快速准确地表征动物行为对神经科学研究至关重要。深度学习模型已经被广泛地应用于实验室中的动物行为分析。然而，常见的深度学习模型通常依赖人工标注来完成训练，现存的姿态估计方法也不适用对社交行为中多个体频繁互动的分析。
清华大学生命学院/清华IDG/麦戈文脑科学研究院张伟研究员课题组开发了一种深度无监督学习方法（Selfee）来表征动物行为。该方法在行为分类问题上可以取得和经典的动物姿态估计特征相近的准确度。同时，此方法有效地避免了人工标记可能引入的主观偏差，并可以有效地表征低分辨率下的多个体大范围身体重叠的视频帧，极大地节约了人工成本。使用该方法提取的特征可被用于异常检测、动物行为模式分析和行为视频对齐等多种任务。分析结果可与进一步的行为实验结果相互印证。以上结果表明Selfee是一种有效的无监督动物行为分析方法。
图1，Selfee利用无监督机器学习算法提取动物行为视频中的全局特征。这些特征可用于深入分析动物行为中的异常表现和时间特性。
该研究于6月17日在线发表在eLife杂志上，题目为：“Selfee, 一种自监督的动物行为特征提取方法”（Selfee, Self-supervised Features Extraction of animal behaviors）。清华大学生命学院2020级博士生贾寅君为本文第一作者兼通讯作者，张伟研究员为本文通讯作者。张伟实验室博士生郭璇和生命学院本科生胡俊强提供了技术支持。中国科学院脑科学与智能技术卓越创新中心的许晓鸿研究员和李帅帅提供了重要数据。本研究还得到了清华大学生命学院钟毅教授及其实验室雷博博士的帮助。该研究工作得到国家自然科学基金委、科技部重点研发计划、北京市科委、清华大学自主科研基金和清华-IDG/麦戈文脑科学研究院“Brain+X”种子基金、北京市脑科学与类脑研究中心等资助。张伟课题组受到清华-北大生命科学联合中心和清华大学IDG/麦戈文脑科学研究院的支持。
全文链接：https://elifesciences.org/articles/76218
