JP5712407B2 - 行動監視及び較正用システム及び方法 - Google Patents
行動監視及び較正用システム及び方法 Download PDFInfo
- Publication number
- JP5712407B2 JP5712407B2 JP2010544397A JP2010544397A JP5712407B2 JP 5712407 B2 JP5712407 B2 JP 5712407B2 JP 2010544397 A JP2010544397 A JP 2010544397A JP 2010544397 A JP2010544397 A JP 2010544397A JP 5712407 B2 JP5712407 B2 JP 5712407B2
- Authority
- JP
- Japan
- Prior art keywords
- animal
- data
- event
- information
- bout
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 284
- 238000012544 monitoring process Methods 0.000 title claims description 37
- 241001465754 Metazoa Species 0.000 claims description 274
- 230000006399 behavior Effects 0.000 claims description 197
- 230000033001 locomotion Effects 0.000 claims description 184
- 238000005259 measurement Methods 0.000 claims description 167
- 230000000694 effects Effects 0.000 claims description 128
- 230000003542 behavioural effect Effects 0.000 claims description 107
- 238000012360 testing method Methods 0.000 claims description 94
- 230000035622 drinking Effects 0.000 claims description 86
- 238000009826 distribution Methods 0.000 claims description 81
- 230000008569 process Effects 0.000 claims description 58
- 230000002123 temporal effect Effects 0.000 claims description 46
- 230000009471 action Effects 0.000 claims description 42
- 239000000203 mixture Substances 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 20
- 230000007704 transition Effects 0.000 claims description 16
- 230000000284 resting effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 3
- 208000031872 Body Remains Diseases 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 241000699670 Mus sp. Species 0.000 description 178
- 230000035611 feeding Effects 0.000 description 109
- 208000033065 inborn errors of immunity Diseases 0.000 description 103
- 230000037406 food intake Effects 0.000 description 73
- 241000699666 Mus <mouse, genus> Species 0.000 description 67
- 230000002354 daily effect Effects 0.000 description 42
- 238000001514 detection method Methods 0.000 description 40
- 235000005686 eating Nutrition 0.000 description 40
- 230000008859 change Effects 0.000 description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 37
- 238000010586 diagram Methods 0.000 description 36
- 241000700159 Rattus Species 0.000 description 35
- 238000004422 calculation algorithm Methods 0.000 description 34
- 230000008520 organization Effects 0.000 description 33
- 235000013305 food Nutrition 0.000 description 32
- 238000004458 analytical method Methods 0.000 description 29
- 238000012937 correction Methods 0.000 description 29
- 230000006870 function Effects 0.000 description 29
- 230000007423 decrease Effects 0.000 description 19
- 235000012631 food intake Nutrition 0.000 description 19
- 230000000052 comparative effect Effects 0.000 description 18
- 238000003908 quality control method Methods 0.000 description 18
- 238000013480 data collection Methods 0.000 description 17
- 230000004044 response Effects 0.000 description 17
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 15
- 238000012545 processing Methods 0.000 description 15
- 230000003247 decreasing effect Effects 0.000 description 14
- 241001529936 Murinae Species 0.000 description 13
- 238000013459 approach Methods 0.000 description 13
- 235000005911 diet Nutrition 0.000 description 13
- 230000037213 diet Effects 0.000 description 12
- 238000001914 filtration Methods 0.000 description 12
- 230000009467 reduction Effects 0.000 description 11
- 230000007257 malfunction Effects 0.000 description 10
- 230000002829 reductive effect Effects 0.000 description 10
- 238000012552 review Methods 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 9
- 230000007717 exclusion Effects 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 9
- 230000000977 initiatory effect Effects 0.000 description 8
- 239000003814 drug Substances 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 238000000540 analysis of variance Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 229940079593 drug Drugs 0.000 description 6
- 239000007788 liquid Substances 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 6
- 238000001303 quality assessment method Methods 0.000 description 6
- 230000001953 sensory effect Effects 0.000 description 6
- 230000007958 sleep Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 5
- 102000002512 Orexin Human genes 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000000280 densification Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 229960003638 dopamine Drugs 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 108060005714 orexin Proteins 0.000 description 5
- 230000002269 spontaneous effect Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- ZPUCINDJVBIVPJ-LJISPDSOSA-N cocaine Chemical compound O([C@H]1C[C@@H]2CC[C@@H](N2C)[C@H]1C(=O)OC)C(=O)C1=CC=CC=C1 ZPUCINDJVBIVPJ-LJISPDSOSA-N 0.000 description 4
- 238000005056 compaction Methods 0.000 description 4
- 235000018823 dietary intake Nutrition 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000004899 motility Effects 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 241000224489 Amoeba Species 0.000 description 3
- 241000282412 Homo Species 0.000 description 3
- 206010020710 Hyperphagia Diseases 0.000 description 3
- 241000283984 Rodentia Species 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000003925 brain function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 244000144993 groups of animals Species 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000002609 medium Substances 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000037081 physical activity Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 108700028369 Alleles Proteins 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 2
- NTYJJOPFIAHURM-UHFFFAOYSA-N Histamine Chemical compound NCCC1=CN=CN1 NTYJJOPFIAHURM-UHFFFAOYSA-N 0.000 description 2
- 102000016267 Leptin Human genes 0.000 description 2
- 108010092277 Leptin Proteins 0.000 description 2
- VVQNEPGJFQJSBK-UHFFFAOYSA-N Methyl methacrylate Chemical compound COC(=O)C(C)=C VVQNEPGJFQJSBK-UHFFFAOYSA-N 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 2
- 229920005372 Plexiglas® Polymers 0.000 description 2
- 238000000692 Student's t-test Methods 0.000 description 2
- MUMGGOZAMZWBJJ-DYKIIFRCSA-N Testostosterone Chemical compound O=C1CC[C@]2(C)[C@H]3CC[C@](C)([C@H](CC4)O)[C@@H]4[C@@H]3CCC2=C1 MUMGGOZAMZWBJJ-DYKIIFRCSA-N 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 229960003920 cocaine Drugs 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003291 dopaminomimetic effect Effects 0.000 description 2
- 230000004590 drinking behavior Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000001295 genetical effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000002650 habitual effect Effects 0.000 description 2
- 230000003483 hypokinetic effect Effects 0.000 description 2
- 238000009940 knitting Methods 0.000 description 2
- NRYBAZVQPHGZNS-ZSOCWYAHSA-N leptin Chemical compound O=C([C@H](CO)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CC=1C2=CC=CC=C2NC=1)NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CO)NC(=O)CNC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](N)CC(C)C)CCSC)N1CCC[C@H]1C(=O)NCC(=O)N[C@@H](CS)C(O)=O NRYBAZVQPHGZNS-ZSOCWYAHSA-N 0.000 description 2
- 229940039781 leptin Drugs 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008689 nuclear function Effects 0.000 description 2
- 235000020824 obesity Nutrition 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 230000004526 pharmaceutical effect Effects 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009154 spontaneous behavior Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012353 t test Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000006163 transport media Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000007794 visualization technique Methods 0.000 description 2
- 230000004584 weight gain Effects 0.000 description 2
- 235000019786 weight gain Nutrition 0.000 description 2
- 102000006902 5-HT2C Serotonin Receptor Human genes 0.000 description 1
- 108010072553 5-HT2C Serotonin Receptor Proteins 0.000 description 1
- 206010002261 Androgen deficiency Diseases 0.000 description 1
- 240000000662 Anethum graveolens Species 0.000 description 1
- 241000282461 Canis lupus Species 0.000 description 1
- 208000032368 Device malfunction Diseases 0.000 description 1
- 102000006441 Dopamine Plasma Membrane Transport Proteins Human genes 0.000 description 1
- 108010044266 Dopamine Plasma Membrane Transport Proteins Proteins 0.000 description 1
- 240000008168 Ficus benjamina Species 0.000 description 1
- 206010064571 Gene mutation Diseases 0.000 description 1
- 241000699694 Gerbillinae Species 0.000 description 1
- 102000003834 Histamine H1 Receptors Human genes 0.000 description 1
- 108090000110 Histamine H1 Receptors Proteins 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 102000003797 Neuropeptides Human genes 0.000 description 1
- 108090000189 Neuropeptides Proteins 0.000 description 1
- 241000237502 Ostreidae Species 0.000 description 1
- 238000010222 PCR analysis Methods 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 241000382353 Pupa Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- LWZFANDGMFTDAV-BURFUSLBSA-N [(2r)-2-[(2r,3r,4s)-3,4-dihydroxyoxolan-2-yl]-2-hydroxyethyl] dodecanoate Chemical compound CCCCCCCCCCCC(=O)OC[C@@H](O)[C@H]1OC[C@H](O)[C@H]1O LWZFANDGMFTDAV-BURFUSLBSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000010171 animal model Methods 0.000 description 1
- MWPLVEDNUUSJAV-UHFFFAOYSA-N anthracene Chemical compound C1=CC=CC2=CC3=CC=CC=C3C=C21 MWPLVEDNUUSJAV-UHFFFAOYSA-N 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 238000009227 behaviour therapy Methods 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001447 compensatory effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000013872 defecation Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 235000008242 dietary patterns Nutrition 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000020595 eating behavior Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000021824 exploration behavior Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004634 feeding behavior Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 210000004744 fore-foot Anatomy 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 230000003370 grooming effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013537 high throughput screening Methods 0.000 description 1
- 229960001340 histamine Drugs 0.000 description 1
- 208000013403 hyperactivity Diseases 0.000 description 1
- 210000003016 hypothalamus Anatomy 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000011551 log transformation method Methods 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 238000010208 microarray analysis Methods 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 229910052754 neon Inorganic materials 0.000 description 1
- GKAOGPIIYCISHV-UHFFFAOYSA-N neon atom Chemical compound [Ne] GKAOGPIIYCISHV-UHFFFAOYSA-N 0.000 description 1
- 230000007230 neural mechanism Effects 0.000 description 1
- 230000004007 neuromodulation Effects 0.000 description 1
- 230000000422 nocturnal effect Effects 0.000 description 1
- 230000000446 orexinergic effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 235000020830 overeating Nutrition 0.000 description 1
- 235000020636 oyster Nutrition 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000242 pagocytic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 244000062645 predators Species 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 230000000384 rearing effect Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000036186 satiety Effects 0.000 description 1
- 235000019627 satiety Nutrition 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011896 sensitive detection Methods 0.000 description 1
- 230000009919 sequestration Effects 0.000 description 1
- 230000000862 serotonergic effect Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 229940036051 sojourn Drugs 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 235000011067 sorbitan monolaureate Nutrition 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 210000003802 sputum Anatomy 0.000 description 1
- 208000024794 sputum Diseases 0.000 description 1
- 235000000891 standard diet Nutrition 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 229960003604 testosterone Drugs 0.000 description 1
- 230000035924 thermogenesis Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K1/00—Housing animals; Equipment therefor
- A01K1/02—Pigsties; Dog-kennels; Rabbit-hutches or the like
- A01K1/03—Housing for domestic or laboratory animals
- A01K1/031—Cages for laboratory animals; Cages for measuring metabolism of animals
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Animal Husbandry (AREA)
- Zoology (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Clinical Laboratory Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Digital Computer Display Output (AREA)
- Image Analysis (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Image Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Description
［関連特許出願］
本出願は２００８年１月２３日に提出された米国特許出願ＵＳＳＮ６１／０６２，１７３号を基に優先権を主張するものであり、その内容のすべてを本出願に合同するものとする。
本出願は２００８年１月２３日に提出された米国特許出願ＵＳＳＮ６１／０６２，１７３号を基に優先権を主張するものであり、その内容のすべてを本出願に合同するものとする。
生存及び繁殖のために自然環境における動物は食物の獲得、捕食動物からの逃避、避難所及び性的配偶者の追及など様々な行動に従事する。或る行動の実施について最適な時間と場所とを決定するのは環境的限定条件であり、多くの行動を同時に実施できるものでもない故、動物にとっては或る行動の実施に当たりその時間と場所について適当に優先順位を決定し計画することが必須である。その結果、自由状態の動物の行動の編成は環境への適応を象徴するものである。この編成とは中枢神経系の全体的活動に依存するものであり、例えばエネルギーのバランス、温度状態、浸透性／体積状態、睡眠、生殖、自衛及び環境同調化など種々の生理学的及び行動システムの機能及び反応を反映するものである。従って、自由状態の動物の行動の編成を監視して特徴付ける能力は多くの生理学的及び行動システムの機能及び反応を試験する高感度の試金物を供する可能性がある。
近年における生物工学分野での進歩を複雑な哺乳類動物の行動の神経下地層の解析に使用するには現時点において実質的問題が存在する。哺乳類遺伝子学、医学用化学及び情報技術での分野に見られる急速の進歩に比較して、ネズミ及びその他の哺乳類の行動評価技術の発展は遅れている。これらの手法は精神分裂病、うつ病、不安症などの普遍的な精神神経性状態に関係する脳活動への遺伝子、薬剤、及び環境の影響を検索するのに必須なものである。例えば幾つもの行動テストを行うからと言ってネズミを何度も棲み処から取り出すというような普遍的所作は、（１）時間がかかり労働集約的ある、（２）テスト管理の順序によってテストの結果が歪められる、（３）棲み処から取り出されるネズミはストレスを受けるから行動データの解釈が混乱する、（４）研究での主焦点にない行動分野を考慮しない（例えば学習に関するテストにおける不安感の影響）ことによりデータが往々誤解される、などの理由で問題である。
定義された分野における対象動物の種々の行動を連続的に監視するための、高分解能の行動データの濾過及び解析用のツールを含めたシステム及び方法が提供される。これらのシステム及び方法により、従来到達できなかった高程度の精度及び定量化における行動パタンの調査が可能となる。品質評価及び制御、記録保存、データ質問、データ分類、解析方式及び可視化技術を含む行動監視システムによって得られる非常に大量な独特なデータセットの管理及び解析用の方法及びシステムが提供される。自発的行動のかように詳細な解析により行動の神経的編成の基本的識見が得られるものであり、脳機能に対する遺伝学的、薬学的及び環境的影響が高感度において検出可能となる。
本発明はその一面において、行動データの高質評価及び濾過の方法に関する。或る実施例の方法は、位置追跡情報及び一個以上の装置との反応に関する情報との間の不一致、及び／或は複数個の装置との反応に関する情報における不一致の検出に関する。例えば或る実施例において、一定の測定地域における被験動物の空間位置に関するイベント情報、一定地域における、或いは一定地域において既知の位置における複数の装置との装置イベント情報、及び位置と装置イベント情報に関する時間的情報を含む、測定システムを使用して或る測定時間内に集められた動物行動データを含む行動データセットが入力される。この方法とは、この行動データを解析して（１）装置イベント情報と不一致の位置情報、及び／或は(２）その他の装置の装置イベント情報と不一致の一個以上の装置の装置イベント情報を検出し、検出された不一致の少なくとも幾つかに基づいてデータを更新することに関するものである。
或る特殊実施例において、行動データの濾過とは収集された行動データの入力、虚偽装置イベント開始の同定及び関連した装置イベント情報の破棄、装置の既知の位置に基づいて動物の予期される位置と少なくとも若干の装置イベントにおける位置情報を比較することによる位置情報補正の計算、計算された補正に基づく位置情報の更新、及び測定システムの装置イベント終了検出不成功の結果のデータの同定及び除去などに関する。
本発明はその別面において、動物行動を例えば活動及び不活動状態のように編成及び分類することに関する。或る実施例において、行動監視システムから受けた空間的（例えば位置追跡）および時間的情報を使用して被験動物の活動不活動間の遷移の同定をする自動化された方法が提供される。更に提供されるのは、測定システムを使用して収集された動物行動データを解析する方法であり、この行動データとは一定の測定地区における動物の位置に関する空間的及び時間的情報から成るものであり、この方法とは空間情報を使用して活動及び不活動状態間の遷移を一定期間中における被験動物運動の間で最長の逗留箇所を決定することにより同定することに関する。
本発明はその別面において、行動的バウト（ｂｏｕｔ）分類に関する。或る実施例において、測定システムを使用して一定の測定期間中に収集された被験動物行動データのセットの自動解析方法が提供される。この自動方法は、測定期間における一定地区内での被験動物の位置追跡情報及びこの測定期間内での一個以上の行動の時間的パタンに関する情報を受け、この位置追跡情報及び時間的情報を使用して一個以上の行動のバウトを同定することに関する。
或る実施例における方法は測定システムを使用し、一定の測定期間内に収集された被験動物行動データのセットを解析するものであり、ここにおいて、測定システムはこの測定期間内の被験動物の空間的位置に関する空間情報とこの測定期間内の一個以上の行動の時間的パタンに関する情報とを受け、この空間的情報と時間的情報とを使用して一個以上の行動のバウトを同定することに関するものであり、この空間的情報とはイベントの期間中及びイベント間の合間における動物の空間的位置に関する情報を含み、又、イベント間の合間とは装置における連続する装置イベントの間の合間のことである。
本発明は更に別面において、動物行動データの二つのグループ（例えば制御及びテストグループ）の比較に関するものである。或る実施例において、この方法とは二つの群の結合されたデータを密集化させ、これら二つのグループの相違についてもっとも貢献の大きい群（クラスター）を決定することに関する。特種実施例において、この方法とはテスト用被験動物のグループに関する行動データを有するテストデータセットを受けること、制御用被験動物のグループに関する行動データを有するテストデータセットを受けること、テスト及び制御用データセットからの行動データを結合すること、この結合されたデータセットを密集化して選択された数のクラスターとすること、テスト用及び制御用データセット内の行動データは同じであるとの仮説のもとで各クラスターについてカイ二乗統計を計算すること、すべてのクラスターについてのカイ二乗統計を加算してテストグループデータと制御グループデータの相違の度合いを得ること、テスト及び制御グループ間の被験動物のデータを並べ替えて相違の意味の度合いを得ること、及びこの相違が統計的に有意義であるならばこの相違に最も貢献しているクラスターを決定することに関する。
種々の実施例において、比較されてよい行動のパタンには運動パタン、摂食パタン、摂飲パタン、薬物摂取パタン、その他の摂取行動パタン、睡眠パタン、テスト対象物とのコンタクトパタン、及び他の動物或いは他の感覚的刺激に対する応答パタンが含まれる。例えば行動測定或いは応答を示すような生理学的測定は心拍数、血圧、及び体温が含まれてよい。
更に提供されるものとして、上記の方法の少なくとも一部を実施するためのプログラム指令が記録されたコンピュータ用のメディアを含むコンピュータプログラム製品がある。此処に記載される方法はその全部或いは一部がこのようなコンピュータによって読み取り可能なメディアによって提供されるプログラム指令として実現され得る。此処に記載されるように生成及び／或は使用されるデータ及びデータ構成の種々の結合が更に提供される。
上記及びその他の特徴及び利点は更に下記の如く詳細な図を参照して記載される。
１．序文及び関連技術
本発明は高分解能行動データの収集、管理、及び解析の方法、システム、及び装置に関する。これらのシステム及び方法は嘗て達成されなかった高レベルにおいて行動パタンを検査する機会を提供するものである。行動監視システムによって生成される品質評価及び制御、文書保管、データ疑問、データ縮小、解析工程及び可視化技術を含む非常に大きく独特なデータセットの管理及び解析の方法及びシステムが提供される。自発的行動のかように詳細な解析は行動の神経的機構に関する基本的識見を供し、脳機能への遺伝学的、薬学的、及び環境学的影響の高感度の検出を可能とする。
本発明は高分解能行動データの収集、管理、及び解析の方法、システム、及び装置に関する。これらのシステム及び方法は嘗て達成されなかった高レベルにおいて行動パタンを検査する機会を提供するものである。行動監視システムによって生成される品質評価及び制御、文書保管、データ疑問、データ縮小、解析工程及び可視化技術を含む非常に大きく独特なデータセットの管理及び解析の方法及びシステムが提供される。自発的行動のかように詳細な解析は行動の神経的機構に関する基本的識見を供し、脳機能への遺伝学的、薬学的、及び環境学的影響の高感度の検出を可能とする。
