CN109993076A - 一种基于深度学习的白鼠行为分类方法 - Google Patents
一种基于深度学习的白鼠行为分类方法 Download PDFInfo
- Publication number
- CN109993076A CN109993076A CN201910202293.4A CN201910202293A CN109993076A CN 109993076 A CN109993076 A CN 109993076A CN 201910202293 A CN201910202293 A CN 201910202293A CN 109993076 A CN109993076 A CN 109993076A
- Authority
- CN
- China
- Prior art keywords
- white mouse
- neural networks
- convolutional neural
- networks model
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的白鼠行为分类方法,包括以下步骤:步骤S1:采集白鼠的行为视频数据并进行预处理,作为训练数据;步骤S2:构建深度卷积神经网络模型;步骤S3:利用训练数据对深度卷积神经网络模型进行训练;步骤S4:利用训练好的深度卷积神经网络模型对录制好的白鼠行为视频进行分类。本发明基于深度学习的白鼠行为分类方法,相比其他基于深度学习的行为分类方法,可更好地提取白鼠动作时序信息,从而提高了白鼠行为分类的准确率。
Description
技术领域
本发明涉及智能分析技术领域,更具体地说,涉及一种基于深度学习的白鼠行为分类方法。
背景技术
研究神经行为表型具有重要意义,因为神经、精神或神经退行性疾病的首发症状通常可通过日常人类行为(例如食物摄入,睡眠和活动模式)的细微变化来诊断。例如,阿尔茨海默病患者的活动/休息周期在疾病的早期阶段会逐渐恶化,可通过观察实验白鼠的行为频率变化是研究这些精神疾病和神经疾病的重要方式。
然而,这些研究需要观察员对携带疾病的白鼠进行长达几天甚至几个月的系统观察。这对于观察员是非常高强度的工作,并且存在人为错误以及对于相同事件不同观察员有着不同的判断。此外,人类观察者可能无法检测到太快或太慢的行为事件,并且由于注意力有限而错过了一些事件。
近年来,深度学习在行为检测领域有了很大的发展,将基于深度学习的自动化检测技术应用于的白鼠行为检测促进白鼠的神经行为分析研究,为这些疾病的病理生理学和治疗提供了新的研究方法和工具。
发明内容
本发明的目的在于克服现有技术中的缺点与不足,提供一种基于深度学习的白鼠行为分类方法,该行为分类方法相比其他基于深度学习的行为分类方法,可更好地提取白鼠动作时序信息,从而提高了白鼠行为分类的准确率。
为了达到上述目的,本发明通过下述技术方案予以实现:一种基于深度学习的白鼠行为分类方法,其特征在于:包括以下步骤:
步骤S1:采集白鼠的行为视频数据并进行预处理,作为训练数据;
步骤S2:构建深度卷积神经网络模型;
步骤S3:利用训练数据对深度卷积神经网络模型进行训练;
步骤S4:利用训练好的深度卷积神经网络模型对录制好的白鼠行为视频进行分类。
在步骤S1中,所述采集白鼠的行为视频数据并进行预处理是指:利用摄像头采集白鼠的行为视频数据并将数据进行标注和预处理;所述行为视频数据为站立视频数据、奔跑视频数据、进食视频数据、饮水视频数据和休息视频数据。
具体地说,所述将数据进行标注和预处理是指:首先将视频数据按帧转化为图片;然后按最大采样数量m和最小采样间隔t进行采样,若当视频长度不足时,优先保证采样间隔t;最后再对采样到的图片进行调整大小处理、归一化处理和数据增强处理。
在步骤S2中,所述构建深度卷积神经网络模型包括以下步骤:
步骤S21:截取Resnet50的最后一层卷积层conv5之前的所有网络层,并且使用在ImageNet上,将预训练好的参数对其初始化;
步骤S22:在conv5层后,对conv5的输出X接入全连接层,将conv5的输出X的维度转为所需要的维度L;
步骤S23:将全连接层输出的特征向量接入自适应长度的lstm层,以捕捉各种时长的白鼠动作行为信息;
步骤S24:将lstm层输出的向量接入全连接层,得到所需类别的维度;再利用softmax输出分类概率,完成深度卷积神经网络模型的构建。
在步骤S3中,所述利用训练数据对深度卷积神经网络模型进行训练包括以下步骤:
步骤S31:将训练数据组织排列好,输入步骤S2中构建的深度卷积神经网络模型;
步骤S32:设置深度卷积神经网络模型的损失函数;
步骤S33:通过损失函数和深度卷积神经网络模型参数计算得到前向传播损失值;
步骤S34:反向传播得到训练误差。
在步骤S4中,所述利用训练好的深度卷积神经网络模型对录制好的白鼠行为视频进行分类是指:首先,对录制好的白鼠行为视频进行预处理,得到测试数据;然后,将测试数据输入训练好的深度卷积神经网络模型,以提取白鼠动作时序信息,实现对白鼠行为视频进行分类。
所述对录制好的白鼠行为视频进行预处理,得到测试数据是指:首先将制好的白鼠行为视频数据按帧转化为图片;然后按最大采样数量m和最小采样间隔t进行采样,若当视频长度不足时,优先保证采样间隔t;最后再对采样到的图片进行调整大小处理、归一化处理和数据增强处理,得到测试数据。
