何 泉,吳 磊,柳 瓏

(1.國防科技大學(xué)文理學(xué)院,中國湖南 長沙 410073;2.湖南科技大學(xué)大數(shù)據(jù)與智能決策研究中心,中國湖南 湘潭 411201)

動物行為從宏觀上反映了動物高級中樞神經(jīng)功能、學(xué)習(xí)記憶能力、心理狀態(tài)、運(yùn)動協(xié)調(diào)性等,可用于評估動物對環(huán)境或藥物的生理反應(yīng)和變化,因此通常應(yīng)用于毒理學(xué)、藥理學(xué)、運(yùn)動損傷及恢復(fù)等方面的研究。近年來,由于動物行為數(shù)據(jù)采集手段不斷改善和提高,大量復(fù)雜高維的數(shù)據(jù)隨之產(chǎn)生,這些行為數(shù)據(jù)具有更加客觀、精確、完整的特點(diǎn)。盡管近些年來,行為自動分析技術(shù)逐漸取代了過去低效率的人工分析方式,但是大部分行為分析技術(shù)依然只關(guān)注行為的完成度,如大鼠完成直立的次數(shù)、進(jìn)入中間場地的次數(shù)、走完迷宮的次數(shù)等。而多個(gè)變量之間可能已經(jīng)不再適用于傳統(tǒng)假設(shè)模型,在這樣的情況下,依靠于簡單計(jì)數(shù)或計(jì)時(shí)的傳統(tǒng)分析方法顯然已遠(yuǎn)遠(yuǎn)滿足不了當(dāng)下需求,研究人員需要依靠機(jī)器學(xué)習(xí)等更加先進(jìn)的手段對數(shù)據(jù)進(jìn)一步加工處理。機(jī)器學(xué)習(xí)方法提供了非常適合研究這些動物行為數(shù)據(jù)的途徑,能夠?qū)崿F(xiàn)高質(zhì)量、高通量的行為分析。

盡管目前機(jī)器學(xué)習(xí)應(yīng)用覆蓋的領(lǐng)域極廣,但是國內(nèi)外對機(jī)器學(xué)習(xí)在動物行為分析領(lǐng)域的研究依舊相對較少,綜述性文獻(xiàn)更是寥寥無幾。本文在動物行為數(shù)據(jù)采集方式不斷發(fā)展的背景下,綜合闡述了機(jī)器學(xué)習(xí)在動物行為各方面研究的應(yīng)用、優(yōu)勢及挑戰(zhàn)等相關(guān)內(nèi)容,為未來動物行為研究工作提供參考。

1 動物行為特點(diǎn)

與微觀的生理學(xué)分析不同,動物行為的發(fā)生是由多種混合因素所控制的,如大腦功能、肢體狀態(tài)、晝夜節(jié)律等,它反映的是動物的整體狀態(tài)。因此,定性和定量分析對動物行為的研究非常重要?？茖W(xué)的行為學(xué)研究需要建立通用的基準(zhǔn)和框架等一系列標(biāo)準(zhǔn),在這些標(biāo)準(zhǔn)之下才能獲得相對客觀的、可靠的、可相互交流的行為實(shí)驗(yàn)數(shù)據(jù)。因此,構(gòu)建清晰合理的動物行為結(jié)構(gòu),對行為學(xué)領(lǐng)域的研究具有重要意義,也有助于研究人員開發(fā)出切實(shí)可行的動物行為識別算法。

一般而言,行為結(jié)構(gòu)從大到小可分為行為譜(ethogram)、動作(movement)、姿勢(pose)3 個(gè)層次[1](圖1)。行為譜為一系列可重復(fù)的且可被定義的動作的組合[2]。例如:在大鼠的行為中,行為譜包括梳洗、求偶、覓食等。動作則是包含于行為譜中的一系列完整的最小分割單元,如步行、轉(zhuǎn)彎、直立等。而姿勢指的是某一時(shí)刻的身體形狀和位置。行為譜、動作、姿勢三者共同構(gòu)成了動物基本行為結(jié)構(gòu),為研究人員理解動物行為和開發(fā)行為研究方法提供了基本依據(jù)。

