DOI: https://doi.org/10.3390/ani14020281
PMID: https://pubmed.ncbi.nlm.nih.gov/38254450
تاريخ النشر: 2024-01-16
المؤلف: Taro Shibanoki وآخرون
الموضوع الرئيسي: دراسات سلوك الحيوان ورفاهيته
نظرة عامة
في هذه الدراسة، تم تطوير نظام مراقبة جديد للفئران، باستخدام كاميرا فيديو واحدة لتحليل السلوكيات والحالات الداخلية للحيوانات. يدمج النظام المعلومات السلوكية، التي تلتقط نوع الحركة، والمعلومات الداخلية التي تعكس الحالة الفسيولوجية للحيوان. من خلال استخدام تقنيات التعلم الآلي، بما في ذلك الشبكة العصبية وطرق كشف الشذوذ، تمكن النظام من تحديد السلوكيات غير الروتينية في الفئران، خاصة استجابةً للمؤثرات مثل التصفيق. أظهرت التجارب أن النظام يمكنه التمييز بدقة بين السلوكيات الروتينية وغير الروتينية، محققًا دقة كشف تصل إلى 100% للأنشطة الروتينية قبل عرض المؤثر.
تشير النتائج إلى أن هذا النظام للمراقبة فعال لأصحاب الحيوانات الأليفة لتقييم حالات حيواناتهم دون الحاجة إلى معرفة متخصصة. تهدف الأعمال المستقبلية إلى تعزيز دقة النظام من خلال دمج تحليلات سلوكية أكثر تفصيلاً وتوسيع مجموعة بيانات التحقق. بالإضافة إلى ذلك، يخطط الباحثون لاستخدام مستشعرات متنوعة، مثل كاميرات العمق والتصوير الحراري، لمراقبة الأنشطة اليومية خلال الليل، مما يوسع نطاق الحالات التي يمكن تقييمها. بشكل عام، يظهر النظام المقترح وعدًا لمراقبة الحيوانات الأليفة في الوقت الحقيقي وكشف التوتر.
مقدمة
تناقش مقدمة الورقة الفوائد المحتملة لامتلاك الحيوانات الأليفة خلال جائحة COVID-19، مع تسليط الضوء على دورها في تخفيف الشعور بالوحدة وتعزيز الصحة العامة. مع تقدير عدد الحيوانات الأليفة بـ 157 مليون في الولايات المتحدة وزيادة عدد أصحاب الحيوانات الأليفة، يؤكد المؤلفون على أهمية مراقبة صحة الحيوانات وسلوكها، خاصة مع تزايد رؤية الحيوانات الأليفة كأعضاء في الأسرة. تقتصر طرق المراقبة التقليدية، مثل جمع البيانات يدويًا، على قيود الوقت وإمكانية تجاهل المعلومات الحيوية.
لقد سهلت التقدمات الأخيرة في تكنولوجيا الشبكات العصبية العميقة تطوير أنظمة المراقبة غير التلامسية، بما في ذلك تحليل الفيديو والتصوير الحراري، التي يمكن أن تتبع سلوك الحيوان ومقاييس الصحة بدقة عالية. ومع ذلك، غالبًا ما تفشل الأنظمة الحالية في تقييم الحالات الداخلية للحيوانات، والتي تعتبر حاسمة لفهم أسباب السلوك. يقترح المؤلفون نظام مراقبة جديد يدمج التعلم العميق لاستخراج الميزات وكشف الشذوذ باستخدام آلة الدعم ذات الفئة الواحدة (SVM). يهدف هذا النظام إلى تحليل مؤشرات السلوك والصحة الداخلية في وقت واحد، مما يعزز فهم حالات الحيوانات الأليفة مع تقليل المخاطر المرتبطة باستخدام المستشعرات. توضح الورقة منهجية النظام المقترح، وإعداد التجارب، والنتائج، مع التركيز على تطبيقه على الفأر كدراسة حالة.
