Kāpēc manuālā novērošana nevar panākt mūsdienu uzvedības pētījumus
Manuālā novērošana ilgu laiku ir bijusi uzvedības pētījumu daļa, un tai joprojām ir vieta. Apmācīts novērotājs var ievērot sīkus stāvokļus, sociālos kontaktus un kontekstu, ko kamera varētu izlaist. Tomēr manuālai vērtēšanai ir robežas. Cilvēks vienlaikus var novērot tikai dažas zivis, un vērtēšana notiek reāllaikā vai no video atskaņošanas. Rodas nogurums. Divi novērotāji var vienu un to pašu uzvedību vērtēt atšķirīgi. Ātri notiekoši notikumi, piemēram, uztraukuma reakcija, kas ilgst tikai daļu no sekundes, viegli paliek nepamanīti.
Mūsdienu zebrafish uzvedības pētījumi bieži ietver vairākas akvāriju tvertnes, vairākas vielu koncentrācijas un vairākus laika punktus. Datu apjoms pārsniedz to, ko jebkura komanda var manuāli novērtēt. Zebrafish uzvedības analīzes sistēma, kas balstās uz video sekotspēju, maina šo vienādojumu. Tā var reģistrēt vairākas arenas vienlaicīgi un izvilkt kustības datus bez novērotāja, kurš katru sekundi būtu jāuzrauga. Tas nenovērš cilvēka lēmumu pieņemšanas nepieciešamību, bet pārvieto cilvēka lomu no novērtēšanas uz uzraudzību.
Ko video sekotspēja patiesībā fiksē, bet citi metodi nevar
Video sekotspēja ne tikai mēra, vai zivs ir kustējusies. Tā mēra arī to, kā, kad un kur. Sekošanas procesa caurule var aprēķināt kopējo attālumu, vidējo ātrumu, maksimālo ātrumu, pagrieziena leņķi, paātrinājumu un laiku, ko pavadīts noteiktās zonās. Tā var noteikt stāvēšanu (freezing), kas ir nekustības periods, kurš bieži norāda uz bailes vai stresu. Tā var mērīt latenci, kad zivs ieejot jaunā zonā pēc stimula.
Šie rādītāji ir svarīgi, jo dažādas uzvedības var izskatīties līdzīgas uz pirmo acu uzmetienu. Zivs, kas peld ciešos riņķos, un zivs, kas peld taisnā līnijā, var veikt vienādu attālumu, taču pamatuzvedība ir atšķirīga. Zivs, kas paliek tuvu akvārija dibenam, var justies nomākta, vai arī tai var būt auksti, vai vienkārši patikt šajā zonā. Video novērošana nodrošina neapstrādātos datus, kas ļauj pētniekam pārbaudīt šīs interpretācijas.
-
Kopējais veiktais attālums un vidējā ātruma vērtība.
-
Maksimālā ātruma un paātrinājuma vērtības spraugu laikā.
-
Pavada laiks zonās, piemēram, augšējā pret apakšējo.
-
Apmierinātības (freezing) ilgums un biežums.
-
Reakcijas latence uz gaismas vai skaņas stimuli.
Kadrus sekundē un izšķirtspējas loma uzvedības datu kvalitātē
Video novērošana ir tikpat laba, cik videoklipi, kurus tā analizē. Kadru frekvence nosaka, cik daudz ātra notikuma tiek uzņemts. Pārsteiguma reakcija, kas ilgst tikai daļu no sekundes, zemā kadru frekvencē var tikt samazināta līdz vienam kadram, kas padara neiespējamu precīzi izmērīt reakcijas latenci vai lielumu. Augstāka kadru frekvence uzņem vairāk detaļu, taču tajā pašā laikā rada lielākus failus un prasa vairāk apstrādes jaudas.