本发明利用了深度学习技术进行白鼠行为分类,相比传统人工特征提取方式效果更好。相比其他基于深度学习的行为分类方法,本发明提出了利用自适应长度lstm层,以捕捉各种时长的白鼠动作行为信息,更好地提取白鼠动作时序信息,从而提高了分类准确率。
与现有技术相比,本发明具有如下优点与有益效果:本发明基于深度学习的白鼠行为分类方法,相比其他基于深度学习的行为分类方法,可更好地提取白鼠动作时序信息,从而提高了白鼠行为分类的准确率。
附图说明
图1是本发明基于深度学习的白鼠行为分类方法的流程图;
图2是本发明深度卷积神经网络模型结构图;
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细的描述。
实施例
如图1和图2所示,本发明基于深度学习的白鼠行为分类方法包括以下步骤:
步骤S1:采集白鼠的行为视频数据并进行预处理,作为训练数据;
步骤S2:构建深度卷积神经网络模型;
步骤S3:利用训练数据对深度卷积神经网络模型进行训练;
步骤S4:利用训练好的深度卷积神经网络模型对录制好的白鼠行为视频进行分类。
其中,在步骤S1中,采集白鼠的行为视频数据并进行预处理是指:利用摄像头采集白鼠的行为视频数据并将数据进行标注和预处理;所述行为视频数据为站立视频数据、奔跑视频数据、进食视频数据、饮水视频数据和休息视频数据。将数据进行标注和预处理是指:首先将视频数据按帧转化为图片;然后按最大采样数量10和最小采样间隔5帧进行采样,若当视频长度不足时,优先保证采样间隔5帧;最后再对采样到的图片进行调整大小处理、归一化处理和数据增强处理。
在步骤S2中,所述构建深度卷积神经网络模型包括以下步骤:
步骤S21:截取Resnet50的最后一层卷积层conv5之前的所有网络层,并且使用在ImageNet上,将预训练好的参数对其初始化;
步骤S22:在conv5层后,对conv5的输出X接入全连接层,将conv5的输出X的维度转为所需要的维度L;
步骤S23:将全连接层输出的特征向量接入自适应长度的lstm层,以捕捉各种时长的白鼠动作行为信息;
步骤S24:将lstm层输出的向量接入全连接层,得到所需类别的维度;再利用softmax输出分类概率,完成深度卷积神经网络模型的构建。
在步骤S3中,利用训练数据对深度卷积神经网络模型进行训练包括以下步骤:
步骤S31:将训练数据组织排列好,输入步骤S2中构建的深度卷积神经网络模型;
步骤S32:设置深度卷积神经网络模型的损失函数;
步骤S33:通过损失函数和深度卷积神经网络模型参数计算得到前向传播损失值;
步骤S34:反向传播得到训练误差。
在步骤S4中,所述利用训练好的深度卷积神经网络模型对录制好的白鼠行为视频进行分类是指:首先,对录制好的白鼠行为视频进行预处理,得到测试数据;然后,将测试数据输入训练好的深度卷积神经网络模型,以提取白鼠动作时序信息,实现对白鼠行为视频进行分类。
本发明基于深度学习的白鼠行为分类方法,相比其他基于深度学习的行为分类方法,可更好地提取白鼠动作时序信息,从而提高了白鼠行为分类的准确率。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种基于深度学习的白鼠行为分类方法,其特征在于:包括以下步骤:
步骤S1:采集白鼠的行为视频数据并进行预处理,作为训练数据;
步骤S2:构建深度卷积神经网络模型;
步骤S3:利用训练数据对深度卷积神经网络模型进行训练;
步骤S4:利用训练好的深度卷积神经网络模型对录制好的白鼠行为视频进行分类。
2.根据权利要求1所述的基于深度学习的白鼠行为分类方法,其特征在于:在步骤S1中,所述采集白鼠的行为视频数据并进行预处理是指:利用摄像头采集白鼠的行为视频数据并将数据进行标注和预处理;所述行为视频数据为站立视频数据、奔跑视频数据、进食视频数据、饮水视频数据和休息视频数据。
3.根据权利要求2所述的基于深度学习的白鼠行为分类方法,其特征在于:所述将数据进行标注和预处理是指:首先将视频数据按帧转化为图片;然后按最大采样数量m和最小采样间隔t进行采样,若当视频长度不足时,优先保证采样间隔t;最后再对采样到的图片进行调整大小处理、归一化处理和数据增强处理。
4.根据权利要求1所述的基于深度学习的白鼠行为分类方法,其特征在于:在步骤S2中,所述构建深度卷积神经网络模型包括以下步骤:
步骤S21:截取Resnet50的最后一层卷积层conv5之前的所有网络层,并且使用在ImageNet上,将预训练好的参数对其初始化;
步骤S22:在conv5层后,对conv5的输出X接入全连接层,将conv5的输出X的维度转为所需要的维度L;
步骤S23:将全连接层输出的特征向量接入自适应长度的lstm层,以捕捉各种时长的白鼠动作行为信息;
步骤S24:将lstm层输出的向量接入全连接层,得到所需类别的维度;再利用softmax输出分类概率,完成深度卷积神经网络模型的构建。
5.根据权利要求1所述的基于深度学习的白鼠行为分类方法,其特征在于:在步骤S3中,所述利用训练数据对深度卷积神经网络模型进行训练包括以下步骤:
步骤S31:将训练数据组织排列好,输入步骤S2中构建的深度卷积神经网络模型;
步骤S32:设置深度卷积神经网络模型的损失函数;
步骤S33:通过损失函数和深度卷积神经网络模型参数计算得到前向传播损失值;
步骤S34:反向传播得到训练误差。
6.根据权利要求1所述的基于深度学习的白鼠行为分类方法,其特征在于:在步骤S4中,所述利用训练好的深度卷积神经网络模型对录制好的白鼠行为视频进行分类是指:首先,对录制好的白鼠行为视频进行预处理,得到测试数据;然后,将测试数据输入训练好的深度卷积神经网络模型,以提取白鼠动作时序信息,实现对白鼠行为视频进行分类。
