基于小鼠停留行为的偏见检测 CNN 解释性提升
计算机视觉与模式识别
2024-12-09 v1
摘要
理解实验动物的行为是寻找与人类也受影响的疾病和神经发育障碍答案的关键。值得关注的一种行为是停留，因为它与个体的探索、进食和睡眠习惯相关。为 improved 理解动物行为，我们聚焦于通过识别每只小鼠停留点的序列来确定其年龄/性别。我们使用 LiveMouseTracker（LMT）系统在3天内追踪4只小鼠。然后，我们构建停留位置的二维直方图堆叠。该直方图堆叠通过浅层 CNN 架构进行分类，以确定小鼠的年龄和性别。我们观察到雌性小鼠表现出更具可辨识性的行为模式，分类准确率超过90%，而雄性小鼠由于缺乏明显的模式，分类准确率为62.5%。为获得模型的解释性，我们检查卷积层的激活函数，发现部分 cage 区域被雌性更频繁地探索。雄性小鼠，尤其是幼年雄性，呈现呈现在幼年雌性和成年雄性之间的行为模式振荡。
引用
@article{arxiv.2412.05158,
title = {Gaining Explainability from a CNN for Stereotype Detection Based on Mice Stopping Behavior},
author = {Raul Alfredo de Sousa Silva and Yasmine Belaidouni and Rabah Iguernaissi and Djamal Merad and Séverine Dubuisson},
journal= {arXiv preprint arXiv:2412.05158},
year = {2024}
}
备注
to be published in VAIB - Visual observation and analysis of Vertebrate And Insect Behavior (ICPR) 2024