以下提供される記述の大部分はホームケージ監視（ＨＣＭ）システムの被験動物の行動に関するシステム、方法、及び装置によって提供されるものであるが、本発明は決してそのように限定されるものではない。例えば、行動データを濾過及び解析する方法及びシステムは如何なる行動監視システムと使用することも出来る。以下の記述においては発明が明確に理解されるように多くの特定的詳細が開示される。しかし、本発明が此処に記載される具体的な詳細に限定されることなく実施可能であることは明白であろう。
本発明は行動監視システムからのデータの濾過、データ品質制御及び評価、及び解析に関する。一般に、行動監視システムは監視対象動物が存在或は反応する一個以上の装置を含むものである。監視システムは例えば此処に総ての目的において参照して合同される”Ａｎｉｍａｌ Ｃａｇｅ Ｂｅｈａｖｉｏｒ Ｓｙｓｔｅｍ”と題する米国特許出願７，０８６，３５０号に記載されたようなホームケージ監視システムであってよい。典型的に監視システムは測定期間に亘って運動及び装置イベントデータの連続的監視を提供するものである。例えば、監視システムは運動（例えば空間位置対時間の形態で）、ならびに摂取イベント、感覚的刺激イベントなどの連続的監視の結果であるデータを供するものである。
発明の方法及びシステムによって使用される行動監視システムは非常に多量のデータを生成するものであり、例えば単一対象物は一日の間に数万から数十万の運動、数千から数万の摂取イベントなどを生成する。このデータに何週、何年の観察に亘り数百或は数千の対象数で掛けるには強固な自動化されたデータの品質評価及び修正の技術が要求される。データ品質評価及び修正の方法及びシステムが以下において論じられる。
本発明は別面においてデータ縮小、可視化、及び生物学的にもっとも関連ある解析方法を含む行動の要素及びその時間的及び空間的構成を定義する新規な定量的アプローチである。これらのアプローチはデータ品質制御アルゴリズムによって促進される。殊にクラスターの分類及び行動のバウト、並びに行動の活動不活動状態の分類が以下において記述される。或る実施例において、行動の分類が強固な自動化された様相で実施される方法及びシステムが提供される。
明細書においては以下の技術用語が使用される。明細書の理解のために以下の記述が供されるが、これは本発明の範囲を限定するものではない。
行動イベントとは特殊なタイプの行動の事例或いは発生のことである。行動イベントの例には消費行動に関するイベント、(食物、液体、医薬品、などの消費を含む）、運動行為に関するイベント、交信に関するイベント、監視対象に関連する種々の普通の行動に関するイベントが含まれる。例えば、檻の中のネズミについて測定できる行動イベントには摂食、摂飲、檻の中の運動が含まれる。ヒトについて測定できる行動イベントには摂食、摂飲、或る地域の回りの運動、電話、コンピュータのような特殊な電子装置の使用などが含まれる。その他の行動イベントは特種な刺激或いは装置に対する動物応答に関するものであってもよい。
装置イベントとは既知の位置にある装置との反応に関する行動イベントのことである。この位置とは一定の位置でも可動の位置でもよい。その例には檻の中のフィーダーで発生する摂食イベント、檻の中のなめ装置で発生するなめイベントが入る。その他の装置イベントの例として家の中の既知の位置にあるコンピュータの使用、或る特定のレストランで発生するものであり、そのレストランにある装置との反応で示される摂食イベントがある。
装置の例にはなめ装置、動物による液体摂取の度合いを提供する装置、フィーダー、捕獲状態にある動物に食餌を与える装置などがある。或る実施例のフィーダーは動物によって摂取された食餌の量を示すものである。装置との反応は行動の測定に必要なもののことでもよい。例えばネズミによる水の消費はなめ装置においてネズミが水を得るためになめ口をなめることによるキャパシタンスの変化によって測定されてもよい。同様に摂食は動物がフィーダーの中の食餌に届くために写真光線を遮るときに写真光線検出器によって測定することが出来る。その他の装置として回転輪、レバー及び穴がある。レバーや穴は食餌、液体、薬品、或いは感覚的刺激の投与或いは供給と反応する。或る実施例において、装置とはオペラント調教装置である。装置との反応には他の動物、感覚的刺激(例えばオドラント）或いは新規な或いは既知のものに露出することがあり、測定で動物の感覚的刺激などに対する反応について行動情報が得られる。
イベント間間隔とは同じタイプの二つの行動イベントの間の間隔のことであり、例えば二回の写真光線遮断の間の間隔のことである。同様に或る行動がコンピュータとの反応で測定される場合、イベント間間隔がキーボードのキーの押される間隔或いはマウスをクリックする間隔などであってよい。
イベント開始エラーとは装置イベントが実際には発生して居ない場合イベントの開始を誤って測定することに関する。檻を揺らすこと、食餌の移動による写真光線の遮断、なめ装置による電磁界ノイズの検出などが擬似摂食及び摂飲イベント測定の原因の例である。
イベント終了エラーとは装置イベントが実際には終了したのに継続を示す測定エラーを意味する。イベント終了エラーの原因の例として、摂食バウトの間食餌粒子によるフィーダーの写真光線の遮断がある。なめ装置の故障は自発的滴下の結果かも知れず、また寝具材をなめ口に（ネズミにより）置くことに起因するものかも知れない。そのようなエラーはもし検出されないならば装置イベントの長さの過大評価となり、その装置における動物の行動が長引いた結果となる。
運動データは測定地域内での被験動物の運動に関する情報のことである。これには空間的及び時間的情報、例えば測定期間の時間における動物の空間的位置が含まれる。運動データは一定の時間、例えば１秒間収集されてもよいが、多くの実施例の場合、生データセットにおけるデータの量を減少させるため、運動データは動物が或る閾値以上動いた時に収集される。データ収集閾値距離は行動監視システム及び対象のタイプに依存して変化する。広範囲におけるヒトが対象である場合、数キロメートルの閾値が妥当であり、他の動物の場合には数メートルが、げっ歯類の場合には数センチメートルが適当であろう。従って、運動データは動物の位置及び各位置での時間或いは以前の位置からの持続時間が含まれてよい。位置及び／或は運動はロードビーム、ＲＦＩＤトランスポンダー、衛星システム、ビデオ追跡など、種々の機構によって測定されてよい。
ドリフトとは測定に関連する蓄積されたエラーのことである。総合位置ドリフトとは測定期間内の或る時間における測定地区内のｘ及びｙ座標（及び／或は測定されるならばその他の座標或いは次元）でのドリフトのことである。例えばロードビームが動物の運動の監視に使用される場合、運動の測定は檻の中の質量分布に影響される。変化は動物の体重、フィーダー内の食料の量、及びなめ装置内の水のみならず寝具材の移動によっても起こるものである。檻の位置に対する運動路及び摂取行動位置が移動するようなｙ軸における位置情報の移動は檻の逆側に置ける食料及び水の除去の結果であるかも知れない。装置イベントドリフトは各イベントにおいて測定される装置の位置の見かけのドリフトのことである。総合位置ドリフトと同様、装置イベントドリフトは典型的に各座標或いは次元について測定される。
対象動物行動はバウト（ｂｏｕｔ）とクラスターとに分類される。バウトとは同じ行動的行為の発生或いは発生の繰り返し、或いは時間的に密集するように見え、及び／或は異なる行動の介在によって分離されない行動的行為（例えば食餌摂取或いは写真光線の遮断）のことである。或る実施例において、バウトとは或る特別な位置における行動の発生及び／或は繰り返しによって特徴づけられるものである。クラスターとは同じ行動行為のバウトの繰り返し或いは時間的に密集するように見える行動行為(例えば食餌の消費或いは写真光線の遮断)の表示である。
対象動物行動は更に状態、例えば活動及び不活動状態へと編成される。状態は特殊な一種以上の行動の増加した確率及び／或は一つ以上の特徴的位置でのこれらの行動の発生によって特徴付けられるものである。例えば活動および不活動状態に分類されてもよい。活動状態とは或る測定行動（例えば摂食、摂飲、或いは運動）の確率が増加した状態のことである。不活動状態とは若干の測定ウインドウに亘って特徴的位置にいる確率の高い状態のことである。これらの特徴的位置とは捕食或いは環境的条件からの避難所として作用するものであってよい。不活動状態の期間中、対象の動物には或る特定の測定行動（例えば休息或いは睡眠）に従事する確率の増加があってもよい。議論のため以下の記述においては主として活動不活動の分類に言及するが、方法はこれに限定されるものではなく、特種の行動或いは位置において発生する行動の確率の増加するその他の状態の分類の同定に使用することが出来る。
本発明の実施例は種々のコンピュータで実行する操作を実施するための実体的及び非実体的コンピュータで読むことの出来るメディア或はプログラム指令及び／或はデータ（データ構成を含む）を含むコンピュータプログラム製品に関するものである。コンピュータで読むことの出来るメディアの例にはハードディスク、フロッピイディスク、磁気テープ、のような磁気メディア、ＧＤ−ＲＯＭ装置、ホログラフ装置のような光学的メディア、磁気光学的メディア、半導体メモリ装置、及びリードオンリメモリ装置（ＲＯＭ）及びランダムアクセスメモリ(ＲＡＭ)、及び時として特種応用集積回路（ＡＳＩＣ）のようなプログラム指令を記録し実行するように特に構成されたハードウエア装置、プログラマブル論理装置（ＰＬＤ）及び局地ネットワーク、広範囲ネットワーク、及びインタネットのようなコンピュータで読むことの出来る指令の配達用信号発信メディアを含むがそれに限られるものではない。本発明のデータ及びプログラム指令はキャリア波或はその他の輸送媒体（例えば光学線、電気線及び／或は空気波）によって実施されてもよい。
データベースとは情報を記録及び検索する手段のことである。データベースは更に保存された情報の仕分け及び／或はサーチの手段を提供するものである。データベースには文書システム、カードシステム、機械的システム、電子的システム、光学的システム、磁気的システム、或いはこれらの結合物のような便利な媒体を含むことが出来るが、それに限定されるものではない。或る実施例のデータベースは電子的（例えばコンピュータに基づく）データベースが含まれる。データベースの保存及び操作に使用されるコンピュータシステムは当業者には周知であり、パーソナルコンピュータシステム、メインフレームシステム、インタネット或はイントラネット上の分配ノード、専用ハードウエア（例えばマイクロチップ）に保存されたデータ或はデータベースなどを含むがこれらに限定されるものではない。
２．データ品質制御
行動監視システムは大量のデータを生成する。例えば檻の各々が食餌消費表示器、液体消費表示器運動を測定する活動プラットフォームを有する３２檻監視システムは９６個のデータ収集装置を有する。一日ごとに、各装置は例えば５００−５０００の摂食イベント、１０００−１００００のなめ装置イベント、ならびに１００００−３５００００空間位置のような何千ものイベントを記録する。これらのイベントの処理には強固な自動化された品質評価アルゴリズムが必要とされる。大きな生物学的データセットを有効的に使用するにはデータ品質を評価する新規な方法が要求される。データの品質は例えば機械的不成功或は被験動物の装置との特異な相互作用によって影響されることがある。行動システムデータの品質の評価には行動データの品質に悪影響がないように考慮が必要である。
行動監視システムは大量のデータを生成する。例えば檻の各々が食餌消費表示器、液体消費表示器運動を測定する活動プラットフォームを有する３２檻監視システムは９６個のデータ収集装置を有する。一日ごとに、各装置は例えば５００−５０００の摂食イベント、１０００−１００００のなめ装置イベント、ならびに１００００−３５００００空間位置のような何千ものイベントを記録する。これらのイベントの処理には強固な自動化された品質評価アルゴリズムが必要とされる。大きな生物学的データセットを有効的に使用するにはデータ品質を評価する新規な方法が要求される。データの品質は例えば機械的不成功或は被験動物の装置との特異な相互作用によって影響されることがある。行動システムデータの品質の評価には行動データの品質に悪影響がないように考慮が必要である。
本発明は諸面において行動監視システムによって生成された多量のデータの品質制御及び評価に関する。種々の実施例において、この方法は周期的摂取測定、対象動物及び装置外観、及び環境状態に関する実験者観察を合体するものである。尚、行動データ収集装置の機能を監視するのに要求される自動化された技術が供される。
高度の時間的及び空間的分解能を以て摂食、摂飲及び移動活動を評価する行動監視システム。収集されたデータの高分解能は高感度で行動パタンを識別する解析アプローチの発展に必須である。しかし、これらの行動データセットの複雑な特性及びサイズの大きさとは以下のような諸問題を供するものである：（１）データ保存及び質問用の高容量行動データ管理システムの必要、（２）システムノイズ、装置不成功、人的エラーの例を検出及び管理するための品質制御ツールの開発、及び（３）データ縮小及び行動パタンへの遺伝学的及びその他の影響を検出する能力を最大化する解析技術の開発。これらのデータセットは特異なものであるので、これらの問題には新規な解決法が要求されるものである。
上記で指摘された如く、データベースは典型的に測定地区内の動物の運動或いは空間的位置、並びに一個の或いは典型的に複数の装置からの行動装置イベントデータを含むものである。種々の実施例において、品質制御方法は行動データを解析して位置情報と装置情報の間及び／或は複数の装置から受けた情報の間の不一致を検出することから成る。
図１は或る実施例によりデータを濾過する工程の大要を示すものであり、図２−６は図１に記述された或る処理の特種実施例の詳細を示すものである。図１に説明された処理の中のいくらか或いは全部はデータ品質評価及び解析用の濾過されたデータッセットの製作に使用可能である。これに追加的の品質制御処理も実行されてよい。この工程は測定期間の運動及び装置イベントデータの入力で始まる（１０１）。結合された測定期間及び測定地区(例えば檻の運動及び装置イベントデータはデータッセットと言及されてもよい。このデータセットは如何なる形態であってもよく、複数の対象動物のデータを含むものでもよい。多くの実施例において、運動データは時間対位置データとして供される。装置イベントデータは測定期間内の異なる時間における装置との反応表示を含んでもよい。例えば、データセットの位置／運動データは動物が或る規定距離(例えば1ｃｍ、１０フィート、など）以上の距離を動く度の記録を含んでもよい。データは例えば測定期間内での動物位置及び時間或いは以前記録された位置からの持続時間の形態であってよい。同様に、摂食或いは摂飲の行動に関し、データセットは食餌及び液体摂取装置からの信号間の持続時間を含むものでよい。データは例えば上記の米国特許出願７０８６３５０号に記載された方法で外部から入力されたものでもよい。
工程は虚偽装置イベントデータの同定及び除外（１０３）によって継続される。これには虚偽装置イベント開始とも言及されるイベント開始エラーの検出が関係する。例えば檻の揺れ、食餌の移動による写真光線の短期間の遮断、なめ装置により電磁界ノイズ検出などの偽性装置イベントの原因で虚偽摂食及び摂飲イベントが出来てしまう。同様に、対象物によって可動電話或いは追跡機のボタンが計画的に押されることに依存する行動監視システムにおいて、虚偽装置イベント開始は不注意な作用による場合がある。事実上装置イベントが発生して居ないのに装置イベントの発生を示す如何なるタイプのエラーもイベント開始エラーである。これらのイベントは典型的には稀なのであるが、装置イベントが運動位置修正（以下において記載）に使用される場合には有意義となる。
イベント開始エラーが検出され関連する装置イベントデータが除外された後、位置運動データの不正確が計算される（１０３）。或る実施例において、位置情報の不正確は蓄積される。例えばロードビームが動物運動の監視に使用される場合、運動測定は檻の中の質量分布の変化に影響される。変化は動物の体重、フィーダー内の食餌及びなめ装置内の水の量の変化並びに寝具材料の移動で発生する。かような変化が考慮されないと、結果として位置情報の不正確となる。運動位置エラーの一例が図２に示されて居り、ここには２４時間の行動記録が移動位置を緑色、摂食イベント位置をオレンジ色、摂飲イベントを水色として示してある。ここでは２０１においてｙ軸上に位置情報の移動の証拠が見え、移動路及び摂取行動位置は檻位置に対して後方（上方）に移動している。かような不正確は檻前方の装置からの食餌及び水の除去に起因するものである。
図２は位置情報の測定に檻の中のロードビームを使用した結果のものである。装置イベント（例えば摂飲及びフィーダー写真光線中断）は檻内或いは他の測定区域の既知の位置で発生し、この情報は運動及び位置データの修正に使用される。修正された行動記録は図２の２０３に示されている。運動位置データ修正の一実施例の詳細が図６に関連して下記に記述されている。位置データの不正確の修正に装置の既知の位置（及び動物の予期される位置）が使用されるので、位置データ修正の前に上記の虚偽装置イベント開始に関連する装置イベントデータを除外するのが好適であることに留意されるべきである。運動位置修正は虚偽装置イベント除外の後のみならず、その前に実施されてもよい。
一度位置データが修正されると、装置イベントの終了不成功の結果であるデータセットの不正確が同定され除外される（１０９）。或る場合において、装置から離れても終了しないような装置イベントを動物が開始することがある。例えば摂食バウトの間に食餌粒子によってフィーダーの写真光線が遮断されることがある。自発的滴下とか、（ネズミによって）寝具材がなめ口に置かれることによってなめ装置不成功が発生することもある。同様にビデオ、衛星、電子追跡が不成功で装置イベントが登録されないことがある。検出されない場合、かようなエラーは装置イベントの長さの過大評価及び装置における動物の活動が誤って示されることになる。ある実施例においては、装置開始エラーが既に検出されて除外され、位置修正が実施されたデータを使用して装置イベントの間の対象物のすべての位置を見出すことにより装置の終了不成功が検出される。装置イベント間の対象物の位置は高速最隣接密集化（ｒａｐｉｄ ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒ ｃｌｕｓｔｅｒｉｎｇ）アルゴリズムを使用して密集化される。イベント終了エラーがない場合、装置に唯一のクラスターが存在するはずである。一個以上のクラスターが存在する場合、装置に最も近接した最大のクラスターが有効なイベントを含むものとされ、其処以外で発生するイベントは除外される。或る実施例に従って装置イベント終了不成功を検出する詳細は図７を参照して以下において説明される。
或る実施例において、測定期間内での動物の総合的測定された運動が既知の動物行動と比較され、位置検出機構との潜在的エラーが検出される（１１３）。例えばロードビームの機能不全があると、位置測定エラーが発生する。一例において、機能不全の場合のスクリーニング法として動物の素質傾向が使用され２４時間の記録期間に亘り檻の地区全体が調査される。ロードビームの飽和の結果、運動データの切捨て或いは歪みとなり、中央軸の緩みのような問題の結果運動データの切捨ての結果となる力の過小評価となることがある。ロードビーム検出或いは或る実施例による他の位置検出器機能不全については以下図１０を参照して説明される。同様に位置データは他のタイプの位置検出機構用の既知の動物行動と比較することが出来る。更に、位置データは例えば対象物が進入不可能な測定区域以外の位置のような境界違反用に検査することが出来る。
図１の処理の種々の実施例が以下において説明される。
Ａ．装置開始エラーの検出
潜在的装置イベント開始エラーの検出には記録された装置イベントと独立的に収集された位置データとの間の不一致の検出が含まれる。例えばなめ装置からの信号が或る時間におけるなめイベント発生を示唆するのに、その時間における位置データがその時間でのその装置におけるネズミ或いはその他の対象物の不在を示すことがある。その場合、装置データ収集或いは運動データ収集のどちらかにエラーがある。或る実施例において、本発明での方法は位置情報を使用して除去及び／或は使用者によるその後の検討のために潜在的虚偽装置イベントを検出しフラッグで示すものである。
潜在的装置イベント開始エラーの検出には記録された装置イベントと独立的に収集された位置データとの間の不一致の検出が含まれる。例えばなめ装置からの信号が或る時間におけるなめイベント発生を示唆するのに、その時間における位置データがその時間でのその装置におけるネズミ或いはその他の対象物の不在を示すことがある。その場合、装置データ収集或いは運動データ収集のどちらかにエラーがある。或る実施例において、本発明での方法は位置情報を使用して除去及び／或は使用者によるその後の検討のために潜在的虚偽装置イベントを検出しフラッグで示すものである。
或る実施例においては一度動物の位置データと装置開始データの間に不一致が同定されると、このエラーが装置データ収集からのものか運動データ収集からのものか決定される。エラーが装置データ収集からのものであると、その装置イベントは自動的に除外されるか或いはフラッグで識別され除外されるべきか使用者に決定のために供される。
上記の如く、一定の時間における装置イベントの表示がその時間における動物の測定位置と不一致の場合に潜在的イベント開始エラーが検出される。或る測定システムにおいては、位置（運動）データがエラーの蓄積が問題となる機構によって収集される。この蓄積されたエラーはドリフトと言及される。もし動物が装置の近くに居ないと位置データが表示しているときに装置イベントが発生すると、大きな位置ドリフト或いは虚偽イベント開始が発生したことになる。これらの可能性は総合位置ドリフトを測定しそれを装置活動化の間における動物の表示位置のドリフトと比較して識別可能である。もしイベント活動化の時における総合位置ドリフトが装置活動化の開始における動物の位置ドリフトと同様であるならば、そのイベントは有効とみなされてよい。総合ドリフトと装置ドリフトとに相違があると、偽性装置イベントの可能性が発生する。図２は装置イベントドリフトを総合位置ドリフトと比較してイベント開始エラーを検出する或る実施例による工程の概要を示すフロー図である。
この工程は或る時間期間において対象動物の総合位置ドリフト（ＰＤ）を測定することで始まる（３０１）。（総合位置ドリフトの測定は以下において図４を参照して説明される。）各装置イベントが考慮される。与えられた装置イベントに関してイベント開始の時間ｔにおける対象動物の表示された或いは測定された位置が得られる（３０３）。装置イベントドリフト（ＥＤ）が次いで決定される（３０５）。時間ｔにおける位置ドリフト（ＰＤt）と装置イベントドリフト（ＥＤ）との差が決定される（３０７）。この差は閾値差と比較される（３０９）。もしこの差が閾値より大きいと、このイベントはフラッグで識別され使用者に供される（３１１）。代行的に、装置イベントが自動的に虚偽と分類され関連するデータが除外されてもよい。３１３の決定ブロックで残余装置イベントの検査がある。対象物の装置イベントと測定期間に残余が存在する場合、フラッグ識別されたイベントは再調査のため使用者に供される（３１５）。
ＥＤの計算には、イベントの時間における動物の測定された位置と測定ウインドウにおけるイベントの第一測定位置との比較が含まれる。もしこのタイプの第一イベントが測定区域の座標の初期化に使用されたのであるならば、これは装置の既知の位置に基づくイベントの間の動物の推定位置であろう。座標の初期化は運動位置修正の一部として以下において説明される。
総合位置ドリフトの推定を得るため、測定区域における対象物の運動の境界を定義する最小と最大位置（Ｘ，Ｙ，及び／或はその他）でのドリフトの推定が取得される。或る実施例において、総合位置ドリフトの決定には凸状殻体（ｃｏｎｖｅｘ ｈｕｌｌ）の両側の最小から最大位置への距離が檻或いは他の測定区域の幅（Ｘ位置）或いは長さ（Ｙ位置）の或る百分比のより大きくなくてはならないとの条件のもとで凸状殻体をＸ及びＹ（或いは他の座標）位置対スライディング時間ウィンドウの時間にフィットすることを含む。この特殊な測定区域に好適な如何なるタイプの座標システムが使用されてもよい。重複する凸状殻体は距離条件が満たされるまで独立的に拡張されて最小及び最大位置における総合ドリフトの推定値をもたらす。この位置包絡線は平均することが可能であり、この平均はデータ収集の間のどの時間における総合ドリフトの推定値の取得にも使用可能である。このドリフトが装置位置の見かけのドリフトから例えばＸ方向で１０ｃｍ、Ｙ方向で１５ｃｍのような一定の閾値以上異なる場合、この装置イベントは処理３１１における如く以後の再調査のためにフラッグで識別される。
図４は上記のように総合位置ドリフトを取得する主要処理を示す工程フロー図である。この工程は対象物と測定期間の位置対時間データを入力することで始まる（４０１）。例えばＸ，Ｙ，及び／或はその他の座標のような位置座標に関して、凸状殻体は持続時間ｄのウインドウに座標位置対時間にフィットされ時間 ｔ0に初期化される（４０３）。凸状殻体は既定数の座標位置単位ｘを包含する時間ｔnまで時間的に拡張される（４０５）。例えば凸状殻体は測定区域の全体の幅或は長さの一定割合、例えば８０％を包含するまで拡張されてよい。処理４０３及び４０５は持続時間ｄ凸状殻体に繰り返され、時間ｔ0に初期化され 時間ｔmに距離条件が満たされるまで拡張される（４０７）。これはｔmが測定或は観察期間、例えば１日となるまで繰り返される。座標の位置ドリフトはいずれかの時間における凸状殻体に沿った最大と最小位置の平均を取得することで推定され、それによって位置ドリフトが時間の関数として得られる。図４に説明される工程は各位置座標について実施され、例えば時間ｔ＝３時間におけるＸ方向の位置ドリフトとして−３ｃｍ、Ｙ方向の位置ドリフトとして２ｃｍが得られる。
イベント開始エラー検出のグラフ例が図５Ａに示される。これらのグラフは２４時間の監視期間に亘る総合位置ドリフトとなめ装置イベントドリフト（水色）及び写真光線イベントドリフト（赤色）との差を示す。Ｘ及びＹ軸ドリフトは別々に示されている。此の場合Ｘで１０ｃｍＹで１５ｃｍのフラッグ識別イベントのドリフト差閾値は破線で示されている。この例においては、Ｙ軸ドリフト差がなめ装置イベントの閾値を超過する二例がフラッグ識別されている。このなめ装置イベントデータを自動的に除外すること或はフラッグ識別されたイベントを図５Ｂのように使用者による再調査用に提供することが可能である。
Ｂ．運動位置修正（ＭＰＣ）
運動位置修正には運動及び位置データを修正するのに装置の既知の位置が使用される。 ＭＰＣアルゴリズムは運動／位置データから計算された各装置イベント開始における動物の位置を装置の既知の位置に基づく動物の推定位置と比較する。計算された位置と推定位置との差が閾値より大きい場合には、その前のループでの運動データが修正される。
運動位置修正には運動及び位置データを修正するのに装置の既知の位置が使用される。 ＭＰＣアルゴリズムは運動／位置データから計算された各装置イベント開始における動物の位置を装置の既知の位置に基づく動物の推定位置と比較する。計算された位置と推定位置との差が閾値より大きい場合には、その前のループでの運動データが修正される。
或る若干の処理が図６のフロー図に示されている。この工程は座標の初期化で始まる（６０１）。各セッション（測定期間）の冒頭において、対象動物の座標が初期化される。この初期化は第一の装置イベントにおいて図６に示される例のように装置における対象動物の推定位置に基づいて対象動物の座標が初期化されてよいが、如何なる適切な初期化が行われても良い。第一装置イベント（或はその他の初期化）以前の動物位置は逆算できる。次の装置イベント（ＤＥn）においてはロードビーム、ビデオ追跡、その他の位置検出機構その他で測定された動物位置が装置の既知の位置に基づいて対象動物の推定位置と比較される（６０３）。この差が位置ドリフト（ＰＤ）である。此の比較は各位置座標（此の例ではＸ及びＹ）に関して行われる。もし装置イベントの間測定された位置と推定位置との差が一定の閾値を超過する場合（ブロック６０５参照）、データセットの位置データはこの差をＤＥnと前回の装置イベントとの間の測定された位置に亘って分布することにより修正される（６０７）。この分布は位置間の移動距離によって加重されたものあってよい。この工程はこの測定期間内のすべての装置イベントが考慮されるまで次回の装置イベントＤＥn+1に繰り返される（６０９）。
檻の中のネズミに関する位置及び運動データ修正のＭＰＣツールの使用は上記の図２に示されている。しかし、位置情報の確証及び修正のために対象動物と既知の位置を有する装置との作用が利用可能な各種の実験環境においてＭＰＣツールは使用可能である。図１において、ＭＰＣツールは虚偽装置開始の検出と除外の後に実施されていることが示されて居り、これはＭＰＣが位置情報を修正するのに対象動物の推定位置に依存するので重要なことである。或る実施例において、ＭＰＣツールは虚偽装置イベントの除外以前に使用され、除外の後再度使用されてよい。
Ｃ．装置イベント終了不成功の検出
或る実施例においては、上記の如く、終了不成功の装置の事例を検出するのに隣接密集化アルゴリズムが使用される。装置イベントの間の対象動物のすべての位置が密集化される。図７は工程フローの主な処理を示し、この工程は特別な装置の総ての装置イベントに関するすべての位置データを入力することで開始する（７０１）。上記の如く、このデータについては装置開始エラーが既に検出されて除外されたものであり、ＭＰＣツールが実施され再実施されたものである。各装置イベントに関してそのイベントの開始位置からの最大位置が取得される（７０３）。次いでクラスター解析が実施されてこれらの最大位置が密集化される（７０５）。もしイベント終了エラーがない場合には、予期される装置位置を中心にして只一個のクラスターがある筈である。一個以上のクラスターが存在する場合には予期される装置位置に最も近くを中心とする最大のクラスターが有効イベントを含むものとされ、其所以外に発生するイベントは除外される。従って、予期される装置位置に最も近いクラスターが受け入れられる（７０７）。この受け入れられるクラスター以外の最大位置を有するイベントはすべて除外される（７０９）。これと異なる密集化及び除外の標準が使用可能であることは当業者には理解出来ることであろう。イベントデータは自動的に除外されてもよく、叉フラッグ識別されて使用者に除外の判断の為に供されてもよいことに留意されるべきである。
或る実施例においては、上記の如く、終了不成功の装置の事例を検出するのに隣接密集化アルゴリズムが使用される。装置イベントの間の対象動物のすべての位置が密集化される。図７は工程フローの主な処理を示し、この工程は特別な装置の総ての装置イベントに関するすべての位置データを入力することで開始する（７０１）。上記の如く、このデータについては装置開始エラーが既に検出されて除外されたものであり、ＭＰＣツールが実施され再実施されたものである。各装置イベントに関してそのイベントの開始位置からの最大位置が取得される（７０３）。次いでクラスター解析が実施されてこれらの最大位置が密集化される（７０５）。もしイベント終了エラーがない場合には、予期される装置位置を中心にして只一個のクラスターがある筈である。一個以上のクラスターが存在する場合には予期される装置位置に最も近くを中心とする最大のクラスターが有効イベントを含むものとされ、其所以外に発生するイベントは除外される。従って、予期される装置位置に最も近いクラスターが受け入れられる（７０７）。この受け入れられるクラスター以外の最大位置を有するイベントはすべて除外される（７０９）。これと異なる密集化及び除外の標準が使用可能であることは当業者には理解出来ることであろう。イベントデータは自動的に除外されてもよく、叉フラッグ識別されて使用者に除外の判断の為に供されてもよいことに留意されるべきである。
ネズミの住居檻監視システムにおける摂食及び摂飲イベントの密集化のグラフ例が図８に示されている。図８に示される例において、フィーダー（緑色の正方形）に近い摂食イベントのクラスターとなめ装置（水色の円）に近い摂飲イベントのクラスターとが同定された。相反する隅の二つの正方形は二つの摂食イベントの間に決定されたフィーダーからの動物の最大距離を示す。赤色は有効な摂食イベントの標準外であることを表すものである。
Ｄ．位置検出器機能不全の検出
或る実施例の行動監視システムは動物運動及び位置の決定用の力のトランスデューサとして機能するようにロードビームを使用する。時としてロードビームには機能不全のことがあり、これらの測定にエラーが発生する。ロードビームが飽和すると結果として運動データに切り捨て及び歪みが発生し、中央の軸が緩むような問題の結果として力の過小評価、運動データにおける切捨てとなる。このようなエラーの起こったデータの例がグラフとして図９に示されて居り、測定値は緑色で示されている。これらのタイプのエラーの可能性は単にロードビームにおけるもののみでなく、その他のタイプの位置検出にもあることである。例えば市のような広範な測定範囲での可動追跡装置に依存する位置検出器は天候によってある地理的区域においては送受信を失うことがある。
或る実施例の行動監視システムは動物運動及び位置の決定用の力のトランスデューサとして機能するようにロードビームを使用する。時としてロードビームには機能不全のことがあり、これらの測定にエラーが発生する。ロードビームが飽和すると結果として運動データに切り捨て及び歪みが発生し、中央の軸が緩むような問題の結果として力の過小評価、運動データにおける切捨てとなる。このようなエラーの起こったデータの例がグラフとして図９に示されて居り、測定値は緑色で示されている。これらのタイプのエラーの可能性は単にロードビームにおけるもののみでなく、その他のタイプの位置検出にもあることである。例えば市のような広範な測定範囲での可動追跡装置に依存する位置検出器は天候によってある地理的区域においては送受信を失うことがある。
このようなエラーの或る実施例における検出には、測定期間のすべての修正された運動位置を既知の或いは予期される動物行動パタンと比較することが含まれる。その一例としてネズミの２４時間の測定期間に亘って檻の全面積を捜索しようとする偏向がある。その他の例として、対象人間には一日あるいは一週の間に仕事場に隣接した地域を歩き回ることが期待される。
或る実施例において、このようなエラーの検出にはすべての修正された運動位置の凸状殻体をプロットし、その凸状殻体を既知の或いは推定動物行動パタンと比較することが含まれる。例えば、比較には凸状殻体が占有する測定面積の百分比の計算が含まれる。もし檻面積の或る百分比、例えば８０％以下が凸状殻体で占有されているならば、その日或いは他のデータ測定期間のデータはその後の使用者による再調査のためにフラッグ識別されてもよい。図１０は或る測定期間に入力された位置データからの検出位置検出器機能不全の一実施例の主処理を示すフロー図である。この工程は測定区域足跡を定義するため測定区域の凸状殻体を生成することで始まる（１００１）。他の生成方法或いは既存の測定区域足跡が使用されてもよい。測定期間のすべての測定位置の凸状殻体が生成され（１００３）、凸状殻体の百分比インタセクションが計算される（１００５）。このインタセクションはブロック１００７の閾値と比較され、もしこれが閾値より大きければそのデータは受領され、少なくともフラッグで識別されることはない。もしこれが閾値より小さければこのデータを除去されるべきか決定される（１００９）。この決定は使用者の再調査の後に行われるが、他の実施例ではデータが自動的に除去されてもよい。
或る実施例において、測定位置の測定区域足跡との比較には例えば市の北東部と言ったような測定区域の所定地区の重なりの解析が含まれる。境界侵害の検出をも含め、他のタイプの位置エラー検出が使用されてもよいことに留意されたい。測定地区足跡を測定位置と比較することによって、測定区域の外部からのストレイ信号のような散発的なエラーでない、ロードビーム飽和のような位置検出器の組織的故障を明らかにすることが出来る。
Ｅ．自動化或いは使用者によるデータ品質制御のコンピュータ用の方法
上記の如くデータ品質制御アルゴリズムは自動化アルゴリズムと結合された使用者の若干の再調査を含むことが出来る。例えば使用者入力コメント或いは上記の自動化アルゴリズムの結果のデータ品質制御決定は三つのレベルから成る構成とし、品質１（使用）、２（再審査用のフラッグ）、３（使用不可）とされてもよい。品質２とは検査官による検査を必要とする潜在的エラーの存在を示す。この検査の便宜のため、これらの潜在的エラーを実験者が見て処理するツールが供される。データ可視化技術によりデータ及びフラッグ識別されたエラーの試験が容易となり、検査官がこれらのフラッグのものが除外地位へ格下げされるべきか、使用ＯＫの地位へ格上げされるべきか決定するのに役立つ。
上記の如くデータ品質制御アルゴリズムは自動化アルゴリズムと結合された使用者の若干の再調査を含むことが出来る。例えば使用者入力コメント或いは上記の自動化アルゴリズムの結果のデータ品質制御決定は三つのレベルから成る構成とし、品質１（使用）、２（再審査用のフラッグ）、３（使用不可）とされてもよい。品質２とは検査官による検査を必要とする潜在的エラーの存在を示す。この検査の便宜のため、これらの潜在的エラーを実験者が見て処理するツールが供される。データ可視化技術によりデータ及びフラッグ識別されたエラーの試験が容易となり、検査官がこれらのフラッグのものが除外地位へ格下げされるべきか、使用ＯＫの地位へ格上げされるべきか決定するのに役立つ。
或る実施例において、品質制御工程は二段階（段階１及び段階２）に分けて実施されてよい。段階１においては自動化アルゴリズムが実施され、例えば位置データの累積エラー、位置検出器機能不全、虚偽装置イベント開始などのサーチを行う。潜在的エラーは更なる検査のためフラッグで識別される。実験者は次いでグラフ式使用者インタフェイス（ＧＵＩ）を使用してすべてのフラッグ識別されたエラーを処理する。一度これが実施されると、すべての運動データは除外されるか修正される。このフルに処理された運動データは次いで第二段階を通過させられ、ここでは装置終了アルゴリズムが修正された位置データを使用して装置終了エラーを捜査し除外する。この点において装置エラーのすべての自動化検出は完了し、装置イベント（例えば写真光線時間及びなめ数)及び摂取の間の予期される相関からの大きな偏差は検査用にフラッグ識別される。このような偏差はデータ入力エラー或いは装置のイベント検出不成功の結果かもしれない。実験者はここでＧＵＩを使用して例えば食餌ホッパが非常に低くて動物が食餌を得られなかった可能性が高い場合など使用者再調査用にフラッグ識別されたデータなどを観察し処理することになる。
図１６は段階１ＱＣ ＧＵＩの画面である。パネルＡ及びＢは実験ラウンド／ネズミ／日付選択ボクス（パネルＡ）及び補充プロット選択／ビュウアー（パネルＢ）を示す段階１ＱＣ ＧＵＩのスクリーン画面である。（此処に示されるスクリーン画面はマトラブガイド（Ｍａｔｌａｂ Ｇｕｉｄｅ）ＧＵＩデザインインタフェイスを使用して作成され、これによりデザインにボタン、プロットなどを位置し、これらの特性（即ち色、状態など）を変更することが出来るようになる。選択ボクス内には「檻境界違反」及び「ドリフト差違反」の二つのエラーフラッグが示されている。ドリフト差違反はパネルＢの位置ドリフト表示に明らかに存在している。これら離れたなめは本当のなめ装置機能不全とは見えないので、使用者は第二エラー（「檻境界違反」）の起原を理解することが出来る。なめイベントの間でのネズミ位置が運動の修正をするのに運動位置修正アルゴリズムによって使用されるので、フラッグ識別された悪いなめ位置はパネルＣ（ＭＰＣツールの副産物）に示されるようにネズミが檻を越えて動いたように見せてしまう。これら両方の問題を修正するために、使用者はＧＵＩを使用してラジオボタン「３」（「Ｌｅ」列）をクリックすることにより悪いなめを除外し、ＧＵＩを再操作するであろう。パネルＤに見られる如く、予期されるようにこの工程によって檻境界違反が除外される。
