利用ConvLSTM网络分析小鼠旷场行为的方法

"13、对各帧分类结果进行时间序列分析，得到小鼠的行为序列； 14、根据行为序列，进一步解析小鼠的行为模式，如探索、焦虑、休息等复合行为； 15、采用聚类算法对行为模式进行归类，确定不同行为的典型特征； 16、结合行为序列和聚类结果，生成行为报告，包括行为频率、持续时间和分布情况； 17、利用该方法可以实现小鼠行为的自动化分析，提高试验效率和准确性，减少人为误差。 .ConvLSTM（卷积循环神经网络）网络是一种将卷积神经网络（CNN）结构与循环神经网络（RNN）相结合的深度学习模型，特别适合于处理序列数据中的时空信息。在本方法中，ConvLSTM网络被用于处理小鼠的关键点特征图序列，通过捕捉图像间的时空关联，识别出小鼠的不同行为状态。关键点检测法用于定位小鼠的身体部位，为后续的行为分析提供精确的输入数据。 小鼠旷场试验是一种常用的心理行为学测试，用于评估小鼠在新环境中的行为反应，特别是焦虑和探索行为。传统的分析方法依赖于人工观察，效率低下且主观性较强。本方法通过引入ConvLSTM网络，实现了行为识别的自动化，能够更客观、准确地监测小鼠的行为变化，对于理解小鼠的行为模式、神经系统疾病的研究以及药物效果的评估具有重要意义。 此外，通过聚类算法对行为模式进行分析，不仅可以识别出基本的行为，如直走、转身、修饰和静止，还能解析出更复杂的复合行为，如探索行为（连续的移动和转向）、焦虑行为（静止时间较长或频繁的边缘徘徊）等。这种方法对于科研人员来说，极大地提高了数据分析的效率，有助于快速获得有价值的研究成果。 本发明提出的基于ConvLSTM网络的小鼠旷场试验行为分析方法，通过自动化的行为识别和模式分析，有效解决了传统方法的局限性，提升了实验的科学性和效率，对于动物行为学研究和相关医学领域的进展有着积极的推动作用。"