CN102016745B - 用于行为监测及校正的系统和方法 - Google Patents

Abstract

提供了用于分析在定义的区域内的动物对象的各种行为的系统和方法，包括用于过滤和分析高分辨率行为数据的工具。这些系统和方法提供了以先前未被实现的精度及量化水平来检查行为模式的机会。提供了管理和分析由行为监测系统产生的非常大且唯一的数据集的方法和系统，其包括质量评估和控制、存档、数据查询、数据简化、分析过程及可视化技术。自发性行为的这种细节分析提供了对行为的神经组织的基本理解并且能够实现以高敏感度对基因、药理学和环境对脑功能的影响的检测。

Description

用于行为监测及校正的系统和方法

相关申请的交叉应用

本申请主张2008年1月23日申请的USSN61/062,173的权益及优先权，其通过引用的方式被整体并入此处用于所有的目的。

背景技术

为了生存及繁殖，活动在它们的自然环境内的动物必须从事各种行为诸如获取食物、逃避捕食者、及寻找栖身之处或者性伙伴。因为环境的限制决定进行特定行为的最适当的时间和地点并且因为许多行为不能被同时进行，故对动物而言，适当地按优先顺位排列并组织何时及何处从事特殊的行为是必需的。因此，自由活动的动物的行为的组织代表了对环境的适应。该组织取决于中枢神经系统的综合活动并且反映生理和行为系统(诸如那些调节能量平衡、热状态、渗透/容量状态、睡眠、繁殖、防御、及环境卷吸(environmentalentrainment))的各种不同阵列的功能和交互。因此监测并鉴别(characterize)自由活动的动物中的行为的组织的能力具有为检查许多生理和行为系统的功能及交互提供敏感分析(sensitiveassay)的潜能。

当前，实质的限制在于我们将最近的生物技术进步应用到分析复杂哺乳动物行为的神经基质(neuralsubstrate)的能力。与在哺乳动物基因组学的领域内可见的快速的创新步伐相比，在医药化学及信息技术领域，就小鼠或其它哺乳动物而言，在行为评估技术的发展方面做出了比较小的进步。这样的过程对探索基因、药物及环境对与诸如精神分裂、抑郁、及焦虑等常见的神经精神状况相关的脑功能的影响至关重要。例如涉及为了一组行为测试将小鼠从它们的家笼反复的移动(removal)的标准方案是有问题的，因为：1)它们费时且劳动密集，2)测试管理的顺序可能扭曲结果数据，3)小鼠从家笼的移动产生了混淆行为数据的解释的压力，及4)由于没考虑到并非研究的主要焦点的行为范围而引起的频繁地错误解释数据(例如：焦虑对学习的测试的影响)。

发明内容

提供了用于持续地监测在定义的区域内的动物对象的各种行为的系统和方法，包括用于对高分辨率行为数据的分析及过滤的工具。这些系统和方法提供了以先前未能实现的量化及精度水平来检查行为模式的机会。提供了用于管理和分析由行为监测系统所产生的非常大并且唯一的数据集的方法和系统，包括质量评估和控制、存档、数据查询、数据简化(datareduction)、分析过程及可视化技术。这种对自主行为的详细分析提供了对行为的神经组织的基本理解并且能够以高灵敏度检测基因、药理学及环境对脑功能的影响。

本发明的一个方面涉及质量评估和过滤行为数据的方法。在某些实施方式中，该方法涉及检测位置跟踪信息和关于与一个或多个设备交互的信息之间的不一致，和/或检测关于与多个设备的交互的信息中的不一致。例如，在某些实施方式中，行为数据集被接收，该行为数据集包括使用测量系统在测量期间上所收集的动物行为数据，包括关于在定义的测量区域内的动物对象的空间位置的事件信息、关于在定义的区域内在已知地点的多个设备处的动物对象或带有在定义的区域内在已知地点的多个设备的动物对象的行为的设备事件信息、以及与所述位置和设备事件信息相关联的时间信息(temporalinformation)。该方法涉及分析所述行为数据以检测1)与设备事件信息不一致的位置信息，其中所述检测基于该设备的已知地点，和/或2)与用于任何其它设备的设备事件信息不一致的用于一个或多个设备的设备事件信息，其中所述检测基于与该设备事件相关联的时间信息；以及基于至少一些所检测出的不一致来更新所述数据。

在特定的实施方式中，过滤所述行为数据集可以包括接收所收集的行为数据；识别错误的设备事件开始并移除相关联的设备事件信息；通过基于已知的该设备的地点将在至少一些设备事件期间的位置信息与期望的动物的位置相比较来计算对所述位置信息的校正；基于所述计算的校正来更新位置信息；并且识别并移除由测量系统检测设备事件的终止的失败引起的数据。

本发明的另一方面涉及组织或将动物行为分类到多个状态，例如，活动的状态及不活动的状态。根据某些实施方式，提供了自动化的方法，该方法涉及使用从行为监测系统所接收的空间(例如，位置跟踪)和时间信息来识别动物对象的活动状态与不活动状态之间的过渡。还提供了分析使用测量系统所收集的动物行为数据的方法，所述行为数据包括关于定义的测量区域内的动物的位置的空间和时间信息，该方法涉及通过确定在一段时间期间动物对象运动之间的最长的持续时间的地点，使用该空间信息来识别活动和不活动状态之间的过渡。

本发明的另一方面涉及行为发作分类。在某些实施方式中，提供了分析使用测量系统在测量期间所收集的一组动物对象行为数据的自动化的方法。该自动化的方法包括接收测量周期期间在定义的区域内的动物对象的位置跟踪信息以及接收在所述测量周期期间关于一个或多个行为的时间模式的信息；以及使用该位置跟踪信息和时间信息来识别一个或多个行为的发作。

在某些实施方式中，提供了分析使用测量系统在测量期间所收集的一组动物对象行为数据的方法，该方法包括接收关于在测量周期期间动物对象的空间位置的空间信息及关于在测量周期期间一个或多个行为的时间模式的信息；使用该空间信息和该时间信息来识别一个或多个行为的发作，其中该空间信息包括关于在事件和事件之间的间隔期间动物对象的空间位置的信息，其中事件之间的间隔是在设备处连续的设备事件之间的间隔。

本发明的另一方面涉及比较两组动物行为数据(例如，控制和测试组)。在某些实施方式中，该方法包括使所结合的用于两组的数据聚类并且确定最有助于该两组的差别的簇。在特定的实施方式中，该方法包括接收具有与一组测试动物对象相关联的行为数据的测试数据集；接收具有与一组控制动物对象相关联的行为数据的控制数据集；将来自测试和控制数据集的行为数据结合；将所结合的数据集聚类成被选择的多个簇；基于控制和测试数据集合中的行为数据是相同的假设来为每一个簇计算卡方(chi-square)统计；求所有簇的卡方统计的和以获得测试组数据和控制组数据之间的差别的测量；通过交换测试和控制组之间的用于动物对象的数据来获得对差别的非偶然的测量；以及如果该差别是统计学上地非偶然的，则确定最有助于该差别的簇。

根据不同的实施方式，可以被比较的行为的模式包括运动的模式、喂食的模式、饮用的模式、药物摄入的模式、其它摄食行为的模式、睡眠的模式、与测试对象接触的模式、及对另一动物或其它感觉刺激物的响应的模式。生理测量(例如指示行为测量或响应)也可以被比较，包括心率、代谢率、血压和身体温度。

同样提供了计算机程序产品，该计算机程序产品包括机器可读介质，在该介质上存储了用于实施以上所描述的方法中的至少一些部分的程序指令。在此所描述的该方法的中的任何一个可以被全部或部分地表示为可以被提供在这样的计算机可读介质上的程序指令。还提供了如在此所描述的被使用和/或生成的数据结构和数据的各种组合。

参考相关的附图以下将更详细描述这些及其它特征及优点。

附图说明

图1是根据本发明的不同实施方式的流程图，其显示了在过滤从行为监测系统所收集的运动和设备事件数据的方法中所采用的某些操作。

图2是示意了24小时小鼠行为记录的屏幕快照，其中位置以绿色指示，喂食事件地点橙色显示，而饮用事件地点以蓝色显示。

图3是根据本发明的不同实施方式的流程图，其显示了在检测错误设备事件(事件开始误差)的方法中所采用的某些操作。

图4是流程图，其显示了确定位置测量中总的漂移的方法中的某些操作。在某些实施方式中，全部的位置漂移被用于监测错误设备事件。

图5A是示意了图标的屏幕快照，总的位置漂移而在24小时监测时期上的舔食测试器事件漂移(蓝色)和光子束事件漂移(红色)之间的差别被标绘其上。X和Y轴漂移被分别标绘。

图5B是示意了小鼠行为记录的屏幕快照，其中舔食测试器路径被以红色指示、喂食事件地点以橙色指示、及饮用事件地点以蓝色指示。潜在的错误饮用事件被标志以便用户回顾。

图6是是根据本发明的不同实施方式的流程图，其显示了在使用设备的已知地点来校正移动/位置数据的方法中所采用的某些操作。

图7是根据本发明的不同实施方式的流程图，其显示了检测设备事件终止失败的方法中采用的某些操作。

图8是示意了小鼠行为记录的屏幕快照，其示出在喂食器附近喂食事件的簇(绿色方框)以及在舔食测试器附近饮用事件的簇(蓝色圆圈)。在相对角落的两个方框表示在两个喂食事件期间所确定的动物距离喂食器的最大距离。红色指示它们落在了有效喂食事件标准的外面。

图9显示了示意了小鼠行为记录的屏幕快照，其中位置被以红色指示、喂食事件地点以橙色指示、及饮用事件地点以蓝色指示。位置严重扭曲朝向测量区域的一个端部，指示位置检测器(负载束)失灵。

图10是根据本发明的不同实施方式的流程图，其显示了检测位置检测器失灵的方法中采用的某些操作。

图11和图12是根据本发明的不同实施方式的流程图，其显示了根据从行为监测系统所收集的运动和设备事件数据分类动物对象(一个或多个)的活动和非活动状态的方法中所采用的某些操作。

图13显示了以下例子：1)在设备处距离最长的停留的距离相对停留持续时间的标绘1301，2)3线曲线拟合(1303)以确定非活动状态停留阈值，以及3)按照使用非活动状态停留阈值所确定的非活动状态位置的图表示意(1305)。

图14是根据本发明的不同实施方式的流程图，其显示了计算状态分类误差以优化时间窗口/运动阈值的方法中所采用的某些操作。

图15是根据本发明的不同实施方式的流程图，其显示了计算根据从行为监测系统所收集的运动和设备事件数据分类动物行为发作的方法中所采用的某些操作。

图16显示了示意了数据质量控制的用户接口的屏幕快照。仪表盘A显示了具有试验循环、小鼠和数据选择框的屏幕。对于该特定的所选择的小鼠-天，列出了两个被标志误差事件。左边的仪表盘B显示了补充的标绘选择器，其实现了对数据的多个特征的浏览。漂移差别选项被选择且相应的标绘被显示在右边。仪表盘C和D显示了主屏幕的两个例子，每一个包含事件标绘(底部)、显示动物位置的震动标绘(右上方)、以及质量控制按钮的布局、导航按钮和运动位置校正及完成按钮。在C中，两个舔事件(L)和一个运动事件(A)被标志，如通过事件QC栏中的指示所指明的。在仪表盘D中，舔事件已经被排除(通过“Le”栏中的“3”所指示的)，导致对运动事件标志和笼边界违反的排除。

图17显示了示意被标志的失败检测误差的例子的阶段2QCGUI的屏幕快照。图中的仪表盘A显示了事件标绘中没有舔事件，除了在该天的最晚期的一个，而仪表盘B显示了小鼠那天所消耗的水的数量(在方框内被强调的值)类似于正常的日常摄入，对于该或其它小鼠(apx.4g)强烈建议检测舔事件失败。

图18是根据本发明的不同实施方式的流程图，其显示了比较测试和控制组的行为模式的方法中所采用的某些操作。

图19是根据本发明的不同实施方式的流程图，其显示了选择要在比较聚类中使用的簇的最优数量的方法中所采用的某些操作。

图20A和20B是示意性表示的计算机系统，其可以通过在此所描述的方法和装置来使用。

图21显示了在一天期间野生类型(WT)小鼠位置概率密度。使用具有标准内核功能的内核密度估计器来计算位置概率密度，1cm的带宽，并且通过在每个位置花费的时间加权单个天期间小鼠的所有位置。对于小鼠和天，最大位置概率的峰为距离巢的被观察的地点的中心0.8cm，该巢在x＝-13cm且y＝34cm处、笼的左后方。另外，较小的峰出现在笼的左前方对应于在x＝-12.5cm且y＝-2.6cm处的喂食器的地点，并且在对应于在x＝0cm且y＝0cm处的舔喷嘴的地点的笼的右前方中。

图21B显示了对于如图21A中的相同的野生类型小鼠和天，位置的变化以及摄入和运动事件的发生。昼夜时间被以暗周期的开始和偏移显示在x轴，该暗周期由在12和24的虚线表示。小鼠的位置被按照距离舔喷嘴的顶的距离显示在y轴，该舔喷嘴的顶的xy坐标被设置成x＝0及y＝0。黑色的线指示发生在非活动状态器件的位置而绿色的线指示发生在活动状态期间的位置。在标绘的底部，喂食事件被显示为橙色的光栅而饮用事件被显示为蓝色的光栅。

图21C显示了对于如图21A和21C中的相同的野生类型小鼠非活动状态停留阈值的指示。所有天的位置持续时间被显示在对数x轴而相应的在六个小时窗口中距离最长位置持续时间的距离被显示在y轴。对于该小鼠非活动状态位置的持续时间阈值为9.3分钟，指明在该处距离最长位置持续时间的距离的快速增加的持续时间被观察到。非活动状态位置被以黑色显示而活动状态位置被以绿色显示。

图21D显示了对于相同的野生类型小鼠和天，非活动状态位置和摄入事件的地点。使用在所观察的巢的周围的位置持续时间阈值的簇来分类非活动状态位置，该巢被显示为小黑框。对于该小鼠和天，非活动状态位置的中心为距离该巢的被观察的地点的中心0.3cm。黑色的虚线对应于笼的地板而实线对应于笼的顶。喂食器被表示为在笼的左前方的小框，而水瓶被通过在笼的右前方的圆表示。喂食事件期间小鼠的位置被以橙色显示并且饮用事件期间被以蓝色显示。

图22A涉及在设备处归类。在WT小鼠在所有天IEI发生在光周期期间期间最大限度地离开喂食器时，二元正态分布的混合被拟合到它的位置。在左手边的仪表盘中，指定给最后拟合中的九二元正态分布的所有的位置被以不同的颜色和标志显示。在中间的仪表盘中，仅二元正态分布的中心被用分类为发生在设备处的二元正态分布以橙色显示，而以绿色显示所有其它的二元正态分布。在右手边的仪表盘，被分类为发生在喂食器处的尽可能最大地距离IEI的位置被以橙色显示而所有其他位置被以绿色显示，指明发生在IEI期间的行动离开喂食器。右手边的仪表盘同样显示斜坡的地点，该斜坡提供对喂食器的访问如凸出进入到笼中的黑色矩形。

图22B显示了IEI持续时间分类的结果。对于相同的小鼠，二元正态的混合被拟合到发生在所有天数的光周期期间的对数转换的IEI持续时间。直方图显示了给定持续时间的IEI的数量地均方根。蓝色线显示了预测的各个单正态分布而红色线显示了预测的到来自各个单正态分布的和的数据的拟合。虚线指明短对于发生在光周期期间的喂食，16秒的该小鼠IEI持续时间阈值。

图22C显示了IEI分类的结果。作为WBI(在发作内的间隔)或IBI(在发作之间的间隔)，该小鼠的所有光周期IEI的分类确定自IEI最大距离位置发生在设备处及IEI持续时间为短的概率的均值。对于每个IEI，对数转换的持续时间被显示在x轴而从喂食器的距离被显示在y轴。在发作内部IEI是橙色。发作之间，如果小鼠逗留在喂食器但是持续时间超过短IEI阈值，间隔是红色，如果小鼠从事于行动则为绿色，以及如果小鼠从事于行动及饮用，则为蓝色。

图23A显示了单一光周期活动状态。左手边仪表盘显示了小鼠距离添喷嘴顶的距离相对昼夜时间。绿色的点指明发生在行动发作期间的位置而红色的点指明在喂食和饮用发作期间或者其它行为发作期间移动到的位置。红色线显示了在给定为之所花费的时间。在标绘的底部，垂直的橙色的线示意了喂食事件的开始和持续时间，以及垂直的蓝色的线示意了饮用事件的开始和持续时间。(在所示意的持续时间，大多数事件没有被解析为单个线而似乎在一起)。在示意喂食与饮用事件的线的上面，窄的橙色或蓝色的线指明喂食及饮用发作的开始与偏移。

图23B显示了在如图23A示意的活动状态期间被小鼠占据的位置的持续时间和地点。

图23C显示了图23A和TDE中示意的活动状态期间笼内所采取的路径。绿色的标志再次指示发生在行动发作期间的位置而红色标志指示发生在喂食、饮用、及其它行为发作期间的位置。

图24A-C显示了WT小鼠和OB小鼠的日常数量，密度，以及时间预算。图24A显示了日常摄入和运动的平均。对于每一个组，框标绘的边沿显示第75和第25个百分率的值，而在框内的线指示中线(median)。每个小鼠的数据别显示为点。OB小鼠表现出运动的显著降低(p＝4.3x10-8：WT471±37m，OB78±5m)而食物(p＝0.047：WT3.9±0.1g，OB4.16±0.08g)或水摄入(p＝0.2：WT3.3±0.1gOB3.6±0.1g)没有显著变化。

图24B显示了喂食、饮用、及行动的平均日常发作密度。OB小鼠表现出行动发作的密度的显著降低(p＝7.9x10-11：WT13.3±0.4cm/s，OB5.0±0.2cm/s)而喂食(p＝0.6：WT0.78±0.03mg/s，OB0.76±0.03mg/s)或饮用(p＝0.03：WT7.4±0.3mg/s，OB6.4±0.3mg/s)发作的密度没有显著变化。

图24C显示了平均时间预算。对于每一个组饼图显示了在IS(黑色)和喂食(橙色)、饮用(蓝色)、行动(绿色)、及其它行为(红色)之间的时间的分布。OB小鼠显示出在IS(p＝2.3x10-10：WT66.8±0.9％，OB83.5±0.5％)花费的时间的百分比的显著增加以及在行动(p＝2.4x10-5：WT3.7±0.3％，OB1.8±0.1％)发作及其它行为(p＝3.7x10-11：WT22.4±0.7％，OB7.4±0.4％)所花费的时间的百分比的显著降低。花费在喂食(p＝0.6：WT6.4±0.4％，OB6.7±0.2％)和饮用(p＝0.08：WT0.63±0.03％，OB0.71±0.03％)发作的时间的百分比没有显著降低。Bonferroni校正被用于评价数量和密度(3个测试：食品、水、运动)和时间预算(5个测试：非活动状态、喂食、饮用、行动、以及其它发作)的显著性方面的多个测试。

图25A-C显示了WT和2C小鼠的日常数量、密度、及时间预算。图25A显示了平均日常摄入和运动。2C小鼠表现出运动(p＝0.01：WT515±50m，2C712±57m)及食物摄入(p＝0.007：WT4.4±0.1g，2C4.81±0.09g)的显著增加而无日常水摄入(p＝0.8：WT3.6±0.1g2C3.6±0.1g)的显著变化。

图25B显示了喂食、饮用、及行动的平均日常发作密度。2C小鼠表现出行动(p＝0.006：WT12.5±0.4cm/s，2C13.9±0.3cm/s)及喂食发作(p＝0.01：WT0.98±0.07mg/s，2C1.22±0.04mg/s)的密度的显著增加，而没有饮用用发作(p＝0.8：WT7.6±0.3mg/s，2C7.7±0.4mg/s)的密度的显著变化。

图25C显示了平均时间预算。2C鼠表现出花费在IS(p＝4.8x10-5：WT66±1％，2C57±2％)时间的时间的百分比地显著降低以及花费在其它行为(p＝9.2x10-7：WT22.8±0.7％，2C32±1％)的发作的时间的显著增加。花费在喂食(p＝0.02：WT6.4±0.5％，2C5.0±0.2％)、饮用(p＝0.7：WT0.61±0.02％，2C0.64±0.04％)、或行动发作上(p＝0.04：WT4.4±0.3％，2C5.5±0.4％)的时间的百分比没有显著变化。

图26A显示对于WT、OB、及2C小鼠一天内距离舔喷嘴的距离。森林绿色的线指示AS位置而黑色的线指示IS位置。在每一个标绘的底部，喂食(橙色)和饮用(蓝色)事件被显示。图26B显示对于喂食(橙色)、饮用(蓝色)、及行动(霓虹绿)事件，相同的三只小鼠的八天数据。AS开始和偏移被通过事件上的开口条(森林绿)来指示。图26C以绿色点的形式显示相同天及小鼠的所有AS开始和持续时间。图26D以黑色点的形式显示相同天及小鼠的所有IS开始和持续时间。对于图26C和26D，开始的昼夜时间是在x轴上而对数持续时间是在y轴上。为了将每个小鼠的状态开始及持续时间的模式与它的组比较，在每个组中64个随机地选择的小鼠的所有状态开始及持续时间被显示为背景中灰色的点。