圖1 行為結(jié)構(gòu)Fig.1 The behavior structure

由于行為采集手段的不斷發(fā)展,選取適當(dāng)?shù)男袨椴杉b置就能夠產(chǎn)生大量行為數(shù)據(jù),采集到的數(shù)據(jù)由原來的單一變?yōu)閺?fù)雜、少量變?yōu)槎嗔?、間斷變?yōu)檫B續(xù)。早期的動物行為學(xué)研究常常通過判斷指定的某一行為特征達(dá)到評估行為能力的目的,這種研究方式不僅單一、易受人為主觀判斷的干擾,而且還有可能忽略潛在的判斷指標(biāo)。新的采集手段意味著必然要發(fā)展新的數(shù)據(jù)分析方法,在大數(shù)據(jù)時(shí)代,必然也要緊隨時(shí)代步伐。機(jī)器學(xué)習(xí)方法憑借其優(yōu)良的魯棒性、適應(yīng)性以及強(qiáng)大的大數(shù)據(jù)處理能力,越來越受到行為研究者的青睞。其實(shí),機(jī)器學(xué)習(xí)方法在動物行為分析中的應(yīng)用已經(jīng)很常見,并有望成為未來動物行為數(shù)據(jù)處理的“主力軍”。

2 機(jī)器學(xué)習(xí)算法概述

顧名思義,機(jī)器學(xué)習(xí)就是將數(shù)據(jù)輸入到計(jì)算機(jī),通過某種算法使得計(jì)算機(jī)發(fā)現(xiàn)數(shù)據(jù)中隱含的規(guī)律,獲取新的知識和經(jīng)驗(yàn),產(chǎn)生相適應(yīng)的模型,并對其他同類數(shù)據(jù)具有預(yù)測功能。

機(jī)器學(xué)習(xí)算法的應(yīng)用受到數(shù)據(jù)質(zhì)量的影響。例如:障礙物遮擋、信號丟失等導(dǎo)致的數(shù)據(jù)缺失,系統(tǒng)誤差、信號干擾等導(dǎo)致的數(shù)據(jù)錯誤,采集時(shí)間不夠、采集條件限制所導(dǎo)致的數(shù)據(jù)不足等,都會對算法效果產(chǎn)生影響。當(dāng)數(shù)據(jù)存在缺失和錯誤時(shí),研究人員需要盡可能擴(kuò)大有效數(shù)據(jù)量,才能在一定程度上抵御數(shù)據(jù)缺失和數(shù)據(jù)錯誤帶來的學(xué)習(xí)失誤,因此足夠量的準(zhǔn)確數(shù)據(jù)是保證機(jī)器學(xué)習(xí)算法良好運(yùn)行的前提。在處理行為數(shù)據(jù)時(shí),如何定義和提取關(guān)鍵特征至關(guān)重要。通常,在建立學(xué)習(xí)模型之前,研究人員需要人為觀察并挑選出可能能夠區(qū)分和定義行為的特征,并在訓(xùn)練模型的過程中注重參數(shù)的調(diào)節(jié),這樣在后續(xù)處理中才有可能“一勞永逸”,利用已訓(xùn)練好的模型大批量處理同類新數(shù)據(jù)。

根據(jù)是否需要對輸入數(shù)據(jù)分配標(biāo)簽,機(jī)器學(xué)習(xí)可分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)(表1)。以下就兩者分別進(jìn)行闡述。

表1 機(jī)器學(xué)習(xí)在行為數(shù)據(jù)上的應(yīng)用Table 1 Application of machine learning in behavior data

2.1 監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)通過已有的輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的對應(yīng)關(guān)系生成一個(gè)函數(shù),將輸入映射到合適的輸出。它需要在進(jìn)行識別分類之前人為對輸入數(shù)據(jù)添加相應(yīng)標(biāo)簽,即在動物行為識別中,研究人員首先需要對動物行為數(shù)據(jù)進(jìn)行分類并構(gòu)建合適的特征。典型的監(jiān)督學(xué)習(xí)方法有:支持向量機(jī)(support vector machine,SVM)、決策樹(decision tree)、貝葉斯網(wǎng)絡(luò)(Bayesian network)、神經(jīng)網(wǎng)絡(luò)(neural network,NN)等。

