Animal behavior analysis is a fundamental tool in various studies, ranging from basic neuroscience research to understanding the causes and treatments of diseases. It is widely applied not only in biological research but also across various industrial fie
动物行为分析是各种研究的基本工具，从基础神经科学研究到了解疾病的病因和治疗。它不仅广泛应用于生物学研究，而且广泛应用于包括机器人在内的各个工业领域
最近，人们努力使用人工智能技术准确分析动物行为。然而，人工智能像人类观察者一样直观地识别不同行为仍然存在局限性
传统的动物行为研究主要涉及用一台相机拍摄动物，并分析低维数据，如特定动作的时间和频率。该分析方法为人工智能提供了每条训练数据的相应结果，类似于简单地向人工智能提供问题和答案
虽然这种方法很简单，但构建数据需要时间和人力监督。观察者的偏见也是一个因素，因为实验者的主观判断可能会扭曲分析结果
为了克服这些限制，由基础科学研究所认知与社会中心主任C.Justin Lee和IBS数学与计算科学中心数据科学组首席研究员Cha Meeyoung（也是KAIST计算学院的教授）领导的一个联合研究小组开发了一种名为SUBTLE（基于UMAP的光谱图时间链接嵌入）的新分析工具。SUBTLE通过基于3D运动信息的人工智能学习对动物行为进行分类和分析
这篇论文发表在《国际计算机视觉杂志》上
首先，研究团队使用多台相机记录小鼠的运动，提取头部、腿部和臀部等九个关键点的坐标，以获得3D动作骨骼随时间的运动数据
然后，他们将这些时间序列数据简化为二维进行嵌入，这一过程创建了与每条数据相对应的向量集合，使复杂数据能够更简洁、更有意义地表示
接下来，研究人员将类似的行为状态聚类到子聚类中，并将这些子聚类分组到代表标准化行为模式（曲目）的超聚类中，如行走、站立、梳洗等。
在此过程中，他们提出了一种称为时间接近指数（TPI）的新指标来评估行为数据聚类。该指标衡量每个集群是否包括相同的行为状态，并有效地表示时间运动，类似于人类在对行为进行分类时如何认为时间信息很重要
CI Cha Meeyoung表示，“引入新的评估指标和基准数据来帮助动物行为分类的自动化是神经科学和数据科学合作的结果。我们预计该算法将在需要行为模式识别的各个行业中有益，包括旨在模仿动物运动的机器人行业。”
领导这项研究的主管C.Justin Lee表示，“我们已经开发了一个有效的行为分析框架，通过应用人类行为模式识别机制，最大限度地减少人类干预，同时了解复杂的动物行为。该框架具有重要的工业应用，也可以作为深入了解大脑行为识别原理的工具。”此外，去年4月，研究团队将SUBTLE技术转让给了Actnova，这是一家专门从事基于人工智能的临床和非临床行为测试分析的公司。该团队利用Actnova的动物行为分析系统AVTAR3D获得了动物的3D运动数据，用于这项研究
研究团队还将SUBTLE的代码开源，并通过SUBTLE网络服务为不熟悉编程的研究人员提供了一个用户友好的图形界面（GUI），以方便动物行为分析