图27A-27D显示WT和OB小鼠的日常状态模式。使用2x11重复的测量ANOVA来测试基因型(G)的影响、时间(T)、及由于时间交互的基因型。在这个及随后的图的每一个标绘的右上手角落中，g指示基因型的显著影响，t指示天的时间的显著影响，而x指示随天的时间基因型的显著交互。对于这个及随后的图，如果由于时间交互的显著基因型出现，前件(post-hoc)t-测试被进行以比较每个时间仓的状态特性。如果显著的差别被检测到(p＜＝0.05)，星号被显示在每个仓的中心。随天的时间的变化对于WT(空心方框)和OB(填充圆)小鼠，被显示在2小时仓中。图27A显示AS概率(Gp＝1.7x10-10，Tp＝8.2x10-64，GxTp＝2.0x10-29)；图27B显示AS开始率(Gp＝2.5x10-6，Tp＝7.8x10-13，GxTp＝1.4x10-6)；图27C显示AS持续时间(Gp＝0.96，Tp＝5.7x10-25，GxTp＝2.8x10-8)而图27D显示IS持续时间(Gp＝5.7x10-8，Tp＝4.9x10-32，GxTp＝1.0x10-5)。

图27E显示了比较聚类标绘。比较聚类显示WT和OB小鼠之间的持续时间及AS数量的昼夜时间变化的显著差别(∑x²＝703，p＜1.6x10-4)。在较高的标绘(WT)和较低的标绘(OB)，每一个点指明AS的开始时间(x轴)和对数持续时间(y轴)。品红色的点指明与OB小鼠相比WT小鼠更有助于活动状态的地方的区。灰色的点指明由两个组做出贡献的活动状态的数量未显著不同的地方的区。具有显著差别的该区占有∑x²的91.2％，其指明这些区在AS模式中占有大部分差别。

图28A-28D显示了WT和2C小鼠的日常状态模式。对于WT(空心方框)和2C(填充圆)小鼠，随时间的天的变化被显示在2小时的仓中。图28D显示AS概率(Gp＝8.9x10-5，Tp＝7.0x10-148，GxTp＝1.2x10-9)；图28B显示AS开始率(Gp＝0.002，Tp＝1.4x10-52，GxTp＝4.4x10-13)；图28C显示AS持续时间(Gp＝0.5，Tp＝1.8x10-48，GxTp＝1.2x10-6)，and图28E显示IS持续时间(Gp＝5.0x10-8，Tp＝p＝9.6x10-81，GxTp＝6.7x10-15)。

图28E显示比较聚类标绘。比较聚类显示WT和2C小鼠之间AS数量与持续时间得昼夜时间变化的显著差别(∑x²＝233，p＝0.001)。青蓝色的点指示WT小鼠的2C小鼠显著地更有助于降低活动状态的区。具有显著差别的区占∑x²的48.3％。

图29A和29B显示了示出WT和OB小鼠的喂食和行动发作特性的标绘。随天的时间的变化被显示如下：(a1)食品摄入(Gp＝0.1，Tp＝5.7x10-38，GxTp＝3.4x10-8)；(a2)每小时的喂食发作(Gp＝8.3x10-7，Tp＝2.5x10-28，GxTp＝2.8x10-19)；每活动状态小时的喂食发作(Gp＝4.4x10-5，Tp＝8.8x10-5，GxTp＝0.2)；(a4)喂食发作大小(Gp＝1.4x10-5，Tp＝0.0004，GxTp＝0.2)；(b1)运动(Gp＝2.8x10-8，Tp＝6.3x10-47，GxTp＝1.6x10-36)；(b2)每小时的行动发作(Gp＝7.4x10-7，Tp＝1.4x10-44，GxTp＝1.0x10-32)；(b3)每活动状态小时的行动发作(Gp＝1.8x10-6，Tp＝1.7x10-18，GxTp＝3.3x10-13)，(b4)行动发作大小(Gp＝0.0167，Tp＝6.5x10-7，GxTp＝0.06)。

图30A和30B显示了示出WT和2C小鼠的喂食和行动发作特性的标绘。随天的时间的变化被显示如下：(a1)食品摄入(Gp＝0.01，Tp＝3.2x10-92，GxTp＝4.9x10-9)；(a2)每小时的喂食发作(Gp＝0.6，Tp＝6.1x10-46，GxTp＝0.001)；(a3)每活动状态小时的喂食发作(Gp＝0.3，Tp＝8.2x10-10，GxTp＝0.002)；(a4)喂食发作大小(Gp＝0.4，Tp＝2.0x10-54，GxTp＝0.02)；(b1)运动(Gp＝0.016，Tp＝6.8x10-105，GxTp＝3.8x10-5)；(b2)每小时的行动发作(Gp＝0.002，Tp＝9.2x10-106，GxTp＝1.3x10-8)；(b3)每活动状态小时的行动发作(Gp＝0.06，Tp＝4.2x10-59，GxTp＝2.9x10-5)；(b4)行动发作大小(Gp＝0.08，Tp＝4.2x10-18，GxTp＝0.006)。

图31A-31F显示了涉及WT和OB小鼠的活动状态结构内。对于WT(图31A)和OB(图31B)小鼠，在光周期期间，发生在50个随机被选择的AS起始和结束期间的喂食(橙色)，饮用，及行动事件的开始及偏移被以空心条显示。在y轴上的每一条线显示单个活动状态的数据。AS期间的时间被以分钟显示在x轴，其中0指示AS的开始。在图31C-31F中，对于WT(空心方框)和OB(填充圆)小鼠，由于AS的开始而随时间的发作概率的变化被显示在一分钟仓内：(图31C)喂食发作(Gp＝4.6x10-6，Tp＝3.3x10-65，GxTp＝6.2x10-42)；(图31D)行动发作(Gp＝0.2，Tp＝6.2x10-18，GxTp＝4.2x10-13)；(图31E)饮用发作(Gp＝0.6，Tp＝5.3x10-3，GxTp＝0.0002)；(图31F)其它发作(Gp＝9.9x10-6，Tp＝6.7x10-63，GxTp＝7.9x10-34).Bonferroni校正被用于评价发作概率的显著性方面的多个测试(4个测试：喂食，饮用，行动，及其它)。

图32A-32F显示了涉及WT和2C小鼠的活动状态结构内。对于WT(图32A)和2C(图32B)小鼠，在光周期期间，发生在50个随机被选择的AS起始和结束期间的喂食(橙色)，饮用(蓝色)，及行动(绿色)事件的开始及偏移被以空心条显示。对于图32C-32F，对于WT(空心方框)和2C(填充圆)小鼠，由于的AS的开始随时间发作概率的变化被显示在一分钟仓内：(图32C)喂食发作(Gp＝0.008，Tp＝4.9x10-154，GxTp＝1.2x10-7)，(图32D)行动发作(Gp＝0.6，Tp＝4.2x10-22，GxTp＝0.9)，(图32E)饮用发作(Gp＝0.07，Tp＝7.1x10-6，GxTp＝0.05)，(图32F)其它发作(Gp＝0.002，Tp＝3.5x10-131，GxTp＝0.0001)。

图33显示了短和长持续位置的分类。对于来自WT2C比较的所有WT小鼠，所有IEI分区的均值持续时间和在设备处概率被显示。IEI用于发生在光周期期间的光子束事件。短持续时间位置通过使用本地插入(lowess平滑器)将线拟合到数据来识别，以便估计均值分区持续时间，在该持续时间，该组被等同于逗留喂食器或离开喂食器。

图34显示了行动发作分类标绘。对于运动速率(A)和转角(B)，单个小鼠概率密度估计被显示。在训练集(MIP)中的运动事件的密度被以红色显示。将被分类的运动的密度()被以绿色显示。虚线指示MIP和密度的交叉处。位置的运动速率(C)或转角(D)的相对概率不同于MIP位置，其被相对运动速率或转角标绘。使用具有发生在非活动状态及喂食或饮用(红色)期间的运动以及所有其它运动(绿色)的内核函数的内核密度估计器来估计运动速率或转角的概率密度。两个概率密度的交叉处被设置为按照在行动发作内或其它行为发作期间的发生(原地移动停止)来分类运动的阈值。

图35显示了涉及在比较聚类的方法中簇数量选择的标绘。根据σ卡方和的卡方分布计算的p值的对数被相对WTOB比较(A)和WT2C比较(B)的簇的数量所标绘。虚线显示最小p值的地点以及点线显示在器上p值未显著不同于最小p值的范围。所选择的仓的数量对于WTOB比较为13而对于WT2C比较为14。

图36WT和OB小鼠的活动状态。随天的时间的变化被显示如下：(A)AS持续时间(Gp＝0.96，Tp＝5.7x10-25，GxTp＝2.8x10-8)，(B)AS食品(Gp＝5.6x10-6，Tp＝2.8x10-21，GxTp＝5.57x10-5)，(C)AS水(Gp＝7.4x10-6，Tp＝9.6x10-36，GxTp＝4.6x10-9)，(D)AS运动(Gp＝7.3x10-5，Tp＝1.7x10-20，GxTp＝4.2x10-14)。

图37显示了WT和2C小鼠的活动状态。随天的时间的变化被显示如下：(A)AS持续时间(Gp＝0.96，Tp＝5.7x10-25，GxTp＝2.8x10-8)，(B)AS食品(Gp＝5.6x10-6，Tp＝2.8x10-21，GxTp＝5.57x10-5)，(C)AS水(Gp＝7.4x10-6，Tp＝9.6x10-36，GxTp＝4.6x10-9)，(D)AS运动(Gp＝7.3x10-5，Tp＝1.7x10-20，GxTp＝4.2x10-14).

图38显示了WT和OB小鼠的饮用和“其它”发作特性。随天的时间的变化被显示如下：(A1)水摄入(Gp＝0.09，Tp＝9.6x10-53，GxTp＝7.5x10-7)，(A2)每小时的饮用发作(Gp＝0.0006，Tp＝2.1x10-50，GxTp＝2.9x10-6).(A3)每个活动状态小时的饮用发作(Gp＝0.5，Tp＝3.6x10-12，GxTp＝9.5x10-7)，(A4)饮用发作大小(Gp＝0.003，Tp＝0.002，GxTp＝0.005)，(B1)其它持续时间(Gp＝2.2x10-11，Tp＝3.3x10-62，GxTp＝3.5x10-40).(B2)每小时的其它持续时间(Gp＝2.9x10-7，Tp＝1.6x10-47，GxTp＝1.4x10-34).(B3)每个活动状态小时的其它发作(Gp＝5.6x10-7，Tp＝8.5x10-18，GxTp＝2.5x10-11)，(B4)其它发作持续时间(Gp＝0.003，Tp＝9.3x10-9，GxTp＝0.06)。Bonferroni校正被用于评价数量水摄入的显著性(3个测试：食品、水、运动)，在其它发作上花费的时间(5个测试：非活动状态、喂食、饮用、行动、其它)，发作率(5个测试：非活动状态、喂食、饮用、行动、及其它)，水发作大小(3个测试：喂食、饮用、行动)，以及其它的持续时间(5个测试：非活动状态、喂食、饮用、行动、及其它)。

图39显示了WT和2C小鼠的饮用和“其它”发作特性。随天的时间的其它变化被显示如下：(A1)水摄入(Gp＝0.8，Tp＝5.5x10-101，GxTp＝5.2x10-9)，(A2)每小时的引用发作(Gp＝0.04，Tp＝5.1x10-73，GxTp＝0.1)，(A3)每个活动状态小时的饮用发作(Gp＝0.9，Tp＝3.9x10-27，GxTp＝0.003)，(A4)饮用发作大小(Gp＝0.007，Tp＝9.4x10-17，GxTp＝0.9)，(B1)其它持续时间(Gp＝1.6x10-6，Tp＝6.2x10-146，GxTp＝2.0x10-12)，(B2)每小时的其它持续时间(Gp＝0.002，Tp＝7.5x10-108，GxTp＝3.4x10-8)，(B3)每个活动状态小时的其它发作(Gp＝0.06，Tp＝8.9x10-54，GxTp＝4.8x10-5)，(B4)其它发作持续时间(Gp＝0.5，Tp＝8.9x10-23，GxTp＝0.2)。

具体实施方式

1.介绍及相关术语

本发明涉及对高分辨率行为数据的收集、管理、及分析的方法、系统及装置。这些系统和方法提供了以先前未能实现的量化及精度水平来检查行为模式的机会。提供了用于管理和分析由行为监测系统所产生的非常大且唯一的数据集的方法和系统，包括质量评估和控制、存档、数据查询、数据简化、分析过程及可视化技术。对自主行为的这种详细的分析提供对行为的神经组织的基本理解并能够以高灵敏度检测基因、药理学及环境对脑功能的影响。

尽管按照涉及家笼监测(HCM)系统内的动物对象的行为的系统、方法和装置来陈述以下描述中的大部分，但本发明不被这样的方法所限制。例如，用于过滤并分析行为数据的方法和系统可以与任何行为监测系统一起被使用。在以下的描述中，多个具体的细节被阐述以便提供对本发明彻底的理解。然而，明显的是本发明可以被实现而无需限制在在此所描述的一些具体细节。

本发明涉及对来自行为监测系统的数据的过滤、数据质量控制与评估、及分析。通常，行为监测系统包括在定义的区域内的一个或多个设备，正被监测的动物对象(一个或多个)在该设备处或与该设备交互。所述监测系统可以是家笼监测系统，诸如名称为“动物笼子行为系统(AnimalCageBehaviorSystem)”的专利申请号No.7,086,350的美国专利内所描述的，在此通过引用将其整体并入用于所有的目的。典型地，所述监测系统在测量时期提供对运动和设备事件数据的连续监测。例如，所述监测系统可以提供由对运动(例如，以空间位置相对时间的形式)、及摄取事件、感觉刺激物事件等的持续监测引起的数据。

根据本发明的方法和系统而被使用的行为监测系统产生大容量的数据，例如在一天内单个对象可以产生几百万的运动、几千万的摄取事件等等。在观察的一周、年等，用成百或成千的对象乘该数据需要对数据的鲁棒自动化的质量评估和校正技术。以下讨论数据质量评估和控制的方法和系统。

本发明的另一方面是用于定义行为的要素及它们的时间和空间组织的新颖的量化方案，包括生物学上最相关的数据简化、可视化及分析方法。通过数据质量控制算法来促进这些方案。特别地，以下描述簇的分类和行为的发作，以及对行为的活动和不活动状态的分类。在某些实施方式中，提供了允许行为分类被以鲁棒、自动化的方式执行的方法和系统。

以下术语在整个说明书中被使用。该描述被提供以帮助理解该说明书，但无需限制本发明的范围。

行为事件是行为的特定类型的发生或实例。行为事件的类型的例子包括涉及消耗行为(包括食物、液体、药物、药品等等的消耗)的事件，涉及运动行为的事件，涉及交流的事件，涉及与被监测的对象相关联的各种普通活动的事件。例如，对于笼子中的小鼠可以被测量的行为事件包括喂食、饮用及围绕所述笼子的运动。对于人类可以被测量的行为事件包括喂食、饮用、围绕特定区域的运动、及使用诸如电话或计算机等特殊的电子设备、等等。其它行为事件可以涉及动物对特殊刺激物或设备的响应。

设备事件是包括与在已知地点处的设备交互的行为事件。该地点可以是固定的或变化的。例子包括出现在笼内的喂食器处(feeder)的喂食事件，以及出现在笼内的舔食测试器(lickometer)处的舔食事件。设备事件的其它例子包括对房子内已知地点处的计算机的使用，如通过与在特定饭店的设备交互所指示出的出现在该饭店处的喂食事件。

设备的例子包括舔食测试器和喂食器，该舔食测试器是提供对由动物消耗的流体的测量的设备，该喂食器是向圈养的动物提供食物的设备。在某些实施方式中，所述喂食器提供对由动物所消耗的食物的数量的测量。与设备的交互可以是与被测量的行为所必须的设备的交互。例如，可以通过在被小鼠舔食以获得水时改变舔食喷口的容量，在舔食测试器处测量由小鼠消耗的水。类似地，在动物打断光子束(photobeam)以便获得喂食器内的食物时，可以通过光子束和光子束检测器来测量喂食。其它的设备包括转轮(runningwheel)、杠杆和洞。杠杆和洞可以被交互用于传输或提供食物、流体、药物、或任何感觉刺激物。在某些实施方式中，所述设备是操作型条件反射(operantconditioning)设备。与设备的交互可以包括暴露给其它动物、感觉刺激物(例如，恶臭物质)或者新的或熟悉的对象，其中所述测量提供关于动物的对象响应于该暴露或感觉刺激物的行为信息，等等。

事件之间的间隔是同一类型的两个行为事件之间的间隔：例如，两个光子束中断之间的间隔。类似地，如果某种行为通过与计算机的交互而被测量，则事件之间的间隔可以是正被按压的键盘按键之间、鼠标点击之间、等等的间隔。

事件开始误差指的是实际上没有设备事件出现时，对事件的开始的不正确的测量。对笼的冲撞，通过移动食品(chow)短暂阻断光子束或通过舔食测量器的电磁场噪音检测都是偶然的伪喂食和饮用事件测量的源的例子。

事件终止误差指的是在设备事件实际上已经被终止时指示它正在进行的不正确的测量。事件偏移误差的源的例子包括在喂食发作期间喂食器光子束变成由食物微粒所阻止。舔食测试器不能由自发的滴注、或者在舔食槽内的底料的放置(通过鼠标)所产生。这样的误差，如果未检测到，将产生对设备事件长度的高估以及产生对由在该设备处的动物的长期活动的不正确指示。

运动数据包括关于动物对象在测量区域内的运动的信息。它可以包括空间和时间信息，例如，动物在测量时期期间间或的空间位置。在某些时间也可以收集运动数据，例如1秒，尽管在许多实施方式中，为了降低原始数据集中数据的数量，运动数据在动物移动大于阈值数量时被收集。数据收集阈值距离根据行为监测系统和对象的类型而变化：对于在大测量区域内的人类对象，跟几千米相似的阈值可能是适当的，对其它动物而言，几米可能是适当的，对于啮齿类而言，厘米可能是适当的，等等。运动数据因此可以包括动物的位置和每一个位置的时间，或者自前一位置的持续时间。位置和/或运动可以通过任何数量的机构而被测量，包括负载束、RFID应答器、卫星系统、视频跟踪，等等。

漂移指的是与测量相关联的累积误差。全部的位置漂移是在测量时期期间的任何时间，在测量区域内的x和y坐标(和/或其它坐标系或者维度，如果测量的话)内的漂移。例如，在负载束被用于监测动物运动的地方，运动测量被改变笼内质量的分布所影响。改变可能出现在动物身体重量上、喂食器内食物的数量上以及舔食测量器内的水上，以及由于底料的偏移。Y轴内位置信息的偏移可以由来自在笼的相对端部处的设备中的食物和水的迁移引起，以致于运动路径和摄食行为地点相对于笼地点上移(shiftup)。设备事件漂移是设备的地点内的明显漂移，如在每一个事件处所测量的。正如全部的位置漂移，所述设备事件漂移通常被测量用于每一个坐标或维度。

动物对象(一个或多个)行为可以被分解成发作和簇。发作是同一行为动作的发生或反复发生或行为动作的指示(例如，食物消耗或光子束中断)，其看来像是及时地一起聚类和/或没被不同的行为的干扰分开。在某些实施方式中，发作可以通过在特定地点处的行为的发生和/或重复来表征。簇是同一行为动作的反复发作或看起来是及时聚类在一起的行为动作(例如，食物消耗或者光子束中断)的指示。

动物对象(一个或多个)行为可以进一步被组织成状态，例如，活动的及不活动的状态。状态可以通过提高特定行为或者行为和/或在一个或多个特性地点处的这些行为的发生的几率来表征。例如，活动的状态和不活动的状态可以被分类。活动的状态是在其中存在被提高的一些所测量的行为(诸如喂食，饮用，或行动)的概率的状态。不活动的状态是在其中在特性地点或地点处的概率高于一些测量窗口的状态。根据捕食或环境条件，这些特性地点可以用作避难所。在不活动状态期间，动物对象(一个或多个)可以具有被增加的进行某种被测量的行为(诸如休息或睡眠)的概率。尽管为讨论的目的，以下描述简单地提到活动/不活动状态分类，该方法并不被如此限制且可以被使用但可以被用于识别和分类其它状态，在该其它状态中存在出现在特定一个或多个地点处的一个或多个特定行为的增加的概率。

本发明的实施方式涉及有形及无形的计算机可读介质或计算机程序产品，其包括用于执行各种计算机可执行操作的程序指令和/或数据(包括数据结构)。包括程序指令和/或数据(包括数据结构)的计算机可读介质或计算机程序产品用于执行各种计算机可执行的操作。计算机可读介质的例子包括，但不限于，诸如硬盘、软盘、磁带等磁性介质；诸如CD-ROM设备和全息设备等光学介质；磁光介质；半导体存储器件，及被特别配置以存储和执行程序指令的硬件设备，比如只读存储器件(ROM)及随机存储存储器(RAM)，及有时的专用集成电路(ASIC)，可编程逻辑电路(PLD)及用于传输计算机可读指令的信号传输介质，例如局域网络，广域网络，及因特网。本发明的该数据和程序指令还可以被实现在载波上或者其它传送媒介(例如，光路，电子线路，和/或空气波)。

