تنفيذ خطوة بخطوة من السلوك العميق ، أدوات التعلم العميق لتحليل السلوك الآلي

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.