Neden Elle Gözlem Modern Davranış Çalışmalarını Takip Edemez
Elle gözlem, davranış araştırmalarında uzun bir geçmişe sahiptir ve hâlâ geçerliliğini korumaktadır. Eğitilmiş bir gözlemci, kameranın kaçırabileceği ince duruşları, sosyal etkileşimleri ve bağlamı fark edebilir. Ancak elle puanlama sınırlıdır. Bir kişi aynı anda yalnızca birkaç balığı izleyebilir ve puanlama gerçek zamanlı olarak ya da video oynatımından yapılır. Yorgunluk ortaya çıkar. İki gözlemci aynı davranışı farklı şekilde puanlayabilir. Saniyenin yalnızca bir kesri süren bir şok tepkisi gibi hızlı olaylar kolayca tamamen kaçırılabilir.
Modern zebra balığı davranış çalışmaları genellikle çoklu tanklar, çoklu konsantrasyonlar ve çoklu zaman noktalarını içerir. Veri hacmi, herhangi bir ekibin elle puanlayabileceği düzeyin çok üzerindedir. Video izleme temelli bir zebra balığı davranış analiz sistemi bu denklemi değiştirir. Aynı anda birçok arena kaydedebilir ve gözlemcinin her saniyeyi izlemesine gerek kalmadan hareket verilerini çıkarabilir. Bu, insan yargısına duyulan ihtiyacın ortadan kalkmasına neden olmaz; ancak insanın rolünü puanlama işinden denetim görevine dönüştürür.
Video izleme, diğer yöntemlerin kaçırdığı şeyi aslında neyi yakalar
Video izleme, bir balığın hareket edip etmediğini ölçmekle kalmaz; aynı zamanda nasıl, ne zaman ve nerede hareket ettiğini de ölçer. Bir izleme işlem hattı, toplam mesafe, ortalama hız, tepe hızı, dönüş açısı, ivme ve tanımlı bölgelerde geçirilen süreyi hesaplayabilir. Donma durumunu tespit edebilir; bu, genellikle korku veya stres belirtisi olan hareketsizlik dönemidir. Ayrıca bir uyarandan sonra yeni bir alana giriş gecikmesini ölçebilir.
Bu metrikler önemlidir çünkü farklı davranışlar ilk bakışta benzer görünebilir. Dar çemberler çizerek yüzen bir balık ile düz bir çizgi boyunca yüzen bir balık aynı mesafeyi kat edebilir, ancak temeldeki davranış farklıdır. Bir akvaryumun dibinde kalan bir balık kaygılı olabilir, soğuk hissedebilir ya da sadece o bölgeyi tercih ediyor olabilir. Video izleme, araştırmacının bu yorumları test etmesine olanak tanıyan ham veriyi sağlar.
-
Toplam hareket edilen mesafe ve ortalama hız.
-
Patlamalardaki tepe hızı ve ivme.
-
Bölgelerde geçirilen süre, örneğin üst bölüm ile alt bölüm.
-
Donma süresi ve sıklığı.
-
Bir ışık veya ses uyarana yanıt verme gecikmesi.
Çerçeve hızı ve çözünürlüğün davranışsal veri kalitesindeki rolü
Video izleme, analiz ettiği video kadar iyidir. Kare hızı, bir hızlı olayın ne kadarının yakalandığını belirler. Saniyenin yalnızca bir kesri süren bir irkilme tepkisi, düşük bir kare hızında tek bir kareye indirgenebilir; bu da gecikme veya büyüklüğün doğru şekilde ölçülmesini imkânsız hale getirir. Daha yüksek bir kare hızı daha fazla ayrıntı yakalar ancak aynı zamanda daha büyük dosyalar üretir ve daha fazla işlem gücü gerektirir.