Izšķirtspēja ir svarīga citu iemeslu dēļ. Zebrafish lārva ir maza, un tās atrašanās vieta jānovēro ļoti precīzi. Ja izšķirtspēja ir pārāk zema, novērošanas algoritms var sajaukt zivti ar atspulgu vai netīrumu gabaliņu. Ja izšķirtspēja ir ļoti augsta, faili kļūst lieli un analīze palēninās. Optimālais līdzsvars ir atkarīgs no eksperimenta laukuma izmēra, zivju vecuma un pētāmās uzvedības veida.
| Aspekts | Manuāla novērošana | Video novērošanas sistēma |
|---|---|---|
| Datu apjoms | Ierobežota novērotāja laikā | Augsta, nepārtraukta |
| Ātri notikumi | Viegli palaidīt garām | Uzņemts, ja kadru frekvence ir pietiekama |
| Atkārtotība | Atkarīgs no novērotāja | Atkarīgs no algoritma, bet konsekvents |
| Daudzu arenu caurlaide | Zems | Augsts |
| Cilvēka loma | Scoring | Uzraudzība un validācija |
Kā sekotnes algoritmi pārvērš pikseļus uzvedības metrikās
Video sekotnes programmatūra nav burvju māksla. Tā izmanto secību no soļiem, lai katrā kadros atrastu zivis un savienotu šos atklājumus vienā sekotnē. Fona atņemšana no attēla noņem statiskās daļas. Sliekšņa noteikšana vai malu noteikšana izolē zivis. Sekošanas algoritms, piemēram, centrālā punkta sekotne vai Kalmana filtra algoritms, prognozē, kur zivis būs nākamajā kadros, un to piesaista pie atklājuma.
Vairāku zivju gadījumā piešķiršanas algoritmi, piemēram, Ungāru metode, palīdz saglabāt identitātes, kad zivis krustojas. Izskata pazīmes, piemēram, astes forma vai krāsu raksts, var uzlabot identitātes saglabāšanu. Rezultāts ir koordinātu kopums laika gaitā, kuru pēc tam pārveido iepriekš aprakstītajās uzvedības metrikās. Katram solim ir parametri, kas ietekmē rezultātu, un šos parametrus jādokumentē un jāsaglabā vienādi visos eksperimentos.
Lauka piemērs, kurā video novērošana atklāja slēptu efektu
Neirofarmakoloģijas grupa austrumu Ķīnas universitātē pārbaudīja savienojuma anksiolītisko aktivitāti. Pirmajā posmā izmantoja manuālu novērtējumu ar gaišo un tumšo kastīti. Rezultāti bija neatbilstoši. Dažas tvertnes skaidri izvēlējās tumšo pusi, citas — nē. Novērotāji nesaskanīgi vērtēja robežgadījumus, un efekta lielums bija mazs.
Grupa pārslējās uz zebrafish uzvedības analīzes sistēmu ar video novērošanu. Sistēma nepārtraukti ierakstīja katru arenu un automātiski aprēķināja zonās balstītos rādītājus. Datu rezultāti parādīja, ka savienojums samazināja tumšuma preferenci, bet vienlaikus arī samazināja vispārējo kustību. Manuālā vērtēšana šo otrās ietekmes nebija atklājusi, jo novērotāji koncentrējās uz zonu izvēli. Video novērošanas dati padarīja redzamas abas ietekmes. Grupa pielāgoja analīzi, lai atdalītu abas uzvedības. Savienojums joprojām bija interesants, taču tā interpretācija mainījās. Bez video novērošanas kustības ietekme varētu būt pilnībā palikusi nepamanīta.
Tur, kur video novērošanai ir robežas un cilvēka spriedums joprojām ir svarīgs
Video uzraudzība ir rīks, nevis pilnīga risinājuma. To var apmānīt atspulgi, burbuļi un netīrumi. Tā var zaudēt zivs redzamību, ja kontrasts ir vājš vai ja zivs pieskaras dobuma malai. Tā nevar noteikt, vai zivs izskatās vesela vai vai akvārijs ir problēmu, kas ietekmē uzvedību. Šādus spriedumus joprojām veic cilvēks.
Ir arī risks pārlieku uzticēties skaitļiem. Uzraudzības sistēma var radīt lielu metriku tabulu, taču ne visas no tām ir nozīmīgas. Pareizo metriku izvēle un to interpretācija kontekstā ir prasme, kas attīstās ar pieredzi. Sistēma nodrošina datus. Pētnieks piešķir tiem nozīmi.
Hunter Lab (Hunter) ražo zebrafish laboratorijas aprīkojumu, īpaši veltot uzmanību attēlu stabilizācijai, kas ir būtiska video sekotspējas funkcionalitātei. Ražošanas un kvalitātes kontroles aspekts nodrošina vienmērīgumu, kas nepieciešams ilgstošiem uzvedības pētījumiem. Laboratorijām, kurās uzvedības analīzei izmanto video sekotspēju, šāda veidošanas disciplīna ir viena no pamata sastāvdaļām.