数据库涉及用于记录及取回信息的装置。该数据库可以提供用于存储和/或搜索所存储的信息的装置。该数据库可包括包括但不限于纸系统、卡系统、机械系统、电子系统、光学系统、磁系统或其组合的任何方便介质。在某些实施方式中，数据库包括电子(例如基于计算机的)数据库。用在存储并管理数据库的计算机系统对本领域技术人员而言是众所周知的，但不限于“个人计算机系统”，主机系统，因特网或内部网上的分布式节点，在专门的硬件内(如微型芯片内)所存储的数据或数据库，等等。

2.数据质量控制

行为监测系统生成大量数据。例如，用于小鼠的32笼的监测系统，包含食物消耗指示器、流体消耗指示器、测量运动的活动工作台的每一个笼具有96个数据收集设备。每天，每个设备可以记录数以千计的事件，例如，500-5000个喂食事件、1000-10000个舔食测试器事件及10000-350000个空间位置。需要鲁棒自动化质量评估算法处理这些事件。对大量生物数据集的有效使用需要用于评估数据质量的新方法。例如通过医疗失败或通过动物对象与设备的特异性的交互(idiosyncraticinteractions)能够损害数据质量。对行为系统数据的质量的评估需要仔细考虑可以损害行为数据质量的多种因素。

本发明的多方面涉及对由行为监测系统所生成的大容量数据的评估和质量控制。根据各种实施方式，该方法合并了与周期性的摄入测量、动物对象和设备外观、及环境条件相关的实验者观察。另外，陈述了需要监测行为数据收集设备的功能的自动化技术。

持续地评估喂食、饮用和运动活动的行为监测系统，具有高的时间和空间分辨率。所收集的数据的高分辨率对于区分具有高敏感度的行为模式的分析方案的发展是至关重要的。然而，这些行为数据集的复杂本性和大样本量(size)提出了多个挑战。这些包括：1)用于数据存储和查询的大容量行为数据管理系统的需求，2)质量控制工具的开发，以检测并管理系统噪音事件、设备失误及人类误差，及3)分析技术和数据简化的开发，以将检测基因或其它对行为模式产生影响的能力最大化。因为这些数据集是独一无二的，需要新的方案以满足这些挑战。

如以上所指出的，该数据集通常包含与测量区域内的动物的空间位置或运动相关的数据、以及来自一个及更通常地多个设备的行为设备事件数据。根据不同的实施方式，所述质量控制方法涉及分析行为数据以检测位置信息和设备信息之间和/或从多个设备所接收的信息之间的不一致性。

图1示出了根据某些实施方式过滤数据的处理的概要，其中图2-6示出了图1中所描述的某些操作的具体实施的细节。图1中所描述的操作的一些或全部可以被用于数据质量评估并产生用以分析的过滤的数据集。也可以执行附加的质量控制操作。该处理开始于接收用于测量周期的运动和设备事件数据(101)。用于测量周期和测量区域(例如，笼)的组合的运动和设备事件数据可以被称为数据集。该数据集可以采取任何形式，并且可以包括用于多个动物对象的数据，等等。在许多实施方式中，运动数据被呈现为位置相对时间的数据。设备事件数据可以包括在测量时期期间的不同时间与设备的交互的指示。例如，该数据集中的位置/行动数据可以包括每次动物运动了比某个预定义的距离(例如，1cm，10英尺，等等)大的距离的记录。该数据可以是例如以从先前所记录的地点，在测量时期或持续时间期间的动物地点和时间的形式。类似地，对于饮用或食用行为，数据集可以包括来自食物和流体消耗设备的信号之间的持续时间的时间。数据可以被收集，例如，使用在以上所引用的专利号为No.7,086,350美国专利申请中所描述的、从外部源等接收的以上所参考的方法。

通过识别及移除错误的设备事件数据(103)继续该处理。其包括检测也被称为错误设备事件开始的事件开始误差。诸如笼的冲撞、光子束由于偏移食品的短暂阻断、由于舔食测试器的电磁场噪音检测等伪设备事件的源可以偶然地生成伪喂食和饮用事件。类似地，在依靠对象以有计划的方式按压移动电话或跟踪器上的按钮的行为监测系统中，错误的设备事件开始可能由于意外的交互而发生。导致在实际上没有设备事件发生时指示设备事件的任何类型的误差是事件开始误差。尽管这些事件通常是罕见的，它们的重要性在设备事件被用于运动位置校正的实施方式(下文描述)中被提高。

检测事件开始误差并从数据集移除相关联的设备事件数据后，计算位置运动数据的校正(103)。在某些实施方式中，位置信息的不精确可以累积。例如，在负载束被用于监测动物运动的地方，运动测量被笼内质量分布的改变所影响。变化可以出现在动物身体的重量上、在喂食器中的事物和舔食测试器内的水的数量上、以及由于底料的偏移。如果这样的变化没有被计入(accountfor)，那么产生位置信息的不精确。运动位置误差的例子被显示在图2中，其描述了24小时行为记录，其中行动位置以绿色指示，喂食事件地点以橙色指示，而饮用事件地点以蓝色指示。这里，在201，我们看到了在Y轴内位置信息偏移的痕迹，以致于行动路径和摄取行为地点相对于笼的地点向后(向上)偏移。这样的不精确起因于从笼前方处的设备移动食物和水。

图2示出了不精确的例子，其能导致在笼内使用负载束测量位置信息。与位置检测机制(负载束、视频、RFID、等等)和检测区域无关，数据集内的位置信息可包含不精确性。设备事件(例如，饮用及喂食器光子束中断)出现在笼或其它测量区域内的已知地点，且该信息被用于校正运动和位置数据。所校正的行为记录被示意在图2的203处。以下参考图6进一步描述校正运动位置数据的一个实施方式的细节。应注意到因为设备的已知地点(及所期望的动物的位置)被用于校正位置数据内的不精确，在校正位置数据之前，如以上所描述的移除与错误设备事件开始相关联的设备事件数据是理想的。除了在它们的移除之后，运动位置校正也可以在移除错误设备事件之前被执行。

一旦位置数据被校正，由终止设备事件的失败所引起的数据集的不精确被识别并移除(109)。在某些情况下，动物可以发起在动物离开设备时不终止的设备事件。例如，在喂食发作期间喂食器光子束可以变成被食物微粒所阻塞。舔食测试器失败可以由自发性的滴下、或者舔食槽内底料的(通过小鼠)放置而引起。类似地，视频、卫星或电子跟踪可能失灵，未登记设备事件的终止。如果未被检测到，这样的误差将产生对设备事件长度的高估及在设备处因动物所延长的活动的不正确的指示。在某些实施方式中，通过在设备事件期间找出对象的所有位置来检测设备终止的失败，使用其中设备开始误差已经被检测且排除的数据，并且位置校正已经被进行。在设备事件期间使用快速的最近邻聚类算法来聚类对象的位置。如果没有事件终止误差，那么应只有一个在设备处被居中的簇。如果不止一个簇出现，最靠近设备居中的最大的簇被认为包含有效事件，而发生在别处的事件被排除。以下参考图7讨论根据某些实施方式，检测设备事件终止失败的进一步细节。

在某些实施方式中，在测量时期期间，将全部的所测量的动物的运动与已知的动物行为比较，以用位置检测机制检测潜在的误差(113)。例如，负载束可能失灵，产生位置测量的误差。在一个实施方式中，用于发生失灵的实例的筛选策略使用动物的爱好(predisposition)来探索在24小时记录期的过程期间它们的笼外壳(enclousre)的整个区域。负载束的饱和导致运动数据的截断或歪曲而比如中枢松开的问题还导致对产生运动数据的截断的力的低估。以下参考图10讨论根据某些实施方式，的检测负载束或其它位置检测器失灵的进一步的细节。类似地，对于其它类型的位置检测机制可以将位置数据与已知的动物行为比较。另外，位置数据可以被检查用于边界违背，即，在测量区域以外的位置，其中该对象不能到达该处。

以下讨论图1中操作的不同实施方式。

A.检测设备开始误差

检测潜在设备事件开始误差包括检测所记录的设备事件与独立地收集的位置数据之间的不一致。例如，来自舔食测试器的信号可以在某个时间的位置数据指示小鼠或其它对象在该时间不在设备处时，指示舔事件发生在该时间。在这样的情况下，误差或者存在于设备数据收集或者存在于运动数据收集。在某些实施方式中，该发明的方法使用位置信息来检测并标志潜在的不正确的设备事件以便移除和/或随后用户回顾。

在某些实施方式中，一旦动物的位置数据和设备开始数据之间的不一致被识别，即做出误差是来自设备数据收集还是来自运动数据收集的决定。如果确定误差来自设备数据收集，该设备事件可以被自动地移除或者标志并呈现给用户以便确定是否移除它。

如以上所讨论的，当在特定时间的设备事件的指示与在该时间所测量的的动物的位置不一致时，潜在事件开始误差被检测到。在某些测量系统，通过对于其所计算的误差可能是个问题的机制来收集位置(运动)数据。该计算的误差被称为漂移。如果在位置数据指示动物不在设备附近时设备事件发生，则或者大量的位置漂移或错误事件开始已经发生。通过测量全部的位置漂移并将其与设备激活期间在所指示的动物的位置中的漂移进行比较，能够区别这些可能性。如果在事件激活的时间，全部的位置漂移类似于在设备激活的开始时动物的位置内的漂移，则事件将被认为有效。总的漂移和设备漂移的差别给出了伪设备事件的可能性。图2是处理流程表，其显示了按照某些实施方式，通过将设备事件漂移与总的设备漂移比较来检测事件开始误差的处理的概要。

该处理通过在时限(timeperiod)内测量动物对象的总的位置漂移(PD)而开始(301)。(以下参考图4讨论测量总的位置漂移)。然后每个设备事件被考虑。对于给定的设备事件，在事件开始的时间t所指示的或测量的动物对象的位置被获得(303)。然后确定设备事件漂移(ED)(305)。确定(307)在时间t(PDt)的位置漂移和设备事件漂移(ED)之间的差别。该差别被与阈值差别进行比较(309)；如果该差别大于该阈值，该事件被标志以呈现给用户(311)。可替代地，设备事件可以因错误及被移除的关联的数据而被自动地分类。在确定框313，有对剩余的设备事件的核查。如果就对象和测量时期而言存在剩余的设备事件，所标志的事件被呈现给用户以便回顾(315)。

计算ED包括将在事件的时间处所测量的动物的位置与在测量窗口的事件的位置的第一测量进行比较。如果该类型的第一事件被用于初始化测量区域的坐标，这将是在基于设备的已知地点的事件期间所期望的动物的位置。对坐标的初始化被描述为以下描述的运动位置校正的一部分。

为了获得对总的位置漂移的估计，在最小和最大位置(X，Y，和/或其它)内的漂移的估计被获得，其中该位置定义在所测量的区域内对象的运动的边界。在某些实施时方式中，确定总的位置漂移包括使凸包(convexhull)在滑动的时间窗口内适合于相对时间的X和Y位置，其中需要在该凸包每一侧上从最小到最大位置的距离必需大于该笼或其它测量区域的宽度(X位置)或长度(Y位置)的某个百分比。可以使用适于特定测量区域的任何类型的坐标系统。重叠的凸包被独立地扩展直到需要的距离被达到，产生对最小和最大位置内总的漂移的估计。然后可平均该位置包络线(envelope)，并且该平均被用于获得在数据收集期间在任何时间，对总的漂移的估计。如果该漂移由于不止某个阈值(例如，X上10cm，Y上15cm)而不同于设备位置内的明显漂移，则该设备事件被标志用于如操作311中的随后的回顾。

图4是显示如以上所描述的获得总的位置漂移的关键操作的处理流程表。该处理通过接受对于对象和测量时期的位置对时间数据开始(401)。对于位置坐标，例如X，Y和/或任何其它坐标，对于持续时间d及在时间t₀被初始化的窗口，使凸包适合位置对时间的坐标(403)。凸包及时地被扩展到时间t_n，在时间t_n该凸包包含预定义数量的坐标位置单元，x(405)。例如，凸包可以被扩展直到该凸包包含测量区域的总宽度或长度等的某个百分比(例如80％)。然后为了持续时间d、在时间t_n初始化的凸包且被扩展的凸包，操作403和405被重复直到需要的距离在时间t_m被达到(407)。其被重复直到t_m是测量或观察时段，例如，1天。然后通过在任何时间沿着该凸包获得最大和最小位置的手段来估计坐标的位置漂移，从而获得作为时间函数的位置漂移。对于每一个位置坐标，执行图4中描述的该处理，生成例如在在Y-方向2cm及在X-方向-3cm的时间t＝3小时位置漂移。

事件开始失败的检测的图表例子被显示在图5A。这些图标图示了在24小时监测时期总的位置漂移和舔食测试器事件漂移(蓝色)和光子束事件漂移(红色)之间的差别。X和Y轴漂移被分别图示。在Y轴15cm及在X轴10cm的情况下，用虚线指示标志事件的该漂移差别阈值。在这个例子中，两个情况被标志，其中Y轴漂移差别超过舔食测试器事件的阈值。该舔食测试器事件数据可以被自动地排除或者所标志的事件能够被呈现给用户以便回顾，如图5B中的那样。

B.运动位置校正(MPC)

运动位置校正使用设备事件的已知地点来校正运动和位置数据。该MPC算法基于设备的已知的地点，将在每一个设备事件开始处的动物的位置(如根据运动/位置数据所计算的)与所期望的动物的位置进行比较。如果按照不止一个阈值数量，所计算的和所期望的位置不同，则先前回路中的运动数据被校正。

图6的处理流程表内示意了某些操作。该处理通过初始化坐标开始(601)。在每个部分(测量时期)的开始处，动物对象的坐标被初始化。尽管任何适当的初始化可以被使用，但在如图6所示的例子中该初始化可以发生在第一设备事件，该第一设备事件具有根据在设备处的所期望的动物对象的位置初始化的动物对象的坐标。在第一设备事件(或其它初始化)之前，动物的位置可以随后被再次计算(back-calculated)。在下一个设备事件(DE_n)，如通过负载束、视频跟踪、其它位置检测机制等等所测量的一样，基于该设备的已知地点将动物对象的位置与所期望的动物对象的位置比较(603)。此差别为位置漂移(PD)。对于每一个位置维度(该离子中的X和Y)进行该比较。如果在设备事件期间所测量的和所期望的位置之间的差别超过某个阈值(见决定框605)，则通过将穿过所测量的位置的该差别分布在DE_n和先前的设备事件之间来校正数据集内的位置数据(607)。可以按照位置之间运动的距离来加权(weight)该分布。对于下一个设备事件DE_n+1该处理被重复(609)直到在测量时期内的所有的设备事件被考虑到。

对MPC工具在校正笼内小鼠的运动和位置数据方面的使用被显示在以上所讨论的图2中。然而，MPC工具可以被用于各种实验性设置，其中动物对象与具有已知地点的任何设备的交互可以用来验证(validate)和校正位置信息。在图1中，MPC工具被显示为在检测和除去错误设备开始之后被执行：这可能是重要的，因为MPC依赖于所期望的动物对象的位置以校正位置信息。在某些实施方式中，MPC工具可以在移除错误设备事件之前被运行，并在它们被移除之后再次被运行。

C.检测设备事件终止失败

如以上所指出的，在某些实施方式中，检测设备未终止的例子包括使用最近邻聚类算法。在设备事件期间的动物对象的所有位置被聚类。图7示出了处理流程表中的关键操作：该处理由接收用于特定设备的所有设备事件的所有位置数据开始(701)。如以上所指出的，这是对于其设备开始误差已经被检测并且被排除、并且MPC工具已经被运行或者再次运行的数据。对于每一个设备事件，获得从该事件的起始位置的最大位置(703)。然后执行簇分析，以聚类这些最大位置(705)。如果没有事件终止误差，那么应仅有一个在所期望的设备位置被居中的簇。如果不止一个簇存在，被居中最靠近所期望的设备地点的最大的簇被认为包含有效事件，并且出现在别处的该事件被排除。因此，最靠近所期望的设备位置的簇被接受(707)。除了所接受的簇，具有最大位置的所有事件被移除(709)。本领域的技术人员将理解到可以使用不同的聚类和排除标准。应注意到事件数据可以被自动地移除、或标志并且呈现给用户用于关于移除的决定。

图8中显示了在小鼠家笼监测系统内聚类喂食及饮用事件的图表示例。在图8所显示的例子中，在喂食器附件的喂食事件的簇(绿色方框)以及在靠近舔食测试器(蓝色圆圈)附近的饮用事件的簇已经被标识。在相对角落的两个方框代表两个喂食事件期间所确定的动物距离喂食器的的最大距离。红色指示它们落在有效喂食事件的标准以外。

D.位置检测器失灵的检测

在某些实施方式中，行为监测系统利用负载束作为确定动物运动和位置的力传感器(forcetransducer)。偶然地，负载束可能失灵，在这些测量中产生误差。负载束的饱和导致运动数据的切断或歪曲而诸如使中枢松散等问题可能导致对引起运动数据的切断的力的低估。在其中这样的误差已发生的数据的例子被图表性地显示在图9，其中所测量的位置为绿色。这些类型的误差的潜能不仅仅存在于负载束，而且存在于其它类型的位置检测。例如，位置检测可以由于天气而在某些地理区域丢失接收/传输，该位置检测依赖于诸如城市等大面积测量区域内的移动跟踪设备。

在某些实施方式中，对这样的误差的检测包括在测量时期期间将所有校正的运动位置与已知或期望的动物行为模式比较。一个例子是小鼠的偏好，以在24小时的测量时期的过程内探索它的整个笼区域。另一个例子是人类对象的期望或者喜好，以在一天或一周的过程期间漫游挨着工作地点设立的区域。

在某些实施方式中，这样的误差的检测包括绘制所有校正的运动位置的凸包并将该凸包与已知或所期望的动物行为模式进行比较。例如，该比较可以包括计算该凸包所占居的测量区域的百分比。如果该凸包所占据了小于笼区域的某个百分比(例如80％)，则来自天或数据的其它测量时期的数据可以被标志用于随后的用户回顾。图10是处理流程表，其显示了根据测量时期所接收的的位置数据，在检测位置检测器失灵的一个实施方式中的关键操作。该处理由生成测量区域的凸包开始以定义测量区域足印(1001)。可以使用其它方法来生成或使用测量区域足印的先存在的资料。在测量时期内，生成所有测量位置的凸包(1003)，并且计算该凸包的交叉率(1005)。将该交叉与决定方框1007内的阈值进行比较：如果它大于该阈值，则该数据被接受，或者至少不被标志(1011)。如果它小于该阈值，做出是否移除该数据的决定(1009)。可以在用户回顾之后做出该确定，或者在其它实施方式中，数据可以被自动地移除。

在某些实施方式中，将测量位置与测量区域的足迹的比较可以包括分析测量区域的具体区域的重叠，例如城市的东北象限(quadrant)等。注意其它类型的位置误差检测也可以被采用，包括检测边界违反(boundaryviolation)。将测量区域足迹与测量区域的比较可以显示具有未知检测器的体系失灵，比如负载束饱和，如与比如从测量区域以外所采集的寄生信号等已隔离的误差相对的。

E.自动及用户数据质量控制的计算机执行方法

如以上所描述的，数据质量控制算法可以包括与自动算法结合的一些用户回顾。例如，由用户输入评价或以上所描述的自动算法产生的数据质量控制决定可以具有三级结构，在该结构中每一个事件被分配1(使用)、2(标志以便进一步调查)、或3(不使用)的质量。2的质量指示必需被调查者调查的潜在误差的存在。为了促进该调查，提供将允许实验者观察和处理这些潜在误差的工具。数据可视化技术促进了对数据和被标志的误差的检查，允许调查者确定每一个标志是否保证排除状态的降级或者到“可以使用”状态的升级。

在某些实施方式，可以在两个主要阶段(阶段1和阶段2)中执行质量控制处理。在阶段1，自动算法被运行以搜索例如位置检测器失败、错误设备事件开始、位置数据中累积的误差。潜在的误差可以被标志以便进一步调查。然后该实验者将使用图形用户界面(GUI)处理所有被标志的误差。一旦其被完成，所有的运动数据将或者被排除或者被校正。这整个处理的运动数据然后被运行通过第二阶段，其中设备终止算法使用校正的位置数据来搜索及排除设备终止误差。在这点，对设备误差的所有自动检测被完成，且来自设备事件之间的所期望的相关(例如光子束时间和舔数量)及摄取的任何大的偏差将被标志以便调查。这样的偏差可能由数据输入误差或设备检测事件的失败引起。然后试验者将使用GUI来观察并处理因为可能的数据输入或设备失败而被标志的数据，以及已经被用户标志用于例如在食物漏斗非常低时、提高动物已经被剥夺食物的可能性的回顾的数据。

