[发明专利]一种基于深度学习算法的小鼠运动状态分析方法

说明书

本发明提供了一种基于深度学习算法的动物运动状态视频的分析方法，其包括以下步骤：对小鼠运动的视频的每一帧进行切分并调整画幅大小，生成小鼠运动状态的图像；对小鼠运动状态的图像进行少量的人工标注，制作训练模型所需要的图像数据集；基于制作好的数据集，训练小鼠运动状态分析的模型；将需要分析的小鼠运动视频输入训练好的小鼠运动状态分析的模型，以得到小鼠运动状态的分析结果。本发明的小鼠运动状态分析方法，通过深度学习中的卷积神经网络技术和迁移学习技术，在只有少量视频数据标注且数据分布不平衡的情况下，构建了一个端到端的，具有高训练速度，高准确率，高推断速度，高扩展性的小鼠运动状态分析模型。

技术领域

本发明涉及动物运动状态分析领域，特别是涉及一种基于深度学习算法的小鼠运动状态分析方法。

背景技术

大脑往往被看作是智慧的象征。神经科学方向的研究人员一直在努力了解大脑的结构，尝试破解大脑的秘密。但目前，在人类大脑方面开展神经科学基础研究的工作还十分艰难。人类自身大脑结构精巧，连接复杂，可能不是人类目前的科学水平可以研究透彻的，所以研究人员们把目光移向了大脑神经元数量相对人类来说少数个数量级的小型啮齿动物的身上。

先前，在很多的啮齿动物的种群中，研究人员已经发现了它们大脑中的神经网络的学习和认知模式，即用一种高度稀疏和抽象的逻辑或规律，来编码能完成某种动作的一系列复杂的连续肌肉控制信号。因此，啮齿动物大脑的某个区域的神经元激发情况会显式地反映在它们的行为上。相较人类大脑而言，研究小型啮齿动物，如小鼠，的大脑神经元与特定行为之间的有机联系是探究动物大脑中的神经网络的学习和认知模式的有效方法。原因有如下三点：

(1)小型啮齿动物，如小鼠，的典型可观测行为和需要检测的重要动作相比人类来说更少，在分类上难度相对较低。

(2)人类的某个动作实际是由很多简单的动作序列组成的，例如，将一个棒球投掷出去的动作实际上是由很多个可分解的动作组合而成的，从单独的某一个分解动作中，很难得到对最终动作的判断有用的信息；相反，小鼠的动作，受限于短小的四肢和躯干，往往也相对简单，动作的目的更容易被观测到。

(3)小鼠的大脑中的神经元数目和神经连接的数目，相较于人类和大型哺乳动物，会有数个数量级的下降，且已知控制每个动作的神经活动的区域是不同的，这为研究人员用电子显微镜观察神经元的激活情况提供了有利条件。

所以，基于单目摄像机监测的小鼠在实验过程中的活动状态和电子显微镜观察到的神经元的激活情况，并将所观察到的神经元激发信号与小鼠在该时间点的活动状态相结合，就可以建模小鼠的大脑神经元与它的特定行为之间的联系，探索神经活动是怎样驱使动物行为，从而更好地为神经科学，脑科学，动物行为学，动物管理学等等提供实验和研究的素材。

目前的问题在于，高效简便地观测动物的运动状态并检测重要的行为，仍然是一个十分困难的任务。传统的计算机视觉方法识别速度慢，识别精度不高；而采用深度学习模型的方法用端到端的方式，识别速度快，识别精度高，但往往需要人工标注大量的训练数据，使得模型训练成本变高。因此，如何使用少量人工标注的动物运动图像数据成功训练基于深度学习的动物运动状态分析模型，使其达到超越基于传统计算机视觉技术的模型的性能，是亟待解决的问题。

发明内容

本发明的目的是：使用少量人工标注的动物运动图像数据成功训练基于深度学习的动物运动状态分析模型，使其达到超越基于传统计算机视觉技术的模型的性能。

为了达到上述目的，本发明的技术方案是提供了一种基于深度学习算法的小鼠运动状态分析方法，其特征在于：包括以下步骤：

步骤S1、对小鼠运动的视频的每一帧进行切分并调整画幅至预设大小，生成小鼠运动状态的图像；

步骤S2、对小鼠运动状态的图像进行少量的人工标注，制作训练模型所需要的图像数据集，其中：

对小鼠运动状态的图像进行两种形式的少量的人工标注，以进行两方面的分析：