Miksi manuaalinen havainnointi ei pysty mukaan nykyaikaisiin käyttäytymistutkimuksiin
Manuaalinen havainnointi on pitkä perinne käyttäytymistutkimuksessa, ja sillä on edelleen paikkansa. Koulutettu havainnoija voi huomata hienovaraisia asentoja, sosiaalisia vuorovaikutuksia ja kontekstia, joita kamera saattaa jäädä huomaamatta. Mutta manuaalisen arviointimenetelmän mahdollisuudet ovat kuitenkin rajalliset. Ihminen voi tarkkailla vain muutamaa kalaa kerrallaan, ja arviointi tapahtuu joko reaaliajassa tai videon toistosta. Uupumus alkaa vaivata. Kaksi eri havainnoijaa saattaa arvioida saman käyttäytymisen eri tavoin. Nopeat tapahtumat, kuten yllätykseen perustuva reaktio, joka kestää murto-osan sekunnista, ovat helppoa jättää kokonaan huomioimatta.
Nykyiset zebrafish-käyttäytymistutkimukset sisältävät usein useita akvaarioita, useita pitoisuuksia ja useita ajanhetkiä. Datavolyymin suuruus ylittää sen, mitä mikään tiimi voi arvioida käsin. Zebrafish-käyttäytymisanalyysijärjestelmä, joka perustuu videoseurantaan, muuttaa tämän tilanteen. Se pystyy tallentamaan useita areenoja samanaikaisesti ja poimimaan liike-aineistoa ilman, että ihminen seuraa jokaista sekuntia. Tämä ei kuitenkaan poista tarvetta inhimilliselle arviointikyvylle, vaan siirtää ihmisen roolin arviointitehtävästä valvontatehtäväksi.
Mitä videoseuranta todella havaitsee, mutta muut menetelmät eivät
Videoseuranta ei mittaa ainoastaan sitä, onko kala liikkunut. Se mittaa myös, miten, milloin ja missä. Seurantaputki voi laskea kokonaismatkan, keskinopeuden, huippunopeuden, kääntökulman, kiihtyvyyden ja ajan, jonka kala viettää määritellyissä alueissa. Se pystyy tunnistamaan jäykistymisen (freezing), joka on liikkeeton jakso, joka usein osoittaa pelkoa tai stressiä. Se voi mitata myös viiveen, joka kuluu ennen uuden alueen saavuttamista ärsykkeen jälkeen.
Nämä mittarit ovat tärkeitä, koska erilaiset käyttäytymismuodot voivat näyttää samoilta silmämäisesti. Kalan, joka ui tiukkoja ympyröitä, ja kalan, joka ui suoraa viivaa, kulkema matka voi olla sama, mutta perustavanlaatuinen käyttäytyminen on erilaista. Kalan, joka pysyy akvaarion pohjalla, saattaa olla ahdistunut, kylmä tai se saattaa yksinkertaisesti suosia tuota aluetta. Videoseuranta tarjoaa raakadatan, jolla tutkija voi testata näitä tulkintoja.
-
Kokonaismatka ja keskimääräinen nopeus.
-
Huippunopeus ja kiihtyvyys räjähdysmaisissa liikkeissä.
-
Aika alueilla, kuten ylä- ja alaosassa.
-
Jäykistymisaika ja -frekvenssi.
-
Viive reagoida valo- tai äänistimuluksiin.
Kehystaajuuden ja resoluution rooli käyttäytymiseen perustuvan datan laadussa
Videoseuranta on yhtä hyvää kuin se video, jota sitä käytetään analysoimaan. Kuvataajuus määrittää, kuinka paljon nopeaa tapahtumaa kuvataan. Yllätysreaktio, joka kestää murto-osan sekunnista, saattaa näkyä vain yhdessä kuvassa alhaisella kuvataajuudella, mikä tekee viivettä ja suuruutta koskevan tarkan mittauksen mahdottomaksi. Korkeampi kuvataajuus kuvaa enemmän yksityiskohtia, mutta se tuottaa myös suurempia tiedostoja ja vaatii enemmän laskentatehoa.