或る実施例において、除外されるなめは単にドリフト差が或る閾値以上である総てのなめを除外することで自動的に除外される。しかし上記の如く、ドリフト差を計算するアルゴリズムは運動ドリフトを推定するアルゴリズムの正確さに依存する。このドリフトを推定するのは些細な問題ではないので、多くの実施例において実験者には段階１ＱＣ ＧＵＩを使用してフラッグ識別されたなめ或は摂食イベントを点検する必要があるかもしれない。他のフラッグ識別されたエラーもこのように試験することが出来る。
図１７は段階２ＱＣ ＧＵＩのスクリーン画面である。ここではフラッグ識別された検出失敗エラーの例が見られる。図におけるパネルＡはその日の終わりにおいての一件を除いてイベント表示になめイベントが示されて居ない。しかしパネルＢはその日にネズミが消費した水の量(正方形の中にハイライトされた値)は
実験のその他の日での摂取と比較しても実験における他のネズミの摂取を比較しても異常でないことを示している。これはなめ装置の検出失敗エラーを示して居り、その日のこのネズミのなめイベントデータは除外されなくてはならない。しかし食餌摂取及び運動データは除外されなくてもよい。再度述べることであるが、かようなエラーは実験者が段階２ＱＣ ＧＵＩを使用して点検することが出来る。
実験のその他の日での摂取と比較しても実験における他のネズミの摂取を比較しても異常でないことを示している。これはなめ装置の検出失敗エラーを示して居り、その日のこのネズミのなめイベントデータは除外されなくてはならない。しかし食餌摂取及び運動データは除外されなくてもよい。再度述べることであるが、かようなエラーは実験者が段階２ＱＣ ＧＵＩを使用して点検することが出来る。
使用者インタフェイス及び分類結果の表示の更なる詳細は添付された付録１及び２に含まれている。
３．活動及び不活動状態の分類
本発明は別面において活動及び不活動状態の分類に関する。一般的に、活動状態とは不活動状態で中断されながら或る測定行動の発生（運動を含む）の確率増加の状態のことであり、不活動状態とは特徴的位置にいる確率が高く休息及び睡眠が発生しやすい状態のことである。活動と不活動状態の間の遷移は自由行動の動物の行動構成の基本的特徴をなすものである。下記するこれらの状態分類の方法とシステムはどの種その他にも応用できるものである。また、これらの方法は活動不活動以外の他の状態であって、或る行動の発生する確率及び／或は特徴的位置にいる確率の高い状態の分類に使用できるものである。
本発明は別面において活動及び不活動状態の分類に関する。一般的に、活動状態とは不活動状態で中断されながら或る測定行動の発生（運動を含む）の確率増加の状態のことであり、不活動状態とは特徴的位置にいる確率が高く休息及び睡眠が発生しやすい状態のことである。活動と不活動状態の間の遷移は自由行動の動物の行動構成の基本的特徴をなすものである。下記するこれらの状態分類の方法とシステムはどの種その他にも応用できるものである。また、これらの方法は活動不活動以外の他の状態であって、或る行動の発生する確率及び／或は特徴的位置にいる確率の高い状態の分類に使用できるものである。
或る実施例において、指摘されたように、行動構成の基本的特徴を成すものである活動及び不活動状態の客観的同定を自動化するアプローチが提供される。これにより行動の連続順序及び活動状態特性への２４時間周期或は超概日性影響の詳細な解析が可能とされる。一度活動及び不活動状態が分類されると、時間的変動の特徴付けが可能となる。この特徴付けの例が以下及び例において説明される。
或る実施例において、不活動状態の分類には不活動位置持続時間閾値の導入が含まれる。不活動閾値より長い持続時間の位置は不活動と分類される。この閾値を正確にかつ強固に同定するには時間ウインドウと空間的濾過パラメタの二つのパラメタの決定が必要であった。時間ウインドウは唯一のホームベースが使用される時代の捕獲に使用される。時間的或る期間に亘って動物は自分のホームベースを置き換えることがある。 例えばネズミは巣の位置を変えることがある。ヒトは二カ所を往復し、或る夜は或る家に泊まり、別の夜は第二の家に泊まることがある。単一ホームベース（そのベースがどちら或はどこにあっても）が使用される時間ウインドウを使用することにより、異なる巣、第二のホーム位置などで過ごされる睡眠及び休息時間が正しく不活動状態と同定される。空間的フィイルターが使用されて動物をホームベースの位置から除外しなかった小さい運動，例えばベッドで転がるヒト、巣の中で位置替えをするネズミを平滑化する。時間ウインドウと空間的フィルターとの最適な結合が状態分類エラーを最小化することによって選択される。
図１１は活動及び不活動状態を分類する工程の処理を示す工程フロー図である。この工程は時間ウインドウと運動閾値を選択することで始まる（１１０１）。データセット内の生データは典型的に例えば１２時間、２４時間、３６時間とされる測定期間に亘る運動（位置対時間）情報を含む。上記の如く、生データセット内の運動データは位置における閾値変化で記録される。例えば１ｃｍの閾値の場合、動物が少なくとも１ｃｍ動けば運動情報が収集され生データセットに保存される。時間ウインドウの範囲は０から測定期間、例えば２４時間の測定期間、０から２４時間、１、２、４、６、１２、２４などである。空間フィルターは例えば１ ｃｍ ，２ｃｍ 、３ｃｍなどのデータ収集閾値からの範囲で良い運動閾値を選択することで用いることが出来る。
不活動状態閾値が次いで選択され、不活動状態開始及び終了が定義される（１１０３）。上記の如く、不活動状態閾値とは或る位置を不活動と分類する閾値持続時間のことである。不活動状態閾値の決定については図１２を参照して下記において説明される。考慮下の運動閾値によることであるが、不活動状態閾値によって異なる不活動状態の結果となることに留意されるべきである。例えば不活動状態閾値が１時間である場合、或る状態を不活動と分類するのは運動閾値に依存する。もし動物が１時間に１０ｃｍ動くとすると、運動閾値が１５ｃｍの場合状態は不活動と分類されるが、運動閾値が５ｃｍの場合にはそうではない。従って、一度考慮中の不活動閾値の時間ウィンドウと運動閾値の結合を使用して不活動開始及び終了が定義されると、不活動状態エラー百分比が計算される（１１０５）。これは尚下記において説明されるが、或る実施例においては不活動と分類された状態の間（このようなイベントが起るべきでない期間）に発生の装置イベントの点検が含まれる。誤って不活動と分類された状態が次いで修正される、即ち再分類される（１１０７）。総エラー率、即ち誤って不活動と分類された状態も含めたものが次いで計算される（１１０９）。分類とエラー率工程（処理１１０１−１１０９）が次いで時間ウインドウと運動閾値の全部の結合について繰り返される（１１１１）。不活動状態分類（即ち処理１１０３で実施され処理１１０７で修正された不活動状態の分類）が総エラー率に基づいて選択される（１１１３）。
Ａ．非活動状態開始と終了を定義するための不活動状態閾値の決定
図１２は不活動状態閾値決定の処理を示す工程フロー図である。これは不活動状態の最小持続時間、即ちその間動物が動かない最小持続時間のことであり、ここで「動く」とは上記の如く運動閾値で決定されるものである。上記の如く（図１１の処理１１０３を参照）、不活動状態閾値持続時間は不活動状態開始及び終了を定義するものであり、測定期間における動物の行動の高度の時間的分類を供するものである。
図１２は不活動状態閾値決定の処理を示す工程フロー図である。これは不活動状態の最小持続時間、即ちその間動物が動かない最小持続時間のことであり、ここで「動く」とは上記の如く運動閾値で決定されるものである。上記の如く（図１１の処理１１０３を参照）、不活動状態閾値持続時間は不活動状態開始及び終了を定義するものであり、測定期間における動物の行動の高度の時間的分類を供するものである。
不活動状態閾値の決定工程は最長持続時間或いはＬＤＰを有する考慮下の時間ウインドウ／運動閾値の間の位置を見つけることで開始される（１２０１）。ＬＤＰは時間ウインドウ及び運動閾値によって変化する。次にＬＤＰからのその他すべての位置の距離が獲得される（１２０３）。これらの距離はこれらの位置の持続時間の対数に対して表示される。このような表示の一例が図１３の１３０１で示されている。図１３に示される如く、この表示はこの時間ウィンドウにおける最長の休止に相対的に近接した長休止のクラス或いはクラスターを示している。不活動状態閾値持続時間とＬＤＰからの最大距離が劇的に増加する持続時間のことである。或る実施例において、この持続時間は休止持続時間を容器に入れ（ｂｉｎｎｉｎｇ）（１２０７）、各容器（ｂｉｎ）における最長休止からの最大距離を決定（１２０９）することで求められる。最小二乗曲線にフィットするルーテンが次いで使用され、三本の線が最大休止距離対休止持続時間対数にフィットされる（１２１１）。図１３の１３０３を参照されたい。第二と第三線の交点１３０５（即ちＬＤＰからの最大距離が劇的に増加する場所）が不動状態の休止閾値の定義に使用できる（１２１３）不活動状態はここで不活動状態閾値以上の持続時間を有する連続的位置（或いは単一位置）として定義できる（１２１５）。この基準から不活動状態開始及び終了が得られる（１２１７）。図１３のプロット１３０５は不活動状態休止閾値の応用であきらかになる檻の中の不活動期間（赤色）のグループを示す。これらの状態は動物の休息位置に限定されている。不活動状態開始及び終了が獲得されると、活動状態開始及び終了も獲得されることになる。
Ｂ．状態分類エラーの計算
上記の如く、最適時間ウインドウ／運動閾値を見出すことには分類エラー率が含まれる。もし上記の方法が不活動状態の分類に正確であるならば、不活動状態では装置イベントが発生しないはずである。或る実施例において、摂取分類エラーの決定には装置イベントを含む不活動状態の百分比計算が含まれる。活動状態分類エラーは例えば装置イベントが無く、又動物が居た区域が不活動状態に居た総ての区域の最大値より大きい活動状態の百分比として決定される。状態分類エラーは不活動と活動の両方の状態分類エラーから、例えば不活動及び活動状態分類エラーを加えて決定される。図１４は状態分類エラーを計算する一方法の処理を示す工程フロー図である。この工程は不活動状態開始及び終了を入力して始められる（１４０１）。装置イベントを含む不活動状態、即ち開始と終了の間が同定される（１４０３）。不活動状態エラー率が次いで同定された不活動状態の数に基づいて計算される。図１４に示される例において、エラー率は装置イベントを含む不活動状態の百分比である（１４０５）。この不活動状態エラーは総エラー率、従って運動閾値の適正の計算に使用されるように保存される。次いで装置イベントを含む不活動状態がないように分類が修正される（１４０７）。不活動状態の修正は例えば不活動状態閾値より大きな持続時間を有する連続位置のような不活動状態の定義に使用される標準に基づいている。従って装置イベントを有する不活動状態は周囲の活動状態と連続的な単一活動状態に再分類され、或いは活動及び不活動状態に分割されてもよい。修正が実施された後、更新された分類に基づいて活動状態エラー率が計算される（１４０９）。或る実施例において、活動状態エラー率は装置イベントが無く（例えば動物が食わず、飲まず、刺激に反応しないなど）、又動物が広い地区に亘って居ない活動状態の観点から計算される。例えば図１４のフロー図において、活動状態エラー率は装置イベントがなくその間に動物の居た地区が最大の不活動状態地区より大きくない活動状態の百分比である。各活動及び不活動状態の地区は各不活動及び活動状態の位置データに凸状殻体をフィットして求められる。総合エラー率は次いで不活動及び活動状態エラー率に基づいて計算される。
上記の如く、最適時間ウインドウ／運動閾値を見出すことには分類エラー率が含まれる。もし上記の方法が不活動状態の分類に正確であるならば、不活動状態では装置イベントが発生しないはずである。或る実施例において、摂取分類エラーの決定には装置イベントを含む不活動状態の百分比計算が含まれる。活動状態分類エラーは例えば装置イベントが無く、又動物が居た区域が不活動状態に居た総ての区域の最大値より大きい活動状態の百分比として決定される。状態分類エラーは不活動と活動の両方の状態分類エラーから、例えば不活動及び活動状態分類エラーを加えて決定される。図１４は状態分類エラーを計算する一方法の処理を示す工程フロー図である。この工程は不活動状態開始及び終了を入力して始められる（１４０１）。装置イベントを含む不活動状態、即ち開始と終了の間が同定される（１４０３）。不活動状態エラー率が次いで同定された不活動状態の数に基づいて計算される。図１４に示される例において、エラー率は装置イベントを含む不活動状態の百分比である（１４０５）。この不活動状態エラーは総エラー率、従って運動閾値の適正の計算に使用されるように保存される。次いで装置イベントを含む不活動状態がないように分類が修正される（１４０７）。不活動状態の修正は例えば不活動状態閾値より大きな持続時間を有する連続位置のような不活動状態の定義に使用される標準に基づいている。従って装置イベントを有する不活動状態は周囲の活動状態と連続的な単一活動状態に再分類され、或いは活動及び不活動状態に分割されてもよい。修正が実施された後、更新された分類に基づいて活動状態エラー率が計算される（１４０９）。或る実施例において、活動状態エラー率は装置イベントが無く（例えば動物が食わず、飲まず、刺激に反応しないなど）、又動物が広い地区に亘って居ない活動状態の観点から計算される。例えば図１４のフロー図において、活動状態エラー率は装置イベントがなくその間に動物の居た地区が最大の不活動状態地区より大きくない活動状態の百分比である。各活動及び不活動状態の地区は各不活動及び活動状態の位置データに凸状殻体をフィットして求められる。総合エラー率は次いで不活動及び活動状態エラー率に基づいて計算される。
４．バウト分類
活動状態での行動はバウトを行動要素の概念として編成される。バウトとは異なる行動で中断されることなく時間的に密集化される行動の繰り返しのことである。行動の時間的及び空間的特性両方に関する情報を合体させたバウト同定の自動化アルゴリズムが摂食、摂飲及びその他の行動の定量に提供される。上記の如く、バウトが同定されるデータにはフィーダーにおけるネズミの存在を示す写真光線遮断などのような装置イベント情報が含まれる。本発明の工程により自動化による行動のバウトへの分類、又それに加えて高程度のバウトの編成クラスターを可能とする。
活動状態での行動はバウトを行動要素の概念として編成される。バウトとは異なる行動で中断されることなく時間的に密集化される行動の繰り返しのことである。行動の時間的及び空間的特性両方に関する情報を合体させたバウト同定の自動化アルゴリズムが摂食、摂飲及びその他の行動の定量に提供される。上記の如く、バウトが同定されるデータにはフィーダーにおけるネズミの存在を示す写真光線遮断などのような装置イベント情報が含まれる。本発明の工程により自動化による行動のバウトへの分類、又それに加えて高程度のバウトの編成クラスターを可能とする。
バウト同定のため、空間的情報は各装置イベントの終了から次のその装置における装置イベントの開始までの間（イベント間間隔ＩＥＩ）の動物の位置を評価して分類計画に合体されてよい。或る実施例において、もし動物がＩＥＩの間に装置から離れたら介在行動が発生したことになる。従って、例えば動物がＩＥＩの間装置に居残った確率が推定される。もし装置に残留する確率が０．５以上ならばＩＥＩは”装置に居た”と分類される。時間的行動パタンも分類計画に合体される。もしイベントが時間的にバウトを形成するように集合するならば、ＩＥＩ持続時間、ＩＤは少なくとも二つのタイプ即ち摂食バウト中に発生しやすいＩＤと摂食間に発生しやすいＩＤとが見られるはずである。（例えば、Ｌａｎｇｔｏｎ，Ｓ．Ｄ．，Ｃｏｌｌｅｔｔ，Ｄ．，ａｎｄ Ｓｉｂｌｙ，Ｒ．Ｍ．（１９５５）”Ｓｐｌｉｔｔｉｎｇ Ｂｅｈａｖｉｏｒ Ｉｎｔｏ Ｂｏｕｔｓ； Ａ Ｍａｘｉｍｕｍ Ｌｉｋｅｌｉｈｏｏｄ Ａｐｐｒｏａｃｈ Ｂｅｈａｖｉｏｕｒ”１３２，７８１−７９９、及びＴｏｌｋａｍｐ，Ｂ．Ｊ．，Ａｌｌｃｒｏｆｔ，Ｄ．Ｊ．，Ａｕｓｔｉｎ，Ｅ．Ｊ．，Ｎｉｅｌｓｅｎ，Ｂ．Ｌ．ａｎｄ Ｋｙｒｉａｚａｋｉｓ，Ｉ．（１９９８）”Ｓａｔｉｅｔｙ ｓｐｌｉｔｓ ｆｅｅｄｉｎｇ ｂｅｈａｖｉｏｒ ｉｎｔｏ ｂｏｕｔｓ”， Ｊｏｕｒｎａｌ ｏｆ ｔｈｅｏｒｅｔｉｃａｌ ｂｉｏｌｏｇｙ １９４，２３５−２５０（両者とも此処に参照して合体されるものとする）を参照。）或る実施例において、ＩＤ分布は２グループ（長と短）に分割され、ＩＥＩの短い確率が推定される。各ＩＥＩのバウト内間隔（ｗｉｔｈｉｎ−ｂｏｕｔ ｉｎｔｅｒｖａｌ ＝ ＷＢＩ）或いはバウト間間隔（ｉｎｔｅｒ−ｂｏｕｔ ｉｎｔｅｒｖａｌ ＝ ＩＢＩ）との指名はＩＥＩが装置で発生した確率とそれが短かった確率との両方に基づいて行うことが出来る。
図１５は空間的及び時間的情報の両方を使用して行動イベントをバウトへ編成する方法の高程度の処理を示す工程フロー図である。この工程は装置イベント及び運動情報の入力で始まる（１５０１）。この情報にはイベント間及びイベント間間隔（ＩＥＩ）の動物の空間的位置を含む空間的情報が含まれる。上記の如く、ＩＥＩとは装置イベントの開始からからその装置における次のイベントの開始までの間隔のことである。入力される情報にはイベント間間隔の持続時間を含む時間的情報が含まれる。バウトの同定には各ＩＥＩにおける動物によって占められる位置の評価により空間的情報が分類計画へ合体される。各ＩＥＩにおいて、動物が考慮下の装置から最遠であった位置（最大距離のＩＥＩ位置或いはＭＤＩＰ）が決定される（１５０３）。ＩＥＩにおいて動物が装置に残留した確率が次いで考慮下の装置のＭＤＩＰに基づいて推定される（１５０５）。考慮下の装置のイベント間間隔（ＩＤ）に基づいてＩＥＩが短い（長いに対して）確立を推定することにより時間的情報が分類計画に合体される（１５０７）次いでＩＥＩが推定された空間関連及び時間関連確率に基づき、例えば確率を平均してバウト内間隔（ＷＢＩ）或いはバウト内間隔（ＩＢ）であると分類される（１５０９）。ＷＢＩの不断のつながりが次いでバウトであると分類される（１５１１）。
このアプローチが特徴的な空間的及び時間的特性をもつＩＥＩの集団と区別される証拠が図２２Ｃに示されている。各ＩＥＩに関し、フィーダーからの最大距離がＹ軸上に、その持続時間の対数がＸ軸上に表示されている。ＷＢＩと識別されるＩＥＩはオレンジ色で示されて居り、すべてはフィーダーの近くて発生している。大部分のＩＢＩの間、動物はフィーダーから離れて居り（緑色）、水の摂取はこのサブッセット（水色）として発生している。ＩＥＩの小さいクラスターがフィーダーの近くで発生している（赤色）が、これらは持続時間が長いのでＩＢＩと分類されている。従って空間的及び時間的情報を両方使用すると空間的或いは時間的情報の一方のみ使用する場合と異なる分類となる。
Ａ．ＩＥＩの装置への遠近に関しての分類
上記の如く、或る実施例において、空間的情報はＩＥＩが装置の位置或いは離れているかの確率を推定或いは分類をしてバウト分類計画に合体される。或る実施例において、これはＩＥＩの間二変量正規の混合をＭＤＩＰにフィットすることで実施される。フィットされた二変量正規のセントロイドは高速最近接密接化アルゴリズムを使用して密集化される。セントロイドが装置に最も近い二変量正規のクラスターが「装置にある」（”ａｔ ｔｈｅ ｄｅｖｉｃｅ” ＝ＡＤ）と分類される。このクラスターの中の二変量正規はＡＤ二変量正規と選定される（例外として拡散的二変数正規は除外されてもよい）。ＡＤ二変量正規の後位確率は加算されて各最遠ＩＥＩ位置（ＭＤＩＰ）が装置にある確率が得られる。或る実施例において、ＩＥＩはこの確率が０．５以上であると「装置において」発生したものと分類される。或る実施例において、この確率は上記の如く時間関連確率と共にＩＥＩがバウト内間隔であるかバウト内間隔であるか分類するのに使用される。
上記の如く、或る実施例において、空間的情報はＩＥＩが装置の位置或いは離れているかの確率を推定或いは分類をしてバウト分類計画に合体される。或る実施例において、これはＩＥＩの間二変量正規の混合をＭＤＩＰにフィットすることで実施される。フィットされた二変量正規のセントロイドは高速最近接密接化アルゴリズムを使用して密集化される。セントロイドが装置に最も近い二変量正規のクラスターが「装置にある」（”ａｔ ｔｈｅ ｄｅｖｉｃｅ” ＝ＡＤ）と分類される。このクラスターの中の二変量正規はＡＤ二変量正規と選定される（例外として拡散的二変数正規は除外されてもよい）。ＡＤ二変量正規の後位確率は加算されて各最遠ＩＥＩ位置（ＭＤＩＰ）が装置にある確率が得られる。或る実施例において、ＩＥＩはこの確率が０．５以上であると「装置において」発生したものと分類される。或る実施例において、この確率は上記の如く時間関連確率と共にＩＥＩがバウト内間隔であるかバウト内間隔であるか分類するのに使用される。
図２２Ａは檻の中のネズミに関して二変数正規をＭＤＩＰにフィットする結果の例を示す。左側のパネルにおいて、最終フィットでの９個の二変数正規分布に割り当てられた位置はすべて異なる色とシンボルで表示されている。中央のパネルでは、オレンジ色で表示された装置で発生と分類された二変数正規分布についてセントロイドのみが表示され、その他の二変数正規分布はすべて緑色で表示されている。右側のパネルでは、フィーダーで発生と分類されるＭＤＩＰはオレンジ色で表示され、その他の位置は緑色でフィーダーからの移動がＩＥＩの間に発生したことを示している。
Ｂ．ＩＥＩの長短に関しての分類
摂食バウト内で発生し易いＩＤと摂食バウト間で発生し易いＩＤと区別するのに各動物のＩＤ分布が対数正規分布の混合でフィットされる。ＩＤ分布は別個のタイプのＩＤの存在と矛盾のない３個以上の対数正規分布の混合で最適にフィットされることが発見されている。ＩＥＩが短い確率が動物が装置の位置に居残って居た確率に基づいて対数正規分布を２グループ（例えば短と長）に分割することにより次いで決定される。
摂食バウト内で発生し易いＩＤと摂食バウト間で発生し易いＩＤと区別するのに各動物のＩＤ分布が対数正規分布の混合でフィットされる。ＩＤ分布は別個のタイプのＩＤの存在と矛盾のない３個以上の対数正規分布の混合で最適にフィットされることが発見されている。ＩＥＩが短い確率が動物が装置の位置に居残って居た確率に基づいて対数正規分布を２グループ（例えば短と長）に分割することにより次いで決定される。
或る実施例において、ＩＤが総合的分布に対して短い確率は単変数正規を対数変換ＩＤにフィットして決定される。その一例は図２２Ｂに示されて居り、ここでは５個の単変数正規が対数変換ＩＤにフィットされている。図２２Ｂにおいて、対数変換ＩＤ（最小）はｘ軸に、正規化されない確率（ＩＤの周期率の平方根）がｙ軸に示されている。
次いで各正規分布に関し各ＩＤの後位確率を見出して持続時間データが分割される。データを分割するのにＩＤは最短から最長へ区分される。各ＩＤはハード的に密集化される、即ち、各ＩＤは後位確率が最高の正規分布に従って索引付けされ、図２２Ｂに示された例では各持続時間データ点は１、２、３、４或は５の索引を持つことになる。索引に変化がある度にデータは分割され、即ちハード的に密集化された独自性は一つのクラスターから他のクラスターへと変化する。
次いで空間的情報が使用され、短い持続時間はＩＥＩがＷＢＩ（上記のように計算された）である確率が高いことと矛盾しないとして、分割が持続時間の長短によって分類される。分割持続時間を長短で分類するに当たり、与えられたグループ（例えばＯＢネズミ）のすべての分割が個々の変化性の効果を減少するために結合された。平滑化線が次いで対数変換分割持続時間の平均の関数として分割ＡＤ確率にフィットされた。一例が図３３に示されている。ＷＢＩに関し、グループ持続標準ＩＤWBI-groupが動物の居残る確率と立ち去る確率とが同様になる持続として次に設定された。平均持続がこの標準より小さく分割ＡＤ確率が０．５以上の分割はすべて短間隔分割と分類される。同様に、平均持続がグループ持続標準より大きくて分割ＡＤ確率が０．５以下の分割はすべて長間隔分割と分類される。
各動物について、長短の分割は短ＩＥＩ持続時間標準として使用できる。次いで平均持続時間がこの持続時間標準以下である単変数正規の後位確率が加算されて各ＩＥＩが短い確率の推定が得られる。
５．運動バウト分類
発明は他の面において活動状態（ＡＳ）の期間であり移動運動（ＬＭ）或は非移動運動（ＮＬＭ）へのその他の装置イベントバウトの期間ではない運動の分類方法に関する。これは不活動状態の間或は摂食バウトの間に発生した運動を訓練セットとして使用した監督下習得アルゴリズムを使用して行われる。これらの運動は限定された区域で起こるので、「場所での運動」（”ｍｏｖｉｎｇ ｉｎ ｐｌａｃｅ”（ＭＩＰ））行動を示すものでありＮＬＭイベントの特性を反映するはずである。従って、ＭＩＰ運動は動物が檻或は他の測定区域を巡り歩く移動のバウトの期間に発生する運動とは区別されるべきものである。一実施例においては、ＭＩＰイベントの訓練セットをパラメタ化するのに、各位置の運動率と反転角（２個の運動ベクトルの内積）が使用される。移動の間に最も発生しやすかった中断のない運動イベントの継続が移動バウトの開始及び終了時間の定義に使用された。最後に、活動状態の中で動物が或る装置に関連する行動バウト（例えば摂取）或は移動バウトに従事していない時間が「他の」行動（例えば見回り、飼育、みづくろい、前掻など）のバウトと分類可能である。
発明は他の面において活動状態（ＡＳ）の期間であり移動運動（ＬＭ）或は非移動運動（ＮＬＭ）へのその他の装置イベントバウトの期間ではない運動の分類方法に関する。これは不活動状態の間或は摂食バウトの間に発生した運動を訓練セットとして使用した監督下習得アルゴリズムを使用して行われる。これらの運動は限定された区域で起こるので、「場所での運動」（”ｍｏｖｉｎｇ ｉｎ ｐｌａｃｅ”（ＭＩＰ））行動を示すものでありＮＬＭイベントの特性を反映するはずである。従って、ＭＩＰ運動は動物が檻或は他の測定区域を巡り歩く移動のバウトの期間に発生する運動とは区別されるべきものである。一実施例においては、ＭＩＰイベントの訓練セットをパラメタ化するのに、各位置の運動率と反転角（２個の運動ベクトルの内積）が使用される。移動の間に最も発生しやすかった中断のない運動イベントの継続が移動バウトの開始及び終了時間の定義に使用された。最後に、活動状態の中で動物が或る装置に関連する行動バウト（例えば摂取）或は移動バウトに従事していない時間が「他の」行動（例えば見回り、飼育、みづくろい、前掻など）のバウトと分類可能である。
運動バウト分類を合体した特種実施例の更なる説明は以下において例としてある。
６．比較密集化（Ｃｏｍｐａｒｉｓｏｎ ｃｌｕｓｔｅｒｉｎｇ）
他の面において本発明は個々の対象物から収集された情報を使用して動物のグループ間比較をして遺伝子、薬品及び環境要素の神経規制への影響を研究する方法を提供する。行動の時間的パタンの詳細な定量的評価によってかような実験的操作の脳機能への高感度の影響の指標が得られるかもしれない。これには行動パタンの変化性を説明すると同時に実験グループ間の行動パタンの相違を検出する解析的方法が必要となる。
他の面において本発明は個々の対象物から収集された情報を使用して動物のグループ間比較をして遺伝子、薬品及び環境要素の神経規制への影響を研究する方法を提供する。行動の時間的パタンの詳細な定量的評価によってかような実験的操作の脳機能への高感度の影響の指標が得られるかもしれない。これには行動パタンの変化性を説明すると同時に実験グループ間の行動パタンの相違を検出する解析的方法が必要となる。
二つのグループ（例えばＷＴネズミとＯＢネズミ）の間の行動パタンを比較する新規な方法が提供される。比較密集化法は二つのグループの間でパタンに差があるか決定し、観察された差に最も貢献するところのあるパタンを同定する。このアルゴリズムの例が活動状態（ＡＳ）開始時間及び持続時間に関して説明されるが、当業者はこれを他の行動データに応用することが理解できよう。
この方法は二つのグループが例えばＡＳ開始時間及び持続時間に関して同じパタンを持って居たとするヌル仮定のテストを含む。これは二つのグループの毎日のＡＳ開始時間と持続時間を結合し（これはヌル仮定のもとで好適）、結合されたデータの各ＡＳをクラスターの中の一つに割り当てることで達成される。各クラスターに関して制御及びテストグループがクラスターへＡＳの同様な部分貢献しているとのヌル仮定に基づいてカイ二乗統計が計算される。総てのクラスターに亘るカイ二乗の和は日ごとのパタンの差の度合いとして使用される。差の意義は二つのグループの動物を並べ替え、カイ二乗の順列された和に対する元のカイ二乗和の百分位数等級を得ることで決定される。総合的パタンに有意義的な差がある場合にはこの差に最も大きく貢献したパタンの部分が段階的再サンプリングアルゴリズム３を使用する複数の比較のために調節された各クラスターのｐ値を得ることで見つけられる。Ｔｒｏｅｎｄｌｅ，Ｊ．Ｆ．（２０００）”Ｓｔｅｐｗｉｓｅ ｎｏｒｍａｌ ｔｈｅｏｒｙ ｍｕｌｔｉｐｌｅ ｔｅｓｔ ｐｒｏｃｅｄｕｒｅｓ ｃｏｎｔｒｏｌｌｉｎｇ ｔｈｅ ｆａｌｓｅ ｄｉｓｃｏｖｅｒｙ ｒａｔｅ”， Ｊｏｕｒｎａｌ ｏｆ Ｓｔａｔｉｓｔｉｃａｌ Ｐｌａｎｎｉｎｇ ａｎｄ Ｉｎｆｅｒｅｎｃｅ ８４，１３９−１５８を参照。これは参照することによって此処に合体されるものとする。
図１８はこれらの或る実施例における二つのグループを比較する方法の処理を示す工程フロー図である。第一に、ヌル仮説のもとに二つの比較グループからのデータが結合される（１８０１）。典型的に、テストグループと制御グループとが二つのグループとなり、データは各グループの対象物の行動データ或は考慮下のデータである。数個のクラスターが選択される（１８０３）。最適な数のクラスターを選ぶ工程は下記において説明される。次に、結合されたデータセットの各データ点がクラスターの中の一つに割り当てられる（１８０５）。ヌル仮定に基づいて各クラスターに関しカイ二乗統計が計算される（１８０７）。総てのクラスターに亘ってカイ二乗が加算される（１８０９）。これは二つのグループのパタンの差の度合いである。対象動物は二つのグループの間で並び替えられる（１８１１）。これは二つのグループの間の差をテストする為である。有意義的な差があれば、複数比較テストが実施され、パタンの差に貢献するクラスターが見つけられる（１８１３）。
図１９はクラスターの最適数を見つける方法の処置を示す工程フロー図である。見られる如く、グループ比較内及び間のデルタカイ二乗のｐ値を最小化することが含まれる。図１９に示される工程は一例であり、当業者は変更及び最適化の出来ることが理解されよう。
７．コンピュータハードウエア
明瞭なことであろうが、本発明の或る実施例は一個以上のコンピュータシステムの指令及び／或はそれに保存或はそれを通じて転送されるデータの制御のもとに活動する工程を使用するものである。これらの作用を実施する装置に関する実施例もある。この装置は要求された目的で特に設計されたもの及び／或は製造されたものでもよく、或は一個以上のコンピュータプログラム及び／或はコンピュータに保存或はその他の様相で使用可能とされたデータ構成で構成された選択的に構成された汎用コンピュータでもよい。此処に開示される工程は内在的に特種なコンピュータ或は他の装置と関係のあるものではない。殊に、此処に開示されたプログラムと共に種々の汎用器具が使用可能であり、要求される方法工程の実施にはより特種化された装置を製造するのが便宜かもしれない。これら種々の機会の特種な構成について以下説明する。
明瞭なことであろうが、本発明の或る実施例は一個以上のコンピュータシステムの指令及び／或はそれに保存或はそれを通じて転送されるデータの制御のもとに活動する工程を使用するものである。これらの作用を実施する装置に関する実施例もある。この装置は要求された目的で特に設計されたもの及び／或は製造されたものでもよく、或は一個以上のコンピュータプログラム及び／或はコンピュータに保存或はその他の様相で使用可能とされたデータ構成で構成された選択的に構成された汎用コンピュータでもよい。此処に開示される工程は内在的に特種なコンピュータ或は他の装置と関係のあるものではない。殊に、此処に開示されたプログラムと共に種々の汎用器具が使用可能であり、要求される方法工程の実施にはより特種化された装置を製造するのが便宜かもしれない。これら種々の機会の特種な構成について以下説明する。
更に、或る実施例はコンピュータ読み取り可能のメディア或は少なくとも下記のタスクと関連のある種々のコンピュータ実施用処理の実行用プログラム指令及び／或はデータ（データ構成を含む）を含むコンピュータプログラム製品に関する：（１）器具類から生データを取得、（２）自動化及び使用者インタフェイスデータ品質制御の実施、（３）活動及び不活動状態の分類、（４）これら状態での時間的変化の解析と特徴付け、（５）行動バウトの分類、（６）運動バウトの分類、（７）グループに亘る比較密集化の実施。本発明はこれらのタスクのいずれ或は全部を実行するための指令を実施する計算装置にも関する。これらのタスク実行のための指令で符号化されたコンピュータ読み取り用のメディアにも関する。
本発明のコンピュータプログラム製品及び計算装置使用に適切な実体的コンピュータ読み取り用メディアの例にはハードディスク、フロッピイディスク、及び磁気テープのような磁気メディア；ＣＤ−ＲＯＭディスクのような光学的メディア；磁気光学的メディア；半導体メモリ装置（例えばフラッシュメモリ）、及びリードオンリメモリ装置（ＲＯＭ）及びランダムアクセスメモリ（ＲＡＭ）のようなプログラム指令を保存及び実行するように特に構成されたハードウエア装置があるが、これらに限定されるのではない。ここに提供されるデータ及びプログラム指令はキャリヤ波或は他の輸送媒体（電気的或は光学的伝送路を含む）によって具現されてもよい。
図２０Ａは適当に構成或は設計された場合或る実施例による計算装置として作用し得る典型的なコンピュータシステムを簡単なブロック様式によって示すものである。コンピュータシステム２０００には一次保存装置１９０６（典型的にはランダムアクセスメモリ、或はＲＡＭ）、一次保存装置２００４（典型的にはリードオンリメモリ装置、或は ＲＯＭ ）を含む保存装置と組まれているプロセッサ２００２（中央処理ユニット或はＣＰＵとも呼ばれる）が含まれる。ＣＰＵ２００２はどのようなタイプのものでもよく、例えばプログラマブルなマイクロコントローラ、マイクロプロセサ（例えばＣＰＬＤ，ＦＰＧＡ）及びゲートアレイＡＳＩＣ或は汎用マイクロプロセサのようなプログラマブルでない装置であってよい。図示された実施例において、一次保存装置２００４はデータや指令を一方向的にＣＰＵへ転送する作用をし 一次保存装置２００６は典型的にデータや指令を二方向的に転送するのに使用される。これら両方の一次保存装置は上記のようなコンピュータ読み取り用メディアを含んでよい。大容量保存装置２００８も一次保存装置２００６に二方向的に組み合わされて居り、追加的にデータ保存容量を提供し、上記のようなコンピュータ読み取り用メディアを含んでよい。大容量保存装置２００８はプログラム、データなどの保存に使用され、典型的にハードディスクのような二次保存メディアである。多くの場合、かようなプログラム、データなどはＣＰＵ２００２での実行のため一時的に一次保存装置２００６へ複写される。大容量保存装置２００８に保持された情報は適当な場合標準的な様式において一次保存装置２００４の一部と合体されることがある。ＣＤ−ＲＯＭ２０１４のような特別な大容量保存装置もＣＰＵ或は一次保存装置にデータを通す。
ＣＰＵ２００２は一個以上のヴィデオモニタ、トラックボール、マウス、キーボード、マイクロホン、タッチ型表示器、トランスデューサカード読み取り器、磁気或は紙テープリーダ、タブレット、スタイラス、肉声或は筆跡認識周辺装置、ＵＳＢポート、或は他のコンピュータのような周知の入力装置のような入力／出力装置と接続されるインタフェイス２０１０とも組み合わされる。最後に ＣＰＵ２００２は２０１２に示されるように外部接続を使用してデータベース或はコンピュータ或は遠距離通信ネットワークのような外部装置に組み合わされても良い。このような接続により、ＣＰＵは此処に記載の方法工程を実施する課程においてネットワークから情報を受け或はネットワークに情報を出力することが期待される。
一実施例において、コンピュータシステム２０００のようなシステムは此処に記載のタスクの一部或は全部の実施が可能なデータ輸入、データ修正或は質問システムとして使用される。データファイルを含む情報及びプログラムは研究者がダウンロードすることによってネットワーク接続２０１２から供給される。代行的にこのような情報、プログラム及びファイルは保存装置の上で研究者に供給され得る。
特別な一実施例において、コンピュータシステム２０００はサンプルからデータを捕獲するマイクロアレイ或は高処理能力のスクリーニングシステムのようなデータ獲得システムに直接組み合わせられる。このようなシステムからのデータはシステム２０００での解析用にインタフェイス２０１２を経て供給される。代行的に、システム２０００によって処理されたデータはデータベース或は関係あるデータの保管所のようなデータ保存源から供給される。一度装置２０００に入ると、一次保存装置２００６或は大容量保存装置２００８のようなメモリ装置は関連あるデータを少なくとも一時的に緩衝或は保存する。メモリはデータの輸入、解析及び呈示する種々のルーテン及び／或はプログラムも保存する。
本発明は固定メディア或は論理指令及び／或は適当に構成された計算装置にロードされるとその装置が本発明の方法に従ってデータセット（例えば行動をバウトへ分類、２４時間周期時間パタンを動作アウトへ同定、クラスター内行動の分類、グループの比較、など）に関して一個以上の上記の解析処理を実行するようにするデータを含む転送可能なプログラムコンポネントに具現することが出来る。
図２０Ｂはメディア２０６７及び／或はネットワークポート２０６９から指令を読むことの出来る論理装置と理解されてよいディジタル装置を示す。装置２０５０はその後これらの指令を使用して行動データを指導し、行動データベースその他の生成、分類、サーチ及び読み出しをすることが可能である。或る実施例において、このディジタル装置は本発明による一個以上の檻行動システムに直接結合し、任意的にリアルタイムに機能することが出来る。或る実施例において、ディジタル装置は単に以前収集したデータのアクセス、解析、 及び／或は操作を行う。
本発明の実施例となり得る一タイプの論理装置は２０５０に示される装置であって、ＣＰＵ２０５７、それから任意的に入力装置２０５９と２０６１、ディスクドライブ２０６５、及び任意的モニター２０５５を含む。そのようなシステムのプログラムに固定メディア２０６７が使用可能であり、ディスク型光学的及び／或は磁気的メディア及び／或はメモリその他となり得る。通信ポート２０６９もこのようなシステムのプログラムに使用可能であり、どのようなタイプの通信接続（例えばデータ獲得システムへの接続）をも表す。
