JP2024505350A - 歩行および姿勢の分析 - Google Patents

歩行および姿勢の分析 Download PDF

Info

Publication number
JP2024505350A
JP2024505350A JP2023539116A JP2023539116A JP2024505350A JP 2024505350 A JP2024505350 A JP 2024505350A JP 2023539116 A JP2023539116 A JP 2023539116A JP 2023539116 A JP2023539116 A JP 2023539116A JP 2024505350 A JP2024505350 A JP 2024505350A
Authority
JP
Japan
Prior art keywords
stride
data
determining
subject
tail
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
Application number
JP2023539116A
Other languages
English (en)
Inventor
クマール，ビベック
シェパード，キース
サブニス，ゴータム
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jackson Laboratory
Original Assignee
Jackson Laboratory
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jackson Laboratory filed Critical Jackson Laboratory
Publication of JP2024505350A publication Critical patent/JP2024505350A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本明細書で説明するシステムおよび方法は、対象の歩行および姿勢を、対照データに対して分析する技術を提供する。本システムおよび本方法は、いくつかの実施形態では、ビデオデータを処理し、身体部分を表すキーポイントを特定し、ストライドレベルで指標データを決定し、指標データを対照データと比較する。【選択図】図１

Description

関連出願
本出願は、米国特許法第１１９条（ｅ）項に基づき、２０２１年２月１日付けで出願された米国仮出願シリアル番号第６３／１４４，０５２号明細書、および２０２０年１２月２９日付けで出願された米国仮出願シリアル番号第６３／１３１，４９８号明細書、に基づく優先権を主張するものであり、各文献の全体的内容は、それらの全体が参照により本明細書に援用される。
本発明は、いくつかの態様では、ビデオデータの処理によって、対象の歩行および姿勢を自動的に分析することに関する。
政府による支援
本発明は、国立衛生研究所から授与されたＲ２１ＤＡ０４８６３４およびＵＭ１ＯＤ０２３２２２による政府支援を受けて行われた。政府は、本発明について特定の権利を有している。
ヒトの場合、歩行および姿勢を高精度かつ高感度で定量化し得ることから、多くの神経系および筋肉系に関する適切な機能を判断するのに利用し得ることが示されている。自閉症スペクトラム障害、統合失調症、双極性障害、およびアルツハイマー病を含めて、多くの精神疾患、神経変性疾患、ならびに神経筋疾患は、歩行および姿勢の変化と関連している。なぜなら、適切な歩行、バランス、および姿勢が、視覚、前庭、聴覚、固有受容、および内臓入力を処理する重要な感覚中枢を含めて、複数の神経系プロセスの制御下にあるからである。脳内における、小脳、運動皮質、および脳幹などの、運動を直接的に制御する領域は、認知および感情の合図に応答する。よって、歩行および姿勢の完全性は、ヒト内における多くの神経系の適切な神経機能を反映している。ヒトの精神的病態に関するげっ歯類モデルにおいては、ヒトにおけるような、歩行および姿勢に関する指標の有用性は実証されていない。これは、異なるマウス系統どうしの間における歩行および姿勢の相違を充分な精度で検出するような、容易に実装可能な技術の欠如によるものであり得る。
本発明の一態様によれば、コンピュータ実装方法が提供され、この方法は、対象の動きを取り込んだビデオを表すビデオデータを受信することと、ビデオデータを処理することにより、ある期間にわたっての、対象の一組をなす複数の身体部分に関して、動きを追跡した点データを特定することと、点データを使用して、期間時にビデオデータ内に表された、複数の立脚期と、対応した複数の遊脚期と、を決定することと、複数の立脚期と複数の遊脚期とに基づいて、期間時にビデオデータ内に表された複数のストライド間隔を決定することと、点データを使用して、対象に関する指標データを決定することであって、指標データは、複数のストライド間隔の各ストライド間隔に基づく、決定することと、対象に関する指標データを、対照指標データと比較することと、比較に基づいて、対象に関する指標データと対照指標データとの間における差異を決定することと、を含む。特定の実施形態では、一組をなす複数の身体部分は、鼻と、首付け根と、脊椎中間部と、左後肢と、右後肢と、尾付け根と、尾中間部と、尾先端と、を含み、複数の立脚期と複数の遊脚期とは、左後肢および右後肢の移動速度の変化に基づいて決定される。特定の実施形態では、方法は、また、左後肢または右後肢のつま先離地イベントに基づいて、複数の立脚期の第一立脚期からの、および複数の遊脚期の第一遊脚期からの、移行を決定することと、左後肢または右後肢の足接地イベントに基づいて、複数の遊脚期の第二遊脚期から、複数の立脚期の第二立脚期への、移行を決定することと、を含む。いくつかの実施形態では、指標データは、各ストライド間隔時における対象の歩行測定値に対応している。いくつかの実施形態では、一組をなす複数の身体部分は、左後肢と右後肢とを含み、指標データを決定することは、点データを使用して、各ストライド間隔に関するステップ長を決定することであって、ステップ長を、右後肢が直前の左後肢の接地を超えて移動する距離を表すものとすることと、点データを使用して、各ストライド間隔に関して使用されるストライド長を決定することであって、ストライド長が、つま先離地イベントから足接地イベントまでの各ストライド間隔に関して左前肢と左後肢との間において、各ストライド間隔時に左後肢が移動する距離を表す、決定することと、点データを使用して、各ストライド間隔に関する歩隔を決定することであって、歩隔が、左後肢と右後肢との間の距離を表す、決定することと、を含む。いくつかの実施形態では、一組をなす複数の身体部分は、尾付け根を含み、指標データを決定することは、点データを使用して、各ストライド間隔に関する尾付け根の動きに基づいて、対象の速度データを決定することを含む。特定の実施形態では、一組をなす複数の身体部分は、尾付け根を含み、指標データを決定することは、点データを使用して、複数のストライド間隔のあるストライド間隔を表す一組をなす複数のフレーム時における尾付け根の動きに基づいて、対象に関する一組をなす複数の速度データを決定することと、一組をなす複数の速度データを平均化することにより、ストライド間隔に関するストライド速度を決定することと、を含む。いくつかの実施形態では、一組をなす複数の身体部分は、右後肢と左後肢とを含み、指標データを決定することは、点データを使用して、複数のストライド間隔のあるストライド間隔時に右後肢が地面に対して接触している時間量を表す第一立脚持続時間を決定することと、第一立脚持続時間とストライド間隔の持続時間とに基づいて、第一負荷係数を決定することと、点データを使用して、ストライド間隔時に左後肢が地面に対して接触している時間量を表す第二立脚持続時間を決定することと、第二立脚持続時間とストライド間隔の持続時間とに基づいて、第二負荷係数を決定することと、第一負荷係数と第二負荷係数とに基づいて、ストライド間隔に関する平均負荷係数を決定することと、を含む。いくつかの実施形態では、一組をなす複数の身体部分は、尾付け根と首付け根とを含み、指標データを決定することは、点データを使用して、複数のストライド間隔のあるストライド間隔を表す一組をなす複数のフレーム時に、尾付け根と首付け根とを結ぶ一組をなす複数のベクトルを決定することと、一組をなす複数のベクトルを使用して、ストライド間隔に関する対象の角速度を決定することと、を含む。特定の実施形態では、指標データは、各ストライド間隔時における対象の姿勢測定値に対応している。いくつかの実施形態では、一組をなす複数の身体部分は、対象の脊椎中間部を含み、複数のストライド間隔のあるストライド間隔は、ビデオデータの一組をなす複数のフレームに対して関連付けられており、指標データを決定することは、点データを使用して、ストライド間隔に関する変位ベクトルを決定することを含み、変位ベクトルを、一組をなす複数のフレームにおける最初のフレーム内に表された脊椎中間部と、一組をなす複数のフレームにおける最後のフレーム内に表された脊椎中間部と、を結ぶものとする。いくつかの実施形態では、一組をなす複数の身体部分は、対象の鼻をさらに含み、指標データを決定することは、点データを使用して、一組をなす複数のフレームの各フレームに関する変位ベクトルからの鼻の垂直距離に基づいて、ストライド間隔に関する鼻の一組をなす複数の横方向変位を決定することを含む。特定の実施形態では、鼻の横方向変位は、対象の体長にさらに基づくものとされる。いくつかの実施形態では、指標データを決定することは、鼻の一組をなす複数の横方向変位を使用して補間を実行することにより、ストライド間隔に関する鼻の横方向変位の滑らかな曲線を生成することと、鼻の横方向変位の滑らかな曲線を使用して、鼻の最大変位がストライド間隔時のどの時点で発生したかを決定することと、鼻の最大変位が発生した時に完了したストライド間隔のパーセントを表すパーセントストライド位置を決定することと、を行うことにより、尾先端の変位位相オフセットを決定することを、さらに含む。いくつかの実施形態では、一組をなす複数の身体部分は、対象の尾付け根をさらに含み、指標データを決定することは、点データを使用して、一組をなす複数のフレーム内の各フレームに関する変位ベクトルからの尾付け根の垂直距離に基づいて、ストライド間隔に関する尾付け根の一組をなす複数の横方向変位を決定することを含む。いくつかの実施形態では、指標データを決定することは、尾付け根の一組をなす複数の横方向変位を使用して補間を実行することにより、ストライド間隔に関する尾付け根の横方向変位の滑らかな曲線を生成することと、尾付け根の横方向変位の滑らかな曲線を使用して、尾付け根の最大変位がストライド間隔時のどの時点で発生したかを決定することと、尾付け根の最大変位が発生した時に完了したストライド間隔のパーセントを表すパーセントストライド位置を決定することと、を行うことにより、尾付け根の変位位相オフセットを決定することを、さらに含む。特定の実施形態では、一組をなす複数の身体部分は、また、対象の尾先端を含み、指標データを決定することは、点データを使用して、一組をなす複数のフレーム内の各フレームに関する変位ベクトルからの尾先端の垂直距離に基づいて、ストライド間隔に関する尾先端の一組をなす複数の横方向変位を決定することを含む。いくつかの実施形態では、指標データを決定することは、また、尾先端の一組をなす複数の横方向変位を使用して補間を実行することにより、ストライド間隔に関する尾先端の横方向変位の滑らかな曲線を生成することと、尾先端の横方向変位の滑らかな曲線を使用して、尾先端の最大変位がストライド間隔時のどの時点で発生したかを決定することと、尾先端の最大変位が発生した時に完了したストライド間隔のパーセントを表すパーセントストライド位置を決定することと、を行うことにより、尾先端の変位位相オフセットを決定することを、含む。いくつかの実施形態では、ビデオデータを処理することは、機械学習モデルを使用してビデオデータを処理することを含む。特定の実施形態では、ビデオデータを処理することは、ニューラルネットワークモデルを使用してビデオデータを処理することを含む。特定の実施形態では、ビデオは、平面視視界でオープンアリーナ内の対象の対象決定移動を取り込む。いくつかの実施形態では、対照指標データは、一つの対照生物または複数の対照生物から取得される。いくつかの実施形態では、対象は、生物であり、対照生物と対象生物とは、同種である。特定の実施形態では、種は、げっ歯目のメンバーであり、任意選択的に、ラットまたはマウスである。特定の実施形態では、対照生物は、その種に関する実験室系統とされる。いくつかの実施形態では、実験室系統は、図１４Ｅに列挙されたものである。いくつかの実施形態では、対照指標データと比較した際の、対象の指標データにおける統計的に有意な差異は、対照生物の表現型と比較した際の、対象の表現型における差異を示す。いくつかの実施形態では、表現型における差異は、対象における疾患または病態の存在を示す。特定の実施形態では、表現型における差異は、対象の遺伝的背景と対照生物の遺伝的背景との間における差異を示す。いくつかの実施形態では、対象の指標データと対照指標データとにおける統計的に有意な差異は、対照生物の遺伝子型と比較した際の、対象の遺伝子型における差異を示す。特定の実施形態では、遺伝子型における差異は、対象と対照生物との間における系統の差異を示す。特定の実施形態では、遺伝子型における差異は、対象における疾患または病態の存在を示す。いくつかの実施形態では、疾患または病態は、レット症候群、ダウン症候群、筋萎縮性側索硬化症（ＡＬＳ）、自閉症スペクトラム障害（ＡＳＤ）、統合失調症、双極性障害、神経変性障害、認知症、または脳損傷、である。いくつかの実施形態では、対照生物と対象生物とは、同性である。特定の実施形態では、対照生物と対象生物とは、同性ではない。いくつかの実施形態では、対照指標データは、対照のストライド長と、対照のステップ長と、対照の歩隔と、を含む要素に対応しており、対象の指標データは、期間時における対象のストライド長と、期間時における対象のステップ長と、期間時における対象の歩隔と、を含む要素を含み、対照データの一つまたは複数の要素と、指標データの一つまたは複数の要素と、の間における差異は、対象と対照との間における表現型の差異を示す。
本発明の別の態様によれば、疾患もしくは病態を有することが知られている対象に関して、疾患もしくは病態を有する疑いがある対象に関して、または、疾患もしくは病態を有するリスクがある対象に関して、一つもしくは複数の活動を、および一つもしくは複数の行動を、評価するための方法が提供され、この方法は、対象に関する指標データを取得することであって、取得のための手段を、本発明の上述の方法またはシステムにおける任意の実施形態によるコンピュータ生成方法を含むものとすることと、取得した指標データに少なくとも部分的に基づいて、疾患または病態の有無を判定することと、を含む。いくつかの実施形態では、方法は、また、判定された疾患または病態の存在に少なくとも部分的に基づいて、対象に関する治療レジメンを選択することを含む。いくつかの実施形態では、方法は、また、選択された治療レジメンを対象に対して適用することを含む。いくつかの実施形態では、方法は、また、治療レジメンの適用後の時点で対象に関する指標データを取得することと、任意選択的に、最初に取得した指標データとその後に取得した指標データとを比較して、適用された治療レジメンの有効性を判定することと、を含む。いくつかの実施形態では、方法は、また、対象に関して最初に得られた指標データとその後に得られた指標データとの比較に少なくとも部分的に基づいて、選択された治療レジメンの対象に対する適用を、繰り返すこと、増加させること、または減少させること、を含む。いくつかの実施形態では、方法は、また、得られた指標データを、対照指標データと比較することを含む。いくつかの実施形態では、疾患または病態は、神経変性障害、神経筋障害、神経精神障害、ＡＬＳ、自閉症、ダウン症候群、レット症候群、双極性障害、認知症、うつ病、多動性障害、不安障害、発達障害、睡眠障害、アルツハイマー病、パーキンソン病、身体的損傷、等である。本発明の方法および／またはシステムを使用して評価し得る追加的な疾患および障害ならびに動物モデルは、当該技術分野において知られており、例えば、Ｂａｒｒｏｔ Ｍ．Ｎｅｕｒｏｓｃｉｅｎｃｅ ２０１２；２１１：３９－５０、Ｇｒａｈａｍ，Ｄ．Ｍ．，Ｌａｂ Ａｎｉｍ（ＮＹ）２０１６；４５：９９－１０１、Ｓｅｗｅｌｌ，Ｒ．Ｄ．Ｅ．，Ａｎｎ Ｔｒａｎｓｌ Ｍｅｄ ２０１８；６：Ｓ４２．２０１９／０１／０８、およびＪｏｕｒｄａｎ，Ｄ．，ｅｔ ａｌ，Ｐｈａｒｍａｃｏｌ Ｒｅｓ ２００１；４３：１０３－１１０、を参照されたい。
本発明の別の態様によれば、対象を疾患または病態に関する動物モデルとして特定するための方法が提供され、この方法は、対象に関する指標データを取得することであって、取得のための手段を、本発明の上述の方法またはシステムにおける任意の実施形態によるコンピュータ生成方法を含むものとすることと、取得した指標データに少なくとも部分的に基づいて、対象における疾患もしくは病態に関する一つまたは複数の特徴を決定することであって、対象における疾患もしくは病態に関する一つまたは複数の特徴の存在により、対象を、疾患または病態の動物モデルとして特定することと、を含む。いくつかの実施形態では、方法は、また、対象に関する追加的な評価を含む。いくつかの実施形態では、疾患または病態は、神経変性障害、神経筋障害、神経精神障害、ＡＬＳ、自閉症、ダウン症候群、レット症候群、双極性障害、認知症、うつ病、多動性障害、不安障害、発達障害、睡眠障害、アルツハイマー病、パーキンソン病、身体的損傷、等である。いくつかの実施形態では、方法は、また、得られた指標データを対照指標データと比較することと、得られた指標データと対照指標データとにおける一つもしくは複数の類似点または相違点を特定することと、を含み、特定された類似点または相違点は、対象を疾患または病態の動物モデルとして特定することを支援する。
本発明の別の態様によれば、疾患または病態に対する候補化合物の効果の存在を決定するための方法が提供され、この方法は、対象に関する第一指標データを取得することであって、取得のための手段を、方法の上述したコンピュータ生成態様における任意の実施形態によるコンピュータ生成方法を含むものとし、対象を、疾患または病態を有するものとする、あるいは、疾患または病態に関する動物モデルをなすものとすることと、対象に対して候補化合物を投与することと、生物に関する投与後指標データを取得することと、第一指標データと投与後指標データとを比較することであって、第一指標データと投与後指標データとの差異は、疾患または病態に対する候補化合物の効果を特定する、比較することと、を含む。いくつかの実施形態では、方法は、また、疾患または病態の治療における化合物の効果を追加的に試験することを含む。
本発明の別の態様によれば、疾患または病態に対する候補化合物の効果の存在を特定するための方法が提供され、この方法は、疾患または病態を有する対象に対して、あるいは疾患または病態に関する動物モデルをなす対象に対して、候補化合物を投与することと、対象に関する指標データを取得することであって、取得のための手段を、方法の上述したコンピュータ生成態様における任意の実施形態によるコンピュータ生成方法を含むものとすることと、取得した指標データを対照指標データと比較することであって、取得した指標データと対照指標データとの差異は、疾患または病態に対する候補化合物の効果の存在を特定する、比較することと、を含む。
本発明の別の態様によれば、システムが提供され、このシステムは、少なくとも一つのプロセッサと、少なくとも一つのプロセッサによって実行された時には、システムに、対象の動きを取り込んだビデオを表すビデオデータを受信することと、ビデオデータを処理することにより、ある期間にわたっての、対象の一組をなす複数の身体部分に関して、動きを追跡した点データを特定することと、点データを使用して、期間時にビデオデータ内に表された、複数の立脚期と、対応した複数の遊脚期と、を決定することと、複数の立脚期と複数の遊脚期とに基づいて、期間時にビデオデータ内に表された複数のストライド間隔を決定することと、点データを使用して、対象に関する指標データを決定することであって、指標データは、複数のストライド間隔の各ストライド間隔に基づく、決定することと、対象に関する指標データを、対照指標データと比較することと、比較に基づいて、対象に関する指標データと対照指標データとの間における差異を決定することと、を行わせる命令を含む少なくとも一つのメモリと、を含む。いくつかの実施形態では、一組をなす複数の身体部分は、鼻と、首付け根と、脊椎中間部と、左後肢と、右後肢と、尾付け根と、尾中間部と、尾先端と、を含み、複数の立脚期と複数の遊脚期とは、左後肢および右後肢の移動速度の変化に基づいて決定される。特定の実施形態では、少なくとも一つのメモリは、また、少なくとも一つのプロセッサによって実行された時には、システムに、左後肢または右後肢のつま先離地イベントに基づいて、複数の立脚期の第一立脚期からの、および複数の遊脚期の第一遊脚期からの、移行を決定することと、左後肢または右後肢の足接地イベントに基づいて、複数の遊脚期の第二遊脚期から、複数の立脚期の第二立脚期への、移行を決定することと、をさらに行わせる命令を、含む。特定の実施形態では、指標データは、各ストライド間隔時における対象の歩行測定値に対応している。いくつかの実施形態では、一組をなす複数の身体部分は、左後肢と右後肢とを含み、システムに指標データを決定させる命令は、システムに、点データを使用して、各ストライド間隔に関するステップ長を決定することであって、ステップ長を、右後肢が直前の左後肢の接地を超えて移動する距離を表すものとすることと、点データを使用して、各ストライド間隔に関して使用されるストライド長を決定することであって、ストライド長が、各ストライド間隔時に左後肢が移動する距離を表す、決定することと、点データを使用して、各ストライド間隔に関する歩隔を決定することであって、歩隔が、左後肢と右後肢との間の距離を表す、決定することと、をさらに行わせる。いくつかの実施形態では、一組をなす複数の身体部分は、尾付け根を含み、システムに指標データを決定させる命令は、システムに、点データを使用して、各ストライド間隔に関する尾付け根の動きに基づいて、対象の速度データを決定することを、さらに行わせる。特定の実施形態では、一組をなす複数の身体部分は、尾付け根を含み、システムに指標データを決定させる命令は、システムに、点データを使用して、複数のストライド間隔のあるストライド間隔を表す一組をなす複数のフレーム時における尾付け根の動きに基づいて、対象に関する一組をなす複数の速度データを決定することと、一組をなす複数の速度データを平均化することにより、ストライド間隔に関するストライド速度を決定することと、をさらに行わせる。特定の実施形態では、一組をなす複数の身体部分は、右後肢と左後肢とを含み、システムに指標データを決定させる命令は、システムに、点データを使用して、複数のストライド間隔のあるストライド間隔時に右後肢が地面に対して接触している時間量を表す第一立脚持続時間を決定することと、第一立脚持続時間とストライド間隔の持続時間とに基づいて、第一負荷係数を決定することと、点データを使用して、ストライド間隔時に左後肢が地面に対して接触している時間量を表す第二立脚持続時間を決定することと、第二立脚持続時間とストライド間隔の持続時間とに基づいて、第二負荷係数を決定することと、第一負荷係数と第二負荷係数とに基づいて、ストライド間隔に関する平均負荷係数を決定することと、をさらに行わせる。いくつかの実施形態では、一組をなす複数の身体部分は、尾付け根と首付け根とを含み、システムに指標データを決定させる命令は、システムに、点データを使用して、複数のストライド間隔のあるストライド間隔を表す一組をなす複数のフレーム時に、尾付け根と首付け根とを結ぶ一組をなす複数のベクトルを決定することと、一組をなす複数のベクトルを使用して、ストライド間隔に関する対象の角速度を決定することと、をさらに行わせる。いくつかの実施形態では、指標データは、各ストライド間隔時における対象の姿勢測定値に対応している。いくつかの実施形態では、一組をなす複数の身体部分は、対象の脊椎中間部を含み、複数のストライド間隔のあるストライド間隔は、ビデオデータの一組をなす複数のフレームに対して関連付けられており、システムに指標データを決定させる命令は、システムに、点データを使用して、ストライド間隔に関する変位ベクトルを決定することであって、変位ベクトルを、一組をなす複数のフレームにおける最初のフレーム内に表された脊椎中間部と、一組をなす複数のフレームにおける最後のフレーム内に表された脊椎中間部と、を結ぶものとすることを、さらに行わせる。特定の実施形態では、一組をなす複数の身体部分は、また、対象の鼻を含み、システムに指標データを決定させる命令は、システムに、点データを使用して、一組をなす複数のフレームの各フレームに関する変位ベクトルからの鼻の垂直距離に基づいて、ストライド間隔に関する鼻の一組をなす複数の横方向変位を決定することを、さらに行わせる。いくつかの実施形態では、鼻の横方向変位は、対象の体長にさらに基づくものとされる。いくつかの実施形態では、システムに指標データを決定させる命令は、システムに、鼻の一組をなす複数の横方向変位を使用して補間を実行することにより、ストライド間隔に関する鼻の横方向変位の滑らかな曲線を生成することと、鼻の横方向変位の滑らかな曲線を使用して、鼻の最大変位がストライド間隔時のどの時点で発生したかを決定することと、鼻の最大変位が発生した時に完了したストライド間隔のパーセントを表すパーセントストライド位置を決定することと、を行うことにより、尾先端の変位位相オフセットを決定することを、さらに行わせる。特定の実施形態では、一組をなす複数の身体部分は、また、対象の尾付け根を含み、システムに指標データを決定させる命令は、システムに、点データを使用して、一組をなす複数のフレーム内の各フレームに関する変位ベクトルからの尾付け根の垂直距離に基づいて、ストライド間隔に関する尾付け根の一組をなす複数の横方向変位を決定することを、さらに行わせる。いくつかの実施形態では、システムに指標データを決定させる命令は、システムに、尾付け根の一組をなす複数の横方向変位を使用して補間を実行することにより、ストライド間隔に関する尾付け根の横方向変位の滑らかな曲線を生成することと、尾付け根の横方向変位の滑らかな曲線を使用して、尾付け根の最大変位がストライド間隔時のどの時点で発生したかを決定することと、尾付け根の最大変位が発生した時に完了したストライド間隔のパーセントを表すパーセントストライド位置を決定することと、を行うことにより、尾付け根の変位位相オフセットを決定することを、さらに行わせる。特定の実施形態では、一組をなす複数の身体部分は、また、対象の尾先端を含み、システムに指標データを決定させる命令は、システムに、点データを使用して、一組をなす複数のフレーム内の各フレームに関する変位ベクトルからの尾先端の垂直距離に基づいて、ストライド間隔に関する尾先端の一組をなす複数の横方向変位を決定することを、さらに行わせる。いくつかの実施形態では、システムに指標データを決定させる命令は、システムに、尾先端の一組をなす複数の横方向変位を使用して補間を実行することにより、ストライド間隔に関する尾先端の横方向変位の滑らかな曲線を生成することと、尾先端の横方向変位の滑らかな曲線を使用して、尾先端の最大変位がストライド間隔時のどの時点で発生したかを決定することと、尾先端の最大変位が発生した時に完了したストライド間隔のパーセントを表すパーセントストライド位置を決定することと、を行うことにより、尾先端の変位位相オフセットを決定することを、さらに行わせる。特定の実施形態では、システムにビデオデータを処理させる命令は、システムに、機械学習モデルを使用してビデオデータを処理することを、さらに行わせる。いくつかの実施形態では、システムにビデオデータを処理させる命令は、システムに、ニューラルネットワークモデルを使用してビデオデータを処理することを、さらに行わせる。いくつかの実施形態では、ビデオは、平面視視界でオープンアリーナ内の対象の対象決定移動を取り込む。特定の実施形態では、対照指標データは、一つの対照生物または複数の対照生物から取得される。いくつかの実施形態では、対象は、生物であり、対照生物と対象生物とは、同種である。いくつかの実施形態では、種は、げっ歯目のメンバーであり、任意選択的に、ラットまたはマウスである。特定の実施形態では、対照生物は、その種に関する実験室系統とされる。特定の実施形態では、実験室系統は、図１４Ｅに列挙されたものである。いくつかの実施形態では、対照指標データと比較した際の、対象の指標データにおける統計的に有意な差異は、対照生物の表現型と比較した際の、対象の表現型における差異を示す。いくつかの実施形態では、表現型における差異は、対象における疾患または病態の存在を示す。特定の実施形態では、表現型における差異は、対象の遺伝的背景と対照生物の遺伝的背景との間における差異を示す。いくつかの実施形態では、対象の指標データと対照指標データとにおける統計的に有意な差異は、対照生物の遺伝子型と比較した際の、対象の遺伝子型における差異を示す。いくつかの実施形態では、遺伝子型における差異は、対象と対照生物との間における系統の差異を示す。いくつかの実施形態では、遺伝子型における差異は、対象における疾患または病態の存在を示す。特定の実施形態では、疾患または病態は、レット症候群、ダウン症候群、筋萎縮性側索硬化症（ＡＬＳ）、自閉症スペクトラム障害（ＡＳＤ）、統合失調症、双極性障害、神経変性障害、認知症、または脳損傷、である。特定の実施形態では、対照生物と対象生物とは、同性である。いくつかの実施形態では、対照生物と対象生物とは、同性ではない。いくつかの実施形態では、対照指標データは、対照のストライド長と、対照のステップ長と、対照の歩隔と、を含む要素に対応しており、対象の指標データは、期間時における対象のストライド長と、期間時における対象のステップ長と、期間時における対象の歩隔と、を含む要素を含み、対照データの一つまたは複数の要素と、指標データの一つまたは複数の要素と、の間における差異は、対象と対照との間における表現型の差異を示す。
本開示のより完全な理解のために、ここで添付図面と併せて以下の説明を参照する。