طرق
يتكون نظام المراقبة المقترح لتحليل سلوك الفئران من أربعة مكونات رئيسية: قياس الإشارة، استخراج الميزات، تمييز الحالة، والعرض. باستخدام كاميرا فيديو رقمية Panasonic HC-W870M، يمكّن النظام المراقبة في الوقت الحقيقي عبر جهاز كمبيوتر مزود بجهاز التقاط HDMI. ينبه المالكين عند اكتشاف انحرافات عن السلوكيات النموذجية. كان الهدف من إعداد التجربة هو تقليل التوتر من خلال تكرار بيئة الفئران الطبيعية، مع إجراء الملاحظات خلال ساعات نشاطها الليلية.
للتحقق من فعالية النظام، جمع الباحثون بيانات الفيديو تحت ظروف محكومة، بما في ذلك حدث محدد حيث تم إدخال صوت التصفيق. شمل التحليل 10,924 إطارًا لتغييرات السلوك ومجموعة بيانات تدريبية من 48,255 إطارًا لتحديد أنماط السلوك الطبيعية. تم استخدام التحقق المتقاطع بخمسة أضعاف لتحسين معلمات النموذج، وخاصة قيم $\nu$ (التي تتراوح من 0.0001 إلى 0.01) و$\gamma$ (من 0.01 إلى 1)، المستخدمة في دالة النواة الغاوسية لتصنيف آلة الدعم (SVM). تم تحقيق أعلى دقة تمييز مع $\nu = 0.0001$ و$\gamma = 0.25$. تعرض مصفوفة الالتباس المقدمة في الجدول 1 نتائج التصنيف عبر SVM، وتحليل التمييز الخطي (LDA)، وطبقة متعددة من perceptron (MLP)، مما يوضح قدرة النظام على التمييز بفعالية بين النشاط الطبيعي وغير الطبيعي.
مناقشة
في هذه الدراسة، تم تطوير نظام مراقبة للفئران باستخدام كاميرا فيديو موضوعة على ارتفاع 0.4 م لالتقاط سلوكياتها اليومية، بما في ذلك الأكل، على مدى ستة أيام. استخدم النظام منطقة مستطيلة بمقاس 1370 × 880 بكسل، مع هوامش محددة، للتركيز على الفأر مع استبعاد بيئته. تم استخراج الميزات الرئيسية باستخدام مزيج من R-CNN القائم على القناع وكشف معلومات اللون، مما يمكّن من تحديد وضعية الفأر، حركته، وحالاته الداخلية مثل معدل ضربات القلب. حسب النظام مركز كتلة الفأر، وكمية الحركة، وتغيرات شكل الجسم، واتجاه الحركة، مما يسمح بتحليل سلوكي مفصل.
أشارت النتائج إلى أن النظام يمكنه اكتشاف الانحرافات عن السلوك الطبيعي بفعالية، خاصة استجابةً للمؤثرات الخارجية، مثل صوت التصفيق. تم إجراء كشف الشذوذ باستخدام SVM من الفئة الواحدة، الذي نجح في تحديد الحالات غير الطبيعية، بينما واجهت طرق SVM التقليدية صعوبة في دقة التصنيف. تشير النتائج إلى أن النظام المقترح هو أداة قيمة لمراقبة سلوك الفئران وحالاتها الداخلية، مما يوفر رؤى حول رفاهيتها دون الحاجة إلى معرفة متخصصة من المستخدم. يظهر هذا النهج إمكانات كبيرة لتطبيقات أوسع في مراقبة الحيوانات وتقييم الرفاهية.
DOI: https://doi.org/10.3390/ani14020281
PMID: https://pubmed.ncbi.nlm.nih.gov/38254450
Publication Date: 2024-01-16
Author(s): Taro Shibanoki et al.
Primary Topic: Animal Behavior and Welfare Studies
Overview
In this study, a novel monitoring system for hamsters was developed, utilizing a single video camera to analyze behavioral and internal states of the animals. The system integrates behavioral information, which captures the type of movement, and internal information reflecting the animal’s physiological state. By employing machine learning techniques, including a neural network and anomaly detection methods, the system successfully identified non-routine behaviors in hamsters, particularly in response to stimuli such as clapping. The experiments demonstrated that the system could accurately discriminate between routine and non-routine behaviors, achieving a detection accuracy of 100% for routine activities prior to stimulus presentation.