本発明は特定応用集積回路（ＡＳＩＣ）或はプログラマブル論理装置（ＰＬＤ）の回路内に具現することが出来る。そのような場合、発明は此処に記述したように作用するＡＳＩＣ或はＰＬＤを生成するのに使用され得るコンピュータ理解用デスクリプタ言語で具現され得る。
本発明の方法は局地的或いは分布された計算環境で実施され得る。分布された環境において、この方法は複数のプロセサから成る単一コンピュータ或は複数のコンピュータで実行することが出来る。コンピュータは例えば共通のバスでリンクされてもよいが、コンピュータがネットワークのノードであることが望ましい。ネットワークは一般的でも局地専用でも広範囲ネットワークであってもよく、或る好適な実施例において、コンピュータはイントラネット或はインタネットの部品であってよい。
或るインタネット実施例において、クライエントシステムは典型的にウエブブラウザを実行してウエブサーバを実行するサーバコンピュータに組み合わされている。ウエブブラウザは典型的にマイクロソフトのインタネットエキスプロアラ（Ｉｎｔｅｒｎｅｔ Ｅｘｐｌｏｒｅｒ）或はネットスケイプ（ＮｅｔＳｃａｐｅ）或はオペラ（Ｏｐｅｒａ）のようなプログラムである。ウエブサーバは典型的にＩＢＭのＨＴＴＰダエモン或は他のＷＷＷダエモンであるがそれに限定はされない。クライエントコンピュータは有線或は無線システムを通じるサーバコンピュータと二方向的に組み合うことが出来る。叉、サーバコンピュータはウエブサイトと二方向的に組み合って（サーバがウエブサイトの上位）本発明の方法実施のソフトウエアへのアクセスを提供する。
イントラネット或はインタネットと接続されたクライエントの使用者はクライエントに本発明の方法の実施を提供するアプリケイションのホストをするウエブサイトの一部であるリソースを要求させることが出来る。サーバプログラムは指定されたリソース（使用可能であるならば）の返還の要求を実施する。ユニフォームリソースロケイタ（Ｕｎｉｆｏｒｍ Ｒｅｓｏｕｒｃｅ Ｌｏｃａｔｏｒ（”ＵＲＬ”））として知られている標準的名付け慣習に従っている。この慣習は数タイプの位置名称を包含して居り、現在Ｈｙｐｅｒｅｘｔ Ｔｒａｎｓｐｏｒｔ Ｐｒｏｔｏｃｏｌ （”ｈｔｔｐ”），Ｆｉｌｅ Ｔｒａｎｓｐｏｒｔ Ｐｒｏｔｏｃｏｌ（”ｆｔｐ”）， ｇｏｐｈｅｒ，及び Ｗｉｄｅ Ａｒｅａ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｅｒｖｉｃｅ （”ＷＡＩＳ”）のようなサブクラスが含まれている。リソースがダウンロードされると追加的リソースのＵＲＬが含まれるかもしれない。従ってクライエントの使用者は特に要求しなかった新しいリソースの存在が容易に分かる。
本発明の方法の実行をするソフトウエアは本当のクラーエントサーバ構成のウエブサイトを提供するサーバの上で局地的に実行される。従ってクライエントコンピュータは局地的に要求された処理を実行するホストサーバに要求を掲示し、次いで結果をクライエントにダウンロードする。代行的に本発明の方法は「多層」方式で実施されてもよく、ここでは方法の部分はクライエントによって局地的に実行される。これはサーバからクライエント（例えばＪａｖａ（登録商標）アプリケイション）の要求によってダウンロードされたソフトウエアで、或は「恒久的に」クライエントにインストールされたソフトウエアによって実行することが出来る。
一実施例において、本発明の方法を実施するアプリケイションはフレームに分割されている。このパラダイムにおいては、アプリケイションを特徴や機能性の集合としてではなく、個々のフレーム或は視野の集合と見なすのが有利である。例えば典型的なアプリケイションにはメニュ項目のセットが含まれて居り、その各々が特別なフレーム即ちアプリケイションの或る機能性を表明する形態をよびおこすものである。この観点から、アプリケイションは一枚岩的なコードの体系ではなく、アプレットの集合或は機能性の束と見なされる。かようにブラウザの内側から使用者はウエブペイジリンクを選択し、それが順にアプリケイションの特別なフレーム（即ちサブアプリケイション）を呼び起こす。従って、例えば一個或はそれ以上のフレームが或る特別の動物或は種族のエソグラムの入力及び／或はアクセス機能性を提供する一方、他のフレームがバウト、クラスター、２４時間周期時間パタンなどの同定のツールを提供することが出来る。
アプリケイションをフレームの集合と表現するに加えて、アプリケイションはイントラネット及び／或はインタネット上の位置；アプリケイションを指すＵＲＬ（Ｕｎｉｖｅｒｓａｌ Ｒｅｓｏｕｃｅ Ｌｏｃａｔｏｒ）アドレスとして表現出来る。各ＵＲＬには好適に二つの特徴がある： データタイプと共にＵＲＬの内容データ（即ちサーバに保存された何かしらのデータ）或はＭＩＭＥ（Ｍｕｌｔｉｐｕｒｐｏｓｅ Ｉｎｔｅｒｎｅｔ Ｍａｉｌ Ｅｘｔｅｎｓｉｏｎ）タイプ。データタイプはそれによってウエブブラウザがサーバから受けたデータを如何に解釈すべきか決定する（例えば．ｇｉｆファイルをビットマップ画像と解釈する）ものである。事実、これはブラウザで一度受けられたデータをどうすればよいかの記述の役を果たす。もし一連のバイナリデータがＨＴＭＬタイプとして受けられると、ブラウザはこれをＨＴＭＬペイジとする。これに反し、もしこれをビットマップタイプとして受けると、ブラウザはこれをビットマップ画像とする。
マイクロソフトウインドウズではホストアプリケイションがデータオブジェクトに興味を登録する（即ち特種のデータ）種々の方法がある。一法ではウインドウズにアプリケイションが（例えば．ｄｏｃ−−”Ｍｉｃｒｏｓｏｆｔ Ｗｏｒｄ Ｄｏｃｕｍｅｎｔ”）特別ファイルエクステンションへの興味を登録する；これはウインドウアプリケイションで使用される最も普通なテクニクである。Ｍｉｃｒｏｓｏｆｔ Ｏｂｊｅｃｔ Ｌｉｎｋｉｎｇ ａｎｄ Ｅｍｂｅｄｄｅｄ（ＯＬＥ）で使用される別のアプローチはクラスＧｌｏｂａｌｌｙ Ｕｎｉｑｕｅ Ｉｄｅｎｔｉｆｉｅｒ或は１６バイトの識別子を使用して特別なサーバアプリケンションを指摘し（ＧＵＩＤを有するドキュメントを提供するため）提供する。クラスＩＤは特別な機械に特別なＤＬＬ（Ｄｙｎａｍｉｃ Ｌｉｎｋ Ｌｉｂｒａｒｙ）或はアプリケイションサーバに接続されているとして登録される。
特に興味のある一実施例において、ホストアプリケンションをドキュメントと関連させるテクニクとは ＭＩＭＥタイプを使用することである。 ＭＩＭＥはドキュメントオブジェクトを包装する標準化されたテクニクを提供するものである。これにはどちらのアプリケイションがドキュメントを提供するのに適当か指摘するＭＩＭＥヘッダが含まれ、すべてはインタネットに亘って転送するのに適当な様式で含まれている。
好適な一例において、本発明の方法は一部本発明の方法の使用に特別のＭＩＭＥタイプの使用で実施される。このＭＩＭＥタイプは局地的にドキュメント（例えば）の生成に必要な情報を含むが、それに加えてもし必要ならばドキュメントを見えるようにするプログラムコードを見つけてダウンロードするのに必要な情報が含まれる。このプログラムコードが既に局地的に存在するならば、局地的のコピーを更新する目的でダウンロードすることのみが必要である。これでドキュメントを見えるようにするダウンロード出来るプログラムコードを指示する情報を含む新しいドキュメントタイプが定義される。
ＭＩＭＥタイプは．ＡＰＰのファイルエクステンションに関連するかもしれない。 ．ＡＰＰエクステンションを有するファイルはＯＬＥ ＤｏｃＯｂｊｅｃｔで実行されるＯＬＥ Ｄｏｃｕｍｅｎｔである。．ＡＰＰ ファイルはファイルなので、サーバに置かれ、ＨＴＭＬ ＨＲＥＦの使用にリンクされる。．ＡＰＰ ファイルは好適に以下のデータを含むものである：（１）本発明の方法の使用に適切な一つ或はそれ以上の様式に実行されたＯＬＥ Ｄｏｃｕｍｅｎｔ ＶｉｅｗｅｒであるＡｃｔｉｖｅＸオブジェクトのＣＬＳＩＤ；（２）オブジェクトのコードが見出されるコードベースのＵＲＬ；及び（３）（任意的に）要求されたバージョン数。一度ＡＰＰ ＤｏｃＯｂｊｅｃｔハンドラーコードがインストールされ、ＡＰＰ ＭＩＭＥタイプを登録すると。これは．ＡＰＰファイルを使用者のウエブブラウザにダウンロードするのに使用することが出来る。
サーバの側においては、．ＡＰＰファイルが実際にファイルであるので、ウエブサーバは単に要求を受け、ファイルをクライエントに返還する。ＡＰＰファイルがダウンロードされると、 ．ＡＰＰ ＤｏｃＯｂｊｅｃｔハンドラーは．ＡＰＰファイルに指定されたオブジェクト用のコードベースをダウンロードするようにオペレイティングシステムに要求する。このシステム機能性はＣｏＧｅｔＣｌａｓｓＯｂｊｅｃｔＦｒｏｍＵＲＬ機能によりウインドウズで利用可能である。ＡｃｔｉｖｅＸオブジェクトのコードベースがダウンロードされた後、 ．ＡＰＰ ＤｏｃＯｂｊｅｃｔハンドラーは例えばＥｘｐｌｏｒｅｒドキュメントサイトのＡｃｔｉｖａｔｅＭｅ方法を呼び出してそれ自身の上に視界を生成するようブラウザに要求する。Ｉｎｔｅｒｎｅｔ Ｅｘｐｌｏｒｅｒは次いでＤｏｃＯｂｊｅｃｔを呼び返し、ダウンロードされたコードからＡｃｔｉｖｅＸ視界オブジェクトのインスタンスを生成することにより視界を実体化する。一度生成されると、Ａｃｔｉｖｅ視界オブジェクトはＩｎｔｅｒｎｅｔ Ｅｘｐｌｏｒｅｒの中で活動化され、適切な形態とその総てのｃｈｉｌｄ ｃｏｎｔｒｏｌとが生成される。
形態が生成されると、機能の実行に必要な遠隔サーバオブジェクトへの接続が設立される。此の点において、使用者はＩｎｔｅｒｎｅｔ Ｅｘｐｌｏｒｅｒフレームに埋め込まれたように見える形態と作用することが出来る。使用者が異なる頁へと変えると、ブラウザは最終的に形態を閉めて破壊する責任を負う（叉、遠隔サーバとの未解決の接続を放棄する）。
好適な一実施例において、最終使用者のデスクトップからシステムへの入口点は会社のホーム或は別の特別なウエブサイトのホームページである。任意的にページは従来の様式に従ってリンクの数を含むものである。使用者がアプリケイションのページ（例えば本発明の方法の機能性を提供するページ）への特別なリンクをクリックすると、ウエブブラウザはサーバに存在するページ（ファイル）に接続する。
一実施例において、使用者が本発明の方法へのアクセスを要求すると、使用者は特種のページタイプ，例えばウエブブラウザの中のアプリケイション（本発明の方法の一個以上の要素を実施する）実行用のアプリケイション（ａｐｐｄｏｃ）ページに導かれる。各アプリケイションページはＵＲＬを使用して見つけるものであるから、他のページはそこへのハイパーリンクを有することが出来る。複数のアプリケイションページがこれらのアプリケイションページへのハイパーリンクを含むカタログページを作成することによってグループに纏めることが出来る。使用者が或るアプリケイションページへのハイパーリンクを選択すると、ウエブブラウザはアプリケイションコードをダウンロードしブラウザ内のページを実行する。
ブラウザがアプリケイションページをダウンロードすると、ブラウザは（定義されたＭＩＭＥタイプに基づいて）局地的ハンドラー、殊にタイプのドキュメントのハンドラーを呼び出す、アプリケイションは好適にＧｌｏｂａｌｌｙ Ｕｎｉｑｕｅ Ｉｄｅｎｔｉｆｉｅｒ（ＧＵＩＤ）及びドキュメントを提供するために呼び出す遠隔（ダウンロード可能な）アプリケイションを同定するコードベースＵＲＬを含んでいる。ドキュメントオブジェクト及びアプリケイションページと共に得られるＧＵＩＤが与えられると、局地的ハンドラーはクライエント機械を見て提供するアプリケイションが既に局地的に存在するか判断する（例えばＷｉｎｄｏｗｓ ９５／ＮＴ（登録商標）の登録を検査して）。この点において局地的ハンドラーは局地的コピー（もし存在するならば）を呼び出すこととし、或はホストアプリケイションの最新のバージョンをダウンロードする。
コードをダウンロードするには異なるモデルが利用可能である。コードがダウンロードされるとサーバから“コードベース”仕様（ファイル）が最初に要求される。コードベース自身は簡単なＤＬＬファイルから複数の圧縮されたファイルを含むＣａｂｉｎｅｔファイル（Ｍｉｃｒｏｓｏｆｔ ．ｃａｂファイル）であり得る。更に、情報（例えばＭｉｃｒｏｓｏｆｔ．ｉｎｆ）ファイルもクライエントシステムに如何にダウンロードされたアプリケイションをインストールするか教示するために使用することが出来る。これらの機構により、アプリケイションのどの部分が何時ダウンロードされるか選択する自由度が大きくなる。
或る実施例において、実際にプログラムコード自身をダウンロードするのに使用される機構は標準Ｍｉｃｒｏｓｏｆｔ ＡｃｔｉｖｅＸ ＡＰＩ（Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍｍｉｎｇ Ｉｎｔｅｒｆａｃｅ）−ｃａｌｌｓに依存する。ＡｃｔｉｖｅＸ ＡＰＩはウエブから得られるアプリケイションに生来の支持を提供するものではないが、そのＡＰＩはプログラムコードの正しいバージョンを見つけ、これを局地的機械にコピーし、その完全性を証明し、それをクライエントオペレイティングシステムに登録するのに呼び出すことが出来る。一度コードがダウンロードされると、ハンドラーはドキュメントオブジェクトを与えるために今は存在するアプリケイションホストの呼び出しにかかることが出来る（すでにインストールされている場合には登録によってホスティングアプリケイションを呼び出すのと同様に）。
一度ホスティングアプリケイション（ＯＬＥ サーバ）がクライエントにロードされると、クライエントシステムはＯＬＥドキュメントヴィウ構成を使用してアプリケイションを正確にブラウザ内に与えることが出来、それには従来のＯＬＥ法を使用してアプリケイションのメニュをブラウザのそれに加え正確にブラウサの変更サイズの上にアプリケイションのサイズ変更を行うこと（アプリケイションが単一Ａｃｔｉｖｅ Ｘ制御矩形の中で実行されるように要求する（以前留意された限定）に反して）が含まれる。一度アプリケイションがクライエントにおいて実行し始めると、ＲＰＣ（Ｒｅｍｏｔｅ Ｐｒｏｃｅｄｕｒｅ Ｃａｌｌ）法を使用するなど遠隔論理が実施可能である。このようにして好適に遠隔手法として実施される論理が今だに使用可能である。
或る好適な実施例において、本発明の方法は一個以上のフレームとして実施され、以下の機能性を提供する。生行動データ或は減少／処理行動データ（例えば本発明の装置で生成されたデータ）を編成，サーチ、保存及び回収する機能、バウトを同定及び／或は分類する機能、バウトのクラスターを同定及び／或は分類する機能、２４時間周期パタンを同定及び／或は分類する機能、バウト内行動を同定及び／或は分類する機能、エソグラムを比較及びコントラストする機能、エソグラムをグラフ表示する機能、など。
更に、任意的に、機能とは局地的ネットワーク及び／或はイントラネットを通じてアクセス可能な私的及び／或は公的データベースへのアクセスを提供し、それによってデータベースに含まれる一個以上のエソグラムが本発明の方法に入力出来るようになる機能であり得る。
計算及び／或はアクセス処理のイントラネット及び／或はインタネット実施例の実行並びに当業者に周知の方法は詳細に文書化されている。（例えばＣｌｕｅｒ ｅｔ ａｌ．（１９９２）”Ａ Ｇｅｎｅｒａｌ Ｆｒａｍｅｗｏｒｋ ｆｏｒ ｔｈｅ Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ Ｏｂｊｅｃｔ−Ｏｒｉｅｎｔｅｄ Ｑｕｅｒｉｅｓ”， Ｐｒｏｃ ＳＩＧＭＯＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｎａｇｅｍｅｎｔ ｏｆ Ｄａｔａ， Ｓａｎ Ｄｉｅｇｏ， Ｃａｌｉｆ．， Ｊｕｎ．２，５，１９９２， ＳＩＧＭＯＤ Ｒｅｃｏｒｄ，ｖｏｌ．２１，Ｉｓｓｕｅ ２，Ｊｕｎ．，１９９２； Ｓｔｏｎｅｂｒａｋｅｒ，Ｍ．，Ｅｄｉｔｏｒ； ＡＣＭ Ｐｒｅｓｓ， ｐｐ．３８３ ３９２； ＩＳＯ−ＡＮＳＩ， Ｗｏｒｋｉｎｇ Ｄｒａｆｔ， ”Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ−Ｄａｔａｂａｓｅ Ｌａｎｇｕａｇｅ ＳＱＬ”， Ｊｉｍ Ｍｅｌｔｏｎ， Ｅｄｉｔｏｒ， Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｏｒｇａｎｉｚａｔｉｏｎ ｆｏｒ Ｓｔａｎｄａｄｉｚａｔｉｏｎ ａｎｄ Ａｍｅｒｉｃａｎ Ｎａｔｉｏｎａｌ Ｓｔａｎｄａｒｄｓ Ｉｎｓｔｉｔｕｔｅ， Ｊｕｌｙ １９９２； Ｍｉｃｒｏｓｏｆｔ Ｃｏｒｐｏｒａｔｉｏｎ， ”ＯＤＢＣ ２．０ Ｐｒｏｇｒａｍｍｅｒ’ｓ Ｒｅｆｅｒｅｎｃｅ ａｎｄ ＳＤＫ Ｇｕｉｄｅ． Ｔｈｅ Ｍｉｃｒｏｓｏｆｔ Ｏｐｅｎ Ｄａｔａｂａｓｅ Ｓｔａｎｄａｒｄ ｆｏｒ Ｍｉｃｒｏｓｏｆｔ Ｗｉｉｎｄｏｗｓ．． ＴＭ．． ａｎｄ Ｗｉｎｄｏｗｓ ＮＴ．．ＴＭ．．， Ｍｉｃｒｏｓｏｆｔ Ｏｐｅｎ Ｄａｔａｂａｓｅ Ｃｏｎｎｅｃｔｉｖｉｔｙ．．ＴＭ．． Ｓｏｆｔｗａｒｅ Ｄｅｖｅｌｏｐｍｅｎｔ Ｋｉｔ”， １９９２， １９９３， １９９４ Ｍｉｃｒｏｓｏｆｔ Ｐｒｅｓｓ， ｐｐ．３ ３０ ａｎｄ ４１ ５６； ＩＳＯ Ｗｏｒｋｉｎｇ Ｄｒａｆｔ， ”Ｄａｔａｂｓｅ Ｌａｎｇｕａｇｅ ＤＱＬ−Ｐａｒｔ ２： Ｆｏｕｎｄａｔｉｏｎ （ＳＱＬ／Ｆｏｕｎｄａｔｉｏｎ）”， ＣＤ９０７５ ２：１９９． ｃｈｉ． ＳＱＬ， Ｓｅｐ．１１，１９９７などを参照）。
当業者は本発明の範囲から逸脱することなくこの構成に多くの変更が可能であることに気付くことであろう。例えば二層構成において、ＷＷＷゲイトウエイの機能を実施するサーバシステムはウエブサーバの機能をも実施するものでよい。例えば、上記の実施例はいずれもＵＲＬ以外の形式の使用者／使用者ターミナルからの要求により変更されてよい。変更には複数マネージャ環境への適合に関するものでもよい。
例
住居檻行動パタンの解析に、ネズミは通常個々に１４日間住居檻監視（ＨＣＭ）檻のなかに住まわせられた。最初の４日は順化期間とみなされ、次の１０日のデータが行動パタンの解析に使用された。各ネズミから複数日のデータを得たので、各ネズミの平均的日ごとの行動の詳細な記述が得られ、基礎的行動要素及び日ごとのパタンの再現性の評価が可能であった。
住居檻行動パタンの解析に、ネズミは通常個々に１４日間住居檻監視（ＨＣＭ）檻のなかに住まわせられた。最初の４日は順化期間とみなされ、次の１０日のデータが行動パタンの解析に使用された。各ネズミから複数日のデータを得たので、各ネズミの平均的日ごとの行動の詳細な記述が得られ、基礎的行動要素及び日ごとのパタンの再現性の評価が可能であった。
１．実験工程
Ａ．動物
肥満自然変異同種接合ネズミ（Ｌｅｐob， Ｂ６．Ｖ−Ｌｅｐob／Ｊ： ＯＢ）及び制御（Ｃ５７ＢＬ／６Ｊ）ネズミ（ＷＴ）がＴｈｅ Ｊａｃｋｓｏｎ Ｌａｂｏｒａｔｏｒｙ （Ｂａｒ Ｈａｒｂｏｒ， ＭＥ）から入手された。 Ｘ−ｌｉｎｋｅｄ ｈｔｒ２ｃ遺伝子（Ｔｅｃｏｔｔ ｅｔ ａｌ．， １９９５）のヌル変化を有するセロトニン２Ｃレセプタ半接合自然変異牡（２Ｃ）と制御ＷＴ同腹仔がＵＣＳＦにおいてｈｔｒ２ｃ-対立遺伝子（Ｃ５７ＢＬ／６Ｊ背景の類遺伝子性）と Ｔｈｅ Ｊａｃｋｓｏｎ Ｌａｂｏｒａｔｏｒｙから入手されたＣ５７ＢＬ／６Ｊ牡から養育された。 ｈｔｒ２ｃ-対立遺伝子の遺伝子型はＰＣＲ解析で実施された。動物は室温（１８−２３°Ｃ）で１２時間の明／暗サイクル（午前７時点灯）のもと、水と標準的食餌（ＰｉｃｏＬａｂ Ｍｏｕｓｅ Ｄｉｅｔ ２０， Ｐｕｒｉｎａ Ｍｉｌｌｓ， Ｒｉｃｈｍｏｎｄ， ＩＮ）に自由にアクセス出来る環境に収容された。実験はＮａｔｉｏｎａｌ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｈｅａｌｔｈ Ｇｕｉｄｅ ｆｏｒ Ｃａｒｅ ａｎｄ Ｕｓｅ ｏｆ Ｌａｂｏｒａｔｏｒｙ Ａｎｉｍａｌｓ及びｔｈｅ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃａｌｉｆｏｒｎｉａ Ｃｏｍｍｉｔｔｅｅ ｏｎ Ａｎｉｍａｌ Ｒｅｓｅａｒｃｈのガイドラインに従って行われた。
Ａ．動物
肥満自然変異同種接合ネズミ（Ｌｅｐob， Ｂ６．Ｖ−Ｌｅｐob／Ｊ： ＯＢ）及び制御（Ｃ５７ＢＬ／６Ｊ）ネズミ（ＷＴ）がＴｈｅ Ｊａｃｋｓｏｎ Ｌａｂｏｒａｔｏｒｙ （Ｂａｒ Ｈａｒｂｏｒ， ＭＥ）から入手された。 Ｘ−ｌｉｎｋｅｄ ｈｔｒ２ｃ遺伝子（Ｔｅｃｏｔｔ ｅｔ ａｌ．， １９９５）のヌル変化を有するセロトニン２Ｃレセプタ半接合自然変異牡（２Ｃ）と制御ＷＴ同腹仔がＵＣＳＦにおいてｈｔｒ２ｃ-対立遺伝子（Ｃ５７ＢＬ／６Ｊ背景の類遺伝子性）と Ｔｈｅ Ｊａｃｋｓｏｎ Ｌａｂｏｒａｔｏｒｙから入手されたＣ５７ＢＬ／６Ｊ牡から養育された。 ｈｔｒ２ｃ-対立遺伝子の遺伝子型はＰＣＲ解析で実施された。動物は室温（１８−２３°Ｃ）で１２時間の明／暗サイクル（午前７時点灯）のもと、水と標準的食餌（ＰｉｃｏＬａｂ Ｍｏｕｓｅ Ｄｉｅｔ ２０， Ｐｕｒｉｎａ Ｍｉｌｌｓ， Ｒｉｃｈｍｏｎｄ， ＩＮ）に自由にアクセス出来る環境に収容された。実験はＮａｔｉｏｎａｌ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｈｅａｌｔｈ Ｇｕｉｄｅ ｆｏｒ Ｃａｒｅ ａｎｄ Ｕｓｅ ｏｆ Ｌａｂｏｒａｔｏｒｙ Ａｎｉｍａｌｓ及びｔｈｅ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃａｌｉｆｏｒｎｉａ Ｃｏｍｍｉｔｔｅｅ ｏｎ Ａｎｉｍａｌ Ｒｅｓｅａｒｃｈのガイドラインに従って行われた。
Ｂ．データ収集
牡ネズミは一端にフィーダーと水瓶を備えた４５ｘ２４ｘ１７ｃｍのプレクシグラスの囲いから成る住居檻行動監視システム（ＨＣＭ）に１４日間収容された。網製のランプによって４ｘ４ｃｍのフィーダーに入ることが可能であり、ここで動物は２．５ｘ２．５ｃｍの孔から頭を食餌引き出しに突っ込んで粉末化された食餌にアクセスすることが出来た。摂食の検出のため、頭が突っ込まれるとランプ（ＤｉＬｏｇ Ｉｎｓｔｒｕｍｅｎｔｓ， Ｔａｌｌａｈａｓｓｅｅ， ＦＬ）の孔の下に位置する写真光線が遮断される。摂飲の検出には、０．５ｘ２．５ｃｍの孔を有する金属板の後ろに位置する水瓶に付けられた金属製の飲み口を動物がなめた。金属製の飲み口はなめの接触でキャパシタンスが変化する（ＤｉＬｏｇ Ｉｎｓｔｒｕｍｅｎｔｓ， Ｔａｌｌａｈａｓｓｅｅ， ＦＬ）。動物の体重の重心を監視するため、プレクシグラスの囲いは中央回転軸と前方に二本のロードビームを有する活動監視プラットフォーム（ＤｉＬｏｇ Ｉｎｓｔｒｕｍｅｎｔｓ， Ｔａｌｌａｈａｓｓｅｅ， ＦＬ）の上に設置した。データは隣室（ＤｉＬｏｇ Ｉｎｓｔｒｕｍｅｎｔｓ， Ｔａｌｌａｈａｓｓｅｅ， ＦＬ）に位置されたパソナルコンピュータで収集された。摂取 イベントファイルがミリ秒単位でサンプリングされる写真光線遮断及びなめ接触の開始と終了を記録した。運動イベントは動物の体重中心が１ｃｍ（動物の体重と５００ミリ秒の移動平均ウインドウで濾過した後の二本のロードビームへの力からオンラインで計算）の直径以外に出たことで定義された。運動イベントファイルは各２０ミリ秒でサンプルされた運動イベント開始を記録した。
牡ネズミは一端にフィーダーと水瓶を備えた４５ｘ２４ｘ１７ｃｍのプレクシグラスの囲いから成る住居檻行動監視システム（ＨＣＭ）に１４日間収容された。網製のランプによって４ｘ４ｃｍのフィーダーに入ることが可能であり、ここで動物は２．５ｘ２．５ｃｍの孔から頭を食餌引き出しに突っ込んで粉末化された食餌にアクセスすることが出来た。摂食の検出のため、頭が突っ込まれるとランプ（ＤｉＬｏｇ Ｉｎｓｔｒｕｍｅｎｔｓ， Ｔａｌｌａｈａｓｓｅｅ， ＦＬ）の孔の下に位置する写真光線が遮断される。摂飲の検出には、０．５ｘ２．５ｃｍの孔を有する金属板の後ろに位置する水瓶に付けられた金属製の飲み口を動物がなめた。金属製の飲み口はなめの接触でキャパシタンスが変化する（ＤｉＬｏｇ Ｉｎｓｔｒｕｍｅｎｔｓ， Ｔａｌｌａｈａｓｓｅｅ， ＦＬ）。動物の体重の重心を監視するため、プレクシグラスの囲いは中央回転軸と前方に二本のロードビームを有する活動監視プラットフォーム（ＤｉＬｏｇ Ｉｎｓｔｒｕｍｅｎｔｓ， Ｔａｌｌａｈａｓｓｅｅ， ＦＬ）の上に設置した。データは隣室（ＤｉＬｏｇ Ｉｎｓｔｒｕｍｅｎｔｓ， Ｔａｌｌａｈａｓｓｅｅ， ＦＬ）に位置されたパソナルコンピュータで収集された。摂取 イベントファイルがミリ秒単位でサンプリングされる写真光線遮断及びなめ接触の開始と終了を記録した。運動イベントは動物の体重中心が１ｃｍ（動物の体重と５００ミリ秒の移動平均ウインドウで濾過した後の二本のロードビームへの力からオンラインで計算）の直径以外に出たことで定義された。運動イベントファイルは各２０ミリ秒でサンプルされた運動イベント開始を記録した。
食餌及び水の摂取決定に関し、データの収集は食餌と水の重量を測定するのに中止され、その後又再開された。この期間は午前９時と１１時の間で２時間以下かかった。動物の巣の位置は檻をｘに３区画、ｙに７区画，合計２１の区画に分けて毎日記録した。データは年齢１１−１４週の牡ネズミについて収集された：ＷＴ（ｎ＝８）及びＯＢ（ｎ＝８）；ＷＴ（ｎ＝１６）及び２Ｃ（ｎ＝１６）。
写真光線遮断時間及びなめ接触数を日ごとの食餌及び水の摂取量として有効化するため、ネズミのサブセットに関して食餌と水の重量を初回のデータ収集の後３日に亘り午前７時に、３日に亘り午前７時と午後７時に、３日に亘り午前７時、午後１時、７時及び１０時に計測した。一日の異なる時間において摂取と装置測量と高度の相関があったので、これらの装置計量は一日のどの時間においても摂取の推定として使用出来ることが確認された（ 摂食Ｒ2（平均±標準偏差、ネズミの数）：ＷＴ ０．９５±０．０４ Ｎ＝８，２Ｃ ０．９７±０．０１ Ｎ＝６； 摂飲 Ｒ2 ： ＷＴ ０．９８±０．０１ Ｎ＝８，２Ｃ ０．９８±０．０１ Ｎ＝８； ｐ＜０．０００１すべてのネズミ両方の摂取装置）。時間に亘っての摂取の推定に、食餌摂取を総写真光線遮断時間で割って摂食係数（ｍｇ／ｓ）を、総水摂取を総なめ接触回数で割って摂飲係数（ｍｇ／なめ）を計算した。摂食係数を写真光線遮断時間と、或は摂飲係数をなめ接触回数と掛けて時間に亘る摂取を推定した。
Ｃ．データ処理及び品質制御
行動データが大量なので、効率的にデータ品質を評価及び最大化する方法の設立が要求された。その達成のため、各データ収集装置の出力を使用して檻の中のその他の装置の作用をクロスチェックした。ＭＡＴＬＡＢプログラミング言語を使用してインハウスで開発されたデータ品質制御アルゴリズムは自動的にエラーを検出し除外すべき或は実験者がインハウスで開発されたグラフ式使用者インタフェイスを使用して再検査すべきデータをフラッグで識別した。解析の便宜のため、すべての装置についてエラーのなかったネズミ日のみが解析に使用された。
行動データが大量なので、効率的にデータ品質を評価及び最大化する方法の設立が要求された。その達成のため、各データ収集装置の出力を使用して檻の中のその他の装置の作用をクロスチェックした。ＭＡＴＬＡＢプログラミング言語を使用してインハウスで開発されたデータ品質制御アルゴリズムは自動的にエラーを検出し除外すべき或は実験者がインハウスで開発されたグラフ式使用者インタフェイスを使用して再検査すべきデータをフラッグで識別した。解析の便宜のため、すべての装置についてエラーのなかったネズミ日のみが解析に使用された。
ｉ．摂取イベント開始エラーの検出
位置に関する総ドリフトを推定し（以下における運動位置修正を参照）、これを摂取イベント開始における動物の位置のドリフトと比較した。総位置ドリフトを推定するには、日ごとのデータ収集の間に如何に最小及び最大動物位置が時間と共に変化したかに従う位置包絡線（ｘとｙと別個）を計算した。
位置に関する総ドリフトを推定し（以下における運動位置修正を参照）、これを摂取イベント開始における動物の位置のドリフトと比較した。総位置ドリフトを推定するには、日ごとのデータ収集の間に如何に最小及び最大動物位置が時間と共に変化したかに従う位置包絡線（ｘとｙと別個）を計算した。
例えばｘについて、これはｘ位置の時間シリーズを使用し、頂点が時間に対するｘ位置の包絡線を定義する複数の凸状殻体を計算することで達成される。先ず、一日の最初の１５分間のｘデータに第一の凸状殻体をフィットする。次いで動物の最大移動距離がｘ方向で少なくとも１５ｃｍ（或はｙ方向で３５ｃｍ）となり、動物が檻の大部分（ ｘとｙの両方 ）を動いたことになるまでこの凸状殻体が（時間的に）拡張された。次いで、次の１５分間のデータを含む次の凸状殻体を前回の凸状殻体の後にフィットした。この殻体も第一のと同様に拡張された。日ごとのデータ収集期間全体が覆われるまで殻体を連続的にｘデータにフィットした。
檻での動物の運動の境界を定義し、如何に最小及び最大ｘ位置のドリフトが時間と共に変化するかの推定を供する位置包絡線が生成された。最大及び最小位置のこの推定は平均されｘ位置のドリフトが推定された。もしこのドリフトが摂取装置位置の見かけのドリフトからｘで１０ｃｍ或はｙで１５ｃｍ以上異なっていると、摂取及び運動装置イベントは以後での再検討のためにフラッグで識別された。イベント開始エラーは３ネズミ日に亘る写真光線遮断データ及び４ネズミ日に亘るなめ接触データの除外となった。
ｉｉ．運動位置修正
活動プラットフォームロードビームにかかる力を使用して位置を推定するので、檻内部の質量分布変化（檻の前部から食餌及び水の除去，寝具材の移動、排尿、及び排便）によってこれらの推定にエラーが導入される。これらのエラーを修正するのに、第一に節食及びなめ検出装置の既知の位置を使用し、装置の位置にいる時の動物の重心の予想される位置を設定した。この予想位置は一日の最初の装置検出の際に設定された。これはこの位置でドリフトが最小だからである。次いで運動データから予想されるその後の摂取イベント位置が摂取装置の位置（上記の如く虚偽摂取イベント開始を除外した後）に基づく予想位置と比較された。もし予想値と予期値との相違がｘ或はｙにおいて２ｃｍ以上であると（平均±標準偏差：運動イベントの３３±９％）、今回と前回の摂取イベントの間に発生した位置を以下のように修正した：（１）位置ドリフトをｘとｙと別々に決定した、（２）総ドリフトを各運動イベントの間に動いた距離で加重して位置に分配した。
活動プラットフォームロードビームにかかる力を使用して位置を推定するので、檻内部の質量分布変化（檻の前部から食餌及び水の除去，寝具材の移動、排尿、及び排便）によってこれらの推定にエラーが導入される。これらのエラーを修正するのに、第一に節食及びなめ検出装置の既知の位置を使用し、装置の位置にいる時の動物の重心の予想される位置を設定した。この予想位置は一日の最初の装置検出の際に設定された。これはこの位置でドリフトが最小だからである。次いで運動データから予想されるその後の摂取イベント位置が摂取装置の位置（上記の如く虚偽摂取イベント開始を除外した後）に基づく予想位置と比較された。もし予想値と予期値との相違がｘ或はｙにおいて２ｃｍ以上であると（平均±標準偏差：運動イベントの３３±９％）、今回と前回の摂取イベントの間に発生した位置を以下のように修正した：（１）位置ドリフトをｘとｙと別々に決定した、（２）総ドリフトを各運動イベントの間に動いた距離で加重して位置に分配した。
ｉｉｉ．摂取イベントオフセットエラーの検出
フィーダー写真光線が食餌粒子でブロックされると、摂取イベントのオフセットの検出不成功が起こる。かようなエラーを検出するため、Ａｍｅｏｂａと名付けられた高速最近隣密集化アルゴリズムを使用して写真光線遮断の間ネズミが一日中にとった全部の位置が密集化された。写真光線遮断の間に発生の個々のクラスターを同定するため、５ｃｍ標準が使用された。装置を中央とするクラスターが只一個存在する場合、これはネズミが摂取イベント全部の間装置の近くに居たことを示すので、摂取イベント終了時間は総て正確であったことを示す。一個以上のクラスターが存在する場合には、摂取装置に最も近くを中央とする最大のクラスターが有効のイベントを含んだと推定した。その他のクラスターのイベントは、これらのイベントの間動物が装置から遠くに居たことになるので除外された。この結果、総計４８０ネズミ日のうち６８ネズミ日（１４％）の写真光線遮断データが除外されたことになる。なめイベント終了エラーの検出のテストに同じアルゴリズムが使用されが、かようなエラーは検出されなかった
フィーダー写真光線が食餌粒子でブロックされると、摂取イベントのオフセットの検出不成功が起こる。かようなエラーを検出するため、Ａｍｅｏｂａと名付けられた高速最近隣密集化アルゴリズムを使用して写真光線遮断の間ネズミが一日中にとった全部の位置が密集化された。写真光線遮断の間に発生の個々のクラスターを同定するため、５ｃｍ標準が使用された。装置を中央とするクラスターが只一個存在する場合、これはネズミが摂取イベント全部の間装置の近くに居たことを示すので、摂取イベント終了時間は総て正確であったことを示す。一個以上のクラスターが存在する場合には、摂取装置に最も近くを中央とする最大のクラスターが有効のイベントを含んだと推定した。その他のクラスターのイベントは、これらのイベントの間動物が装置から遠くに居たことになるので除外された。この結果、総計４８０ネズミ日のうち６８ネズミ日（１４％）の写真光線遮断データが除外されたことになる。なめイベント終了エラーの検出のテストに同じアルゴリズムが使用されが、かようなエラーは検出されなかった
ｉｖ．他のエラーの検出
データはデータ収集に特異なエラーによっても除外された。一匹のネズミはフィーダーの中で寝ていることが観察されたため１３−１４日目のデータが除外された。又一匹のネズミは１２日目に食餌ホッパーを空にしてしまったので、食餌を欠いて居たと思われたため、１２−１４日分のデータは除外された。８日目に数時間に亘って３１°Ｃへとの温度制御が失われた理由で８−９日目のＷＴＯＢの一団のすべてのネズミのデータが除外された。
データはデータ収集に特異なエラーによっても除外された。一匹のネズミはフィーダーの中で寝ていることが観察されたため１３−１４日目のデータが除外された。又一匹のネズミは１２日目に食餌ホッパーを空にしてしまったので、食餌を欠いて居たと思われたため、１２−１４日分のデータは除外された。８日目に数時間に亘って３１°Ｃへとの温度制御が失われた理由で８−９日目のＷＴＯＢの一団のすべてのネズミのデータが除外された。
Ｄ．不活動状態分類
各ネズミについて行動は二つの状態に分類された：ネズミが長い間単一位置に居た不活動状態（ＩＳ）と動物が檻の中を動き回った活動状態（ＡＳ）とである。この分類は上記のように不活動位置閾値によって達成された。不活動閾値より長い持続時間の位置は不活動と分類された。或る期間において動物はホームベースを移転するので、単一ホームベースが使用された時期が捕獲できるように時間ウインドウを変化させた。動物をホームベースの位置から動かさないような小さい運動を平滑化するように空間フィルターが使用された。適当な時間ウインドウと空間フィルターを選択するのに、図１１を参照して上記に説明したように状態分類エラーを最小化した。
各ネズミについて行動は二つの状態に分類された：ネズミが長い間単一位置に居た不活動状態（ＩＳ）と動物が檻の中を動き回った活動状態（ＡＳ）とである。この分類は上記のように不活動位置閾値によって達成された。不活動閾値より長い持続時間の位置は不活動と分類された。或る期間において動物はホームベースを移転するので、単一ホームベースが使用された時期が捕獲できるように時間ウインドウを変化させた。動物をホームベースの位置から動かさないような小さい運動を平滑化するように空間フィルターが使用された。適当な時間ウインドウと空間フィルターを選択するのに、図１１を参照して上記に説明したように状態分類エラーを最小化した。
時間ウインドウは２−２４時間から変化された（２４時間周期時間０から始めて２、３、４、６ １２、２４時間，（点灯))。空間的フィルターとして、これらのネズミの身長（ｒｅｆ）に近く１ｃｍから８ｃｍ（１，２，３，４，５，６，８ｃｍ）に変化する運動閾値を使用した。時間ウインドウと運動閾値の各結合に関し、各ウインドウにおいて持続時間最長の位置からのすべての位置への距離を計算した。持続時間とそのウインドウ内の最長持続時間位置への距離が各位置と関連付けされた。これらの位置は持続時間の対数に関して（分類）容器（ｂｉｎ）に入れられた（空容器を除外して容器幅０．１ ｌｏｇ ｍｓ）。非線最小二乗回帰法を使用して各容器の最大距離に三本の線をフィットした。二番目と三番目の線の交点がそのネズミの不活動閾値と設定された。次いで隣接する不活動位置をグループ化してＩＳ開始と終了を定義した。
ＩＳ分類エラーを決定するのに、摂取イベントを含むＩＳの百分比を計算した。ＡＳ分類エラーを決定するのに、そのネズミに占有された区域がＩＳの間に占有された区域の中の最大のものより大きくない摂取イベントのないＡＳと同定した。次いで状態分類エラーはＩＳ及びＡＳ分類エラーを加算して計算された。次いで１ｘ７繰り返し測定ＡＮＯＶＡ差対照（ＷＴＯＢ ２ｃｍ: ＷＴ２Ｃ ３ｃｍ）を使用して最小の状態分類エラーを与えた運動閾値を選択した。ウインドウ持続時間はエラー率を有意義的に変えず、最長休止（ＷＴＯＢ １２ｈｒｓ: ＷＴ２Ｃ ４ｈｒｓ）から１０ｃｍ以上の不活動位置の数が最小の最大ウインドウに設定された。これらの運動閾値と時間ウインドウを使用すると、この一団の状態分類エラー率は（平均±標準偏差）: ＷＴＯＢ ７±１０％; ＷＴ２Ｃ ５±１０％ であり、不活動閾値（平均±標準偏差）: ＷＴＯＢ ＷＴ ５±１ ＯＢ １３±４； ＷＴ２Ｃ ＷＴ ８±２ ２Ｃ ８±２、分。 エラーと分類された状態はその後の解析前に修正された。
Ｅ．摂取バウト分類
各ネズミに関し、摂取イベントの開始から次の摂取イベントの開始までの間隔（イベント間間隔ＩＥＩ）のすべての特徴を検査することにより摂食と摂飲のバウトを別々に分類した。各ＩＥＩをバウト内間隔（ＷＢＩ）及びバウト間間隔（ＩＢＩ）とに分類するため、ＩＥＩの以下の二つの特徴を検査した：（１）ＩＥＩの間にネズミが装置の位置に居残る確率、及び（２）ＩＥＩ持続時間の総分布に対するＩＥＩの持続時間。ＩＥＩ分類の後、バウト開始及び終了は摂取イベント間におけるバウト内間隔の不断連続として同定された。明サイクル間のＩＥＩの分類は暗サイクル間に発生するＩＥＩ分類と別個に実施された。
各ネズミに関し、摂取イベントの開始から次の摂取イベントの開始までの間隔（イベント間間隔ＩＥＩ）のすべての特徴を検査することにより摂食と摂飲のバウトを別々に分類した。各ＩＥＩをバウト内間隔（ＷＢＩ）及びバウト間間隔（ＩＢＩ）とに分類するため、ＩＥＩの以下の二つの特徴を検査した：（１）ＩＥＩの間にネズミが装置の位置に居残る確率、及び（２）ＩＥＩ持続時間の総分布に対するＩＥＩの持続時間。ＩＥＩ分類の後、バウト開始及び終了は摂取イベント間におけるバウト内間隔の不断連続として同定された。明サイクル間のＩＥＩの分類は暗サイクル間に発生するＩＥＩ分類と別個に実施された。
ＩＥＩの間に動物が装置に居残る確率は、二変数正規をＩＥＩ間における装置からの最遠の位置（ｘ、ｙ）にフィット（詳細なフィットの方法は以下において説明）して推定された（図Ｔ２Ａ）。フィットされた二変数正規セントロイドはａｍｏｅｂａと呼ばれる高速最近隣密集化アルゴリズムを使用して密集化された。Ａｍｏｅｂａはクラスター内のいずれかの点が使用者の設定した標準距離より近い近隣クラスターが存在する限りクラスターの成長を許容するものである。この標準距離は二変数正規のクラスターを供するように１から２．４ｃｍに変化させられた。セントロイドが装置に最も近い二変数正規のクラスターは”装置の位置のもの”（ＡＤ）と分類された。拡散的二変数正規（ｘ或いはｙの標準偏差が２以上の場合）の例外を除外して、このクラスターの二変数正規はＡＤ二変数正規とされた。次いでＡＤ二変数正規の後位確率を加算し最大遠方のＩＥＩ位置（ＭＤＩＰ）の各々が装置の位置であった確率の推定が得られた。ａｍｏｅｂａの最終的距離標準は分類エントロピイを最小化することによって二つのグループ間の重複を最小化するように選択された、
