AI加速了行为科学和神经科学的研究

心理健康 2021年9月2日

114 0 1

行为科学和神经科学领域的科学发现通常需要从大量复杂数据中识别、分类和预测结果的耗时且具有挑战性的任务.今天发表在 Nature Communications 上的一项研究展示了如何使用人工智能 (AI) 机器学习来识别和预测行为，以加速神经科学和行为科学研究.

“研究自然主义的动物行为仍然是一个艰巨的目标.最近的机器学习进步使肢体定位成为可能；然而，提取行为需要确定这些位置的时空模式，"该研究的作者 Eric Yttri 和 Alexander Hsu 的卡内基梅隆研究团队写道.

使用 AI 机器学习，科学家们能够提供强大的行为和运动数据分析，这可能有助于加速研究，以了解未来的疼痛、强迫症 (OCD) 和运动障碍.

“特别是强迫症研究长期以来一直寻求改进对美容行为的识别和量化，"科学家们写道. “疼痛和瘙痒研究也试图达到类似的目的.这些结果表明需要更深入地理解形成这些动作的复合运动学，因为许多当前的方法仅限于此类动作的持续时间."

科学家们使用来自六只实验室老鼠的视频数据训练他们的机器学习算法.研究人员使用开源姿势估计软件将视频帧过滤为姿势.从估计中提取姿势关系，并将其用作无监督聚类的输入数据以分配标签.

“为了提供从姿势到动作及其运动学的链接，我们开发了 B-SOiD——一种开源、无监督的算法，可以在没有用户偏见的情况下识别行为，"研究人员写道. B-SOiD 代表 DeepLabCut 中开放场的行为分割.

研究人员使用随机森林分类器设计来映射高维姿势与行为之间的关系.随机森林是一种广泛使用的 AI 机器学习算法，其集成方法架构由许多称为估计器的小型决策树组成，这些决策树产生用于提高算法整体预测准确性的预测.

“随机森林分类器非常适合高维特征训练，并且已被证明可以很好地预测高维特征的低维表示，特别是与 MLP 或 SVM 等潜在替代方案相比，"研究人员写道.

经过训练的随机森林分类器已经学习了输入姿态关系与标签映射之间的关系.因此，研究人员报告说，基于新时空特征的行为预测速度更快，时间分辨率更高.