图16显示了阶段1QCGUI的屏幕快照。仪表盘A和B显示了阶段1QCGUI的屏幕快照，其显示试验循环/小鼠/日期选择框(仪表盘A)以及补充的标绘选择器/观察器(仪表盘B)。(使用Matlab导引GUI设计界面来制作所显示的该屏幕快照，Matlab导引GUI设计界面允许将按钮、图等等放进设计并且允许改变它们的属性(即，颜色、状态等))。在该选择框中，两个误差标志正被显示，“笼边界违反”和“漂移差别违反”。漂移差别违反被清楚地呈现在仪表盘B的位置漂移差别图中。因为这些杂散的舔的确似乎是实际上的舔设备失败，用户现在能理解第二误差的来源(“笼边界违反”)；因为在舔事件期间小鼠位置被运动位置校正算法使用以校正该运动，以上所标志的坏的舔位置导致小鼠似乎运动超过笼子，如在仪表盘C中所显示的(MPC工具的副产品)。为了校正这些问题，用户将使用GUI以通过点击“3”(在“Le”栏的)无线电按钮来排除坏的舔，然后再次运行MPC工具。如在仪表盘D中所见的，该过程如所期望的移除了笼边界违反。

在某些实施方式中，通过简单地排除其漂移差大于某阈值的所有的舔来自动地排除所排除的舔。然而，如以上所述描述的，计算漂移差的算法依赖于估计运动漂移的算法的准确性。估计该漂移是非平凡的问题，所以在许多实施方式中，可以存在试验者使用阶段1QCGUI检查任何被标志的舔或者喂食事件的需要。其它被标志的误差也能够被以这种方式检查。

图17显示了阶段1QCGUI的屏幕快照。这里我们看到被标志的失败到检测(failure-to-detect)误差的例子。除了在该天的结束处的一个事件，图中的仪表盘A在事件图中显示没有舔事件。然而，仪表盘B显示了小鼠那天消耗的水的数量不是异常的——既不是在被与在实验的其它天上它的摄入比较，也不是与在实验中的其它小鼠的摄入比较。这指出添设备失败到检测误差，而该小鼠的添事件数据和天必须被排除。然而，事物射入量和运动数据不必被排除。再次，可以由使用阶段2QCGUI的实验者来检查类似其的误差。

用户界面及显示分类结果的进一步细节被包括在所附的附件1和2中。

3.活动及非活动的状态分类

本发明的其它方面涉及对活动和非活动状态的分类。通常，活动状态是其中存在所增加的发生某些测量行为(包括运动)的可能性，在正处于特征地点(一个或多个)中可能性大且休息和睡眠可能发生的不活动状态期间，被非活动状态所不时打断的状态。活动和非活动状态之间的过渡代表自由行动的动物的行为组织的基本特征。以下描述的将这些状态分类的方法和系统可以被跨种类等应用。同样，如指出的，这些方法可以被用于除活动和非活动状态以外的其它状态的分类，其中存在行为或行为发生的高可能性和/或正在特征地点的高可能性。

在某些实施方式中，提供了用于自动化活动和非活动状态的对象指示的方案，该活动和非活动状态如所指出的可以用作行为组织的基本特征。这允许对行为序列和生理节奏及对活动状态特性的次昼夜影响的详细的分析。一旦活动和非活动状态被分类，时域变化可以被表征。该特征的例子以下进一步讨论，以及在例子中。

在某些实施方式中，活动状态分类包括得出活动位置持续时间阈值。具有比非活动阈值长的持续时间的位置被分类为非活动。为了精确及更强地识别该阈值，有必要确定两个参数：时间窗口和空间过滤参数。该时间窗口被用于捕获其中使用单个基地(homebase)的信号出现时间；在一段时期，动物可以重新定位它们的基地，例如，小鼠可以被改变它的巢的地点，人类可以在两个地点之间走动，在一个住处(home)度过一些夜晚而在第二个住处度过其它的夜晚等等。使用其中使用单个基地(无论该基地是哪个或者在哪里)的时间窗口被用于确保睡眠和休息时间在不同的巢度过，第二住处地点等等，被正确地识别为非活动状态。应用空间滤波器被来消除没有将动物从该基地的低点移除的小运动，例如，在床上翻转的人，在巢内改变位置的小鼠等等。通过最小化状态分类误差来选择时间窗口和空间过滤器的理想的组合。

图11是显示分类活动和非活动状态的处理中操作的处理流程表。该处理由选择时间窗口和运动阈值(1101)开始。数据集中的原始数据通常包括测量时期上的运动信息(位置相对时间)，例如12小时、24小时、36小时。如以上所描述的，在位置内的阈值变化处记录原始数据集中的运动数据。例如，对于1cm的阈值，在动物运动至少1cm时运动信息被收集并被存储在原始数据集中。时间窗口可以从0变化到测量时期，例如，对于24小时的测量时期，从0到24小时，1，2，4，6，12，24，等。可以通过选择运动阈值来应用空间过滤器，该运动阈值可以从数据收集阈值中，例如1cm，2cm，3cm等等变化。

非活动状态阈值然后被选择以定义非活动状态开始及偏移(1103)。如以上所指出的，非活动状态阈值是将位置分类为非活动的阈值持续时间。以下参考图12进一步讨论确定非活动状态阈值。应注意到，尽管取决于正在考虑的运动阈值，该非活动状态阈值产生了不同的非活动状态。例如，如果非活动状态阈值为1小时，将状态分类为非活动取决于该运动阈值：如果动物1小时内移动10cm，如果运动阈值为15cm但不是如果运动阈值为5cm，则该状态被分类为非活动。因此，一旦使用正在考虑得用于时间窗口和移动阈值组合的非活动状态阈值来定义非活动状态开始及偏移，计算非活动状态误差百分比(1105)。其在下文被进一步讨论，但在某些实施方式中，其还包括在被分类为非活动状态期间(在此期间这样的事件不应发生)检查设备事件发生。然后校正，即，重新分类，被错误地分类为非活动的状态(1107)。然后可以计算总的误差率(1109)，即，包括错误地分类为活动状态的误差率。整个分类和误差率处理(操作1101-1109)然后被重复用于时间窗口和移动阈值的所有组合(1111)。基于该总的误差率来选择非活动分类(1113)(即，如通过操作1107所校正的操作1103中执行的对活动状态的分类)。

A.确定非活动状态阈值持续时间以定义非活动状态开始及偏移

图12是示意确定非活动状态阈值操作的处理流程表。这是非活动状态的最小的持续时间，即，动物不移动的最小持续时间(其中“移动”通过如以上所描述的运动阈值来确定)。如以上所描述的(见图11的操作1103)，该非活动的状态阈值持续时间定义非活动状态开始和偏移，从而提供在测量时期期间对动物的行为的较高次序(order)的时域分类。

确定非活动状态阈值的处理由找出正在考虑的具有最常持续时间或LDP的时间窗口/运动阈值期间的位置开始(1201)。该LDP将根据时间窗口和运动阈值变化。然后，所有其它位置距离该LDP的距离被获得(1203)。这些距离被按照这些位置的持续时间的记录所图示。在图13中1301处显示了这样的在图处的例子。如可以从图13看出的，该图表明了相对地靠近该时间窗口内的最长停顿的长停顿的簇或类(class)。非活动状态阈值持续时间是在其中距离LDP的最大距离显著增加的持续时间。在某些实施方式中，通过将停顿持续时间装仓(1207)及为每一个仓确定距离最长的停顿的最大距离(1209)来出找出该持续时间。然后，使用最小二乘曲线拟合(leastsquarescurve-fitting)来使三条线适合于最大的停顿距离相对对数停顿持续时间(1211)。图13中的标绘1303，第二和第三线的交叉处1305(即，距离LDP的最大距离显著增加的地方)可以被用于定义不动状态的停顿阈值(1213)。然后非活动状态可以被定为为具有比非活动状态阈值大的持续时间的连续的位置(或单个位置)(1215)。根据该标准，可以获得非活动状态开始及偏移(1217)。图13中的标绘1305显示了从非活动状态阈值的应用所表明的笼内非活动时期(红色)的组。这些状态被限制在动物的巢地点。获得非活动状态开始及偏移也给出了活动状态开始及偏移。

B计算状态分类误差

如上所描述的，找出最佳时间窗口/运动阈值包括分类误差率。如果以上方法在分类活动状态是准确的，则在非活动状态期间应没有设备事件发生。在某些实施方式，确定摄入分类误差包括计算包含设备事件的非活动状态的百分比。活动状态分类误差可以例如被确定为缺少设备事件及在此期间被动物覆盖的区域不大于非活动状态期间被动物覆盖的所有区域中的最大的活动状态的百分比。然后可以例如通过对非活动和活动状态分类误差求和，来从非活动和活动状态分类误差两者确定活动分类误差。图14是显示计算状态分类误差的一个方法中的操作的处理流程表。该处理起始于接收非活动状态开始及偏移(1401)。包含设备事件的非活动状态(即该开始和偏移之间的时期)被识别(1403)。然后根据所识别的非活动状态的数量来计算非活动状态的误差率，在图14所示的例子中，误差率是包含设备事件(1405)的非活动状态的百分比。储存该非活动状态误差以便在计算总误差率中使用，因此运动阈值的合理性。然后校正分类使得没有非活动包含设备事件(1407)。非活动状态的校正是基于用来定义非活动状态的标准，例如，具有比非活动状态阈值大的持续时间的连续位置，因此具有设备事件的非活动状态可被再分类到继续周围设备状态的单个设备事件中，可以被分成活动和不活动的状态等等。在修整被实现后，基于所更新的分类计算活动状态误差率(1409)。按照某些实施方式，活动状态误差率是通过查看在其中没有设备事件(例如，动物不吃，不饮用，不与刺激物等交互等)及在其中动物未覆盖大面积的活动状态来计算的。在图14流程表中，例如，活动状态误差率是在其中没有设备事件并在此期间由动物所覆盖的区域大于最大的非活动状态区域的活动状态的百分比。每一个互动和非活动状态的区域可以通过使凸包适合于每一个非活动及活动状态的位置来找出。然后可以基于非活动状态误差率来计算总的误差率。

4.发作分类

使用作为行为元素的发作的概念来组织在活动状态内的行为。发作是被及时聚类在一起并且没有其它行为干扰的行为的重复。为喂食、饮用及其它行为的量化，提供用于发作识别的自动算法，该自动算法结合关于行为的时域和空间特性的信息。如上所述，根据其识别发作的数据包括设备事件信息，例如，光子束中断表明在喂食器处存在小数等。本发明的处理允许以自动的方式，将行为分类成行为和运动的发作，以及另外地，允许发作的组织簇(organization-clusters)的较高级。

对于发作的识别，通过评估每个设备事件结束与在该设备的随后的事件开始之间(事件之间的间隔，IEIs)被动物所占据的地点到分类计划，可以将空间信息结合到分类方案中。在某些实施方式中，如果动物在IEI期间离开了设备，那么干预行为已经发生。因此，例如，动物在IEI期间逗留在设备的可能性被估计：如果逗留在该设备的概率大于0.5，则IEI被分类为“在设备”。行为的时域模式也被结合到该分类方案：如果事件被及时聚集，那么IEI持续时间，IDs，应表现出至少两个不同的类型：可能发生在喂食发作内的IDs以及可能发生在喂食发作之间的IDs。(参见，例如，Langton，S.D.，Collett，D.，andSibly，R.M.(1995).SplittingBehaviorIntoBouts；AMaximumLikelihoodApproachBehaviour132，781-799andTolkamp，B.J.，Allcroft，D.J.，Austin，E.J.，Nielsen，B.L.，andKyriazakis，I.(1998).Satietysplitsfeedingbehaviorintobouts.Journaloftheoreticalbiology194，235-250，bothofwhichareincorporatedhereinbyreference.)(参见，例如，兰顿，SD，科莱特，D.和西布利，RM(1995年)。进入发作的分裂行为；一个最大似然法行为132，781-799和Tolkamp，北京，阿克罗夫特，播音员，奥斯汀，对EJ，尼尔森，BL与Kyriazakis，一(1998年)。饱食分裂喂食行为发作。理论生物学杂志194，235-250，两者均以引用的方式被合并入此处。)在某些实施方式中，ID分布被分为两个组(短和长)而IEI为短的概率被估计。然后，作为发作内间隔(WBI)或发作之间间隔(IBI)，对每个IEI的指定可以根据IEI发生在设备处的概率和它为短的概率两者来作出。

图15是显示将行为事件信息组成使用空间与时间信息的发作的方法中高级操作的处理流程表。该处理起始于接收设备事件和运动信息(1501)。此信息包括空间信息，该空间信息包括动物在事件和事件之间的时间(IEIs)期间的空间位置。如上所指出的，IEI是设备事件开始和随后的事件在该设备处的发生之间的间隔。所收到的信息还包括时间信息，该时间信息包括事件之间的间隔的持续时间。为了识别发作，空间信息被通过对于每个IEI评估由动物所占据的地点而结合到分类方案中。对于每个IEI，确定正在考虑的位置，在该位置距离设备(最大限度远离IEI位置或MDIP)最远(1503)。然后根据正在考虑的该设备的MDIPs来估计动物在IEI期间逗留在该设备的概率(1505)。时间信息被结合到分类方案中，通过基于正在考虑的设备的事件之间的间隔的持续时间(IDs)来估计IEI为短的概率(相对于长)。然后基于所估计的与空间相关及与时域相关的概率来将IEI分类为处于发作内间隔(WBI)或发作之间间隔(IB)，例如通过平均该概率(1509)。然后将WBIs的未中断串(string)分类为正发作(1511)。

图22示意了此方案区别于具有不同的空间及时域特性的IEIs的种群(population)的证据。对于每个IEI，距离喂食器的最大距离被指示在在Y轴上而它的持续时间的对数被指示在X轴。被指定为WBIs的IEIs以橙色显示，并且全部出现在喂食器周围。在绝大多数IBI期间，动物偏离喂食器(绿色)，其中水摄入发生在这些的子集中(蓝色)。一小簇IEIs出现在喂食器(红色)周围，但由于它们的长的持续时间而被分类为IBIs。因此，与单独地使用空间或时间信息相比，将空间和时间信息用于发作分类产生不同的分类。

A.将IEI分类为在设备处或离开设备

如以上所描述的，在某些实施方式，通过估计可能性、或者将IEI分类为在设备处或离开设备将空间悉信息结合到发作分类方案。在某些实施方式中，其通过在IEI期间将二元正态的混合(mixtureofbivariatenormals)调整到MDIP来达成。使用快速最近邻聚类算法来聚类所调整的二元正态的心迹线(centroid)。心迹线最靠近设备的二元正态的簇被分类为“在设备处”(AD)。在该簇中的二元正态被指定为AD二元正态(除了弥漫性二元正态(diffusebivariatenormals)可以被排除)。AD二元正态的较后的概率可以被相加以产生每个最大地远离IEI位置(MDIP)是在设备处的概率估计。在某些实施方式中，IEI被分类为发生“在设备处”如果概率是0.5或更高。在某些实施方式中，然后使用该概率，与涉及的时域概率一起来将IEI分类为在发作内间隔或发作之间间隔，如以上所描述的。

图22A显示了对于笼内的小鼠，将二元正态调整到MDIPs的结果的例子。在左手边的仪表盘中，以不同的颜色和标志显示在最后的拟合中分配给九个二元正态分布的所有的位置。在中间的仪表盘，只二元正态分部的心迹线被显示，其中该二元正态分部被分类为以橙色显示的发生在设备和以绿色显示的所有其它二元正态分部。在右手边的仪表盘，被分类为发生在喂食器的MDIP被以橙色显示而其它的位置被以绿色限制，指示离开喂食器的行动在IEI期间发生。

B.将IEI分类为短或长

为了区分可能发生在喂食发作内的IDs以及可能发生再喂食发作之间的IDs，每一个动物的ID分布与对数正态分布(lognormaldistributions)的混合拟合。已经发现，分布通过与出现的IDs的不同类型一致的3或更多对数正态分布的混合被最佳地拟合。然后通过基于动物逗留在设备处的概率将对数正态分布分成两组(例如短和长)来确定IEI为短的概率。

在某些实施方式，通过将单变化正态调整到对数转换的IDs来确定相对于总的分布为短的概率。图22B中显示了示例，该示例显示了五个被调整到对数转换IDs的单变化正态。在图22B中，对数正态ID(min)被显示在x轴，其中非正态的概率(该ID的频率平方根)在y轴。

然后将持续时间数据分区，通过找出每个正态分布的每个ID的后验概率。为了将数据分区，然后由最短到最长存储该IDs。每个ID被硬聚类，即，根据正态分布索引ID，它具有最高的后验概率，该后验概率属于：在图22B所示的例子中，每个持续时间，数据点将有1，2，3，4或5的索引。每当索引变化时，即，在硬聚类的识别从一个簇变化到另一个时，将该数据分区。

空间信息，然后被用来按照具有短或长或短的持续时间分类分区，其中短的持续时间与是WBI的IEI的高概率一致(如上所述计算)。为了将分区持续时间分类为短或长，给定组(例如ob小鼠)的所有分区被结合，以减少个体差异的影响。作为对数转换分区持续时间的均值(mean)的函数，平滑线被拟合到分区AD(在设备)概率。一个例子被显视在图33中。对于WBI，组持续时间标准，ID_WBI-group，然后被设置为持续时间，在该持续时间动物可能被等同于逗留在或离开该设备。具有比标准少的平均持续时间的所有分区被分类为短间隔分区，该标准的分区AD概率大于0.5。同样地，具有比组持续时间标准少的平均持续时间的所有分区可以被分类为长间隔分区，该标准的分区AD概率小于0.5。

对于每一个动物，短和长分区之间的过渡可以被用作短IEI持续时间标准。然后平均持续时间小于持续时间标准的单正态的后验概率被相加，以产生每个IEI为短的概率的估计。

5.移动发作分类

本发明另一个方面涉及在活动状态(AS)期间但非另外的设备事件发作期间、将运动分类到运动器运动(LM)或非运动器运动(NLM)中的方法。使用监督的学习算法来达成其，该监督的学习算法将在非活动状态期间或摄入发作期间的运动用作训练集。因为这些运动在一个有限的区域发生，它们代表“适当移动”(MIP)的行为并应反映NLM事件的特性。因此，当动物在笼或其它测量区域周围移动时，MIP运动应不同于在行动的发作期间发生的运动。在一个实施方式中，为了将参数化的MIP事件的训练集参数化，使用了每一个位置的转向角度(两个运动矢量的点产品的角度)和运动速率。然后，最可能发生在行动期间的不间断的多串运动运动事件被用于定义行动发作的开始和偏移。最后，活动状态内的时间可被分类为“其它”行为(如审视，养育，理毛，挖掘，等)的发作，在该活动状态期间，动物未从事与某些设备(例如，摄入)或运动器发作相关联的行为发作。

结合运动发作分类的具体实施方式的进一步讨论被包括在以下的例子中。

6.比较聚类

本发明的另一方面提供使用从各个对象所收集的信息以在动物的组之间进行比较，从而研究基因、药品和环境因素对行为的神经调节的的影响的方法。对行为的时域模式的详细量化评估，可以提供这样的实验操作对大脑功能的影响的高敏感的指标。在解释发生在个体中的行为模式的变异性时，其需要用于在实验组中检测行为模式差别的分析方法。

提供了用于比较两个组或种群(如WT小鼠和OB小鼠)之间的行为模式的新方法。聚类方法的比较确定模式是否在两个组之间不同以及识别最有助于任何所观察的差别的模式的方面。参考活动状态(AS)开始时间和持续时间来讨论该算法的一个例子，尽管本领域的技术人员将理解到把它应用到其它行为数据。

该方法包括测试两个组具有例如AS开始时间和持续时间的相同模式无效假设。其通过将所有天的AS开始时间及持续时间结合进该两个组(在无效假设下其是适当的)及将所结合的数据中的每一个AS分配到多个簇之一被实现。对于每个簇，卡方统计然后被基于控制并测试向簇贡献了等比例的ASs的组的无效假设来计算。在所有簇上的卡的和被用作对日常模式内差别的测量。任何差异显着性可以通过在两个组之间交换动物来确定任何差别的显著性，以获得卡方的原始和相对于交换后的卡方和的百分比等级(percentilerank)。如果在全部模式中存在显著差别，通过获得被用于调整多个比较的每一个簇的p值来找出最有助于该差别的部分模式，该多个比较使用分阶再采样算法3。见特罗德尔(Troendle)，J.F.(2000)。分阶正态理论多个测试程序控制错误发现率(Stepwisenormaltheorymultipletestprocedurescontrollingthefalsediscoveryrate)。统计规划和推理杂志(JournalofStatisticalPlanningandInference)84，139-158，通过引用将其并入本申请。

图18是显示根据某些实施方式比较两个组的方法中的操作的处理流程图。首先，来自两个对比组的数据在无效假设下被组合(1801年)。通常，测试组和控制组是具有行为测量数据或每个组中用于对象的正在考虑的数据的两个群体。选择簇的数量(1803年)。下文进一步讨论选择簇的最优数量的处理。然后，所组合的数据集中的每个数据点被分配到簇之一(1805)。基于无效假设为每一个簇计算卡方统计(1807年)。在整个所有簇上对该卡方求和(1809)。如以上所述的，这是对两个组的模式之间的差别的测量。然后动物对象被在两个组之间交换(1811年)。这样做是为了测试两个组之间的差别。如果显著差异出现，多比较测试被执行，以找到有助于模式中的差别的簇(1813年)。

