[论文解读] Automated Analysis of Behavioural Variability and Filial Imprinting of Chicks (G. gallus), using Autonomous Robots

Alexey Gribovskiy, Francesco Mondada+4 more|arXiv (Cornell University)|Sep 7, 2015

Animal Vocal Communication and Behavior参考文献 38被引用 10

一句话总结

本研究提出了一种自动化、机器人辅助的方法，通过自主机器人作为替代母亲，量化雏鸡（Gallus gallus domesticus）的个体行为变异性和亲缘印记。结合高通量视频追踪与监督式机器学习（尤其是随机森林），作者生成了自动化行为图谱，并将雏鸡分类为三种印记类型——已印记、漠然或回避，揭示了个体间显著的行为变异以及社会因素对印记质量的影响。

ABSTRACT

Inter-individual variability has various impacts in animal social behaviour. This implies that not only collective behaviours have to be studied but also the behavioural variability of each member composing the groups. To understand those effects on group behaviour, we develop a quantitative methodology based on automated ethograms and autonomous robots to study the inter-individual variability among social animals. We choose chicks of extit{Gallus gallus domesticus} as a classic social animal model system for their suitability in laboratory and controlled experimentation. Moreover, even domesticated chicken present social structures implying forms or leadership and filial imprinting. We develop an imprinting methodology on autonomous robots to study individual and social behaviour of free moving animals. This allows to quantify the behaviours of large number of animals. We develop an automated experimental methodology that allows to make relatively fast controlled experiments and efficient data analysis. Our analysis are based on high-throughput data allowing a fine quantification of individual behavioural traits. We quantify the efficiency of various state-of-the-art algorithms to automate data analysis and produce automated ethograms. We show that the use of robots allows to provide controlled and quantified stimuli to the animals in absence of human intervention. We quantify the individual behaviour of 205 chicks obtained from hatching after synchronized fecundation. Our results show a high variability of individual behaviours and of imprinting quality and success. Three classes of chicks are observed with various level of imprinting. Our study shows that the concomitant use of autonomous robots and automated ethograms allows detailed and quantitative analysis of behavioural patterns of animals in controlled laboratory experiments.

研究动机与目标

• 开发一种可扩展的自动化实验框架，用于研究雏鸡的个体与群体社会行为。
• 利用受控的机器人媒介刺激，研究个体在亲缘印记中的行为变异。
• 构建一种高通量、无需人工干预的系统，用于长时间行为实验，最大限度减少观察者偏差。
• 评估自动化机器学习算法在从视频数据中分类复杂动物行为方面的性能。
• 探究群体构成如何影响个体印记质量，检验社会因素对个体偏好的调节作用。

提出的方法

• 部署具备校准视觉、听觉和运动刺激的自主移动机器人作为替代母亲，以诱发雏鸡的亲缘印记。
• 使用高分辨率视频追踪技术，在无人员干预的情况下记录205只自由活动雏鸡在30分钟试验中的三维轨迹。
• 通过从时空数据中提取行为特征（如与机器人的距离、运动模式、对齐程度）构建自动化行为图谱。
• 应用多种机器学习算法——决策树结合随机森林、k-最近邻、线性支持向量机和k-均值聚类——以分类行为状态与群体动态。
• 采用k-均值++初始化与剪枝策略，以提高聚类收敛性并减少过拟合。
• 将专家标注标签与算法分类结果整合，以验证并优化自动化行为图谱的生成。

实验结果

研究问题

• RQ1 在机器人媒介的亲缘印记过程中，雏鸡的个体行为变异如何表现？
• RQ2 自主机器人在动物行为实验中在多大程度上能够提供一致、可重复且可量化的刺激？
• RQ3 哪些机器学习算法在从视频数据中自动化分类复杂动物行为方面最为有效？
• RQ4 群体构成如何影响个体印记质量与社会依恋强度？
• RQ5 自动化行为图谱能否可靠地捕捉群居动物的个体与集体行为模式？

主要发现

• 本研究在205只雏鸡中识别出三种不同的行为类别：对机器人有不同程度印记的、漠然的以及回避的。
• 随机森林在行为状态分类中优于其他算法，展现出在自动化行为图谱生成中极高的准确性。
• k-均值聚类提供了有意义的无监督行为模式分组，表明其在探索性分析中的实用性。
• 印记质量显著受群体背景影响：初始依恋较弱的雏鸡在与高度印记的同种个体组成群体时，其依恋关系得到加强。
• 相反，初始印记强烈的雏鸡在被置于对机器人兴趣较低的群体中时，表现出对机器人的兴趣下降，表明社会因素对个体行为具有调节作用。
• 整个205只雏鸡的数据集仅用几分钟即通过自动化流程完成分析，证明了该框架在高通量行为学研究中的可扩展性。