7.根据权利要求6所述的基于深度学习的白鼠行为分类方法,其特征在于:所述对录制好的白鼠行为视频进行预处理,得到测试数据是指:首先将制好的白鼠行为视频数据按帧转化为图片;然后按最大采样数量m和最小采样间隔t进行采样,若当视频长度不足时,优先保证采样间隔t;最后再对采样到的图片进行调整大小处理、归一化处理和数据增强处理,得到测试数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910202293.4A CN109993076A (zh) | 2019-03-18 | 2019-03-18 | 一种基于深度学习的白鼠行为分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910202293.4A CN109993076A (zh) | 2019-03-18 | 2019-03-18 | 一种基于深度学习的白鼠行为分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109993076A true CN109993076A (zh) | 2019-07-09 |
Family
ID=67130669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910202293.4A Pending CN109993076A (zh) | 2019-03-18 | 2019-03-18 | 一种基于深度学习的白鼠行为分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993076A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860278A (zh) * | 2020-07-14 | 2020-10-30 | 陕西理工大学 | 一种基于深度学习的人体行为识别算法 |
CN112507961A (zh) * | 2020-12-22 | 2021-03-16 | 上海科技大学 | 一种基于深度学习算法的小鼠运动状态分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180101764A1 (en) * | 2016-10-07 | 2018-04-12 | International Business Machines Corporation | Transfer of an acoustic knowledge to a neural network |
CN108182423A (zh) * | 2018-01-26 | 2018-06-19 | 山东科技大学 | 一种基于深度卷积神经网络的禽类动物行为识别方法 |
CN109299703A (zh) * | 2018-10-17 | 2019-02-01 | 思百达物联网科技(北京)有限公司 | 对鼠情进行统计的方法、装置以及图像采集设备 |
WO2019032622A1 (en) * | 2017-08-07 | 2019-02-14 | The Jackson Laboratory | BEHAVIORAL ANIMAL BEHAVIORAL SURVEILLANCE CONTINUES |
-
2019
- 2019-03-18 CN CN201910202293.4A patent/CN109993076A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180101764A1 (en) * | 2016-10-07 | 2018-04-12 | International Business Machines Corporation | Transfer of an acoustic knowledge to a neural network |
WO2019032622A1 (en) * | 2017-08-07 | 2019-02-14 | The Jackson Laboratory | BEHAVIORAL ANIMAL BEHAVIORAL SURVEILLANCE CONTINUES |
CN108182423A (zh) * | 2018-01-26 | 2018-06-19 | 山东科技大学 | 一种基于深度卷积神经网络的禽类动物行为识别方法 |
CN109299703A (zh) * | 2018-10-17 | 2019-02-01 | 思百达物联网科技(北京)有限公司 | 对鼠情进行统计的方法、装置以及图像采集设备 |
Non-Patent Citations (6)
Title |
---|
BRIAN Q. GEUTHER等: "Robust Mouse Tracking in Complex Environments using Neural Networks", 《COMMUNICATIONS BIOLOGY》 * |
GREGORY KRAMIDA等: "Automated Mouse Behavior Recognition using VGG Features and LSTM Networks", 《VISUAL OBSERVATION AND ANALYSIS OF VERTEBRATE AND INSECT BEHAVIOR WORKSHOP》 * |