監(jiān)督學(xué)習(xí)是目前動物行為研究中使用最多的分析方法。其中,SVM通常用于動物行為分類,其通過對動物運(yùn)動中的各項(xiàng)特征進(jìn)行劃分,找到最佳分類間隔,構(gòu)建行為分類模型[3]。例如:三軸加速度傳感采集到的加速度數(shù)據(jù)可以用于判別動物是否處于行走、站立、躺臥狀態(tài)。隱馬爾可夫模型(hidden Markov model,HMM)可以對動物行為模塊之間的轉(zhuǎn)換進(jìn)行預(yù)測和判斷,構(gòu)建合理的行為序列[4]。神經(jīng)網(wǎng)絡(luò)也可用于行為識別與分類。相比于傳統(tǒng)機(jī)器學(xué)習(xí)算法,神經(jīng)網(wǎng)絡(luò)用作監(jiān)督學(xué)習(xí)時(shí),能夠簡化特征提取步驟。它通常由機(jī)器來自動學(xué)習(xí)并提取數(shù)據(jù)特征,但是它對數(shù)據(jù)量要求更高,小樣本數(shù)據(jù)中存在的偏離值更容易使特征提取出現(xiàn)偏差,從而導(dǎo)致準(zhǔn)確率下降[5]。同時(shí),欠擬合和過擬合的出現(xiàn)也會導(dǎo)致神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率下降。因此,研究人員在應(yīng)用神經(jīng)網(wǎng)絡(luò)時(shí)需要調(diào)節(jié)多個(gè)參數(shù)以使其達(dá)到最優(yōu)狀態(tài)。根據(jù)筆者所調(diào)研的現(xiàn)有文獻(xiàn),神經(jīng)網(wǎng)絡(luò)目前多應(yīng)用于視頻采集的動物行為數(shù)據(jù)[6～8]。Stern等[6]利用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)對視頻進(jìn)行逐幀檢測,以分析果蠅是否與產(chǎn)卵基質(zhì)相接觸,所得結(jié)果的錯誤率僅為0.072%,該研究甚至發(fā)現(xiàn)了數(shù)據(jù)中由于人為大意出現(xiàn)的標(biāo)注錯誤。Arac等[7]利用跟隨于長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory network,LSTM)后的GoogLeNet構(gòu)成的CNN模型來監(jiān)測小鼠爪子對食物顆粒的抓取,并利用相同的網(wǎng)絡(luò)來監(jiān)測小鼠在三室測試中的活動,該研究還引入遷移學(xué)習(xí)以解決大量圖片需要人工標(biāo)記的問題。除了視頻圖像外,神經(jīng)網(wǎng)絡(luò)同樣可以應(yīng)用于其他類型的數(shù)據(jù),如:將神經(jīng)網(wǎng)絡(luò)引入三維標(biāo)記點(diǎn)坐標(biāo)[9],可自動學(xué)習(xí)坐標(biāo)點(diǎn)隱藏的規(guī)律并識別分類。

2.2 無監(jiān)督學(xué)習(xí)

相比于監(jiān)督學(xué)習(xí),無監(jiān)督學(xué)習(xí)在動物行為識別中使用頻率較低。無監(jiān)督學(xué)習(xí)的目的是探尋原始資料中的潛在規(guī)則,了解資料的內(nèi)部結(jié)構(gòu),它不需要人為對數(shù)據(jù)安排相應(yīng)標(biāo)簽,這也是與監(jiān)督學(xué)習(xí)的最大區(qū)別。無監(jiān)督學(xué)習(xí)主要包括聚類、降維、異常值檢測等。Yabumoto等[10]用主成分分析(principal component analysis,PCA)方法對酒精給藥研究中絨猴位置相對應(yīng)的每個(gè)坐標(biāo)值進(jìn)行分析,將狨猴的運(yùn)動模式分為正常、醉酒(鎮(zhèn)靜與興奮)、興奮狀態(tài)。Rezaei等[11]采用自適應(yīng)高斯混合模型(adaptive Gaussian mixed model,AGMM)算法檢測動物的質(zhì)心,提取動物在長時(shí)間內(nèi)的運(yùn)動軌跡,并利用PCA法對被定位動物的三維深度數(shù)據(jù)進(jìn)行分析,確定動物的姿態(tài)。無監(jiān)督學(xué)習(xí)也可用于發(fā)現(xiàn)人眼不易察覺的新的運(yùn)動模式或運(yùn)動異常情況。為了探尋果蠅幼蟲的神經(jīng)活動與行為之間的聯(lián)系,Vogelstein等[12]應(yīng)用迭代去噪樹算法(iterative denoising tree,IDT)確認(rèn)先前已知的行為特征并發(fā)現(xiàn)了新的行為特征。當(dāng)應(yīng)用無監(jiān)督學(xué)習(xí)處理數(shù)據(jù)時(shí),因?yàn)闆]有“正確標(biāo)簽”的驗(yàn)證數(shù)據(jù)集,所以其錯誤標(biāo)記率和準(zhǔn)確性的計(jì)算是相當(dāng)困難的。因此,可以利用標(biāo)簽平滑的方式,將原始數(shù)據(jù)與平滑后標(biāo)簽數(shù)據(jù)對比,從而評價(jià)無監(jiān)督學(xué)習(xí)的性能[13]。