図１は、本開示の実施形態による、対象の歩行および姿勢に関する指標を決定するための例示的なシステムについての概念図である。 図２は、本開示の実施形態による、対象の歩行および姿勢に関する指標を決定するために、対象のビデオデータを分析するための、図１に示すシステムによって実行され得る例示的なプロセスを示すフローチャートである。 図３は、本開示の実施形態による、ビデオデータ内における対象身体部分を追跡するために図１に示す点追跡構成要素によって実行され得る例示的なプロセスを示すフローチャートである。 図４は、本開示の実施形態による、ストライド間隔を決定するために図１に示すシステムによって実行され得る例示的なプロセスを示すフローチャートである。 図５は、本開示の実施形態による、対象の歩行に関する指標を決定するために図１に示す歩行分析構成要素によって実行され得る例示的なプロセスを示すフローチャートである。 図６は、本開示の実施形態による、対象の姿勢に関する指標を決定するために図１に示す姿勢分析構成要素によって実行され得る例示的なプロセスを示すフローチャートである。 図７Ａ～Ｃは、ポーズ推定のための深層畳み込みニューラルネットワークを図示した概略図およびグラフを示している。図７Ａは、ポーズ推定を実行するためのＨＲＮｅｔ－Ｗ３２ニューラルネットワークアーキテクチャを示している。 図７Ｂは、推論パイプラインを示しており、この推論パイプラインは、ビデオを送出するとともに、ＨＲＮｅｔ内へとフレームインさせ、さらに、出力として、１２個のキーポイントからなるヒートマップを生成する。 図７Ｃは、訓練損失曲線を提示しており、オーバーフィッティングすることなくネットワークが収束することを示している。 図８Ａ～Ｊは、ビデオポーズ推定から歩行表現型を導出することを図示した概略図およびグラフを示している。図８Ａ～Ｂは、歩行の空間的特性および時間的特性を示している（Ｇｒｅｅｎ ｅｔ ａｌ．，Ｄｅｖ Ｍｅｄ Ｃｈｉｌｄ Ｎｅｕｒｏｌ（２００９）５１：３１１からの図に基づく）。図８Ａは、後肢の足接地位置から、三つの空間的ストライド指標である、ステップ長と、歩隔と、ストライド長とを、どのように導出したかを示す図示である。 図８Ｂはヒルデブランドプロットであって、このプロット内に示されたすべての指標は、単位として、パーセントストライド時間を有している。これは、ストライドの立脚期と遊脚期とに関して、足接地イベントとつま先離地イベントとの関係を示している。 図８Ｃは、後肢の軌跡を過去の５０フレームと未来の５０フレームとでプロットした入力ビデオの単一フレームを示している。後肢の接地イベントの位置は、黒丸で示されている。三つの線のうち、最も外側の線は、後肢右であり、三つの線のうち、真ん中の線は、尾付け根であり、三つの線のうち、最も内側の線は、左後肢である。 図８Ｄ～Ｆは、同じ１００フレームにわたっての、マウスの移動に関する異なる態様を示す三つのプロットを示している。中央の縦線は、現在のフレームを示している（図８Ｃに表示されている）。図８Ｄは、左後肢、右後肢、および尾付け根、に関する速度を示す三本の線を示している。プロット内における濃い縦線は、各ストライドの推定開始フレームを示している。 同上。 同上。 図８Ｇは、推定された１２個の点のそれぞれについて、信頼値の分布を示している。 図８Ｈは、角速度に従ってビニングされた後肢に関するヒルデブランドプロットについての集約図を提示している。 図８Ｉは、速度でビニングされたことを除いては、図８Ｈと同様の結果を示している。 図８Ｊは、四肢の負荷係数が速度の関数として変化することを示している。 図９Ａ～Ｉは、歩行サイクル時における周期的な全身姿勢指標の抽出を示す概略図およびグラフを提示している。いくつかの指標は、ポーズキーポイントで観察された周期的な横方向変位に関連している。横方向変位の測定値は、関連するストライド変位ベクトルからの直交オフセットとして定義された。変位ベクトルは、ストライドの第一フレームにおけるマウスの脊椎中間部と、ストライドの最後のフレームにおけるマウスの脊椎中間部と、を結ぶ線として定義された。このオフセットは、ストライドの各フレームで計算され、その後、滑らかな変位曲線を生成するために、三次補間が実行された。変位の位相オフセットは、この平滑化された曲線上で最大変位が起こるパーセントストライド位置として定義された。ストライドに対して割り当てられた横方向変位指標は、ストライド時に観察された最大変位値と最小変位値の差とされた。（図９Ａ）尾先端に関して、および（図９Ｂ）鼻に関して、横方向変位が測定された。また、コホート内の多くのストライドにわたって変位を平均化することで、（図９Ｄ）Ｃ５７ＢＬ／６Ｊ対（図９Ｅ）ＮＯＲ／ＬｔＪなどの、コンセンサス図を形成することができた、あるいは、個人内で多くのストライドを平均化することで、（図９Ｆ）Ｃ５７ＢＬ／６Ｊ対（図９Ｇ）ＮＯＲ／ＬｔＪなどの、コンセンサス図を形成することができた。図９Ｈおよび図９Ｉは、系統調査から選択された一組をなす複数の系統どうしの間における、横方向変位の多様性を示している。これら二つのプロットに関する薄い（半透明の）帯は、それぞれの系統に関する平均値の９５％信頼度区間を表している。 図１０Ａ～Ｅは、歩行変異体の遺伝的検証を示す結果を図示している。図１０Ａは、体長および年齢に関して調整したライナー混合効果モデルと円形線形モデルとから得られた、ｑ値（左）と効果量（右）とを示している。 図１０Ｂでは、速度分布に関するカーネル密度推定値と累積分布関数とを比較することで、対照と変異体との間におけるストライド速度の相違を試験した。 図１０Ｃでは、体長および年齢に関して調整した線形モデルと線形混合モデルを使用して、総走行距離および速度を、対照と変異体との間で比較した。図１０Ｄは、体長に関して調整した歩行指標の結果を示しており、これにより、線形混合効果モデルに関して異なることが判明した。 図１０Ｅは、Ｔｓ６５Ｄｎ系統に関する鼻と尾先端とについての横方向変位の結果を示している。実線は、ストライドの平均変位を表しており、薄い（半透明）帯は、平均値に関する９５％信頼度区間を示している。 図１１Ａ～Ｆは、自閉症変異体の遺伝的検証を示す表およびグラフを提示している。図１１Ａは、線形表現型についてはモデルＭ１から得られた、および円形表現型については円形－線形モデルから得られた、ｑ値（左）と効果量（右）とを示している。 図１１Ｂは、線形表現型についてはモデルＭ３から得られた、および円形表現型については円形－線形モデルから得られた、ｑ値（左）と効果量（右）とを示している。 図１１Ｃでは、体長および年齢に関して調整した線形モデルおよび線形混合モデルを使用して、総走行距離および速度を、対照と変異体との間で比較した。図示した各対において、左側のデータは、対照のものであり、右側のデータは、変異体のものである。図１１Ｄは、体長に関して調整した歩行指標を示しており、線形混合効果モデルに関して異なることが判明した。 図１１Ｅは、対照と変異体が最良に分離される多次元空間の２Ｄ表現を構築するための、最初の二つの主成分の使用を図示している。 図１１Ｆは、ＡＳＤモデルにおける速度の累積分布を示している。上側の曲線は、対照であり、下側の曲線は、変異体である。Ｃｎｔｎａｐ２、Ｆｍｒ１、Ｄｅｌ４Ａａｍは、より小さなストライド速度を有しており、Ｓｈａｎｋ３は、より大きなストライド速度を有している。 図１２Ａ～Ｅは、試験した系統に関する結果を示している。図１２Ａでは、各ボックスプロットが、系統に対応しており、縦方向の位置が、体長に関して調整したストライド長の残差を示している。系統は、残留ストライド長値の中央値によって、並べられている。 図１２Ｂは、すべての系統の体長調整済み歩行指標に関するｚスコアを、クラスタメンバーシップによって色分けして示している（図１２Ｃを参照されたい）。 図１２Ｃは、Ｋ平均アルゴリズムを使用することで、最初の二つの主成分を使用して、系統が最良に分離されている多次元空間の２Ｄ表現を構築したことを示している。右上の領域がクラスター１であり、下側の領域がクラスター２であり、左上の領域がクラスター３である。 図１２Ｄは、クラスターどうしにわたっての鼻および尾先端の横方向変位に関するコンセンサス図を提示している。実線は、ストライドの平均変位を表しており、半透明の帯は、平均値に関する９５％信頼度区間を示している。 図１２Ｅは、クラスター化後におけるプロットであって、異なるクラスターにわたっての残留歩行指標を要約している。三つからなる各組において、左側がクラスター１であり、中央がクラスター２であり、右側がクラスター３である。 図１３Ａ～Ｄは、歩行表現型に関するＧＷＡＳの結果を提示している。図１３Ａは、各表現型の平均（左）および分散（右）に関する遺伝率の推定値を提示している。 図１３Ｂ～Ｄは、すべての平均表現型に関して（図１３Ｂ）、分散表現型に関して（図１３Ｃ）、およびそれらすべてを組み合わせた表現型に関して（図１３Ｄ）、マンハッタンプロットを提示しており、色は、一塩基多型（ＳＮＰ）に関して最小のｐ値を有した表現型に対応している。 同上。 同上。 図１４Ａ～Ｄは、本発明の特定の実装において使用される動物系統のリストを提示している。図１４Ａは、対照系統と、歩行変異体に関する公式識別子と、を示している。 図１４Ｂは、対照系統と、自閉症変異体に関する公式識別子と、を示している。 図１４Ｃは、実験における動物の体長および体重を要約した表を示している。 図１４Ｄは、系統調査研究において使用された動物を要約した表を提示している。 図１５Ａ～Ｅは、ヒートマップ、曲線、およびプロットを提示している。図１５Ａは、モデルＭ３から得られた効果量およびｑ値を要約したヒートマップであり、ここで、表現型～遺伝子型＋試験年齢＋速度＋体長＋（１｜マウスＩＤ／試験年齢）である。 図１５Ｂは、すべての系統にわたっての、速度に関するカーネル密度曲線（左）および累積密度曲線（右）を示している。 図１５Ｃは、異なる歩行変異系統にわたっての、体長と性別との間における正の関連を示すプロットである。結果の各対において、対照は、対の左側であり、変異体は、対の右側である。 図１５Ｄは、Ｍｅｃｐ２歩行変異体に関する四肢の負荷係数およびステップ長について、残差で調整した、体長（Ｍ１）と、速度（Ｍ２）と、体長および速度（Ｍ３）と、を示している。 図１５Ｅは、Ｍｅｃｐ２歩行変異体に関する歩隔およびストライド長について、残差で調整した、体長（Ｍ１）と、速度（Ｍ２）と、体長および速度（Ｍ３）と、を示している。 図１６Ａ～Ｅは、ヒートマップ、曲線、およびプロットを提示している。図１６Ａは、モデルＭ２から得られた効果量およびｑ値を要約したヒートマップであり、ここで、表現型～遺伝子型＋試験年齢＋速度＋（１｜マウスＩＤ／試験年齢）である。 図１６Ｂは、すべての系統にわたっての、速度に関するカーネル密度曲線を示している。 図１６Ｃは、異なる歩行変異体系統にわたっての、体長と性別との間における正の関連を示すプロットである。結果の各対において、対照は、対の左側であり、変異体は、対の右側である。 図１６Ｄは、Ｓｈａｎｋ３自閉症変異体に関してステップ長およびストライド長について、残差で調整した、体長（Ｍ１）と、速度（Ｍ２）と、体長および速度（Ｍ３）と、を示している。 図１６Ｅは、Ｄｅｌ４Ａａｍ自閉症変異体に関してステップ長およびストライド長について、残差で調整した、体長（Ｍ１）と、速度（Ｍ２）と、体長および速度（Ｍ３）と、を示している。示した結果の各対において、対照は、対の左側であり、変異体は、対の右側である。 図１７Ａ～Ｆは、系統調査における６２個の系統にわたって比較した体長調整済み表現型に関する結果を示している。ボックスプロットは、中央値に関する昇順で、左から右へと表示されている。各パネル（図１７Ａ～Ｆ）は、異なる歩行表現型に対応している。 同上。 同上。 同上。 同上。 同上。 図１８Ａ～Ｅは、系統調査における６２個の系統にわたって比較した体長調整済み表現型に関する結果を示している。ボックスプロットは、中央値に関する昇順で、左から右へと表示されている。各パネル（図１８Ａ～Ｅ）は、異なる歩行表現型に対応している。 同上。 同上。 同上。 同上。 図１９は、すべての表現型および歩行系統について、モデルＭ１、Ｍ２、Ｍ３から得られた効果量およびＦＤＲ調整済みｐ値を要約したリストを提示している。 図２０は、すべての表現型および自閉症系統について、モデルＭ１、Ｍ２、Ｍ３から得られた効果量およびＦＤＲ調整済みｐ値を要約したリストを提示している。 図２１Ａ～Ｄは、系統調査データにおける三つの最適クラスターを示している。最適なクラスター数を選択するために、３０個のクラスター化指標が検討された（Ｂａｔｅｓ ｅｔ ａｌ．，Ｊ Ｓｔａｔ Ｓｏｆｔｗ（２０１５）６７：１）。図２１Ａは、系統調査データ内に２つまたは３つのクラスターが存在する可能性を大多数が示したことを図示している。最適なクラスター数を選択するための一つの主要な基準は、クラスター内距離を小さいままに維持しつつ、クラスター間距離を最大化することである。この目的のために、二乗内和（ＷＳＳ）（図２１Ｂに示す）が検討され、Ｃａｌｉｎｓｋｉ－Ｈａｒａｂａｓｚ（ＣＨ）指数（図２１Ｃに示す）が検討され［Ｃａｌｉｎｓｋｉ，Ｔ．＆ Ｈａｒａｂａｓｚ，Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｓｔａｔｉｓｔｉｃｓ－ｔｈｅｏｒｙ ａｎｄ Ｍｅｔｈｏｄｓ ３，１－２７（１９７４）］；さらに、ギャップ統計量［Ｔｉｂｓｈｉｒａｎｉ，Ｒ．ｅｔ ａｌ．Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｒｏｙａｌ Ｓｔａｔｉｓｔｉｃａｌ Ｓｏｃｉｅｔｙ：Ｓｅｒｉｅｓ Ｂ（Ｓｔａｔｉｓｔｉｃａｌ Ｍｅｔｈｏｄｏｌｏｇｙ）６３，４１１－４２３（２００１）］（図２１Ｄに示す）と、採用されたクラスター数と、の比較が検討された。これらのすべては、３個のクラスターが最適な選択であることを示している。 同上。 同上。 同上。 図２２は、歩行表現型および姿勢表現型に関する有意なＧＷＡＳヒットについての表を示している。この情報には、量的形質遺伝子座（ＱＴＬ）ピークＳＮＰと、ＱＴＬピークＳＮＰ位置と、ＱＴＬ開始位置と、ＱＴＬ終了位置と、アレル１と、アレル２と、アレル１頻度と、ｐワルドと、タンパク質コード化遺伝子と、ＱＴＬが有意であることが見出されたグループと、を示す研究結果が含まれている。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 同上。 図２３は、本開示の実施形態によるデバイスの例示的な構成要素を概念的に図示したブロック図である。 図２４は、本開示の実施形態によるサーバの例示的な構成要素を概念的に図示したブロック図である。
本発明は、部分的に、ビデオデータを処理することで、最初に対象身体部分を追跡し、歩行指標および姿勢指標を表すデータを決定し、その後、統計分析を実行することで、対照に対する相違／偏差を決定するための方法を、含む。本発明の方法およびシステムは、歩行レベルおよび姿勢レベルの特徴を抽出するための、信頼性が高くスケーラブルな自動化システムを提供するとともに、神経遺伝学的行動に関する実験に関連した時間および人件費を劇的に低減させ、また、そのような実験における変動性も低減させる。
歩行を含めたヒトおよび動物の動きの分析は、歴史的な過去を有している。アリストテレスは、物理学的な原理および形而上学的な原理を使用して、動物の動きおよび歩行に関する哲学的な論説を書いた最初の人物である。ルネサンス期には、ボレリが、歩行を理解するために、全身の筋肉と腱と関節とに対して物理学および生体力学の法則を適用した。画像技術を歩行の研究に初めて適用したのは、歩行の定量的な測定値を導出する目的で、動いているヒトおよび動物に関して連続的な写真画像を撮影したマイブリッジとマレーとの功績である。動物の歩行に関する近代的な分析方法は、１９７０年代に、定量化された指標に基づいて歩行を分類したヒルデブラントの功績である。彼は、地面に対する四肢の接触（立脚期および遊脚期）という観点から、歩行サイクルを定義した。基本的に、この概念は、過去４０年間にわたって変わっておらず、マウス歩行分析に関する現在の方法は、マイブリッジおよびマレーによる画像化アプローチの効率を向上させたとはいえ、基本的には依然として地面に対して四肢が接触するタイミングに基づくものである。これは、ボレリの時代から身体の姿勢に焦点を当て、地面に対する接触だけよりもむしろ全身の動きを定量化するのと同様のヒトの歩行および姿勢分析とは、対照的である。マウスとヒトとの間におけるこの違いは、おそらく、毛によって関節の位置が不明瞭となって変形可能な物体として見えるげっ歯類の姿勢を自動的に推定するのが困難であることが一因である。加えて、ヒトとは異なり、マウスの部分は、衣服を使用して、位置に関して容易にマーキングすることができない。げっ歯類では、最近の方法は、全身の協調性に関して判定することが進歩しているけれども、これらは、なおも特殊な設備を必要とするとともに、適切な画像化と四肢位置の正確な判定とのために、動物を、通路もしくはトレッドミル内において、または狭い通路内において、固定された向きで、歩かせる。これは、非常に不自然であって、動物がこの動作を適切に行うには訓練が必要な場合が多いため、ヒトの歩行に対する相関をとる上でこのタイプの測定法を使用することを制限する。側方からの画像化は、遠近法の障害を受けるけれども、動物の動きを一つの深度視野に制限することによって、克服される。さらに、動物が排便および排尿をすることにより、または寝具が存在する時には、結果的に閉塞が生じ、この視点からの長期観測は、現実的ではない。実際、動物が自由に動き得る状態での、行動学的に関連した歩行データは、トレッドミルベースの測定法とは異なる結果をもたらすことが多い。さらに、歩行分析のための、市販のトレッドミルベースのまたは通路ベースのシステムは、同じ動物モデルで異なる結果を示す多数の測定値をもたらすことが多い。このような不一致に関する正確な原因を、閉塞した独自のシステムで特定することは、困難である。よって、現在、自由に動く動物に関して歩行および姿勢を測定するために、容易にかつ広範に実装可能なツールが不足している。
オープンフィールド測定法は、行動神経遺伝学において最も古くかつ最も一般的に使用されている測定法の一つである。げっ歯類では、多動、不安、探索、慣れなどの、情動に関連した中間表現型を測定するために古典的に使用されてきた。ビデオベースのオープンフィールド測定法では、行動測定値を抽出するために、動物の動きの豊かで複雑な行動が、単純な点へと抽象化される。この過度に単純化された抽象化は、主にビデオデータから複雑なポーズを正確に抽出し得ないという技術的な制約のために、必要とされている。新技術は、この制約を克服する可能性を有している。神経機能の重要な指標である歩行は、動物が自由に動いている時に四肢の位置を決定することが技術的に困難であることが主な理由で、従来のシステムでは、オープンフィールドでは通常は分析されることがない。オープンフィールド測定と、歩行分析および姿勢分析と、を組み合わせることができれば、動物行動に関する神経および遺伝的制御についての重要な洞察が、行動学的に関連した態様で提供されることとなる。本開示の発明は、ニューラルネットワークなどの最新の機械学習モデルを活用することで、オープンフィールドにおける対象に関する歩行分析および姿勢分析を実施する。本発明は、毛色の違い、毛並みの違い、およびサイズの違い、を含めて、マウスなどの対象に見られる高度な視覚的多様性に対して不変であるような平面視の視点から、歩行パラメータおよび全身姿勢パラメータを測定するための、システムならびに方法に関する。総じて、本発明は、高感度、高精度、かつスケーラブルであるとともに、疾患および病態のマウスモデルに関して歩行ならびに姿勢についてこれまで記載されていなかった差異を検出し得る、システムを提供する。
本開示は、複数のモジュール式構成要素を含む歩行分析および姿勢分析のための技術に関し、モジュール式構成要素の一つは、いくつかの実施形態では、オープンフィールドに関する平面視ビデオを使用してポーズ推定を実行するように訓練されたニューラルネットワーク（例えば、深層畳み込みニューラルネットワーク）である。ニューラルネットワークは、各時点における対象のポーズを記述する各ビデオフレームに関して、対象の解剖学的位置（「キーポイント」とも称される）に関する複数の二次元マーカー（いくつかの実施形態では、１２個のそのようなマーカー）を提供し得る。モジュール式構成要素の別の一つは、ポーズの時系列を処理し得るとともに、個々のストライドを表す間隔を特定し得るものであってもよい。モジュール式構成要素の別の一つは、ストライドごとに複数の歩行指標を抽出し得るものであってもよく、別のモジュール式構成要素は、複数の姿勢指標を抽出し得るものであってもよい。さらに、別のモジュール式構成要素は、歩行指標および姿勢指標に関して統計分析を実行するように、また、対象の歩行構造に関するコンセンサス図を提供するために大量のデータを集約可能とするように、構成されてもよい。
本開示のシステム１００は、図１に示す様々な構成要素を使用して動作し得る。システム１００は、一つもしくは複数のネットワーク１９９を介して接続された、画像取り込みデバイス１０１と、デバイス１０２と、一つまたは複数のシステム１５０と、を含み得る。画像取り込みデバイス１０１は、別のデバイス（例えば、デバイス１６００）の一部であってもよく、またはそのようなデバイス内に含まれてもよく、またはそのようなデバイスに対して接続されてもよく、さらに、カメラ、もしくは高速ビデオカメラ、もしくは画像やビデオを取り込み得る他のタイプのデバイスであってもよい。デバイス１０１は、画像取り込みデバイスに加えてまたは画像取り込みデバイスに代えて、動き検出センサ、赤外線センサ、温度センサ、周囲条件検出センサ、および様々な特性／環境条件を検出するように構成された他のセンサ、を含んでもよい。デバイス１０２は、ラップトップ、デスクトップ、タブレット、スマートフォン、または他のタイプのコンピューティングデバイスであってもよく、以下のデバイス１６００に関連して説明される一つまたは複数の構成要素を含んでもよい。
画像取り込みデバイス１０１は、ホルマリンアッセイが実施される一つまたは複数の対象に関してビデオ（または、一つもしくは複数の画像）を取り込んでもよく、また、本明細書で説明する処理のために、システム１５０に対して、ビデオを表すビデオデータ１０４を送信してもよい。システム１５０は、図１に示す一つまたは複数の構成要素を含んでもよく、ビデオデータ１０４を処理することで、対象に関する経時的な歩行および姿勢の挙動を決定するように構成することができる。システム１５０は、対象の歩行および／または姿勢と、対照の歩行および／または姿勢と、における一つまたは複数の差異を表す差異データ１４８を決定してもよい。差異データ１４８は、ビデオデータ１０４の処理結果を観察するために、ユーザに対する出力用に、デバイス１０２に対して送信されてもよい。
システム１５０の構成要素の詳細については、後述する。様々な構成要素は、同じ物理的デバイス上に配置されてもよい、あるいは、異なる物理的デバイス上に配置されてもよい。様々な構成要素どうしの間における通信は、直接的にまたはネットワーク１９９を介して、行われてもよい。デバイス１０１と、システム１５０と、デバイス１０２と、の間における通信は、直接的にまたはネットワーク１９９を介して、行われてもよい。システム１５０の一部として示された一つまたは複数の構成要素は、デバイス１０２のところに配置されてもよい、あるいは、画像取り込みデバイス１０１に対して接続されたコンピューティングデバイス（例えば、デバイス１６００）のところに配置されてもよい。例示的な実施形態では、システム１５０は、点追跡構成要素１１０と、歩行分析構成要素１２０と、姿勢分析構成要素１３０と、統計分析構成要素１４０と、を含んでもよい。他の実施形態では、システム１５０は、後述するものと同一もしくは同様の機能を実行するために、図１に示すものと比較して、より少数のまたはより多数の構成要素を含んでもよい。
図２は、本開示の実施形態による、対象のビデオデータ１０４を分析することで歩行および姿勢の指標を決定するために図１に示すシステム１００によって実行され得る例示的なプロセス２００を示すフローチャートである。高レベルでは、プロセス２００は、画像取り込みデバイス１０１が対象の動きに関するビデオを記録することによって、開始される。いくつかの実施形態では、ビデオデータ１０４は、対象に関する平面視視点である。いくつかの実施形態では、対象は、対象を特定の態様で案内するための例えばトレッドミルやトンネル等を使用することなく、オープンアリーナを有した囲いの中にいてもよい。これにより、トレッドミル上を歩いたりトンネル内を移動したりするような特定の動作を行うように対象を訓練する必要なく、対象を観察することができる。ステップ２０２において、システム１５０は、画像取り込みデバイス１０１から（または、画像取り込みデバイス１０１に対して接続されたデバイス１６００から、または、画像取り込みデバイス１０１を内部に包含したデバイス１６００から）、ビデオデータ１０４を受信してもよい。ステップ２０４において、システム１５０の点追跡構成要素１１０は、ビデオデータ１０４を処理することにより、点データ１１２を決定してもよい。点データ１１２は、ビデオデータ１０４内に表された期間にわたって一組の対象身体部分の動きを追跡したデータを表してもよい。点追跡構成要素１１０に関する更なる詳細については、図３に関連して後述する。ステップ２０６において、システム１５０の歩行分析構成要素１２０は、点データ１１２を処理することにより、指標データ１２２を決定してもよい。指標データ１２２は、対象に関する歩行指標を表してもよい。歩行分析構成要素１２０に関する更なる詳細については、図４に関連して後述する。ステップ２０８において、システム１５０の姿勢分析構成要素１３０は、点データ１１２を処理することにより、指標データ１３２を決定してもよい。指標データ１３２は、対象に関する姿勢指標を表してもよい。姿勢分析構成要素１３０に関する更なる詳細については、図５に関連して後述する。いくつかの実施形態では、ステップ２０８は、ステップ２０６の前に実行されてもよい。いくつかの実施形態では、ステップ２０６および２０８は、並行して実行されてもよく、例えば、姿勢分析構成要素１３０が点データ１１２を処理している最中に、歩行分析構成要素１２０が点データ１１２を処理してもよい。いくつかの実施形態では、システム構成に応じて、ステップ２０６および２０８の一方のみが実行されてもよい。例えば、いくつかの実施形態では、システム１５０は、歩行指標のみを決定するように構成されてもよく、これにより、ステップ２０６のみが、歩行分析構成要素１２０によって実行されてもよい。別の例では、いくつかの実施形態において、システム１５０は、姿勢指標のみを決定するように構成されてもよく、これにより、ステップ２０８のみが、歩行分析構成要素１２０によって実行されてもよい。ステップ２１０において、システム１５０の統計分析構成要素１４０は、指標データ１２２と指標データ１３２と対照データ１４４とを処理することにより、差異データ１４８を決定してもよい。統計分析構成要素１４０に関する更なる詳細については、後述する。
図３は、本開示の実施形態による、ビデオデータ１０４内の対象身体部分を追跡するために点追跡構成要素１１０によって実行され得る例示的なプロセス３００を示すフローチャートである。ステップ３０２において、点追跡構成要素１１０は、機械学習モデルを使用してビデオデータ１０４を処理することにより、対象身体部分を特定してもよい。ステップ３０４において、点追跡構成要素１１０は、機械学習モデルを使用してビデオデータ１０４を処理することに基づいて、対象身体部分に関するヒートマップを生成してもよい。点追跡構成要素１１０は、機械学習モデルを使用することにより、ビデオデータ１０４のビデオフレーム内に対象身体部分が現れる二次元ピクセル座標を推定してもよい。点追跡構成要素１１０は、一つのビデオフレームに関して、一つの対象身体部分の位置を推定するヒートマップを生成してもよい。例えば、点追跡構成要素１１０は、第一ヒートマップを生成してもよく、この第一ヒートマップ内の各セルは、ビデオフレーム内のピクセルに対応し得るとともに、第一対象身体部分（例えば、右前肢）が各ピクセルに位置する尤度を表してもよい。この例を続けると、点追跡構成要素１１０は、第二ヒートマップを生成してもよく、この場合、各セルは、第二対象身体部分（例えば、左前肢）が各ピクセルに位置する尤度を表してもよい。ステップ３０６において、点追跡構成要素１１０は、生成されたヒートマップを使用して、点データ１１２を決定してもよい。最高値／最大値を有したヒートマップセルは、ビデオフレーム内で各対象身体部分が位置しているピクセル座標を特定してもよい。
点追跡構成要素１１０は、キーポイントとして識別される一組をなす複数の対象身体部分の二次元座標を画像内でまたはビデオ内で特定するように構成されてもよい。いくつかの実施形態では、一組をなす複数の対象身体部分は、事前に規定されてもよく、どのキーポイントが、耳もしくは鼻などの視覚的な特徴物であるかに基づくものであってもよい、および／または、どのキーポイントが、四肢関節もしくは前肢などの、対象の歩行および姿勢を分析するための重要な情報を取り込むかに基づくものであってもよい。例示的な実施形態では、一組をなす複数の対象身体部分は、１２個のキーポイントを含んでもよい。他の実施形態では、一組をなす複数の対象身体部分は、１２個よりも少数の、または１２個よりも多数の、キーポイントを含んでもよい。例示的な実施形態では、一組をなす複数の対象身体部分は、鼻、左耳、右耳、首付け根、左前肢、右前肢、脊椎中間部、左後肢、右後肢、尾付け根、尾中間部、および尾先端、を含んでもよい（図７Ｂに図示するように）。
点追跡構成要素１１０は、一つまたは複数のポーズ推定技術を実装してもよい。点追跡構成要素１１０は、ビデオデータ１０４を処理するように構成された一つまたは複数の機械学習モデルを含んでもよい。いくつかの実施形態では、一つまたは複数の機械学習モデルは、深層ニューラルネットワーク、深層畳み込みニューラルネットワーク、反復ニューラルネットワーク、などのニューラルネットワークであってもよい。他の実施形態では、一つまたは複数の機械学習モデルは、ニューラルネットワーク以外の、他のタイプのモデルであってもよい。点追跡構成要素１１０は、指標データ１２２、１３２が点データ１１２の誤差に敏感であり得るため、点データ１１２を高精度かつ高精密で決定するように構成されてもよい。点追跡構成要素１１０は、機械学習モデルスタック全体を通して高解像度特徴を維持するアーキテクチャを実装してもよく、これにより、空間的精度を保存し得る。いくつかの実施形態では、点追跡構成要素１１０のアーキテクチャは、ヒートマップ出力の解像度と、ビデオデータ１０４の解像度と、の間における一致を引き起こすための一つまたは複数の転置畳み込みを含んでもよい。点追跡構成要素１１０は、ほぼリアルタイムの速度で点データ１１２を決定するように構成されてもよく、処理能力の高いＧＰＵを実行してもよい。点追跡構成要素１１０は、修正および拡張を容易に行い得るように構成されてもよい。いくつかの実施形態では、点追跡器構成要素１１０は、複数のスケールで処理するのではなく、固定スケールで推論を生成するように構成されてもよく、これにより、計算リソースおよび時間を節約し得る。