The findings indicate that this monitoring system is effective for pet owners to assess their pets’ conditions without requiring specialized knowledge. Future work aims to enhance the system’s accuracy by incorporating more detailed behavioral analyses and expanding the validation dataset. Additionally, the researchers plan to utilize various sensors, such as depth cameras and thermography, to monitor daily activities during nighttime, thereby broadening the range of conditions that can be evaluated. Overall, the proposed system shows promise for real-time pet monitoring and stress detection.
Introduction
The introduction of the paper discusses the potential benefits of pet ownership during the COVID-19 pandemic, highlighting its role in alleviating loneliness and enhancing overall health. With an estimated pet population of 157 million in the U.S. and a growing number of pet owners, the authors emphasize the importance of monitoring pets’ health and behavior, particularly as pets are increasingly viewed as family members. Traditional monitoring methods, such as manual data collection, are limited by time constraints and the potential to overlook critical information.
Recent advancements in deep neural network technology have facilitated the development of non-contact monitoring systems, including video analysis and thermography, which can track animal behavior and health metrics with high accuracy. However, existing systems often fail to assess the internal states of animals, which are crucial for understanding behavioral causes. The authors propose a novel monitoring system that integrates deep learning for feature extraction and anomaly detection using a one-class support vector machine (SVM). This system aims to simultaneously analyze behavioral and internal health indicators, thereby enhancing the understanding of pet conditions while minimizing the risks associated with sensor use. The paper outlines the proposed system’s methodology, experimental setup, and results, with a focus on its application to a hamster as a case study.
Methods
The proposed monitoring system for analyzing hamster behavior consists of four main components: signal measurement, feature extraction, state discrimination, and display. Utilizing a Panasonic HC-W870M digital hi-vision video camera, the system enables real-time monitoring via a PC equipped with an HDMI capture device. It alerts owners when deviations from typical behavior are detected. The experimental setup aimed to minimize stress by replicating the hamsters’ natural environment, with observations conducted during their active nocturnal hours.
To validate the system’s effectiveness, the researchers collected video data under controlled conditions, including a specific event where a clapping sound was introduced. The analysis involved 10,924 frames for behavioral changes and a training dataset of 48,255 frames to establish normal behavior patterns. Five-fold cross-validation was employed to optimize model parameters, specifically the values of $\nu$ (ranging from 0.0001 to 0.01) and $\gamma$ (from 0.01 to 1), used in a Gaussian kernel function for support vector machine (SVM) classification. The highest discrimination accuracy was achieved with $\nu = 0.0001$ and $\gamma = 0.25$. The confusion matrix presented in Table 1 compares classification results across SVM, linear discriminant analysis (LDA), and a multi-layer perceptron (MLP), demonstrating the system’s capability to distinguish between normal and abnormal activity effectively.
Discussion
In this study, a monitoring system for hamsters was developed using a video camera positioned at a height of 0.4 m to capture their daily behaviors, including eating, over a period of six days. The system utilized a rectangular area of 1370 × 880 pixels, with specific margins, to focus on the hamster while excluding its environment. Key features were extracted using a combination of mask R-CNN and color information detection, enabling the identification of the hamster’s posture, movement, and internal states such as heart rate. The system calculated the hamster’s center of mass, movement amount, body shape changes, and direction of movement, allowing for detailed behavioral analysis.
The results indicated that the system could effectively detect deviations from normal behavior, particularly in response to external stimuli, such as a clapping sound. Anomaly detection was performed using one-class SVM, which successfully identified abnormal states, while traditional SVM methods struggled with classification accuracy. The findings suggest that the proposed system is a valuable tool for monitoring hamster behavior and internal states, providing insights into their well-being without requiring specialized knowledge from the user. This approach demonstrates significant potential for broader applications in animal monitoring and welfare assessment.