图19是处理流程图，其示出了选择簇的最优数量的方法中的操作。如可以看出的，它包括在组比较之间和内部之间的δ卡方的最小化p值。图19所示的处理是一个例子，本领域技术人员将理解到可以进行变化及优化。

7.计算机硬件

其应当是明显的，本发明的某些实施方式采用在指令的控制下行动的过程和/或在一个或多个计算机系统内存储的或在一个或多个计算机系统内传输的数据。某些实施方式还涉及到执行这些操作的装置。该装置可以为所需要的目的而专门设计和/或构造，或者它可以是通过在计算机所存储的或反之其它计算机可用的数据结构和/或一个或多个计算机程序选择性地配置的一般目的的计算机。在此陈述的过程本质上是不涉及任何特定的计算机或其他装置。特别地，各种一般目的的具有根据本申请的教导所写的程序的机器可以被使用，或者可以更方便地构建更专业化的装置以执行所需要的方法步骤。下文示出并描述用于各种这些机器的具体结构。

此外，某些实施方式涉及到计算机可读介质或计算机程序产品，其包括用于执行各种至少与以下任务相关联的计算机执行的操作的程序指令和/或数据(包括数据结构)：(1)从仪器获得原始数据，(2)执行自动的及用户界面的数据质量控制，(3)将活动和非活动状态分类，(4)分析和表征这些状态中的时域变化，(5)分类的行为发作，(6)分类运动发作，(7)跨组执行簇比较。本发明还涉及执行指令从而以执行任意或所有的这些任务计算器装置。它还涉及到包括以指令编码以便执行这些任何的计算机可读介质的计算装置。

适于使用本发明的计算机程序产品和计算装置的有形计算机可读介质的例子包括但不限于，如硬盘、软盘、及磁带的磁介质，如CD-ROM磁盘的光学介质；磁光介质，半导体存储器件(例如，闪速存储器)，以及比如读存储器(ROM)和随机存取存储器(RAM)等被专门配置以存储和执行程序指令的硬件设备。在此所提供的该数据和程序指令还可以被实现在载波或其它传输介质(包括电子器件或光学传导通路)。

程序指令的例子包括如由编译器产生的低级代码，以及使用翻译器可通过计算机执行的较高级代码。此外，该程序指令可以是机器代码、源代码和/或任何其它代码直接或间接控制的计算机器的操作。该代码可以指定输入、输出、计算、条件、分支、迭代循环等。

图20A以简单的方块形式示意了根据某些实方式，在被适当地配置或设计时，可用作计算装置的典型的计算机系统。该计算机系统2000包括耦合到存储设备的任何数量的处理器2002(也称为中央处理单元，或CPU)，该存储设备包括主存储器1906(通常是随机存取存储器，或RAM)、主存储2004(通常是只读存储器，或ROM)。CPU2002可以具有包括微控制器和微处理器的各种类型，如可编程器件(例如，CPLD和FPGA)和如门阵列ASIC或一般目的的微处理器等非可编程器件。在所描述的实施方式中，主存储器2004用以单向地向CPU传输数据和指令，而主存储器2006通常被用来以双向的方式传输数据和指令。这些主存储器设备都可以包括任何如以上所描述的合适的计算机可读介质。大容量存储器设备2008也被双向耦合到主存储器2006并提供额外的数据存储容量，并且可包括上文所述的计算机可读介质中的任何一个。大容量存储器设备2008可被用于存储程序、数据及类似物，大容量存储器设备2008通常是如硬盘等二级存储介质。通常，这样的程序，数据等暂时被复制到主存储2006以便在CPU2002上执行。将认识到，在大容量存储器设备2008内保留的信息，在适当情况下，可以以标准的方式结合为主存储器2004的一部分。如CD-ROM2014等具体的大容量存储器设备也以向CPU或主存储器单向地传递数据。

CPU2002也耦合到接口2010，该接口2010连接到一个或多个比如视频监控、跟踪球、鼠标、键盘、麦克风、敏感触摸显示器、传感器智能卡阅读器、磁性或纸带阅读器、图像输入板、光笔、语音或手写识别外围设备、USB端口、或其它众所周知的比如当然其它计算机等的输入设备的输入/输出设备。最后，CPU2002可选地可以被耦合到外部设备，比如使用在2012一般显示的外部连接的数据库或计算机或远程通信网络。用这样的连接，可以设想到在执行在此所描述的方法步骤的过程中，CPU可以从网络接收信息或可以向网络输出信息。

在一个实施方式中，如计算机系统2000的系统被用作数据导入、数据关联、及能够执行部分或所有在此所描述的任务的查询系统。通过网络连接2012可以提供由研究者下载的包括数据文件的信息和程序。可替代地，这可以在存储器设备上向研究者提供样的信息、程序和文件。

在具体的实施方式，计算机系统2000被直接耦合到数据获取系统，如微阵列或从样本数据捕获的高吞吐量筛选系统。通过系统2000为分析通过接口2012提供来自这样的系统的数据。可替代地，从诸如数据库或相关数据的其它库等数据存储器源提供由系统2000处理的数据。一旦装置2000中，如主存储器2006或大容量存储器2008等存储设备至少暂时地缓存或存储相关数据。存储器也可以存储各种例行程序和/或用于导入、分析及呈现数据的程序。

本发明可以被实现在固定介质或可传播的程序组件中，其包含根据本发明的方法，在被加载到适当配置的计算设备时、使该设备对数据集执行一个或多个分析操作的逻辑指令和/或数据(例如，将行为分类为发作、识别行为发作的昼夜模式、在簇行为内分类、比较组等)。

图20B示出了数字设备，其可以被理解为能从介质2067和/网络端口2069读取指令的逻辑装置。装置2050此后可使用这些指令以直接分析行为数据直接，创建，排序，搜索及读取行为数据库，等等。在某些实施方式，根据本发明数字设备可以被直接连接到一个或多个笼行为系统，以及可选地实时地运行。在某些实施方式，数字设备可以简化访问、分析和/或操作之前收集的数据。

可以实现本发明的一种类型的逻辑设备是如2050中所示意的计算机系统，该计算机系统包含CPU2057、可选的输入设备20592061、磁盘驱动器2065和可选的监测器2055。固定介质2067可被用于编程这样的系统以及可以代表磁盘类型的光学和/或磁介质，和/或存储器或类似物。通信端口2069也可以被用于编程这样的系统并且可以代表任何类型的通信连接(例如到数据获取系统的连接)。

本发明还可以被实施方式在专用集成电路(ASIC)或可编程逻辑设备(PLD)内。在这种情况下，可以计算机可以理解的描述语言来实现本发明，该描述语言可被用于创建像在此所描述的那样操作的ASIC或PLD。

本发明的方法可以被实现宰本地化的或分布式的计算环境中。在分布式环境中，该方法可以被实现在包括多个处理器的单个计算机上或者实现在多个处理器组成的计算机上多样性的计算机上。这些计算机可以被链接，例如通过通用总线，但更最好的计算机(一个或多个)为网络上的节点。该网络可以是一般化的或专门的本地或广域网络，以及在某些优选实施方式中，计算机可以是内部网或因特网的组件。

在某些因特网的实施方式中，客户端系统通常执行Web浏览器并且被耦合到执行Web服务器的服务器计算机。Web浏览器通常是比如微软的IE浏览器、或Netscape或Opera等程序。在Web服务器通常但不必需是如IBM的HTTP守护进程或其它WWW守护进程等程序。通过线路或通过无线系统与该服务器计算机耦合的客户端计算机是双向的。相应地，与提供对实现本发明的方法的软件的访问的网站(该网站服务承载该网站)耦合的服务器计算机可以是双向的。

连接内部网或因特网的客户端用户能让客户端请求资源，该资源是托管提供对本发明的方法的实现的应用(一个或多个)的该网站(一个或多个)的一部分。服务器程序(一个或多个)然后处理该请求以返回所指定的资源(假设它们当前可用)。采用标准的命名约定包括若干类型的地点名称，如众所周知的统一资源定位符(“URL”)。该约定包含了若干类型的地点名称，目前包括比如超文本传输协议(“http”)、文件传输协议(“ftp”)、地鼠程序，和广域信息服务(“WAIS”)等子类。在资源被下载时，它可以包括额外资源的URL。因此，客户端用户可以很容易地了解他或她没有特别要求的新资源的存在。

实施本发明的方法(一个或多个)的软件可以本地运行在真正的客户端服务器架构中的托管网站的服务器上。因此，客户端计算机向运行本地所要求的过程(一个或多个)的主机服务器公布请求，然后下载返回的客户端的结果。可替代地，本发明的方法可以“多层”形式被实现，其中通过客户端本地执行该方法(一个或多个)的组件。基于客户端(例如，Java应用程序)请求，这可以通过自服务器下载的软件来实现，或者可以通过“永久”安装在客户端的软件来实现。

在一个实施方式中，实施本发明的方法的应用(一个或多个)被分成帧。在这个范例中，如下是有利的：不将应用程序更多的看作特征或功能的集合，而是，看作是离散的帧或视图的集合。典型的应用，例如，一般包括一组菜单项，其中的每一个激活特定的帧——亦即，指明应用的某些功能的形式。以这个角度来看，应用被认为不是代码的单片体，而是小程序集合，或功能包。以这样的方式，在浏览器中，用户将选择将相应地调用应用程序(即子应用)的特定帧的Web页链接。因此，例如，一个或多个帧可为特定动物或品系提供输入和/或访问动物行为图的功能，而其它帧提供用于识别发作、簇、昼夜模式等工具。

除了将应用表示为帧的收集，应用也可以被表示为内部网和/或因特网的地点；URL(统一资源定位器)地址指向应用。每个URL优选地包括两个特征：URL的内容数据(即，无论什么数据存储在服务器上)连同数据类型或MIME(多用途互联网邮件扩展)类型。该数据类型允许Web浏览器确定应该如何解释从服务器(例如，如解释作为位图图像的gif文件)所接收的数据。实际上，这用作对一旦在浏览器接收到数据怎样处理该数据的描述。如果二进制数据流被以HTML类型接收，则浏览器将其呈现为HTML页。另一方面，如果相反它收到位图类型，则浏览器将其呈现为位图图像，等等。

在MicrosoftWindows中，存在着不同的技术，以允许主机应用注册感兴趣的对象(即，特定类型的数据)。一种技术是用于向Windows注册特定文件扩展中的兴趣的应用，以便(例如，doc-“MicrosoftWord文档”)；这是Window应用采用的最常见的技术。在Microsoft对象链接和嵌入(OLE)中采用的另一种方案是使用类(class)全局唯一标识符或GUID-表明特定服务器应用的16-字节标识符来调用(以托管具有GUID的文档)。类ID是被注册在被连接到特定的DLL(动态链接库)或应用服务器的特定机器。

在一个特别关心的实施方式中，用于与文档关联的主机应用的技术是通过使用MIME类型。MIME提供封装文档对象的标准化技术。它包括用于指示哪个应用适于托管该文档的MIME头，以适于通过因特网传输的格式所包含的全部。

在一个优选实施方式中，本发明的方法被以使用MIME类型而部分地实现，以使用本发明的该方法。MIME类型包含本地创建文档(如MicrosoftActiveX文档)所需的信息，但是其另外还包括查找和下载用于呈现文档的视图的程序代码，如果必要。如果该程序代码本地已经存在，则只需要为更新本地备份的目的下载。这定义了一个新的文件类型，其包括支持可下载的用于呈现文档视图的程序代码的信息。

MIME类型可以与APP的文件扩展相关联。带有APP扩展的文件是由OLEDocObject执行的OLE文件。因为APP文件是文件，它能被放置在服务器上并且被链接以使用HTMLHREF。该APP文件优选地包含以下数据片：(1)ActiveX对象的CLSID，其为按照适合于使用本发明的方法的一种或多种方式来实现的OLE文档查看器(viewer)；(2)可以找到对象的代码的代码库的URL，以及(3)(可选地)被请求的版本号。一旦APPDocObject处理器代码被安装并注册APPMIME类型，则其可以被用来将APP文件下载到用户的Web浏览器中。

在服务器侧，由于APP文件确实是文件，Web服务器简单地接收请求并给客户端返回文件。当APP文件被下载时，APPDocObject处理器要求操作系统下载APP文件中所指定的对象的代码库。通过CoGetClassObjectFromURL函数，该系统功能在Windows是可用的。在ActiveX对象的代码库被下载之后，APPDocObject处理器要求浏览器在其自身创建视图，例如通过调用在探索器(Explorer)文档地点上的ActivateMe方法。该InternetExplorer然后后退调用DocObject以例示视图，它通过从已下载的代码创建ActiveX视图对象的例子进行其。一旦被创建，ActiveX视图对象获得在InternetExplorer中被适当地激活，其创建了适当的表格(form)以及所有它的子控件。

一旦创建了表格，它能建立退回到任何远程服务器对象的连接，它需要执行它的功能。在这点，用户可以与该表格交互，其将出现嵌入在InternetExplorer的框架中。当用户变化到不同的页面时，浏览器假定负责最后关闭和破坏该表格(以及放弃任何未连接到远程服务器的其它连接)。

在一个优选的实施方式中，从终端用户的桌面，系统的入口点是企业主页或者其它的的特定网站的主页。该页可选地以常规的方式可以包括多个链接。响应于用户点击应用页面的特定链接(例如，提供本发明的方法的功能的页面)，Web浏览器连接到驻留在服务器的应用页面(文件)。

在一个用户请求访问本发明的方法的实施方式中，用户被指引到特定页面类型，例如，原地执行Web浏览器内的应用(执行本发明的方法的一个或多个元素)的应用(appdoc)页面。由于每个应用页面使用URL来定位，其它页面可以具有到它的超链接。通过制作包含到该应用页面的超链接的目录页可将多个应用页面组合在一起。当用户选择指向该应用页面的超链接时，Web浏览器下载的应用程序代码并执行浏览器内的该页面。

一旦浏览器下载该应用页面，浏览器(基于已定义的MIME类型)调用本地处理器，用于类型的文件的处理器。特别地，该应用页面优选地包括全局唯一标识符(GUID)和用于识别远程(下载)应用以为托管该文件而调用的代码库URL。给定了文档对象以及以应用页面到达的GUID，本地处理器查找客户端计算机，以查看主机应用是否已驻留在本地(例如，通过检查Windows95/NT注册表)。在这点本地处理器可以选择调用本地备份(如有)或下载该主机应用的最新版本。

下载代码的不同型号通常可用。在代码被下载时，“代码库”说明(文件)最初从服务器请求。代码库自身可以从简单的DLL文件到包含多个压缩文件的柜体文件(Cabinetfile)(Microsoft.cab文件)。继续进一步，信息(如Microsoft.inf)文件可被用于指导客户端系统如何安装已下载的应用。这些机制在选择应用的哪个组件被下载以及何时被下载方面有足够大的灵活性。

在某些实施方式中，被用于自动地下载程序代码本身的机器有赖于标准的MicrosoftActiveXAPI(应用编程接口)调用。虽然ActiveXAPI不提供对Web传递的应用的本地支持，它的API可以被调用，以定位程序代码的正确版本、将它复制到本地机器，验证它的完整性、以及向客户端操作系统注册它。一旦代码已经被下载，处理器可以继续调用现已出现的应用主机以呈现文档对象(以类似于通过注册表调用主机应用的方式，如果它已经被安装)。

一旦主机应用程序(OLE服务器)在客户端被加载，客户端系统可以采用OLE文档视图架构，以在浏览器中正确地呈现该应用，包括使用常规的OLE方法以便将应用的菜单添加到浏览器的菜单以及以便根据浏览器的新大小来正确地再次调整该应用的大小(与要求应用在单个ActiveX控件的矩形(前面提到的限制)内执行相反)。一旦该应用在客户端被执行，它可以执行诸如使用RPC(远程进程调用)方法的远程逻辑。以这种方式，优选地被作为远程进程(一个或多个)执行的逻辑仍然可以被使用。

在某些优选的实施方式，本发明的方法被实现为一个或多个提供了以下功能的框架。组织、搜索、保存、和找回原始行为数据或减少/数据行为数据(例如，由本发明的设备产生的数据)的功能(一个或多个)，识别和/或分类发作的功能，识别/分类发作的簇的功能，识别/分类昼夜模式的功能，在发作行为内分类/识别的功能，比较和对比行为一览表的功能，以图形化表示行为一览表的功能，等等。

此外，该功能还可以可选地提供对通过本地因特网络和/或内部网可访问的私有和/或公共数据库的访问，借此数据库中所包含的一个或多个行为一览表可以被输入到本发明的方法内。

实现内部网和/或计算和/或数据访问过程的内部网，对于本领域技术人员是众所周知的，并且被详细地进行了证明(例如，见克卢尔等。(1992)为总体框架面向对象的查询，国立SIGMOD上的数据，加州圣迭戈，管理国际会议，6月2日五，1992年，SIGMOD记录优化，第二卷。21，第2期，6月，1992年；斯通布雷克，米，编辑；ACM出版，页。383392，ISO标准ANSI和工作草案，“信息技术数据库语言SQL”，吉姆梅尔顿，编辑，国际标准化组织和美国状态标准学会，1992年7月，微软公司“的ODBC2.0程序员参考和SDK指南。微软..商标为MicrosoftWindows和WindowsNT......商标，微软开放式数据库连接..商标..软件开发工具包“，1992年，1993年，1994年微软出版社，页打开数据库标准。3304156，国际标准化组织工作草案，“数据库语言SQL的第2部分：基金会(的SQL/基础)”，CD90752：199。志。SQL中，1997年9月11日，等等)。

本领域技术人员认识到在不脱离本发明的范围的情况下，可以对这种配置做出修改。例如，在两层配置中，执行的WWW网关的功能的服务器系统也可以执行Web服务器的功能。例如，上文所述的实施方式中的任何一个可以被修改，以除了URL以外的其它形式来接受来自用户/用户终端的请求。另一个修改还将涉及对多个管理环境的适应性修改。

例子

对于家笼行为模式的分析，小鼠被单独地圈养在家笼监测(HCM)的笼中14天。最初的4天被认为是适应时期，而接下来的10天的数据被用于得出并分析行为元素及它们的模式。获取的对于每只小鼠的多天的数据允许我们开发对每只小鼠的平均日常行为的详细描述，以及评估每天根本的行为元素和它们的模式的再现性。

1.实验过程

A.动物

肥胖自发突变的小鼠纯合(homozygous)(Lepob，B6.V-Lepob/J：OB)和小鼠(WT)的控制C57BL/6J被从杰克逊实验室(JacksonLaboratory)(巴尔哈伯(BarHarbor)，ME)获得。在UCSF通过将htr2c-等位基因(基于C57BL/6J背景的同类系)的杂合雌性与从从杰克逊实验室获得C57BL/6J雄性交合来繁殖承受伴性的htf2c基因(Tecott等人，1995)及控制WTWTlittermates的无效突变的血清素2C受体突变体雄性(2C)。用于htr2c-等位基因的基因通过PCR分析来执行。以12小时光/黑循环在在室温(18-23℃)圈养动物，其中可以自由地接触水和标准的食品饮食(PicoLabMouseDiet20，PurinaMills，Richmond，IN)。根据照顾病使用实验室动物的健康指导的状态研究所和加利福尼亚大学动物研究协会的指导(theguidelinesoftheNationalInstitutesofHealthGuideforCareandUseofLaboratoryAnimalsandtheUniversityofCaliforniaCommitteeonAnimalResearch)来进行试验。

B.数据收集

雄性小鼠被单独地圈养在家笼检测系统(HCM)中14天，该家笼检测系统由45x24x17cm的有机玻璃外壳组成，其中喂食器和水瓶被安装在一个端部。金属丝斜面使进入到4x4cm喂食器成为可能，其中动物可以通过将它们的头穿过2.5x2.5cm的小孔侵入到食物柜中来获取粉末状的食品。为了检测喂食，头部浸入打断了被放置在斜坡中开口下方的光子束(DiLog仪器，Tallahassee，FL)。为了检测饮用，动物从附着于被放置在具有0.5x2.5cm的孔金属板后的水瓶的金属喷口舔。该金属喷口允许来自待检测的舔接触的容量变化(DiLog仪器，Tallahassee，FL)。为了监测动物的重心的位置，我们将有机玻璃外壳放在具有中心枢轴点并且两个负载束在前面的活动监测平台上(DiLog仪器，Tallahassee，FL)。数据被收集到放置在相邻房间的个人计算机(DiLog仪器，Tallahassee，FL)。摄入事件文件记录开始和光子束的偏移以及舔接触、每毫秒采样的中断。运动事件被定义为动物的重心超出了1厘米的半径的变化(在以500毫秒过滤移动的平均窗口之后，根据动物的身体重量和两个负载束上的力在线计算的)。运动事件文件记录了每隔20毫秒所采样的运动事件的开始以及在x和y所移动的距离。

为了确定食物和水的摄入，在数据收集被再次启动之后数据收集被停止而重新称食物和水的重量。日常维持的该时期发生在9和11时之间并且小于2小时。每一天，我们在通过按照Y7个分割按照X笼的3个分割所定义的21个区段之一中，记录动物的巢的地点。我们从11-14周龄的雄性小鼠收集数据：WT(n＝8)和OB(n＝8)；WT(n＝16)而2C(n＝16)。