Çözünürlük, farklı bir nedenden dolayı önemlidir. Zebra balığı larvası küçüktür ve konumu çok hassas bir şekilde izlenmelidir. Çözünürlük çok düşükse izleme algoritması balığı bir yansıma ya da bir parça enkazla karıştırabilir. Çözünürlük çok yüksekse dosyalar büyür ve analiz yavaşlar. Doğru denge, alanın boyutuna, balıkların yaşına ve incelenen davranışa bağlıdır.
| En-boy | Elle gözlem | Video izleme sistemi |
|---|---|---|
| Veri hacmi | Gözlemci süresiyle sınırlı | Yüksek, sürekli |
| Hızlı olaylar | Kolayca kaçırılabilir | Kare hızı yeterliyse yakalanır |
| Yinelenbilirlik | Gözlemciye bağlı | Algoritmaya bağlı ancak tutarlı |
| Çoklu arena verimliliği | Düşük | Yüksek |
| İnsan rolü | Çentiklemeye | Denetim ve doğrulama |
Takip algoritmalarının pikselleri davranışsal ölçütlerine nasıl dönüştürdüğü
Video takibi için kullanılan yazılım bir sihir değildir. Balığı her karede bulmak ve bu tespitleri bir iz olarak birleştirmek için bir dizi adımı uygular. Arka plan çıkarma işlemi, görüntünün sabit kısımlarını kaldırır. Eşikleme veya kenar algılama işlemi balığı izole eder. Merkez noktası takibi veya Kalman süzgeci gibi bir takip algoritması, balığın bir sonraki karede nerede olacağını tahmin eder ve bunu bir tespitle eşleştirir.
Birden fazla balık için Macar yöntemi gibi atama algoritmaları, balıklar yollarını kestiğinde kimlikleri doğru tutmaya yardımcı olur. Kuyruk şekli veya renk deseni gibi görünüş özellikleri, kimlik sürekliliğini artırabilir. Çıktı, zaman içinde bir koordinat kümesidir; bu koordinatlar daha önce açıklanan davranışsal ölçütlerine dönüştürülür. Her adım, sonucu etkileyen parametrelere sahiptir ve bu parametreler belgelenmeli ve deneyler boyunca tutarlı kalmalıdır.
Gizli bir etkiyi video izleme ile tespit eden bir alan örneği
Doğu Çin'de bir üniversitede nörofarmakoloji grubu, anksiyolitik aktivite için bir bileşik test ediyordu. İlk tur, ışık ve karanlık kutu için manuel puanlama kullandı. Sonuçlar tutarsızdı. Bazı tanklarda karanlık tarafa açık bir tercih gözlemlendi, bazılarında ise böyle bir tercih yoktu. Gözlemciler sınır durumlar konusunda anlaşamadı ve etki büyüklüğü küçüktü.
Grup, video izleme ile çalışan bir zebra balığı davranış analizi sistemine geçti. Sistem, her bir alana ait görüntüleri sürekli olarak kaydetti ve bölgeye dayalı ölçümleri otomatik olarak hesapladı. Veriler, bileşiğin karanlık tercihini azalttığını gösterdi; ancak aynı zamanda genel hareketliliği de azalttığını ortaya koydu. Elle yapılan değerlendirmede bu ikinci etki gözden kaçmıştı çünkü gözlemciler sadece bölge seçimine odaklanmıştı. İzleme verileri ise her iki etkiyi de görünür kıldı. Grup, bu iki davranışı ayırmak amacıyla analizini revize etti. Bileşik hâlâ ilgi çekiciydi; ancak yorumu değişmişti. Video izleme olmasaydı, hareketlilik etkisi tamamen fark edilmeyebilirdi.
Video izleme sınırlarına ulaştığında ve insan yargısı hâlâ önemli olduğunda
Video izleme, bir tam çözüm değil, bir araçtır. Yansımalar, kabarcıklar ve çöpler tarafından yanıltılabilir. Kontrast düşükse veya balık alanın kenarına dokunursa balığı kaybedebilir. Bir balığın sağlıklı göründüğünü ya da davranışları etkileyen bir tank sorunu olup olmadığını belirleyemez. Bu tür değerlendirmeler hâlâ bir kişinin yapması gerekir.
Sayılara aşırı güvenme riski de vardır. Bir izleme sistemi büyük bir ölçü tablosu üretebilir; ancak bunların hepsi anlamlı değildir. Doğru ölçümleri seçmek ve bağlam içinde yorumlamak, deneyimle kazanılan bir beceridir. Sistem verileri sağlar. Araştırmacı anlamı sağlar.
Hunter Lab (Hunter), video takibi üzerine kurulu davranış analizleri için görüntüleme kararlılığına dikkat ederek zebra balığı laboratuvar ekipmanları üretir. Üretim ve kalite kontrol süreçleri, uzun vadeli davranış çalışmaları için gerekli tutarlılığı destekler. Video takibiyle davranış analizi yapan laboratuvarlar için bu tür üretim disiplini temelin bir parçasıdır.