此処においてｐik は位置ｉ、クラスターｋの装置における後位確率、ＮCはクラスターの数、Ｎdは位置数（Ｂｉｅｍａｃｋｉ ｅｔ ａｌ．， ２０００； Ｃｅｌｅｕｘ ａｎｄ Ｓｏｒｏｍｅｎｈｏ， １９９６）である。
此処においてｐik は位置ｉ、クラスターｋの装置における後位確率、ＮCはクラスターの数、Ｎdは位置数（Ｂｉｅｍａｃｋｉ ｅｔ ａｌ．， ２０００； Ｃｅｌｅｕｘ ａｎｄ Ｓｏｒｏｍｅｎｈｏ， １９９６）である。
ＩＥＩが総分布に対して短い確率は単変数正規を対数変換ＩＥＩにフィット（フィット工程の詳細は下記）して決定された（図２２Ｂ）。次いでＩＥＩを最短から最長へ分別し、一つのクラスターから他のクラスターへとのハード密集化独自性（ｚik）が変化する連続的ＩＥＩの間の分割境界を定義した。個々のネズミに対し、摂食ＩＥＩに３から９個の分割、摂飲ＩＥＩに４から１５個の分割となった。分割数の変化は主として摂食に一分以下、摂飲に一秒以下の頂点数の変化の結果であった。摂食に関し、ネズミ間での頂点数の変化はネズミの食餌を扱う様相の相違を反映するものかもしれない（頭を突っ込む例とか、前足で掻っ込む例とか）。摂飲に関し、ネズミ間での相違は高度に常道的なめ行為の連続の間になめ損ないのあることが反映している。これにより、予期されるより狭い頂点が一つから三つ正常分布（高尖度）に生成され、これらの頂点はＩＥＩ分布への適当なフィットを供するためには一つ以上の分布が必要となるかもしれない。
分割が変化するので、空間的情報を使用してＩＥＩがＷＢＩである確率の高い短持続時間と長持続時間とに分割を分類した。持続時間の短い間隔は装置に居残る確率が高いことで特徴付けられると予期したもの、各分割における平均持続時間と動物が摂取装置にいる確率との関係を検査した（図３３）。分割持続時間は次いで以下のように長短が分類された。分割持続時間を長短に分類するのに、与えられたグループ（例えばＯＢネズミ）のすべての分割を結合して個々の変化性の影響を減少させた。次いで平滑化線（ｌｏｗｅｓｓ、スパン２０％データ点数）を分割ＡＤ確率に対数変換分割持続時間の関数としてフィットした（図３３）。ＷＢＩに関し、グループ持続標準ＩＤWBI-groupが次いでネズミが装置に居残るのと立ち去るのと同様の可能性である持続時間として設定された。平均持続時間がこの標準以下であり、分割ＡＤ確率が０．５以上のすべての分割が短間隔分割と分類された。同様に、平均持続時間がグループ持続時間標準以上であり、分割ＡＤ確率が０．５以下のすべての分割が長間隔分割と分類された。或る（＜１％）分割はこれらの標準のいずれにも該当せず、最近隣の分割の分類になされた。
各ネズミに関し、長短の分割の間の移行が短ＩＥＩ標準ＩＤWBImとして使用された。平均持続時間がこの持続時間標準以下の単変数正規の後位確率が次いで加算され、各ＩＥＩが短い確率の推定が得られた。例外的に拡散的な単変数正規の場合（標準偏差１．５以上）、標準より短いＩＥＩの後位は短いグループに加算され、標準より大きいＩＥＩの後位は長いグループに加算された。
最後に、ＩＥＩがバウト内間隔であった確率がＩＥＩの間ネズミが装置に居りＩＥＩが短かった確率を平均することにより決定された。この確率推定が以下の標準以上であった場合、ＩＥＩは次いでバウト内間隔であると分類された：
此処でｄmax IEIはＩＥＩでの初期位置からの最大距離であり、ＩＤIEIはＩＥＩの持続時間である。確率標準のこの目盛り調整により、摂取イベント間においてネズミが初期位置から遠くへ移動するにつれ、装置における確率が加重される。この加重が選択されるのは位置二変数正規の重複が一般的に持続時間単変数正規の重複以下だったからである。摂取イベント間において装置で過ごせる時間量の上限も、動物が装置に居残る確率が高かったのに持続時間がグループＷＢＩ持続時間標準より大きかったＩＥＩをすべてＩＢＩと分類することによって設定された。
単変数正規分布を各ネズミの対数変換バウトサイズにフィットすることにより、摂取バウトの特徴が更に調査された。これらのフィットにより、バウトサイズ分布は２個以上の対数正規分布でよりよくかたどられることが明白となる。これはすべてのネズミについて真であった。それ故、分割境界を単変数正規混合フィットの一次導関数のゼロに置くことにより各ネズミのバウトサイズを大小に分類した。日ごとの総摂取量の１５％以下の分割に発生するバウトは小と分類され、日ごとの総摂取量の１５％或いはそれ以上の分割に発生するバウトは大と分類された。小摂取バウトは日ごとの総摂取にあまり貢献がなかった（摂食バウト：ＷＴＯＢ ＷＴ ４±２％ ＯＢ ３±２％、ＷＴ２Ｃ ＷＴ ８±６％ ２Ｃ １０±５％; 摂飲バウト: ＷＴＯＢ ＷＴ ３±２％ ＯＢ １±１％、ＷＴ２Ｃ ＷＴ ５±４％２Ｃ ８±９％、（平均±標準偏差））ので、従って摂取バウト特性（例えば平均バウトサイズ及びバウト開始率）の解析には入れられなかった。しかし、小バウトは摂食及び摂飲に過ごされた総時間の解析には入れられた。
ｉ．単変数及び二変数正規フィット
単変数及び二変数正規混合分布のフィットは規則化重量ラムダを０．５（Ｏｒｍｏｎｅｉｔ ａｎｄ Ｔｒｅｓｐ， １９９８； Ｕｅｄａ ｅｔ ａｌ．， ２０００）とした規則化予想最大化（ｒＥＭ）アルゴリズムを使用して実施された。データを最も好適にフィットする最少数の正規分布を選択するため、データに一個の分布をフィットすることで開始した。次いで２個のフィットの間の見込み率（ＬＲ）LR=2*(log(Ln+1) - log(Ln))をテスト統計として使用し、その後各正規分布を加えることによるデータのフィットへの改善をテストした。追加的正規分布のフィットは比較用の予想ｐ値（カイ二乗分布から計算）がＷＢＩ及びＩＢＩ分類で０．０１以上、バウトサイズ分割及び比較密集化で０．０５以上となるまで続けられた。ＷＢＩ及びＩＢＩ分類にはカイ二乗分布から計算された予想ｐ値のＷｏｌｆｅ修正も過剰フィット発生を減少するために使用された（ＭｃＬａｃｈｌａｎ， ２０００）。
単変数及び二変数正規混合分布のフィットは規則化重量ラムダを０．５（Ｏｒｍｏｎｅｉｔ ａｎｄ Ｔｒｅｓｐ， １９９８； Ｕｅｄａ ｅｔ ａｌ．， ２０００）とした規則化予想最大化（ｒＥＭ）アルゴリズムを使用して実施された。データを最も好適にフィットする最少数の正規分布を選択するため、データに一個の分布をフィットすることで開始した。次いで２個のフィットの間の見込み率（ＬＲ）LR=2*(log(Ln+1) - log(Ln))をテスト統計として使用し、その後各正規分布を加えることによるデータのフィットへの改善をテストした。追加的正規分布のフィットは比較用の予想ｐ値（カイ二乗分布から計算）がＷＢＩ及びＩＢＩ分類で０．０１以上、バウトサイズ分割及び比較密集化で０．０５以上となるまで続けられた。ＷＢＩ及びＩＢＩ分類にはカイ二乗分布から計算された予想ｐ値のＷｏｌｆｅ修正も過剰フィット発生を減少するために使用された（ＭｃＬａｃｈｌａｎ， ２０００）。
ｒＥＭアルゴリズムの開始に使用される初期値の選択はフィットされる正規分布の数によって変化した。単一の分布の場合、データの平均と平方偏差を初期パラメタ推定としてフィットは開始された。二個の分布の混合の場合、フィットはｋ平均密集化を使用して混合パラメタの初期推定を提供することで開始された。ｋ平均法はデータ範囲に亘る均一分布から初期化された。ｒＥＭ初期化の各々に関してｋ平均アルゴリズムはグローバル最小値を見出すのに１０００−１００００回実施された。
三個以上の分布の混合において、フィットはスプリット及びマージ予想最大化アルゴリズム（Ｕｅｄａ，ｅｔ ａｌ．，２０００）の変形を使用して初期化された。以前のフィットの混合分布から各正規分布は二つの正規分布に分割された。一つの正規分布の分割と以前のフィットからの残りの分布の保持のすべての結合が次いでｒＥＭでのフィットの初期化に使用された。ＬＲを最小化する分割が保持された。個々の正規分布の分割は各正規分布の局地的データセットを生成し、各局地的データセットをｋ平均で初期化されたｒＥＭを使用して二つの正規分布でフィットすることで実行された。局地的データセットはＵｅｄａ ｅｔ ａｌ ２０００（方程式３．１４）に従って計算される混合の中の各正規分布を中央とする局地的データ密度を推定することで生成された。この密度推定をその最大密度で割って各データ点での累積確率推定近似値を得た。次いでこの分布が局地的データをシミュレートするのに使用された。
Ｆ．運動バウト分類
各ネズミについて、摂取バウト期間でない活動状態で発生する運動（ＭASeIB）を移動運動（ＬＭ）或は非移動運動（ＮＬＭ）に分類した。これは不活動状態の間或は摂取バウトの間に発生する運動を使用した監督下習得アルゴリズムを訓練セットとして使用して行われた。これらの運動は限定された区域で起こるので、「場所での運動」（”ｍｏｖｉｎｇ ｉｎ ｐｌａｃｅ”（ＭＩＰ）行動を示し（Ｄｒａｉ ｅｔ ａｌ．，２０００）叉ＮＬＭイベントの特性を反映するはずである。従って、ＭＩＰ運動は動物が檻を動き回る時移動のバウトの間に発生する運動と別個の筈である。ＭＩＰイベントの訓練セットをパラメタ化するため各位置に関して運動率（ｃｍ／ｓ）と反転角（２個の運動ベクトルの内積）が使用された（下記に説明される）。
各ネズミについて、摂取バウト期間でない活動状態で発生する運動（ＭASeIB）を移動運動（ＬＭ）或は非移動運動（ＮＬＭ）に分類した。これは不活動状態の間或は摂取バウトの間に発生する運動を使用した監督下習得アルゴリズムを訓練セットとして使用して行われた。これらの運動は限定された区域で起こるので、「場所での運動」（”ｍｏｖｉｎｇ ｉｎ ｐｌａｃｅ”（ＭＩＰ）行動を示し（Ｄｒａｉ ｅｔ ａｌ．，２０００）叉ＮＬＭイベントの特性を反映するはずである。従って、ＭＩＰ運動は動物が檻を動き回る時移動のバウトの間に発生する運動と別個の筈である。ＭＩＰイベントの訓練セットをパラメタ化するため各位置に関して運動率（ｃｍ／ｓ）と反転角（２個の運動ベクトルの内積）が使用された（下記に説明される）。
各ネズミについてＭＩＰ位置の為の運動率と平均反転角の分布を評価するため核密度推定器を使用する監督下アルゴリズム用のテンプレートを定義した。同じ核密度推定器がＭASeIB位置での分布評価に使用された（図３４）。これら二つの運動率確率密度（ＭＩＰ及びＭASeIB）の交点はＭASeIB運動率がＭＩＰ運動率（ｃｍ／ｓ ）と同様或は別個である可能性が等しい点を表す（平均±標準偏差： ＷＴＯＢ ＷＴ １．１±０．２ ＯＢ ０．２３±０．０３； ＷＴ２Ｃ ＷＴ １．１±０．３ ２Ｃ １．５±０．３）。これら二つの反転角確率密度（ＭＩＰ及びＭASeIB）の交点はＭASeIB反転角がＭＩＰ反転角（ｄｅｇ ）と同様或は別個である可能性が等しい点を表す（平均±標準偏差： ＷＴＯＢ ＷＴ ４７±５ ＯＢ ６５±６； ＷＴ２Ｃ ＷＴ ４７±４ ２Ｃ ４５±３）。ＭASeIBの運動率或は反転角がＭＩＰ位置から別個であった相対的確率はＭASeIBの確率密度推定をＭＩＰ位置及びＭASeIB位置の両方の確率密度推定の和で割って推定された。これらの相対的分布（図３４）はＭASeIB運動率或は反転角がテンプレート率或は角から別個であった確率を表す。運動率及び反転角の相対的確率推定は平均され、運動率及び反転角の両方は各位置の分類に考慮された。位置はこの平均された相対的確率推定が０．５以上であるとＬＭ内であると分類された。最後に、移動バウト開始と終了が移動運動を間にする断絶なしの連続として同定された。移動バウトが単一の位置を含む場合には、その位置がＭＩＰ（すべてのグループの３％以下）として再分類された。
ｉ．位置運動率及び反転角の決定
一般的に運動率を推定するには少なくとも二つの位置がサンプルされなくてはならない。我々はこれらのネズミの身長の約半分である理由で長さ５位置のウインドウを使用して各位置の運動率を計算した。最適のウインドウを選択するのに目的の位置の各側に４個の９位置に亘って移動して生成される８個のウインドウを比較した。持続時間及び反転角が目的の位置のそれらに最も類似した位置を含むウインドウは以下のように選択された。各比較ウインドウに関し、我々はそのウインドウの中の各位置の位置持続時間と反転角を平均して平均持続時間と平均反転角を計算した。目的の位置の運動率と反転角の推定に使用されるウインドウはこの位置の持続時間及び反転角と８個のウインドウに割り当てられたものとの間の距離を最小化するように選択された。この位置の運動率は次いで選択されたウインドウ内で第一から最後の位置まで移動された距離をこれらの位置間を移動するのに使われた持続時間で割って計算された。同様に、この位置の反転角が選択されたウインドウ内での反転角の平均として計算された。
一般的に運動率を推定するには少なくとも二つの位置がサンプルされなくてはならない。我々はこれらのネズミの身長の約半分である理由で長さ５位置のウインドウを使用して各位置の運動率を計算した。最適のウインドウを選択するのに目的の位置の各側に４個の９位置に亘って移動して生成される８個のウインドウを比較した。持続時間及び反転角が目的の位置のそれらに最も類似した位置を含むウインドウは以下のように選択された。各比較ウインドウに関し、我々はそのウインドウの中の各位置の位置持続時間と反転角を平均して平均持続時間と平均反転角を計算した。目的の位置の運動率と反転角の推定に使用されるウインドウはこの位置の持続時間及び反転角と８個のウインドウに割り当てられたものとの間の距離を最小化するように選択された。この位置の運動率は次いで選択されたウインドウ内で第一から最後の位置まで移動された距離をこれらの位置間を移動するのに使われた持続時間で割って計算された。同様に、この位置の反転角が選択されたウインドウ内での反転角の平均として計算された。
データが１ｃｍの閾値を使用して収集されたので、ネズミは長時間に亘って個別の位置に留まり、その位置に止まる前後に急速に動くことが出来る。このタイプの休止は急速な運動に囲まれているかもしれず、上記の滑りウインドウを使用して移動位置と誤って分類されるかもしれない。かようなエラーを検出するのに、我々は持続時間閾値を設定し、その上に単一点がストップとして定義された。この閾値を定義するのに、我々はすべての単一位置のみを含む摂取バウトと不活動状態を同定した。持続時間閾値はこれらの位置の９５％が閾値でないように設定された。更に、グループに亘るこの修正で大きな変化がないようにどの個々のネズミについても閾値が５００ｍｓ以下或は１０００ｍｓ以上にならないようにした（持続時間閾値、ｍｓ（平均±標準偏差）ＷＴＯＢ ＷＴ ５９３±１１３ ＯＢ １０００±０； ＷＴ２Ｃ ＷＴ ５１９±４０ ２Ｃ ６６４±１５６）。
Ｇ．比較密集化
ＡＳ持続時間が一日の時間に対して複雑な変化パタンを示すので、ＡＳ開始及び持続時間のこの日ごとのパタンが二つのグループの間で相違するものか試験する為に比較密集化と呼ばれるテクニクが開発された。更に、もし相違が存在した場合、比較密集化テクニクはＡＳ開始時間で定義され二つのグループ間の相違に最も貢献した日ごとパタンの部分を同定した。
ＡＳ持続時間が一日の時間に対して複雑な変化パタンを示すので、ＡＳ開始及び持続時間のこの日ごとのパタンが二つのグループの間で相違するものか試験する為に比較密集化と呼ばれるテクニクが開発された。更に、もし相違が存在した場合、比較密集化テクニクはＡＳ開始時間で定義され二つのグループ間の相違に最も貢献した日ごとパタンの部分を同定した。
ＡＳ開始時間及び持続時間の密集化は二変数正規の混合を二つのグループの結合されたデータにフィットすることで実施された。二変数正規の混合はＡＳ開始と暗サイクルの開始及び終の長い持続時間のグルーピングのような日ごとのパタンを捕獲するのに使用された。ＡＳ持続時間の範囲は数桁に亘るので、持続時間は二変数正規フィット前に対数変換された。更に、開始時間及び持続時間はゼロ平均及び単位標準偏差に正規化された。二変数正規にフィット後、各ＡＳを最高の後位確率を有する二変数正規に割り当てて個々のクラスターが生成された（ハード密集化）。各クラスターのカイ二乗統計は
で与えられ、此処において co＝制御データ点の観察された数、to＝テストデータ点の観察された数、ce＝制御データ点の予想数、te＝テストデータ点の予想数、である。予想数ce及びteはクラスター内の点の総数を夫々制御及びテストデータセット内のネズミ日の相対的数で加重して計算された（例えば
此処においてNc＝ネズミ日の制御数、Nt＝ネズミ日のテスト数）。
で与えられ、此処において co＝制御データ点の観察された数、to＝テストデータ点の観察された数、ce＝制御データ点の予想数、te＝テストデータ点の予想数、である。予想数ce及びteはクラスター内の点の総数を夫々制御及びテストデータセット内のネズミ日の相対的数で加重して計算された（例えば
此処においてNc＝ネズミ日の制御数、Nt＝ネズミ日のテスト数）。
クラスターの数を増やすと得られるパタンの分解能が増加するが、カイ二乗テスト統計の感度が低下する。これら二者のトレードオフを最適化するクラスターの数を決定するため、各グループ内でネズミを並べ替えて制御およびテストグループを複数回半分に分割した。グループ内及びグループ間両方のカイ二乗統計の変化は以下のように試験された。並べ替えられた各データセットに関し、データを１−５０のクラスターに密集させてカイ二乗の和がグループ内比較（制御グループ１（ｃｇ１）対制御グループ２（ｃｇ２）、テストグループ１（ｔｇ１）対テストグループ２（ｔｇ２））及びグループ間比較（ｃｇ１対ｔｇ１、ｃｇ１対ｔｇ２、ｃｇ２対ｔｇ１、ｃｇ２対ｔｇ２）に計算された。平均間グループと内グループカイ二乗統計（デルタカイ二乗）がカイ二乗分布に基づくｐ値の計算に使用された。デルタカイ二乗をｐ値の計算に使用することはグループ内のｐ値の変化を説明するのに役立つ。データセット全体の比較に使用するクラスターの数が次いで最小デルタカイ二乗ｐ値から統計的に有意義的に相違しないデルタカイ二乗ｐ値を有するクラスターの最小の数として選択された。
Ｈ．複数テスト修正
グループ間の比較はｔテスト或いはＡＮＯＶＡ（Ｍａｔｌａｂ）を使用して数々の異なる変数について行われた。与えられた解析レベルにおいて、複数比較のためのボンフェロニ修正が使用された。例えば日ごとの食餌の量、水、及び運動を比較するのに三つのテストで修正が行われた。
グループ間の比較はｔテスト或いはＡＮＯＶＡ（Ｍａｔｌａｂ）を使用して数々の異なる変数について行われた。与えられた解析レベルにおいて、複数比較のためのボンフェロニ修正が使用された。例えば日ごとの食餌の量、水、及び運動を比較するのに三つのテストで修正が行われた。
２．結果
Ａ．不活動状態分類
ネズミ住居檻行動の空間的構成は各動物の位置確率密度の推定で検査された（図２１Ａ）。この分布での頂点は動物が毎日何処で過ごすのか可能性の高い位置を示すものである。確率密度推定は典型的に巣の位置に対応する顕著な頂点を表した。この頂点から観察された巣の位置までの平均距離は３±１ｃｍ（平均±標準偏差）であった。追加的に、より小さい頂点が食餌ホッパー、水口、及び時として他の位置に観察された。従って、データは動物が他の位置より巣にいる時間が長いと言う強固な居住檻行動の空間的構成を表明した。
Ａ．不活動状態分類
ネズミ住居檻行動の空間的構成は各動物の位置確率密度の推定で検査された（図２１Ａ）。この分布での頂点は動物が毎日何処で過ごすのか可能性の高い位置を示すものである。確率密度推定は典型的に巣の位置に対応する顕著な頂点を表した。この頂点から観察された巣の位置までの平均距離は３±１ｃｍ（平均±標準偏差）であった。追加的に、より小さい頂点が食餌ホッパー、水口、及び時として他の位置に観察された。従って、データは動物が他の位置より巣にいる時間が長いと言う強固な居住檻行動の空間的構成を表明した。
これらの発見から居住檻での行動の時間的構成は巣における不活動エピソードに関して編成できることが考えられる。この可能性を検査するため、我々は一日の時間に対する各ネズミの位置変化を検査した（図２１Ｂ）。ネズミは典型的に摂食と摂飲が伴う檻のまわりの運動のエピソードを散在させて檻の中の単一箇所の近くに長時間過ごすエピソードを示した。ネズミが長時間のエピソードを過ごした位置は運動の間の長持続時間の位置から成るものであった。これらの長い位置持続が空間的に密集する程度を決定するため、位置持続と最長位置持続（ＬＰＤ）からの距離との関係を調べた（図２１Ｃ）．位置持続が数分以上に増加するにつれ、ＬＰＤからの距離が約５ｃｍ以上の位置の数が急速に減少した。不活動位置持続時間閾値はＬＰＤからの距離が図１２を参照して上記の如く記載されたように急速に増加する位置持続時間として同定された。このように定義されることにより、不活動位置持続時間閾値は空間的に密集され檻の中の他のどの位置より位置持続時間の長い位置を同定した。
この不活動位置持続時間閾値を使用して不活動状態（ＩＳ）開始及び終了時間が自動化及び再現可能様式で同定された。更に、ＩＳ位置の密集した位置がホームベースと同定され割り当てられた。予期されたように、ホームベースの位置は典型的に巣の位置と対応し（図２１Ｄ）、ホームベースの中央から観察された巣の位置までの平均距離は２±１ｃｍ（平均±標準偏差）であった。最後に、活動状態（ＡＳ）がＩＳ間の動物が移動，摂食、摂飲及びその他の行動に従事した時間的間隔として同定された。
Ｂ．バウト分類
活動状態内の摂食及び摂飲の編成が行動要素としてのバウトの概念を使用して研究された。バウトは異なる行動で中断されることなく時間的に密集化される行動の繰り返しと定義された。摂取の時間的及び空間的両方の特性に関する情報を合体した摂取バウト同定用の自動化されたアルゴリズム（例えば図１５を参照して上記において記述された）が摂食及び摂飲行動の定量化に使用された。摂食バウトの分類のためのアルゴリズム適応が殊に以下記載される。
活動状態内の摂食及び摂飲の編成が行動要素としてのバウトの概念を使用して研究された。バウトは異なる行動で中断されることなく時間的に密集化される行動の繰り返しと定義された。摂取の時間的及び空間的両方の特性に関する情報を合体した摂取バウト同定用の自動化されたアルゴリズム（例えば図１５を参照して上記において記述された）が摂食及び摂飲行動の定量化に使用された。摂食バウトの分類のためのアルゴリズム適応が殊に以下記載される。
摂食バウトの同定に、各摂食イベントの終わりと次の摂食イベントの開始までの間（イベント間間隔ＩＥＩ ）ネズミに占有された位置を評価することによって空間的情報が分類企画に合体された。各ＩＥＩについて、ネズミがフィーダーから最も離れた位置が決定された（図２２Ａ）。これらの最遠ＩＥＩ位置（ＭＤＩＰ）はフィーダーの近隣或は檻内の他の位置（図２２Ａの中央パネル）のどちらかに密集するように見えた。これは摂食バウト終了を指示する標準を提案した：もしＩＥＩ中にネズミがフィーダーから離れたら行動の中断は発生したのである。ＩＥＩ中にネズミがフィーダーに居残った確率は従って二変数正規の混合をＭＤＩＰにフィットして推定された。もしフィーダーに居残る確率が０．５以上であったら、そのＩＥＩは”フィーダーの場所に”と分類される（図２２Ａの右側パネルはフィーダーの位置のＩＥＩをオレンジ色で、フィーダーから離れたＩＥＩを緑色で示す）。
摂食バウト同定の次のステップでは摂取行動の時間的パタンが考慮された。もし摂食イベントが時間的に密集してバウトを形成するならば、ＩＥＩ持続時間、ＩＤ、は少なくとも摂食バウト内に発生しやすいＩＤ及び摂食バウト間に発生しやすいＩＤの二つのタイプを表すはずである。これらの別個のタイプを識別するのに、各ネズミのＩＤ分布はまず対数正規分布でフィットされた（図２２Ｂ）。すべてのネズミにＩＤ分布は最好適に最高３或はそれ以上の対数正規分布の混合で別個のタイプのＩＤの存在と矛盾することなくフィットされた。平均約１分以下の対数正規分布に、動物がフィーダーに居残った確率は非常に高く見えた。この確率は平均１分以上の対数正規分布の場合急速に降下した（図２２Ｃ及び３３参照）。ＩＥＩが短かった確率は従ってネズミがフィーダーに居残った確率に基づいて対数正規分布を２グループ（短と長）に分割することによって決定された。
最後に、短かったとの確率でフィーダーでＩＥＩが発生した確率を平均することにより、各ＩＥＩがバウト内間隔（ＷＢＩ）であるかバウト間間隔（ＩＢＩ）であるかの指定がなされた。このアプローチが明瞭な空間的及び時間的特徴のＩＥＩの集団を区別する証拠が図２２Ｃに示されている。各ＩＥＩに関し、フィーダーからの最大距離はＹ軸に、その持続時間の対数はＸ軸に示されている。ＷＢＩと指定されたＩＥＩはオレンジ色で示され、すべてがフィーダーの近くで発生している。大部分のＩＢＩの間、動物はフィーダーから離れ（緑色）、水の摂取がその間サブセットとして発生した（水色）。小さいＩＥＩのクラスターがフィーダーの近くで発生している（赤色）が、持続時間が長いのでＩＢＩと分類されている。
ＡＳにおけるネズミの行動を特徴付けるための更なるステップとは移動運動（ＬＭ）と非移動運動（ＮＬＭ）イベントを区別する方法の導出であった。ＩＳの間或いはＮＬＭテンプレートのような摂食及び摂飲のバウトの間に発生する「場所での運動」（”ｍｏｖｉｎｇ ｉｎ ｐｌａｃｅ”（ＭＩＰ））行動（Ｄｒａｉ ｅｔ ａｌ．，２０００）を使用して監督下習得アルゴリズムが開発された。移動の間に最も発生しやすかった中断のない運動イベントの継続が移動バウトの開始及び終了時間の定義に次いで使用された。最後に、活動状態の中で動物が或る装置に関連する行動バウト（例えば摂取）或は移動バウトに従事していない時間が「他の」行動（例えば走査、飼育、みづくろい、前掻など）のバウトと分類された。
単一ＡＳ間のバウト分類のＷＴネズミに関する一例が図２３Ａに示されている。此処でＡＳ位置は図２３Ｂにおけるように表示されているが時間目盛りは位置間の個々の運動が分別されるよう拡張されてある。更に図の底部において、摂食及び摂飲イベントラスターの上の棒線は摂食（オレンジ色）及び摂飲（水色）バウトの開始と終了を示している。移動バウトの間に発生の位置は緑色で示されて居り、位置間の急速な運動の明白なエピソードを示した。対照的に「他の」行動のバウト（赤色）は往々フィーダー、なめ装置、及び巣のような局地的区域のＮＬＭと関連される。これはＬＭ及びＮＬＭ位置の位置及び持続時間を表示する図２３Ｂ及びこの活動状態における動物の移動路を表示する図２３Ｃに強調されてある。
Ｃ．日ごとの量、強度、及び時間予算
ネズミ行為のＩＳへの及び摂食、摂飲、移動及び「他の」バウトへの分類により住居檻におけるネズミ行動編成の詳細な検査が可能となる。一般的レベルにおいて、動物は摂食、摂飲及び移動バウトの強度並びにこれらのバウトに費やす時間量を変調させることによって日ごとの食餌及び水の摂取並びに移動距離を制御するものである。（図２４及び２５を参照。）我々はエネルギーバランス調整の遺伝学的摂動がこれらの行動の日ごとの量、時間及び強度に影響すると予期した。ＷＴネズミと相対的にＯＢネズミは日ごとの運動の劇的な減少並びに移動バウトの強度及びこれらのバウトの従事に費やした時間での有意義的な減少を示した（図２４）。ＯＢネズミの食餌摂取は居住檻での初日に有意義的に上昇した（平均±標準偏差: ＷＴ ３．０±０．２ｇ、ＯＢ ３．８±０．１ｇ、ｐ＝０．００７）が、ＷＴネズミの摂取レベルはその後ＯＢネズミのそれと有意義的に異ならないレベルにまで増加した（図２４Ａ）。
ネズミ行為のＩＳへの及び摂食、摂飲、移動及び「他の」バウトへの分類により住居檻におけるネズミ行動編成の詳細な検査が可能となる。一般的レベルにおいて、動物は摂食、摂飲及び移動バウトの強度並びにこれらのバウトに費やす時間量を変調させることによって日ごとの食餌及び水の摂取並びに移動距離を制御するものである。（図２４及び２５を参照。）我々はエネルギーバランス調整の遺伝学的摂動がこれらの行動の日ごとの量、時間及び強度に影響すると予期した。ＷＴネズミと相対的にＯＢネズミは日ごとの運動の劇的な減少並びに移動バウトの強度及びこれらのバウトの従事に費やした時間での有意義的な減少を示した（図２４）。ＯＢネズミの食餌摂取は居住檻での初日に有意義的に上昇した（平均±標準偏差: ＷＴ ３．０±０．２ｇ、ＯＢ ３．８±０．１ｇ、ｐ＝０．００７）が、ＷＴネズミの摂取レベルはその後ＯＢネズミのそれと有意義的に異ならないレベルにまで増加した（図２４Ａ）。
ＯＢネズミの行動における恐らく最も顕著な摂動は彼らの時間予算変化であった。これらの動物は移動及び「他の」行動への従事に費やす時間を犠牲にしてＩＳにおいて費やす時間量を有意義的に増加する一方、摂食及び摂飲に費やす時間量を維持した（ＷＴ，ＯＢ及び２Ｃネズミの時間予算をパイ図の形態で示す図２４Ｃ及び２５Ｃを参照）。摂食及び摂飲に費やす時間の維持及びＩＳ時間の顕著な増加の結果、摂食及び摂飲に費やされるＡＳ時間の割合に実質的な変化があった。活動状態においてＯＢネズミは４１±２％の時間を摂食に、４．３±０．２％の時間を摂飲に費やしたが、これはＷＴネズミが１９±１％及び１．９±０．１％の時間を摂食及び摂飲（平均±標準偏差、摂食及び摂飲にｐ＜０．０００１）に費やしたのと対比される。
ＷＴネズミと相対的に、２Ｃネズミは日ごとの摂取及び運動における有意義的な増加及び摂食及び移動バウト強度の有意義的な増加（図２５Ａ）を摂食及び移動バウトに費やす時間に有意義な変化のないまま（図２５Ｂ）に示した。ＯＢネズミと異なり、２ＣネズミはＩＳで費やす時間量を有意義的に減少し、「他の」行動に従事するのに従事する時間量を増加した。更に、２Ｃネズミは摂食に費やす時間を減少する傾向を示し、その結果２ＣネズミはＡＳ摂食に１２±１％しか費やさず、これはＷＴネズミがＡＳの１９±１％（平均±標準偏差、ｐ＝０．００００８）を費やしたのに対照される。
Ｄ．日ごと状態パタン
如何に行動編成が一日の時間に対して変化するかを決定するため、我々はＩＳ及びＡＳ特性の２４時間周期変化を検討した。図２６Ａに各遺伝子型の一匹のネズミの２４時間に亘る代表的ＡＳ及びＩＳパタンが示される。ネズミ各自のこれらの日ごとパタンの再現性を示すため、運動、摂食及び摂飲イベントを表示するラスターが８日に亘りＡＳ分類を上に毎日示されている（図２６Ｂ）。ネズミに亘るこれら日ごとパタンの再現性を示すために、ＡＳ（図２６Ｃ）及びＩＳ（図２６Ｄ）の持続時間対一日の時間もこれらのネズミに関して表示され、この一団の他の動物からのデータに重ねてある。
如何に行動編成が一日の時間に対して変化するかを決定するため、我々はＩＳ及びＡＳ特性の２４時間周期変化を検討した。図２６Ａに各遺伝子型の一匹のネズミの２４時間に亘る代表的ＡＳ及びＩＳパタンが示される。ネズミ各自のこれらの日ごとパタンの再現性を示すため、運動、摂食及び摂飲イベントを表示するラスターが８日に亘りＡＳ分類を上に毎日示されている（図２６Ｂ）。ネズミに亘るこれら日ごとパタンの再現性を示すために、ＡＳ（図２６Ｃ）及びＩＳ（図２６Ｄ）の持続時間対一日の時間もこれらのネズミに関して表示され、この一団の他の動物からのデータに重ねてある。
これらの記録を検討すると、ＷＴネズミのＡＳ持続時間には顕著な２４時間周期変化があり、最長持続時間が暗サイクル（ＤＣ）開始及び終了に発生していることが表明されている。ＩＳ持続時間も一日の時間に対して顕著に変化し、最長持続時間は明サイクル（ＬＣ）の中央及びＤＣに発生している。定性的比較により、ＯＢネズミは短いＡＳが非常に少なく、ＡＳ持続時間により少ない２３時間周期の変化を示した。ＤＣ開始及び終了において長いＡＳがＯＢネズミにないことが顕著であった。対照的に ＯＢネズミのＩＳにおける２４時間周期変化は相対的にＷＴネズミのそれと同様であるがＩＳ持続時間に全体的増加があった。ＯＢネズミと異なり、２ＣネズミのＡＳ持続時間の総合的パタンはＬＣＡＳの数の見かけの増加を除きＷＴパタンと相対的に同様に見える。２ＣネズミのＩＳ持続時間の総合的パタンもＬＣＡＳの数の増加を除きＷＴパタンと相対的に同様に見える。
ＡＳ及びＩＳパタンの２４時間周期編成のこれらの見かけの相違を定量化するため、ＡＳ確率，開始率、及び持続時間並びにＩＳ持続時間の繰返し計量ＡＮＯＶＡを使用して表現型的比較がなされた。総ての状態特徴に関し、２４時間周期時間の効果が高度に有意義的であった（図２７及び２８）。すべてのグループのＡＳ確率がＤＣ開始と終了に明瞭な頂点をしめし、これは単なる夜行性パタンでなく薄明薄暮性（夕暮と明方に最も活動）を示すものである（図２７Ａ及び２８Ａ）。
ＷＴＯＢ比較はＯＢネズミが減少したＡＳ確率(図２７Ａ)、減少したＡＳ開始（ 図２７Ｂ）、及び増加したＩＳ持続時間（図２７Ｄ）を示すことを表した。ＡＳ持続時間への遺伝子型の有意義的な影響は検出されなかった（図２７Ｃ）。しかし、遺伝子型の時間との作用はすべての状態特徴に有意義的であった。従って、ＷＴネズミによって表明されたＤＣ開始及び終了におけるＡＳ確率の顕著な増加はＯＢネズミの場合非常に減少されて居た。対照的に,ＬＣ及びＤＣ両方の間のＡＳ確率の天底は同様であり、この時間においてＯＢネズミはＷＴネズミに比してＡＳ開始が低く増加したＡＳ持続時間を示す。
ＡＳ持続時間が２４時間周期変化の複雑なパタンを示したので、我々はグループ間のこれらのパタンを比較する為の比較密集化と呼ぶ新規なアルゴリズムを開発した。比較密集化は２４時間周期時間に対する状態持続時間の変動のパタンが二つのグループの間で相違するか決定し観察される相違のいずれかに最も貢献するパタンの様相を同定する（詳細は上記）ものである。比較密集化解析によりＷＴ及びＯＢネズミにおけるＡＳ持続時間の２４時間周期パタンにおける明瞭な表現型的相違を説明する幾つかの特徴が同定された（図２７Ｅ）。例えばＷＴネズミに関しＤＣ開始及び終了の頃に開始される長いＡＳ持続時間はＯＢネズミについて存在しないことが示された。更に、一日中に亘ってＯＢネズミの場合持続時間の短いＡＳは顕著に減少したことが見出された。
ＷＴ２Ｃ比較もＡＳ及びＩＳの２４時間周期パタンに表現型的効果が顕著であることを示した。図２８は自然変異の有意義的な効果を示す：ＡＳ確率（増加；図２８Ａ）、ＡＳ開始率（増加；図２８Ｂ）、及びＩＳ持続時間（減少；図２８Ｄ）。 ＡＳ持続時間への表現型的の顕著な効果（図２８Ｃ）は検出されなかった。しかし、すべての状態特徴に関して遺伝子型と時間との間の作用は有意義的であった。ＡＳ確率に関し、２ＣネズミはＷＴネズミよりもＤＣを予期してＡＳにいる確率が高く、ＤＣに亘って増加されたＡＳ確率を示し続ける（図２８Ａ）。ＬＣ期間中のＡＳ確率の増加に伴って、ＡＳ開始の率が顕著に増加し（図２８Ｂ）、ＩＳ持続時間が減少する（図２８Ｄ）。対照的に、ＤＣ期間中のＡＳ確率の増加は主としてＩＳ持続時間の減少を伴っている。比較密集化はＬＣＡＳ開始が主としてＤＣ前６時間のＡＳの１−５分の持続時間増加に起因されることを示している（図２８Ｅ）。
エネルギーバランス自然変異のＡＳ持続時間への影響の試験に加えて、我々はこれの摂取された食餌及び水の量及びＡＳの間に発生する運動への影響も決定した。これにより、ｌｅｐ及び５ｈｔｅｒ遺伝子自然変異のＡＳ構成への影響に顕著な相違が見出された。ＷＴＯＢ比較により遺伝子型のＡＳ持続時間への有意義的な影響が見出されなかったのに、遺伝子型には有意義的な影響がＡＳ食餌摂取（平均±標準偏差： ＷＴ １４８±１４ ＯＢ ３６１±２０ｍｇ）及び水摂取（ＷＴ １２６±８ ＯＢ ３１０±１５ｍｇ）に見出され両者共に劇的に増加するのに対し、ＡＳ運動は劇的に減少した（ＷＴ １８±２ ＯＢ ６．７±０．６ｍ）（図３６）。対照的に、ＷＴ２Ｃ比較では遺伝子型のＡＳ持続時間、ＡＳ水及び食餌摂取、或いはＡＳ運動への有意義的な影響は見られなかった（図３７）。
Ｅ．日ごとバウトパタン
摂取及び運動バウト特性の２４時間周期パタンへの表現型的影響は繰り返し測定ＡＮＯＶＡを使用して試験された。すべてのグループに亘って、摂取及び運動の日ごとのパタン並びに時間ごとのバウトの数はＡＳ確率の場合（図２７Ａ，２８Ａ）と同様な薄明薄暮性パタンを表明した（図２９Ａ１−２９Ａ２、２９Ｂ１−２９Ｂ２，３０Ａ１−ＴＡ２，及び３０Ｂ１−３０Ｂ２）。対照的に、このようなパタンはバウトサイズについて（図２９Ａ４，３０Ａ４）或いはバウトの数がＡＳにおいて費やされた時間の関数として表現される場合（図２９Ａ３，３０Ａ３）には観察されなかった。このことは摂取及び運動への２４時間周期影響はバウトサイズやＡＳバウト率への２４時間周期効果でなく、主としてＡＳ内にある確率の２４時間周期変動の結果であることが示唆される。
摂取及び運動バウト特性の２４時間周期パタンへの表現型的影響は繰り返し測定ＡＮＯＶＡを使用して試験された。すべてのグループに亘って、摂取及び運動の日ごとのパタン並びに時間ごとのバウトの数はＡＳ確率の場合（図２７Ａ，２８Ａ）と同様な薄明薄暮性パタンを表明した（図２９Ａ１−２９Ａ２、２９Ｂ１−２９Ｂ２，３０Ａ１−ＴＡ２，及び３０Ｂ１−３０Ｂ２）。対照的に、このようなパタンはバウトサイズについて（図２９Ａ４，３０Ａ４）或いはバウトの数がＡＳにおいて費やされた時間の関数として表現される場合（図２９Ａ３，３０Ａ３）には観察されなかった。このことは摂取及び運動への２４時間周期影響はバウトサイズやＡＳバウト率への２４時間周期効果でなく、主としてＡＳ内にある確率の２４時間周期変動の結果であることが示唆される。
この可能性を試験するのに、我々はドミナンス解析複数線的回帰法（Ａｚｅｎ ａｎｄ Ｂｕｄｅｓｃｕ，２００３；Ｂｕｄｅｓｃｕ，１９９３）を使用して摂取及び運動の２４時間周期パタンが予想変数、ＡＳ確率、ＡＳバウト率、及びバウトサイズに起因可能の範囲を決定した。摂食及び摂飲には、予想変数が摂取の２４時間周期変化の７２−９２％であった。留意すべきこととして、ＡＳバウト率及びバウトサイズがＡＳ確率が平方偏差の中の小さい割合（０．３−１８％）であったのに対し、ＡＳ確率は２４時間周期変化の大部分（６５−８８％）を占めて居た。予想変数は運動の２４時間周期変化の大部分（９２−９６％）を占めるものでもあった。ＷＴグループと２Ｃネズミの両方に関してＡＳ確率は運動に関する２４時間周期変化の大部分（４９−６０％）を占めた。しかし、摂取に比較して、ＡＳバウト率は運動のより大きな部分（３３−４０％）を占めるものであった。対照的に、ＯＢネズミに関してＡＳバウト率が平方偏差の５％しか占めないのに、ＡＳ確率は運動の２４時間周期変化の９０％を占めるものであった。全体として、これらの所見はＡＳ開始率及び持続時間への時間周期の影響は摂取及び運動の２４時間周期変化の形成に対してバウト特性に対する２４時間周期の影響より大きな役割を果たしていることを示唆している。
ＷＴ及びＯＢネズミの食餌摂取の日ごとパタンの比較は遺伝子型に時間の有意義的な作用を示した（図２９Ａ１）。しかし、消費された食餌の量への２４時間周期の影響は摂食バウト特性に観察された大きな表現型的相違と比較して相対的に小さくみえる。ＯＢネズミはバウト率に大きくて有意義的な減少を表示し、これはＤＣにおいて顕著であった（図２９Ａ２）。ＯＢＡＳバウト率もバウトサイズの顕著な増加に伴い（図２９Ａ４）一日中有意義的に減少した（図２９Ａ３）。摂飲バウト特性も遺伝子型の有意義的な影響を表明し、ＯＢネズミは摂飲バウトサイズにおける賠償的な増加を伴いながら摂飲バウト率に減少を見せた（図３８Ａ２及び３８Ａ４）。