为了证实对光子束中断时间的使用以及舔接触数量如日常食物和水摄入的测量一样，在初始数据收集之后，我们对于小鼠的子集在3天的7am，在3天的7am和7pm，以及在3天的7am、1pm、7pm、和10pm称食物和水的重量。具有横跨一天的不同时间的设备测量的摄入的强相关证实这些设备测量可被用于估计一天中任何时间的输入量(对于所有的小鼠两个摄入设备，喂食R²(平均±sd，小鼠的数量)：WT0.95±0.04N＝8，2C0.97±0.01N＝6；饮用R²：WT0.98±0.01，N＝8，2C0.98±0.01N＝8；P＜0.0001)。为了估计跨时间的摄入，我们通过总的食品摄入除以总的光子束中断时间来计算喂食系数(mg/s)，以及通过总的水摄入除以总的舔接触数量来计算舔系数(mg/lick)。通过喂食系数乘以光子束中断持续时间或舔系数乘以舔接触的数量，我们估计跨时间的摄入。

C.数据简化及质量控制

大量的行为数据需要建立有效的评估及最大化数据质量的方法。为了达成这个目标，我们使用每一个数据收集设备的输出来交叉检查笼中其它设备的性能。以MATLAB编程语言在内部开发的数据质量控制算法自动地检测误差并且标记该数据以便排除或以便由试验者使用内装式的图形用户接口来回顾。为了便于分析，对于所有的设备，仅具有无误差数据的小鼠天被用在分析中。

i.对摄入时间开始误差的检测

我们估计位置中的总漂移(见下文的运动位置校正)并且将其与动物在摄入事件开始期间的位置中的偏移进行比较。为了估计总的位置漂移，我们在最小和最大动物位置如何在日常数据收集期间随时间变化之后，(分别为x和y)计算位置包络线。

例如在X，这可以通过使用由在X的位置所组成的时间序列以及计算多个凸包来达成，该凸包的顶点定义了x位置相对时间的包络线。最初，我们使第一凸包适合于该天的第一个15分钟内的x数据。然后，该包被扩展直到动物所经过的最大距离至少在X上为15cm(或在y为35cm)，表明该动物已经穿过大多数的笼(在X或Y)。然后我们在前一个凸包结束后，调整包括下一15分钟内的数据的下一个凸包。该包被以与第一个凸包相同的方式扩展。我们继续使凸包适合于x数据，直到整个日常的数据收集时期被覆盖。

其产生了位置包络线，该包括线定义了动物在笼类的运动的边界，提供对漂移如何在最小和最大x位置随时间变化的估计。最大和最小位置中的漂移的估计被平均，从而估计x位置中的漂移。如果该漂移与摄入设备位置中的明显漂移不同在X超过10cm或在y超过15cm，摄入和运动设备事件被标志以便随后的回顾。事件发生误差导致排除3个小鼠天(3mousedays)的光子束中断数据及4个小鼠天的舔接触数据。

ii.运动位置校正

因为我们使用加在活动平台负载束上的力来估计位置，可以由于改变笼内质量的分布而将误差引入到这些估计中(由于从笼的前方移除食物和水，对基座(bedding)、排尿、及排便的移动引起的)。为了校正这些误差，我们首先使用喂食和舔检测设备的已知地点来设置在该设备处时所期望的动物的重心的位置。该期望的位置在该天的第一设备检测期间被设置，因为该位置将有最小数量的漂移。然后基于输入设备的地点在根据运动数据预计的随后的摄入事件位置和所期望的位置之间，进行比较(在排除了如上的错误的输入事件开始之后)。如果所预测的和所期望的位置差别在X或Y超过2cm(平均差±：运动事件的33±9％)，我们校正发生在当前和后续的摄入事件之间的位置如下：1)分别为x和y确定位置漂移，2)总漂移被按照在每一个运动事件之间移动的距离分配在所加权的位置之间。

iii.对摄入事件偏移误差的检测

检测摄入事件的偏移的失败可能发生在喂食器光子束变的被食物微粒阻塞时。为了检测这种误差，使用被称为Ameoba的快速最近邻聚类算法聚类横跨假定光子束中断期间的小鼠的所有天的所有位置。为了识别发生在光子束中断期间的不同的簇，我们使用了5cm的簇标准。只有一个被居中在该设备处的簇存在指出所有的摄入事件偏移时间是准确的，因为小鼠在所有的设备事件期间是靠近设备的。当不止一个簇出现时，我们假设被居中的最靠近摄入设备的最大的簇包含有效事件。我们排除在其它簇中的事件，因为动物在这些事件期间是远离该设备的。这导致从480个总的小鼠天中排除了68个小鼠天的光子束中断(14％)。同样的算法被用来测试对舔事件误差的检测，但没有检测到这样的误差

vi.对其它误差的检测

数据也因为数据收集中的若干特异性误差而被排除。对于被观察在喂食器中的睡眠的一个小鼠而言，第13-14天的光子束中断数据被排除。对于一个小鼠因为它在第12天排空了食物漏斗并且可能已经被剥夺了食物，所以第12-14天的所有数据被排除。所有，对于在WTOB群组中的所有小鼠，由于控制缺失导致第8天监测室内温度若干小时为31℃，所以所有第8-9天的数据被排除。

D.不活动状态分类

对于每个小鼠，行为被分成两个状态：非活动状态(IS)和活动状态(AS)，在非活动状态期间，小鼠靠近单个地点度过了较长的时段，在活动状态期间，动物在笼的周围移动。通过得到如以上所描述的非活动位置持续时间阈值来完成该分类。具有比非活动阈值长的持续时间的位置被分类为非活动。因为在一段时端上，动物可以重新放置它们的家笼，我们变动时间窗口以在单个家笼被使用期间捕获信号出现时间(epoch)。空间滤波器被应用于消除没有将动物从家笼的地点移除的小的运动。为了选择适当的时间窗口和空间滤波器，我们最小化状态分类误差，如参照图11在上文所描述的。

时间窗口是从2-24小时(2，3，4，6，12，24小时起始于昼夜时间零，(灯标))变化。作为空间滤波器，我们使用从1cm至8cm(1，2，3，4，5，6，8cm)变化的运动阈值，该运动阈值靠近这些小鼠(参考)的体长。对于每一个时间窗口长度和运动阈值的组合，我们计算所有的位置距离每一个窗口中具有最长持续时间的位置的距离。与每个位置相关联的是持续时间和在该窗口中道最长持续时间的距离。然后这些位置被关于它们的持续时间的对数而放入仓中(不包括空仓的仓宽度为0.1对数毫秒)。利用非线性最小二乘回归，我们使三线适合于每个仓中的最大距离。第二和第三的交叉处被设置为小鼠的非活动阈值。然后，我们通过将相邻的非活动位置聚集来定义IS开始及偏移。

为了确定IS分类误差，我们计算包含输入事件的IS的百分比。为了确定AS分类误差，我们识别没有摄入事件的AS，其中小鼠所覆盖的区域不大于IS期间小鼠所覆盖的所有区域中的最大。状态分类误差然后被通过求IS和AS分类误差的和来计算。然后，我们使用1x7重复的测量ANOVA差别比较(WTOB2cm；WT2C3cm)，来选择产生了最低状态分类误差的运动阈值。窗口持续时间没有显着地改变误差率并且被设置为最大的窗口(WTOB12小时；WT2C4小时)。利用这些运动阈值和时间窗口，群组的状态分类误差率(平均±sd)为：WTOB7±10％；WT2C5±10％以及非活动阈值(平均值±sd)：WTOBWT5±1OB13±4；WT2CWT8±22C8±2，分钟。按照误差分类的状态在进一步分析之前被校正。

E.摄入发作分类

对于每一个小鼠，我们通过检查一个摄入事件的偏移和下一个摄入事件(事件之间的间隔，IEIs)的开始之间的所有间隔的特性分别将发作分类，用于喂食和饮用。为了将每一个IEI分类成发作内间隔(WBI)或者发作之间间隔(IBI)，我们检验两个特性：1)小鼠在IEI期间逗留在设备处的概率和2)IEI相对于IEI持续时间的全部分布的持续时间。在IEI分类后，发作开始及偏移随着摄入事件之间的发作内部间隔的不中断串而被识别。根据发生在暗周期期间的IEIs的分类来分别进行发生在光周期期间的IEI的分类。

IEI期间动物在设备处的概率通过使二元正态(下文讨论拟合过程的细节)适合于IEI期间(图T2A)距离设备最远的位置(x，y)来估计。使用被称作amoeba的快速最近邻聚类算法来聚类适合的二元正态的质心。Ameoba允许簇在任何方向成长，只要簇内的任何点具有比用户组距离标准更近的最近的邻。距离标准从1到2.4cm变化，产生二元正态的簇。其质心最接近的该设备的二元正态的簇被分类为“在设备处”(AD)。在该簇中，该二元正态被指定为AD二元正态，其排除了弥漫性二元正态。然后，我们对AD二元正态的后验概率求和，以产生每一个最大地离开IEI位置(MDIP)是在设备处的概率的估计。变形虫的最终距离标准被选择以铜鼓最小化分类熵来最小化两组之间的重叠，

$E_c=-\underset{k=1}{\overset{N_c}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{N_d}{\mathrm{\&Sigma;}}}{z}_{\mathrm{ik}}\log \left(p_{\mathrm{ik}}\right),$ $z_{\mathrm{ik}}=\left\{\begin{array}{cc}0& p_{\mathrm{ik}}<0.5\\ 1& p_{\mathrm{ik}}\&GreaterEqual;0.5\end{array}\right.$

其中p_ik是对于位置i和簇k在设备处的概率，N_C是簇的数量而N_d是位置的数量(Biernackietal.，2000；CeleuxandSoromenho，1996)

IEI相对于全部的分布为短的概率通过使单变化正态(适合过程细节下文描述)适合于对数转换的IEIs(图22B)来确定。然后，我们从最短到最长来排序IEIs并且定义连续的IEIs之间的分区的边界，其中硬聚类标识(z_ik)从一个簇到另一个是变化的。对于单个小鼠，这导致3至9个喂食IEIs的分区及4至15个饮用IEIs的分区。分区数量的变化主要是因为峰的可变数量小于喂食的1分钟及小于饮用的一秒。对于喂食，峰值的数量内跨小鼠的变化可以反映小鼠如何处理食物的差别(例如：头部侵入对爪子喂食)。对于饮用，跨小鼠的变化反映了在舔事件发作期间错过舔的数量与某些小鼠在高度一成不变的舔的流中频繁地错失一个或两个舔接触的差别。这产生1至3个峰，该峰比是小于预期的正态分布(kurtotic)等，这些山峰比所期望的正态分布(kurtotic)窄使得这些峰中的每一个可能需要不止一个正态分布，以提供对IEI分布足够适合的适合度。

由于分区数量的变化，我们利用空间信息来将具有短或长持续时间的分区分类，其中短持续时间与作为WBI的IEI的高概率一致。由于我们期望具有短持续时间的间隔将由增加的的在设备处剩余的概率来表征，我们检查每个分区中平均持续时间之间的关系，以及动物在摄入设备处的概率(图33)。分区持续时间被以下面的方式分类为长或短。为了将分区持续时间分类为短或长，我们组合指定组(如OB小鼠)的所有分区，以减少个体差异的影响。然后我们按照对数转换分区持续时间的函数，使平滑线(lowess，跨度20％的数据点的总数)适合于分区AD概率(图33)。对于WBI，组持续时间标准ID_WBI-group然后被设置为持续时间，在该持续时间小鼠可能被等同于逗留在或者离开设备。平均持续时间小于分区AD概率大于0.5的所有的分区被分类为短间隔分区。类似地，具有平均持续时间大于其分区AD概率小于0.5的组持续时间标准的所有分区被分类为长间隔分区。一些分区(＜1％)既不符合这些标准，也未给出它们的最近的邻分区分类。

对于每个小鼠，短和长分区之间的过渡可以被用作短IEI持续时间标准，IDWBIm。然后平均持续时间小于持续时间标准的单正态的后验概率被相加，以产生每个IEI为短的概率的估计。对于异常的弥漫单正态(sd大于1.5)，比标准短的IEI的后验被增加到短组并且大于标准的IEI后验被增加到长组。

最后，IEI的概率是发作内间隔，其通过平均小鼠在IEI期间在设备处的以及IEI为短的概率来确定。然后，我们将IEI分类为发作内，如果该概率估计大于通过下式给定的标准

$\mathrm{probability\; criteria}=\left\{\begin{array}{cc}0.5+0.001*d_{\mathrm{IEI}}^{\max },& d_{\mathrm{IEI}}^{\max }\&le;5\mathrm{cm},{\mathrm{ID}}_{\mathrm{IEI}}<{\mathrm{ID}}_{\mathrm{WBIm}}\\ 0.505+0.005*d_{\mathrm{IEI}}^{\max }/\underset{\mathrm{IEI}}{\max }\left(d_{\mathrm{IEI}}^{\max }\right),& \mathrm{otherwise}\end{array}\right.$

其中是距离IEI的初始位置的最大距离而IDIEI是IEI的持续时间。该概率标准的标度在小鼠在摄入事件期间原理初始位置时，将较大的权重放在在设备处的概率上。该权重被选择因为位置二元正态的重叠通常小于持续时间单正态的重叠。在两个摄入事件之间在设备处度过的时间数量的上限，也被通过分类为IBIs和IEIs来设置，IEIs的持续时间大于WBI持续标准，即使动物具有逗留在设备处的高概率。

对于每个小鼠，我们通过使单正态分布适合于对数转换发作大小进一步检查摄入发作的特性。这些适合表明发作大小分布较好于通过两个或多个正态分布所铸模的。这是真的跨所有小鼠。因此，对于每个小鼠，我们通过将分区边界设置在单正态混合拟合的一阶导数的零处来将发作大小分类成大的和小的。发生在分区内被计算小于总的日常摄入的15％的发作被分类为小，而发生在分区内的被计算大于或等于总的日常摄入的15％的发作被分类为大。小的摄入发作微微有助于总的日常摄入(喂食发作：WTOBWT4±2％OB3±2％，WT2CWT8±6％2C10±5％；饮用发作：WTOBWT3±2％OB1±1％，WT2CWT5±4％2C8±9％，(平均值±sd))，并且因此没有被包括在对摄入发作特性的分析中(如，平均发作大小和平均发作开始率)。然而，小发作被包括在对花在喂食和饮用的总时间分析。

i.单和二元正态拟合：

进行了单和二元正态混合分布的拟合，使用正则化期望最大化(rEM：regularizedexpectationmaximization)算法与正则化重量、拉姆达设置为0.5(OrmoneitandTresp，1998；Uedaetal.，2000)。为了选择最适合数据的正态分布的最小数量，我们由使一个正态分布适合于该数据开始。然后，我们测试由添加每一个随后的正态分布所引起的适合于数据方面的改进，使用两个拟合之间的两个似然比(LR)(LR＝2*(log(L_n+1)-log(L_n)))作为测试统计。另外的正态分布的拟合一直持续到用于比较的估计的p值对于WBI和IBI分类大0.01并且对于分裂和比较聚类的发作大小大0.05。对于WBI和IBI分类，用于从卡方分布所计算的p值的估计的沃尔夫(Wolfe)校正也被用来减少过拟合的发生(McLachlan，2000年)。

对用于初始化rEM算法得初始值的选择随代拟合的正态分布的数量而变化。对于单个分布，使用作为初始参数的估计方差(variance)和均值来初始化拟合。对于两个分布的混合，使用K-均值聚类来初始化拟合，以提供对混合参数的初始估计。从覆盖数据的范围的均匀分布来初始化k-均值过程。对于每一个rEM初始化，的K-均值算法被运行1000-10,000倍，以增加找到全局最小的概率。

对于3或更多分布的混合，使用对分裂的修改及合并期望最大化(expectationmaximization)算法(Ueda等人，2000)来初始化拟合。根据现有拟合的混合分布，每一个正态分布被分成两个正态分布。然后，来自现有技术的分裂一个正态分布及保留剩余分布的组合被用于初始化与rEM拟合。最小化了LR的分裂被保留。通过创建每个正态分布本地数据集及使用通过k-均值初始化的rEM将每一个本地数据与两个正态分布拟合，执行对个别的正态分布的分裂。通过在根据Ueda等人2000(等式3.14)所计算的混合中，估算被居中在每个正态分布周围的本地数据密度来来创建本地数据集。然后，我们以它的最大密度除以该密度估计，以对于每一个数据点提供近似累积概率。然后，我们使用该分布来仿真本地数据。

F.运动发作分类

对于每一个小鼠，我们在活动状态期间但非摄入发作期间，()，将运动分类倒运动器运动(LM)中或者非运动器运动(NLM)中。我们使用监督学习算法来这么做，该监督学习算法将非活动状态期间或摄入发作期间发生的运动用作训练集。因为这些运动发生在有限的区域，它们代表“原地移动”(MIP)行为(Drai等人，2000年)并应反映NLM报事件的特性。因此，MIP运动应该不同于在动物在笼周围移动时、发生在行动的发作期间的运动。为了参数化MIP事件的训练集，我们使用运动速率(cm/s)和转角(两个运动矢量的角度的点积)用于每个位置(下文描述)。

对于每一个小鼠，我们使用内核(kernel)密度估计来定义我们的监督算法的模板，以评估运动速率的分布和MIP位置的均值转角。相同的内核密度估计被用来评估用于位置的这些分布(图34)。这两个运动速率速率的概率密度的交叉处，(MIP和)，代表了在其中运动速率可能等类似于或不同于MIP运动速率(cm/s(均值±sd)的点：WTOBWT1.1±0.2OB0.23±0.03；WT2CWT1.1±0.32C1.5±0.3)。两个转角概率密度的交叉处，(MIP和)，代表在其中转角也可能完全类似于或不同于MIP转角(deg(均值±sd)：WTOBWT47±5OB65±6；WT2CWT47±42C45±3)的点。的运动速率或转角的相对概率不同于MIP位置，是通过用MIP位置和位置两者的概率密度估计的和除以用于的概率密度估计来估计。这些相对的分布(图34)分布代表运动速率或转角不同于模板速率或角的概率。相对概率估计运动速率并且转角被平均，使得运动速率和转角双方在每个位置的分类中被考虑到。如果该平均的相对概率估计大于0.5，将位置分类为在LM发作内。最后，行动发作开始及偏移被识别为具有它们之间不间断的一系列行动运动的位置。如果只包含一个位置的行动发作，该位置被重新分类为MIP(＜3％，对于所有的组)。

i.对位置运动速率和转角的确定

一般估计运动速率，至少两个位置必须被采样。我们因为5个位置长是这些小鼠体长的大约一半，故使用5个位置长的窗口来对每个以位置计算出运动速率。为了选择最好的窗口，我们比较了通过沿着9个位置跨度移动所创建的8个窗口，所关注的位置的每一侧上4个。包含的持续时间和转角最类似于所关注的位置的持续时间和转角的位置的该窗口被选择如下。对于每一个比较窗口，我们通过平均窗口内的每个位置的转角和位置持续时间来计算平均持续时间和平均转角。被用于估计所关注的位置的运动速率和转角的该窗口被选择以最小化被分配给8个窗口的那些位置以及该位置的转角和持续时间之间的距离。然后通过在所选择的窗口内从第一到最后位置所经过的距离除以在这些位置之间移动所花费的持续时间来计算该位置的运动速率。类似地，该位置的转角按照所选择的窗口内转角的均值来计算。

由于用1cm的阈值收集数据，小鼠能在个别位置停留较长的时期，并且在停止在该位置之前及之后快速地移动。这种类型的可以被快速运动所环绕并且被使用以上所描述的滑动窗口错误分类为行动位置。为了检测这样的误差，我们设置了持续时间阈值，大于该持续时间阈值的单一位置被定义为停止。为了定义这个阈值，我们识别的所有的摄入发作和只包含单一位置的不活动状态。然后持续时间阈值被设置，使得这些位置的95％比该阈值长。此外，不允许该阈值对于任何个别小鼠低于500毫秒或超过1000毫秒，以防止跨组在该校正中的大变化(持续时间阈值，ms(均值±sd)：WTOBWT593±113OB1000±0；WT2CWT519±402C664±156)。

G.比较聚类

因为AS持续时间呈现出随一天的时间变化的复杂模式，被称为比较聚类的技术被开发，以测试AS开始和持续时间的该日常模是否在两个组之间不同。此外，如果有差别，目前，比较聚类技术识别通过AS开始时间和持续时间所定义的日常模式的部分，其最有助于两个组之间的差别。

通过将二元正态的混合拟合到用于两个组的组合的数据来进行AS开始次数和持续时间的聚类。二元正态的混合被用来捕获比如将具有在暗周期的开始和结束处的长持续时间的AS开始聚集等日常模式的特点。因为AS持续时间包括若干数量级，持续时间在二元正态拟合之前被对数转换。此外，开始次数和持续时间被标准化为零均值和单位标准差(standarddeviation)。经过二元正态拟合，通过以最高的后验概率(硬簇)将每个AS分配给二元正态创建了不同的簇。对于每个簇，卡方统计量按照下式给出：其中c₀＝控制数据点的观测数量，t₀＝测试数据点的观察数量，c_e＝控制数据点的期望的数量，以及t_e＝测试数据点的期望的数量。所期望的值预期值c_e和t_e通过分别按照控制和测试数据集中小鼠天数的相对数量来加权簇内总的点的数量来计算(例如其中N_c＝小鼠天数的控制数量而N_t＝小鼠天数的测试数量)。

