基于深度学习的无监督行为分析与放大（uBAM）

运动行为分析对生物医学研究和临床诊断至关重要，因为它提供了一种非侵入策略来识别运动障碍及其由干预引起的变化。最先进的仪器化运动分析耗时且成本高，因为需要放置物理或虚拟标记。除了训练或微调检测器所需的标记关键点或注释工作外，用户还需事先知道感兴趣的行为以提供有意义的关键点。我们引入无监督行为分析与放大（uBAM），一种通过分析发现和放大偏差的自动深度学习算法。一个核心方面是无监督学习姿态和行为表示，以实现运动的客观比较。除了发现和量化行为偏差外，我们还提出了一种生成模型，可直接在视频中视觉放大细微行为差异，而无需经由关键点或注释的绕行。对于这种跨不同个体的偏差放大至关重要的一点是外观与行为的解耦。对啮齿动物和神经系统疾病人类患者的评估证明了我们方法的广泛适用性。此外，将光遗传刺激与我们的无监督行为分析相结合，显示了其作为关联功能与脑可塑性的非侵入诊断工具的适用性。