Resoluutiolla on merkitystä eri syystä. Zebrafish-nuolisolut ovat pieniä, ja niiden sijaintia on seurattava tarkasti. Jos resoluutio on liian alhainen, seurantalgoritmi saattaa sekoittaa kalan heijastukseksi tai roskaksi. Jos resoluutio on erinomaisen korkea, tiedostot kasvavat suuriksi ja analyysi hidastuu. Oikea tasapaino riippuu koealueen koosta, kalan iästä ja tutkittavasta käyttäytymisestä.
| Kuva | Manuaalinen havainto | Videoseurantajärjestelmä |
|---|---|---|
| Tietomäärä | Rajoitettu havainnoijan saatavilla olevalla ajalla | Korkea, jatkuva |
| Nopeat tapahtumat | Helpposti ohitettavissa | Kuvattavissa, jos kuvataajuus on riittävä |
| Toistoehdollisuus | Havainnoijasta riippuvainen | Algoritmista riippuvainen, mutta johdonmukainen |
| Monen areenan käsittelykapasiteetti | Alhainen | Korkea |
| Ihmisen rooli | Viimeistelyä | Valvonta ja vahvistus |
Kuinka seurantalgoritmit muuntavat pikselit käyttäytymismittareiksi
Videoseurannan taustalla oleva ohjelmisto ei ole taikuutta. Se käyttää sarjaa vaiheita, jotta kala löydettäisiin jokaisesta kuvasta ja näiden havaintojen avulla muodostettaisiin seuranta. Taustan poisto eliminoi kuvan staattiset osat. Kynnystys tai reunantunnistus erottaa kalat. Seurantalgoritmi, kuten keskipisteseuranta tai Kalman-suodatin, ennustaa, missä kala sijaitsee seuraavassa kuvassa, ja yhdistää sen havaintoon.
Useiden kalojen tapauksessa määritysalgoritmit, kuten unkarilainen menetelmä, auttavat pitämään identiteetit selvänä, kun kalat risteävät toistensa tiellä. Ulkonäköominaisuudet, kuten pyrstön muoto tai värimallit, voivat parantaa identiteetin säilymistä. Tuloksena on ajan myötä muodostuva koordinaattijoukko, joka muunnetaan aiemmin kuvattuihin käyttäytymismittareihin. Jokaisella vaiheella on parametrejä, jotka vaikuttavat tulokseen, ja nämä parametrit on dokumentoitava ja pidettävä yhtenäisinä kokeiden välillä.
Esimerkki kenttätestistä, jossa videoseuranta paljasti piilotetun vaikutuksen
Itä-Kiinassa sijaitsevan yliopiston neurofarmakologian ryhmä testasi yhdistettä anksiolyyttiseen vaikutukseen. Ensimmäisessä kierroksessa käytettiin manuaalista arviointia valo-tumma-laatikossa. Tulokset olivat epäjohdonmukaisia. Joissakin säiliöissä havaittiin selvä mieltymys tummaan puoleen, mutta toisissa ei. Havainnoijat eivät olleet yksimielisiä rajatapauksissa, ja vaikutuksen suuruus oli pieni.
Ryhmä siirtyi zebrafish-käyttäytymisanalyysijärjestelmään, jossa käytettiin videoseurantaa. Järjestelmä tallensi jokaista areenaa jatkuvasti ja laski automaattisesti aluepohjaisia mittareita. Tulokset osoittivat, että yhdiste vähensi tumman alueen suosiota, mutta se vähensi myös kokonaismatkustusta. Manuaalinen arviointi ei havainnut tätä toista vaikutusta, koska havainnoijat keskittyivät aluevalintaan. Videoseurannan tuottamat tiedot paljastivat molemmat vaikutukset. Ryhmä muokkasi analyysiä erottamaan nämä kaksi käyttäytymistä toisistaan. Yhdiste oli edelleen mielenkiintoinen, mutta sen tulkinta muuttui. Ilman videoseurantaa matkustusvaikutus saattaisi jäädä kokonaan huomaamatta.
Paikat, joissa videoseuranta on rajoitettu ja ihmisarviointi on edelleen tärkeää
Videoseuranta on työkalu, ei kokonaisratkaisu. Se voi hämäntyä heijastusten, kuplien ja likaantumisten takia. Se voi menettää kalan, jos kontrasti on huono tai jos kala koskettaa alueen reunaa. Se ei pysty arvioimaan, näyttääkö kala terveeltä tai aiheuttaako akvaarion ongelma käyttäytymiseen vaikutuksia. Nämä arviot edellyttävät edelleen ihmisen päätöstä.
On myös riski liiallisesta luottamuksesta lukuihin. Seurantajärjestelmä voi tuottaa suuren taulukon mittareita, mutta kaikki niistä eivät ole merkityksellisiä. Oikeiden mittareiden valinta ja niiden tulkinta yhteydessä vaativat kokemusta. Järjestelmä tarjoaa tiedot. Tutkija antaa niille merkityksen.
Hunter Lab (Hunter) valmistaa zebrafish-laboratoriolaitteita, joiden kuvantamisen vakaus on tärkeää videoseurannan toiminnalle. Valmistus- ja laadunvalvontapuoli tukee pitkäaikaisten käyttäytymistutkimusten vaatimaa yhdenmukaisuutta. Laboratorioille, jotka luottavat käyttäytymisanalyysiin videoseurantaan, tämäntyyppinen rakentamisen tarkkuus muodostaa perustan.