簇的数量的增加了所获得的模式的分辨率，但同时降低了卡方测试统计的敏感性。为了确定簇的数量，优化这两个量之间的比率，通过交换各组内的小鼠来将控制和测试组多次分成两半。组内部和组之间的卡方统计的变化两者然后被按照以下的方式检查。对于每个交换的数据集，计算卡方的和用于组内部与被聚类到1-50个簇内的数据比较(控制组1(cg1)相对控制组2(cg2)，测试组1(tg1)相对测试组2(tg2))以及对于组之间的比较(cg1对tg1，cg1对tg2，cg2对tg1，cg2对tg2)。组之间和组内部卡方统计(σ卡方)的均值之间的差别被用于根据卡方分布计算P值。在计算P值中使用该σ卡方有助于解释组内自然P值的变化。被用在比较全部数据集的簇的数量然后被选择为为簇的最小数量，该簇具有没有被统计地显著的差别的σ卡方，通过根据最小σ卡方p值的对的t-测试。

H.多个测试校正

使用t-测试或重复测量ANOVA(Matlab)对于多个不同的变化进行组之间的比较。对于分析的给定水平，使用用于多重比较的Bonferroni校正。例如，在比较日常数量的食物、水、及移动，对于三个测试进行校正。

2.结果

A.非活动状态分类

对于个别动物，通过估计位置概率密度来检查家笼内的小鼠行为的空间结构(图21A)。在该分部中的峰指示动物最有可能每天消磨时间的地方的位置。通常概率密度估计显示了对应于巢的地点的单一主峰：从这个峰到被观察的巢的地点的平均距离为3±1cm(均值±sd)。另外，在食物漏斗、水喷头、及偶尔在其它地点的小峰也被观察。因此，该数据显示了家笼行为的稳固(robust)的空间结构，其中动物在该巢度过了比在任何其它地点更多的时间。

这些结果表明家笼中行为的时域结构笼可以围绕在巢处不活动的信号出现时间(episode)来组织。为了调查该可能性，我们检查了个别小鼠随一天的时间的位置的变化(图21B)。小鼠显示出在笼中单个地点附件度过的被拖长的时间的信号出现时间，该笼被散布了在通常由喂食和饮用伴随的笼的周围的运动。小鼠度过的被拖长的时间信号出现时间的地方的地点由具有运动之间的长持续时间的位置组成。为了确定这些长的位置持续时间被空间聚类到何种程度，位置持续时间和距离最长的位置持续时间(LPD)的距离之间的关系被检查(图21C)。由于位置持续时间增加到几分钟以上，存在距离LPD大于5cm的位置的数量的非常迅速的下降。不活动位置持续时间阈值被按照距离LPD的距离开始如以上参考图12所描述的快速增加的该位置持续时间来标识。因此定义位置所标识的不活动位置持续时间阈值，该位置被以空间形式聚类在一起且比在笼内的任何其它地点处具有更长的位置持续时间。

利用非活动位置持续时间阈值，非活动状态(IS)的开始及偏移以自动及可再现的方式被标识。此外，IS位置被聚类处的地点被识别并被指定为在家笼。如预期的，家笼的地点通常对应于具有从家笼的中心到所观察的巢地点的2±1厘米(均值±sd)平均距离的巢的地点。最后，活动状态(AS)被按照在动物从事行动、捕食、饮用、及其它行为的IS之间的时域间隔来分类。

B.发作分类

使用作为行为元素的发作的概念来调查在活动状态内喂食与饮用的组织。发作被定义为被以时间聚类在一起且没有不同的行为干扰的行为的重复。用于摄取发作识别的自动识别算法(如上文参考图15所描述的)被用于量化喂食与饮用行为，该算法结合了关于摄入的时域和空间特性的信息。以下描述尤其将喂食发作分类的算法的应用。

对于喂食发作识别，通过评估在每一个喂食事件和随后的喂食时间的开始之间(事件之间的间隔，IEI)由小鼠所占据的地点，将空间信息纳入了分类方案。对于每个IEI，小鼠距离捕食器最远的地方的位置被确定(图22A)。这些最大限度地距离IEI位置(MDIP)看来像是在喂食器周围或者在笼的其它地点处的簇(图22A中的中间的仪表盘)。这表明了标示喂食发作的终止的标准：如果一个小鼠在IEI期间离开喂食器，那么干预行为发生。小鼠IEI期间逗留在喂食器的概率因此通过将的二元正态的混合拟合到MDIPs。如果继续在喂食器的概率大于0.5，IEI被分类为“在喂食器”(图22A的右仪表盘，其显示了被分类为正在喂食器的橙色IEI以及正离开喂食器的绿色IEI)。

喂食发作的识别的下一步考虑了摄食行为的时域模式。如果按照时间的喂食事件簇发作，那么IEI持续时间、ID、应至少表现出两个不同的类型：可能发生在喂食发作内的ID以及可能发生在喂食发作之间的ID。为了区别这些不同的类型，对于每一个小鼠的ID分布被首先与对数正态分布的混合拟合(图22B)。对于所有的小鼠，通过3或更多的对数正态分布的混合来最佳地拟合ID分布，其中该正态分布与存在的不同类型的ID不同。对于均值小于大约一分钟的对数正态分布，动物逗留在喂食器的概率看起似乎很高。对于具有均值大于一分钟的对数正态分布，该概率快速下降(见图22C和33)。因此根据小鼠逗留在喂食器的概率，通过将对数正态分布分裂成两个组(短和长)来确定IEI为短的概率。

最后，通过平均IEI发生在喂食器的概率与它为短的概率来做出对每个IEI指定为发作内间隔(WBI)或发作之间间隔(IBI)。有证据表明，这种方法识别具有不同的空间的IEI的种群而时域特性被示意在图22C中。对于每个IEI，距离喂食器的最大距离被指示在Y轴和其持续时间的对数被指示在X轴。被指示为WBI的IEI以橙色显示，以及所有出现在喂食器周围。在大多数IBI期间，动物离开喂食器(绿色)，其中水摄取发生在这些的子集(蓝色)。IEI的小簇发生在喂食器(红色)的周围，但是由于它们的长持续时间而被分类为IBI。

在AS期间表征小鼠的行为的下一个步骤是偏离用于在运动器运动(LM)和非运动器运动(NLM)事件之间区别的方法。使用发生在IS期间或喂食与饮用发作期间的“原地移动”(MIP)行为(Drai等人，2000)，将监督学习算法开发为NLM模板。最可能发生在行动期间的运动事件的不间断串然后被用于定义行动发作的开始及偏移次数。最后，活动内的时间陈述小鼠何时在何地没有从事摄入或被分类为“其它”行为的行动器发作(例如，审视、养育、理毛、挖掘等)。

对于WT小鼠，单个AS期间发作分类的例子被显示在图23A。在这里，AS位置被标绘在图21B中，但随着扩大的时间标度，其允许对位置之间的个体运动的解析。此外，在图的底部的喂食与饮用事件光栅上的条指明喂食(橙色)和饮用(蓝色)发作的开始及偏移。发生在运动器发作期间的位置被以绿色指示并且被在地点之间快速运动的清晰的信号出现时间所显示。通过对比“其它”的发作，行为(红色)被频繁地本区域内的NLMS相关联，比如在喂食器，舔食测试器和巢。在图23中这被突出，其显示了LM和NLM的持续时间和地点，而在图23C，其显示该活动状态期间动物的运动器路径。

C.日常的量、强度和时间预算

将小鼠行为分类到IS以及分类到喂食、饮用、运动器、以及“其它”发作允许详细内插家笼内小鼠行为的组织。在总体水平，动物通过调节喂食、饮用、及运动器发作的密度，以及在这些发作上度过的时间的量控制它们的日常食物和水摄入、以及移动的距离。(见图24和25)。我们预计，能量平衡调节的基因干扰将影响这些行为的日常数量、次数、密度。相对于WT小鼠，OB小鼠表现出在日常运动方面的急剧下降，伴随着在运动器发作的密度方面和在从事这些发作所度过的时间方面的显著降低(图24)。虽然ob小鼠的食品摄入在家笼监测的初始天被显著地提升(均值±se：WT3.0±0.2g，OB3.8±0.1g，P＝0.007)，WT小鼠的摄入的水平随后被增加到未显著地区别于OB小鼠的那些的水平(图24A)。

也许OB小鼠中的行为的最引人注目的混乱是它们的时间预算的改变。这些动物保留他们花费在觅食和饮用上的时间的量尽管显著地增加了在IS上花费的时间的量，牺牲了从事行动及“其它”行为花费的时间(见图24C及25C，其以饼图的形式呈现了WT、OB及2C小鼠的时间)。花费在喂食与饮用的保留时间，与所标记的IS时间的增加，导致了AS时间花费在喂食和饮用的比例产生了实质的变化。在活动状态期间，与WT小鼠相比，OB小鼠用它们的时间的41±2％喂食以及它们的时间的4.3±0.2％饮用，WT小鼠花费它们时间的19±1％和1.9±0.1喂食和饮用(均值±se，对于喂食与饮用p＜0.0001％)。

相对于WT小鼠，2C小鼠在日常摄入与运动方面表现出显著的增加，伴随喂食和行动发作密度的显著增加(图25A条)而未显著增加花费在喂食和行动发作上的时间的量(图25B)。不像OB小鼠，2C小鼠花费在IS上的时间的量显著降低而花费在从事“其它”行为的时间的量则显著增加。此外，2C小鼠表现出花费在喂食上的时间下降的趋势，并且因此，与WT小鼠花费AS的19±1％在喂食相比，2C小鼠只花费AS的12±1％在喂食。

d.日常状态模型

为了确定行为组织如何随天的时间变化，我们检查IS和AS特性随昼夜时间的变化。在图26A，显示对于24小时的时期，每一个基因型单一小鼠的AS和IS的模式的表示。为了说明对于单个小鼠这些日常模式的再现性，显示运动、喂食、及饮用事件的栅格被显示用于8天，其中AS分类被显示在每一天之上(图26B)。为了示意这些日常行为跨小鼠的再现性，AS(图26C)和IS(图26D)的持续时间相对天的时间同样被显示用于这些单个小鼠，并且根据它们的同伙内的其它动物重叠在数据上。

对这些记录的检查表明在WT小鼠的AS持续时间表现出的具有发生在暗周期(DC)的最长持续时间发生及偏移的显著的昼夜变化。IS持续时间同样也随具有发生在光周期(LC)和DC的中间的最长持续时间的天的时间而显著地变化。定性比较表明OB小鼠已大大减少了短AS的数量并表现出在AS持续时间方面较小的昼夜变化。引人注目的是，在DC开始及偏移的长AS开起来似乎没出在OB小鼠中。相比之下，在OB小鼠的IS持续时间中的昼夜变化看起来相对地类似于WT小鼠的昼夜变化，但其在IS持续时间中全部的增加。不像OB小鼠，在2C小鼠的AS持续时间的全部模式似乎相对地类似于WT模式，除了在LCAS的数量的明显增加。在2C小鼠的IS持续时间的全部模式也似乎相对地类似于WT模式，除了LCIS的数量的增加。

为了量化AS和IS模式中的昼夜组织内的这些明显差别，使用对于AS概率、开始率、及持续时间和IS持续时间的重复测量ANOVA来进行表型比较。对于所有的状态特性，存在对昼夜时间高的显著的影响(图27和28)。对于所有组，AS概率在DC开始和偏移处表现出清晰的峰，指示模糊模式(在傍晚和黎明最活跃)而非简单的夜间模式(图27A和28A)。

该WTOB比较揭示了OB小鼠表现出降低AS概率(图27A)、降低AS开始(图27B)、以及增加IS持续时间(图27D)。关于AS持续时间的基因型的显著效果未被检出(图27C)。然而，随着时间基因型的交互对于所有的状态特性是显著的。因此，在由WT所表现出的DC开始及偏移的AS的概率的明显增加在OB小鼠中被大大地减弱。相反地，在DC和LC两者期间的AS概率的最低点是相似的，在该次，OB小鼠表现出增加的具有相对于WT小鼠低的AS开始率的AS持续时间。

因为AS持续时间呈现出昼夜变化的复杂模式，我们开发了用于比较组之间的这些模式的新的算法，我们称该算法为比较聚类。比较聚类确定状态持续时间的变化的模式是否在两个组之间不同，并且标识最有助于任何被观察的差别的模式的多个方面(上文给出了细节)。比较聚类分析识别若干特征，该特征解释了WT和OB小鼠中AS持续时间的昼夜模式的明确的表型差别(图27E)。例如，WT小鼠中的围绕DC开始及偏移的被初始化的长AS持续时间被显示未出现在OB小鼠中。此外，在整个一天中，短持续时间的AS被发现在OB小鼠明显地降低。

WT2C比较同样显示了对AS和IS的昼夜模式的明显的表现型影响。图28显示了突变的显著影响。AS概率(增加的；图28A)AS开始率(增加的；图28B)及IS持续时间(降低的；图28D)。基因型对AS持续时间的显著影响(图28C)未被检测到。然后，基因型和时间之间的交互对于所有的状态特性是显著的。对于AS概率，2C小鼠正在AS中的概率比WT小鼠增加了更大程度因为预期到DC，以及跨DC继续表现出增加的AS概率(图28A)。与IS持续时间的降低一起，在LC期间AS概率的增加伴随明显的AS开始率的增加(图28B)。比较起来，DC期间的AS概率的增加主要伴随IS持续时间的降低。比较聚类显示了LCAS开始的增加主要地归因于在DC之前6个小时中的持续时间内大约1-5分钟的AS的增加。

出了检查能量平衡突变对AS持续时间的影响，我们同样确定它们对发生在AS期间的运动以及所消耗的事物和水的数量的影响。其显示了lep和5htcr基因突变对AS组成的影响的明显差别。尽管WTOB比较没有显示基因型对AS持续时间的显著影响，存在基因型对AS食物(均值±se：WT148±14OB361±20mg)和水摄入(WT126±8OB310±15mg)的显著影响，其中对食物和水摄入的影响以及对被明显地降低(图36)的AS运动(WT18±2OB6.7±0.6m)的影响被急剧地增加。比较之下，WT2C比较没有显示基因型对AS持续时间、AS食物和水摄入的显著影响，也没有显示对AS运动的显著影响(图37)。

E.日常发作模式

使用重复的测量ANOVA来检查对输入和行动发作特性的昼夜模式的表现型影响。横跨所有的组，摄入和运动的日常模式以及每小时发作的数量呈现出黄昏模式(crepuscularpattern)(图29A1-29A2，29B1-29B2，30A1-TA2，及30B1-30B2)，并且类似于AS概率的那些(图27A，28A)。相比之下，这样的模式对于发作大小(图29A4，30A4)未进行观察，或在发作的数量被表示为在AS所花费的时间的函数(图29A3，30A3)时。其暗示对摄入和运动的昼夜影响主要因为正在AS的概率的昼夜变化，而非对发作大小或AS发作率的昼夜影响。

为了测试该概率，我们使用多个带优势(dominance)分析(AzenandBudescu，2003；Budescu，1993)的线性回归，从而确定摄入和运动的昼夜模式可归因于预测变量——AS概率、AS发作率和移动——的程度。对于喂食和饮用，预测变量占据了摄入的昼夜变化的72-92％。特别地，AS概率占据大多数昼夜变化(65-88％)，尽管AS发作率和发作大小占据了变化的较小比例(0.3-18％)。预测变量同样占据运动的昼夜变化的很大比例(92-96％)。对于WT组和2C小鼠，AS概率占据大部分运动的昼夜变化(49-60％)。然而，与摄入比较，AS发作率占据运动变化的较大比列。比较之下，对于OB小鼠，AS概率占据运动的昼夜变化的90％，尽管AS发作率只占据变化的5％。总之，从这些结果可知对AS开始率和持续时间的昼夜影响在形成摄入及运动方面的昼夜变化中起了对发作特性的昼夜影响更大的作用。

WT和OB小鼠食品摄入的日常模式的比较显示了基因型和时间的显著交互(图29A1)。然而，与在喂食发作特性中所观察的表型的差别相比，昼夜对所消耗的食物的数量的影响似乎相对小些。OB小鼠显示了发作率方面大且显著的降低，该发作率在DC期间(图29A2)最醒目。伴随发作大小方面的明显增加，OBAS发作率在整个一天中同样被显著地降低(图29A3)。饮用发作特性同样呈现出基因型的显著效果，其中伴随在饮用发作大小方面的补偿增加(图38A2and38A4)OB小鼠呈现出在饮用发作率方面的显著降低。

由OB小鼠所呈现出的在日常运动方面的大且显著的降低还显示了随天的时间基因型的显著交互；差别在DC期间是最大的(图29B1)。其以相似的模式被反映在发作率(图29B2)。另外，AS行动发作率被大体地降低，尤其在DC期间(图29B3)。通过比较，平均运动器的发作距离在OB小鼠只是轻微地降低(图9B4)。这些结果指明OB小鼠的海波运动器(hypolocomotor)表型来自于AS概率方面和AS发作率方面的降低。

WT和2C日常食品摄入模式的比较表明基因型的显著效果以及基因型和时间的交互。，所增加的摄入由于2C小鼠出现主要地显现在DC之前的8小时内(图30A1)。有趣地是，2C小鼠在该时间期间(图30A2)显现喂食发作方面的增加单未显现增加的发作大小(图30A4)或增加的发作率(图30A3)。其暗示在2C小鼠中所增加的AS概率本质上有助于在DC前食品摄入方面的增加。与此一致，比较聚类显示了在DC开始之前近似6个小时上2C小鼠显现5-10分钟持续时间的AS的数量方面的增加(图28E)。显著地，该区内AS的较大比例包含喂食发作而无饮用发作(WT71％2C81％)。比较于包含喂食而无饮用发作的所有AS的比列，该比例被明显地加强(WT29％2C39％)。具有喂食高优先权的AS的2C小鼠方面的选择性增加因此看起来在这些小鼠显现增加的食物摄入时出现在DC之前。

在2C突变体中，伴随LM发作率的显著增加(图30B2)，日常运动方面的显著的增加同样被观察(图30B1)。相比之下，基因型对ASLM发作率(图30B3)或LM发作距离(图30B4)不存在显著效果。这些结果指出2C小鼠的海波运动基因型主要来自于AS概率方面的增加。

尽管LM和喂食发作大小都没有在2C小鼠内变化，我们的确发现与WT小鼠(RMANOVA：LMG0.0007T1.5x10-21GxT0.3；食品G0.004T2.8x10-55GxT0.2)相比，LM(均值±se：WT1.62±0.072C1.30±0.03sec)和喂食(均值±se：WT58±42C46±4sec)发作两者的持续时间被降低。似乎可能LM和喂食发作大小的保持来自于在2C小鼠中所观察的增加的LM和喂食发作强度(图25B)。

F.在活动状态结构内

为了检查活动状态内行为的时域组织，我们使每个小鼠的LCAS开始对准然后确定喂食及饮用，LM及“其它”行为的概率。显示对准的AS内的喂食、饮用、及运动事件事件周围(Peri-event)直方图揭示了结构中醒目的规律(图11和12)。小鼠最可能在AS早期喂食，在该时间存在饮用、行动、及“其它”行为的概率的降低。在AS的后期，小鼠最可能从事“其它”行为的发作。根据该观察，就WTOB和WT2C比较两者而言，在AS内时间对所有行为的概率的效果是非常显著的。另外，OB小鼠比WT小鼠维持在AS起始处喂食的高概率更长时间(图31B1)。其可能是由OB小鼠所显现的更长喂食发作的结果。此外，OB小鼠显现在AS内的饮用、行动、及“其它”行为概率方面延迟的增加(图31)。WT2C比较同样揭示了对在AS内模式的表型的影响，其中突变体显现出在喂食概率方面更快速的下降，伴随从事“其它”行为的概率方面的早期增加(图31)。对DC期间在AS内的模式的检查揭示了在跨所有组的喂食、饮用、行动、及“其它”发作的概率方面的过度的类似模式，以及组之间的类似差别(数据未示出)。

3.讨论

在自由活动的动物中，行为组织来自与多个生理和行为系统的交互与功能。为了定量地检查小鼠中的该组织，我们已经开发了自动的且可再现的方法，以便描述小鼠笼子行为的空间和时域结构。该描述包括对行为基本单元的识别以及对这些进入到AS的发作的时域组织的表征。定量地描述笼子行为模式的能力提供了揭开行为组织的基本特征的机会，并且提供了用于评估行为调整中神经电路的角色的有效方案。对该方案的使用因它应用到承受改变能量平衡的基因突变的两条小鼠交配(line)而突出。对于状态和发作特性的深厚的表型影响提供对这些突变作用于行为调整的方式的新的洞见。

