[pt] ANÁLISE AUTOMATIZADA DO COMPORTAMENTO DE RATOS UTILIZANDO APRENDIZAGEM PROFUNDA E VISUALIZAÇÃO ESPÁCIO-TEMPORAL

[en] AUTOMATED ANALYSIS OF RAT BEHAVIOR USING DEEP LEARNING AND SPATIO-TEMPORAL VISUALIZATION

[pt] BERNARDO LUIZ BACH

[pt] APRENDIZADO PROFUNDO

[pt] DESCRITOR ESPACO TEMPORAL

[pt] RATO

[pt] SEGMENTACAO SEMANTICA

[en] DEEP LEARNING

[en] SPATIO TEMPORAL DESCRIPTOR

[en] RAT

[en] PIXEL-WISE SEMANTIC SEGMENTATION

[pt] Este trabalho apresenta um método computacional baseado em múltiplas etapas para simplificar a análise do comportamento de ratos em experimentos de condicionamento, um procedimento comum em pesquisas de neurociência e comportamento. A análise manual tradicional de sessões de vídeo, que documentam as respostas dos ratos a estímulos condicionados, é trabalhosa e sujeita a erros. Nossa abordagem utiliza aprendizado profundo para automatizar esse processo, aumentando tanto a eficiência quanto a precisão nas avaliações comportamentais. Na primeira etapa, utilizamos métodos baseados em aprendizado profundo para segmentar partes-chave do corpo dos ratos e detectar a postura de rearing ao longo dos quadros de vídeo. Para treinar esses modelos, desenvolvemos um novo conjunto de dados de segmentação semântica, permitindo o uso de arquiteturas baseadas em redes neurais convolucionais (CNN) com aprendizado supervisionado. Em seguida, nosso método extrai descritores espaço-temporais dos quadros segmentados, permitindo a quantificação precisa do comportamento ao longo do tempo. Na etapa final, geramos representações visuais desses descritores, criando uma visão abrangente de padrões comportamentais como freezing, rearing e grooming. Este método não apenas reduz o esforço manual, mas também oferece uma abordagem robusta, orientada por dados, para compreender respostas comportamentais complexas em modelos animais, abrindo caminho para pesquisas comportamentais mais consistentes e em larga escala.

[en] This project presents a multi-stage computational framework to stream- line the analysis of rat behavior in conditioning experiments, a common pro- cedure in neuroscience and behavioral research. Traditional manual analysis of video-recorded sessions, which document rats responses to conditioned stimuli, is labor-intensive and prone to error. Our approach leverages deep learning to automate this process, enhancing both efficiency and accuracy in behavioral assessments. In the first stage, we use deep learning-based methods to seg- ment key rat body parts and detect the rearing posture across video frames. To train these models, we developed a novel semantic segmentation dataset, enabling the use of CNN-based architectures with supervised learning. Next, our method extracts spatio-temporal descriptors from the segmented frames, allowing for precise quantification of behavior over time. In the final stage, we generate visual representations of these descriptors, creating a comprehensive view of behavior patterns such as freezing, rearing, and grooming. This method not only reduces the manual workload but also provides a robust, data-driven approach to understanding complex behavioral responses in animal models, opening avenues for more consistent, large-scale behavioral research.

ALBERTO BARBOSA RAPOSO

JAN JOSE HURTADO JAUREGUI

2025-04-10

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69948@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69948@2

https://doi.org/10.17771/PUCRio.acad.69948