いくつかの実施形態では、ビデオデータ１０４は、一つの対象の動きを追跡してもよく、点追跡構成要素１１０は、いかなる対象物検出技術／アルゴリズムも実行しないように構成されてもよい。他の実施形態では、ビデオデータ１０４は、二つ以上の対象の動きを追跡することができ、点追跡構成要素１１０は、対象物検出技術を実行することにより、ビデオデータ１０４内の別の対象から一つの対象を識別するように構成されてもよい。
いくつかの実施形態では、点追跡構成要素１１０は、複数のヒートマップを生成してもよく、各ヒートマップは、一つの対象身体部分を表す一つのキーポイントが、ビデオデータ１０４のフレーム内のどこに位置しているかについての推論を表している。一例では、ビデオデータ１０４は、４８０×４８０個のフレームを有してもよく、点追跡構成要素１１０は、１２個の４８０×４８０ヒートマップを生成してもよい。各ヒートマップ内の最大値は、各キーポイントに関する最大信頼度位置を表してもよい。いくつかの実施形態では、点追跡構成要素１１０は、１２個のヒートマップに関する各最大値を取得し得るとともに、それを点データ１１２として出力することができ、これにより、点データ１１２は、１２個の（ｘ、ｙ）座標を含んでもよい。
いくつかの実施形態では、点追跡構成要素１１０は、例えば、各キーポイントを中心としたガウス分布などの損失関数に関して訓練されてもよい。点追跡構成要素１１０のニューラルネットワークの出力は、キーポイントを中心としたガウス分布と比較されてもよく、損失は、各キーポイントと、点追跡構成要素１１０によって生成されたヒートマップと、の間における平均二乗差として計算されてもよい。いくつかの実施形態では、点追跡構成要素１１０は、最適化アルゴリズムを使用して、例えば確率的勾配降下最適化アルゴリズムを使用して、訓練されてもよい。点追跡構成要素１１０は、異なる毛色、異なる体長、異なる体格、などの様々な身体的特徴を有した対象に関する訓練ビデオデータを使用して、訓練されてもよい。
点追跡構成要素１１０は、対象身体上の対象身体部分の位置に応じて、様々なレベルの信頼度で所与のキーポイントを推定してもよい。例えば、後肢の位置は、平面視視点において前肢が後肢よりも隠されている可能性があるため、前肢の位置よりも高い信頼度で推定されてもよい。別の例では、脊椎中間部などの視覚的に顕著な身体部分は、点追跡構成要素１１０が正確に位置を特定するのがより困難である可能性があるため、信頼度がより低くなり得る。
ここで、歩行分析構成要素１２０および姿勢分析構成要素１３０を参照する。本明細書で使用した際には、歩行指標は、対象の足の動きから導出された指標を指し得る。歩行指標は、歩隔と、ステップ長と、ストライド長と、速度と、角速度と、四肢負荷係数と、を含み得るけれども、これらに限定されるものではない。本明細書で使用した際には、姿勢指標は、対象の全身の動きから導出された指標を指し得る。いくつかの実施形態では、姿勢指標は、対象の鼻および尾の動きに基づくものであってもよい。姿勢指標は、鼻の横方向変位と、尾付け根の横方向変位と、尾先端の横方向変位と、鼻の横方向変位位相オフセットと、尾付け根の変位位相オフセットと、尾先端の変位位相オフセットと、を含み得るけれども、これらに限定されるものではない。
歩行分析構成要素１２０および姿勢分析構成要素１３０は、歩行指標と姿勢指標との一つまたは複数を、ストライドごとに決定してもよい。システム１５０は、ビデオデータ１０４のビデオフレーム内に表されたストライド間隔を決定してもよい。いくつかの実施形態では、ストライド間隔は、立脚期と遊脚期とに基づくものであってもよい。図４は、分析用に一組をなす複数のストライド間隔を決定するために、歩行分析構成要素１２０および／または姿勢分析構成要素１３０によって実行され得る例示的なプロセス４００を示すフローチャートである。
例示的な実施形態では、ストライド間隔を検出するためのアプローチは、歩行の周期的構造に基づいている。ストライドサイクル時には、各足は、立脚期と遊脚期とを有し得る。立脚期時には、対象の足は、対象の体重を支持するとともに、地面に対して静的に接触している。遊脚期時には、足は、前方向に移動し、対象の体重を支持していない。本明細書では、立脚期から遊脚期への移行を、つま先離地イベントと称し、遊脚期から立脚期への移行を、足接地イベントと称す。図８Ａ～Ｃは、立脚期の一例と、遊脚期の一例と、つま先離地イベントの一例と、足接地イベントの一例と、を示している。
ステップ４０２において、システム１５０は、ある期間内に表された複数の立脚期および遊脚期を決定してもよい。例示的な実施形態では、立脚期および遊脚期は、対象の後肢に関して決定されてもよい。システム１５０は、前肢の速度を計算してもよく、その速度が閾値を下回った時には、足が立脚期にあると推論してもよく、その閾値を超えた時には、足が遊脚期にあると推論してもよい。ステップ４０４において、システム１５０は、ビデオフレームで、遊脚期から立脚期へと移行する足接地イベントが起こることを決定してもよい。ステップ４０６において、システム１５０は、期間内に表されたストライド間隔を決定してもよい。ストライド間隔は、ビデオデータ１０４の複数のビデオフレームに跨がってもよい。システム１５０は、例えば、１０秒の期間が５個のストライド間隔を有していることを、および、５個のストライド間隔の一つが、ビデオデータ１０４の５個の連続したビデオフレーム内に表されていることを、決定してもよい。例示的な実施形態では、左後肢の接地イベントは、ストライド間隔を分離／区別するイベントとして、定義することができる。別の例示的な実施形態では、右後肢の接地イベントを、ストライド間隔を分離／区別するイベントとして、定義することができる。さらに別の例示的な実施形態では、左後肢の接地イベントと、右後肢の接地イベントと、の組合せを使用することにより、分離したストライド間隔を定義してもよい。いくつかの他の実施形態では、システム１５０は、前肢に関して立脚期および遊脚期を決定してもよく、また、前肢に基づいて足の速度を計算してもよく、さらに、右前肢および／または左前肢の足接地イベントに基づいてストライド間隔どうしを区別してもよい。いくつかの他の実施形態では、立脚期から遊脚期への移行は、すなわち、つま先離地イベントは、ストライド間隔を分離／区別するために使用されてもよい。
いくつかの実施形態では、前肢に関するキーポイント推論品質（点追跡構成要素１１０によって決定される）が場合によっては信頼度が低いため、前肢の接地イベントよりもむしろ、後肢の接地イベントに基づいてストライド間隔を決定することが好ましいことであり得る。これは、平面図の中で前肢が後肢よりも隠れることが多いため、前肢の位置を正確に特定することが困難であることの結果であり得る。
ステップ４０８において、システム１５０は、決定されたストライド間隔をフィルタリングすることにより、どのストライド間隔を使用して指標データ１２２、１３２が決定されたかを決定してもよい。いくつかの実施形態では、そのようなフィルタリングは、誤ったまたは信頼度の低いストライド間隔を除去してもよい。いくつかの実施形態では、ストライド間隔を除去するための基準は、信頼度の低いキーポイント推定、生理学的に非現実的なキーポイント推定、右後肢の接地イベントの欠落、および対象の不充分な全身速度（例えば、１０ｃｍ／秒未満の速度）、を含むが、これらに限定されるものではない。
いくつかの実施形態では、ストライド間隔のフィルタリングは、ストライド間隔を決定するために使用されるキーポイントを決定する際の信頼度レベルに基づくものであってもよい。例えば、閾値を下回る信頼度レベルで決定されたストライド間隔は、指標データ１２２、１３２を決定するために使用される一組をなす複数のストライド間隔から除去されてもよい。いくつかの実施形態では、最初最後のストライドと最後のストライドとは、分析されるべきデータに対して開始動作および停止動作がノイズを加えてしまうことを回避するよう、ストライドに関する連続したシーケンス内で、除去される。例えば、７個のストライドからなるシーケンスは、最大でも５個のストライドが分析のために使用されることとなる。
ビデオデータ１０４内に表されたストライド間隔を決定した後に、システム１５０は、歩行指標と姿勢指標とを決定してもよい。図５は、本開示の実施形態による、対象の歩行指標を決定するために歩行分析構成要素１２０によって実行され得る例示的なプロセス５００を示すフローチャートである。プロセス５００における複数のステップは、図５に示す任意選択的な順序で実行されてもよい。他の実施形態では、プロセス５００における複数のステップは、異なる順序で実行されてもよい。さらに他の実施形態では、プロセス５００における複数のステップは、並行して実行されてもよい。
ステップ５０２において、歩行分析構成要素１２０は、点データ１１２を使用して、図４に示すステップ４０８において分析されるべきと決定されたストライド間隔に関するステップ長を決定してもよい。歩行分析構成要素１２０は、その期間のストライド間隔ごとにステップ長を決定してもよい。いくつかの実施形態では、点データ１１２は、左後肢、左前肢、右後肢、および右前肢を表すキーポイントに関するものであってもよい。いくつかの実施形態では、ステップ長は、ストライド間隔に関する左前肢と右後肢との間の距離であってもよい。いくつかの実施形態では、ステップ長は、ストライド間隔に関する右前肢と左後肢との間の距離であってもよい。いくつかの実施形態では、ステップ長は、右後肢が直前の左後肢の接地を超えて移動する距離であってもよい。
ステップ５０４において、歩行分析構成要素１２０は、点データ１１２を使用して、ステップ４０８において分析されるべきと決定されたストライド間隔に関するストライド長を決定してもよい。歩行分析構成要素１２０は、その期間のストライド間隔ごとにストライド長を決定してもよい。いくつかの実施形態では、点データ１１２は、左後肢、左前肢、右後肢、および右前肢を表すキーポイントに関するものであってもよい。いくつかの実施形態では、ストライド長は、各ストライド間隔に関する左前肢と左後肢との間の距離であってもよい。いくつかの実施形態では、ストライド長は、右前肢と右後肢との間の距離であってもよい。いくつかの実施形態では、ストライド長は、つま先離地イベントから足接地イベントまでのストライドに関して左後肢が移動する合計距離であってもよい。
ステップ５０６において、歩行分析構成要素１２０は、点データ１１２を使用して、ステップ４０８において分析されるべきと決定されたストライド間隔に関する歩隔を決定してもよい。歩行分析構成要素１２０は、その期間のストライド間隔ごとに歩隔を決定してもよい。いくつかの実施形態では、点データ１１２は、左後肢、左前肢、右後肢、および右前肢を表すキーポイントに関するものであってもよい。いくつかの実施形態では、歩隔は、左前肢と右前肢との間の距離である。いくつかの実施形態では、歩隔は、左後肢と右後肢との間の距離である。いくつかの実施形態では、歩隔は、後肢どうしを隔てる横方向距離の平均値である。これは、右後肢の接地位置と、左後肢のつま先離地位置とその後の足接地位置とを結ぶ直線と、を結ぶ最も短い線分の長さとして、計算されてもよい。
ステップ５０８において、歩行分析構成要素１２０は、点データ１１２を使用して、ステップ４０８で分析されるべきと決定されたストライド間隔に関する足の速度を決定してもよい。歩行分析構成要素１２０は、その期間の各ストライド間隔ごとに足の速度を決定してもよい。いくつかの実施形態では、点データ１１２は、左後肢、右後肢、左前肢、および右前肢を表すキーポイントに関するものであってもよい。いくつかの実施形態では、足の速度は、ストライド間隔時における一つの足の速度であってもよい。いくつかの実施形態では、足の速度は、対象の速度であってもよく、対象の尾付け根に基づくものであってもよい。
ステップ５１０において、歩行分析構成要素１２０は、点データ１１２を使用して、ステップ４０８で分析するべきと決定されたストライド間隔に関してストライド速度を決定してもよい。歩行分析構成要素１２０は、その期間のストライド間隔ごとにストライド速度を決定してもよい。いくつかの実施形態では、点データ１１２は、尾付け根を表すキーポイントに関するものであってもよい。いくつかの実施形態では、ストライド速度は、ストライド間隔を表す一組をなす複数のビデオフレーム時における対象の尾付け根の動きに基づいて、対象に関する一組をなす複数の速度データを決定することによって、決定されてもよい。一組をなす複数の速度データ内における各速度データは、一組をなす複数のビデオフレームにおける一つのフレームに対応してもよい。ストライド速度は、一組をなす複数の速度データを平均化することにより（または、別の態様で組み合わせることにより）、計算されてもよい。
ステップ５１２において、歩行分析構成要素１２０は、点データ１１２を使用して、ステップ４０８において分析されるべきと決定されたストライド間隔に関する四肢負荷係数を決定してもよい。歩行分析構成要素１２０は、その期間のストライド間隔ごとに四肢負荷係数を決定してもよい。いくつかの実施形態では、点データ１１２は、右後肢および左後肢を表すキーポイントに関するものであってもよい。いくつかの実施形態では、ストライド間隔に関する四肢負荷係数は、第一負荷係数と第二負荷係数との平均であってもよい。歩行分析構成要素１２０は、ストライド間隔時に右後肢が地面に対して接触している時間量を表す第一立脚時間を決定してもよく、その後、第一立脚時間とストライド間隔の時間長とに基づいて第一負荷係数を決定してもよい。歩行分析構成要素１２０は、ストライド間隔時に左後肢が地面に対して接触している時間量を表す第二立脚時間を決定してもよく、その後、第二立脚時間とストライド間隔の時間長とに基づいて第二負荷係数を決定してもよい。他の実施形態では、四肢の負荷係数は、前肢の立脚時間と負荷係数とに基づくものであってもよい。
ステップ５１４において、歩行分析構成要素１２０は、点データ１１２を使用して、ステップ４０８において分析されるべきと決定されたストライド間隔に関する角速度を決定してもよい。歩行分析構成要素１２０は、その期間のストライド間隔ごとに角速度を決定してもよい。いくつかの実施形態では、点データ１１２は、尾付け根および首付け根を表すキーポイントに関するものであってもよい。歩行分析構成要素１２０は、尾付け根と首付け根とを結ぶ一組をなす複数のベクトルを決定してもよく、その場合、組内の各ベクトルは、ストライド間隔に関する一組をなす複数のフレームの、一つのフレームに対応している。歩行分析構成要素１２０は、一組をなす複数のベクトル基づいて角速度を決定してもよい。ベクトルは、対象の角度を表してもよく、角度値の一次導関数が、フレームに関する角速度であってもよい。いくつかの実施形態では、歩行分析構成要素１２０は、ストライド間隔に関するフレームに関して角速度を平均化することにより、ストライド角速度を決定してもよい。
図６は、本開示の実施形態による、対象の姿勢指標を決定するために姿勢分析構成要素１３０によって実行され得る例示的なプロセス６００を示すフローチャートである。高いレベルでは、姿勢分析構成要素１３０は、個々のストライド間隔に関して、対象の、鼻、尾先端、および尾付け根の横方向変位を決定してもよい。鼻、尾先端、および尾付け根の横方向変位に基づいて、姿勢分析構成要素１３０は、各対象身体部分の変位位相オフセットを決定してもよい。それぞれにおいて、プロセス６００の複数のステップは、図６に示す順序とは異なる順序で実行されてもよい。例えば、姿勢分析構成要素１３０は、尾先端の横方向変位および尾先端の変位位相オフセットを決定した後に、またはこの決定と並行して、鼻の横方向変位および鼻の変位位相オフセットを決定してもよい。
横方向変位を決定するために、姿勢分析構成要素１３０は、まず、ステップ６０２において、点データ１１２を使用して、ステップ４０８において分析されるべきと決定されたストライド間隔に関する変位ベクトルを決定してもよい。姿勢分析構成要素１３０は、その期間における各ストライド間隔に関して変位ベクトルを決定してもよい。いくつかの実施形態では、点データ１１２は、対象の脊椎中間部を表すキーポイントに関するものであってもよい。ストライド間隔は、複数のビデオフレームにわたって跨がってもよい。いくつかの実施形態では、変位ベクトルは、ストライド間隔の最初のビデオフレーム内における脊椎中間部と、ストライド間隔の最後のビデオフレーム内における脊椎中間部と、を結ぶベクトルであってもよい。
ステップ６０４において、姿勢分析構成要素１３０は、点データ１１２と変位ベクトル（ステップ６０２からの）とを使用して、ストライド間隔に関する対象の鼻の横方向変位を決定してもよい。姿勢分析構成要素１３０は、その期間における各ストライド間隔に関して鼻の横方向変位を決定してもよい。いくつかの実施形態では、点データ１１２は、対象の脊椎中間部および鼻を表すキーポイントに関するものであってもよい。いくつかの実施形態では、姿勢分析構成要素１３０は、鼻の一組をなす複数の横方向変位を決定してもよく、その場合、鼻の各横方向変位は、ストライド間隔の一つのビデオフレームに対応してもよい。横方向変位は、各ビデオフレーム内における、ストライド間隔に関する変位ベクトルからの、鼻の垂直距離であってもよい。いくつかの実施形態では、姿勢分析構成要素１３０は、最大距離から最小距離を減算してもよく、それを対象の体長で割算することで、より大きな対象で測定された変位がより小さな対象で測定された変位と同等となるようにしてもよい。
ステップ６０６において、姿勢分析構成要素１３０は、ストライド間隔に関する鼻の一組をなす複数の横方向変位を使用して、鼻の変位位相オフセットを決定してもよい。姿勢分析構成要素１３０は、鼻の一組をなす複数の横方向変位を使用して補間を実行することにより、ストライド間隔に関する鼻の横方向変位の滑らかな曲線を生成してもよく、その後、鼻の横方向変位の滑らかな曲線を使用して、鼻の最大変位がストライド間隔時におけるどの時点で起こるかを決定してもよい。姿勢分析構成要素１３０は、鼻の最大変位が起こった時ときに完了したストライド間隔のパーセントを表すパーセントストライド位置を決定してもよい。いくつかの実施形態では、姿勢分析構成要素１３０は、変位に関する滑らかな曲線を生成するために、三次スプライン補間を実行してもよく、三次補間のために、最大変位は、ビデオフレームどうしの間の時点で起こる可能性がある。
ステップ６０８において、姿勢分析構成要素１３０は、点データ１１２と変位ベクトル（ステップ６０２からの）とを使用して、ストライド間隔に関する対象の尾付け根の横方向変位を決定してもよい。姿勢分析構成要素１３０は、その期間における各ストライド間隔に関して尾付け根の横方向変位を決定してもよい。いくつかの実施形態では、点データ１１２は、対象の脊椎中間部および尾付け根を表すキーポイントに関するものであってもよい。いくつかの実施形態では、姿勢分析構成要素１３０は、尾付け根の一組をなす複数の横方向変位を決定してもよく、その場合、尾付け根の各横方向変位は、ストライド間隔の一つのビデオフレームに対応してもよい。横方向変位は、各ビデオフレーム内における、ストライド間隔に関する変位ベクトルからの、尾付け根の垂直距離であってもよい。いくつかの実施形態では、姿勢分析構成要素１３０は、最大距離から最小距離を減算してもよく、それを対象の体長で割算することで、より大きな対象で測定された変位がより小さな対象で測定された変位と同等となるようにしてもよい。
ステップ６１０において、姿勢分析構成要素１３０は、ストライド間隔に関する尾付け根の一組をなす複数の横方向変位を使用して、尾付け根変位位相オフセットを決定してもよい。姿勢分析構成要素１３０は、尾付け根の一組をなす複数の横方向変位を使用して補間を実行することで、ストライド間隔に関する尾付け根の横方向変位の滑らかな曲線を生成してもよく、その後、尾付け根の横方向変位の滑らかな曲線を使用して、鼻の最大変位がストライド間隔時におけるどの時点で起こったかを決定してもよい。姿勢分析構成要素１３０は、尾付け根の最大変位が起こった時に完了したストライド間隔のパーセントを表すパーセントストライド位置を決定してもよい。いくつかの実施形態では、姿勢分析構成要素１３０は、変位に関する滑らかな曲線を生成するために、三次スプライン補間を実行してもよく、三次補間のために、最大変位は、ビデオフレームどうしの間の時点で起こる可能性がある。
ステップ６１２において、姿勢分析構成要素１３０は、点データ１１２と変位ベクトル（ステップ６０２からの）とを使用して、ストライド間隔に関する対象の尾先端の横方向変位を決定してもよい。姿勢分析構成要素１３０は、その期間における各ストライド間隔に関して尾先端の横方向変位を決定してもよい。いくつかの実施形態では、点データ１１２は、対象の脊椎中間部および尾先端を表すキーポイントに関するものであってもよい。いくつかの実施形態では、姿勢分析構成要素１３０は、尾先端の一組をなす複数の横方向変位を決定してもよく、その場合、尾先端の各横方向変位は、ストライド間隔の一つのビデオフレームに対応してもよい。横方向変位は、各ビデオフレーム内における、ストライド間隔に関する変位ベクトルからの、尾先端の垂直距離であってもよい。いくつかの実施形態では、姿勢分析構成要素１３０は、最大距離から最小距離を減算してもよく、それを対象の体長で割算することで、より大きな対象で測定された変位がより小さな対象で測定された変位と同等となるようにしてもよい。
ステップ６１４において、姿勢分析構成要素１３０は、ストライド間隔に関する尾先端の一組をなす複数の横方向変位を使用して、尾付け根変位位相オフセットを決定してもよい。姿勢分析構成要素１３０は、尾先端の一組をなす複数の横方向変位を使用して補間を実行することにより、ストライド間隔に関する尾先端の横方向変位の滑らかな曲線を生成してもよく、その後、尾先端の横方向変位の滑らかな曲線を使用して、鼻の最大変位がストライド間隔時におけるどの時点で起こったかを決定してもよい。姿勢分析構成要素１３０は、尾先端の最大変位が起こった時に完了したストライド間隔のパーセントを表すパーセントストライド位置を決定してもよい。いくつかの実施形態では、姿勢分析構成要素１３０は、変位に関する滑らかな曲線を生成するために、三次スプライン補間を実行してもよく、三次補間のために、最大変位は、ビデオフレームどうしの間の時点で起こる可能性がある。
システム１５０の統計分析構成要素１４０を参照すると、統計分析構成要素１４０は、指標データ１２２（歩行分析構成要素１２０によって決定された）と、指標データ１３２（姿勢分析構成要素１３０によって決定された）とを、入力とすることができる。本発明のいくつかの実施形態では、統計分析構成要素１４０は、システムが歩行指標データのみを処理するように構成されていることに基づいて、指標データ１２２のみを入力としてもよい。他の実施形態では、統計分析構成要素１４０は、システムが姿勢指標データのみを処理するように構成されていることに基づいて、指標データ１３２のみを入力としてもよい。
対象の体格および対象の速度は、対象の歩行および／または姿勢に影響を与えることができる。例えば、動きがより速い対象は、動きが遅い対象と比較して、異なる歩行を行うこととなる。更なる例として、より大きな身体を有した対象は、より小さな身体を有した対象と比較して、異なる歩行を行うこととなる。しかしながら、場合によっては、ストライド速度における相違（対照対象の歩行と比較した相違）が、遺伝的摂動もしくは薬理学的摂動に起因した歩行変化および姿勢変化の決定的な特徴となり得る。システム１５０は、各対象に関して複数の反復測定結果を収集し（ビデオデータ１０４を介して、およびオープンエリアでの対象を介して）、各対象は、不均衡なデータを生じさせる異なる数のストライドを有している。繰り返されたストライドにわたっての平均化は、対象ごとに一つの平均値をもたらすものの、変動が除去されて誤った信頼度が導入されるため、誤解を招く可能性がある。同時に、古典的な線形モデルは、安定した対象内変動と、対象間での揺らぎと、を区別することがなく、統計分析に偏りを生じさせ得る。これらの問題に対処するために、統計分析構成要素１４０は、いくつかの実施形態では、線形混合モデル（ＬＭＭ）を採用することで、対象内部の変動を、遺伝子型ベースの対象間変動から、分離する。いくつかの実施形態では、統計分析構成要素１４０は、対象のサイズ、遺伝子型、年齢などの主効果を捕捉してもよく、追加的に、対象内部変動に関するランダム効果を捕捉してもよい。本発明の技術は、対象の異なる年齢における複数の反復測定結果を収集し、入れ子型とされた階層的データ構造を生じさせる。統計分析構成要素１４０で実装される例示的な統計モデルの例を、モデルＭ１、Ｍ２、Ｍ３として以下に示す。これらのモデルは、標準的なＬＭＭ表記に従ったもので、（遺伝子型、体長、速度、試験年齢）が、固定効果を表し、（対象ＩＤ／試験年齢）（ここで、試験年齢は、対象内に入れ子とされている）が、ランダム効果を表す。
Ｍ１：表現型～遺伝子型＋試験年齢＋体長＋（１｜マウスＩＤ／試験年齢）
Ｍ２：表現型～遺伝子型＋試験年齢＋速度＋（１｜マウスＩＤ／試験年齢）
Ｍ３：表現型～遺伝子型＋試験年齢＋速度＋体長＋（１｜マウスＩＤ／試験年齢）
モデルＭ１は、年齢および体長を入力として導入し、モデルＭ２は、年齢および速度を入力として導入し、モデルＭ３は、年齢、速度、および体長を、入力として導入する。いくつかの実施形態では、統計分析構成要素１４０のモデルは、性別が対象の体長／体格に対して高い相関があり得ることのために、対象の性別を効果として含まない。他の実施形態では、統計分析構成要素１４０のモデルは、対象の性別を入力として導入してもよい。点データ１１２（点追跡構成要素１１０によって決定された）を使用することは、これらのモデルに関して対象の体格および速度を決定することを、可能とする。したがって、モデルに関するこれらの変数に対して、追加的な測定結果は、必要ではない。
指標データ１２２、１３２内に含まれるデータの一つまたは複数は、円変数（例えば、ストライド長、角速度、等）であってもよく、統計分析構成要素１４０は、円形－線形回帰モデルを使用して線形変数の関数を実装してもよい。体長および速度などの線形変数は、モデル内に共変量として含まれてもよい。いくつかの実施形態では、統計分析構成要素１４０は、傷害および発達効果を有した対象を識別するために、個々の対象レベルで多変量異常値検出アルゴリズムを実装してもよい。
統計分析構成要素１４０は、いくつかの実施形態では、また、対照データ１４４に対して指標データ１２２、１３２を処理することで差異データ１４８を出力する線形判別分析を実装してもよい。線形判別分析により、対象の歩行指標および／または姿勢指標と、対照対象の歩行指標および／または姿勢指標と、を定量的に区別することができる。
ビデオフィードのスティッチング
いくつかの実施形態では、ビデオデータ１０４は、複数の異なる角度／視界から対象の動きを取り込む複数のビデオフィードを使用して生成されてもよい。ビデオデータ１０４は、対象の平面視における第一ビデオと対象の側面視における第二ビデオとを、スティッチングする／組み合わせることによって生成されてもよい。第一ビデオは、第一画像取り込みデバイス（例えば、デバイス１０１ａ）を使用して取り込まれてよく、第二ビデオは、第二画像取り込みデバイス（例えば、デバイス１０１ｂ）を使用して取り込まれてもよい。対象の他の視界には、右側面視視界、左側面視視界、平面視視界、底面視視界、正面視視界、背面視視界、および他の視界、が含まれてもよい。これらの異なる視界からのビデオを組み合わせてビデオデータ１０４を生成することにより、自動表現型分類システムによって対象の挙動に関してより正確なかつ／または効率的な分類をもたらし得る、対象の動きに関する包括的な／広範な視界が提供されてもよい。いくつかの実施形態では、異なる視界からのビデオを組み合わせることにより、視界全体にわたって平面視での視点を維持しながら、短い焦点距離で広い視野を提供してもよい。いくつかの実施形態では、異なる視界からの複数のビデオが、一つまたは複数のＭＬモデル（例えば、ニューラルネットワーク）を使用して処理されることにより、ビデオデータ１０４が生成されてもよい。いくつかの実施形態では、システムは、２Ｄビデオ／画像を使用して、３Ｄビデオデータを生成してもよい。
いくつかの実施形態では、複数の画像取り込みデバイス１０１によって取り込まれたビデオは、様々な技術を使用して同期されてもよい。例えば、複数の画像取り込みデバイス１０１は、中央クロックシステムに同期されてもよく、マスターノードによって制御されてもよい。複数のビデオフィードの同期には、アダプタ、マルチプレクサ、画像取り込みデバイスどうしの間のＵＳＢ接続、ネットワーク１９９に対する無線接続または有線接続、デバイスを制御するソフトウェア（例えば、ＭｏｔｉｏｎＥｙｅＯＳ）などの、様々なハードウェアならびにソフトウェアの使用が含まれてもよい。
例示的な実施形態では、画像取り込みデバイス１０１は、ワイドパノラマ画像または半球画像を作成することを意図した強い視覚歪みを生成するとともに極めて広い視野角を達成し得る超広角レンズ（すなわち、魚眼レンズ）であってもよい。例示的な実装では、ビデオデータ１０４用のビデオを取り込むためのシステムは、４つのシングルボードコンピューティングデバイス（例えば、Ｒａｓｐｂｅｒｒｙ Ｐｉ）に対して接続された４つの魚眼レンズカメラと、平面視を取り込むための追加的な画像取り込みデバイスと、を含んでもよい。システムは、様々な技術を使用して、これらの構成要素を同期させてもよい。一つの技術は、ピクセル／空間補間を含み、例えば、関心点（例えば、対象上の身体部分）が（ｘ、ｙ）に位置する場合、システムは、時間に関して、ｘ軸およびｙ軸に沿った平面視ビデオ内における位置を特定する。一例では、ｘ軸に関するピクセル補間は、以下の式に従って、シングルボードコンピューティングデバイスによって計算され得る。
（ＰｉオフセットΔＸ／ＰｉオフセットΔＴ）×（平面視オフセットΔＴ）＋初期点（ｘ）
次に、この式を使用して、ｙ軸に関する関心点位置が計算されてもよい。いくつかの実施形態では、ビデオ較正時におけるレンズの歪みに対処するために、（ビデオフィードをスケーリングする代わりに）一つまたは複数のビデオフィードに対してパディングを追加してもよい。
対象
本発明のいくつかの態様は、対象に対する歩行分析方法および姿勢分析方法の使用を含む。本明細書で使用した際には、「対象」という用語は、ヒト、非ヒト霊長類、ウシ、ウマ、ブタ、ヒツジ、ヤギ、イヌ、ネコ、ブタ、鳥、げっ歯類、または他の適切な脊椎動物もしくは無脊椎動物、を指す得る。本発明の特定の実施形態では、対象は、哺乳類であり、本発明の特定の実施形態では、対象は、ヒトである。いくつかの実施形態では、本発明の方法で使用される対象は、げっ歯類であり、マウス、ラット、アレチネズミ、ハムスター、等を含むが、これらに限定されるものではない。本発明のいくつかの実施形態では、対象は、正常で健康な対象であり、いくつかの実施形態では、対象は、疾患もしくは病態を有することが知られている、または疾患もしくは病態を有するリスクがある、または疾患もしくは病態を有する疑いがある。本発明の特定の実施形態では、対象は、疾患または病態に関する動物モデルである。例えば、限定することを意図するものではないが、本発明のいくつかの実施形態では、対象は、自閉症に関する動物モデルをなすマウスである。