3 機(jī)器學(xué)習(xí)算法在動物行為學(xué)上的應(yīng)用

早在20世紀(jì),科學(xué)家就為研究動物行為發(fā)明了多種采集行為的設(shè)備和方法,如紅外傳感器[14]、觸摸屏[15]、激光多普勒測振儀[16]、加速度傳感器[17]、視頻記錄(包括普通 2D 相機(jī)和深度相機(jī))[3～4,18～19]、光學(xué)標(biāo)記捕捉系統(tǒng)[20～25]等。行為采集設(shè)備的發(fā)展使獲取到的行為數(shù)據(jù)量激增,并且形式更加豐富多樣,機(jī)器學(xué)習(xí)無疑能為這些數(shù)據(jù)提供更加便捷、快速的處理方法。機(jī)器學(xué)習(xí)主要應(yīng)用于行為分析的如下幾個(gè)領(lǐng)域:行為識別與分類、運(yùn)動狀態(tài)切換及行為預(yù)測、行為結(jié)構(gòu)構(gòu)建、相互作用及社會關(guān)系等。但是,行為數(shù)據(jù)的分析并不只是簡單應(yīng)用某種單一類型的學(xué)習(xí)方式,其往往需要監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)共同評價(jià)。比如:PCA降維和SVM的結(jié)合可以先對大量行為數(shù)據(jù)特征降維,隨后選擇貢獻(xiàn)更大的主要特征輸入到SVM中進(jìn)行分類,在保證相對高的正確率的同時(shí),減少冗余的特征,降低計(jì)算量,提高計(jì)算效率。

3.1 行為識別與分類

統(tǒng)計(jì)某一特定行為發(fā)生的頻率以及時(shí)長是傳統(tǒng)行為分析中較為重要的一環(huán)。比如,在大鼠曠場實(shí)驗(yàn)中,直立行為常被解讀為探索性指標(biāo),以表征大鼠興奮性和活動性。有研究報(bào)道,在帕金森病大鼠模型建立后,相比于假手術(shù)對照組,實(shí)驗(yàn)組大鼠直立行為次數(shù)明顯減少,并與其大腦損傷程度呈正相關(guān)[26～27]。過去,由于受到行為采集設(shè)備和數(shù)據(jù)分析方法發(fā)展的限制,這些行為實(shí)驗(yàn)的結(jié)果通常由受過訓(xùn)練的實(shí)驗(yàn)人員進(jìn)行分類和計(jì)數(shù),但人工統(tǒng)計(jì)方式工作量大,耗時(shí)費(fèi)力,且不能保證不同實(shí)驗(yàn)人員判斷標(biāo)準(zhǔn)的一致性,而新的行為采集方式的發(fā)展和數(shù)據(jù)分析方法理論的成熟得以讓行為分類及計(jì)數(shù)走向自動化。

一種最簡單的行為自動分類的方式就是人為對行為直接進(jìn)行定義,比如通過設(shè)置速度閾值可以定義動物的運(yùn)動狀態(tài)[28]。但是,依據(jù)這種方法構(gòu)建的行為分類模型只能選取少量特征進(jìn)行定義[29],很難調(diào)到最優(yōu)值,并難以定義更加復(fù)雜的行為[30]。通過監(jiān)督學(xué)習(xí)方式,人們可以訓(xùn)練帶有標(biāo)簽的行為數(shù)據(jù)得到相應(yīng)的行為分類模型,并對沒有標(biāo)簽的行為數(shù)據(jù)進(jìn)行分類預(yù)測。但在進(jìn)行監(jiān)督學(xué)習(xí)之前,研究人員不僅需要人為添加標(biāo)簽,往往還需要定義行為特征,如運(yùn)動速度、身體傾斜角度、頭部偏角等等,然后再把這些特征輸入到監(jiān)督學(xué)習(xí)的分類器里進(jìn)行學(xué)習(xí)分類。盡管有研究直接使用原始數(shù)據(jù),如三軸加速度傳感器獲得的加速度值[31],作為特征輸入也能獲得良好效果,但是另外一些原始數(shù)據(jù),如相機(jī)拍攝的照片、錄制的視頻,往往很難直接獲得良好的分類效果。此外,研究人員往往希望能夠在動物行為上觀測到更加易于理解的變化,比如:動物的頭部是否發(fā)生左右不對稱偏轉(zhuǎn)、動物肢體運(yùn)動的靈活性是否下降、動物的某一行為發(fā)生頻率是否有所變化等,而不僅是加速度、標(biāo)記點(diǎn)坐標(biāo)變化等此類較為不直觀的特征。所以,人為指定或構(gòu)建具有物理學(xué)意義的特征,也便于對行為的變化有更加直觀的了解。監(jiān)督學(xué)習(xí)在行為學(xué)研究上已有不少應(yīng)用。Wang等[3]利用監(jiān)督學(xué)習(xí)方式從深度圖象中提取2D和3D特征,并通過SVM訓(xùn)練人工標(biāo)記的數(shù)據(jù)集得到一個(gè)行為多分類模型,分析結(jié)果顯示,同時(shí)對2D和3D特征進(jìn)行訓(xùn)練可以獲得更高的分類精確度。Steele等[29]基于不同行為的線性組合,利用邏輯回歸方法構(gòu)建疾病組和對照組的二分類模型。該模型能對6周齡后的亨廷頓病轉(zhuǎn)基因小鼠和感染朊病毒3.5個(gè)月后的小鼠與其各自對照組進(jìn)行有效區(qū)分。Bidder等[31]利用K近鄰(k-nearest neighbor,KNN)算法對8個(gè)物種的5種行為模式進(jìn)行分析,結(jié)果表明其分類準(zhǔn)確度和精確度與更復(fù)雜的方法相似,并且計(jì)算量更少。