ＯＢネズミによって日ごとの運動に表明された大きくて有意義的な減少も遺伝子型と一日の時間との有意義的な作用を示した。相違はＤＣの間において最大であった（図２９Ｂ１）これはバウト率の同様なパタンに反映されている（図２９Ｂ２）。更に、ＡＳ移動バウト率は殊にＤＣ間において実質的に減少した（図２９Ｂ３）。対照的に、平均移動バウト距離はＯＢネズミに関してただ僅かに減少した（図９Ｂ４）。これらの結果はＯＢネズミの運動低下表現型がＡＳ確率及びＡＳバウト率の減少の両方の結果であることを示している。
ＷＴ及び２Ｃ日ごと食餌摂取パタンの比較は遺伝子型の有意義的な影響並びに遺伝子型及び時間の作用を示した。２Ｃネズミによって示された摂取増加は主としてＤＣ前８時間に発生した（図３０Ａ１）。興味あることに、この期間において２Ｃネズミは摂食バウト率の増加を示したが（図３０Ａ２）、バウトサイズの増加（図３０Ａ４）或はＡＳバウト率の増加（図３０Ａ３）は示さなかったことである。このことは、２ＣネズミにおけるＡＳ確率の増加はＤＣに先立つ食餌摂取の増加に有意義的に貢献することを示唆している。これと矛盾することなく、比較密集化は２ＣネズミがＤＣ開始の約６時間以上前に持続時間５−１０分のＡＳの数の増加を表したことを示した（図２８Ｅ）。特に、この領域の大部分のＡＳは摂飲バウトを含まない摂食バウトを含んでいる（ＷＴ ２９％ ２Ｃ ３９％）。摂食の優先度が高いＡＳにおける２Ｃネズミの選択的増加は従ってこれらのネズミが食餌摂取の増加を表明する場合ＤＣに先立って発生するように見える。
ＬＭバウトの率の有意義的な増加（図３０Ｂ２）に伴って、日ごと運動における有意義的な増加も２Ｃ変種に観察された（図３０Ｂ１）。対照的に、遺伝子型の有意義的な効果はＡＳＬＭバウト率にも（図３０Ｂ３）ＬＭバウト距離（図３０Ｂ４）にもなかった。これらの結果は２Ｃネズミの運動低下表現型が主としてＡＳ確率の増加の結果であることを示唆している。
２ＣネズミにおいてＬＭも摂食バウトサイズも変更されなかったが、我々はＷＴネズミ（ＲＭ ＡＮＯＶＡ： ＬＭ Ｇ ０．０００７ Ｔ １．５ｘ１０-21 ＧｘＴ ０．３；食餌 Ｇ ０．００４ Ｔ ２．９ｘ１０-55 ＧｘＴ ０．２）に比して ＬＭ（平均±標準偏差： ＷＴ １．６２±０．０７ ２Ｃ １．３０±０．０３ｓｅｃ）及び摂食（平均±標準偏差： ＷＴ ５８±４ ２Ｃ ４６±４ｓｅｃ）バウトの両方とも減少したことは見出した。ＬＭ及び摂食バウトサイズの保存は２Ｃネズミにおいて観察されたＬＭ及び摂食バウト強度の増加（図２５Ｂ）の結果であるらしい。
Ｆ．活動状態内構成
活動状態内の行動の時間的構成を検索するために、我々は各ネズミのすべてのＬＣＡＳ開始を整列し摂食、摂飲、ＬＭ及び「他の」行動の確率を次いで決定した。整列されたＡＳ内の摂食、摂飲及び運動イベントを表示するイベント周囲ヒストグラムは構成に顕著な規則性を示した（図１１及び１２）。ネズミはＡＳ内摂飲、移動及び「他の」行動の確率に減少のあった早期に摂食する可能性が最も高かった。ＡＳ内後になってネズミは「他の」行動のバウトに従事する可能性が最も高かった。この観察と合致して、すべての行動の確率へのＡＳ内時間の影響はＷＴＯＢ及びＷＴ２Ｃ両方の比較において高度に有意義であった。更に、ＯＢネズミはＷＴネズミよりも長期に亘ってＡＳの開始時期での摂取確率を高く維持した（図３１Ｂ１）。これはＯＢネズミが示すより長い摂取バウトの結果であるらしい。 ＯＢネズミは更にＡＳにおいて摂飲、移動及び「他の」行動の確率に遅延した増加を示した（図３１）。 ＷＴ２Ｃの比較は更に表現型のＡＳへの影響を示し、変種はは「他の」行動に従事する確率の早期増加と共に摂食の確率のより急速な減少を示した（図３１）。ＤＣ間のＡＳ内パタンの検討はすべてのグループにおける摂取、摂飲、移動及び「他の」バウトの確率の同様な変遷パタン並びにグループ間の同様な相違（データは示さず）を示した。
活動状態内の行動の時間的構成を検索するために、我々は各ネズミのすべてのＬＣＡＳ開始を整列し摂食、摂飲、ＬＭ及び「他の」行動の確率を次いで決定した。整列されたＡＳ内の摂食、摂飲及び運動イベントを表示するイベント周囲ヒストグラムは構成に顕著な規則性を示した（図１１及び１２）。ネズミはＡＳ内摂飲、移動及び「他の」行動の確率に減少のあった早期に摂食する可能性が最も高かった。ＡＳ内後になってネズミは「他の」行動のバウトに従事する可能性が最も高かった。この観察と合致して、すべての行動の確率へのＡＳ内時間の影響はＷＴＯＢ及びＷＴ２Ｃ両方の比較において高度に有意義であった。更に、ＯＢネズミはＷＴネズミよりも長期に亘ってＡＳの開始時期での摂取確率を高く維持した（図３１Ｂ１）。これはＯＢネズミが示すより長い摂取バウトの結果であるらしい。 ＯＢネズミは更にＡＳにおいて摂飲、移動及び「他の」行動の確率に遅延した増加を示した（図３１）。 ＷＴ２Ｃの比較は更に表現型のＡＳへの影響を示し、変種はは「他の」行動に従事する確率の早期増加と共に摂食の確率のより急速な減少を示した（図３１）。ＤＣ間のＡＳ内パタンの検討はすべてのグループにおける摂取、摂飲、移動及び「他の」バウトの確率の同様な変遷パタン並びにグループ間の同様な相違（データは示さず）を示した。
３．議論
自由行動の動物において、行動的編成は複数の生理学的及び行動システムの機能及び作用の結果である。ネズミにおけるこの編成を定量的に検討するため、我々はネズミの居住檻行動の空間的及び時間的構成を記述するための自動化された再現性のある方法を開発した。この記述は行動の基本的単位（摂食、摂飲及び移動のバウト）の同定及びこれらのバウトのＡＳへの時間的編成の特徴付けを含む。居住檻行動パタンの定量的記述が可能となると行動的編成の基本的特徴及び行動的編成における神経回路の役割の評価の為の有力なアプローチが提供される。このアプローチの有用性はエネルギーバランスを変化させる遺伝的変異に関する二本のネズミラインへの応用で強調される。状態及びバウト特性への深遠な表現型的効果はこれらの変異が行動調整に影響を与える様相について新しい洞察を提供する。
自由行動の動物において、行動的編成は複数の生理学的及び行動システムの機能及び作用の結果である。ネズミにおけるこの編成を定量的に検討するため、我々はネズミの居住檻行動の空間的及び時間的構成を記述するための自動化された再現性のある方法を開発した。この記述は行動の基本的単位（摂食、摂飲及び移動のバウト）の同定及びこれらのバウトのＡＳへの時間的編成の特徴付けを含む。居住檻行動パタンの定量的記述が可能となると行動的編成の基本的特徴及び行動的編成における神経回路の役割の評価の為の有力なアプローチが提供される。このアプローチの有用性はエネルギーバランスを変化させる遺伝的変異に関する二本のネズミラインへの応用で強調される。状態及びバウト特性への深遠な表現型的効果はこれらの変異が行動調整に影響を与える様相について新しい洞察を提供する。
Ａ．状態分類
居住檻行動の編成定量化の第一ステップにはネズミの行動が活動と不活動の二つの別個の状態の交互の繰返しであるとの重要な観察が使用された。このことは 摂食及び摂飲で密集化する檻の回りの運動を示す居住檻行動記録の定量的検査で明らかにされた。これらの行動のクラスターの開始及び終了は動物が巣の近隣で示す最低度の運動の延長期間のエピソードで定義された。これは自然環境で観察される行動パタンを連想させるものである（Ａｄａｍｓ ａｎｄ Ｄａｖｉｓ， １９６７；Ｂｒｏｗｎ，１９６６；Ｇｒａｙ ｅｔ ａｌ．，１９９８；Ｈａｌｌ ａｎｄ Ｓｔｅｎｓｅｔｈ，２０００ｂ；Ｈｅｒｂｅｓ，１９８１）。多くの動物は定期的に自分の巣の領域をあさり歩き、巡回し、休息或は睡眠の為に戻ると言う空間の特徴的な使用法を示す。動物らはこうして単に動物の位置及び従事する行動によるのみならず消費エネルギー及び補食の危険の顕著な相違の面からも別個であるＡＳとＩＳの間の変遷を行うように見える（Ｌｉｍａ ａｎｄ Ｄｉｌｌ，１９９０）。ＡＳとＩＳの間の変遷はこうして動物の状態における顕著な変化を示し、自由行動の動物の行動的編成の根本的特性を示すものである。
居住檻行動の編成定量化の第一ステップにはネズミの行動が活動と不活動の二つの別個の状態の交互の繰返しであるとの重要な観察が使用された。このことは 摂食及び摂飲で密集化する檻の回りの運動を示す居住檻行動記録の定量的検査で明らかにされた。これらの行動のクラスターの開始及び終了は動物が巣の近隣で示す最低度の運動の延長期間のエピソードで定義された。これは自然環境で観察される行動パタンを連想させるものである（Ａｄａｍｓ ａｎｄ Ｄａｖｉｓ， １９６７；Ｂｒｏｗｎ，１９６６；Ｇｒａｙ ｅｔ ａｌ．，１９９８；Ｈａｌｌ ａｎｄ Ｓｔｅｎｓｅｔｈ，２０００ｂ；Ｈｅｒｂｅｓ，１９８１）。多くの動物は定期的に自分の巣の領域をあさり歩き、巡回し、休息或は睡眠の為に戻ると言う空間の特徴的な使用法を示す。動物らはこうして単に動物の位置及び従事する行動によるのみならず消費エネルギー及び補食の危険の顕著な相違の面からも別個であるＡＳとＩＳの間の変遷を行うように見える（Ｌｉｍａ ａｎｄ Ｄｉｌｌ，１９９０）。ＡＳとＩＳの間の変遷はこうして動物の状態における顕著な変化を示し、自由行動の動物の行動的編成の根本的特性を示すものである。
ＡＳ及びＩＳの発生を定量化するため、我々は居住檻行動の空間的構成を特徴付ける我々の能力を利用してＩＳをネズミが檻の中の他の位置より巣の近くでよけい時間を費やすエピソードと同定した。これにより、我々は摂食、摂飲及び移動をＡＳへの密集化へ定量化することが出来た。個々のネズミはＡＳ開始及び持続時間を２４時間周期変化の複雑ながら安定したパタンで示した。更に、エネルギーバランスを混乱する単遺伝子変異はＡＳパタンに一貫した劇的な変化を生じ我々はどの程度状態特性が表現型的相違に貢献するか評価することが出来る。実験室のネズミに関してＡＳ及びＩＳを検出する原則に基づいた方法の開発と自動化によって行動的構成のこの基本的な単位の調整を試験するための広範囲に亘る実験的操作（遺伝学的、環境的、薬学的、障害，その他）の使用が可能となる。
Ｂ．バウト分類
ＡＳの間において、例えば摂食のような特種な行動イベントは時間的に密集化されて発生することを我々は観察した。行動イベントのかような密集化が自然及び実験室内両方の環境において現れることは長く知見されて居りバウトと呼ばれる行動単位を定義している（Ｂｅｒｄｏｙ，１９９３；Ｃｏｌｌｉｅｒ ａｎｄ Ｊｏｈｎｓｏｎ，１９９７；Ｍａｃｈｌｉｓ，１９７７；Ｍａｙｅｓ ａｎｄ Ｄｕｎｃａｎ，１９８６；Ｍｏｒｇａｎ ｅｔ ａｌ．，２０００；Ｍｏｒｉ ｅｔ ａｌ．，２００１；Ｓｈｕｌｌ ｅｔ ａｌ．，２００１；Ｗａｇｇｏｎｅｒ ｅｔ ａｌ．，１９９８））。バウトを定量的に同定する能力はＡＳにおけるこの基本的な単位の試験及び行動イベントの編成を可能とする。
ＡＳの間において、例えば摂食のような特種な行動イベントは時間的に密集化されて発生することを我々は観察した。行動イベントのかような密集化が自然及び実験室内両方の環境において現れることは長く知見されて居りバウトと呼ばれる行動単位を定義している（Ｂｅｒｄｏｙ，１９９３；Ｃｏｌｌｉｅｒ ａｎｄ Ｊｏｈｎｓｏｎ，１９９７；Ｍａｃｈｌｉｓ，１９７７；Ｍａｙｅｓ ａｎｄ Ｄｕｎｃａｎ，１９８６；Ｍｏｒｇａｎ ｅｔ ａｌ．，２０００；Ｍｏｒｉ ｅｔ ａｌ．，２００１；Ｓｈｕｌｌ ｅｔ ａｌ．，２００１；Ｗａｇｇｏｎｅｒ ｅｔ ａｌ．，１９９８））。バウトを定量的に同定する能力はＡＳにおけるこの基本的な単位の試験及び行動イベントの編成を可能とする。
一般的に、バウトの同定にはＩＥＩの２タイプ即ち短いバイト内間隔（ＷＢＩ）及びより長いバウト間間隔（ＩＢＩ）へとの分類が含まれる（Ｌａｎｇｔｏｎ ｅｔ ａｌ．，１９９５；Ｔｏｌｋａｍｐ ｅｔ ａｌ．，１９９８）。しかし、一つ以上の行動が観察されている場合、或る行動のバウトも他のバウトが始まる時に終了するものと定義されてしまうかもしれない（Ｍａｃｈｌｉｓ，１９７７）。この中断行動が短い場合、ＩＥＩ持続時間のみに基づくバウトの標準ではバウトの終了を正確に検出するのが不成功となることがある。此処において、我々はバウト分類を改善するためＩＥＩ持続時間分布及び動物位置の両方を使用する新規なアプローチを開発した。このアプローチは動物が摂取装置を離れる短いＩＢＩを正確に同定することを可能とした。これらは持続時間のみを標準とした場合にＷＢＩと誤って分類されたであろうものである（ＩＢＩの２８％）。
更に、摂取バウトの正確な同定用の強固な自動化されたアルゴリズムの開発に空間的情報を使用することは必須であった。個々の動物の持続時間分布における変化の一般的な問題（Ｂｅｒｄｏｙ，１９９３；Ｄａｖｉｓｏｎ，２００４；Ｔｏｌｋａｍｐ ａｎｄ Ｋｙｒｉｚａｋｉｓ，１９９９）を克服するため我々はＩＥＩの一般的特徴を捕獲すべく空間的情報を使用した。空間的情報により、我々は各ネズミのデータにフィットする（図３３）為に要求される対数正規分布の数に関して仮定を設定することなくＩＥＩ持続時間分布を二つのグループ（短いＩＥＩ及び長いＩＥＩ）に明確に分割することが出来た。
ＡＳの期間中、ネズミは位置間の交互の急速な運動と長休止及び局地的位置での小運動の特徴的パタンで摂食及び摂飲のバウトの間檻を動き回った。同様な運動パタンは新しい環境を探索するげっ歯類動物にも観察され（Ｅｉｌａｍ ａｎｄ Ｇｏｌａｎｉ，１９８９； Ｇｏｌａｎｉ ｅｔ ａｌ．，１９９３）、この運動パタンの定量化は探索行動の編成に洞察を与えて来た（Ｄｒａｉ ｅｔ ａｌ．，２０００；Ｄｒａｉ ａｎｄ Ｇｏｌａｎｉ，２００１；Ｔｃｈｅｒｎｉｃｈｏｖｓｋｉ ａｎｄ Ｂｅｎｊａｍｉｎｉ，１９９８；Ｔｃｈｅｒｎｉｃｈｏｖｓｋｉ ｅｔ ａｌ．，１９９８；Ｔｃｈｅｒｎｉｃｈｏｖｓｋｉ ａｎｄ Ｇｏｌａｎｉ，１９９５）。事実、このタイプの断続的移動は広範囲に亘る動物及び自然環境におけるあさり歩くとか巡回するとかの環境的状況において発生するものである（Ｋｒａｍｅｒ ａｎｄ ＭｃＬａｕｇｈｌｉｎ，２００１）。小休止は動物の適切な刺激に対する持久力及び容量とを増加すると思われる。このパタンは従って複数の状況における運動編成の一般的特徴を反映するものと思われる。この運動パタンを定量化するのに、我々は摂取バウト及びＩＳ間に発生する運動の特徴を利用して監督下習得アルゴリズムを開発した。これによりＡＳ間の運動が移動及び非移動運動バウトに分類された。この分類による興味ある観察事項は移動バウトが日ごとの４％であるのに毎日動く距離の７６％を占めると言うことであった。
Ｃ．行動編成のレベル
ＡＳ及びその間に発生する行動イベントのパタンを定義する工程を案出した後、我々は行動編成のこれらのレベル間の関係を考慮した。摂取イベントの時間的構成の従来の研究はバウトの存在のみならずバウトの時間的密集が高程度の編成であることを記述した（Ｂｅｒｄｏｙ，１９９３；Ｍａｃｈｌｉｓ，１９７７；Ｔｏｌｋａｍｐ ａｎｄ Ｋｙｒｉａｚａｋｉｓ，１９９９；Ｙｅａｔｅｓ ｅｔ ａｌ．，２００１；Ｚｏｒｒｉｌｌａ ｅｔ ａｌ．，２００５）。かような研究は主として隔離における特殊な行動の構成に焦点を置いたものであったが、我々は摂食、摂飲及び移動のバウトはみなＡＳの中で密集化していることを観察した。これはこの密集化の原因となる機構は特別な行動に独特なものではないことを示唆している。ＡＳ及びＩＳの分類は従って複数の行動のクラスターへのバウトの高度に調整された編成で特徴付けられる動物の状態における基本的変遷を捕えるように見える。
ＡＳ及びその間に発生する行動イベントのパタンを定義する工程を案出した後、我々は行動編成のこれらのレベル間の関係を考慮した。摂取イベントの時間的構成の従来の研究はバウトの存在のみならずバウトの時間的密集が高程度の編成であることを記述した（Ｂｅｒｄｏｙ，１９９３；Ｍａｃｈｌｉｓ，１９７７；Ｔｏｌｋａｍｐ ａｎｄ Ｋｙｒｉａｚａｋｉｓ，１９９９；Ｙｅａｔｅｓ ｅｔ ａｌ．，２００１；Ｚｏｒｒｉｌｌａ ｅｔ ａｌ．，２００５）。かような研究は主として隔離における特殊な行動の構成に焦点を置いたものであったが、我々は摂食、摂飲及び移動のバウトはみなＡＳの中で密集化していることを観察した。これはこの密集化の原因となる機構は特別な行動に独特なものではないことを示唆している。ＡＳ及びＩＳの分類は従って複数の行動のクラスターへのバウトの高度に調整された編成で特徴付けられる動物の状態における基本的変遷を捕えるように見える。
その後の解析はＡＳ内で発生する種々の行動の間の時間的相互関係の特徴的パタンを示すものであった。ＡＳの開始を時間ゼロと使用して、我々はＡＳ内で特種行動に従事する確率の時間的変化を計算した。これは明瞭な連続的構成を示した。摂食の確率は摂飲、移動及び「他の」行動の確率の減少に伴い、ＡＳの初期に高かった。摂食の確率が減少するにつれ、「他の」行動のバウトに従事する確率は増加し、最終的にＡＳが終了した。このことはＡＳ内において動物の行動的優先度に秩序だった構成の存在することを示している。興味深いことに、この時間的構成は行動的飽満順序（ＢＳＳ）即ち高度に美味な食餌にアクセス可能或は食餌欠乏の後の動物に観察される行動の順序（Ａｎｔｉｎ ｅｔ ａｌ．，１９７５；Ｉｓｈｉｉ ｅｔ ａｌ．，２００３）を想起させることである。これらの場合において、動物はまず摂食に従事し、その後身繕いをし、匂いをかぎ、養育行為をし、移動し、休息する。ＡＳ内構成がＢＳＳと同様であることは両者における行動的優先度間の変遷は同様であることを示唆するものである。このことは食餌獲得の目標は主として居住檻におけるＡＳ開始の決定要素であることも示唆するものかもしれない。
状態及びバウトの特性を特徴づける能力により生物学的工程及び実験的操作が行動パタンを形成する構成レベルを決定することが可能となる。説明的一例は２４時間周期効果がＣ５７ＢＬ／６ネズミの摂取行動の特徴的薄明薄暮性パタンを生成する様相に関する。動物が一日の時間において摂取を変化する一手段は持続時間、強度、及び結果としてのバウトサイズのようなバウト特徴のレベルにおける行動を変化することであろう。編成のこれらのレベルにおける行動を検討することにより、ＡＳ摂取バウト率及びバウトサイズは一日の時間に対して有意義的に変化したが、ＡＳ確率の変化が摂取における２４時間周期変化の大部分を説明するものであったことが示された。これらのことは、Ｃ５７ＢＬ／６ネズミにおける摂取の薄明薄暮性パタンはＡＳの内在的特徴の変化或はバウト特徴の変化ではなく、主として状態変遷及び持続時間のレベルにおける２４時間周期効果からの結果であることを示唆する。
Ｄ．エネルギーバランス変異
複数の編成レベルに亘って種々の行動の連続的定量的評価を可能にするシステムの有用性は６０年近くに亘って広範囲に研究されて来たＯＢネズミへの新しい表現型洞察によって強調される。顕著な発見の一つは、ＯＢネズミにおけるＩＳ時間の顕著な増加及びこれが達成される様相であった。この増加は移動及び「他の」行動のバウトに費やされる時間を犠牲にして達成されたものである。対照的に摂食及び摂飲に費やされた時間の量は維持された。その結果、ＡＳの間摂食及び摂飲に費やされた時間の百分比の二倍になることがＯＢネズミにおいて観察された。時間の使用に関するこの移行は移動及び「他の」行動への従事に費やされた時間を犠牲にしてのＩＳへの増加された優先度と共にＯＢネズミの行動的優先度の劇的な再編成を示すものである。
複数の編成レベルに亘って種々の行動の連続的定量的評価を可能にするシステムの有用性は６０年近くに亘って広範囲に研究されて来たＯＢネズミへの新しい表現型洞察によって強調される。顕著な発見の一つは、ＯＢネズミにおけるＩＳ時間の顕著な増加及びこれが達成される様相であった。この増加は移動及び「他の」行動のバウトに費やされる時間を犠牲にして達成されたものである。対照的に摂食及び摂飲に費やされた時間の量は維持された。その結果、ＡＳの間摂食及び摂飲に費やされた時間の百分比の二倍になることがＯＢネズミにおいて観察された。時間の使用に関するこの移行は移動及び「他の」行動への従事に費やされた時間を犠牲にしてのＩＳへの増加された優先度と共にＯＢネズミの行動的優先度の劇的な再編成を示すものである。
これらの時間予算変更にはバウト及び状態両方の特徴のレベルにおける行動の編成における顕著な変化が伴われた。ＡＳ確率での２４時間周期変化及びＡＳ及びＩＳの下地パタンはＷＴ及びＯＢネズミにおいて顕著に相違した。明サイクル（ＬＣ）の大部分においてこれらのＡＳ確率は同様であったが、ＯＢネズミはＤＣの間ＷＴネズミよりＡＳに非常に少ない時間を費やした。ＡＳ確率におけるこの相違はＤＣの開始と終了において殊に顕著であった。ＡＳ確率及び持続時間における２４時間周期変化はこうしてＯＢネズミにおいて有意義的に減少し、環境への同調化が損なわれた確率が増加した。しかし、ＯＢネズミはＩＳ持続時間に顕著な２４時間周期変化を表明し、環境に同調する能力は無傷であり特別な行動の２４時間周期変化は変化したことを示唆した。
この可能性と矛盾なく、ＯＢネズミは摂取の頂点をＷＴネズミの場合と同様にＤＣの開始と終了に有する薄明薄暮型の摂食及び摂飲パタンを示した。対照的に、移動及び「他の」行動の大きさの２４時間周期変化はＯＢネズミの場合顕著に減少した。我々はこれが（１）ＡＳのパタン及び（２）ＡＳ内バウト率の二つの行動的編成のレベルにおける表現型異常性の結果であることを見出した。ＡＳパタンに関し、比較密集化はＯＢネズミが通常ＤＣ開始及び終了に見られる長持続時間ＡＳを失ったことを表明した。これらのＡＳ持続時間における推論はこれらの時間の移動及び「他の」行動の選択的減少の結果らしい。更に、ＯＢネズミはＤＣ期間中ＷＴネズミに見られる移動及び「他の」行動のＡＳ内バウト率の顕著な増加を表示しなかった。このことは移動及び「他の」行動を増加する一日の時間に依存する信号がＯＢネズミにおいて減少するかもしれない、或は競合する過程が総合食餌及び水摂取を減少せずに移動及び「他の」行動を抑制することを示唆している。
二時間容器に消費された量での変化で示された２４時間周期変化のレベルのＯＢ食餌及び水摂取を単に検査することにより、摂取のＯＢパタン相対的に保存されたことが示された。対照的に、バウト及び状態特徴の検討により２４時間周期変化のこのパタンを達成する様相が顕著に攪乱されたことが示された。ＯＢネズミはＷＴネズミに比して一貫的により大きな摂食バウト（ＯＢ ２２２ｍｇ ＷＴ３８ｇ）及び摂飲バウト（ＯＢ １１４ｍｇ ＷＴ ６１ｍｇ）を示した。しかし、このバウトサイズの増加には結果として同様な摂取及び薄明薄暮性パタンとなるＷＴとＯＢの両方のネズミにおけるバウト率の減少が伴うものであった。摂食及び摂飲の両方に関し、摂取バウト率の減少は主として状態組織化の変化の結果（ＩＳ持続時間の延長を伴うＡＳ開始率の減少）であった。摂取の組織化に関するこれらの劇的な変化はバウト及び状態特徴のレベルにおける行動の組織化を特徴付ける能力が無ければ表明されなかったことであろう。
これらの行動的変化はエネルギーの増加及びエネルギー消費の減少のための信号として作用するＯＢネズミにおけるレプチン欠乏の結果であるらしい（Ｆｒｉｅｄｍａｎ ａｎｄ Ｈａｌａａｓ，１９９８）。行動的にこれはエネルギー摂取の増加及び肉体的活動の減少によって表明され得る。我々は生後３ヶ月のＯＢネズミにおいて食餌摂取に小さな増加（ＷＴの１０８％）及び劇的な運動の減少（ＷＴの１７％）を観察した。このことはＯＢネズミにおいて活動の現象が継続する一方相対的摂食亢進が年齢と共に衰退すると言うことを示す既存の研究（Ｊｏｏｓｔｅｎ ａｎｄ ｖａｎ ｄｅｒ Ｋｒｏｏｎ，１９７４； Ｍａｙｅｒ，１９５３）と一貫するものである。従ってＯＢネズミにおける運動の減少はエネルギー保存に貢献する主要な行動的変化を表すものと思える。従って、運動の減少は行動の組織化の複数レベルにおいて明らかであった。ＯＢネズミにおいてＩＳで費やす時間は増加され、移動のバウトで費やされる時間は減少され、移動の強度は減少した。
エネルギー保存に有利な信号はＯＢネズミにおいて観察される摂食及び摂飲パタンの変化であろう。肥満によって与えられた体重増加に加えてかような信号はこれらの動物における食餌獲得の知覚される代価を増加するかもしれない。従って摂食クラスターの数を減少しサイズを増加する（Ｃｏｌｌｉｅｒ ｅｔ ａｌ．，１９７２；Ｊｏｈｎｓｏｎ ａｎｄ Ｃａｂａｎａｃ，１９８２；Ｍｏｒａｔｏ ｅｔ ａｌ．，１９９５；Ｐｅｔｅｒｓｏｎ ａｎｄ ＭｃＣａｒｔｈｙ，１９８１）ことにより食餌獲得の代価を増加する実験操作（例えばレバー圧力の増加、低温への露出）に動物が反応することは注目に値することである。従って、増加した代価において発生する食餌摂取パタンはＯＢネズミの場合と顕著に類似するものである。
ＯＢネズミにおける行動パタンの定量的記述により行動を形成する広範囲に亘る作用へのレプチンの影響に関して追加的試験可能な仮説の生成が可能となる。例えば動物は生殖のような生存に直接必須でない行動を省くことによってエネルギーを保存することが出来る（Ａｈｉｍａ ｅｔ ａｌ．，１９９６）。牡のＯＢネズミはテストステロンのレベルが非常に低くて不毛なので（Ｃａｐｒｉｏ ｅｔ ａｌ．，２００１；Ｓｗｅｒｄｌｏｆｆ ｅｔ ａｌ．，１９７６）、アンドロゲン欠陥信号がこれらのネズミにおいて観察される行動パタンに役を果たしているものかも知れない。これと一貫して、去勢により牡ネズミ及びラットにおける摂取バウトサイズが増加し、移動が減少する（Ｃｈａｉ ｅｔ ａｌ．，１９９９；Ｐｅｒｒｉｇｏ ａｎｄ Ｂｒｏｎｓｏｎ，１９８５；Ｐｅｔｅｒｓｏｎ，１９７８；Ｒｏｙ ａｎｄ Ｗａｄｅ，１９７５）。総論的に、ＯＢネズミの居住檻行動を詳細に検査することにより明確な組織化レベルにおける複数の行動の変化が示されることは明白である。これによりこれらの変化への複数の神経調節システムの貢献に関する試験可能な仮設の生成が容易になる。
ＯＢネズミと対照的に、２Ｃネズミの行動の組織化に関する変化は主として状態パタンの２４時間周期変動の変化に反映されるものであった（図３６及び３７）。２Ｃネズミは一日を通じてＩＳ持続時間の減少を示し、ＬＣの間ＡＳ開始率に顕著な増加を示した。興味あることに、２Ｃネズミにおける食餌摂取の増加はＡＳ開始率とＡＳ確率が増加された場合ＬＣに限定された。この時間の間摂食ＡＳバウト率もバウトサイズも増加せず、従ってＡＳ確率の増加が２Ｃネズミにおいて表明された食餌摂取の増加に重要な役を果たすと思われる。実際、比較密集化はＤＣ開始前の６時間において２Ｃネズミが屡摂食バウトを含み摂飲バウトを含まない短持続時間ＡＳ（１−５分）の増加を示すことを示している。従って２ＣネズミにおけるＬＣＡＳ開始率の増加は高度の摂食に関する行動優先度のＡＳの増加に対応するものである。
２Ｃネズミにおける状態パタンの変化は最も顕著なものであったが、ＡＳ内特徴の変化も観察された。例えば２ＣネズミはＷＴネズミより摂食バウト持続時間が短かったがバウト強度に補足的増加を示し、その結果バウトサイズはＷＴネズミのそれと同様であった。同様な補足は移動に関しても観察された。２Ｃネズミは減少された移動バウト持続時間を示したがバウト強度は増加して居り、結果としてバウトサイズは同様であった。これらの所見並びにＯＢネズミにおける薄明薄暮性摂取パタンの保存は組織化の或るレベルでの変更は屡他のレベルでの変更で補足されバウトサイズ或いは２４時間周期摂取パタンのような行動パタンが種々の面で保存されるということを示している。
２ＣネズミのＡＳ内特徴において追加的変化も観察された。ＤＣの間において２ＣネズミはＷＴネズミより移動及び「他の」行動のＡＳバウト率が増加したが、ＡＳ摂食バウト率に減少の傾向を見せた。この相違は２ＣネズミにおけるＬＣＡＳ確率の増加が摂食と移動の増加に伴われたのに、ＤＣＡＳ確率は移動の増加にのみ伴われたことの説明になるらしい。興味あることに、摂食及び移動への同様な２４時間周期効果が視床下部外側（ＬＨ）の神経細胞で生成される神経ペプチドであるオレキシンの投与と共に見られる。ＬＣの期間、オレキシン処理は摂食及び運動の両方を増加するが、ＤＣの期間においてオレキシンは運動のみを増加する（Ｅｓｐａｎａ ｅｔ ａｌ．，２００２）。ＬＨにおけるオレキシン効果の２４時間周期依存性と５ＨＴ２ＣＲの発現の類似により神経細胞に信号を送るオレキシンの活動亢進が２Ｃ表現型に貢献する可能性が浮上する。選択的ＬＣ摂食亢進の他の例にはＶＭＨ障害の結果である（Ｃｈｏｉ ａｎｄ Ｄａｌｌｍａｎ，１９９９；Ｃｈｏｉ ｅｔ ａｌ．，１９９８）及びヒスタミンＨ１受容体機能喪失（Ｍａｓａｋｉ ｅｔ ａｌ．，２００４）の結果である摂食の増加があり、ＶＭＨ及びヒスタミンシステムが２ＣネズミのＬＣ摂食亢進貢献するかもしれない他の機構として機能することを示唆している。
ドーパミンシステム機能の変更も本研究において観察された２Ｃネズミの表現型変更の幾らかに役を果たしているのかも知れない。従来、２Ｃネズミは新規性及びコカインに対し高度のドーパミンレベルのドーパミンシステム機能における変更を伴う応答の増加を示すものと説明されて来た（Ｒｏｃｈａ ｅｔ ａｌ．，２００２）。２Ｃネズミに観察される居住檻運動の増加は従ってドーパミンシステム活動亢進の結果かもしれない。高ドーパミン作動性変種ネズミ（ドーパミン輸送体ノックダウン）が増加した食餌摂取を示す（Ｐｅｃｉｎａ ｅｔ ａｌ．，２００３）ように、これも叉食餌摂取の増加に貢献するかもしれない。興味あることに、ラットにおける慢性コカイン治療の中止の結果食餌摂取における持続性選択的ＬＣ増加となる（Ｇｉｏｒｇｅｔｔｉ ａｎｄ Ｚｈｄａｎｏｖａ，２０００）。従って、ドーパミンシステムの機能変更も２Ｃネズミにおける食餌摂取の選択的ＬＣ増加に貢献可能かもしれない。
最後に、２Ｃネズミが移動及び「他の」行動に費やす時間の増加は「非練習活動熱発生」（ｎｏｎ−ｅｘｅｒｃｉｓｅ ａｃｔｉｖｉｔｙ ｔｈｅｒｍｏｇｅｎｅｓｉｓ＝ＮＥＡＴ）として知られる現象（Ｌｅｖｉｎｅ ｅｔ ａｌ．，１９９９）に照らして考慮するのか興味深いことである。人間においてＮＥＡＴとは合目的練習以外の身体的活動のことであり、坐ること、立つこと、歩くこと、及びそわそわすることのようなルーテン的な日ごとの活動を含むものである。過食はＮＥＡＴを増加するものと発見されて居り、これが発生する度合は体重増加と高度に相関性がある（Ｌｅｖｉｎｅ ｅｔ ａｌ．，１９９９）。従って、肥満者は体重減量の後でも（坐る時間の増加及び立っている及び歩き回る時間の減少）低下したＮＥＡＴを示す（Ｌｅｖｉｎｅ ｅｔ ａｌ．，２００５；Ｒａｖｕｓｓｉｎ，２００５）。従って、ＮＥＡＴのレベルは先天的なものであり生理学的調整に従うものと提案されている（Ｌｅｖｉｎｅ，２００７）。この状況において、生後３ヶ月の２Ｃネズミにおいて移動的及び非移動的両方の身体的活動への従事に費やされる時間が上昇されていることは興味深いことである。この年齢において２Ｃネズミの体重及び肥満性は食餌摂取の慢性的な上昇に拘らず正常である（Ｎｏｎｏｇａｋｉ ｅｔ ａｌ．，１９９８）。従ってＮＥＡＴの上昇はこれらの動物が平常な体重を維持させている可能性がある。ＮＥＡＴの調整にオレキシン作動性及びドーパミン作動性経路が関係するとされている（Ｔｅｓｋｅ ｅｔ ａｌ．，２００７）ので、セロトニン作動性混乱のこれらの経路への影響は２ＣネズミのＮＥＡＴ上昇に貢献するかもしれない。
なお、本発明は、以下のような態様で実現することもできる。
適用例１：
測定期間に亘って測定システムを使用して収集された動物行動データのセットを濾過する方法であって、上記データは一定の測定地域内での被験動物の空間的位置に関するイベント情報、一定地域における既知の箇所における複数の装置における及びそれに対するこの被験動物の行動に関する装置イベント情報、及び位置及び装置イベント情報に関連した時間情報から成るものであり、上記方法は
収集された行動データを入力する工程、
行動データを解析して （１）装置イベント情報と不一致な位置情報を装置の既知の位置に基づいて、 及び／或は（２）一個以上の装置に関し、その他の装置に関する装置イベント情報と不一致な装置イベントを装置イベントに関連する時間情報に基づいて検出する工程と、
検出された不一致の少なくとも幾らかに基づいてデータを更新する工程とから成る方法。
適用例２：
一個以上の装置に関し、その他の装置に関する装置イベント情報と不一致な装置イベントが同時或は重複する時間帯或は閾値の時間帯に発生する第一及び第二装置の装置イベントを同定する工程から成るものである、適用例１の方法。
適用例３：
行動データを解析する工程が虚偽装置イベント開始を同定する工程から成るものである、 適用例１の方法。
適用例４：
装置イベント情報と不一致な位置情報を検出する工程が、少なくとも若干の装置イベントの間の位置情報を装置の既知の位置に基づいて予期される動物の位置と比較することにより位置情報の修正を計算する工程から成るものである、 適用例１の方法。
適用例５：
装置イベント情報と不一致な位置情報を検出する工程が、装置イベントの終了の検出に関する測定システムの失敗によるデータを同定して排除する工程から成るものである、 適用例１の方法。
適用例６：
装置イベントが被験動物による固体及び／或は液体の摂取に関する情報である、 適用例１の方法。
適用例７：
一定地域が檻内部の地域である、 適用例１の方法。
適用例８：
被験動物がげっ歯動物である、 適用例１の方法。
適用例９：
装置が、食品消費表示器から成るものである、適用例１の方法。
適用例１０：
装置が、液体消費表示器から成るものである、適用例１の方法。
適用例１１：
装置が、薬品消費表示器から成るものである、適用例１の方法。
適用例１２：
装置が、感覚的刺激に対する被験動物の応答、オペラント応答、或は新規対象への応答の少なくとも一個の表示器から成るものである、適用例１の方法。
適用例１３：
測定期間に亘って測定システムを使用して収集された動物行動データのセットを濾過する方法であって、上記データは一定の測定地域内での被験動物の空間的位置に関するイベント情報、及び一定地域における既知の箇所における複数の装置における及びそれに対するこの被験動物の行動に関する装置イベント情報から成るものであり、上記方法は
収集された行動データを入力する工程と、
虚偽装置イベント開始を同定して関連する装置イベント情報を削除する工程と、
少なくとも若干の装置イベントの間の位置情報を装置の既知の位置に基づいて予期される動物の位置と比較することにより位置情報への修正を計算する工程と、
計算された修正に基づいて位置情報を更新する工程と、
装置イベントの終了の検出に関する測定システムの失敗によるデータを同定して排除する工程とから成る方法。
適用例１４：
虚偽装置イベントの同定が、
測定された位置のドリフトを測定期間に亘って時間の関数として計算する工程と、
各装置イベントに対し、装置イベントの時間における測定された位置のドリフトを装置イベントドリフトと比較する工程とから成る、適用例１３の方法。
適用例１５：
虚偽装置イベントの同定が、
各装置イベントに対し、装置イベントの時間における測定された位置のドリフトと装置イベントドリフトとの差を計算する工程と、
この差が既定の閾値を越える場合、装置イベント開始エラーの可能性ありとしてこの装置イベントをフラッグする工程とから更に成る、適用例１４の方法。
適用例１６：
虚偽装置イベント開始を同定して関連する装置イベント情報を削除する工程が、フラッグされた装置イベントの各々に関連するイベント情報を削除するか決定するために、フラッグされた装置イベントの表を使用者に提供する工程から成るものである、適用例１５の方法。
適用例１７：
各位置座標に関して、測定された位置のドリフトを、時間に対する定義された地域のその座標に沿った動物の測定された運動の境界の位置包絡線を生成することによって計算する工程から更に成るものである、適用例１４の方法。
適用例１８：
測定された位置のドリフトを測定する工程が、各座標に関して位置包絡線からの最大と最小の位置のドリフトを推定する工程から成るものである、適用例１７の方法。
適用例１９：
最大と最小の位置のドリフトを平均して測定期間に亘る時間に対する測定された位置のドリフトを計算する工程から更に成るものである、適用例１８の方法。
適用例２０：
位置包絡線を生成する工程が連続する凸状殻体を時間に対する座標位置にフィットする工程から成り、その頂点は座標位置の包絡線を定義するものであり、凸状殻体をフィットする工程は凸状殻体の各側の最小から最大位置までの距離が少なくとも既定の量になるまで殻体を拡張するものである、適用例１７の方法。
適用例２１：
既定の量が座標に沿った測定された地域の全長の少なくとも７０％である、適用例２０の方法。
適用例２２：
装置イベントの終了の検出に関する測定システムの失敗によるデータを同定して排除する工程が、
一定の装置に関連したすべての装置イベントの位置情報を受ける工程と、
各装置イベントに関し、装置イベントの開始位置から最大距離を有する位置を決定する工程と、
密集化解析を実施して最大距離位置を密集化する工程と、
装置の既知の位置に基づき、装置イベント間における予期される動物位置にもっとも近いクラスターを受ける工程と、
受けられたクラスター以外で最大距離位置を有するイベントに関連するすべての装置イベント情報を削除する工程とから成るものである、適用例１３の方法。
適用例２３：
測定システムのプラットフォームエラーを検出する工程から更に成り、このプラットフォームエラー検出工程が、
測定地域の凸状殻体を生成し、測定地域足跡を定義する工程と、
測定期間内の動物の総ての測定された位置の凸状殻体を生成する工程と、
凸状殻体の重複を計算する工程と、
凸状殻体の間の重複の量及び定義された測定地域での運動に関する既知の情報に基づいて測定期間に収集されたデータを排除するか決定する工程とから成るものである、適用例１３の方法。
適用例２４：
測定期間に亘って収集された動物行動データのセットにおける虚偽の可能性のある装置イベントを同定する方法であって、上記データは一定の測定地域の被験動物の空間位置に関するイベント情報及び一定地区の既知の位置にある測定装置における或いはそれに対する被験動物の行動に関する装置イベント情報とから成る方法であって、
位置測定の総合ドリフトを測定期間の時間の関数として計算する工程と、
各装置イベントに関し、装置の既知の位置に基づく動物の推定位置と装置イベントの間の動物の測定された位置とを比較して装置イベントドリフトを計算し、装置イベントドリフトを装置イベントの時における総合ドリフトと比較する工程とから成るものである方法。
適用例２５：
測定期間に亘って収集された動物行動データのセットにおける位置測定のドリフトを計算する方法であって、上記データは一定地域の被験動物の空間位置に関するイベント情報から成る方法であり、
時間に対して位置の連続的な凸状殻体を生成し、それにより測定期間における被験動物の測定位置の境界を定義する位置包絡線を生成する工程と、
最大位置のドリフトと最小位置のドリフトとを時間の関数としてこの位置包絡線から決定する工程と、
これら最大及び最小位置ドリフトから総合位置ドリフトを時間の関数として計算する工程とから成るものである方法。
適用例２６：
空間次元の各々について総合位置ドリフトが独立に計算されるものである、適用例２５の方法。
適用例２７：
時間に対して位置の連続的な凸状殻体を生成する工程が連続する凸状殻体を時間に対する次元位置にフィットする工程から成り、その頂点は次元位置の包絡線を定義するものであり、凸状殻体をフィットする工程は凸状殻体の各側の最小から最大位置までの距離が定義された区域の総次元長の少なくとも既定の割合になるまで殻体を拡張するものである、適用例２６の方法。
適用例２８：
総合位置ドリフトが最大及び最小位置でのドリフトを平均して計算されるものである、適用例２５の方法。
適用例２９：
測定期間に亘って測定システムを使用し収集された動物行動データのセットにおける動物位置情報を修正する方法であって、上記データは一定の地域の被験動物の空間位置に関するイベント情報及び一定地区の既知の位置にある一個以上の種類の装置における或いはそれに対する被験動物の行動に関する装置イベント情報とから成る方法であって、