非限定的な例として、本発明の方法およびシステムで評価される対象は、精神疾患、神経変性疾患、神経筋疾患、自閉症スペクトラム障害、分裂症、双極性障害、アルツハイマー病、レット症候群、ＡＬＳ、およびダウン症候群、の一つまたは複数に関するモデルなどの、病態に関する動物モデルをなす対象であってもよい。
本発明の方法のいくつかの実施形態では、対象は、野生型対象である。本明細書で使用した際には、「野生型」という用語は、自然界で起こる種の典型的な形態に関する、表現型および／または遺伝子型を意味する。本発明の特定の実施形態では、対象は、非野生型の対象であり、例えば、対象の種に関する野生型の遺伝子型および／または表現型と比較して、一つまたは複数の遺伝子改変を有した対象である。いくつかの実例では、野生型と比較した際の、対象の遺伝子型／表現型の差異は、遺伝性（生殖系列）変異体または後天性（体細胞）変異体に起因する。一つまたは複数の体細胞変異体を示す対象をもたらし得る因子は、環境因子、毒素、紫外線放射、細胞分裂において生じる自然発生的エラー、放射線や母親感染や化学物質等であるがこれらに限定されない催奇形性事象、等を含むが、これらに限定されるものではない。
本発明の方法における特定の実施形態では、対象は、遺伝子改変生物であり、操作された対象とも称される。操作された対象は、予め選択されたおよび／または意図的な遺伝子改変を含んでもよく、そのため、操作されていない対象における形質とは異なるような、一つもしくは複数の遺伝子型および／または表現型の形質を示す。本発明のいくつかの実施形態では、通常的な遺伝子操作技術を使用することにより、その種の非操作対象と比較して、遺伝子型および／または表現型の差異を示す操作済み対象を作製することができる。非限定的な例として、機能的遺伝子産物が欠損しているまたは減少したレベルでマウス内に存在する遺伝子操作マウスを使用することにより、かつ、本発明の方法またはシステムを使用することにより、遺伝子操作マウスの表現型を評価することができ、その結果を、対照から得られた結果（対照結果）と比較してもよい。
本発明のいくつかの実施形態では、対象は、本発明の歩行レベル決定方法またはシステムを使用して監視されてもよく、活動に関する障害または病態の有無を検出することができる。本発明の特定の実施形態では、活動および／または運動の病態に関する動物モデルをなす試験対象を使用することにより、その病態に対する試験対象の応答が評価されてもよい。加えて、運動および／または活動の病態に関する動物モデルをなす試験対象は、候補治療薬または方法が投与されてもよく、本発明の歩行監視方法および／またはシステムを使用して監視されてもよく、その結果を使用することで、その病態を治療するための候補治療薬の有効性を判定することができる。「活動」および「行動」という用語は、本明細書では、互換的に使用され得る。
本明細書の他の箇所で説明するように、本発明の訓練済みモデルは、対象の身体的特徴に関係なく、対象の行動を検出するように構成され得る。本発明のいくつかの実施形態では、対象の一つまたは複数の身体的特徴は、事前に特定された特徴であってもよい。例えば、限定することを意図するものではないけれども、事前に特定された身体的特徴は、体型、体格、毛色、性別、年齢、および、疾患もしくは病態の表現型、の一つあるいは複数であってもよい。
対照および候補化合物の試験ならびにスクリーニング
本発明の方法またはシステムを使用して対象に関して得られた結果は、対照に関する結果と比較することができる。本発明の方法は、また、対象と対照との間における表現型の差異を評価するために、使用することもできる。よって、本発明のいくつかの態様は、対照と比較して、対象における活動の変化の有無を決定するための方法を提供する。本発明のいくつかの実施形態は、本発明の歩行分析および姿勢分析を使用することで、疾患または病態に関する表現型の特徴を特定することを含む。
本発明の方法またはシステムを使用して得られた結果は、有利には、対照と比較することができる。本発明のいくつかの実施形態では、一つまたは複数の対象は、自動歩行分析方法を使用して評価されることができ、その後、対象に対して候補治療化合物を投与した後に、対象を再試験することができる。「試験」対象という用語は、本明細書では、本発明の方法またはシステムを使用して評価される対象に関して使用され得る。本発明の特定の実施形態では、対象を評価するために自動歩行分析方法を使用して得られた結果は、他の試験対象に対して実施された自動歩行分析方法から得られた結果と比較される。本発明のいくつかの実施形態では、試験対象の結果は、異なる時間に試験対象に対して実施された自動歩行分析方法の結果と比較される。本発明のいくつかの実施形態では、試験対象を評価するために自動歩行分析方法を使用して得られた結果は、対照結果と比較される。
対照値は、本発明の歩行分析方法を使用して複数の対象を試験することから得られた値であってもよい。本明細書で使用した際には、対照結果は、所定値であってもよく、様々な形態をとることができる。それは、中央値または平均値などの、単一のカットオフ値とすることができる。それは、比較群に基づいて、例えば試験対象と同様の条件下で本発明の自動歩行分析方法を使用して評価された対象などの比較群に基づいて、確立することができ、その場合、試験対象は、候補治療薬が投与され、比較群は、候補治療薬に対して接触していない。比較群の別の例は、疾患または病態を有することが知られている対象と、疾患または病態を有していない群と、を含んでもよい。別の比較群は、疾患または病態に関する家族歴を有した対象と、そのような家族歴を有していない群からの対象と、であってもよい。所定値は、例えば、試験された集団が試験結果に基づいて均等に（または不均等に）グループ分けされるように、設定することができる。当業者であれば、本発明の比較方法において使用するための適切な対照群および値を選択することができる。候補化合物の種類に関する非限定的な例は、化学物質、核酸、タンパク質、低分子、抗体、等を含む。
本発明の自動歩行分析方法またはシステムを使用して評価された対象は、試験条件と対照条件との間において生じる変化の有無に関して、監視されてもよい。非限定的な例として、対象において生じる変化には、動きの頻度、外部刺激に対する応答、等の、一つまたは複数が含まれるが、これらに限定されるものではない。本発明の方法およびシステムは、試験対象の疾患または病態の影響を評価するために試験対象に対して使用し得るとともに、疾患または病態を治療するための候補治療薬の有効性を評価するために使用することができる。候補治療薬の有効性を判定する手段として試験対象における変化の有無を評価するための、本発明の方法の使用に関する非限定的な例として、自閉症などの疾患に関する動物モデルをなすことが知られている試験対象が、本発明の自動歩行分析方法を使用して評価される。試験対象は、候補治療薬が投与され、自動歩行分析方法を使用して再度評価される。試験対象の結果における変化の有無は、それぞれ、試験対象の自閉症に対する候補治療薬の効果の有無を示す。本発明の歩行分析方法を使用して評価され得る疾患および病態は、ＡＬＳ、自閉症、ダウン症候群、レット症候群、双極性障害、認知症、うつ病、多動性障害、不安障害、発達障害、睡眠障害、アルツハイマー病、パーキンソン病、身体的損傷、等を含むけれども、これらに限定されるものではない。
本発明のいくつかの実施形態では、試験対象が、例えば、本発明の自動歩行分析方法を使用して二回以上評価されるとともに異なる評価の二つ以上で得られた結果どうしを比較することによって、自身の対照として機能し得ることは、理解されよう。本発明の方法およびシステムは、本発明の方法またはシステムの実施形態を使用した対象に関する二回以上の評価を使用して対象の歩行特性の経時的変化を特定して比較することにより、対象における疾患もしくは病態の進行または退行を評価するために、使用することができる。
疾患および障害
本発明の方法およびシステムは、疾患もしくは病態を有することが知られている対象に関して、または疾患もしくは病態を有することが疑われる対象に関して、または疾患もしくは病態を有するリスクがある対象に関して、その活動および／または行動を評価するために使用することができる。いくつかの実施形態では、疾患および／または病態は、活動または行動の異常レベルと関連したものである。非限定的な例では、不安を有した対象であり得る試験対象は、または不安の動物モデルをなす対象であり得る試験対象は、本発明の方法の実施形態を使用して検出され得る不安に関連した一つもしくは複数の活動または行動を有してもよい。試験対象を評価した結果は、例えば、不安を有していない対照対象、不安の動物モデルをなす対象ではない対照対象、病態を有していない複数の対象から得られた対照標準、等の評価における対照結果と比較することができる。試験対象の結果と、対照の結果と、において差異を比較することができる。本発明の方法のいくつかの実施形態は、異常な活動および／または行動に関連した疾患または病態を有した対象を特定するために使用することができる。
異常な活動および／または行動に関連した疾患あるいは病態に関する、発症、進行、および／または退行も、また、本発明の方法の実施形態を使用して評価したり追跡したりすることができる。例えば、本発明の方法における特定の実施形態では、対象の活動および／または行動に関する、２回の、３回の、４回の、５回の、６回の、７回の、またはそれ以上の回数の評価が、異なる時間に実施される。異なる時間に行われた二つ以上の評価結果の比較は、対象の活動および／または行動における差異を示すことができる。決定された活動レベルまたは活動タイプの増加は、評価された活動に関連した疾患もしくは病態の対象における発症および／または進行を示す可能性がある。決定された活動レベルまたは活動タイプの減少は、評価された活動に関連した疾患もしくは病態の対象における退行を示す可能性がある。対象において活動が停止したという判定は、評価された活動に関連した疾患または病態が対象内で停止したことを示してもよい。
本発明の方法における特定の実施形態は、異常な活動および／または行動に関連した疾患あるいは病態を治療するための療法の有効性を評価するために使用することができる。例えば、試験対象は、対象内において疾患または病態に関連した活動の変化の有無を判定するために使用される候補療法ならびに本発明の方法が投与されてもよい。候補療法の投与後における異常活動の減少は、疾患または病態に対する候補療法の有効性を示してもよい。
本明細書の他の箇所で示すように、本発明の歩行分析方法は、対象における疾患または病態を評価するために使用され得るとともに、疾患および病態の動物モデルを評価するためにも使用され得る。疾患および病態に関する多数の異なる動物モデルが、当該技術分野において知られており、これには多数のマウスモデルが含まれるが、これらに限定されるものではない。本発明のシステムおよび／または方法を使用して評価される対象は、限定されるものではないけれども、神経変性障害、神経筋障害、神経精神障害、ＡＬＳ、自閉症、ダウン症候群、レット症候群、双極性障害、認知症、うつ病、多動性障害、不安障害、発達障害、睡眠障害、アルツハイマー病、パーキンソン病、身体的損傷、等の疾患または病態といったような、疾患または病態に関するモデルなどの、疾患または病態に関する動物モデルをなす対象であってもよい。本発明の方法および／またはシステムを使用して評価され得る疾患および障害に関する追加的なモデルは、当該技術分野で知られており、例えば、Ｂａｒｒｏｔ Ｍ．Ｎｅｕｒｏｓｃｉｅｎｃｅ ２０１２；２１１：３９－５０、Ｇｒａｈａｍ，Ｄ．Ｍ．，Ｌａｂ Ａｎｉｍ（ＮＹ）２０１６；４５：９９－１０１、Ｓｅｗｅｌｌ，Ｒ．Ｄ．Ｅ．，Ａｎｎ Ｔｒａｎｓｌ Ｍｅｄ ２０１８；６：Ｓ４２．２０１９／０１／０８、およびＪｏｕｒｄａｎ，Ｄ．，ｅｔ ａｌ．，Ｐｈａｒｍａｃｏｌ Ｒｅｓ ２００１；４３：１０３－１１０、を参照されたく、これらの文献の内容は、参照によりそれらの全体が本明細書に援用される。
既知の疾患または障害を有した対象を試験することに加えて、本発明の方法は、また、人工生物などの新たな遺伝子変異体を評価するためにも、使用され得る。よって、本発明の方法は、疾患もしくは病態の一つまたは複数の特徴に関して人工生物を評価するために使用することができる。このようにして、新たなマウス系統などの新たな生物系統を評価し得るとともに、その結果を使用することで、新たな系統が、疾患または障害に関する動物モデルであるかどうかを決定することができる。
実施例１．モデル開発：データの訓練、試験、およびモデルの検証
方法
データの訓練
ラベル付けされたデータは、オープンフィールドにいる１匹のマウスを含有した８，９１０個の４８０×４８０グレースケールフレームからなり、１フレームあたり１２個の手動でラベル付けされたポーズキーポイントを有している。系統は、毛色、体格、および肥満、の違いを考慮して、異なる外見を有した多様なマウス系統から選択された。図８Ｃは、オープンフィールド装置によって生成された代表的なフレームを示している。フレームは、以前に実験データを生成するために使用された（Ｇｅｕｔｈｅｒ，Ｂ．Ｑ．ｅｔ ａｌ．，Ｃｏｍｍｕｎ Ｂｉｏｌ（２０１９）２：１－１１）ものと同じオープンフィールド装置から生成された。ポーズキーポイントの注釈は、クマール研究室の複数のメンバーによって行われた。フレーム画像とキーポイントの注釈とは、ニューラルネットワークの訓練のために使用されるＨＤＦ５フォーマットを使用して、一緒に保存された。フレーム注釈は、訓練用データセット（７，９１０個のフレーム）と、訓練に関する検証用データセット（１，０００個のフレーム）と、に分割された。
ニューラルネットワークの訓練
ネットワークは、６００エポックにわたって訓練され、検証は、各エポックの最後に行われた。訓練損失曲線（図８Ｃ）は、検証損失がオーバーフィットすることなく、訓練損失が高速に収束することを示している。転移学習（Ｗｅｉｓｓ，Ｋ．ｅｔ ａｌ．，Ｊ Ｂｉｇ Ｄａｔａ（２０１６）３：９、Ｔａｎ，Ｃ．ｅｔ ａｌ．２７ｔｈ Ｉｎｔｉ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ（２０１８），２７０－２７９，ａｒＸｉｖ：１８０８．０１９７４［ｃｓ．ＬＧ］）は、ラベリング要件を最小化してモデルの汎用性を向上させるために、ネットワーク上で使用された。初期的には、ＨＲＮｅｔ論文（ｈｒｎｅｔ＿ｗ３２－３６ａｆ８４２ｅ．ｐｔｈ）の著者から提供されたｉｍａｇｅｎｅｔモデルが使用され、重みは、訓練時に第二段階まで固定された。ネットワークの汎用性をさらに向上させるために、回転、反転、拡縮、明るさ、コントラスト、およびオクルージョン、を含めたいくつかのデータ拡張技術が、訓練時に採用された。ネットワークを訓練するために、ＡＤＡＭオプティマイザが使用された。学習率は、初期的には５×１０－４に設定され、４００回目のエポックでは５×１０－５へと低減され、５００回目のエポックでは５×１０－６へと低減された。
統計分析
反復測定に関して、以下のＬＭＭモデルが考慮された。
Figure 2024505350000002
 式中、ｎは、対象の総数であり、ｙｉｊは、ｉ番目の対象に関するｊ回目の反復測定であり、ｎｉは、対象ｉに関する反復測定の回数であり、ｘｉｊは、体長、速度、遺伝子型、年齢などの共変量からなるｐ×１ベクトルであり、βは、未知の固定集団レベル効果に関するｐ×１ベクトルであり、γｉは、ランダム切片であって、集団平均効果からの対象固有の偏差を記述するものであり、εｉｊは、ランダム効果とは独立であると仮定されたｉ番目の対象に関する対象内変動を記述する誤差項である。固定効果を試験してｐ値を取得するために、分母の自由度に対するサタースウェイト近似を使用したＦ試験を使用した。ＬＭＭモデルは、Ｒ内においてｌｍｅ４パッケージを使用して適合させた（Ｂａｔｅｓ，Ｄ．ｅｔ ａｌ，Ｊ Ｓｔａｔ Ｓｏｆｔｗ（２０１５）６７：１－４８）。
図１４Ａにおける円形位相変数は、円形－線形回帰モデルを使用して線形変数の関数としてモデル化された。円形データの分析は、単純ではなく、線形データ用に開発された統計モデルは、円形データには適用されない［Ｃａｌｉｎｓｋｉ，Ｔ．＆ Ｈａｒａｂａｓｚ，Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｓｔａｔｉｓｔｉｃｓ－ｔｈｅｏｒｙ ａｎｄ Ｍｅｔｈｏｄｓ ３，１－２７（１９７４）］。円形応答変数は、未知の平均方向μと濃度パラメータκとを有したフォン－ミーゼス分布から抽出されたものと仮定された。平均方向パラメータは、次式を通して変数Ｘに対して関連した。
Ｙｉ～ｖｏｎ Ｍｉｓｅｓ（μｉ，κ），μｉ＝μ＋ｇ（γ１Ｘ１＋…＋γｐＸｐ），ｉ＝１；…，ｎ
式中、ｇ（ｕ）＝２ｔａｎ－１（ｕ）は、－∞＜ｕ＜∞に関して－π＜ｇ（ｕ）＜πであるようなリンク関数である。パラメータμ；γ１．．．γｋおよびκは、最尤法を介して推定した。モデルは、Ｒ内において円形パッケージを使用して適合させた［Ｔｉｂｓｈｉｒａｎｉ，Ｒ．ｅｔ ａｌ：Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｒｏｙａｌ Ｓｔａｔｉｓｔｉｃａｌ Ｓｏｃｉｅｔｙ：Ｓｅｒｉｅｓ Ｂ（Ｓｔａｔｉｓｔｉｃａｌ Ｍｅｔｈｏｄｏｌｏｇｙ）６３，４１１－４２３（２００１）］。
動物
実験において使用した動物系統を、図１４Ｂ～Ｄに示す。
実験の説明および結果
歩行分析および姿勢分析に対するアプローチは、複数のモジュール式構成要素から構成されている。ツールキットのベースとなるものは、オープンフィールドの平面視ビデオに関してポーズ推定を行うように訓練された深層畳み込みニューラルネットワークであった。このネットワークは、マウスの解剖学的位置を示す１２個の二次元マーカーを、すなわち「キーポイント」を、各時点におけるマウスのポーズを記述する各ビデオフレームに対して提供した。また、ポーズの時系列を処理し得るとともに個々のストライドを表す間隔を特定し得るような、下流側の構成要素も開発された。これらのストライドは、その後の表現型分析や統計分析のほぼすべてに関する基礎を形成した。本方法により、ストライド間隔ごとにポーズ情報が得られることのために、ストライド単位でいくつかの重要な歩行指標を抽出することが可能とされる（指標の一覧については、図１４Ａを参照されたい）。これにより、ストライド指標に関して統計分析を行うための強力な機能が得られるとともに、大量のデータを集約することが可能となり、よって、マウスの歩行構造に関するコンセンサス図を提供することができる。
ポーズ推定
ポーズ推定は、画像またはビデオ内の事前定義された一組をなす複数のキーポイントに関する２次元座標を特定するとともに、歩行を定量化して分析するための方法における基礎となるものであった。選択されたポーズのキーポイントは、耳もしくは鼻などの視覚的に目立つもの、または、四肢の関節もしくは前肢などのポーズを理解するために重要な情報を捕捉したもの、のいずれかとされた。マウスのポーズを捕捉するために、鼻、左耳、右耳、首付け根、左前肢、右前肢、脊椎中間部、左後肢、右後肢、尾付け根、尾中間部、および尾先端、の１２個のキーポイントが選択された（図７Ｂ）。
ヒトのポーズに関するポーズ推定技術を開発したり改良したりするために、多くの努力が費やされてきた（Ｍｏｅｓｌｕｎｄ，Ｔ．Ｂ．ｅｔ ａｌ．，Ｃｏｍｐｕｔ Ｖｉｓ Ｉｍａｇｅ Ｕｎｄｅｒｓｔ（２００６）１０４：９０－１２６、Ｄａｎｇ，Ｑ．ｅｔ ａｌ．，Ｔｓｉｎｇｈｕａ Ｓｃｉ Ｔｅｃｈｎｏｌ（２０１９）２４：６６３－６７６）。ポーズ推定に対する従来的アプローチは、局所的な身体部分検出器の使用および骨格関節のモデル化などの技術に依存していた。これらのアプローチは、複雑な構成および身体部分の閉塞などの複雑な要因を克服する能力に限界があった。ポーズ推定のための深層ニューラルネットワークを開発することで、これらの欠点のいくつかに対処したのが、ＤｅｅｐＰｏｓｅであった（Ｔｏｓｈｅｖ，Ａ．＆ Ｓｚｅｇｅｄｙ，Ｃ．，Ｐｒｏｃ ＩＥＥＥ Ｃｏｎｆ Ｃｏｍｐ Ｖｉｓ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔ（２０１４），１６５３－１６６０）。ＤｅｅｐＰｏｓｅは、いくつかのベンチマークを使用して、ポーズ推定に関する最先端性能の向上を実証することができた。ＤｅｅｐＰｏｓｅの公開後、ポーズ推定に関して成功した研究の大半は、深層畳み込みニューラルネットワークアーキテクチャを活用したものであった。いくつかの著名な例は、ＤｅｅｐｅｒＣｕｔ（Ｉｎｓａｆｕｔｄｉｎｏｖ，Ｅ．ｅｔ ａｌ．，Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ（２０１６），３４－５０）、Ｓｔａｃｋｅｄ Ｈｏｕｒｇｌａｓｓ Ｎｅｔｗｏｒｋｓ（Ｎｅｗｅｌｌ，Ａ．ｅｔ ａｌ．，Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ（２０１６），４８３－４９９）、およびＤｅｅｐ Ｈｉｇｈ－Ｒｅｓｏｌｕｔｉｏｎアーキテクチャ（ＨＲＮｅｔ）（Ｓｕｎ，Ｋ．ｅｔ ａｌ．，Ｐｒｏｃ ＩＥＥＥ Ｃｏｎｆ Ｃｏｍｐ Ｖｉｓ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔ（２０１９），５６９３－５７０３）、を含む。ヒトのポーズ推定のために開発された高性能ポーズ推定アーキテクチャにおいて使用されるいくつかの概念は、本発明の方法に含まれるげっ歯類ポーズ推定方法の開発において考慮された。
げっ歯類ポーズ推定アーキテクチャの選択の基礎となるいくつかの重要な考慮事項が存在した。
・ポーズ推定に関する高い精度および正確さ：歩行推定方法は、ポーズ推定における誤差に対して敏感であるため、そのような誤差を、可能な限り低減することが望ましい。
・推定速度：最新のハイエンドＧＰＵにおいて、リアルタイム速度（３０ｆｐｓ）またはそれに近い速度で推論できること。
・変更および拡張を容易とするための、アーキテクチャの単純さおよび汎用性。
・固定スケール推定：すべての画像が固定スケールであるため、複数のスケールで動作するように設計されたアプローチは、ネットワーク容量および推定時間を浪費する。
・利用可能なオープンソース実装。
・将来のアップグレードを容易とするための、アーキテクチャのモジュール性。
これらの基準に基づき、ＨＲＮｅｔアーキテクチャ（Ｓｕｎ，Ｋ．ｅｔ ａｌ．，Ｐｒｏｃ ＩＥＥＥ Ｃｏｎｆ Ｃｏｍｐ Ｖｉｓ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔ（２０１９），５６９３－５７０３）が、ネットワーク用に選択され、実験セットアップ用に修正された。このアーキテクチャの主な差別化点は、ネットワークスタック全体で高解像度の特徴が維持されることであり、これにより、空間精度が維持されることである（図７Ａ）。ＨＲＮｅｔは、ＧＰＵ効率とポーズ精度との両方の点で、非常に競争力のある性能を示した。インターフェースは、また、高度にモジュール化されており、必要に応じて比較的容易にネットワークをアップグレードし得るものと予想されている。ＨＲＮｅｔ－Ｗ４８ではなく、より小型のＨＲＮｅｔ－Ｗ３２アーキテクチャを使用したのは、精度をわずかに低下させるだけで、速度およびメモリの大幅な改良が提供されることが示されたからである。二つの５×５の転置畳み込みを、ネットワークの先頭に対して追加することで、ヒートマップ出力の解像度を、ビデオ入力の解像度に対して一致させた（図７Ｂ）。すべての実験で、オープンフィールドに１匹のマウスがいたため、インスタンス化のために物体検出に依存する必要はなかった。よって、このステップは、推論アルゴリズムから省略され、これも、また、実行時の性能に明らかな利点をもたらした。物体検出後にポーズ推定を行う代わりに、フル解像度のポーズキーポイントヒートマップを使用することで、各フレームにおける１匹のマウスの姿勢を推論した。これは、ビデオの各４８０×４８０フレームごとに、１２個の４８０×４８０のヒートマップが生成されたことを意味する（一つのキーポイントに対して、一つのヒートマップ）。各ヒートマップ内における最大値は、各ポイントに関して最も信頼度の高い位置を表した。よって、１２個のヒートマップにおけるそれぞれの最大点集合を取得することで、１２個の（ｘ、ｙ）座標が得られた。
ネットワークを訓練するために、損失関数および最適化アルゴリズムを選択する必要があった。損失については、元のＨＲＮｅｔの説明（Ｓｕｎ，Ｋ．ｅｔ ａｌ．，Ｐｒｏｃ ＩＥＥＥ Ｃｏｎｆ Ｃｏｍｐ Ｖｉｓ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔ（２０１９），５６９３－５７０３）で使用されたアプローチが使用された。各キーポイントラベルに関して、それぞれのキーポイントを中心とした２次元ガウス分布が生成された。その後、ネットワークの出力は、キーポイントを中心としたガウシアンを使用して準備され、ラベル付けされたキーポイントガウシアンと、ネットワークによって生成されたヒートマップと、の間の平均二乗差として損失が計算された。ネットワークは、確率的勾配降下法の変形であるＡＤＡＭ最適化アルゴリズムを使用して訓練された（Ｋｉｎｇｍａ，Ｄ．Ｐ．＆ Ｂａ，Ｊ．（２０１４）ａｒＸｉｖ：１４１２．６９８０）。図７Ｃは、検証損失が急速に収束することを示している。毛色、体長、および肥満の違いを含めてマウスの多様な外見を表すラベルが、意図的に生成され、これにより、得られたネットワークがそれらの違いを超えて確実に動作することが確保された。これらの多様な系統にわたっての８，９１０個のフレームが、訓練用に手作業でラベル付けされた（方法を参照されたい）。得られたネットワークは、体格、体型、および毛色が異なる数十種類のマウス系統を追跡することができた（Ｇｅｕｔｈｅｒ，Ｂ．Ｑ．ｅｔ ａｌ．，Ｃｏｍｍｕｎ Ｂｉｏｌ（２０１９）２：１－１１）。
ストライド推論
ストライド間隔を検出するためのアプローチは、ヒルデブランドによって説明された歩行の周期構造（図８Ａ）に基づくものであった（Ｈｉｌｄｅｂｒａｎｄ，Ｍ．Ｊ Ｍａｍｍａｌｏｇｙ（１９７７）５８：１３１－１５６、Ｈｉｌｄｅｂｒａｎｄ，Ｍ．Ｂｉｏｓｃｉｅｎｃｅ（１９８９）３９：７６６）。ストライドサイクル時には、各足は、立脚期と遊脚期とを有している（Ｌａｋｅｓ，Ｅ．Ｈ．＆ Ａｌｌｅｎ，Ｋ．Ｄ．Ｏｓｔｅｏａｒｔｈｒ Ｃａｒｔｉｌ（２０１６）２４：１８３７－１８４９）。立脚期時には、マウスの足は、マウスの体重を支持するとともに、地面に対して静的に接触している。遊脚期時には、足は、前方に移動しており、マウスの体重を支持していない。ヒルデブランドに従い、立脚期から遊脚期への移行は、つま先離地イベントと称され、遊脚期から立脚期への移行は、足接地イベントと称される。
ストライド間隔を計算するために、後肢に関して、立脚期および遊脚期が決定された。足の速度が計算され、速度が閾値を下回った時には足が立脚期にあること、速度が閾値を超えている時には足が遊脚期とあることが、推定された（図８Ｃ～Ｆ）。その後、遊脚期から立脚期への移行フレームで、足接地イベントが起こったことを判断することができた（図８Ｃ）。左後肢の接地は、ストライドサイクルを区切るイベントとして定義された。足の速度と足接地イベントとの関係に関する一例を、後肢について図８Ｄに示している。図８Ｅに示すように、後肢の明瞭な高振幅振動が観察されたけれども、前肢では観察されなかった。前肢と後肢との間におけるこのような推定品質の違いは、平面視では前肢が後肢よりも頻繁に遮られるため、正確に位置を特定することがより困難であることに起因するものと考えられる。図８Ｇに示すように、前肢に関する推論の信頼度が対応して低下することが、観察された。この理由のため、ストライド間隔を導出する時には、前肢は、考慮から除外され、代わりに、後肢に注目した。また、データセットから偽のまたは低品質のストライドサイクルを除去するために、ストライドに対して、大量のフィルタリングが実行された（図８Ｇ）。ストライドを除去するための基準は、信頼度が低いまたは生理学的に非現実的なポーズ推定、右後肢の接地イベントの欠落、ならびに、１０ｃｍ／秒未満の速度といったようにマウスの全身の速度が不充分であること、を含む。図８Ｇは、各キーポイントに関する信頼度の分布を示している。フィルタリング方法では、信頼度の閾値として、０．３を使用した。非常に信頼度が高いキーポイントは、１．０に近くなる。複数のストライドがなす連続したシーケンスにおける最初のストライドと最後のストライドとは、開始動作および停止動作がストライドデータに対してノイズを追加することを避けるため、常に除去された（図８Ｃ～Ｄ、トラックＡおよびＢにおける、ＡおよびＤの表示）。これは、七つのストライドからなるシーケンスでは、最大で五つのストライドが分析用に使用されることとなることを意味する。キーポイントの信頼度分布は、キーポイントのタイプによって異なる（図８Ｇ）。前肢などのように、平面視において遮られやすいキーポイントは、他のキーポイントと比較して、信頼度分布が下にシフトしていた。また、脊椎中間部などのように、視覚的に顕著でないキーポイントが、正確に位置を特定することが困難であるため、信頼度が低くなることも、観察された。さらに、瞬時角速度も、また、計算され、これにより、各ストライドの方向性を決定することが可能となった（図８Ｆ）。角速度は、マウスの尾付け根と首付け根とを結ぶ線が形成する角度の一次導関数をとることによって、計算された。総合すると、このアプローチにより、オープンフィールドにおけるマウスに関する個々の高品質のストライドを特定することができた。
歩行の定量化が適切に機能していることを検証するために、一般的に使用される近交系Ｃ５７ＢＬ／６ＮＪからのデータが分析された。マウス１匹あたりにつき約１時間のオープンフィールドビデオを使用して、３１匹の動物の１５，６６７ストライドから、立脚割合および遊脚割合が計算された。後肢からのデータは、立脚時および遊脚時において最も大きな振幅の振動を示したことのために、分析された（図８Ｄ、Ｅ）。データは、尾付け根に基づいて、９つの角速度ビンと８つの速度ビンとに層別化された（それぞれ、図８Ｈおよび図８Ｉ）。予想通り、動物が左旋回する時には、左後肢の１ストライドにわたっての立脚割合の増加が、確認された。逆に、動物が右旋回する時には、右後肢の立脚割合が増加した（図８Ｈ）。次に、ストライドを、中央角速度ビン（－２０度／秒～２０度／秒）内で分析することにより、ストライドの速度が増加するにつれてストライドサイクル時の立脚割合が減少するかどうかを判断した。ストライドが速くなるにつれて、立脚時間が減少することが、確認された（図８Ｉ）。速度に対してのこの関係を定量化するために、後肢に関して、負荷係数が計算された（図８Ｊ）。総合すると、これらの方法により、平面視視点でのオープンフィールドビデオから、定量的にかつ正確にストライドを抽出し得ることが結論づけられた。
