Automatic detection of rodent behaviour

Abstract

[ES] El desarrollo de métodos automatizados para el análisis del comportamiento de animales se está convirtiendo en un área de creciente interés, especialmente en lo que respecta a la neurociencia y farmacología. El objetivo de este estudio es la clasificación automática de comportamientos de roedores, como el acicalamiento o el rascado, mediante el uso de una Red Neuronal Convolucional (CNN) combinada con una Red de Memoria a Corto y Largo Plazo (LSTM).

Gracias a las librerías dadas por CUDA, TensorFlow y Keras, el modelo propuesto es capaz de procesar secuencias de imágenes para identificar patrones de comportamiento con una alta precisión. La CNN extrae las características espaciales de los fotogramas de vídeos, mientras que la LSTM captura las dependencias temporales, lo que permite la distinción de comportamientos similares con diferencias sutiles.

La red neuronal se ha probado con grabaciones de vídeo etiquetadas, demostrando una buena capacidad de clasificación. Con este trabajo se pretende demostrar la utilidad de las técnicas de aprendizaje automático al aplicarlas al estudio de los comportamientos de diferentes animales.

[EN] The development of automated methods for behavior analysis in animals is a growing area of interest, particularly for neuroscience and pharmacology. This study presents a novel approach for detecting and classifying specific rodent behaviors, such as scratching or grooming, with the use of a Convolutional Neural Network (CNN) combined with a Long Short-Term Memory (LSTM) network.

Leveraging the computational power of CUDA, TensorFlow and Keras, the proposed model processes sequences of images to identify behavior patterns with high accuracy. The CNN extracts spatial features from the video frames while the LSTM captures temporal dependencies, making it possible to distinguish between similar behaviors with subtle differences.

The system was evaluated using a dataset of labelled video recordings, showing good accuracy levels for classification. This work aims to show the efficiency given by using deep learning techniques with studies of animals.

[CA] El desenrotllament de mètodes automatitzats per a l'anàlisi del comportament d'animals s'està convertint en una àrea de creixent interés, especialment pel que fa a la neurociència i farmacologia. L'objectiu d'este estudi és la classificació automàtica de comportaments de rosegadors, com el brunyiment o el #rascar, mitjançant l'ús d'una Xarxa Neuronal Convolucional (CNN) combinada amb una Xarxa de Memòria a Curt i Llarg Termini (LSTM). Gràcies a les llibreries donades per CUDA, TensorFlow i Keras, el model proposat és capaç de processar seqüències d'imatges per a identificar patrons de comportament amb una alta precisió. La CNN extrau les característiques espacials dels fotogrames de vídeos, mentres que la LSTM captura les dependències temporals, la qual cosa permet la distinció de comportaments similars amb diferències subtils. La xarxa neuronal s'ha provat amb gravacions de vídeo etiquetades, demostrant una bona capacitat de classificació. Amb este treball es pretén demostrar la utilitat de les tècniques d'aprenentatge automàtic en aplicar-les a l'estudi dels comportaments de diferents animals