測定期間における対象の位置対時間のデータを入力する工程と、
一個よけいの種類の装置における動物行動に関する装置イベント情報を入力する工程と、
装置の既知の位置に基づいて第二装置イベントにおける被験動物の測定された位置を動物の予期された位置と比較することにより第一と第二装置イベントの間の測定された位置を修正し、測定された及び予期された位置の間の差が既定の閾値を超過する場合には決定し、差が既定の閾値を超過する場合には差を測定された位置に分配してそれらを修正することにより位置情報を修正する工程とから成る方法。
適用例３０：
測定された及び予期された位置の間の差が連続した位置の間の距離で加重されて分配されるものである， 適用例２９の方法。
適用例３１：
或るタイプの第一装置イベントにおける空間位置座標を初期化する工程と、そのタイプの総てのその後の装置イベントとそのタイプのそれ以前の装置イベントの間の測定された位置を修正する工程とから更に成るものである， 適用例２９の方法。
適用例３２：
一個以上のタイプの装置イベントのため総ての或るタイプの連続した装置イベントの間の運動位置を修正する工程から成るものである、 適用例２９の方法。
適用例３３：
測定期間に亘って測定システムを使用して収集された動物行動データのセットの中の装置イベントの終了の検出に関する測定システムの不成功を同定する方法であって、上記データは一定の地域内での被験動物の空間的位置に関するイベント情報、及び一定地域における既知の箇所における一つ以上のタイプの装置における及びそれに対するこの被験動物の行動に関する装置イベント情報から成るものであり、上記方法は
共通タイプの総ての装置イベントの間の位置情報を入力する工程と、
そのタイプの各装置イベントに関し、その装置イベント開始位置からの最大距離を有する位置を決定する工程と、
密集解析を実施して最大距離位置を密集させる工程と、
装置の既知の位置に基づいて装置イベントの間の動物の予期される位置に最も近いクラスターを入力する工程と、
入力されたクラスター外の最大距離位置を有するイベントに関連する装置イベント情報を除去する工程とから成る、方法。
適用例３４：
動物行動データを収集するためのシステムにおけるプラットフォーム誤動作を検出する方法であって、上記データは測定地域内での被験動物の空間的位置に関するイベント情報から成り、上記方法は
測定地域の凸状殻体を生成し、測定地域足跡を定義する工程と、
測定期間内の動物の総ての収集された位置の凸状殻体を生成する工程と、
凸状殻体の重複を計算する工程と、
凸状殻体の間の重複の量及び定義された測定地域での運動に関する既知の情報に基づいて測定期間に収集されたデータを排除するか決定する工程とから成るものである、
する工程とから成る、方法。
適用例３５：
システムが被験動物の空間的位置を検出するためのロードビームから成るものである、適用例３４の方法。
適用例３６：
プラットフォーム誤動作の検出がロードビーム飽和誤動作を検出する工程から成るものである、適用例３５の方法。
適用例３７：
動物行動データのセットを濾過及び表示するコンピュータ実装の方法であって、上記のデータは一定の測定地域内での被験動物の空間的位置及び運動に関するイベント情報及び一定地域における既知の箇所における一個以上の装置における及びそれに対するこの被験動物の行動に関する装置イベント情報から成るものであり、上記の方法は
収集された行動データセットを入力する工程と、
潜在的虚偽装置イベント開始を同定する工程と、
潜在的虚偽運動イベントを同定する工程と、
同定された潜在的虚偽装置イベント及び同定された潜在的虚偽運動イベント情報を使用者に供する工程と、
同定された虚偽情報に関連し、使用者に選択され、コンピュータシステムへの使用者入力によって受領される品質指標を受ける工程と、
装置イベント情報を使用者に選択される品質指標に基づいて行動データから除外し、更新されたデータセットを生成する工程と、
更新されたデータセットに基づいて位置情報を修正する工程とから成るものである、方法。
適用例３８：
修正された位置情報を使用する工程と測定システムによる装置イベントの終了の検出不成功の結果であるデータを同定する工程とから更に成るものである、適用例３７のコンピュータ実装の方法。
適用例３９：
潜在的虚偽装置イベントを同定する工程が測定期間に亘る位置測定における総合ドリフトを計算する工程、装置イベントの各々に関して動物の予期される位置を装置の既知の位置に基づいて装置イベントの間の動物の測定された位置と比較して装置イベントドリフトを計算する工程、及び装置イベントドリフトを装置イベントの時間における総合ドリフトと比較する工程とから成るものである、適用例３７のコンピュータ実装の方法。
適用例４０：
同定された潜在的虚偽装置イベント及び同定された潜在的虚偽運動イベント情報を使用者に供する工程が、測定期間に亘る位置測定の総合ドリフトを表示する図を供する工程から成るものである、適用例３９のコンピュータ実装の方法。
適用例４１：
同定された潜在的虚偽装置イベント及び同定された潜在的虚偽運動イベント情報を使用者に供する工程が、各装置イベントに関して総合ドリフトと装置イベントドリフトの相違を表示する図を供する工程から成るものである、適用例３９のコンピュータ実装の方法。
適用例４２：
使用者に予期された相関からの偏差を供する工程から更に成るものである、適用例３７のコンピュータ実装の方法。
適用例４３：
測定システムを使用して収集された動物行動データを解析する自動化された方法であって、上記行動データは一定の測定地域内の動物の位置に関する空間及び時間情報から成るものであり、上記方法が空間及び時間情報を使用して被験動物の活動及び不活動状態の間の遷移を同定する工程から成るものである自動化された方法。
適用例４４：
空間情報と時間情報の両方を使用して同定された活動状態内の行動状態を特徴付ける工程から更に成るものである適用例４３の自動化されたもの。
適用例４５：
測定システムを使用して収集された動物行動データを解析する方法であって、上記行動データは一定の測定地域内の動物の位置に関する空間的及び時間的情報から成り、上記方法は
空間的情報を使用して活動及び不活動状態間の遷移を同定し、時間的期間内の被験動物運動の間の最長持続時間の位置の決定から成るものである、方法。
適用例４６：
空間的情報を使用して活動及び不活動状態間の遷移を同定する工程が最長持続時間の位置からのその時間的期間内における被験動物のその他の位置の相対的距離を決定する工程から更に成るものである、適用例４５の方法。
適用例４７：
活動及び不活動状態間の遷移を同定する工程が不活動位置持続時間閾値を決定する工程から成るものである、適用例４５の方法。
適用例４８：
空間的情報と時間的情報の両方を使用して同定された活動状態内の行動状態を特徴付ける工程から更に成るものである、適用例４５の方法。
適用例４９：
測定システムを使用して測定期間に亘り収集された動物行動データから時間ウインドウ内の被験動物の不活動状態を同定する方法であって、この動物行動データは測定地域内での被験動物の空間的位置に関するイベント情報から成り、上記方法は
時間ウインドウ内での被験動物の空間的位置に関するイベント情報を入力する工程と、
上記イベント情報を解析して時間ウインドウ内の位置の持続時間に関する情報を決定する工程と、
時間ウインドウ内における最長持続時間位置を決定する工程と、
最長持続時間位置から各位置への空間的距離に関する情報を決定する工程と、
距離及び持続時間情報を使用して時間ウインドウ内の被験動物の不活動状態を同定する工程とから成るものである、方法。
適用例５０：
動物行動データが測定地域における既知の箇所における一つ以上のタイプの装置における及びそれに対するこの被験動物の行動に関する装置イベント情報から更に成り、同定された不活動状態内で発生する如何なる装置イベントをも同定する工程から更に成るものである、適用例４９の方法。
適用例５１：
不活動状態エラー率に基づいて分類を更新する工程から更に成るものである、適用例５０の方法。
適用例５２：
不活動状態エラー率が同定された不活動状態の間の装置イベントの発生によるものである、適用例５０の方法。
適用例５３：
装置イベントを有する不活動状態を活動状態と再分類する工程から更に成るものである、適用例５０の方法。
適用例５４：
活動状態エラー率を計算する工程から更に成るものである、適用例５０の方法。
適用例５５：
活動状態エラー率を計算する工程が各活動状態の間に被験動物によって占められた地区を不活動状態の間にその動物で占められた地区と比較する工程から成るものである、適用例５４の方法。
適用例５６：
その測定期間において複数の時間ウインドウ用に被験動物の不活動状態を同定し、時間ウインドウを選択する工程から更に成るものである、適用例４９の方法。
適用例５７：
位置の持続時間を決定するのに二つの連続する位置の間の最小距離を定義するものである複数の運動閾値用に被験動物の不活動状態を同定する工程と運動閾値を選択する工程とから更に成るものである、適用例４９の方法。
適用例５８：
測定システムを使用して測定期間に亘って収集された被験動物行動データのセットを解析する自動化された方法であって、
その測定期間における一定地域内での被験動物に関する位置追跡情報及びその測定期間における一個以上の時間的パタンに関する情報を受ける工程と、
その位置追跡情報及び時間的情報を使用して一個以上の行動のバウトを同定する工程とから成る、自動化された方法。
適用例５９：
その一定測定地域における既知の箇所における一個以上の装置における及びそれに対するこの被験動物の行動に関する装置イベント情報を受ける工程から更に成り、各装置が特定の行動に関するものである、適用例５８の方法。
適用例６０：
測定システムを使用して測定期間に亘って収集された被験動物行動データのセットを解析する方法であって、
その測定期間における被験動物の空間的位置に関する空間情報及びその測定期間における一個以上の行動の時間的パタンに関する情報を入力する工程と、
その空間的情報及び時間的情報を使用して一個以上の行動のバウトを同定する工程とから成り、
この空間的情報はイベントの間及びイベント間の間隔における被験動物の空間的位置に関する情報から成り、イベント間の間隔とは装置における連続した装置イベントの間の間隔のことである、方法。
適用例６１：
空間的情報を使用して行動バウトを同定する工程が各イベント間間隔に関する最遠イベント間間隔位置（ＭＤＩＰ）を決定する工程から成り、このＭＤＩＰとはこのイベント間間隔における被験動物の装置からの最大距離のことである、適用例６０の方法。
適用例６２：
空間的情報を使用して行動バウトを同定する工程が各ＭＤＩＰについてそれが考慮中の装置のところ或いはそれから離れているかに分類する工程から成るものである、適用例６１の方法。
適用例６３：
各ＭＤＩＰについてそれが考慮中の装置のところ或いはそれから離れているかに分類する工程がそのイベント間間隔においてその被験動物がその装置のところにいる確率を決定する工程から成るものである、適用例６２の方法。
適用例６４：
空間的情報を使用して行動バウトを同定する工程が決定されたＭＤＩＰに二変量正規の混合モデルをフィットする工程から成るものである、適用例６３の方法。
適用例６５：
混合モデルをフィットする工程が以前の正規分布からの局地的データセットの生成を利用する自動化初期化法を使用して可能なすべての結合と共に更なる初期化のために以前の分布の各々を二部に分割する工程から成るものである、適用例６４の方法。
適用例６６：
時間的情報がイベント間間隔持続時間（ＩＤ）の各々に関する情報から成り、イベント間間隔が装置における連続した装置イベントの間の間隔である、適用例６０の方法。
適用例６７：
時間的情報を使用して行動のバウトを同定する工程が対数正規分布の混合をＩＤ分布にフィットする工程から成るものである、適用例６６の方法。
適用例６８：
対数正規分布は動物が装置のところに留まる確率に基づいて二部に分割されるものである、適用例６７の方法。
適用例６９：
対数正規分布はイベント間間隔における動物の位置に関する空間的情報に基づいて二部に分割されるものである、適用例６７の方法。
適用例７０：
空間的情報及び時間的情報を使用して一個以上の行動のバウトを同定する工程が各イベント間間隔に関し動物が装置のところにいる確率を推定しそのイベント間間隔の持続時間を他のイベント間間隔の持続時間と比較する工程から成るものである、適用例６０の方法。
適用例７１：
テストグループの行動データパタンを制御グループのそれと比較する方法であって、
テスト被験動物のグループに関連する行動データから成るテストデータセットを入力する工程と、
制御被験動物のグループに関連する行動データから成る制御データセットを入力する工程と、
テスト及び制御データセットからの行動データを結合する工程と、
結合されたデータセットを選択された数のクラスターへ密集化する工程と、
制御及びテストデータセットの中の行動データは同じであるとの仮定に基づいて各クラスターに関してカイ二乗の統計を計算する工程と、
すべてのクラスターのカイ二乗の統計を加算してテストグループデータと制御グループデータの間の差の度合を求める工程と、
テスト及び制御グループ間の被験動物のデータを並び替えてこの差の意義の度合いを得る工程と、
この差が統計的に有意義である場合には、この差に最も貢献するクラスターを決定する工程戸から成る方法。
適用例７２：
グループ比較の中の間及び間のデルタカイ二乗のｐ値を最小化してクラスターの数を選択する工程から更に成るものである、適用例７１の方法。
適用例７３：
運動のパタンが比較されるものである、適用例７１の方法。
適用例７４：
摂食のパタンが比較されるものである、適用例７１の方法。
適用例７５：
摂飲のパタンが比較されるものである、適用例７１の方法。
適用例７６：
薬品摂取のパタンが比較されるものである、適用例７１の方法。
適用例７７：
睡眠のパタンが比較されるものである、適用例７１の方法。
適用例７８：
テスト対象とのコンタクトのパタンが比較されるものである、適用例７１の方法。
適用例７９：
他の動物或いは感覚的刺激への応答のパタンが比較されるものである、適用例７１の方法。
適用例８０：
オペラント応答のパタンが比較されるものである、適用例７１の方法。
適用例８１：
生理学的測定が比較されるものである、適用例７１の方法。
適用例８２：
生理学的測定が心拍率、新陳代謝率、血圧、体温の一つから選ばれるものである、適用例８１の方法。
適用例８３：
活動状態頻度或いは持続時間が比較されるものである、適用例７１の方法。
適用例８４：
不活動状態頻度或いは持続時間が比較されるものである、適用例７１の方法。
適用例８５：
行動バウト頻度或いは持続時間が比較されるものである、適用例７１の方法。
適用例８６：
摂取量情報が比較されるものである、適用例７１の方法。
適用例８７：
動物行動監視システムであって、
一定の測定地区、
この一定の測定地区内の動物の行動に関し、一定の測定地域内での被験動物の空間的位置に関するイベント情報、一定地域における既知の箇所における複数の装置における及びそれに対するこの被験動物の行動に関する装置イベント情報、及び位置及び装置イベント情報に関連した時間情報から成るものであるデータを収集するためのこの一定測定地区内の既知の箇所にある複数の装置、
この複数の装置から収集された行動データを受けるように構成されたインタフェイスと、
収集された行動データを収納するための一個以上のメモリと、
行動データを解析して （１）装置イベント情報と不一致な位置情報を装置の既知の位置に基づいて、 及び／或は（２）一個以上の装置に関し、その他の装置に関する装置イベント情報と不一致な装置イベントを装置イベントに関連する時間情報に基づいて検出し、少なくとも検出された不一致の幾らかに基づいてデータを更新する一個以上のプロセッサとから成る動物行動監視システム。
適用例８８：
動物行動監視システムであって、
一定の測定地区、
この一定の測定地区内の動物の行動に関し、一定の測定地域内での被験動物の空間的位置に関するイベント情報、一定地域における既知の箇所における複数の装置における及びそれに対するこの被験動物の行動に関する装置イベント情報、及び位置及び装置イベント情報に関連した時間情報から成るものであるデータを収集するためのこの一定測定地区内の既知の箇所にある複数の装置、
この複数の装置から収集された行動データを受けるように構成されたインタフェイスと、
収集された行動データを収納するための一個以上のメモリと、
虚偽装置イベント開始を同定して関連する装置イベント情報を削除し、少なくとも若干の装置イベントの間の位置情報を装置の既知の位置に基づいて予期される動物の位置と比較することにより位置情報への修正を計算し、計算された修正に基づいて位置情報を更新し、装置イベントの終了の検出に関する測定システムの失敗によるデータを同定して排除する一個以上のプロセッサとから成る動物行動監視システム。
なお、本発明は、以下のような態様で実現することもできる。
適用例１：
測定期間に亘って測定システムを使用して収集された動物行動データのセットを濾過する方法であって、上記データは一定の測定地域内での被験動物の空間的位置に関するイベント情報、一定地域における既知の箇所における複数の装置における及びそれに対するこの被験動物の行動に関する装置イベント情報、及び位置及び装置イベント情報に関連した時間情報から成るものであり、上記方法は
収集された行動データを入力する工程、
行動データを解析して （１）装置イベント情報と不一致な位置情報を装置の既知の位置に基づいて、 及び／或は（２）一個以上の装置に関し、その他の装置に関する装置イベント情報と不一致な装置イベントを装置イベントに関連する時間情報に基づいて検出する工程と、
検出された不一致の少なくとも幾らかに基づいてデータを更新する工程とから成る方法。
適用例２：
一個以上の装置に関し、その他の装置に関する装置イベント情報と不一致な装置イベントが同時或は重複する時間帯或は閾値の時間帯に発生する第一及び第二装置の装置イベントを同定する工程から成るものである、適用例１の方法。
適用例３：
行動データを解析する工程が虚偽装置イベント開始を同定する工程から成るものである、 適用例１の方法。
適用例４：
装置イベント情報と不一致な位置情報を検出する工程が、少なくとも若干の装置イベントの間の位置情報を装置の既知の位置に基づいて予期される動物の位置と比較することにより位置情報の修正を計算する工程から成るものである、 適用例１の方法。
適用例５：
装置イベント情報と不一致な位置情報を検出する工程が、装置イベントの終了の検出に関する測定システムの失敗によるデータを同定して排除する工程から成るものである、 適用例１の方法。
適用例６：
装置イベントが被験動物による固体及び／或は液体の摂取に関する情報である、 適用例１の方法。
適用例７：
一定地域が檻内部の地域である、 適用例１の方法。
適用例８：
被験動物がげっ歯動物である、 適用例１の方法。
適用例９：
装置が、食品消費表示器から成るものである、適用例１の方法。
適用例１０：
装置が、液体消費表示器から成るものである、適用例１の方法。
適用例１１：
装置が、薬品消費表示器から成るものである、適用例１の方法。
適用例１２：
装置が、感覚的刺激に対する被験動物の応答、オペラント応答、或は新規対象への応答の少なくとも一個の表示器から成るものである、適用例１の方法。
適用例１３：
測定期間に亘って測定システムを使用して収集された動物行動データのセットを濾過する方法であって、上記データは一定の測定地域内での被験動物の空間的位置に関するイベント情報、及び一定地域における既知の箇所における複数の装置における及びそれに対するこの被験動物の行動に関する装置イベント情報から成るものであり、上記方法は
収集された行動データを入力する工程と、
虚偽装置イベント開始を同定して関連する装置イベント情報を削除する工程と、
少なくとも若干の装置イベントの間の位置情報を装置の既知の位置に基づいて予期される動物の位置と比較することにより位置情報への修正を計算する工程と、
計算された修正に基づいて位置情報を更新する工程と、
装置イベントの終了の検出に関する測定システムの失敗によるデータを同定して排除する工程とから成る方法。
適用例１４：
虚偽装置イベントの同定が、
測定された位置のドリフトを測定期間に亘って時間の関数として計算する工程と、
各装置イベントに対し、装置イベントの時間における測定された位置のドリフトを装置イベントドリフトと比較する工程とから成る、適用例１３の方法。
適用例１５：
虚偽装置イベントの同定が、
各装置イベントに対し、装置イベントの時間における測定された位置のドリフトと装置イベントドリフトとの差を計算する工程と、
この差が既定の閾値を越える場合、装置イベント開始エラーの可能性ありとしてこの装置イベントをフラッグする工程とから更に成る、適用例１４の方法。
適用例１６：
虚偽装置イベント開始を同定して関連する装置イベント情報を削除する工程が、フラッグされた装置イベントの各々に関連するイベント情報を削除するか決定するために、フラッグされた装置イベントの表を使用者に提供する工程から成るものである、適用例１５の方法。
適用例１７：
各位置座標に関して、測定された位置のドリフトを、時間に対する定義された地域のその座標に沿った動物の測定された運動の境界の位置包絡線を生成することによって計算する工程から更に成るものである、適用例１４の方法。
適用例１８：
測定された位置のドリフトを測定する工程が、各座標に関して位置包絡線からの最大と最小の位置のドリフトを推定する工程から成るものである、適用例１７の方法。
適用例１９：
最大と最小の位置のドリフトを平均して測定期間に亘る時間に対する測定された位置のドリフトを計算する工程から更に成るものである、適用例１８の方法。
適用例２０：
位置包絡線を生成する工程が連続する凸状殻体を時間に対する座標位置にフィットする工程から成り、その頂点は座標位置の包絡線を定義するものであり、凸状殻体をフィットする工程は凸状殻体の各側の最小から最大位置までの距離が少なくとも既定の量になるまで殻体を拡張するものである、適用例１７の方法。
適用例２１：
既定の量が座標に沿った測定された地域の全長の少なくとも７０％である、適用例２０の方法。
適用例２２：
装置イベントの終了の検出に関する測定システムの失敗によるデータを同定して排除する工程が、
一定の装置に関連したすべての装置イベントの位置情報を受ける工程と、
各装置イベントに関し、装置イベントの開始位置から最大距離を有する位置を決定する工程と、
密集化解析を実施して最大距離位置を密集化する工程と、
装置の既知の位置に基づき、装置イベント間における予期される動物位置にもっとも近いクラスターを受ける工程と、
受けられたクラスター以外で最大距離位置を有するイベントに関連するすべての装置イベント情報を削除する工程とから成るものである、適用例１３の方法。
適用例２３：
測定システムのプラットフォームエラーを検出する工程から更に成り、このプラットフォームエラー検出工程が、
測定地域の凸状殻体を生成し、測定地域足跡を定義する工程と、
測定期間内の動物の総ての測定された位置の凸状殻体を生成する工程と、
凸状殻体の重複を計算する工程と、
凸状殻体の間の重複の量及び定義された測定地域での運動に関する既知の情報に基づいて測定期間に収集されたデータを排除するか決定する工程とから成るものである、適用例１３の方法。
適用例２４：
測定期間に亘って収集された動物行動データのセットにおける虚偽の可能性のある装置イベントを同定する方法であって、上記データは一定の測定地域の被験動物の空間位置に関するイベント情報及び一定地区の既知の位置にある測定装置における或いはそれに対する被験動物の行動に関する装置イベント情報とから成る方法であって、
位置測定の総合ドリフトを測定期間の時間の関数として計算する工程と、
各装置イベントに関し、装置の既知の位置に基づく動物の推定位置と装置イベントの間の動物の測定された位置とを比較して装置イベントドリフトを計算し、装置イベントドリフトを装置イベントの時における総合ドリフトと比較する工程とから成るものである方法。
適用例２５：
測定期間に亘って収集された動物行動データのセットにおける位置測定のドリフトを計算する方法であって、上記データは一定地域の被験動物の空間位置に関するイベント情報から成る方法であり、
時間に対して位置の連続的な凸状殻体を生成し、それにより測定期間における被験動物の測定位置の境界を定義する位置包絡線を生成する工程と、
最大位置のドリフトと最小位置のドリフトとを時間の関数としてこの位置包絡線から決定する工程と、
これら最大及び最小位置ドリフトから総合位置ドリフトを時間の関数として計算する工程とから成るものである方法。
適用例２６：
空間次元の各々について総合位置ドリフトが独立に計算されるものである、適用例２５の方法。
適用例２７：
時間に対して位置の連続的な凸状殻体を生成する工程が連続する凸状殻体を時間に対する次元位置にフィットする工程から成り、その頂点は次元位置の包絡線を定義するものであり、凸状殻体をフィットする工程は凸状殻体の各側の最小から最大位置までの距離が定義された区域の総次元長の少なくとも既定の割合になるまで殻体を拡張するものである、適用例２６の方法。
適用例２８：
総合位置ドリフトが最大及び最小位置でのドリフトを平均して計算されるものである、適用例２５の方法。
適用例２９：
測定期間に亘って測定システムを使用し収集された動物行動データのセットにおける動物位置情報を修正する方法であって、上記データは一定の地域の被験動物の空間位置に関するイベント情報及び一定地区の既知の位置にある一個以上の種類の装置における或いはそれに対する被験動物の行動に関する装置イベント情報とから成る方法であって、
測定期間における対象の位置対時間のデータを入力する工程と、
一個よけいの種類の装置における動物行動に関する装置イベント情報を入力する工程と、
装置の既知の位置に基づいて第二装置イベントにおける被験動物の測定された位置を動物の予期された位置と比較することにより第一と第二装置イベントの間の測定された位置を修正し、測定された及び予期された位置の間の差が既定の閾値を超過する場合には決定し、差が既定の閾値を超過する場合には差を測定された位置に分配してそれらを修正することにより位置情報を修正する工程とから成る方法。
適用例３０：
測定された及び予期された位置の間の差が連続した位置の間の距離で加重されて分配されるものである， 適用例２９の方法。
適用例３１：
或るタイプの第一装置イベントにおける空間位置座標を初期化する工程と、そのタイプの総てのその後の装置イベントとそのタイプのそれ以前の装置イベントの間の測定された位置を修正する工程とから更に成るものである， 適用例２９の方法。
適用例３２：
一個以上のタイプの装置イベントのため総ての或るタイプの連続した装置イベントの間の運動位置を修正する工程から成るものである、 適用例２９の方法。
適用例３３：
測定期間に亘って測定システムを使用して収集された動物行動データのセットの中の装置イベントの終了の検出に関する測定システムの不成功を同定する方法であって、上記データは一定の地域内での被験動物の空間的位置に関するイベント情報、及び一定地域における既知の箇所における一つ以上のタイプの装置における及びそれに対するこの被験動物の行動に関する装置イベント情報から成るものであり、上記方法は
共通タイプの総ての装置イベントの間の位置情報を入力する工程と、
そのタイプの各装置イベントに関し、その装置イベント開始位置からの最大距離を有する位置を決定する工程と、
密集解析を実施して最大距離位置を密集させる工程と、
装置の既知の位置に基づいて装置イベントの間の動物の予期される位置に最も近いクラスターを入力する工程と、
入力されたクラスター外の最大距離位置を有するイベントに関連する装置イベント情報を除去する工程とから成る、方法。
適用例３４：
動物行動データを収集するためのシステムにおけるプラットフォーム誤動作を検出する方法であって、上記データは測定地域内での被験動物の空間的位置に関するイベント情報から成り、上記方法は
測定地域の凸状殻体を生成し、測定地域足跡を定義する工程と、
測定期間内の動物の総ての収集された位置の凸状殻体を生成する工程と、
凸状殻体の重複を計算する工程と、
凸状殻体の間の重複の量及び定義された測定地域での運動に関する既知の情報に基づいて測定期間に収集されたデータを排除するか決定する工程とから成るものである、
する工程とから成る、方法。
適用例３５：
システムが被験動物の空間的位置を検出するためのロードビームから成るものである、適用例３４の方法。
適用例３６：
プラットフォーム誤動作の検出がロードビーム飽和誤動作を検出する工程から成るものである、適用例３５の方法。
適用例３７：
動物行動データのセットを濾過及び表示するコンピュータ実装の方法であって、上記のデータは一定の測定地域内での被験動物の空間的位置及び運動に関するイベント情報及び一定地域における既知の箇所における一個以上の装置における及びそれに対するこの被験動物の行動に関する装置イベント情報から成るものであり、上記の方法は
収集された行動データセットを入力する工程と、
潜在的虚偽装置イベント開始を同定する工程と、
潜在的虚偽運動イベントを同定する工程と、
同定された潜在的虚偽装置イベント及び同定された潜在的虚偽運動イベント情報を使用者に供する工程と、
同定された虚偽情報に関連し、使用者に選択され、コンピュータシステムへの使用者入力によって受領される品質指標を受ける工程と、
装置イベント情報を使用者に選択される品質指標に基づいて行動データから除外し、更新されたデータセットを生成する工程と、
更新されたデータセットに基づいて位置情報を修正する工程とから成るものである、方法。
適用例３８：
修正された位置情報を使用する工程と測定システムによる装置イベントの終了の検出不成功の結果であるデータを同定する工程とから更に成るものである、適用例３７のコンピュータ実装の方法。
適用例３９：
潜在的虚偽装置イベントを同定する工程が測定期間に亘る位置測定における総合ドリフトを計算する工程、装置イベントの各々に関して動物の予期される位置を装置の既知の位置に基づいて装置イベントの間の動物の測定された位置と比較して装置イベントドリフトを計算する工程、及び装置イベントドリフトを装置イベントの時間における総合ドリフトと比較する工程とから成るものである、適用例３７のコンピュータ実装の方法。
適用例４０：
同定された潜在的虚偽装置イベント及び同定された潜在的虚偽運動イベント情報を使用者に供する工程が、測定期間に亘る位置測定の総合ドリフトを表示する図を供する工程から成るものである、適用例３９のコンピュータ実装の方法。
適用例４１：
同定された潜在的虚偽装置イベント及び同定された潜在的虚偽運動イベント情報を使用者に供する工程が、各装置イベントに関して総合ドリフトと装置イベントドリフトの相違を表示する図を供する工程から成るものである、適用例３９のコンピュータ実装の方法。
適用例４２：
使用者に予期された相関からの偏差を供する工程から更に成るものである、適用例３７のコンピュータ実装の方法。
適用例４３：
測定システムを使用して収集された動物行動データを解析する自動化された方法であって、上記行動データは一定の測定地域内の動物の位置に関する空間及び時間情報から成るものであり、上記方法が空間及び時間情報を使用して被験動物の活動及び不活動状態の間の遷移を同定する工程から成るものである自動化された方法。
適用例４４：
空間情報と時間情報の両方を使用して同定された活動状態内の行動状態を特徴付ける工程から更に成るものである適用例４３の自動化されたもの。
適用例４５：
測定システムを使用して収集された動物行動データを解析する方法であって、上記行動データは一定の測定地域内の動物の位置に関する空間的及び時間的情報から成り、上記方法は
空間的情報を使用して活動及び不活動状態間の遷移を同定し、時間的期間内の被験動物運動の間の最長持続時間の位置の決定から成るものである、方法。
適用例４６：
空間的情報を使用して活動及び不活動状態間の遷移を同定する工程が最長持続時間の位置からのその時間的期間内における被験動物のその他の位置の相対的距離を決定する工程から更に成るものである、適用例４５の方法。
適用例４７：
活動及び不活動状態間の遷移を同定する工程が不活動位置持続時間閾値を決定する工程から成るものである、適用例４５の方法。
適用例４８：
空間的情報と時間的情報の両方を使用して同定された活動状態内の行動状態を特徴付ける工程から更に成るものである、適用例４５の方法。
適用例４９：
測定システムを使用して測定期間に亘り収集された動物行動データから時間ウインドウ内の被験動物の不活動状態を同定する方法であって、この動物行動データは測定地域内での被験動物の空間的位置に関するイベント情報から成り、上記方法は
時間ウインドウ内での被験動物の空間的位置に関するイベント情報を入力する工程と、
上記イベント情報を解析して時間ウインドウ内の位置の持続時間に関する情報を決定する工程と、
時間ウインドウ内における最長持続時間位置を決定する工程と、
最長持続時間位置から各位置への空間的距離に関する情報を決定する工程と、
距離及び持続時間情報を使用して時間ウインドウ内の被験動物の不活動状態を同定する工程とから成るものである、方法。
適用例５０：
動物行動データが測定地域における既知の箇所における一つ以上のタイプの装置における及びそれに対するこの被験動物の行動に関する装置イベント情報から更に成り、同定された不活動状態内で発生する如何なる装置イベントをも同定する工程から更に成るものである、適用例４９の方法。
適用例５１：
不活動状態エラー率に基づいて分類を更新する工程から更に成るものである、適用例５０の方法。
適用例５２：
不活動状態エラー率が同定された不活動状態の間の装置イベントの発生によるものである、適用例５０の方法。
適用例５３：
装置イベントを有する不活動状態を活動状態と再分類する工程から更に成るものである、適用例５０の方法。
適用例５４：
活動状態エラー率を計算する工程から更に成るものである、適用例５０の方法。
適用例５５：
活動状態エラー率を計算する工程が各活動状態の間に被験動物によって占められた地区を不活動状態の間にその動物で占められた地区と比較する工程から成るものである、適用例５４の方法。
適用例５６：
その測定期間において複数の時間ウインドウ用に被験動物の不活動状態を同定し、時間ウインドウを選択する工程から更に成るものである、適用例４９の方法。
適用例５７：
位置の持続時間を決定するのに二つの連続する位置の間の最小距離を定義するものである複数の運動閾値用に被験動物の不活動状態を同定する工程と運動閾値を選択する工程とから更に成るものである、適用例４９の方法。
適用例５８：
測定システムを使用して測定期間に亘って収集された被験動物行動データのセットを解析する自動化された方法であって、
その測定期間における一定地域内での被験動物に関する位置追跡情報及びその測定期間における一個以上の時間的パタンに関する情報を受ける工程と、
その位置追跡情報及び時間的情報を使用して一個以上の行動のバウトを同定する工程とから成る、自動化された方法。
適用例５９：
その一定測定地域における既知の箇所における一個以上の装置における及びそれに対するこの被験動物の行動に関する装置イベント情報を受ける工程から更に成り、各装置が特定の行動に関するものである、適用例５８の方法。
適用例６０：
測定システムを使用して測定期間に亘って収集された被験動物行動データのセットを解析する方法であって、
その測定期間における被験動物の空間的位置に関する空間情報及びその測定期間における一個以上の行動の時間的パタンに関する情報を入力する工程と、
その空間的情報及び時間的情報を使用して一個以上の行動のバウトを同定する工程とから成り、
この空間的情報はイベントの間及びイベント間の間隔における被験動物の空間的位置に関する情報から成り、イベント間の間隔とは装置における連続した装置イベントの間の間隔のことである、方法。
適用例６１：
空間的情報を使用して行動バウトを同定する工程が各イベント間間隔に関する最遠イベント間間隔位置（ＭＤＩＰ）を決定する工程から成り、このＭＤＩＰとはこのイベント間間隔における被験動物の装置からの最大距離のことである、適用例６０の方法。
適用例６２：
空間的情報を使用して行動バウトを同定する工程が各ＭＤＩＰについてそれが考慮中の装置のところ或いはそれから離れているかに分類する工程から成るものである、適用例６１の方法。
適用例６３：
各ＭＤＩＰについてそれが考慮中の装置のところ或いはそれから離れているかに分類する工程がそのイベント間間隔においてその被験動物がその装置のところにいる確率を決定する工程から成るものである、適用例６２の方法。
適用例６４：
空間的情報を使用して行動バウトを同定する工程が決定されたＭＤＩＰに二変量正規の混合モデルをフィットする工程から成るものである、適用例６３の方法。
適用例６５：
混合モデルをフィットする工程が以前の正規分布からの局地的データセットの生成を利用する自動化初期化法を使用して可能なすべての結合と共に更なる初期化のために以前の分布の各々を二部に分割する工程から成るものである、適用例６４の方法。
適用例６６：
時間的情報がイベント間間隔持続時間（ＩＤ）の各々に関する情報から成り、イベント間間隔が装置における連続した装置イベントの間の間隔である、適用例６０の方法。
適用例６７：
時間的情報を使用して行動のバウトを同定する工程が対数正規分布の混合をＩＤ分布にフィットする工程から成るものである、適用例６６の方法。
適用例６８：
対数正規分布は動物が装置のところに留まる確率に基づいて二部に分割されるものである、適用例６７の方法。
適用例６９：
対数正規分布はイベント間間隔における動物の位置に関する空間的情報に基づいて二部に分割されるものである、適用例６７の方法。
適用例７０：
空間的情報及び時間的情報を使用して一個以上の行動のバウトを同定する工程が各イベント間間隔に関し動物が装置のところにいる確率を推定しそのイベント間間隔の持続時間を他のイベント間間隔の持続時間と比較する工程から成るものである、適用例６０の方法。
適用例７１：
テストグループの行動データパタンを制御グループのそれと比較する方法であって、
テスト被験動物のグループに関連する行動データから成るテストデータセットを入力する工程と、
制御被験動物のグループに関連する行動データから成る制御データセットを入力する工程と、
テスト及び制御データセットからの行動データを結合する工程と、
結合されたデータセットを選択された数のクラスターへ密集化する工程と、
制御及びテストデータセットの中の行動データは同じであるとの仮定に基づいて各クラスターに関してカイ二乗の統計を計算する工程と、
すべてのクラスターのカイ二乗の統計を加算してテストグループデータと制御グループデータの間の差の度合を求める工程と、
テスト及び制御グループ間の被験動物のデータを並び替えてこの差の意義の度合いを得る工程と、
この差が統計的に有意義である場合には、この差に最も貢献するクラスターを決定する工程戸から成る方法。
適用例７２：
グループ比較の中の間及び間のデルタカイ二乗のｐ値を最小化してクラスターの数を選択する工程から更に成るものである、適用例７１の方法。
適用例７３：
運動のパタンが比較されるものである、適用例７１の方法。
適用例７４：
摂食のパタンが比較されるものである、適用例７１の方法。
適用例７５：
摂飲のパタンが比較されるものである、適用例７１の方法。
適用例７６：
薬品摂取のパタンが比較されるものである、適用例７１の方法。
適用例７７：
睡眠のパタンが比較されるものである、適用例７１の方法。
適用例７８：