當(dāng)對相機(jī)拍攝的圖像或視頻進(jìn)行分析時(shí),通常需要先檢測出畫面中動物所在位置,以便與環(huán)境背景區(qū)分,再對檢測框中的動物進(jìn)行行為分類或其他操作。動物圖像目標(biāo)檢測與分類通常應(yīng)用到深度學(xué)習(xí)方法。根據(jù)所需步驟數(shù),常見的基于深度學(xué)習(xí)的目標(biāo)檢測方法可以分為兩大類:第一類為兩步的目標(biāo)檢測算法,常見的包括R-CNN[32]、SPP-net[33]、Fast R-CNN[34]、Faster R-CNN[35]、RFCN[36]以及Mask R-CNN[37]等;第二類為一步目標(biāo)檢測算法,常見的有 OverFeat[38]、YOLO[39～40]、SSD[41～42]等。還有一些算法嘗試結(jié)合兩者優(yōu)勢,比如RON[43]等。相較于兩步的目標(biāo)檢測算法,一步目標(biāo)檢測算法速度更快,但是在精度上表現(xiàn)不佳;而兩步的目標(biāo)檢測算法雖然在速度上慢于一步目標(biāo)檢測算法,但其在小尺度目標(biāo)上的檢測精度要優(yōu)于一步目標(biāo)檢測算法。例如:Thenmozhi等[44]使用SSD(single shot multibox detector)算法對山羊進(jìn)行識別并分類,其異常行為預(yù)測率與YOLO算法對比高出了3%～6%。在該項(xiàng)研究當(dāng)中,深度學(xué)習(xí)的利用大大簡化了最為繁瑣的特征提取環(huán)節(jié)。

機(jī)器學(xué)習(xí)算法在行為識別與分類上得到了很好的應(yīng)用,但因?yàn)槠湓谛袨榉诸惿系膽?yīng)用需要預(yù)先定義行為類別,且無法自動發(fā)現(xiàn)新的行為類別,所以當(dāng)其遇到未預(yù)先定義的行為時(shí),很可能實(shí)施錯誤分類。在這種情況下,研究人員可以結(jié)合無監(jiān)督學(xué)習(xí)方法探索行為結(jié)構(gòu),及時(shí)發(fā)現(xiàn)新行為或異常行為。

3.2 運(yùn)動狀態(tài)切換及行為預(yù)測

動物日常行為之間的轉(zhuǎn)換都具有一定的轉(zhuǎn)換概率,根據(jù)動物之前以及當(dāng)下的行為狀態(tài)可以判斷之后可能發(fā)生的行為的概率,如大鼠飲水之后進(jìn)食的概率要大于躺下休息或前進(jìn)行走的概率。構(gòu)建動物行為時(shí)間序列模型可預(yù)測運(yùn)動狀態(tài)切換情況,目前較為常用的模型為HMM。

在HMM中,t時(shí)刻的狀態(tài)僅依賴于t-1時(shí)刻的狀態(tài),該模型可通過前面的狀態(tài)計(jì)算出后一個(gè)狀態(tài)出現(xiàn)的概率,因此HMM可以用于估計(jì)動物在不同行為模式之間切換的概率,并達(dá)到預(yù)測行為的目的。該模型可用圖2表示。

圖2 隱馬爾可夫模型示意圖圖中Dt表示在t時(shí)刻下的隱藏狀態(tài),St表示在t時(shí)刻下的可見狀態(tài),箭頭代表狀態(tài)的轉(zhuǎn)換和輸出。每個(gè)狀態(tài)之間都有一定的轉(zhuǎn)換概率,轉(zhuǎn)換概率用P表示,如P(St/Dt)表示在Dt狀態(tài)下發(fā)生St事件的概率。Fig.2 The hidden Markov modelDtrepresents the hidden state at time t,Strepresents the observation at time t.There is a certain transitional probability between each state.P represents transitional probability.For example,P(St/Dt)is the Markov transitional probability from the state Dtat time t to the state Stat time t.