A.状态分类

定量笼子行为的组织中的初始步骤使用小鼠行为在两个离散的状态——活动和非活动——之间交替的关键观察。其被通过定量地检查笼子行为记录所揭示，该记录显示了在以喂食和饮用聚类的笼周围的运动。这些行为的簇的开始及偏移通过延长的信号出现时间来定义，在该信号出现时间中动物显现出在它们的巢周围微小的运动。这是在自然环境中所观察的行为模式的回忆(Adams和Davis，1967；Brown，1966；Gray等人，1998；Halle和Stenseth，2000b；Herbers，1981)。许多动物显现使用空间的特征，在该空间中它们在它们的笼范围内有规律地搜寻食物及巡视并且返回到庇护所休息或睡眠。动物因此看起来在AS和IS之间过渡，AS和IS不仅仅在动物的地点及动物从事的行为不同，而且其中掠夺的风险和精力成本也明显不同(Lima和Dill，1990)。AS和IS之间的过渡因此揭示了动物的状态方面的突出改变并且表示了自由活动的动物的行为组织的基本特征。

为了定量AS和IS的发生，我们使用我们表征笼子行为的空间结构的能力来将IS识别为小鼠在它们的巢附件花费了比在笼内的任何其它地点更多的时间的经历(epidsode)。相应地，这允许我们将喂食、饮用、及行动的聚类定量到AS内。单个小鼠以复杂但稳定的昼夜变化模式显现AS开始和持续时间。另外，扰乱能量平能的单个基突变产生了AS模式方面的一致且突发的改变，其允许我们访问状态特性有助于表型差别的范围。因此，用于在实验室小鼠监测AS和IS的原理的方法的开发和自动化实现了对实验操作(基因、环境、药理学、损害等)的广义阵列的使用，以便检查对行为组织的该基本单元的调整。

B.发作分类

在AS内，我们观察特定行为事件的发生，比如喂食，看起来是以时间聚类在一起的。行为事件的这样的聚类已经被认识到在神经和实验室设置中很久了，并且定义了称为发作的行为的基本单元(Berdoy，1993；Collier和Johnson，1997；Machlis，1977；Mayes及Duncan，1986；Morgan等人.，2000；Mori等人，2001；Shull等人，2001；Waggoner等人，1998)。定量地识别发作的能力实现了检查该行为的基本单元以及对AS内的行为事件的组织。

通常，发作的识别包括将IEI持续时间分成2类：短的在发作内间隔(WBIs)和较长的发作之间间隔(IBIs)(Langton等人，1995；Tolkamp等人，1998)。然而，当不止一个行为正被观察时，那么一个行为的发作在不同的行为开始时(Machlis，1977)也可以被定为到结束。如果干扰行为是短暂的，那么单独基于IEI持续时间的发作标准可能不能适当地检测到发作的终止。这里，我们开发了使用IEI持续时间分布及动物的地点的新的方案，以改进发作分类。该解决方案允许我们正确地识别短IBI，在IBI期间动物离开摄入设备。这些将已经被使用单独的持续时间标准错误分类为WBI(28％ofIBI)。

另外，空间信息的使用是开发鲁棒(robust)自动算法的基板，以精确识别摄取事件。我们使用空间信息来捕获IEI的克服单个动物的持续时间分布的易变的普遍问题的普遍特征(Berdoy，1993；Davison，2004；Tolkamp和Kyriazakis，1999)。空间信息允许我们将IEI持续时间分布清楚地分成两个组(短IEI和长IEI)而无需做关于将数据拟合到每一个小鼠数据所需要的对数正态分布的数量的假设(图33)。

在AS期间，在具有特性模式的喂食和饮用的发作之间，小鼠围绕笼移动，在该模式中，地点之间的运动随长的停留和短的运动而在本地区域内交替。运动的类似模式也已在啮齿动物探索新的环境中观察(Eilam和Golani，1989；Golani等人，1993)，而该运动模式的定量已经提供了对探索行为的组织的洞见(Drai等人，2000；Drai和Golani，2001；Tchernichovski和Benjamini，1998；Tchernichovski等人，1998；Tchernichovski和Golani，1995)。事实上，该类型的间歇的行动发生在广泛种类的动物和行文环境中，比如在自然环境中搜索食物及巡视(Kramer和McLaughlin，2001)。应想到停留可以增加动物的忍耐力和能力从而检测相关的刺激物。该模式因此看起来反应了多种环境中运动的组织的一般特征。为了定量该运动模式，我们取发生在摄取发作和IS期间的运动的特征的优点来开发监督学习算法。该运动在AS期间被分类到行动和非-运动器运动的发作内。一个来自于该分类的秘密(intriguing)观察是在运动器发作仅占日常时间的4％时，它们占每天移动的总距离的76％。

C.行为组织的层

已经设计出用于定义AS和发生在事件之间的行为事件的发作的过程，我们考虑行为组织的这些层之间的关系。先前在摄取事件的时域结构上的研究描述的不仅是发作的存在，而且是在其中发作被按时间聚类在一起的组织的较高层(Berdoy，1993；Machlis，1977；Tolkamp和Kyriazakis，1999；Yeates等人，2001；Zorrilla等人，2005)。而这样的研究主要聚焦在独立的特定行为的组织上，我们观察到喂食、饮用、及行动的发作在AS内被聚类在一起。其表明负责该聚类的机制对特定行为不是独一无二的。AS和IS的分类因此看起来是捕获了通过将发作的组织较高级地协调到多个行为的簇内所表征的动物的状态方面的基本过渡。

随后的分析显示了在发生在AS内的多样的行为中的时域相互关系的特征模式。使用AS开始作为时间0，我们计算在AS期间从事特定行为的过程中时间的变化。这显示了清晰的顺序结构。喂食的概率在AS早期为高，其与饮用、行动、及“其它”行为的降低的概率相关联。随着喂食概率的降低，从事“其它”行为的发作增加而且最终AS结束。其表明在AS期间在动物的行为优先权重存在顺序地过渡。有趣的是，时域结构是行为满足序列(BSS)中的回忆(reminiscent)：通过访问非常美味的食物或在食物被剥夺之后，在动物中所观察的行为的序列(Antin等人，1975；Ishii等人2003)。在这些例子中，动物最初从事喂食，随后梳理、嗅、饲养、行动然后休息。在AS结构内的BSS结构的类似处表明发生在这两种情况中的行为优先权之间的过渡是相似的。这同样表明获得食物的目标可以是在笼子中AS初始的主要决定。

表征状态和发作的能力使得我们能确定组织的层(一个或多个)，经由该组织生物处理和实验操作形成行为模式。示意的例子与在其中昼夜影响产生C57BL/6小鼠内摄取行为的特征黄昏模式的方式有关。通过其动物可以随天的时间变化摄入的装置，在比如持续时间、强度、及生成物发作大小等发作特性的层处变化行为。另外的装置将通过变化AS与IS的过渡速率和持续时间，在AS内或者在组织的较高层处变化发作开始率(AS发作率)。对在组织的这些层处的行为的检查显示了在AS摄入发作率和发作大小随天的时间显著变化时，AS概率的变化阐述了大多数摄入的昼夜变化。这些结果表明在C57BL/6小鼠的黄昏模式主要来自于在状态过渡和持续层的昼夜影响，而非来自AS的固有特性或者来自发作特性的变化。

D.能量平衡突变体

使用实现了持续定量评估跨组织的多层的不同行为的系统由于对OB小鼠、已经大规模调查了近60年的交配的新表型的洞见是突出的。一个醒目的结论是在OB小鼠中并以其被实现的方式IS时间方面的大量增加。该增加以花费在行动和“其它”行为的发作上的时间为代价而达成。通过比较，喂食和饮用所花费的时间的数量被保持。结果，在OB小鼠中观察到在AS期间献给喂食和饮用的时间的百分比加倍。使用时间上的此变动显示了以从事行动和“其它”行为花费的时间为代价，具有增加的放置留在IS中的优先级的OB小鼠的行为特性中突发的重排。

这些时间预算变更在发作和状态特性的层伴随着行为的组织的明显变化。AS概率的昼夜变化以及AS和IS的基础模式是在WT和OB小鼠方面醒目的不同。尽管它们的AS概率在大部分光周期(LC)期间类似，OB小鼠灾DC期间在AS上所花费的时间比WT小鼠少很多.AS概率的该差别被尤其地标记在DC的起始和结束。AS概率和持续时间方面的昼夜变化因此在OB小鼠中减少，提高了它们对环境的卷吸(entrainment)受损。然而，OB小鼠在IS持续时间中显现了明显的昼夜变化，表明它们对适应(entrain)它们的环境的能力仍然完好但是特定行为的昼夜变化被变更。

与该可能性一致，OB小鼠由于摄入的峰在DC开始和偏移处，显现了对食物和水摄入的黄昏模式，类似于WT小鼠的对食物和水的摄入。比较之下，在OB小鼠中行动和“其它”行为的幅度的昼夜变化被醒目地减弱。我们发现了其来自于在行为组织的两层的表型异常：1)AS的模式以及2)在AS内的发作率。关于AS模式，比较聚类显示OB小鼠已经失去了长持续时间，AS通常在DC开始及偏移处被看到。这些AS持续时间的降低可能来自于在这些时间行动和“其它”行为的选择性降低。另外，OB小鼠没有显现在WT小鼠中DC期间所观察的行动和“其它”行为的在AS内的发作率方面的明显的增加。这表明依赖于天的时间的增加行动和“其它”行为的信号可以在OB小鼠中被降低，或者表明展开竞争的过程禁止行动及“其它”行为而不降低所有的食物和水摄入。

简单地检查在如通过所消耗的数量变化所显示的昼夜变化层的OB食物和水摄入指出摄入的OB模式被相对地保留。比较地，发作和状态特性的检查显示了该昼夜模式被打成的方式被明显地扰乱。OB小鼠一直显现比WT小鼠更大的喂食(OB222mgWT38mg)和饮用发作(OB114mgWT61mg)。然而，在WT和OB小鼠两者中，增加的发作大小伴随导致类似摄入和昼夜模式的降低的发作率。对于喂食和饮用，摄入发作率的降低主要来自于状态组织的变化(伴随被延长的IS持续时间降低AS开始率)。摄取调整的这些突发变化在没有能力在发作和状态特性的层表征的行为组织的情况下，将不被显示。

这些行为变化可能来自于OB小鼠中缺少用作增加能量摄入和降低能量消耗的瘦素(leptin)(FriedmanandHalaas，1998)。行为上，这能通过增加的能量摄入和降低的物理活动来证明。我们观察在3个月大时，OB小鼠显现了在食物摄入方面的小增加(WT的108％)但是在行动方面的急剧降低(WT的17％)。这与显示OB小鼠中相对摄食过多随年龄减弱的先前工作一致，尽管活动方面的增加继续(Joosten和vanderKroon，1974；Mayer，1953)。因此它显得在OB小鼠中运动的降低表示有助于能量主要的变化保持。据此，运动的降低在行为组织的多层是明显的。OB小鼠增加在IS花费的时间，降低在行动发作花费的时间，以及降低它们行动的强度。

有助于能量保持的信号可以潜在地占据在OB小鼠中所观察的改变的喂食和饮用模式。在这些动物中，与通过肥胖所推断的身体质量的增加组合的这样的信号，可以增加食物获取的所察觉的成本。因此动物通过降低喂食簇的数量以及增加喂食簇的大小响应于增加食物获取成本的试验操作是值的注意的(例如，增加的杠杆压力、受凉)(Collier等人，1972；Johnson和Cabanac，1982；Morato等人，1995；Petersen和McCarthy，1981)。因此，发生在增加的成本下的食物摄入的模式承受与OB小鼠的那些食物摄入的明显的相似。

OB小鼠中行为模式的定量描述实现了另外可测试的关于瘦素对形成行为的处理的野生阵列的影响的假设的产生。例如，动物能通过去除比如再生等对生存不是立即必要的活动来保持能量(Ahima等人.，1996)。因为磁性OB小鼠具有非常低的睾丸素水平并且是无繁殖能力的(Caprio等人.，2001；Swerdloff等人.，1976)，雄性激素信号通路的损害可以在这些小鼠中所观察的行为模式中起作用。与此一致，性腺切除术(gonadectomy)增加了喂食发作的大小而降低了雌性小鼠和大鼠的行动(Chai等人.，1999；Perrigo和Bronson，1985；Petersen，1978；Roy和Wade，1975)。总之，清楚的是OB小鼠中笼子行为的详细检查显示了在不同组织的层多个行为的变化。这促进了关于多个损伤调控系统有助于这些变化的可测试假设的产生。

与OB小鼠比较，在2C小鼠内行为组织的变化大大地反映了状态模式的昼夜变化的改变(图36和37)。2C小鼠显现了一整天IS持续事件的明显降低以及LC期间AS开始率的明显增加。有趣的是，在2C小鼠中增加的输入摄入在AS开始率及AS概率被增加时受限于LC。在该时间期间，既不是喂食AS发作率也不是发作大小被增加，因此增加的AS概率似乎在由2C小鼠所显现的增加的食物摄入中担当重要角色。事实上，比较聚类显示在DC开始前的6小时，2C小鼠显现了短AS持续时间(1-5分钟)的增加，其往往包含喂食发作而无饮用发作。在2C小鼠中所增加的LCAS开始率因此与具有喂食的高行为优先级的AS的增加相应。

尽管2C小鼠的状态模式变化最值得注意，在AS内的特性同样被观察。例如2C小鼠具有比WT小鼠更多的喂食发作持续时间，但它们同样显现发作强度的补偿性增加，导致发作大小类似于WT小鼠的发作大小。相似的补偿被关于行动观察。2C小鼠显现了降低的行动发作持续事件但是增加的发作强度，导致了类似的发作大小。这些结果以及OB小鼠中黄昏摄入模式的保持显示在组织的一层变化往往可以通过组织的另外层的变化来被补偿，以保持比如发作大小或昼夜摄入模式等行为模式的多个方面。

在2C小鼠中AS内的特行的另外的变化也被观察。在DC期间，2C小鼠对于行动和“其它”行为增加了比WT小鼠大的AS发作率，但是呈现出降低AS喂食发作率的趋势。该差别可能说明在2C小鼠中增加LCAS概率伴随着增加喂食和行动，但是增加DCAS概率仅仅伴随增加行动概率。有趣的是，对于喂食和行动的类似影响随对肽的管理、由下丘脑外侧神经产生的神经肽而看见。LC期间，肽处理增加了喂食和运动两者，但在DC期间仅增加运动(Espana等人.，2002)。与肽影响有关系的昼夜和LH中5HT2CR的表现的相似处，提出了肽信号连同神经元的过分活跃可能有助于2C表型。选择LC摄食过量的其它例子包括由VMH损害(Choi和Dallman，1999；Choietal.，1998)及由组织胺H1受体功能的损失(Masaki等人，2004)产生的增加的喂食，其表明VMH和组织胺系统用作其它可能有助于2C小鼠的LC摄食过量的坑你那个机制。

多巴胺系统功能的变化还可以在本研究中观察的一些2C小鼠的表型变化中起作用。之前，2C小鼠已经被表明了伴随具有被提升的多巴胺水平的多巴胺系统的变化(Rocha等人，2002)，显现对新事物及可卡因的增加的响应。在2C小鼠中所观察的增加的笼子运动因此可以因多巴胺系统的过度活跃而产生。随着hyperdopaminerigic突变体小鼠(多巴胺转运体拆除)显现增加的食物摄入(Pecina等人，2003)，其还可以有助于它们增加食物输入。有趣的是，从大鼠中的慢性可卡因治疗中撤回，导致食物摄入中持续的选择性LC增加(GiorgettiZhdanova，2000)。因此，多巴胺系统机能的变化也可以以有助于2C小鼠中食物摄入的选择性LC增加。

最后，根据称为“非练习活动热产生(non-exerciseactivitythermogenesis)”(NEAT)的现象(Levine等人，1999)，在行动和“其它”行为中2C小鼠花费的所增加的时间值得考虑。在人类中，NEAT涉及除了故意的练习以外所有的物理活动，并且包括比如坐、站、走及焦躁不安等日常行为活动。过量喂食被发现以增加NEAT，并且其发生的的程度与重量再次高度相关(Levine等人，1999)。据此，肥胖的个体甚至在重量损失之后(Levine等人，2005；Ravussin，2005)显示了降低的NEAT，(增加坐时间以及减弱站和步行时间)。因此已被提议NEAT水平被固有地确定并且受到生物学调节的影响(Levine，2007)。在该环境中，令人关注的是在3月龄2C小鼠中，从事运动器和非运动器的物理活动所花费的时间被提升。在这个年龄，尽管食物摄入量慢性提升，2C小鼠的身体重量和肥胖水平是正常的(Nonogaki等人，1998)。所以NEAT提升使得这些动物能维持正常的身体重量是可能的。因为阿立新(orexinergic)和多巴胺能的路径已经被牵连到NEAT调整中(Teske等人，2007)，扰乱的血清素能性对这些路径影响可能有助于2C小鼠中NEAT提升。

Claims (15)

1.一种过滤使用测量系统在测量时期内所收集的一组动物行为数据的方法，其中所述数据包括关于在定义的测量区域内的动物对象的空间位置的事件信息、关于在所述定义的区域内在已知地点处的多个设备处或具有在所述定义的区域内在已知地点处的多个设备的所述动物对象的行为的设备事件信息、以及与所述位置和设备事件信息相关联的时间信息；所述方法包括：

接收所述收集的行为数据；

通过比较设备事件漂移和在特定的设备事件处的总的位置漂移，分析所述行为数据以检测与设备事件信息不一致的位置信息，其中所述设备事件漂移是所述特定的设备事件和更早的设备事件之间的所述动物对象或设备的位置差，并且所述总的位置漂移是在包含所述特定的设备事件的特定的时间窗口中的所述动物对象的总的位置的评估；以及

基于至少一些所述检测的不一致来更新所述数据。

2.根据权利要求1所述的方法，其特征在于，进一步包括：针对所述设备事件识别错误设备事件开始，其中所述设备事件漂移和所述总的位置漂移之间的差异大于定义的阈值。

3.根据权利要求1所述的方法，其特征在于，其中检测与设备事件信息不一致的位置信息包括通过基于所述设备的所述已知地点将至少一些设备事件期间的所述位置信息与所述动物的期望的位置相比较来计算对所述位置信息的校正。

4.根据权利要求1所述的方法，其特征在于，其中检测与设备事件信息不一致的位置信息包括识别并除去由所述测量系统检测设备事件的终止的失败所产生的数据。

5.根据权利要求1所述的方法，其特征在于，其中所述设备事件信息包括关于所述动物对象的固体和/或流体消耗的信息。

6.根据权利要求1所述的方法，其特征在于，其中所述定义的区域包括笼区域。

7.根据权利要求1所述的方法，其特征在于，其中所述动物对象是啮齿动物。

8.根据权利要求1所述的方法，其特征在于，其中所述设备包括食物消耗指示器。

9.根据权利要求1所述的方法，其特征在于，其中所述设备包括流体消耗指示器。

10.根据权利要求1所述的方法，其特征在于，其中所述设备包括药物消耗指示器。

11.根据权利要求1所述的方法，其特征在于，其中所述设备包括所述动物对象的对感觉刺激物的响应、操作性(operant)响应、或对新对象的响应的指示器中的至少一个。

12.根据权利要求1所述的方法，其特征在于，其中所述总的位置漂移是基于最小和最大位置的平均值中的漂移的评估，所述最小和最大位置定义了在所述测量区域中所述动物对象的运动的边界。

13.根据权利要求12所述的方法，其特征在于，其中所述总的位置漂移通过将凸包随时间拟合到位置而被确定。

14.根据权利要求13所述的方法，其特征在于，其中所述总的位置漂移由包括下列步骤的过程确定：

(a)在所述测量时期内接收针对所述动物对象的位置对时间数据；(b)针对在时间t₀起始的持续时间d的窗口将凸包随时间拟合到位置；

(c)在时间上将所述凸包扩展到时间t_n，在其处所述凸包包覆预定数量的坐标位置单元；

(d)针对在时间t_n起始的持续时间d并且被扩展到时间t_m的凸包重复(b)和(c)，在时间t_m处所述凸包包覆预定数量的坐标位置单元；

(e)重复(d)直至t_m是所述测量时间期间；

(f)获得在特定的时间沿着所述凸包的最大和最小位置的平均值，将其作为在所述特定的时间处的总的位置漂移。

15.一种动物行为监测系统，包括：

定义的测量区域；

在所述定义的测量区域内的已知地点处的多个设备，以收集关于在所述定义的测量区域内的动物的行为的数据，其中所述数据包括关于在所述定义的测量区域内的动物对象的空间位置的事件信息，关于在所述定义的区域内的已知地点处的多个设备处的或具有在所述定义的区域内的已知地点处的多个设备的所述动物对象的行为的设备事件信息，以及与所述位置和设备事件信息相关联的时间信息；

被配置为从所述多个设备接收所述收集的行为数据的接口；以及

分析器，所述分析器用于：通过比较设备事件漂移和特定的设备事件处的总的位置漂移，分析所述行为数据以检测与设备事件信息不一致的位置信息，其中所述设备事件漂移是所述特定的设备事件和更早的设备事件之间的所述动物对象或设备的位置差，并且所述总的位置漂移是在包含所述特定的设备事件的特定的时间窗口中的所述动物对象的总的位置的评估。