Proč ruční pozorování nestačí moderním behaviorálním studiím
Ruční pozorování má v behaviorálním výzkumu dlouhou historii a stále má své místo. Zkušený pozorovatel dokáže postřihnout jemné pózy, sociální interakce a kontext, které může kamera vynechat. Ruční hodnocení však má své limity. Člověk může sledovat najedou jen několik ryb a hodnocení probíhá v reálném čase nebo z přehrávání videa. Postupně nastupuje únavu. Dva pozorovatelé mohou stejné chování ohodnotit odlišně. Rychlé události, jako je například strachová reakce trvající zlomek sekundy, se snadno zcela vytratí z pozornosti.
Moderní behaviorální studie zebrafish často zahrnují více nádrží, více koncentrací a více časových bodů. Objem dat přesahuje to, co je schopný jakýkoli tým vyhodnotit ručně. Systém pro analýzu chování zebrafish založený na sledování pohybu pomocí videa změní tuto rovnici. Může zaznamenat mnoho arén současně a extrahovat pohybová data bez nutnosti, aby pozorovatel sledoval každou sekundu. To nezruší potřebu lidského úsudku, ale přesune lidskou roli z vyhodnocování na dozor.
Co sledování pohybu pomocí videa ve skutečnosti zachytí a co jiné metody vynechávají
Sledování pohybu pomocí videa neprovede pouze měření toho, zda se ryba pohybovala. Měří, jak, kdy a kde se pohybovala. Zpracovatelský postup sledování může vypočítat celkovou ujetou vzdálenost, průměrnou rychlost, maximální rychlost, úhel natočení, zrychlení a dobu strávenou v definovaných zónách. Může detekovat ztuhnutí (freezing), což je období nehybnosti, které často signalizuje strach nebo stres. Může měřit latenci vstupu do nové oblasti po podání podnětu.
Tyto metriky jsou důležité, protože různé chování se může na první pohled podobat. Ryba, která plave v těsných kruzích, a ryba, která plave po přímce, mohou urazit stejnou vzdálenost, avšak základní chování je odlišné. Ryba, která zůstává blízko dna nádržky, může být napjatá, může mít zimno nebo prostě dává přednost této oblasti. Video sledování poskytuje surová data, která umožňují výzkumníkovi ověřit tyto interpretace.
-
Celková ujetá vzdálenost a průměrná rychlost.
-
Maximální rychlost a zrychlení během krátkodobých výbuchů pohybu.
-
Doba strávená v jednotlivých zónách, například nahoře versus dole.
-
Délka a četnost období úplného immobility (tzv. freezing).
-
Prodleva mezi podnětem (světlo nebo zvuk) a reakcí.
Význam snímkové frekvence a rozlišení pro kvalitu chování poskytujících dat.
Video sledování je tak dobré, jaké je video, které analyzuje. Snímková frekvence určuje, kolik rychlé události je zachyceno. Reakce na náhlý podnět trvající zlomek sekundy se při nízké snímkové frekvenci může redukovat na jeden snímek, což znemožňuje přesné měření latence nebo velikosti reakce. Vyšší snímková frekvence zachytí více detailů, ale zároveň vytváří větší soubory a vyžaduje větší výpočetní výkon.
Rozlišení je důležité z jiného důvodu. Larva zebrafish je malá a její poloha musí být sledována s vysokou přesností. Pokud je rozlišení příliš nízké, algoritmus sledování může rybku zaměnit za odraz nebo kousek nečistoty. Pokud je rozlišení velmi vysoké, soubory se zvětšují a analýza se zpomaluje. Správná rovnováha závisí na velikosti arény, věku rybky a sledovaném chování.
| Aspekt | Ruční pozorování | Systém video sledování |
|---|---|---|
| Objem dat | Omezeno časem pozorovatele | Vysoká, nepřetržitá |
| Rychlé události | Snadno promeškané | Zachycené, pokud je snímková frekvence dostatečná |
| Opakovatelnost | Závislé na pozorovateli | Závislé na algoritmu, ale konzistentní |
| Propustnost vícearena | Nízká | Vysoká |
| Lidská role | Rýhování | Dozor a ověřování |
Jak sledovací algoritmy převádějí pixely na chování metriky
Software pro video sledování není kouzlo. Využívá posloupnost kroků k nalezení ryb v každém snímku a propojení těchto detekcí do sledu. Odstranění pozadí odstraňuje statické části obrazu. Prahování nebo detekce hran izoluje ryby. Sledovací algoritmus, například sledování těžiště nebo Kalmanův filtr, předpovídá, kde se ryba objeví v dalším snímku, a přiřazuje ji k detekci.
U více ryb pomáhají algoritmy přiřazení, jako je maďarská metoda, udržet identity po průchodu ryb jedna druhou. Vzhledové vlastnosti, například tvar ocasu nebo barevný vzor, mohou zlepšit trvalost identifikace. Výstupem je sada souřadnic v čase, která se následně převede na chování metriky popsané dříve. Každý krok má parametry ovlivňující výsledek, a tyto parametry je nutné dokumentovat a udržovat konzistentní napříč experimenty.
Příklad pole, kde video sledování odhalilo skrytý účinek
Skupina neurofarmakologů na univerzitě ve východní Číně testovala sloučeninu na anxiolytickou aktivitu. V prvním kole bylo použito manuální hodnocení světlé a tmavé krabičky. Výsledky byly nekonzistentní. Některé nádoby ukazovaly jasnou preferenci tmavé strany, jiné ne. Pozorovatelé se neshodovali u hraničních případů a velikost účinku byla malá.
Skupina přešla na systém analýzy chování zebrafish s video sledováním. Systém neustále nahrával každou arénu a automaticky vypočítával metriky založené na zónách. Data ukázala, že sloučenina skutečně snížila preferenci temnoty, ale současně také snížila celkovou pohyblivost. Ruční hodnocení tento druhý účinek přehlédlo, protože pozorovatelé se zaměřovali pouze na volbu zóny. Data ze sledování umožnila zviditelnit oba efekty. Skupina upravila analýzu tak, aby obě chování oddělila. Sloučenina stále zůstala zajímavá, avšak její interpretace se změnila. Bez video sledování by mohl účinek na pohyblivost zůstat zcela nepozorovaný.
Tam, kde mají video sledování své meze a lidské posouzení stále hraje roli
Sledování videa je nástroj, nikoli kompletní řešení. Může být zmateno odrazy, bublinkami a nečistotami. Může ztratit rybu, pokud je kontrast špatný nebo pokud se ryba dotkne okraje prostoru pro testování. Nedokáže rozhodnout, zda ryba vypadá zdravě, ani zda akvárium má problém, který ovlivňuje chování. Tyto posouzení stále vyžadují lidskou účast.
Existuje také riziko nadměrné závislosti na číslech. Systém pro sledování může vygenerovat rozsáhlou tabulku metrik, avšak ne všechny z nich jsou smysluplné. Výběr vhodných metrik a jejich interpretace v daném kontextu je dovednost, která se vyvíjí s praxí. Systém poskytuje data. Výzkumník přidává význam.
Hunter Lab (Hunter) vyrábí laboratorní vybavení pro zebrafish s důrazem na stabilitu obrazu, kterou vyžaduje video sledování. Výrobní a kontrolní procesy zajišťují konzistenci potřebnou pro dlouhodobé behaviorální studie. Pro laboratoře, které se při behaviorální analýze spoléhají na video sledování, je taková disciplinovaná výroba součástí základu.