Jiang等[45]利用HMM來描述小鼠行為的時(shí)序特征,他們構(gòu)建了一個(gè)混合深度學(xué)習(xí)框架,這個(gè)框架由兩個(gè)部分構(gòu)成,首先是無監(jiān)督學(xué)習(xí)層,用于編碼視覺和上下文特征,隨后是監(jiān)督學(xué)習(xí)層,用于評估HMM的觀測概率;該模型對籠內(nèi)小鼠行為的識別率達(dá)到96.5%,比人眼識別的71.6%高出了20多個(gè)百分點(diǎn)。Michelot等[46]開發(fā)了一個(gè)名為moveHMM的程序包,用以分析動物運(yùn)動數(shù)據(jù),該程序包使研究人員能夠更加直觀地訪問HMM框架。

3.3 行為結(jié)構(gòu)構(gòu)建

過去,行為模塊是通過人類仔細(xì)觀察識別出來的,但近年來技術(shù)的不斷進(jìn)步使行為的組成部分有了更全面的描述。行為結(jié)構(gòu)的構(gòu)建可用到機(jī)器學(xué)習(xí)算法中的無監(jiān)督學(xué)習(xí),無監(jiān)督學(xué)習(xí)可用于挖掘行為的內(nèi)在固有結(jié)構(gòu),探尋行為的基本單元、模塊或組分并構(gòu)建合理的行為結(jié)構(gòu)層次,而基本行為單元的發(fā)現(xiàn)可以為構(gòu)建復(fù)雜行為提供結(jié)構(gòu)基礎(chǔ)。因?yàn)闊o監(jiān)督學(xué)習(xí)不需要預(yù)先為數(shù)據(jù)安排標(biāo)簽,所以它探尋的數(shù)據(jù)結(jié)構(gòu)相對比較客觀。2015年,Wiltschko等[4]提出了一種基于機(jī)器視覺和機(jī)器學(xué)習(xí)的用于評估行為模塊分類以及行為間聯(lián)系的新方法。該研究使用基于深度測量的三維成像系統(tǒng)構(gòu)造小鼠三維姿勢動力學(xué)在亞秒時(shí)間尺度上的結(jié)構(gòu),利用無監(jiān)督學(xué)習(xí)等計(jì)算模型可有效地將小鼠行為描述為一系列可重復(fù)的、具有轉(zhuǎn)移概率的行為序列模塊。該研究說明,無監(jiān)督學(xué)習(xí)在動物行為分析上的最大優(yōu)勢在于,它具有開發(fā)和發(fā)現(xiàn)人眼無法察覺到的新行為或異常行為及其潛在規(guī)律的潛能,并能系統(tǒng)揭示實(shí)驗(yàn)中行為的整體結(jié)構(gòu),為破譯在環(huán)境、基因和神經(jīng)活動影響下的行為語言描述建立了一個(gè)客觀的框架,這是需要人為添加行為標(biāo)簽的監(jiān)督學(xué)習(xí)無法做到的。

行為由各種重復(fù)的模塊所構(gòu)成,但不同行為并不是孤立存在的,而是具有一定的過渡性和連續(xù)性。有觀點(diǎn)認(rèn)為,大腦通過特定的序列表達(dá)更簡單的行為模式化模塊來構(gòu)建連貫的行為。在上面提到的文獻(xiàn)[4]中,作者利用AR-HMM算法構(gòu)建不同行為模塊間切換狀態(tài)模型,他提出將單個(gè)行為模塊稱為行為“音節(jié)”,而這些音節(jié)之間的過渡部分稱為行為“語法”。由此可見,在機(jī)器學(xué)習(xí)算法的幫助下,未來行為模塊的構(gòu)造和模塊轉(zhuǎn)變將更加清晰明了,可為了解大腦對行為的控制提供理論支撐。