ストライド間隔が決定された後に、フレームポーズを、立脚期間隔および遊脚期間隔と組み合わせて使用することで、図１４Ａに定義されているようないくつかのストライド指標を導出することができた。すべての関連する時空間指標は、後肢から抽出することができ、統計分析に関する主要なデータ源として機能した（Ｌａｋｅｓ，Ｅ．Ｈ．＆ Ａｌｌｅｎ，Ｋ．Ｄ．Ｏｓｔｅｏａｒｔｈｒ Ｃａｒｔｉｌ（２０１６）２４：１８３７－１８４９）。
歩行サイクル時の全身ポーズ推定
平面視ビデオでは、６つのキーポイント（鼻、首付け根、脊椎中間部、尾付け根、尾中間部、尾先端）を使用して脊椎の相対位置を決定することができる。これらを使用して、ストライドサイクル時における全身姿勢が抽出された。ストライドサイクル時における横方向の動きを捕捉するために、三つの点（鼻、尾付け根、尾先端）のみが使用された（図９Ａ～Ｃ）。これらの測定は、円形で、鼻および尾先端の位相は、逆であった。表示のために、ストライドサイクル時に尾先端の位相が異なるＣ５７ＢＬ／６ＪとＮＯＲ／ＬｔＪとを使用した。ストライドごとにこれらの位相プロットを抽出することができ、高い感度が得られた（図９Ｄ～Ｅ）。各系統にわたって数時間のビデオが取得されたため、数千のストライドを抽出することができ、高レベルの感度が可能とされた。これらを、一つの速度および角速度ビンで組み合わせることにより、動物および系統ごとにコンセンサスストライド位相プロットを決定することができた（図９Ｆ～Ｇ）。さらに、これらの位相プロットを、複数の系統どうしの間で比較したところ、歩行サイクル時の全身姿勢に顕著な多様性が見出された。
いくつかの指標は、ポーズキーポイント内で観察された周期的な横方向変位に関連していた（図９Ａ～Ｉ）。横方向変位の測定値は、関連するストライド変位ベクトルからの直交オフセットとして定義された。変位ベクトルは、ストライドの第一フレームにおけるマウスの脊椎中間部と、ストライドの最後のフレームにおけるマウスの脊椎中間部と、を結ぶ線として定義された。このオフセットは、ストライドの各フレームで計算され、その後、滑らかな変位曲線を生成するために、三次補間が実行された。変位の位相オフセットは、この平滑化された曲線上で最大変位が発生するストライドのパーセント位置として定義された。一例として、位相オフセットに関して９０という値が観察されなかった場合、これは、ストライドサイクルが９０％完了した時点で横方向変位のピークが発生したことを示している。ストライドに対して割り当てられた横方向変位の指標は、ストライド時に観察された最大変位値と最小変位値との間の差であった（図９Ａ）。この分析は、非常に高感度であり、微妙ではあるが非常に有意なストライド時の全体的な姿勢の違いを検出することができた。ヒルデブランドの方法に基づく従来の古典的な時空間測定は、分析のために全身姿勢指標と組み合わせて使用された。位相オフセット指標の周期的な性質のために、分析では、これらに対して角度統計を適用するように注意が払われた。他の測定値は、線形法を使用して分析された。
歩行測定値の統計分析および遺伝的検証
歩行および姿勢の抽出に続いて、データ分析のための統計的フレームワークが確立された。この方法を検証するために、三つのマウスモデルの表現型が決定され、各マウスは、歩行障害があることが以前に示されているとともに、レット症候群、筋萎縮性側索硬化症（ＡＬＳまたはルーゲーリッグ病）、およびダウン症候群というヒトの疾患の前臨床モードであることが示されていた。Ｍｅｃｐ２ノックアウト、ＳＯＤ１ Ｇ９３Ａ導入遺伝子、およびＴｓ６５Ｄｎトリソミック、の三つのモデルについて、１時間のオープンフィールドアッセイにおいて、二つの年齢で、適切な対照を使用して、試験した（図１４Ｂ）。歩行指標は、動物のサイズに対して、およびストライド速度に対して、高い相関がある（Ｈｉｌｄｅｂｒａｎｄ，Ｍ．Ｂｉｏｓｃｉｅｎｃｅ（１９８９）３９：７６６）（図８Ｉ～Ｊ）。しかしながら、多くの場合、ストライド速度の変化は、遺伝的なまたは薬理学的な摂動による歩行変化の決定的な特徴である。加えて、この方法を使用して各対象（マウス）に関して複数の反復測定値を収集したところ、各対象の（ストライド）数が異なり、不均衡なデータとなった。繰り返されたストライドにわたっての平均化は、対象ごとに一つの平均値をもたらすものの、変動が除去されて誤った信頼度が導入されるため、誤解を招く可能性がある。同時に、古典的な線形モデルは、安定した対象内変動と、対象間での揺らぎと、を区別することがなく、推定値を深刻に偏らせる。これに対処するために、線形混合モデル（ＬＭＭ）を使用することで、対象内部の変動を、遺伝子型ベースの対象間変動から、分離した（Ｌａｉｒｄ，Ｎ．Ｍ．＆ Ｗａｒｅ，Ｊ．Ｈ．，Ｂｉｏｍｅｔｒｉｃｓ（１９８２）３８：９６３－９７４、Ｐｉｎｈｅｉｒｏ，Ｊ．＆ Ｂａｔｅｓ，Ｄ．Ｍｉｘｅｄ－ｅｆｆｅｃｔｓ ｍｏｄｅｌｓ ｉｎ Ｓ ａｎｄ Ｓ－ＰＬＵＳ，Ｎｅｗ Ｙｏｒｋ：Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ，２０００）。具体的には、動物のサイズ、遺伝子型、年齢などの主効果に加えて、対象内部変動を捕捉するランダム効果が含まれている。さらに、二つの異なる年齢における複数の反復測定が行われ、入れ子の階層的なデータ構造を生じさせる。モデル（Ｍ１、Ｍ２、Ｍ３）は、標準的なＬＭＭ表記に従ったもので、（遺伝子型、体長、速度、試験年齢）が、固定効果を表し、（マウスＩＤ／試験年齢）（ここで、試験年齢は、動物内に入れ子とされている）が、ランダム効果を表す。結果を、動物のサイズを考慮しないような時にはストライド速度を考慮しないような既発表のデータと比較するために、結果を、年齢および体長のみを考慮した（Ｍ１）、年齢および速度のみを考慮した（Ｍ２）、年齢と速度と体長とのみを考慮した（Ｍ３）、三つのモデルを使用して、統計的にモデル化した（図１０および図１４）。モデルは、Ｍ１：表現型～遺伝子型＋試験年齢＋体長＋（１｜マウスＩＤ／試験年齢）、Ｍ２：表現型～遺伝子型＋試験年齢＋速度＋（１｜マウスＩＤ／試験年齢）、およびＭ３：表現型～遺伝子型＋試験年齢＋速度＋体長＋（１｜マウスＩＤ／試験年齢）、であった。
性別は、体長に対して高い相関があるため、モデルには含まれなかった（ＡＮＯＶＡを使用して測定し、ηで表すと、ＳＯＤ１（η＝０．８１）と、Ｔｓ６５Ｄｎ（全体に関してη＝０．１６、対照に関してη＝０．８９、変異体に関してη＝０．６１）と、の両方において強力である）。Ｍｅｃｐ２のオスとメスとは、別々に分析した。図１４Ａにおける円形位相変数は、円形－線形回帰モデルを使用して線形変数の関数としてモデル化された（Ｆｉｓｈｅｒ，Ｎ．Ｉ．＆ Ｌｅｅ，Ａ．Ｊ．，Ｂｉｏｍｅｔｒｉｃｓ（１９９２）４８：６６５－６７７）。体長および速度などの線形変数を調整するために、それらは、共変量としてモデル内に含めた（方法も参照されたい）。図１０および図１１は、ｐ値と、正規化された効果量と、を報告している。明瞭化のために、正確な統計量は、図１９および図２０において詳細に報告されている。
レット症候群モデルを使用した検証
遺伝性の神経発達障害であるレット症候群は、Ｘ連鎖性ＭＥＣＰ２遺伝子の変異によって引き起こされる（Ａｍｉｒ，Ｒ．Ｅ．ｅｔ ａｌ．，Ｎａｔ Ｇｅｎｅｔ（１９９９）２３：１８５－１８８）。研究は、運動低下、異常歩行、四肢の締まり、低出生体重、および致死性を含めた、レット症候群の多くの特徴を再現するような一般的に研究されているＭｅｃｐ２欠失を含む（Ｇｕｙ，Ｊ．ｅｔ ａｌ．，Ｎａｔｕｒｅ Ｇｅｎｅｔ，（２００１）２７：３２２－３２６）。ヘミ接合性のオス（ｎ＝８）、ヘテロ接合性のメス（ｎ＝８）、および同腹子対照（各性につき、ｎ＝８）、を試験した（図１４Ｂ）。ヌルのオスは、出生時には正常であり、予想寿命は、約５０日～６０日である。これらは、３週間～８週間までに年齢依存の表現型を示し始め、１０週までに致死性を示す。ヘテロ接合体のメスは、もっと高齢でも軽度の症状を示す（Ｇｕｙ，Ｊ．ｅｔ ａｌ．，Ｎａｔｕｒｅ Ｇｅｎｅｔ，（２００１）２７：３２２－３２６）。オスのマウスは、４３日目と５６日目との二回にわたって試験され、メスのマウスは、４３日目と８６日目とに試験された。
このノックアウトに関する研究では、ヘミ接合性のオスにおいて年齢依存的な態様でストライド長および立脚幅が変化することが示されている（Ｋｅｒｒ，Ｂ．ｅｔ ａｌ．，ＰＬｏＳ Ｏｎｅ（２０１０）５（７）：ｅｌ １５３４；（２０１０）、Ｒｏｂｉｎｓｏｎ，Ｌ．ｅｔ ａｌ．，Ｂｒａｉｎ（２０１２）１３５：２６９９－２７１０）。最近の分析では、歩隔の増加、ストライド長の減少、ストライド時間の変化、ステップ角度の変化、およびオーバーラップ距離の変化、が示された（Ｇａｄａｌｌａ，Ｋ．Ｋ．ｅｔ ａｌ．，ＰｌｏＳ Ｏｎｅ（２０１４）９（１１）：ｅｌ １２８８９）。しかしながら、これらの研究では、Ｍｅｃｐ２ヘミ接合性のオスに見られる体格の減少を調整しておらず（図１４Ｄ）、場合によっては、ストライドの速度をモデル化していない。得られた実験データと以前に公開されたデータとの最も適切な比較は、速度をモデル化するが体長をモデル化しないＭ２を使用するものであった（Ｇａｄａｌｌａ，Ｋ．Ｋ．ｅｔ ａｌ．，ＰｌｏＳ Ｏｎｅ（２０１４）９（１１）：ｅｌ １２８８９、図１４Ｄ）。大部分の歩行指標といくつかの身体協調指標とは、四肢の負荷係数、ステップ長およびストライド長、歩隔ストライド、ならびに時間的対称性を含めて、ヘミ接合性のオスと対照との比較では、有意に相違することが判明した。しかしながら、大部分の歩行指標は、動物のサイズに依存しており、ヘミ接合性のオスは、体長が１３％小さい（図１４Ｄ）（Ｇｕｙ，Ｊ．ｅｔ ａｌ．，Ｎａｔｕｒｅ Ｇｅｎｅｔ，（２００１）２７：３２２－３２６）。加えて、分析では、ストライド速度が２０ｃｍ／ｓ～３０ｃｍ／ｓへと制限されていたため、速度の違いによって生じるばらつきを低減することができた。したがって、共変量として速度の代わりに体長を含むモデル（Ｍ１、図１０Ａ）と、体長と速度との両方を含むモデル（Ｍ３、図１５Ａ）と、の比較も、また、行われた。Ｍ２モデルの結果は、ヘミ接合性のオスにおいて、ストライド速度、歩隔、ストライド長、全身の協調表現型（尾先端の振幅、尾先端および鼻の位相）に有意差を示した（図１０Ｂ）。大部分の表現型は、年齢に依存しており、オスでは、７週（５６日）までに深刻な影響が見られた（図１０Ｄ）。速度と体長との両方を含むモデル（Ｍ３）は、歩隔における有意な減少と、ストライド長における示唆的な差と、全身の協調指標（尾先端の振幅、尾先端の位相、尾付け根の位相、鼻の位相）における大きな差、を示した（図１５）。Ｍｅｃｐ２ヘテロ接合性のメスでは、有意差はほとんど観察されず、このことは、三つのすべてのモデルで一貫していた。三つのすべてのモデルとも、一貫して、尾先端の振幅が有意に大きいことがわかり、これにより、メスでは、横方向の動きがより大きいことが示唆された（図１０Ａ～Ｂ、および図１５）。総合すると、これらの結果は、以前に説明したＭｅｃｐ２の違いを本方法により正確に検出し得ることを、実証した。加えて、全身の協調指標は、これまで説明されていなかった差異を検出することができた。
ＡＬＳモデルを使用した検証
ＳＯＤ１－Ｇ９３Ａ導入遺伝子を保有したマウスは、運動ニューロンの進行性喪失を伴うＡＬＳに関する前臨床モデルである（Ｇｕｒｎｅｙ，Ｍ．Ｅ．ｅｔ ａｌ．，Ｓｃｉｅｎｃｅ（１９９４）２６４：１７７２－１７７５、Ｒｏｓｅｎ，Ｄ．Ｒ．ｅｔ ａｌ．，Ｎａｔｕｒｅ（１９９３）３６２：５９－６２）。ＳＯＤ１－Ｇ９３Ａモデルは、特に後肢に関して、歩行表現型に変化があることが示されている（Ｗｏｏｌｅｙ，Ｃ．Ｍ．ｅｔ ａｌ，．Ｍｕｓｃｌｅ ＆ Ｎｅｒｖｅ（２００５）３２：４３－５０、Ａｍｅｎｄｅ，Ｉ．ｅｔ ａｌ．，Ｊ Ｎｅｕｒｏｅｎｇ Ｒｅｈａｂｉｌｉｔａｔｉｏｎ（２００５）２：２０、Ｐｒｅｉｓｉｇ，Ｄ．Ｆ．ｅｔ ａｌ．，Ｂｅｈａｖｉｏｕｒａｌ Ｂｒａｉｎ Ｒｅｓｅａｒｃｈ（２０１６）３１１：３４０－３５３、Ｔｅｓｌａ，Ｒ．ｅｔ ａｌ、 ＰＮＡＳ（２０１２）１０９：１７０１６－１７０２１、Ｍｅａｄ，Ｒ．Ｊ．ｅｔ ａｌ．，ＰＬｏＳ ＯＮＥ（２０１１）６：ｅ２３２４４、Ｖｅｒｇｏｕｔｓ，Ｍ．ｅｔ ａｌ．，Ｍｅｔａｂｏｌｉｃ Ｂｒａｉｎ Ｄｉｓｅａｓｅ（２０１５）３０：１３６９－１３７７、Ｍａｎｃｕｓｏ，Ｒ．ｅｔ ａｌ．，Ｂｒａｉｎ Ｒｅｓｅａｒｃｈ（２０１１）１４０６：６５－７３）。最も顕著な表現型は、年齢依存的な態様で、立脚時間（負荷係数）が増加して、ストライド長が減少することである。しかしながら、いくつかの他の研究では、逆の結果が観察されており（Ｗｏｏｌｅｙ，Ｃ．Ｍ．ｅｔ ａｌ，．Ｍｕｓｃｌｅ ＆ Ｎｅｒｖｅ（２００５）３２：４３－５０、Ａｍｅｎｄｅ，Ｉ．ｅｔ ａｌ．，Ｊ Ｎｅｕｒｏｅｎｇ Ｒｅｈａｂｉｌｉｔａｔｉｏｎ（２００５）２：２０、Ｍｅａｄ，Ｒ．Ｊ．ｅｔ ａｌ．，ＰＬｏＳ ＯＮＥ（２０１１）６：ｅ２３２４４、Ｖｅｒｇｏｕｔｓ，Ｍ．ｅｔ ａｌ．，Ｍｅｔａｂｏｌｉｃ Ｂｒａｉｎ Ｄｉｓｅａｓｅ（２０１５）３０：１３６９－１３７７）、また、有意な歩行への影響を認めなかったものもある（Ｇｕｉｌｌｏｔ，Ｔ．Ｓ．ｅｔ ａｌ．，Ｊｏｕｒｎａｌ ｏｆ Ｍｏｔｏｒ Ｂｅｈａｖｉｏｒ（２００８）４０：５６８－５７７）。これらの研究では、体格差を調整しておらず、場合によっては、速度を調整していない。ＳＯＤ１－Ｇ９３Ａ導入遺伝子および適切な対照は、発病時期の６４日目と１００日目とに試験された（Ｗｏｏｌｅｙ，Ｃ．Ｍ．ｅｔ ａｌ，．Ｍｕｓｃｌｅ ＆ Ｎｅｒｖｅ（２００５）３２：４３－５０、Ｐｒｅｉｓｉｇ，Ｄ．Ｆ．ｅｔ ａｌ．，Ｂｅｈａｖｉｏｕｒａｌ Ｂｒａｉｎ Ｒｅｓｅａｒｃｈ（２０１６）３１１：３４０－３５３、Ｖｅｒｇｏｕｔｓ，Ｍ．ｅｔ ａｌ．，Ｍｅｔａｂｏｌｉｃ Ｂｒａｉｎ Ｄｉｓｅａｓｅ（２０１５）３０：１３６９－１３７７、Ｍａｎｃｕｓｏ，Ｒ．ｅｔ ａｌ．，Ｂｒａｉｎ Ｒｅｓｅａｒｃｈ（２０１１）１４０６：６５－７３、Ｋｎｉｐｐｅｎｂｅｒｇ，Ｓ．ｅｔ ａｌ．，Ｂｅｈａｖｉｏｕｒａｌ Ｂｒａｉｎ Ｒｅｓｅａｒｃｈ（２０１０）２１３：８２－８７）。
驚くべきことに、導入遺伝子保有体と対照との間で異なる表現型が、使用した線形混合モデルに応じて大幅に異なることが判明した。体長および年齢を調整するが速度を調整しないＭ１では、ストライド速度、長さ、および負荷係数が有意に異なることがわかる（図１０Ａ）。しかしながら、速度がモデルに入っている時には（Ｍ２）、もしくは、速度および体長がモデルに入っている時には（Ｍ３）、違いは、尾先端および鼻の位相における小さな変化だけであった（図１０Ｂおよび図１５）。これは、Ｍ１を使用して負荷係数およびストライド長に見られた変化が、ストライド速度の変化に起因するものであることを示した。これらの結果は、ＳＯＤ１導入遺伝子の主な効果が、ストライド速度にあり、このストライド速度が、ストライド時間および負荷係数の変化をもたらすことを、主張している。全身協調におけるわずかな変化は、体格の減少に起因するものである（図１４Ｄ）。この結果は、このＡＬＳモデルにおいて、歩行の変化が最も感度の高い前臨床表現型ではない可能性があるとともに、目に見える臨床症状などの、およびロータロッドといった運動学習課題などの、他の表現型の方がより感度の高い測定法であるという報告と一致していた（Ｍｅａｄ，Ｒ．Ｊ．ｅｔ ａｌ．，ＰＬｏＳ ＯＮＥ（２０１１）６：ｅ２３２４４、Ｇｕｉｌｌｏｔ，Ｔ．Ｓ．ｅｔ ａｌ．，Ｊｏｕｒｎａｌ ｏｆ Ｍｏｔｏｒ Ｂｅｈａｖｉｏｒ（２００８）４０：５６８－５７７）。まとめると、この試験結果は、統計モデルを検証するとともに、文献内のいくつかの矛盾した結果を説明する一助となる可能性がある。
ダウン症候群モデルを使用した検証
ダウン症候群は、２１番染色体の全部または一部のトリソミーによって引き起こされるものであって、複雑な神経学的なおよび神経感覚学的な表現型を有している（Ｈａｓｌａｍ，Ｒ．Ｈ．Ｄｏｗｎ ｓｙｎｄｒｏｍｅ：ｌｉｖｉｎｇ ａｎｄ ｌｅａｒｎｉｎｇ ｉｎ ｔｈｅ ｃｏｍｍｕｎｉｔｙ．Ｎｅｗ Ｙｏｒｋ：Ｗｉｌｅｙ－Ｌｉｓｓ，１０７－１４（１９９５））。知的障害、発作、斜視、眼振、および聴覚低下などの様々な表現型が存在するけれども、より顕著な表現型は、微細運動技能に関する発達遅延である（Ｓｈｕｍｗａｙ－Ｃｏｏｋ，Ａ．＆ Ｗｏｏｌｌａｃｏｔｔ，Ｍ．Ｈ．Ｐｈｙｓｉｃａｌ Ｔｈｅｒａｐｙ ６５：１３１５－１３２２（１９８５）、Ｍｏｒｒｉｓ，Ａ．ｅｔ ａｌ．，Ｊｏｕｒｎａｌ ｏｆ Ｍｅｎｔａｌ Ｄｅｆｉｃｉｅｎｃｙ Ｒｅｓｅａｒｃｈ（１９８２）２６：４１－４６）。これらは、不器用さまたは協調性のない動きとして説明されることが多い（Ｖｉｍｅｒｃａｔｉ，Ｓ．ｅｔ ａｌ．，Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｄｉｓａｂｉｌｉｔｙ Ｒｅｓｅａｒｃｈ（２０１５）５９：２４８－２５６、Ｌａｔａｓｈ，Ｍ．Ｌ．Ｐｅｒｃｅｐｔｕａｌ－ｍｏｔｏｒ ｂｅｈａｖｉｏｒ ｉｎ Ｄｏｗｎ Ｓｙｎｄｒｏｍｅ（２０００）１９９－２２３）。最良に研究されたモデルの一つであるＴｎ６５Ｄｎマウスは、ヒト２１番染色体に対してシンテニーであるマウス１６番染色体領域のトリソミーであり、ダウン症候群の特徴の多くを再現する（Ｒｅｅｖｅｓ，Ｒ．ｅｔ ａｌ．，Ｎａｔ Ｇｅｎｅｔ（１９９５）１１：１７７－１８４、Ｈｅｒａｕｌｔ，Ｙ．ｅｔ ａｌ．，Ｄｉｓ Ｍｏｄｅｌ Ｍｅｅｈ（２０１７）１０：１１６５－１１８６）。Ｔｎ６５Ｄｎマウスは、従来的なインクブロットフットプリント分析またはトレッドミル法を使用して、歩行の表現型に関して研究されてきた（Ｈａｍｐｔｏｎ，Ｔ．Ｇ．ａｎｄ Ａｍｅｎｄｅ，Ｉ．Ｊ Ｍｏｔ Ｂｅｈａｖ（２００９）４２：１－４、Ｃｏｓｔａ，Ａ．Ｃ．ｅｔ ａｌ．，Ｐｈｙｓｉｏｌ Ｂｅｈａｖ（１９９９）６８：２１１－２２０、Ｆａｉｚｉ，Ｍ．ｅｔ ａｌ．，Ｎｅｕｒｏｂｉｏｌ Ｄｉｓ（２０１１）４３，３９７－４１３）。インクブロット分析では、患者に見られる運動協調障害と同様に、より短く、より「不安定」で「不規則」な歩行をするマウスが示された（Ｃｏｓｔａ，Ａ．Ｃ．ｅｔ ａｌ．，Ｐｈｙｓｉｏｌ Ｂｅｈａｖ（１９９９）６８：２１１－２２０）。トレッドミルをベースとした分析では、ストライド長、歩数、いくつかの運動パラメータ、および足跡のサイズに、更なる変化が明らかとされた（Ｆａｉｚｉ，Ｍ．ｅｔ ａｌ．，Ｎｅｕｒｏｂｉｏｌ Ｄｉｓ（２０１１）４３，３９７－４１３、Ｈａｍｐｔｏｎ，Ｔ．Ｇ．ｅｔ ａｌ．，Ｐｈｙｓｉｏｌ Ｂｅｈａｖ（２００４）８２：３８１－３８９）。これらの以前の分析では、これらのマウスの全身姿勢は研究されていない。
本発明の方法を使用して、Ｔｎ６５Ｄｎマウスを、対照マウスとともに、約１０週および１４週で分析したところ（図１４Ｂ）、三つの線形混合モデルＭ１～Ｍ３のすべてにおいて、一貫した変化が見出された。Ｔｓ６５Ｄｎマウスは、ストライド速度が増加している（図１０Ａ、Ｃ）けれども、オープンフィールドでは多動ではない（図１０Ｃ）。このことから、Ｔｎ６５Ｄｎマウスでは、ステップは速いけれども、移動距離は対照と同じであることが示された。歩隔は、増加し、ステップ長およびストライド長は、有意に減少した。対照からの最も乖離した結果は、速度および体長を考慮したＭ３で得られた。特に、Ｔｎ６５Ｄｎマウスでは、全身の協調表現型が大きく影響された。尾付け根と尾先端との振幅、尾付け根の位相、尾先端の位相、および鼻の位相が、有意に減少した（図１５Ａ）。この結果は、鼻および尾先端の位相プロットで確認された（図１０Ｅ）。驚くべきことに、位相に大きな違いがあることが判明した。尾先端の位相ピークは、複数の速度において、対照ではストライド周期の３０％近くであり、変異体では６０％近くであった（図１０Ｅ）。同様の変化が、鼻に関する位相プロットでも見られた。総合すると、これらの結果は、従来的な歩行測定において以前から報告されている差異を確認するとともに、ヒト疾患モデルにおける測定可能な表現型の特徴を広げる上での、新規なオープンフィールド全身協調測定法の有用性を強調する。実際、Ｔｎ６５Ｄｎ歩行の最も顕著な特徴は、全身協調性の変化であり、これは、以前に、インクブロット分析を使用した質的形質として報告されていた（Ｃｏｓｔａ，Ａ．Ｃ．ｅｔ ａｌ．，Ｐｈｙｓｉｏｌ Ｂｅｈａｖ（１９９９）６８：２１１－２２０）けれども、現在では、本発明の方法を使用して定量可能である。
自閉症スペクトラム障害関連変異体の特性付け
分析アプローチをさらに検証するために、四つの自閉症スペクトラム障害（ＡＳＤ）マウスモデルと、同じく自閉症スペクトラム障害に該当する上記Ｍｅｃｐ２と、において、歩行を調査した。ヒトでは、歩行および姿勢の欠陥が、ＡＳＤ患者では多く見られ、時には、歩行および運動の欠陥が、言語的および社会的コミュニケーションにおける古典的欠陥よりも、ならびに常同行動よりも、先行することがある（Ｌｉｃａｒｉ，Ｍ．Ｋ．ｅｔ ａｌ．，Ａｕｔｉｓｍ Ｒｅｓｅａｒｃｈ（２０２０）１３：２９８－３０６、Ｇｒｅｅｎ ｅｔ ａｌ．，Ｄｅｖ Ｍｅｄ Ｃｈｉｌｄ Ｎｅｕｒｏｌ（２００９）５１：３１１－３１６）。最近の研究では、ＡＳＤ症例では、運動の変化が診断されないことが多いことが示されている（Ｈｕｇｈｅｓ，Ｖ．Ｍｏｔｏｒ ｐｒｏｂｌｅｍｓ ｉｎ ａｕｔｉｓｍ ｍｏｖｅ ｉｎｔｏ ｒｅｓｅａｒｃｈ ｆｏｃｕｓ．Ｓｐｅｃｔｒｕｍ Ｎｅｗｓ（２０１１））。これらの違いが遺伝的なものなのか、それとも、学習した運動協調を子供たちが発達させるのに役立ち得る社会的相互作用の欠如による二次的なものなのかは、不明である（Ｚｅｌｉａｄｔ，Ｎ．，Ａｕｔｉｓｍ ｉｎ ｍｏｔｉｏｎ：Ｃｏｕｌｄ ｍｏｔｏｒ ｐｒｏｂｌｅｍｓ ｔｒｉｇｇｅｒ ｓｏｃｉａｌ ｏｎｅｓ．Ｓｃｉｅｎｔｉｆｉｃ Ａｍｅｒｉｃａｎ，Ｓｐｅｃｔｒｕｍ，Ｍｅｎｔａｌ Ｈｅａｌｔｈ（２０１７））。ＡＳＤのマウスモデルでは、歩行欠陥は、充分に特徴付けられていないため、一般的に使用されている四つのＡＳＤ遺伝子モデルにおいて何らかの歩行表現型が生じるかどうかを決定するための研究が行われ、１０週目に適切な対照を使用して特徴付けられた（図１４Ｃ）。既知の歩行欠陥を有した三つのモデルと同様に、これらの変異体および対照を、１時間のオープンフィールドアッセイで試験して、歩行指標および姿勢指標を抽出した（図１４Ａ）。その結果は、歩行変異体に関して使用したのと同じアプローチでモデル化された（Ｍ１およびＭ３の結果は、図１１に示されており、Ｍ２の結果は、図１６に示されている）。
Ｃｎｔｎａｐ２は、神経細胞とグリアとの間の細胞接着分子として機能するニューレキシン遺伝子ファミリーのメンバーである（Ｐｏｌｉａｋ，Ｓ．ｅｔ ａｌ．，Ｎｅｕｒｏｎ（１９９９）２４：１０３７－１０４７）。Ｃｎｔｎａｐ２の変異は、ＡＳＤ、統合失調症、双極性障害、および、てんかんなどの神経疾患に関連している（Ｔｏｍａ，Ｃ．ｅｔ ａｌ．，ＰＬｏＳ Ｇｅｎｅｔｉｃｓ（２０１８）１４：ｅｌ００７５３５）。Ｃｎｔｎａｐ２ノックアウトマウスは、ストライド速度の増加によりストライド持続時間が減少するという軽度の歩行影響を有することが以前に示されている（Ｂｒｕｎｎｅｒ，Ｄ．ｅｔ ａｌ．，ＰｌｏＳ Ｏｎｅ（２０１５）１０（８）：ｅ０１３４５７２）。モデルＭ２を使用して、我々の結果を先行研究と比較したところ、Ｃｎｔｎａｐ２マウスが歩行測定の大部分において有意差を示すことが判明した（図１６）。これらのマウスは、対照と比較して、体長および体重が有意に小さい（図１４Ｄ、図１６Ｃ）。オープンフィールドでは、Ｃｎｔｎａｐ２マウスは、多動ではなかった（図１１Ｃ）けれども、ストライド速度が著しく増加した（Ｍ１、図１１Ａ、Ｃ、および図１６Ｃ）。これらの結果から、Ｃｎｔｎａｐ２マウスは、移動量が多いのではなく、Ｔｓ６５Ｄｎマウスと同様に、移動時のステップがより速いことが示唆される。
Ｃｎｔｎａｐ２マウスは、体格が小さく、ストライド速度がより速いため、Ｍ３の結果を使用して、体格およびストライド速度を調整した後の歩行パラメータに変化があるかどうかを決定した（図１４Ｄ）。結果は、Ｃｎｔｎａｐ２マウスが、Ｍ１およびＭ３の両モデルにおいて、従来の歩行指標と全身協調測定との大部分に関して、対照とは有意に異なることを示した（図１１Ｂ）。Ｃｎｔｎａｐ２マウスは、四肢負荷係数、ステップ長、歩隔が減少し、ストライド長が大幅に減少した（図１１Ｂ、Ｄ、および図１６Ｃ）。マウスは、また、尾先端の位相、尾付け根の位相、および鼻の位相が変化し、尾先端、尾付け根、および鼻の振幅も、有意ではあるけれども小さく変化した。Ｃｎｔｎａｐ２マウスの歩行に関する別の顕著な特徴は、対照と比較して、特に、四肢負荷係数に関して（Ｆｌｉｇｎｅｒ－Ｋｉｌｌｅｅｎ試験、ｐ＜０．０１）、ステップ長に関して（Ｆｌｉｇｎｅｒ－Ｋｉｌｌｅｅｎ試験、ｐ＜０．０１）、ストライド長に関して（Ｆｌｉｇｎｅｒ－Ｋｉｌｌｅｅｎ試験、ｐ＜０．０２）、動物間での分散が減少していることである（図１１Ｄ）。このことは、これらの変異体では、歩行がより常同的であることを示している可能性がある。総合すると、これらの結果は、Ｃｎｔｎａｐ２マウスが、オープンフィールドでの総移動距離で測定した際には多動ではないけれども、個々のストライドレベルでは多動であることを示唆している。Ｃｎｔｎａｐ２マウスは、ステップがより速くなるとともに、ストライド長およびステップ長が短くなり、歩隔が狭くなる。さらに、教師なしクラスタリングを使用して、すべての組み合わせた歩行測定に基づいて、Ｃｎｔｎａｐ２マウスを対照から区別するために、研究が実行された。まず、線形歩行表現型に関して主成分分析（ＰＣＡ）が実行され、次に、ＰＣに関して混合ガウスモデル（ＧＭＭ）を使用して、動物が二つの別々のグループへとクラスタリングされた。歩行指標により、Ｃｎｔｎａｐ２を対照から区別し得ることが決定された（図１１Ｅ）。この分析により、Ｃｎｔｎａｐ２マウスが、オープンフィールドでの歩行パターンに基づいて対照と区別され得ること、および、これらの表現型が、以前に検出されたものと比較して（Ｂｒｕｎｎｅｒ，Ｄ．ｅｔ ａｌ．，ＰｌｏＳ Ｏｎｅ（２０１５）１０（８）：ｅ０１３４５７２）、劇的であることが、主張された。
足場となるシナプス後タンパク質をなす、Ｓｈａｎｋ３の変異は、ＡＳＤの複数の症例で見つかっている（Ｄｕｒａｎｄ，Ｃ．Ｍ．ｅｔ ａｌ．，Ｎａｔ Ｇｅｎｅｔ（２００７）３９：２５－２７）。翻訳調節因子として機能するＲＮＡ結合タンパク質をなす、Ｆｍｒ１の変異は、ヒトにおいて最も多く遺伝する形態の精神疾患である脆弱Ｘ症候群と関連している（Ｃｒａｗｆｏｒｄ，Ｄ．Ｃ．ｅｔ ａｌ．，Ｇｅｎｅｔｉｃｓ ｉｎ Ｍｅｄｉｃｉｎｅ（２００１）３：３５９－３７１）。脆弱Ｘ症候群は、ＡＳＤの特徴とオーバーラップする広範な表現型を有している（Ｂｅｌｍｏｎｔｅ，Ｍ．Ｋ．ａｎｄ Ｂｏｕｒｇｅｒｏｎ，Ｔ．Ｎａｔ Ｎｅｕｒｏｓｃｉ（２００６）９：１２２１－１２２５）。Ｄｅｌ４Ａａｍマウスは、ヒトの１６ｐ１１．２染色体とシンテニーであるマウス７番染色体上に０．３９Ｍｂの欠失を含有している（Ｈｏｒｅｖ，Ｇ．ｅｔ ａｌ．，ＰＮＡＳ（２０１１）１０８：１７０７６－１７０８１）。ヒト１６ｐ１１．２のコピー数変異（ＣＮＶ）は、知的障害、常同症、社会性障害、および言語障害を含めた、ＡＳＤの様々な特徴と関連している（Ｗｅｉｓｓ，Ｌ．Ａ．ｅｔ ａｌ．，ＮＥＪＭ（２００８）３５８：６６７－６７５）。Ｆｍｒ１変異マウスは、オープンフィールドでより多く移動し（図１１Ｃ）、より大きなストライド速度を有している（図１１Ａ、Ｃ）。ストライド速度および体長を調整すると（Ｍ３）、これらのマウスは、Ｍ２およびＭ３における四肢負荷係数を、わずかではあるけれども有意に変化させた。Ｓｈａｎｋ３とＤｅｌ４Ａａｍとは、両方とも、対照と比較して、オープンフィールドでは運動量が低下する。Ｓｈａｎｋ３マウスは、ストライド速度が有意に低下したけれども、他方、Ｄｅｌ４Ａａｍマウスは、より速いストライド速度を有していた（図１１Ａ、Ｃ）。三つのすべての統計モデルは、両系統において、ステップ長の示唆的な減少をまたは有意な減少を示す。Ｍ３を使用すると、Ｓｈａｎｋ３は、ステップ長およびストライド長がより長いことが決定され、他方、Ｄｅｌ４Ａａｍは、ステップおよびストライドがより短いことが決定された。全身協調では、Ｓｈａｎｋ３マウスは、鼻の位相が減少し、Ｄｅｌ４Ａａｍマウスは、尾先端の位相が増加した。これらの結果から、Ｓｈａｎｋ３とＤｅｌ４Ａａｍとの両方が、オープンフィールドでは活動量が低下しているにもかかわらず、Ｓｈａｎｋ３は、よりゆっくりとより長いストライドおよびステップをとり、他方、Ｄｅｌ４Ａａｍは、より短いステップおよびストライドを有したより速いストライドをとることが示された。両方の変異体は、全身協調においていくつかの欠陥を有している。まとめると、各ＡＳＤモデルが、いくつかの歩行障害を有していること、Ｃｎｔｎａｐ２が、最も強い表現型を有していることが、決定された。変化の方向性および表現型の分散は異なるけれども、すべてのものは、ストライド速度にいくらかの変化を示した。
系統調査
分析方法の検証後に、標準的な実験用マウス系統のオープンフィールドにおける歩行表現型および姿勢表現型の範囲を理解するために、実験が実行された。古典的な４４個の近交系実験室系統と、野生由来の７個の近交系系統と、１１個のＦ１雑種系統と、が調査された（１８９８匹の動物、１，７４０時間のビデオ）。すべての動物は、同系統であり、オスとメスとの両方が、１時間のオープンフィールドアッセイで調査された（図１４Ｅ）（Ｇｅｕｔｈｅｒ，Ｂ．Ｑ．ｅｔ ａｌ．，Ｃｏｍｍｕｎ Ｂｉｏｌ（２０１９）２：１－１１）。その後、歩行指標が、各ビデオから抽出され、データが、動物ごとのレベルで分析された（図１２Ａ～Ｂ、図１７、および図１８）。動物が、中速（２０ｃｍ／秒～３０ｃｍ／秒）で直進方向（角速度が－２０度／秒～＋２０度／秒）に移動している時に、ストライドデータが、分析された。このような選択的な分析が可能であったのは、自由に動くマウスに関する大量のデータを収集して処理し得ることによるものである。これらのマウスは、体格にかなりのばらつきがあったため、体格を調整するＭ１からの残差（Ｇｅｕｔｈｅｒ，Ｂ．Ｑ．ｅｔ ａｌ．，Ｃｏｍｍｕｎ Ｂｉｏｌ（２０１９）２：１－１１）が使用された。Ｍ１により、ＡＳＤ変異体において重要であることが決定されたストライド速度を、特徴として抽出することが可能であった。系統どうしの間における違いを可視化するために、各系統の表現型に関してｚスコアが計算され、ｋ平均クラスタリングが実行された（図１２Ｂ）。全体として、古典的な歩行および全身姿勢指標の大部分において大きな系統間変動が観察され、これは、これらの形質の遺伝率が高いことを示している。また、実験用マウスのオープンフィールド歩行動作においても、特定の系統が同様の行動を示すという新たなパターンが観察された。