ZHEYUAN WANG等: "Deep Convolutional Neural Networks for Automated Convulsion Scoring using RGB-D Images", 《 2018 IEEE BIOMEDICAL CIRCUITS AND SYSTEMS CONFERENCE (BIOCAS)》 * |
汤鹏杰等: "密集帧率采样的视频标题生成", 《计算机科学与探索》 * |
范佳柔: "基于深度学习的多人姿态估计", 《中国优秀硕士论文全文数据库信息科技辑》 * |
陈小平: "基于深度模型学习的跨模态检索", 《中国优秀硕士论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860278A (zh) * | 2020-07-14 | 2020-10-30 | 陕西理工大学 | 一种基于深度学习的人体行为识别算法 |
CN111860278B (zh) * | 2020-07-14 | 2024-05-14 | 陕西理工大学 | 一种基于深度学习的人体行为识别算法 |
CN112507961A (zh) * | 2020-12-22 | 2021-03-16 | 上海科技大学 | 一种基于深度学习算法的小鼠运动状态分析方法 |
CN112507961B (zh) * | 2020-12-22 | 2024-05-17 | 上海科技大学 | 一种基于深度学习算法的小鼠运动状态分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188836B (zh) | 一种基于变分自编码器的脑功能网络分类方法 | |
CN105426875A (zh) | 一种基于深度卷积神经网络的人脸识别方法和考勤系统 | |
CN108304917A (zh) | 一种基于lstm网络的p300信号检测方法 | |
CN106821376A (zh) | 一种基于深度学习算法的癫痫发作预警系统及方法 | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
CN111202517B (zh) | 一种睡眠自动分期方法、系统、介质及电子设备 | |
CN108090509B (zh) | 一种数据长度自适应的心电图分类方法 | |
CN110135244B (zh) | 一种基于脑-机协同智能的表情识别方法 | |
Zeng et al. | GRP-DNet: A gray recurrence plot-based densely connected convolutional network for classification of epileptiform EEG | |
CN104636580A (zh) | 一种基于人脸的健康监控手机 | |
CN108567418A (zh) | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 | |
CN111248859A (zh) | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 | |
CN109993076A (zh) | 一种基于深度学习的白鼠行为分类方法 | |
CN113069117A (zh) | 一种基于时间卷积神经网络的脑电情绪识别方法及系统 | |
CN111053552B (zh) | 一种基于深度学习的qrs波检测方法 | |
Maduri et al. | Malaria detection using image processing and machine learning | |
CN111968003B (zh) | 一种基于农作物本体概念响应的农作物病害预测方法 | |
US11963771B2 (en) | Automatic depression detection method based on audio-video | |
CN116230198A (zh) | 一种多维度藏医ai智能辅助决策装置和系统 | |
CN113221859A (zh) | 一种基于微表情分析的睡眠障碍判别方法和系统 | |
Gharbali et al. | Transfer learning of spectrogram image for automatic sleep stage classification | |
Zhang et al. | Research on lung sound classification model based on dual-channel CNN-LSTM algorithm | |
Geng et al. | Photoplethysmographic waveform detection for determining hatching egg activity via deep neural network | |
CN111248907A (zh) | 基于精神病临床高危人群脑电信号特征的风险预测方法 | |
CN116616800B (zh) | 基于元迁移学习的头皮脑电高频振荡信号识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190709 |