3.4 相互作用及社會關(guān)系

在行為神經(jīng)科學(xué)中,社會行為是神精病學(xué)研究和動物模型神經(jīng)學(xué)測試的重要組成部分。異常的社會行為可以指示神精疾病,如亨廷頓病、阿爾茨海默病、雷特綜合征等[47]。因此,研究實(shí)驗(yàn)動物的社會行為將有助于疾病的動物實(shí)驗(yàn)研究向人類的臨床試驗(yàn)和治療過渡。社會關(guān)系根據(jù)兩只動物的相對位置及其變化大致可分為以下幾類:接近、接觸、追隨、遠(yuǎn)離、分離等,在這基礎(chǔ)上還可以進(jìn)一步細(xì)分,如接觸可分為頭頭相接、頭尾相接、并排、背對背等[48]。另一方面,人們還可根據(jù)動物間的社會行為目的來區(qū)分行為模式,如攻擊、求偶、捕食等。目前,將機(jī)器學(xué)習(xí)應(yīng)用于社會行為數(shù)據(jù)分析的文獻(xiàn)較少,現(xiàn)有報(bào)道大多都是根據(jù)制定的人工規(guī)則來研究社會行為。Lorbach等[47]利用期待最大化算法構(gòu)建兩只大鼠之間相互關(guān)系的高斯混合模型。Arac等[7]利用機(jī)器學(xué)習(xí)方法研究兩只小鼠間的社會關(guān)系互動,用YOLO 3神經(jīng)網(wǎng)絡(luò)來檢測小鼠的位置,計(jì)算兩只小鼠身體重心的距離以及鼻尖尾部之間的距離,以確認(rèn)小鼠之間鼻尖貼鼻尖、鼻尖貼身體、鼻尖貼尾部等互動情形。

除了以上所提到的幾種應(yīng)用外,機(jī)器學(xué)習(xí)還可以應(yīng)用于軌跡追蹤[46]、行為數(shù)據(jù)降維、行為變化機(jī)制研究[4]、行為與神經(jīng)活動關(guān)系[49]等方面,應(yīng)用范圍非常廣,但它需要使用者了解一定的編程知識以及算法背后的數(shù)學(xué)原理,因此對于大部分沒有編程基礎(chǔ)的生物研究者而言,其使用的門檻往往也較高。不過,現(xiàn)已開發(fā)的一些程序包[46]能夠讓動物行為研究者更方便地將機(jī)器學(xué)習(xí)應(yīng)用于自己的研究當(dāng)中,盡管使用的靈活度有限,但無疑也提供了一些便利。

4 機(jī)器學(xué)習(xí)行為學(xué)應(yīng)用面臨的挑戰(zhàn)

盡管機(jī)器學(xué)習(xí)方法的發(fā)展為行為學(xué)研究帶來了極大便利,但機(jī)器學(xué)習(xí)行為學(xué)應(yīng)用依舊面臨著許多挑戰(zhàn),這不僅是機(jī)器學(xué)習(xí)的本質(zhì)使然,更是動物行為研究特點(diǎn)所決定的。

4.1 數(shù)據(jù)獲取

機(jī)器學(xué)習(xí)的首要任務(wù)是獲取合適的數(shù)據(jù)。但是,動物行為以及其生存環(huán)境的復(fù)雜性為數(shù)據(jù)獲取帶來困難。一方面,在視頻錄制的動物行為采集中,由于不可避免的遮擋,攝像頭難以全方位捕捉到動物體態(tài),而三軸加速度傳感器等雖不受障礙物遮擋,卻也很難獲得動物活動全貌;另一方面,動物行為易受到人為干擾,尤其在實(shí)驗(yàn)過程中,不可避免地與人類接觸以及實(shí)驗(yàn)環(huán)境條件的影響,會引起動物警覺。因此,在采集動物行為數(shù)據(jù)的時(shí)候,要盡可能避免人為干擾,同時(shí)也要進(jìn)一步改良實(shí)驗(yàn)裝置。

4.2 特征選擇

特征選擇是機(jī)器學(xué)習(xí)過程中很重要的一環(huán),直接決定機(jī)器學(xué)習(xí)的效果。目前這一部分并沒有太多的規(guī)律或方法可循,主要的特征選擇方式還是依靠人類經(jīng)驗(yàn),通過人的觀察找到可能有意義的指標(biāo),研究者再將這些指標(biāo)輸入到機(jī)器學(xué)習(xí)中進(jìn)行訓(xùn)練。盡管如此,還是有一些方法和過程能夠用于選擇參考和檢驗(yàn)所選特征的優(yōu)劣度。獲取特征的過程被稱為特征工程,包括特征構(gòu)建、特征提取、特征選擇3個(gè)部分(表2)。

表2 特征工程過程及方法Table 2 The process and common methods of feature engineering

4.3 算法選擇

選擇合適的算法也是動物行為學(xué)研究的一個(gè)挑戰(zhàn)。由于相關(guān)研究相對較少以及動物種類與行為的多樣性和復(fù)雜性,目前各種算法之間的效果很難有一個(gè)標(biāo)準(zhǔn)來比較。對于生物研究者而言,使用機(jī)器學(xué)習(xí)需要懂一定的編程知識和算法數(shù)學(xué)原理。根據(jù)現(xiàn)有文獻(xiàn)資料,筆者在圖3中盡可能多地列出可能適合于行為分析的機(jī)器學(xué)習(xí)算法,以供讀者參考。圖中實(shí)線連接線為該分析用到的主要算法,虛線連接線為可考慮使用的算法,但這個(gè)分類并不絕對,研究者需要根據(jù)實(shí)際情況選擇適合的算法,比較不同算法的效果以獲得最優(yōu)結(jié)果。