オープンフィールドでの歩行表現型および姿勢表現型に基づいて系統をクラスタリングし得るかどうかを決定するために、研究が実行された。Ｃｎｔｎａｐ２変異体で行われたのと同様に、元の線形歩行特徴に対してＰＣＡを実行することで得られた主成分に対してｋ平均クラスタリングアルゴリズムが適用された。ＰＣＡとｋ平均クラスタリングアルゴリズムとの両方が、指標をユークリッド空間内にあると仮定しているため、円形位相指標は、クラスタリング分析には含まれなかった。最初の２つのＰＣは、元の特徴空間内における全分散の５３％を説明するものとして、選択された。クラスタリングの品質を評価するために、四つの基準が検討され、ｋ平均クラスタリングアルゴリズムにおける最適なクラスター数が選択され、そのすべてが、３つの最適なクラスターを示した（図２１）。オープンフィールドでの歩行挙動に基づいて区別され得る系統の三つのクラスターが存在することが決定された（図１２Ｃ～図１２Ｅ）。クラスター１は、Ａ／Ｊ、Ｃ３Ｈ／ＨｅＪ、１２９Ｓ１／ＳｖＩｍＪなどの主に古典的系統から構成され、クラスター２は、いくつかの古典的系統と、ＭＯＬＦ／ＥｉＪ、ＣＡＳＴ／ＥｉＪなどの多数の野生由来系統と、から構成されていた。クラスター３は、Ｃ５７と、参照Ｃ５７ＢＬ／６Ｊを含めた関連系統と、から主に構成されていた。各クラスターに関して鼻と尾先端とのコンセンサスストライド位相プロットが、作成された。クラスター３は、振幅が非常に大きく、他方、クラスター１および２は、振幅は同程度であるけれども、位相オフセットがシフトしていた（図１２Ｄ）。線形歩行の指標を調べると、クラスターを区別する個々の指標が明らかとされた（図１２Ｅ）。例えば、クラスター１は、ストライド長およびステップ長がより長く、クラスター３は、尾付け根および尾先端の横方向変位がより大きく、クラスター２は、鼻の横方向変位が小さかった。全体として、個々の指標の分析により、１１項目のうち９項目で有意差が明らかとなった。総合すると、この分析により、実験用マウスの歩行および全身姿勢には、高レベルの遺伝的変異があることが明らかとなった。これらの指標の多次元クラスタリングを使用した組合せ分析により、実験用マウスの歩行における三つのサブタイプが見出された。この結果は、また、参照マウス系統であるＣ５７ＢＬ／６Ｊが、他の一般的なマウス系統および野生由来系統とは異なることを示した。
ＧＷＡＳ
系統調査により、測定された歩行特徴が、非常にばらつきがあることが実証されたため、オープンフィールドにおけるマウス歩行に関する遺伝的構成要素および遺伝的アーキテクチャを調査するために、研究が実行された。ヒトのＧＷＡＳでは、歩行形質における平均と分散との両方は、大いに遺伝性である（Ａｄａｍｓ，Ｈ．Ｈ．ｅｔ ａｌ．，Ｊ ｏｆ Ｇｅｒｏｎｔｏｌ Ａ Ｂｉｏｌ Ｓｃｉ Ｍｅｄ Ｓｃｉ（２０１６）７１：７４０－７４６）。ＧＷＡＳを実施してマウスゲノムの量的形質遺伝子座（ＱＴＬ）を特定するために、各動物のストライドが、移動速度（１０ｃｍ／ｓ～１５ｃｍ／ｓ、１５ｃｍ／ｓ～２０ｃｍ／ｓ、２０ｃｍ／ｓ～２５ｃｍ／ｓ、２５ｃｍ／ｓ～３０ｃｍ／ｓ）に応じて、四つの異なるビンに区分され、各動物に関して各形質における平均および分散が計算された。ＧＥＭＭＡ（Ｚｈｏｕ，Ｘ．ａｎｄ Ｓｔｅｐｈｅｎｓ，Ｍ．Ｎａｔ Ｇｅｎｅｔ（２０１２）４４：８２１－８２４）を使用することにより、固定効果として性別および体長を考慮するとともにランダム効果として集団構造を考慮した線形混合モデルを使用して、ゲノムワイド関連分析が実施された。線形混合モデルでは、円形値を取り扱えないため、位相歩行データは、この分析から除外された。遺伝率は、型別遺伝子型によって説明される表現型分散割合（ＰＶＥ）を決定することにより、推定された（図１３Ａにおける左側のパネル）。歩行測定値の遺伝率は、広い範囲を示し、表現型の大部分は、中程度から高程度に遺伝性である。遺伝率が最も低い平均的な表現型は、角速度および時間的対称性であり、これは、歩行または旋回行動の対称性における分散が、実験用マウスにおける遺伝的分散に起因するものではないことを示している。対照的に、全身協調測定値（振幅の測定値）および従来的な歩行測定値は、中程度から高程度の遺伝性であることが判明した。表現型の分散は、平均形質の遺伝率が低い形質であっても、中程度の遺伝率を示した（図１３Ａにおける右側のパネル）。例えば、平均角速度表現型は、小さな遺伝率（ＰＶＥ＜０．１）を有しており、他方、分散角速度表現型は、中程度の遺伝率（ＰＶＥが０．２５～０．４）を有している。これらの遺伝率の結果は、歩行形質および姿勢形質が、平均形質および分散形質のＧＷＡＳに関して適切であることを示した。
有意閾値については、個体どうしの間の値（オープンフィールドでの総移動距離）を１０００回シャッフルすることにより、ＳＮＰと表現型との関連に関して経験的ｐ値補正が計算された。各順列において、０．０５（１．９×１０－５）という補正ｐ値を表す閾値を見出すために、最小ｐ値が抽出された。各ＳＮＰに関して結合されたすべての平均表現型、分散表現型、および両方のクラスにわたって最小ｐ値を取得することで、結合マンハッタンプロットが作成された（図１３Ｂ～Ｄ）。各ＳＮＰは、最小ｐ値を有したＳＮＰに関連した表現型に従って色付けされている。異なる速度のビンは、通常、表現型ごとに一貫しており、ＳＮＰごとに四つのビンの最小ｐ値を取得することにより、同じ表現型のすべてのビンを組み合わせることが決定された。
平均形質に関して２３９個のＱＴＬが、分散形質に関して２３９個のＱＴＬが、決定された（図１３Ｂ～Ｃ）。最も遺伝性の低い表現型である平均角速度は、一つの有意な関連ゲノム領域しか示さず、角速度の分散は、５３の関連ゲノム座を有していた。最も多くの関連座位を有した表現型は、９５個の座位を有したストライド数であった。全体として、すべての表現型を一緒に考慮すると、少なくとも一つの表現型に関連した４００個の有意なゲノム領域が見出され（図２２）、これは、平均表現型と分散表現型との両方に関して、７８個のＱＴＬだけしか特定されていないことを示している。大部分の表現型では、特徴の平均に関連したＱＴＬとその分散に関連したＱＴＬとの間に重複がないように限定されていた。注目すべきことに、平均時間対称性に関連したＱＴＬと分散時間対称性に関連したＱＴＬとは、多くの重複領域を有していた。平均表現型に関連した２８個の遺伝子座と、分散に関連した５２個の遺伝子座と、のうち、１０個のＱＴＬが重複していた。これらのデータは、マウスの平均形質における遺伝的構造と分散形質における遺伝的構造とが、大いに独立的であることを主張している。これらの結果は、また、オープンフィールドにおけるマウスの歩行および姿勢に関する遺伝的状況を概説し始める。
考察
歩行および姿勢は、健康の重要な指標であり、多くの神経疾患、神経筋疾患、および神経精神疾患に影響している。これらの実験の目的は、マウスに関してポーズ推定を行い得るとともにポーズから重要な歩行指標および姿勢指標を抽出し得るような単純で信頼性の高い自動システムを開発することであった。本明細書における情報は、研究者が、オープンフィールド分析用に使用されるビデオ撮像システムを、歩行指標を抽出するように、適応させることを可能とする解決手法を提示している。このアプローチは、いくつかの明確な利点と限界とを有している。この方法では、取得される必要があるデータが、オープンフィールド内のマウスに関する平面視グレースケールビデオだけであることのために、さらに、その後のポーズ推定および歩行指標抽出のすべてが、完全に自動化されていることのために、少ない労力および低コストで大量のデータを処理することができる。この方法は、高価な専用機器を必要としないことのために、マウスがオープンフィールドに慣れるまでの時間を与えることも可能であり、長期間にわたってデータを収集することも可能である。加えて、本発明の方法では、動物が慣れ親しんだ環境内において自らの意思で動く（強制されない行動）ことを可能とし、動物行動学的により適切なアッセイとなる（Ｊａｃｏｂｓ，Ｂ．Ｙ．ｅｔ ａｌ．，Ｃｕｒｒ Ｐａｉｎ Ｈｅａｄａｃｈｅ Ｒｅｐ（２０１４）１８：４５６）。ビデオ手法を使用しているため、歩行の運動特性を測定することはできなかった（Ｌａｋｅｓ，Ｅ．Ｈ．＆ Ａｌｌｅｎ，Ｋ．Ｄ．Ｏｓｔｅｏａｒｔｈｒ Ｃａｒｔｉｌ（２０１６）２４：１８３７－１８４９）。また、平面視ビデオを使用するという決定は、いくつかのポーズキーポイントがマウスの身体によって遮られることが多いことを意味した。ポーズ推定ネットワークは、後肢の場合のように、ある程度の遮蔽に対して堅牢であるものの、前肢に関しては、歩行時にはほとんど常に遮蔽されているため、ポーズ推定値があまりにも不正確であることのために、分析からは除外された。いずれにせよ、試験されたすべての遺伝モデルにおいて、後肢のデータは、歩行および体勢における明確な違いを検出するのに充分であった。加えて、自由に動く動物に関する大量のデータを分析する能力は、歩行とみなされるものに関する非常に厳格な発見的規則があったとしても、高感度であることが証明された。
抽出された歩行指標は、実験では一般的に定量化されている（例えば、歩隔およびストライド長）けれども、尾の横方向変位および位相（ストライド時におけるキーポイントの位相および振幅）などの全身協調に関する測定値は、げっ歯類の歩行実験では、典型的には測定されない。歩行および全身姿勢は、精神疾患の内部表現型ｓａｎｄｅｒｓ２０１０ｇａｉｔ、ｌｉｃａｒｉ２０２０ｐｒｅｖａｌｅｎｃｅ、ｆｌｙｃｋｔ１９９９ｎｅｕｒｏｌｏｇｉｃａｌ、ｗａｌｔｈｅｒ２０１２ｍｏｔｏｒとして、ヒトにおいて頻繁に測定される。マウスを使用した本明細書で説明する研究の結果は、歩行および全身協調性の測定が、遺伝性が高く、疾患モデルでは混乱することを示している。具体的には、試験は、神経変性モデル（Ｓｏｄ１）、神経発達モデル（ダウン症候群、Ｍｅｃｐ２）、およびＡＳＤモデル（Ｃｎｔｎａｐ２、Ｓｈａｎｋ３、ＦＭＲ１、Ｄｅｌ４Ａｍ）を評価するために実行され、これらのすべての変異体において、歩行の特徴が変化していることが確認された。他のものとして、また、神経変性モデルｍａｃｈａｄｏ２０１５ｑｕａｎｔｉｔａｔｉｖｅの場合でも、同様の結果が見出されている。注目すべきものは、ダウン症候群に関するデータである。ヒトでは、協調性の欠如および不器用さが、ダウン症候群の顕著な特徴である。マウスモデルでは、この協調性の欠如は、インクブロット歩行アッセイにおいて、後肢の足跡の乱れとして、以前に特徴付けられていた。ここでは、分析により、対照マウスとＴｎ６５Ｄｎマウスとの間で、全身協調性の乱れに違いがあることが明らかになった。よって、本明細書で説明するアプローチは、以前は定性的であった形質を定量化することを可能とした。
歩行および姿勢に関して多数のマウス系統を分析したことにより、全体的な動きに関して三つの異なるクラスが特定された。参照Ｃ５７ＢＬ／６Ｊおよび関連系統は、他の一般的な実験室系統とも異なる、また、野生由来系統とも異なる、別のクラスターに属することが判明した。主な違いは、Ｃ５７ＢＬ／６および関連系統における尾の動きと鼻の動きとに関する大きな振幅に見られた。このことは、異なる遺伝的背景において歩行および姿勢を分析する時には、重要であり得る。ＧＷＡＳにより、平均表現型および分散表現型の両方に関して、オープンフィールドでの歩行および姿勢について４００個のＱＴＬが明らかになった。形質の平均および分散が、異なる遺伝子座によって制御されることが判明した。実際、本発明の方法により、遺伝率が低い平均形質であっても、大部分の分散表現型が中程度の遺伝率を示すことが特定された。ヒトのＧＷＡＳは、検出力の低いサンプルではあるけれども、歩行および姿勢に関して実施されており、その結果、遺伝率の推定値は良好ではあったが、有意に関連した遺伝子座の遺伝率はわずかであった。マウスに関してここで提示された結果は、ヒトを対象とした充分に根拠のある研究を行えば、歩行および姿勢を制御する何百もの遺伝的因子を特定し得る可能性があるという結論を支持するものである。
実施例２
デバイスおよびシステム
システム１５０の機械学習モデルの一つまたは複数は、ニューラルネットワークを含めた多くの形態をとってもよい。ニューラルネットワークは、入力層から出力層までにわたって、いくつかの層を含んでもよい。各層は、特定タイプのデータを入力として導入するように、さらに、別のタイプのデータを出力するように、構成されている。ある層からの出力は、次の層に対する入力として導入される。特定の層における入力データ／出力データの値は、ニューラルネットワークが実行時に実際に動作するまで不明であるけれども、ニューラルネットワークを記述するデータは、ニューラルネットワークの層の構造、パラメータ、および動作を記述する。
ニューラルネットワークの中間層の一つまたは複数は、また、隠れ層として知られ得る。隠れ層の各ノードは、入力層の各ノードに対して、および出力層の各ノードに対して、接続される。ニューラルネットワークが複数の中間ネットワークを含む場合、隠れ層の各ノードは、次の上位層内の、および次の下位層内の、各ノードに対して接続されることとなる。入力層の各ノードは、ニューラルネットワークに対する電位入力を表し、出力層の各ノードは、ニューラルネットワークからの電位出力を表す。あるノードから次の層内の別のノードに対する各接続は、重みまたはスコアと関連付けられてもよい。ニューラルネットワークは、単一の出力を出力してもよい、あるいは、重み付けされた一組をなす複数の予想出力を出力してもよい。
いくつかの実施形態では、ニューラルネットワークは、畳み込みニューラルネットワーク（ＣＮＮ）であってもよく、このＣＮＮは、多層パーセプトロンの正規化バージョンであってもよい。多層パーセプトロンは、完全に接続されたネットワークであってもよい、すなわち、一つの層内における各ニューロンが次の層内におけるすべてのニューロンに対して接続されたネットワークであってもよい。
一態様では、ニューラルネットワークは、ネットワークの隠れ層の出力が次の入力セットのために再び隠れ層内へとフィードバックするように、反復接続で構築されてもよい。入力層の各ノードは、隠れ層の各ノードに対して接続する。隠れ層の各ノードは、出力層の各ノードに対して接続する。隠れ層の出力は、次の入力セットを処理するために、隠れ層内へとフィードバックされる。反復接続を組み込んだニューラルネットワークは、反復ニューラルネットワーク（ＲＮＮ）と称され得る。
いくつかの実施形態では、ニューラルネットワークは、長短期メモリ（ＬＳＴＭ）ネットワークであってもよい。いくつかの実施形態では、ＬＳＴＭは、双方向性ＬＳＴＭであってもよい。双方向性ＬＳＴＭは、二つの時間方向からの入力を実行するものであり、一つは、過去の状態から将来の状態への入力であり、一つは、将来の状態から過去の状態への入力であり、ここで、過去の状態は、第一時間フレームに対するビデオデータの特徴に対応してもよく、将来の状態は、後続の第二時間フレームに対するビデオデータの特徴に対応してもよい。
ニューラルネットワークによる処理は、各ノード入力上の学習された重みと、ネットワークの構造と、によって決定される。特定の入力が与えられると、ニューラルネットワークは、ネットワーク全体の出力層が計算されるまで、一度に１層ずつ出力を決定する。
接続重みは、訓練時にニューラルネットワークによって最初に学習されることができ、与えられた入力が既知の出力と関連付けられる。訓練データのセットでは、様々な訓練例が、ネットワーク内へと供給される。各例では、通常、入力から出力までの正しい接続の重みを、１に設定し、すべての接続に対して、０の重みを与える。訓練データの例が、ニューラルネットワークによって処理された際には、入力が、ネットワークに対して送信されてもよく、関連付けられた出力と比較されることで、ネットワーク性能を標的性能と比較するための方法が決定されてもよい。バックプロパゲーションなどの訓練技術を使用して、ニューラルネットワークの重みを更新して、訓練データを処理する時にニューラルネットワークによって生じる誤差を低減してもよい。
様々な機械学習技術を使用して、ユーザ認識特徴抽出、符号化、ユーザ認識スコアリング、ユーザ認識信頼度判定、等など、本明細書で説明する様々なステップを実施するためのモデルを訓練および操作してもよい。モデルは、様々な機械学習技術に従って訓練および操作されてもよい。このような技術には、例えば、ニューラルネットワーク（深層ニューラルネットワークおよび／または反復ニューラルネットワーク、など）、推論エンジン、訓練された分類器、等が含まれ得る。訓練された分類器の例としては、支持ベクターマシン（ＳＶＭｓ）、ニューラルネットワーク、決定木、決定木と組み合わせたＡｄａＢｏｏｓｔ（「適応ブースト」の略）、およびランダムフォレスト、が挙げられる。例としてＳＶＭに焦点を当てると、ＳＶＭは、データを分析してデータ内のパターンを認識する関連学習アルゴリズムを有した教師あり学習モデルであり、この教師あり学習モデルは、分類および回帰分析のために一般的に使用される。二つのカテゴリーのいずれかに属するものとしてそれぞれがマークされた一組をなす複数の訓練例が与えられると、ＳＶＭ訓練アルゴリズムは、新たな例を一方のカテゴリーまたは他方のカテゴリーに割り当てるモデルを構築し、それを非確率的なバイナリ線形分類器とする。より複雑なＳＶＭモデルは、三つ以上のカテゴリーを識別する訓練セットを有して構築されてもよく、ＳＶＭは、どのカテゴリーが入力データに対して最も類似しているかを判定する。ＳＶＭモデルは、別個のカテゴリーの例が明確なギャップによって分割されるようにマッピングされてもよい。次に、新たな例が同じ空間にマッピングされ、ギャップのどちら側に該当するかに基づいてカテゴリーに属すると予測される。分類器は、データがどのカテゴリーに最も一致するかを示す「スコア」を発行してもよい。スコアは、データがどの程度密接にカテゴリーに対して一致しているかの指標を提供してもよい。
機械学習技術を適用するためには、機械学習プロセス自体を訓練する必要がある。この場合、第一モデルまたは第二モデルの一方などの機械学習構成要素を訓練するためには、訓練例に関する「グランドトゥルース」を確立する必要がある。機械学習において、「グランドトゥルース」という用語は、教師あり学習技術に関する訓練セットの分類の正確性を指す。バックプロパゲーション、統計学習、教師あり学習、半教師あり学習、確率学習、または他の既知の技術を含めた、様々な技術が、モデルの訓練するために使用されてもよい。
図２３は、システムとともに使用され得るデバイス１６００を概念的に図示したブロック図である。図２４は、ビデオデータの処理、対象の挙動の識別、等を支援し得るシステム１５０などの遠隔デバイスに関して、その例示的な構成要素を概念的に図示したブロック図である。システム１５０は、一つまたは複数のサーバを含んでもよい。本明細書で使用された際には、「サーバ」は、サーバ／クライアントコンピューティング構造で理解されるような従来的なサーバを指し得るけれども、本明細書で説明する操作を補助し得る多数の異なるコンピューティング構成要素を指す場合もある。例えば、サーバは、物理的におよび／またはネットワークを介して他のデバイス／構成要素に対して接続されているとともにコンピューティング動作を実行し得るような、一つまたは複数の物理的コンピューティング構成要素（ラックサーバなど）を含んでもよい。サーバは、また、コンピュータシステムをエミュレートするとともに一つのデバイス上で実行されるまたは複数のデバイスにわたって実行される、一つまたは複数の仮想マシンを含んでもよい。サーバは、また、本明細書で説明する動作を実行するための、ハードウェア、ソフトウェア、ファームウェア、または同種のもの、に関する他の組合せを含んでもよい。サーバは、クライアントサーバモデル、コンピュータビューロモデル、グリッドコンピューティング技術、フォグコンピューティング技術、メインフレーム技術、ユーティリティコンピューティング技術、ピアツーピアモデル、サンドボックス技術、もしくは他のコンピューティング技術、の一つまたは複数を使用して動作するように構成されてもよい。
キーポイント／身体部分追跡を実行するための一つまたは複数のシステム１５０、歩行指標抽出のための一つまたは複数のシステム１５０、姿勢指標抽出のための一つまたは複数のシステム１５０、統計分析のための一つまたは複数のシステム１５０、システムを訓練／構成するための一つまたは複数のシステム１５０、等などの、複数のシステム１５０が、本開示の全体的システム内に含まれてもよい。動作時には、これらのシステムのそれぞれは、以下でさらに説明するように、それぞれのデバイス１５０上に存在するコンピュータ可読命令およびコンピュータ実行可能命令を含んでもよい。
これらのデバイス（１６００／１５０）のそれぞれは、一つまたは複数のコントローラ／プロセッサ（１６０４／１７０４）を含んでもよく、各コントローラは、データおよびコンピュータ可読命令を処理するための中央処理ユニット（ＣＰＵ）と、それぞれのデバイスのデータおよび命令を格納するためのメモリ（１６０６／１７０６）と、を含んでもよい。メモリ（１６０６／１７０６）は、揮発性ランダムアクセスメモリ（ＲＡＭ）、不揮発性読み出し専用メモリ（ＲＯＭ）、不揮発性磁気抵抗メモリ（ＭＲＡＭ）、および／または他のタイプのメモリを、個々に含んでもよい。各デバイス（１６００／１５０）は、また、データおよびコントローラ／プロセッサ実行可能命令を格納するためのデータ記憶構成要素（１６０８／１７０８）を含んでもよい。各データ記憶構成要素（１６０８／１７０８）は、磁気記憶装置、光記憶装置、ソリッドステートストレージなどの、一つまたは複数の不揮発性記憶タイプを個々に含んでもよい。各デバイス（１６００／１５０）は、また、それぞれの入力／出力デバイスインターフェース（１６０２／１７０２）を介して、リムーバブルなもしくは外部の不揮発性メモリおよび／またはストレージ（リムーバブルメモリカード、メモリキードライブ、ネットワークストレージ、等など）に対して接続されてもよい。
各デバイス（１６００／１５０）およびその様々な構成要素を動作させるためのコンピュータ命令は、実行時にメモリ（１６０６／１７０６）を一時的な「作業」ストレージとして使用して、それぞれのデバイスのコントローラ／プロセッサ（１６０４／１７０４）によって実行されてもよい。デバイスのコンピュータ命令は、不揮発性メモリ（１６０６／１７０６）内に、ストレージ（１６０８／１７０８）内に、または外部デバイス内に、非一時的様式で格納されてもよい。代替的に、実行可能命令の一部または全部は、ソフトウェアに加えてまたはソフトウェアの代わりに、それぞれのデバイス上のハードウェアまたはファームウェア内に埋め込まれてもよい。
各デバイス（１６００／１５０）は、入力／出力デバイスインターフェース（１６０２／１７０２）を含む。以下でさらに説明するように、様々な構成要素が、入力／出力デバイスインターフェース（１６０２／１７０２）を介して接続されてもよい。加えて、各デバイス（１６００／１５０）は、各デバイスの構成要素どうしの間でデータを伝送するためのアドレス／データバス（１６２４／１７２４）を含んでもよい。デバイス（１６００／１５０）内の各構成要素は、また、バス（１６２４／１７２４）を介して他の構成要素に対して接続されることに加えて（またはその代わりに）、他の構成要素に対して直接的に接続されてもよい。
図２３を参照すると、デバイス１６００は、スピーカ１６１２、有線ヘッドセットもしくは無線ヘッドセット（図示せず）、またはオーディオを出力し得る他の構成要素といったようなオーディオ出力構成要素などの、様々な構成要素に対して接続する入力／出力デバイスインターフェース１６０２を含んでもよい。デバイス１６００は、追加的に、コンテンツを表示するためのディスプレイ１６１６を含んでもよい。デバイス１６００は、カメラ１６１８をさらに含んでもよい。
アンテナ１６１４を介して、入力／出力デバイスインターフェース１６０２は、無線ローカルエリアネットワーク（ＷＬＡＮ）（ＷｉＦｉなど）ラジオ、Ｂｌｕｅｔｏｏｔｈ、および／または、無線ネットワークラジオ、例えば、ロングタームエボリューション（ＬＴＥ）ネットワーク、ＷｉＭＡＸネットワーク、３Ｇネットワーク、４Ｇネットワーク、５Ｇネットワークなどの無線通信ネットワークと通信可能なラジオ、を介して、一つまたは複数のネットワーク１９９に対して接続されてもよい。イーサネットなどの有線接続も、また、サポートされてもよい。ネットワーク１９９を介して、システムは、ネットワーク環境にわたって分散されてもよい。Ｉ／Ｏデバイスインターフェース（１６０２／１７０２）は、また、サーバまたは他の構成要素の集合において、異なる物理サーバなどのデバイスどうしの間でデータを交換することを可能とする通信構成要素を含んでもよい。
デバイス１６００またはシステム１５０の構成要素は、それら自身の専用プロセッサ、メモリ、および／またはストレージを含んでもよい。代替的に、デバイス１６００またはシステム１５０の構成要素の一つあるいは複数は、デバイス１６００、またはシステム１５０の、Ｉ／Ｏインターフェース（１６０２／１７０２）、プロセッサ（１６０４／１７０４）、メモリ（１６０６／１７０６）、および／またはストレージ（１６０８／１７０８）を、それぞれ利用してもよい。
上述のように、複数のデバイスが、単一のシステム内で採用されてもよい。このようなマルチデバイスシステムでは、デバイスのそれぞれは、システムの処理の異なる態様を実行するための異なる構成要素を含んでもよい。複数のデバイスは、重複した構成要素を含んでもよい。本明細書で説明するデバイス１６００およびシステム１５０の構成要素は、例示的であり、スタンドアローンデバイスとして配置されてもよく、あるいは、より大きなデバイスまたはシステムの構成要素として全体的にもしくは部分的に含まれてもよい。
本明細書で開示する概念は、例えば、汎用コンピューティングシステム、ビデオ／画像処理システム、および分散コンピューティング環境を含めた、多数の異なるデバイスならびにコンピュータシステム内で適用されてもよい。
本開示の上記の態様は、例示的であることを意味している。それらは、本開示の原理および用途を説明するために選択されたものであり、網羅的であることまたは本開示を限定することを意図するものではない。開示する態様に関する多くの修正および変形は、当業者には明らかであり得る。コンピュータおよび音声処理の分野における当業者であれば、本明細書で説明する構成要素およびプロセスステップが、他の構成要素もしくはステップに対して、または構成要素もしくはステップの組合せに対して、互換性があり得ること、それでもなお本開示の利点および利益を達成し得ることは、認識されよう。その上、本開示が、本明細書で開示する特定の詳細およびステップの一部あるいは全部がなくても実施され得ることは、当業者には明らかであろう。
開示するシステムの態様は、コンピュータ方法として、または、メモリデバイスもしくは非一時的コンピュータ可読記憶媒体などの製造物品として、実装されてもよい。コンピュータ可読記憶媒体は、コンピュータによって可読であってもよく、コンピュータまたは他のデバイスに本開示で説明するプロセスを実行させるための命令を含んでもよい。コンピュータ可読記憶媒体は、揮発性コンピュータメモリ、不揮発性コンピュータメモリ、ハードドライブ、ソリッドステートメモリ、フラッシュドライブ、リムーバブルディスク、および／または他の媒体、によって実装されてもよい。加えて、システムの構成要素は、ファームウェアまたはハードウェアとして実装されてもよい。
等価物
本発明のいくつかの実施形態が本明細書に説明および図示されているが、当業者であれば、機能を実施するための、ならびに／あるいは、本明細書で説明する結果および／または一つまたは複数の利点を取得するための、様々な他の手段および／または構造を容易に思い描くことができ、このような変形および／または修正のそれぞれは、本発明の範囲内であると見なされる。より一般的には、当業者であれば、本明細書で説明するすべてのパラメータ、寸法、材料、および構成が、例示的であることを意味していることは、また、実際のパラメータ、寸法、材料、および／または構成が、本発明の教示が使用される特定の一つまたは複数の用途に依存することは、容易に理解されよう。当業者であれば、本明細書で説明する本発明の特定の実施形態に対する多くの等価物を理解されよう、あるいは、それら等価物を、日常的な実験のみを使用して確認し得るであろう。したがって、前述の実施形態が、例示のみによって提示されていることは、理解されよう、また、添付の特許請求の範囲内においておよびその等価物の範囲内において、本発明が、具体的に記載されて特許請求の範囲に記載されているもの以外の方法で実施され得ることは、理解されよう。本発明は、本明細書で説明する個々の、特徴、システム、物品、材料、および／または方法、を対象とする。加えて、そのような特徴、システム、物品、材料、および／または方法が相互に矛盾しない場合には、二つ以上のそのような特徴、システム、物品、材料、および／または方法に関する任意の組合せは、本発明の範囲内に含まれる。本明細書で定義して使用されるすべての定義が、辞書の定義、参照により援用される文書における定義、および／または、定義された用語に関する通常的な意味合いを統制することは、理解されよう。
本明細書および特許請求の範囲において本明細書で使用された際には、不定冠詞「ａ」および「ａｎ」が、明確に反対の趣旨が示されていない限り、「少なくとも一つの」を意味することは、理解されよう。本明細書および特許請求の範囲において本明細書で使用された際には、「および／または」という語句が、そのように結合される要素の「いずれかまたは両方」を、すなわち、いくつかの事例では結合的に存在しており他の事例には分離的に存在している要素の「いずれかまたは両方」を、意味することは、理解されよう。明示的にこれと異なることが示される場合を除き、具体的に識別された要素と関連しているかまたは無関係であるかに関わらず、他の要素は、任意選択的に、「および／または」という語句によって具体的に識別された要素以外に存在してもよい。
本明細書で使用される、とりわけ「ｃａｎ」、「ｃｏｕｌｄ」、「ｍｉｇｈｔ」、「ｍａｙ」、「ｅ．ｇ．，」、および同種のものなどの、条件付き文言は、特に別段の記載がない限りまたは使用される文脈内で別途に理解されない限り、特定の実施形態が、特定の特徴、要素および／またはステップを含む一方で、他の実施形態はそれらを含まないことを伝えることが概して意図されている。よって、このような条件付き文言は、特徴、要素、および／またはステップが一つまたは複数の実施形態に関して何らかの態様で必要とされること、あるいは、一つまたは複数の実施形態が、他の入力または促しの有無にかかわらずこれらの特徴、要素、および／またはステップが任意の特定の実施形態に含まれるかあるいは任意の特定の実施形態の中で実行されるかどうかを決定するための論理を必ず含むことを意味することを、一般的に意図するものではない。「含む（ｃｏｍｐｒｉｓｉｎｇ）」、「含む（ｉｎｃｌｕｄｉｎｇ）」、「有する（ｈａｖｉｎｇ）」および同種の用語は、同義であり、包括的に、オープンエンドの様式で使用され、追加の要素、特徴、行為、操作、および同種のものを排除するものではない。また、「または」という用語は、包括的な意味で（排他的な意味ではなく）使用されるため、例えば、要素のリストを接続するために使用された時には、「または」という用語は、リスト内の、一つの要素、いくつかの要素、またはすべての要素、を意味する。
本出願において引用もしくは言及されるすべての文献、特許、および特許出願、ならびに刊行物は、それらの全体が参照により本明細書に組み込まれる。
特許請求の範囲は、以下の通りである。

