استخدام vmTracking لتحسين دقة تقدير وضعية المتعددة في دراسات السلوك الاجتماعي للقوارض

نهدف إلى فهم التفاعلات الاجتماعية في الفئران الحرة من خلال تطوير طرق تتبع دقيقة متعددة الحيوانات. لا يزال تحقيق تتبع دقيق للوضعية مع تحديد فردي موثوق في ظروف متعددة الحيوانات أمرا صعبا. للبدء، أنشئ مشروعا متعدد الحيوانات جديدا باختيار إدارة المشروع لتتبع الفيديو بدون علامات.

عدل حقول الأفراد وأجزاء الجسم في الإعدادات. ملف YAML وفقا لمتطلبات التحليل. اختر Extract Frames لاستخراج الإطارات من الفيديو لوضع التصنيف والتدريب.

بعد ذلك، قم بتسمية كل إطار مستخرج باختيار بيانات التسمية. خصص الأجزاء المناسبة من الجسم لكل فرد مرئي دون الحفاظ بالضرورة على معرفات متسقة بين الإطارات. لإنشاء مجموعة بيانات تدريبية من الإطارات المستخرجة، اختر إنشاء مجموعة بيانات التدريب.

قم بضبط الشبكة على DLCRNet_ms5 في الإعدادات. اختر خيار التدريب. اضبط معيار التكرارات القصوى إلى 200,000 لهذه الجلسة التدريبية.

جميع معلمات التدريب الأخرى يمكن أن تبقى عند قيمها الافتراضية. قيم الشبكة المدربة باختيار التقييم. لتشغيل تقدير الوضعية على الفيديوهات المختارة، اختر تحليل الفيديوهات التي تولد بيانات إحداثيات HDF5 وملفات الإخراج الأخرى في مجلد الفيديوهات داخل مجلد المشروع.

لإجراء التحقق اليدوي من نتائج التتبع، أنشئ فيديو تتبع معنون باختيار إنشاء فيديوهات. فعل خيار إنشاء فيديو بمعرف حيوان ملون في واجهة المحتوى الإضافي لتضمين المعرفات الفردية في الفيديو. ثم افحص الفيديوهات المولدة مع علامات للتحقق من وجود تغييرات هوية أو توقعات مفقودة.

إذا كانت هناك أخطاء كبيرة، استعد لإعادة التدريب. لإعادة تدريب واستخراج وتعليق الإطارات الشذوذية. اختر الاستخلاص أو تحسين القيم الشاذة.

بمجرد اكتمال التعليق، انقر على دمج مجموعة البيانات للمتابعة تلقائيا إلى إنشاء مجموعة البيانات التدريبية. ثم كرر مسار التدريب. لتصحيح نتائج المحتوى الإضافي متعدد الحيوانات، افتح واجهة المستخدم المخصصة واحتفظ فقط بالنقاط الرئيسية المطلوبة للعلامات الافتراضية.

اختر Refine Tracklets لتصحيح ملف HDF5 الذي يحتوي فقط على نقاط المفاتيح المختارة. عدل النقاط الرئيسية بحيث يحافظ الجميع على معرف ثابت عبر الفيديو. احفظ الملف وسيتم تحديث ملف HDF5 في مجلد الفيديوهات تلقائيا.

بعد ذلك، أنشئ فيديو جديد معنون من البيانات المصححة باختيار إنشاء فيديوهات. في DeepLabCut 2.2، إذا كان هناك فيديو معنون موجود بالفعل في مجلد الفيديوهات، فلن يتم إنشاء فيديو جديد. قم بإزالة أو إعادة تسمية أو نقل الملف الحالي قبل المتابعة.

أعد تسمية الفيديو الظاهر المميز إلى اسم ملف قصير لمنع الأخطاء أثناء معالجة DeepLabCut لاحقا. أنشئ مشروع saDLC جديد باختيار إدارة المشروع لتتبع فيديو العلامات الافتراضية. في الإعدادات.

ملف YAML، يسرد جميع تركيبات الأفراد وأجزاء الجسم في حقل أجزاء الجسم. لاستخراج الإطارات من فيديو العلامة الافتراضية المعاد تسميته، اختر استخراج الإطارات. الآن قم بتسمية كل إطار مستخرج في بيانات التسمية باستخدام العلامات الافتراضية لتعيين معرفات فردية متسقة وضمان تطابق كل من المعرفات وأجزاء الجسم عبر الإطارات.

عندما يكون جزء من الجسم مخفيا جزئيا، لكن هوية الفرد معروفة، قم بتقدير موقعه ووضع التصنيف وفقا لذلك. أنشئ مجموعة بيانات تدريبية من الإطارات المستخرجة عن طريق اختيار إنشاء مجموعة بيانات تدريبية. اضبط الشبكة على شبكة B0 فعالة لهذه الجلسة التدريبية.

ابدأ تدريب الشبكة باختيار Train. اضبط معامل التكرارات القصوى إلى 200,000 لهذه الجلسة، ويمكن لجميع الإعدادات الأخرى البقاء عند قيمها الافتراضية. بعد تقييم الشبكة المدربة، قم بإجراء التحقق اليدوي كما هو موضح سابقا.

في المشاهد المزدحمة، حقق تتبع VM نسبة مطابقة أعلى بكثير من maDLC. كان عدد السلبيات الكاذبة أقل بشكل ملحوظ مع تتبع VM مقارنة ب maDLC. ومع ذلك، لم يكن هناك فرق بين تتبع الآلات الافتراضية وملفات maDLC في عدد الإيجابيات الكاذبة وعدد مفاتيح المعرف.

في المشاهد غير المزدحمة، حقق تتبع VM نسبة مطابقة أعلى بكثير من maDLC. كان عدد السلبيات الكاذبة أقل بشكل ملحوظ مع تتبع VM مقارنة ب maDLC. لم يكن هناك فرق في عدد الإيجابيات الكاذبة وعدد تبديل ID بين تتبع ال VM وmaDLC.

في المشاهد المزدحمة، استقرت نسبة المباراة في maDLC عند حوالي 85٪ بعد حوالي 400 إطار مشروح دون أي تحسين إضافي. بينما أظهر تتبع الذاكرة الافتراضية زيادة مستمرة حتى حوالي 95٪ عند حوالي 1,000 إطار. في maDLC، زيادة عدد الإطارات المشروحة لم تقلل من عدد السلبيات الكاذبة.

المشاهد التي تحتوي على نسبة أعلى من العلامات الافتراضية المخصصة بشكل صحيح كانت تميل إلى إظهار نسب مطابقة أعلى. ومع ذلك، بعض المشاهد مثل 3 و11 أظهرت نسب مطابقة عالية رغم العديد من التعيينات الخاطئة أو فقدان العلامات. بروتوكولنا يعالج نقص الحفاظ الموثوق على الهوية في تتبع وضعيات الحيوانات المتعددة.

يحسن دقة تتبع الوضعيات من خلال دمج العلامات الافتراضية مع الأدوات الموجودة. ستستخدم أبحاثنا المستقبلية هذه البيانات لمعالجة كيف تشكل ديناميكيات المجموعات السلوكيات الاجتماعية في الفئران.