圖3 機(jī)器學(xué)習(xí)算法在行為分析中的應(yīng)用Fig.3 Application of machine learning in behavior analysis

5 總結(jié)與展望

機(jī)器學(xué)習(xí)作為近年來備受青睞的數(shù)據(jù)處理方法,與傳統(tǒng)行為分析方法相比有著巨大的優(yōu)勢。機(jī)器學(xué)習(xí)算法在動物行為數(shù)據(jù)上的應(yīng)用,可以提高數(shù)據(jù)分析效率和準(zhǔn)確性,識別和預(yù)測動物行為,分析動物行為結(jié)構(gòu)與社會關(guān)系。它在實(shí)驗(yàn)動物行為試驗(yàn)、生態(tài)監(jiān)測、畜牧業(yè)管理等領(lǐng)域都有很大的應(yīng)用潛力。

實(shí)驗(yàn)動物通常被作為研究生命原理和功能的承載者。由于生命機(jī)體的復(fù)雜性以及代謝通路的代償作用,微觀生理變化不一定能夠表現(xiàn)在宏觀上,而動物行為則是動物整體狀態(tài)的表現(xiàn),它從宏觀上反映了動物高級中樞神經(jīng)功能、學(xué)習(xí)記憶能力、心理狀態(tài)、運(yùn)動協(xié)調(diào)性等,可評估動物對環(huán)境或藥物的身體反應(yīng)和變化。傳統(tǒng)的動物行為學(xué)通過某種特定的行為學(xué)實(shí)驗(yàn)評估動物的某項(xiàng)生理行為指標(biāo),如:水迷宮實(shí)驗(yàn)用于監(jiān)測動物的學(xué)習(xí)和記憶能力,曠場實(shí)驗(yàn)用于判斷大鼠的活躍度、緊張度和興趣度等,懸尾實(shí)驗(yàn)用于評價(jià)大鼠抑郁狀態(tài)……以往的這些傳統(tǒng)行為實(shí)驗(yàn)通常不會產(chǎn)生大量(超出人工處理能力范圍)的行為數(shù)據(jù),而近年來傳感器、數(shù)字圖像、三維標(biāo)記的發(fā)展對行為數(shù)據(jù)處理提出了新的要求。相較于傳統(tǒng)的人工和軟件分析,機(jī)器學(xué)習(xí)極大增強(qiáng)了數(shù)據(jù)分析能力,并帶來一種更加靈活、客觀、準(zhǔn)確的研究手段,為未來實(shí)驗(yàn)動物運(yùn)動異常模型的建立和評估提供了有效方法[11]。

除了實(shí)驗(yàn)動物學(xué)以外,機(jī)器學(xué)習(xí)在生態(tài)學(xué)研究和畜牧業(yè)管理也發(fā)揮了極大作用。在自然生態(tài)環(huán)境中,野生動物會由于覓食、遷徙、求偶、躲避捕食等活動需要而轉(zhuǎn)移位置。研究者通過動物的運(yùn)動特征可得知其運(yùn)動狀態(tài),如在覓食時(shí),動物會用短步緩慢移動,而在躲避攻擊時(shí)會用長步快速移動。觀察野生動物的活動通?？梢酝ㄟ^附著傳感器、全球定位系統(tǒng)(global positioning system,GPS)、衛(wèi)星遙感技術(shù)等來獲取動物活動信息。應(yīng)用機(jī)器學(xué)習(xí)算法可以大大減輕數(shù)據(jù)分析的壓力,提供合理的預(yù)測模型。機(jī)器學(xué)習(xí)算法可用于研究動物對種子的傳播作用[50]、野生動物遷徙[51]、棲息地選擇[52]等,有助于保護(hù)野生動植物多樣性,管理?xiàng)⒌?維護(hù)自然環(huán)境平衡。在畜牧業(yè)動物管理方面,機(jī)器學(xué)習(xí)算法可以識別動物情緒、預(yù)警疾病、監(jiān)測飲食等,判斷動物是否受到不良因素刺激,有助于農(nóng)場管理人員及時(shí)排除問題,改善動物生活環(huán)境,提高動物福利,有效減少動物死亡率,降低農(nóng)場損失。

綜上所述,隨著信息化的發(fā)展,研究者要順應(yīng)大數(shù)據(jù)潮流,結(jié)合現(xiàn)代化信息手段,開發(fā)動物行為采集新方法以及行為分析新算法,靈活運(yùn)用機(jī)器學(xué)習(xí)算法,提高動物行為學(xué)分析的高效性和準(zhǔn)確性。