Claims (55)

  1. コンピュータ実装方法であって、
    対象の動きを取り込んだビデオを表すビデオデータを受信することと、
    前記ビデオデータを処理することにより、ある期間にわたっての、前記対象の一組をなす複数の身体部分に関して、動きを追跡した点データを特定することと、
    前記点データを使用して、前記期間時に前記ビデオデータ内に表された、複数の立脚期と、対応した複数の遊脚期と、を決定することと、
    前記複数の立脚期と前記複数の遊脚期とに基づいて、前記期間時に前記ビデオデータ内に表された複数のストライド間隔を決定することと、
    前記点データを使用して、前記対象に関する指標データを決定することであって、前記指標データは、前記複数のストライド間隔の各ストライド間隔に基づく、決定することと、
    前記対象に関する前記指標データを、対照指標データと比較することと、
    前記比較に基づいて、前記対象に関する指標データと前記対照指標データとの間における差異を決定することと、を含む、コンピュータ実装方法。
  2. 前記一組をなす複数の身体部分は、鼻と、首付け根と、脊椎中間部と、左後肢と、右後肢と、尾付け根と、尾中間部と、尾先端と、を含み、
    前記複数の立脚期と前記複数の遊脚期とは、前記左後肢および前記右後肢の移動速度の変化に基づいて決定される、請求項１に記載のコンピュータ実装方法。
  3. 前記左後肢または前記右後肢のつま先離地イベントに基づいて、前記複数の立脚期の第一立脚期からの、および前記複数の遊脚期の第一遊脚期からの、移行を決定することと、
    前記左後肢または前記右後肢の足接地イベントに基づいて、前記複数の遊脚期の第二遊脚期から、前記複数の立脚期の第二立脚期への、移行を決定することと、をさらに含む、請求項２に記載のコンピュータ実装方法。
  4. 前記指標データは、各ストライド間隔時における前記対象の歩行測定値に対応している、請求項１に記載のコンピュータ実装方法。
  5. 前記一組をなす複数の身体部分は、左後肢と右後肢とを含み、前記指標データを決定することは、
    前記点データを使用して、各ストライド間隔に関するステップ長を決定することであって、前記ステップ長が、前記右後肢が直前の前記左後肢の接地を超えて移動する距離を表す、決定することと、
    前記点データを使用して、前記各ストライド間隔に関して使用されるストライド長を決定することであって、前記ストライド長が、前記各ストライド間隔時に前記左後肢が移動する距離を表す、決定することと、
    前記点データを使用して、前記各ストライド間隔に関する歩隔を決定することであって、前記歩隔が、前記左後肢と前記右後肢との間の距離を表す、決定することと、を含む、請求項１または４に記載のコンピュータ実装方法。
  6. 前記一組をなす複数の身体部分は、尾付け根を含み、前記指標データを決定することは、
    前記点データを使用して、前記各ストライド間隔に関する前記尾付け根の動きに基づいて、前記対象の速度データを決定することを含む、請求項１または４に記載のコンピュータ実装方法。
  7. 前記一組をなす複数の身体部分は、尾付け根を含み、前記指標データを決定することは、
    前記点データを使用して、前記複数のストライド間隔のあるストライド間隔を表す一組をなす複数のフレーム時における前記尾付け根の動きに基づいて、前記対象に関する一組をなす複数の速度データを決定することと、
    前記一組をなす複数の速度データを平均化することにより、前記ストライド間隔に関するストライド速度を決定することと、を含む、請求項１または４に記載のコンピュータ実装方法。
  8. 前記一組をなす複数の身体部分は、右後肢と左後肢とを含み、前記指標データを決定することは、
    前記点データを使用して、前記複数のストライド間隔のあるストライド間隔時に前記右後肢が地面に対して接触している時間量を表す第一立脚持続時間を決定することと、
    前記第一立脚持続時間と前記ストライド間隔の持続時間とに基づいて、第一負荷係数を決定することと、
    前記点データを使用して、前記ストライド間隔時に前記左後肢が地面に対して接触している時間量を表す第二立脚持続時間を決定することと、
    前記第二立脚持続時間と前記ストライド間隔の前記持続時間とに基づいて、第二負荷係数を決定することと、
    前記第一負荷係数と前記第二負荷係数とに基づいて、前記ストライド間隔に関する平均負荷係数を決定することと、を含む、請求項１または４に記載のコンピュータ実装方法。
  9. 前記一組をなす複数の身体部分は、尾付け根と首付け根とを含み、前記指標データを決定することは、
    前記点データを使用して、前記複数のストライド間隔のあるストライド間隔を表す一組をなす複数のフレーム時に、前記尾付け根と前記首付け根とを結ぶ一組をなす複数のベクトルを決定することと、
    前記一組をなす複数のベクトルを使用して、前記ストライド間隔に関する前記対象の角速度を決定することと、を含む、請求項１または４に記載のコンピュータ実装方法。
  10. 前記指標データは、各ストライド間隔時における前記対象の姿勢測定値に対応している、請求項１に記載のコンピュータ実装方法。
  11. 前記一組をなす複数の身体部分は、前記対象の脊椎中間部を含み、
    前記複数のストライド間隔のあるストライド間隔は、前記ビデオデータの一組をなす複数のフレームに対して関連付けられており、
    前記指標データを決定することは、前記点データを使用して、前記ストライド間隔に関する変位ベクトルを決定することを含み、前記変位ベクトルは、前記一組をなす複数のフレームにおける最初のフレーム内に表された前記脊椎中間部と、前記一組をなす複数のフレームにおける最後のフレーム内に表された前記脊椎中間部と、を結ぶ、請求項１または１０に記載のコンピュータ実装方法。
  12. 前記一組をなす複数の身体部分は、前記対象の鼻をさらに含み、前記指標データを決定することは、
    前記点データを使用して、前記一組をなす複数のフレームの各フレームに関する前記変位ベクトルからの前記鼻の垂直距離に基づいて、前記ストライド間隔に関する前記鼻の一組をなす複数の横方向変位を決定することを含む、請求項１１に記載のコンピュータ実装方法。
  13. 前記鼻の前記横方向変位は、前記対象の体長にさらに基づく、請求項１２に記載のコンピュータ実装方法。
  14. 前記指標データを決定することは、
    前記鼻の前記一組をなす複数の横方向変位を使用して補間を実行することにより、前記ストライド間隔に関する前記鼻の横方向変位の滑らかな曲線を生成することと、
    前記鼻の前記横方向変位の滑らかな曲線を使用して、前記鼻の最大変位が前記ストライド間隔時のどの時点で発生したかを決定することと、
    前記鼻の前記最大変位が発生した時に完了した前記ストライド間隔のパーセントを表すパーセントストライド位置を決定することと、を行うことにより、尾先端の変位位相オフセットを決定することをさらに含む、請求項１２に記載のコンピュータ実装方法。
  15. 前記一組をなす複数の身体部分は、前記対象の尾付け根をさらに含み、前記指標データを決定することは、
    前記点データを使用して、前記一組をなす複数のフレーム内の各フレームに関する前記変位ベクトルからの前記尾付け根の垂直距離に基づいて、前記ストライド間隔に関する前記尾付け根の一組をなす複数の横方向変位を決定することを含む、請求項１１に記載のコンピュータ実装方法。
  16. 前記指標データを決定することは、
    前記尾付け根の前記一組をなす複数の横方向変位を使用して補間を実行することにより、前記ストライド間隔に関する前記尾付け根の横方向変位の滑らかな曲線を生成することと、
    前記尾付け根の前記横方向変位の滑らかな曲線を使用して、前記尾付け根の最大変位が前記ストライド間隔時のどの時点で発生したかを決定することと、
    前記尾付け根の前記最大変位が発生した時に完了した前記ストライド間隔のパーセントを表すパーセントストライド位置を決定することと、を行うことにより、尾付け根の変位位相オフセットを決定することをさらに含む、請求項１５に記載のコンピュータ実装方法。
  17. 前記一組をなす複数の身体部分は、前記対象の尾先端をさらに含み、前記指標データを決定することは、
    前記点データを使用して、前記一組をなす複数のフレーム内の各フレームに関する前記変位ベクトルからの前記尾先端の垂直距離に基づいて、前記ストライド間隔に関する前記尾先端の一組をなす複数の横方向変位を決定することを含む、請求項１１に記載のコンピュータ実装方法。
  18. 前記指標データを決定することは、
    前記尾先端の前記一組をなす複数の横方向変位を使用して補間を実行することにより、前記ストライド間隔に関する前記尾先端の横方向変位の滑らかな曲線を生成することと、
    前記尾先端の前記横方向変位の滑らかな曲線を使用して、前記尾先端の最大変位が前記ストライド間隔時のどの時点で発生したかを決定することと、
    前記尾先端の前記最大変位が発生した時に完了した前記ストライド間隔のパーセントを表すパーセントストライド位置を決定することと、を行うことにより、尾先端の変位位相オフセットを決定することをさらに含む、請求項１７に記載のコンピュータ実装方法。
  19. 前記ビデオデータを処理することは、機械学習モデルを使用して前記ビデオデータを処理することを含む、請求項１１に記載のコンピュータ実装方法。
  20. 前記ビデオデータを処理することは、ニューラルネットワークモデルを使用して前記ビデオデータを処理することを含む、請求項１に記載のコンピュータ実装方法。
  21. 前記ビデオは、平面視視界でオープンアリーナ内の前記対象の対象決定移動を取り込む、請求項１に記載のコンピュータ実装方法。
  22. 前記対照指標データは、一つの対照生物または複数の対照生物から取得される、請求項１に記載のコンピュータ実装方法。
  23. 前記対象は、生物であり、前記対照生物と前記対象生物とは、同種である、請求項２２に記載のコンピュータ実装方法。
  24. 前記対照生物は、前記種に関する実験室系統とされ、任意選択的に、前記実験室系統は、図１４Ｅに列挙されたものである、請求項２３に記載のコンピュータ実装方法。
  25. 前記対照指標データと比較した際の、前記対象の指標データにおける統計的に有意な差異は、前記対照生物の表現型と比較した際の、前記対象の表現型における差異を示す、請求項２２に記載のコンピュータ実装方法。
  26. 前記表現型における差異は、前記対象における疾患または病態の存在を示す、請求項２５に記載のコンピュータ実装方法。
  27. 前記表現型における差異は、前記対象の遺伝的背景と前記対照生物の遺伝的背景との間における差異を示す、請求項２５または２６に記載のコンピュータ実装方法。
  28. 前記対象の指標データと前記対照指標データとにおける統計的に有意な差異は、前記対照生物の遺伝子型と比較した際の、前記対象の遺伝子型における差異を示す、請求項２２に記載のコンピュータ実装方法。
  29. 前記遺伝子型における前記差異は、前記対象と前記対照生物との間における系統の差異を示す、請求項２８に記載のコンピュータ実装方法。
  30. 前記遺伝子型における前記差異は、前記対象における疾患または病態の存在を示す、請求項２８に記載のコンピュータ実装方法。
  31. 前記対照指標データは、前記対照のストライド長と、前記対照のステップ長と、前記対照の歩隔と、を含む要素に対応しており、前記対象の指標データは、前記期間時における前記対象のストライド長と、前記期間時における前記対象のステップ長と、前記期間時における前記対象の歩隔と、を含む要素を含み、前記対照データの一つまたは複数の前記要素と、前記指標データの一つまたは複数の前記要素と、の間における差異は、前記対象と前記対照との間における表現型の差異を示す、請求項１に記載のコンピュータ実装方法。
  32. 疾患または病態に対する候補化合物の効果の存在を決定するための方法であって、
    対象に関する第一指標データを取得することであって、前記取得のための手段は、請求項１～３１のいずれか一項に記載のコンピュータ生成方法を含み、前記対象は、前記疾患または病態を有する、あるいは、前記疾患または病態に関する動物モデルである、取得することと、
    前記対象に対して前記候補化合物を投与することと、
    前記生物に関する投与後指標データを取得することと、
    前記第一指標データと前記投与後指標データとを比較することであって、前記第一指標データと前記投与後指標データとの差異は、前記疾患または病態に対する前記候補化合物の効果を特定する、比較することと、を含む、方法。
  33. 前記疾患または病態の治療における前記化合物の効果を追加的に試験することをさらに含む、請求項３２に記載の方法。
  34. 疾患または病態に対する候補化合物の効果の存在を特定するための方法であって、
    前記疾患または病態を有する、あるいは前記疾患または病態に関する動物モデルである対象に対して、前記候補化合物を投与することと、
    前記対象に関する指標データを取得することであって、前記取得のための手段は、請求項１～３２のいずれか一項に記載のコンピュータ生成方法を含む、取得することと、
    取得した前記指標データを対照指標データと比較することであって、取得した前記指標データと前記対照指標データとの差異は、前記疾患または病態に対する前記候補化合物の効果の存在を特定する、比較することと、を含む、方法。
  35. システムであって、
    少なくとも一つのプロセッサと、
    前記少なくとも一つのプロセッサによって実行された時には、前記システムに、
    対象の動きを取り込んだビデオを表すビデオデータを受信することと、
    前記ビデオデータを処理することにより、ある期間にわたっての、前記対象の一組をなす複数の身体部分に関して、動きを追跡した点データを特定することと、
    前記点データを使用して、前記期間時に前記ビデオデータ内に表された、複数の立脚期と、対応した複数の遊脚期と、を決定することと、
    前記複数の立脚期と前記複数の遊脚期とに基づいて、前記期間時に前記ビデオデータ内に表された複数のストライド間隔を決定することと、
    前記点データを使用して、前記対象に関する指標データを決定することであって、前記指標データは、前記複数のストライド間隔の各ストライド間隔に基づく、決定することと、
    前記対象に関する前記指標データを、対照指標データと比較することと、
    前記比較に基づいて、前記対象に関する指標データと前記対照指標データとの間における差異を決定することと、を行わせる命令を含む少なくとも一つのメモリと、を含む、システム。
  36. 前記一組をなす複数の身体部分は、鼻と、首付け根と、脊椎中間部と、左後肢と、右後肢と、尾付け根と、尾中間部と、尾先端と、を含み、
    前記複数の立脚期と前記複数の遊脚期とは、前記左後肢および前記右後肢の移動速度の変化に基づいて決定される、請求項３５に記載のシステム。
  37. 前記少なくとも一つのメモリは、前記少なくとも一つのプロセッサによって実行された時には、前記システムに、
    前記左後肢または前記右後肢のつま先離地イベントに基づいて、前記複数の立脚期の第一立脚期からの、および前記複数の遊脚期の第一遊脚期からの、移行を決定することと、
    前記左後肢または前記右後肢の足接地イベントに基づいて、前記複数の遊脚期の第二遊脚期から、前記複数の立脚期の第二立脚期への、移行を決定することと、をさらに行わせる命令を、さらに含む、請求項３６に記載のシステム。
  38. 前記指標データは、各ストライド間隔時における前記対象の歩行測定値に対応している、請求項３５に記載のシステム。
  39. 前記一組をなす複数の身体部分は、左後肢と右後肢とを含み、前記システムに前記指標データを決定させる前記命令は、前記システムに、
    前記点データを使用して、各ストライド間隔に関するステップ長を決定することであって、前記ステップ長は、前記右後肢が直前の左後肢の接地を超えて移動する距離を表す、決定することと、
    前記点データを使用して、前記各ストライド間隔に関して使用されるストライド長を決定することであって、前記ストライド長が、前記各ストライド間隔時に前記左後肢が移動する距離を表す、決定することと、
    前記点データを使用して、前記各ストライド間隔に関する歩隔を決定することであって、前記歩隔が、前記左後肢と前記右後肢との間の距離を表す、決定することと、をさらに行わせる、請求項３５または３８に記載のシステム。
  40. 前記一組をなす複数の身体部分は、尾付け根を含み、前記システムに前記指標データを決定させる前記命令は、前記システムに、
    前記点データを使用して、前記各ストライド間隔に関する前記尾付け根の動きに基づいて、前記対象の速度データを決定することを、さらに行わせる、請求項３５または３８に記載のシステム。
  41. 前記一組をなす複数の身体部分は、尾付け根を含み、前記システムに前記指標データを決定させる前記命令は、前記システムに、
    前記点データを使用して、前記複数のストライド間隔のあるストライド間隔を表す一組をなす複数のフレーム時における前記尾付け根の動きに基づいて、前記対象に関する一組をなす複数の速度データを決定することと、
    前記一組をなす複数の速度データを平均化することにより、前記ストライド間隔に関するストライド速度を決定することと、をさらに行わせる、請求項３５または３８に記載のシステム。
  42. 前記一組をなす複数の身体部分は、右後肢と左後肢とを含み、前記システムに前記指標データを決定させる前記命令は、前記システムに、
    前記点データを使用して、前記複数のストライド間隔のあるストライド間隔時に前記右後肢が地面に対して接触している時間量を表す第一立脚持続時間を決定することと、
    前記第一立脚持続時間と前記ストライド間隔の持続時間とに基づいて、第一負荷係数を決定することと、
    前記点データを使用して、前記ストライド間隔時に前記左後肢が地面に対して接触している時間量を表す第二立脚持続時間を決定することと、
    前記第二立脚持続時間と前記ストライド間隔の前記持続時間とに基づいて、第二負荷係数を決定することと、
    前記第一負荷係数と前記第二負荷係数とに基づいて、前記ストライド間隔に関する平均負荷係数を決定することと、をさらに行わせる、請求項３５または３８に記載のシステム。
  43. 前記一組をなす複数の身体部分は、尾付け根と首付け根とを含み、前記システムに前記指標データを決定させる前記命令は、前記システムに、
    前記点データを使用して、前記複数のストライド間隔のあるストライド間隔を表す一組をなす複数のフレーム時に、前記尾付け根と前記首付け根とを結ぶ一組をなす複数のベクトルを決定することと、
    前記一組をなす複数のベクトルを使用して、前記ストライド間隔に関する前記対象の角速度を決定することと、をさらに行わせる、請求項３５または３８に記載のシステム。
  44. 前記指標データは、各ストライド間隔時における前記対象の姿勢測定値に対応している、請求項３５に記載のシステム。
  45. 前記一組をなす複数の身体部分は、前記対象の脊椎中間部を含み、
    前記複数のストライド間隔のあるストライド間隔は、前記ビデオデータの一組をなす複数のフレームに対して関連付けられており、
    前記システムに前記指標データを決定させる前記命令は、前記システムに、前記点データを使用して、前記ストライド間隔に関する変位ベクトルを決定することであって、前記変位ベクトルは、前記一組をなす複数のフレームにおける最初のフレーム内に表された前記脊椎中間部と、前記一組をなす複数のフレームにおける最後のフレーム内に表された前記脊椎中間部とを結ぶ、決定することを、さらに行わせる、請求項３５または４４に記載のシステム。
  46. 前記一組をなす複数の身体部分は、前記対象の鼻をさらに含み、前記システムに前記指標データを決定させる前記命令は、前記システムに、
    前記点データを使用して、前記一組をなす複数のフレームの各フレームに関する前記変位ベクトルからの前記鼻の垂直距離に基づいて、前記ストライド間隔に関する前記鼻の一組をなす複数の横方向変位を決定することを、さらに行わせる、請求項４５に記載のシステム。
  47. 前記鼻の前記横方向変位は、前記対象の体長にさらに基づく、請求項４６に記載のシステム。
  48. 前記システムに前記指標データを決定させる前記命令は、前記システムに、
    前記鼻の前記一組をなす複数の横方向変位を使用して補間を実行することにより、前記ストライド間隔に関する前記鼻の前記横方向変位の滑らかな曲線を生成することと、
    前記鼻の前記横方向変位の滑らかな曲線を使用して、前記鼻の最大変位が前記ストライド間隔時のどの時点で発生したかを決定することと、
    前記鼻の前記最大変位が発生した時に完了した前記ストライド間隔のパーセントを表すパーセントストライド位置を決定することと、を行うことにより、尾先端の変位位相オフセットを決定することを、さらに行わせる、請求項４６に記載のシステム。
  49. 前記一組をなす複数の身体部分は、前記対象の尾付け根をさらに含み、前記システムに前記指標データを決定させる前記命令は、前記システムに、
    前記点データを使用して、前記一組をなす複数のフレーム内の各フレームに関する前記変位ベクトルからの前記尾付け根の垂直距離に基づいて、前記ストライド間隔に関する前記尾付け根の一組をなす複数の横方向変位を決定することを、さらに行わせる、請求項４５に記載のシステム。
  50. 前記システムに前記指標データを決定させる前記命令は、前記システムに、
    前記尾付け根の前記一組をなす複数の横方向変位を使用して補間を実行することにより、前記ストライド間隔に関する前記尾付け根の横方向変位の滑らかな曲線を生成することと、
    前記尾付け根の前記横方向変位の滑らかな曲線を使用して、前記尾付け根の最大変位が前記ストライド間隔時のどの時点で発生したかを決定することと、
    前記尾付け根の前記最大変位が発生した時に完了した前記ストライド間隔のパーセントを表すパーセントストライド位置を決定することと、を行うことにより、尾付け根の変位位相オフセットを決定することを、さらに行わせる、請求項４９に記載のシステム。
  51. 前記一組をなす複数の身体部分は、前記対象の尾先端をさらに含み、前記システムに前記指標データを決定させる前記命令は、前記システムに、
    前記点データを使用して、前記一組をなす複数のフレーム内の各フレームに関する前記変位ベクトルからの前記尾先端の垂直距離に基づいて、前記ストライド間隔に関する前記尾先端の一組をなす複数の横方向変位を決定することを、さらに行わせる、請求項４５に記載のシステム。
  52. 前記システムに前記指標データを決定させる前記命令は、前記システムに、
    前記尾先端の前記一組をなす複数の横方向変位を使用して補間を実行することにより、前記ストライド間隔に関する前記尾先端の横方向変位の滑らかな曲線を生成することと、
    前記尾先端の前記横方向変位の滑らかな曲線を使用して、前記尾先端の最大変位が前記ストライド間隔時のどの時点で発生したかを決定することと、
    前記尾先端の前記最大変位が発生した時に完了した前記ストライド間隔のパーセントを表すパーセントストライド位置を決定することと、を行うことにより、尾先端の変位位相オフセットを決定することを、さらに行わせる、請求項５１に記載のシステム。
  53. 前記システムに前記ビデオデータを処理させる前記命令は、前記システムに、機械学習モデルを使用して前記ビデオデータを処理することを、さらに行わせる、請求項３５に記載のシステム。
  54. 前記システムに前記ビデオデータを処理させる前記命令は、前記システムに、ニューラルネットワークモデルを使用して前記ビデオデータを処理することを、さらに行わせる、請求項３５に記載のシステム。
  55. 前記ビデオは、平面視視界でオープンアリーナ内の前記対象の対象決定移動を取り込む、請求項３５に記載のシステム。
JP2023539116A 2020-12-29 2021-12-29 歩行および姿勢の分析 Pending JP2024505350A (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US202063131498P 2020-12-29 2020-12-29
US63/131,498 2020-12-29
US202163144052P 2021-02-01 2021-02-01
US63/144,052 2021-02-01
PCT/US2021/065425 WO2022147063A1 (en) 2020-12-29 2021-12-29 Gait and posture analysis