テスト対象とのコンタクトのパタンが比較されるものである、適用例７１の方法。
適用例７９：
他の動物或いは感覚的刺激への応答のパタンが比較されるものである、適用例７１の方法。
適用例８０：
オペラント応答のパタンが比較されるものである、適用例７１の方法。
適用例８１：
生理学的測定が比較されるものである、適用例７１の方法。
適用例８２：
生理学的測定が心拍率、新陳代謝率、血圧、体温の一つから選ばれるものである、適用例８１の方法。
適用例８３：
活動状態頻度或いは持続時間が比較されるものである、適用例７１の方法。
適用例８４：
不活動状態頻度或いは持続時間が比較されるものである、適用例７１の方法。
適用例８５：
行動バウト頻度或いは持続時間が比較されるものである、適用例７１の方法。
適用例８６：
摂取量情報が比較されるものである、適用例７１の方法。
適用例８７：
動物行動監視システムであって、
一定の測定地区、
この一定の測定地区内の動物の行動に関し、一定の測定地域内での被験動物の空間的位置に関するイベント情報、一定地域における既知の箇所における複数の装置における及びそれに対するこの被験動物の行動に関する装置イベント情報、及び位置及び装置イベント情報に関連した時間情報から成るものであるデータを収集するためのこの一定測定地区内の既知の箇所にある複数の装置、
この複数の装置から収集された行動データを受けるように構成されたインタフェイスと、
収集された行動データを収納するための一個以上のメモリと、
行動データを解析して （１）装置イベント情報と不一致な位置情報を装置の既知の位置に基づいて、 及び／或は（２）一個以上の装置に関し、その他の装置に関する装置イベント情報と不一致な装置イベントを装置イベントに関連する時間情報に基づいて検出し、少なくとも検出された不一致の幾らかに基づいてデータを更新する一個以上のプロセッサとから成る動物行動監視システム。
適用例８８：
動物行動監視システムであって、
一定の測定地区、
この一定の測定地区内の動物の行動に関し、一定の測定地域内での被験動物の空間的位置に関するイベント情報、一定地域における既知の箇所における複数の装置における及びそれに対するこの被験動物の行動に関する装置イベント情報、及び位置及び装置イベント情報に関連した時間情報から成るものであるデータを収集するためのこの一定測定地区内の既知の箇所にある複数の装置、
この複数の装置から収集された行動データを受けるように構成されたインタフェイスと、
収集された行動データを収納するための一個以上のメモリと、
虚偽装置イベント開始を同定して関連する装置イベント情報を削除し、少なくとも若干の装置イベントの間の位置情報を装置の既知の位置に基づいて予期される動物の位置と比較することにより位置情報への修正を計算し、計算された修正に基づいて位置情報を更新し、装置イベントの終了の検出に関する測定システムの失敗によるデータを同定して排除する一個以上のプロセッサとから成る動物行動監視システム。
Claims (20)
- 測定期間に亘って収集された動物行動データのセットを分析する方法であって、
前記データは、
ある時間ウィンドウ中における一定の測定地域内での被験動物の空間的位置に関する空間情報と、
前記空間的位置に関連づけられた時間情報と、を含むものであり、
前記方法は
収集された行動データを行動監視システムが入力する工程、
前記行動データを解析することにより、前記空間および時間情報を使用して被験動物の活動および不活動状態の間の遷移を同定する工程と、を備え、
前記時間ウィンドウの期間は、活動を示す複数の異なる種類の測定行動の確率が増加した状態である活動状態と、１以上の特徴的位置にいる確率が高い状態である不活動状態と、に別個に分離される、方法。 - 請求項１に記載の方法であって、
前記入力された行動データを解析することにより前記被験動物の活動および不活動状態間の推移を特定する工程は、
前記時間ウィンドウ内で前記測定地域内の複数の位置で前記被験動物が過ごした複数の持続時間を求める工程と、
前記時間ウィンドウ内で前記被験動物が過ごした持続時間が最も長かった最長持続時間位置を求める工程と、
前記最長持続時間位置から、前記時間ウィンドウ内における前記被験動物が過ごした他の複数の位置への相対的な距離を求める工程と、
前記距離の情報と前記持続時間の情報とを用いて、前記時間ウィンドウ内での前記被験動物の不活動状態を特定する工程と、を備える方法。 - 請求項２に記載の方法であって、
前記距離の情報と前記持続時間の情報とを用いて前記時間ウィンドウ内での前記被験動物の不活動状態を特定する工程は、前記距離の情報と前記持続時間の情報とを用いて、前記被験動物が不活動状態と判定されるのに必要な、１つの位置で過ごす最小持続時間の閾値を求めること、を備える方法。 - 請求項２または３のいずれかに記載の方法であって、
前記測定地域内の複数の位置で前記被験動物が過ごした複数の持続時間を求める工程は、２つの隣接した位置間の最小の距離を規定する運動閾値を設定すること、を備える方法。 - 請求項２〜４のいずれかに記載の方法であって、さらに、
前記測定地域内の既知の場所で、１種類以上の装置におけるまたは１種類以上の装置を用いた前記被験動物の相互作用イベントに関する装置イベント情報であって、前記動物行動データの一部として入力された装置イベント情報によって示される装置イベントが、その間に生じた不活動状態を、間違って特定された不活動状態として識別すること、および
各活動状態の間に前記被験動物が占有していた場所を不活動状態の間に前記被験動物が占有していた場所と比較することにより、間違って特定された活動状態を識別すること、
のうちの少なくとも１つを実行することによって、間違って特定された活動状態を識別する工程を備える、方法。 - 請求項５に記載の方法であって、さらに、
前記識別された間違って特定された活動状態を考慮して、活動状態と不活動状態との分類を更新する工程を備える、方法。 - 請求項５または６のいずれかに記載の方法であって、さらに、
間違った分類と識別された状態の比率に基づいて、活動状態分類誤差率を求める工程を備える、方法。 - 請求項４に従属する請求項７に記載の方法であって、さらに、
時間ウィンドウと運動閾値との複数の組み合わせに関して、
前記被験動物に関する行動状況情報を取得する工程と、
前記行動状況情報に関する前記活動状態分類誤差率を求める工程と、
を繰り返す工程と、
前記求めた活動状態分類誤差率に基づいて、時間ウィンドウと運動閾値との組み合わせの１つに関する行動状況情報を選択する工程と、を備える、方法。 - 請求項８に記載の方法であって、
前記行動状況情報を選択する工程は、
前記活動状態分類誤差率を最小にする運動閾値を特定する工程と、
前記最長持続時間位置から所定距離以上離れた不活動位置が最も少ない最大の時間ウィンドウと、前記特定された運動閾値と、の組合せを選択する工程と、を備える方法。 - 請求項１〜９のいずれかに記載の方法であって、
前記入力された行動データは、前記一定の測定地域内の既知の場所における１つ以上の装置であって各々特定の行動に関連する装置と、前記被験動物と、の相互作用イベントに関する装置イベント情報を含み、
前記方法は、さらに、
前記入力された行動データに含まれる前記空間的情報、前記時間的情報および前記装置イベント情報を用いて、特定された活動状態における１つ以上の行動のバウトを特定する工程を備える、方法。 - 請求項１０に記載の方法であって、
前記空間的情報が、イベント中およびイベント間の間隔における前記被験動物の空間的位置に関する情報を含み、イベント間の間隔は、所定装置における連続した装置イベントの間の間隔を意味し、
前記空間的情報は、前記イベント間の間隔における前記被験動物の所定装置からの最大距離を意味する最遠イベント間間隔位置（MDIP）を、イベント間の各間隔について求めるのに使用され、
各最遠イベント間間隔位置は、検討対象の前記装置の位置にある、または検討対象の前記装置から離れていると分類される、方法。 - 請求項１１に記載の方法であって、
前記イベント間の間隔において検討対象となる装置の場所に前記被験動物がいる確率を求めることによって、各最遠イベント間間隔位置を、前記検討対象の装置の位置にあるか、または前記検討対象の装置から離れた位置にあると、分類する、方法。 - 請求項１０〜１２のいずれかに記載の方法であって、
前記時間的情報が、イベント間の各間隔持続時間（ID）に関する情報を含み、イベント間の間隔は、所定装置における連続した装置イベントの間の間隔を意味し、
対数正規分布の混合体は、ID分布にフィッティングされ、
前記被験動物が前記装置の位置にそのままいる確率に基づいて、前記対数正規分布は、２つのグループに分割される、方法。 - 請求項１３に記載の方法であって、
前記イベント間の間隔における前記被験動物の位置に関する空間的情報に基づいて、前記対数正規分布が、２つのグループに分割される、方法。 - 請求項１０に記載の方法であって、
前記空間的情報は、イベント中およびイベント間の間隔における前記被験動物の空間的位置に関する情報を含み、イベント間の間隔は、所定装置における連続した装置イベントの間の間隔を意味し、
前記被験動物が前記装置の場所にいる確率を推定して、前記イベント間の間隔の持続時間を他のイベント間の間隔の持続時間と比較することによって、前記行動データを用いて、前記１つ以上の行動のバウトを特定する、方法。 - 請求項１０に記載の方法であって、
前記１つ以上の行動のバウトを特定する工程は、摂食、摂飲、移動運動、非移動運動、休息、または睡眠のバウトを含む、方法。 - 請求項１〜１６のいずれかに記載の方法であって、さらに、
測定システムを使用して、前記被験動物について、空間的および時間的測定を行うことにより、前記行動データを収集する工程と、
前記収集された行動データをコンピュータシステムに提供する工程と、を備える、方法。 - 請求項１〜１７のいずれかに記載の方法であって、さらに、
異なる複数の動物について、活動状態および不活動状態の時間的パターンを比較する工程を含む、方法。 - 被験動物についての情報を取得するシステムであって、
動物の行動データを収集する測定システムと、
プロセッサと、
前記請求項１〜１８のいずれかに記載の方法を用いて、被験動物についての情報を取得する処理を前記プロセッサで実行する命令を格納した１以上のコンピュータ読み取り可能記憶媒体と、を含む、システム。 - コンピュータプログラムであって、
被験動物についての情報を取得するためのプログラムコードを含み、
前記プログラムコードは、前記請求項１〜１８のいずれかに記載の方法を実行する命令を含む、コンピュータプログラム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US6217308P | 2008-01-23 | 2008-01-23 | |
| US61/062,173 | 2008-01-23 | ||
| PCT/US2009/031591 WO2009094396A2 (en) | 2008-01-23 | 2009-01-21 | Systems and methods for behavioral monitoring and calibration |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2011514576A JP2011514576A (ja) | 2011-05-06 |
| JP2011514576A5 JP2011514576A5 (ja) | 2015-01-15 |
| JP5712407B2 true JP5712407B2 (ja) | 2015-05-07 |
Family
ID=40901610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2010544397A Expired - Fee Related JP5712407B2 (ja) | 2008-01-23 | 2009-01-21 | 行動監視及び較正用システム及び方法 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US9152851B2 (ja) |
| EP (1) | EP2235602A4 (ja) |
| JP (1) | JP5712407B2 (ja) |
| CN (2) | CN102016745B (ja) |
| AU (1) | AU2009206511B2 (ja) |
| CA (1) | CA2712775A1 (ja) |
| WO (1) | WO2009094396A2 (ja) |
Families Citing this family (49)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2235602A4 (en) | 2008-01-23 | 2018-03-28 | The Regents of The University of California | Systems and methods for behavioral monitoring and calibration |
| GB2469420B (en) * | 2008-02-06 | 2012-10-17 | Hmicro Inc | Wireless communications systems using multiple radios |
| AU2009345651B2 (en) * | 2009-05-08 | 2016-05-12 | Arbitron Mobile Oy | System and method for behavioural and contextual data analytics |
| EP2490170A1 (en) * | 2009-10-14 | 2012-08-22 | Ntt Docomo, Inc. | Positional information analysis device and positional information analysis method |
| US10431336B1 (en) | 2010-10-01 | 2019-10-01 | Cerner Innovation, Inc. | Computerized systems and methods for facilitating clinical decision making |
| US11348667B2 (en) | 2010-10-08 | 2022-05-31 | Cerner Innovation, Inc. | Multi-site clinical decision support |
| US10628553B1 (en) | 2010-12-30 | 2020-04-21 | Cerner Innovation, Inc. | Health information transformation system |
| US8856156B1 (en) | 2011-10-07 | 2014-10-07 | Cerner Innovation, Inc. | Ontology mapper |
| CN102708377B (zh) * | 2012-04-25 | 2014-06-25 | 中国科学院计算技术研究所 | 虚拟人组合任务规划方法 |
| WO2013170129A1 (en) | 2012-05-10 | 2013-11-14 | 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 |
| CN104641248A (zh) | 2012-09-06 | 2015-05-20 | 三立方有限公司 | 位置跟踪和行为分析系统及其使用 |
| NL2010098C2 (en) * | 2013-01-09 | 2014-07-10 | Lely Patent Nv | Method and system for generating an oestrus attention signal for a cattle animal. |
| US10946311B1 (en) | 2013-02-07 | 2021-03-16 | Cerner Innovation, Inc. | Discovering context-specific serial health trajectories |
| US11894117B1 (en) | 2013-02-07 | 2024-02-06 | Cerner Innovation, Inc. | Discovering context-specific complexity and utilization sequences |
| US10769241B1 (en) | 2013-02-07 | 2020-09-08 | Cerner Innovation, Inc. | Discovering context-specific complexity and utilization sequences |
| US10483003B1 (en) | 2013-08-12 | 2019-11-19 | Cerner Innovation, Inc. | Dynamically determining risk of clinical condition |
| US20170124269A1 (en) * | 2013-08-12 | 2017-05-04 | Cerner Innovation, Inc. | Determining new knowledge for clinical decision support |
| US12020814B1 (en) | 2013-08-12 | 2024-06-25 | Cerner Innovation, Inc. | User interface for clinical decision support |
| US10957449B1 (en) | 2013-08-12 | 2021-03-23 | Cerner Innovation, Inc. | Determining new knowledge for clinical decision support |
| SG10201501052XA (en) * | 2014-02-11 | 2015-09-29 | Agency Science Tech & Res | Method And System For Monitoring Activity Of An Animal |
| US10918078B1 (en) * | 2014-11-20 | 2021-02-16 | Recursion Pharmaceuticals, Inc. | Electronic monitor for experimental animals |
| CN104635281B (zh) * | 2015-02-17 | 2016-08-24 | 南京信息工程大学 | 基于强天气过程校正的自动气象站数据质量控制方法 |
| US10248114B2 (en) * | 2015-10-11 | 2019-04-02 | Computational Systems, Inc. | Plant process management system with normalized asset health |
| CA3001063C (en) * | 2015-10-14 | 2023-09-19 | President And Fellows Of Harvard College | A method for analyzing motion of a subject representative of behaviour, and classifying animal behaviour |
| US20170111128A1 (en) * | 2015-10-15 | 2017-04-20 | Infineon Technologies Ag | Localization System and Animal Cage Comprising the Same |
| CN106621328B (zh) * | 2015-11-04 | 2019-07-26 | 网易（杭州）网络有限公司 | 一种游戏角色行为数据处理方法及系统 |
| EP3185205A1 (en) * | 2015-12-21 | 2017-06-28 | Thomson Licensing | Method and device for detecting behavioral patterns of a user |
| CA3017518A1 (en) | 2016-03-18 | 2017-09-21 | President And Fellows Of Harvard College | Automatically classifying animal behavior |
| CN108347623B (zh) * | 2017-01-23 | 2021-05-25 | 北京新唐思创教育科技有限公司 | 在线直播内容的生成方法、装置及在线直播系统 |
| CN107491830B (zh) * | 2017-07-03 | 2021-03-26 | 北京奇艺世纪科技有限公司 | 一种时间序列曲线的处理方法和装置 |
| US11330804B2 (en) | 2017-08-07 | 2022-05-17 | The Jackson Laboratory | Long-term and continuous animal behavioral monitoring |
| CN108764369B (zh) * | 2018-06-07 | 2021-10-22 | 深圳市公安局公交分局 | 基于数据融合的人物识别方法、装置和计算机存储介质 |
| CN109359212A (zh) * | 2018-09-04 | 2019-02-19 | 路双双 | 一种基于属性偏序理论的五音疗法曲子分类方法 |
| US20210059220A1 (en) * | 2019-08-27 | 2021-03-04 | Children`S Medical Center Corporation | Test environment for the characterization of neuropathic pain |
| CN110705477A (zh) * | 2019-09-30 | 2020-01-17 | 深圳市商汤科技有限公司 | 行为分析方法、装置、电子设备和计算机存储介质 |
| CN111125877A (zh) * | 2019-11-19 | 2020-05-08 | 广西电网有限责任公司 | 一种基于蒙特卡洛模拟的主动配电网可靠性评估方法 |
| US11730420B2 (en) | 2019-12-17 | 2023-08-22 | Cerner Innovation, Inc. | Maternal-fetal sepsis indicator |
| EP3866056A1 (en) * | 2020-02-17 | 2021-08-18 | Touchless Animal Metrics, SL | Method, system and computer programs for traceability of living specimens |
| CN111539365B (zh) * | 2020-04-29 | 2022-08-23 | 兰州大学 | 一种动物行为分析方法、装置及电子设备 |
| CN111357677B (zh) * | 2020-05-08 | 2021-08-27 | 郭晓梅 | 发情期母牛异常情况监测方法 |
| CN111657152B (zh) * | 2020-05-19 | 2022-08-16 | 佛山科学技术学院 | 一种多功能畜牧保温灯 |
| US11314584B1 (en) * | 2020-11-25 | 2022-04-26 | International Business Machines Corporation | Data quality-based confidence computations for KPIs derived from time-series data |
| CN112730738A (zh) * | 2020-12-07 | 2021-04-30 | 中国科学院深圳先进技术研究院 | 一种雾化物奖赏性和成瘾性的评估设备和评估方法 |
| CN112586370A (zh) * | 2020-12-10 | 2021-04-02 | 中国科学院深圳先进技术研究院 | 一种无创实验动物监测系统及方法 |
| CN113536020B (zh) * | 2021-07-23 | 2022-05-24 | 贝壳找房(北京)科技有限公司 | 数据查询的方法、存储介质和计算机程序产品 |
| CN114532242B (zh) * | 2022-02-16 | 2023-02-28 | 深圳市元疆科技有限公司 | 一种小型动物行为研究实验箱 |
| US20240032510A1 (en) * | 2022-07-26 | 2024-02-01 | Petpace Ltd. | Collar Devices, Systems, and Methods for Animal Monitoring |
| CN117115754B (zh) * | 2023-10-23 | 2023-12-26 | 贵州省种畜禽种质测定中心 | 基于计算机视觉的鸭舍智能化监测方法 |
| CN117591989B (zh) * | 2024-01-19 | 2024-03-19 | 贵州省畜牧兽医研究所 | 一种针对畜禽活动的数据监控方法和系统 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR1584097A (ja) * | 1968-08-02 | 1969-12-12 | ||
| US3974798A (en) * | 1975-04-21 | 1976-08-17 | Meetze Jr Murray O | Method and apparatus for studying laboratory animal behavior |
| US4337726A (en) * | 1980-07-07 | 1982-07-06 | Czekajewski Jan A | Animal activity monitor and behavior processor |
| US4917117A (en) * | 1986-09-04 | 1990-04-17 | Ciba-Geigy Corporation | Process and apparatus for the recording and/or evaluation of the movement behavior of experimental animals |
| JPS6485026A (en) * | 1987-09-25 | 1989-03-30 | Toyo Sangyo Kk | Rearing cage for experimental animal |
| US5163380A (en) * | 1990-08-09 | 1992-11-17 | United States Of America | Method and apparatus for assessing metabolic behavioral and physiological status of animals |
| EP0816986B1 (en) * | 1996-07-03 | 2006-09-06 | Hitachi, Ltd. | System for recognizing motions |
| WO2001033953A1 (fr) * | 1999-11-11 | 2001-05-17 | Kowa Co., Ltd. | Procede et appareil de mesure de la frequence du comportement specifique d'un animal |
| CN1200397C (zh) * | 2000-11-14 | 2005-05-04 | 三星电子株式会社 | 对象行为建模方法 |
| US7269516B2 (en) * | 2001-05-15 | 2007-09-11 | Psychogenics, Inc. | Systems and methods for monitoring behavior informatics |
| US7202791B2 (en) * | 2001-09-27 | 2007-04-10 | Koninklijke Philips N.V. | Method and apparatus for modeling behavior using a probability distrubution function |
| AU2003259233A1 (en) * | 2002-07-25 | 2004-02-16 | The Regents Of The University Of California | Animal cage behavior system |
| US6998980B2 (en) * | 2003-05-01 | 2006-02-14 | University Of Florida Research Foundation, Inc. | Microfield interface device for monitoring animal cage environments |
| CN101228555A (zh) | 2005-07-07 | 2008-07-23 | 独创目标实验室公司 | 用于目标的运动行为的三维监控和分析的系统 |
| US7389744B2 (en) * | 2006-03-29 | 2008-06-24 | Jingxi Zhang | Method and apparatus for tracking a laboratory animal location and movement |
| EP2235602A4 (en) | 2008-01-23 | 2018-03-28 | The Regents of The University of California | Systems and methods for behavioral monitoring and calibration |
-
2009
- 2009-01-21 EP EP09704006.7A patent/EP2235602A4/en not_active Withdrawn
- 2009-01-21 CA CA 2712775 patent/CA2712775A1/en not_active Abandoned
- 2009-01-21 CN CN200980110652.8A patent/CN102016745B/zh not_active Expired - Fee Related
- 2009-01-21 CN CN201510644847.8A patent/CN105303167A/zh active Pending
- 2009-01-21 JP JP2010544397A patent/JP5712407B2/ja not_active Expired - Fee Related
- 2009-01-21 AU AU2009206511A patent/AU2009206511B2/en not_active Ceased
- 2009-01-21 WO PCT/US2009/031591 patent/WO2009094396A2/en active Application Filing
- 2009-01-21 US US12/863,970 patent/US9152851B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| AU2009206511B2 (en) | 2014-10-23 |
| EP2235602A4 (en) | 2018-03-28 |
| AU2009206511A1 (en) | 2009-07-30 |
| WO2009094396A3 (en) | 2009-12-30 |
| CN105303167A (zh) | 2016-02-03 |
| US9152851B2 (en) | 2015-10-06 |
| CN102016745B (zh) | 2015-11-25 |
| CA2712775A1 (en) | 2009-07-30 |
| US20100324861A1 (en) | 2010-12-23 |
| JP2011514576A (ja) | 2011-05-06 |
| EP2235602A2 (en) | 2010-10-06 |
| WO2009094396A2 (en) | 2009-07-30 |
| CN102016745A (zh) | 2011-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5712407B2 (ja) | 行動監視及び較正用システム及び方法 | |
| JP2011514576A5 (ja) | ||
| US7086350B2 (en) | Animal cage behavior system | |
| Northrup et al. | Conceptual and methodological advances in habitat‐selection modeling: guidelines for ecology and evolution | |
| US10489707B2 (en) | Unsupervised high-dimensional behavioral data classifier | |
| AU2002316146B2 (en) | Systems and methods for monitoring behaviour informatics | |
| Clark et al. | Stages and spatial scales of recruitment limitation in southern Appalachian forests | |
| Gibson et al. | Evaluating vegetation effects on animal demographics: The role of plant phenology and sampling bias | |
| Lenert et al. | Validity and interpretation of preference-based measures of health-related quality of life | |
| AU2002316146A1 (en) | Systems and methods for monitoring behaviour informatics | |
| Steinmetz et al. | The shared preference niche of sympatric Asiatic black bears and sun bears in a tropical forest mosaic | |
| Weinstein et al. | On comparing traits and abundance for predicting species interactions with imperfect detection | |
| Wood et al. | What does ‘occupancy’mean in passive acoustic surveys? | |
| Loehle et al. | Range-wide analysis of northern spotted owl nesting habitat relations | |
| AU2007237336A1 (en) | Systems and methods for monitoring behaviour informatics | |
| Baker et al. | Evaluation of spatiotemporal predictive disease models accounting for missing data and non-linear trends: a type II diabetes case study | |
| Codex | Factors Influencing Breeding Occupancy of Rear-Edge Alpine Bird Specialists: A Review of Landscape Connectivity, Habitat Quality, Population Size, and Climate Change | |
| Sipe et al. | Integrating community science and agency‐collected monitoring data to expand monitoring capacity at large spatial scales | |
| van Lenthe et al. | Deliverable 7.1 | |
| Kapoor et al. | Continuous glucose monitoring using machine learning models and IoT device data: A meta-analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120123 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20120123 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20131001 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20131225 |
|
| A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20140108 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140401 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140812 |
|
| A524 | Written submission of copy of amendment under article 19 pct |
Free format text: JAPANESE INTERMEDIATE CODE: A524 Effective date: 20141111 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20150113 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150212 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5712407 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| LAPS | Cancellation because of no payment of annual fees |