلات الفشل الناتجة عن ضعف الصلاحية الانتقالية للمقاييس السلوكية.
التطبيقات الاستراتيجية في البحث والتطوير في مجال الأدوية الحيوية
الاكتشاف المبكر والتحقق من الهدف
- القيمة العلمية: يتيح استقصاء الفرضيات العلاجية من خلال قياس السلوكيات الحركية العفوية والماهرة في نماذج القوارض المصابة بأمراض عصبية.
- القيمة التشغيلية: يقلل من التباين بين الملاحظين ويزيد من الإنتاجية في عمليات الفحص السلوكي عالية المحتوى.
- القيمة التنبؤية: يولد قراءات سلوكية متعددة الأبعاد وقابلة للتكرار، مما يعزز الثقة في استهداف الغاية وتعديل المسار.
الفحص وتطوير المقايسة
- القيمة العلمية: تُنتج إحداثيات ديكارتية كمية ومعيارية لأجزاء الجسم أو المفاصل عبر الإطارات الزمنية، مما يتيح مقارنة موضوعية للتأثيرات المركبة على الوظيفة الحركية.
- القيمة التشغيلية: تدعم قابلية توسع المقايسة من خلال أتمتة سير عمل تتبع الوضعيات للأجسام المفردة، والأجسام المتعددة، وتتبع الوضعيات ثلاثية الأبعاد 3D.
- جاهزية المقايسة: المخرجات متوافقة مع التحليلات الإحصائية اللاحقة ومسارات تعلم الآلة لاكتشاف المؤشرات الحيوية.
الأبحاث الانتقالية وما قبل السريرية
- الاستمرارية الترجمية: تسهل المقارنة السلوكية عبر الأنواع من خلال تطبيق أطر التعلم العميق المتماثلة على بيانات الفيديو الخاصة بالقوارض والبشر.
- التحقق قبل السريري: تتيح التتبع الطولي للتعافي الحركي أو التدهور في نماذج الأمراض، مما يدعم قرارات التقدم المعدلة وفقاً للمخاطر.
- تقليل المخاطر الميكانيكية: تربط التغيرات السلوكية الملحوظة بوظيفة الدوائر العصبية من خلال التتبع الزمكاني الدقيق لأنماط الحركة.
تكامل مسارات العمل وسير العمل
يتكامل DeepBehavior ضمن سلسلة عملية الاكتشاف، بدءاً من التحقق الأولي من الهدف وصولاً إلى تحسين المركبات الرائدة، حيث يساهم التكميم الآلي للسلوك في توجيه علاقات البنية والنشاط ونتائج الفحص المظهري.
- بيولوجيا الاكتشاف: تدعم التحليل القائم على الفرضيات لوظيفة الدوائر الحركية من خلال توفير مقاييس سلوكية موضوعية ومحددة بدقة الإطارات.
- المسح: تتيح تحليلاً عالي الإنتاجية وقابلاً للتكرار لمكتبات المركبات باستخدام مخرجات قياسية لتقدير الوضعية والتتبع.
- التحليلات: توفر بيانات كينماتيكية كمية (مثل المسار، والسرعة، وزوايا المفاصل) التي تسهل نمذجة الاستجابة للجرعة وتقدير حجم التأثير.
- الأبحاث الانتقالية: تعمل على مواءمة السلوك قبل السريري للقوارض مع تقييمات الحركة البشرية عبر بنيات تعلم عميق مشتركة، مما يحسن القدرة على التنبؤ السريري.
- إعادة الاستخدام المؤسسي: تتوفر هذه المجموعة من الأدوات للتكيف عبر مختلف المجالات والنماذج المرضية، حيث تعمل كمنصة قابلة لإعادة الاستخدام للتنميط الظاهري السلوكي.
التأثير التشغيلي والمؤسسي
- القيمة العلمية: تزيد من الثقة التنبؤية عن طريق تقليل الضجيج في القياسات السلوكية وتمكين الكشف عن التغيرات المظهرية الدقيقة.
- القيمة التشغيلية: توحد عمليات الحصول على البيانات وتحليلها عبر المواقع والمشغلين المختلفين، مما يحسن إمكانية تكرار النتائج في الدراسات متعددة المواقع.
- القيمة الاستراتيجية: تسرع قرارات المضي قدماً أو التوقف (go/no-go) من خلال توفير إشارات موضوعية مبكرة حول الفعالية السلوكية.
- التأثير على المحفظة: تدعم تحديد أولويات المركبات بناءً على المخاطر للمركبات ذات الملامح السلوكية المواتية، مما يقلل من مخاطر الفشل في المراحل المتأخرة.
اعتبارات التنفيذ
- يتطلب خبرة في أطر التعلم العميق، وإدارة بيانات الفيديو، وعلم الأعصاب السلوكي.
- يستلزم محطات عمل مزودة بوحدات معالجة الرسوميات (GPU) وبيئات برمجية لـ TensorBox وYOLOv3 وOpenPose.
- يتطلب توحيد بروتوكولات الحصول على الفيديو (مثل الإضاءة وزوايا الكاميرا) لضمان دقة التتبع عبر التجارب.
- يتطلب مهارات ما بعد المعالجة لتحويل الإحداثيات، ومعايرة الكاميرا، والتحليل الكينماتيكي باستخدام MATLAB أو Python.
- يعتمد الأداء على توفر بيانات تدريب كافية (على سبيل المثال، أكثر من 600 إطار مصنف) ومعلمات فائقة للشبكة مناسبة للسلوك المستهدف.