Publications (1)

Publication Number Publication Date
JP2024505350A true JP2024505350A (ja) 2024-02-06

Family

ID=82261092

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023539116A Pending JP2024505350A (ja) 2020-12-29 2021-12-29 歩行および姿勢の分析

Country Status (7)

Country Link
US (1) US20240057892A1 (ja)
EP (1) EP4243685A1 (ja)
JP (1) JP2024505350A (ja)
KR (1) KR20230132483A (ja)
AU (1) AU2021414124A1 (ja)
CA (1) CA3203340A1 (ja)
WO (1) WO2022147063A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115300891B (zh) * 2022-08-29 2023-10-31 浪潮软件科技有限公司 一种防作弊健步走距离计算方法及工具

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6678413B1 (en) * 2000-11-24 2004-01-13 Yiqing Liang System and method for object identification and behavior characterization using video analysis
US20060008815A1 (en) * 2003-10-24 2006-01-12 Metamorphix, Inc. Compositions, methods, and systems for inferring canine breeds for genetic traits and verifying parentage of canine animals
EP2846631A4 (en) * 2012-05-10 2017-02-15 President and Fellows of Harvard College A system and method for automatically discovering, characterizing, classifying and semi-automatically labeling animal behavior and quantitative phenotyping of behaviors in animals
US10716492B2 (en) * 2018-03-30 2020-07-21 Bay West Veterinary Surgery, Inc. Quadruped lameness detection

Also Published As

Publication number Publication date
KR20230132483A (ko) 2023-09-15
EP4243685A1 (en) 2023-09-20
WO2022147063A1 (en) 2022-07-07
CA3203340A1 (en) 2022-07-07
US20240057892A1 (en) 2024-02-22
AU2021414124A1 (en) 2023-07-13

Similar Documents

Publication Publication Date Title
Sheppard et al. Stride-level analysis of mouse open field behavior using deep-learning-based pose estimation
Wang et al. Functional connectivity-based classification of autism and control using SVM-RFECV on rs-fMRI data
US20180293430A1 (en) System and method for automatically discovering, characterizing, classifying and semi-automatically labeling animal behavior and quantitative phenotyping of behaviors in animals
Machado et al. Shared and specific signatures of locomotor ataxia in mutant mice
Bruce et al. Skeleton-based human action evaluation using graph convolutional network for monitoring Alzheimer’s progression
Sheppard et al. Gait-level analysis of mouse open field behavior using deep learning-based pose estimation
JP2024505350A (ja) 歩行および姿勢の分析
Geuther et al. High-throughput visual assessment of sleep stages in mice using machine learning
Bains et al. Longitudinal home-cage automated assessment of climbing behavior shows sexual dimorphism and aging-related decrease in C57BL/6J healthy mice and allows early detection of motor impairment in the N171-82Q mouse model of Huntington’s disease
CN116801799A (zh) 步态和姿势分析
Zhang et al. Early lameness detection in dairy cattle based on wearable gait analysis using semi-supervised LSTM-Autoencoder
Widrick et al. Optimizing assays of zebrafish larvae swimming performance for drug discovery
Xue et al. An analytical framework to predict slaughter traits from images in fish
US20240156369A1 (en) Automated Phenotyping of Behavior
US20230360441A1 (en) Action Detection Using Machine Learning Models
CN117715585A (zh) 使用机器学习模型确定视觉衰弱指数
Xie et al. Behavior Recognition of a Broiler Chicken using Long Short-Term Memory with Convolution Neural Networks
Inayat et al. A toolbox for automated video analysis of rodents engaged in string-pulling: phenotyping motor behavior of mice for sensory, whole-body and bimanual skilled hand function
KR20240027726A (ko) 수면 상태의 시각적 결정
Bains et al. Comprehensive longitudinal study of home-cage activity, including climbing, reveals new complex phenotypic profile in the N171-82Q HD mouse model with implications for refined preclinical studies
Kottler et al. Dopamine D1 receptor signalling differentially regulates action sequences and turning behaviour in freely moving Drosophila
Thompson The use of wearable sensors for animal behaviour assessment