一种基于状态与图谱的行为量化方法和终端技术

本发明专利技术提出一种基于状态与图谱的行为量化方法和终端,该方法包括：将原始行为数据分割为片段，以生成状态化的行为数据；从行为数据中提取动态核化距离构建特征矩阵；将特征矩阵进行低维映射，以生成行为图谱；基于预设的聚类效果评估模块确定最佳的行为状态聚类数量，并基于最佳的行为状态聚类数量对行为图谱中的行为状态进行聚类；对完成聚类后的行为图谱中的空间信息与时间信息分别进行量化及可视化展示。本方案基于状态与图谱的行为量化方法，在低维空间中保留了行为的高维性与多样性，使得更为精细的指标可以在相同的实验范式中被设置和检测，为神经精神类药物的研发提供更多的参考数据，提高药效检测的效率与准确性。

【技术实现步骤摘要】
一种基于状态与图谱的行为量化方法和终端
本专利技术涉及数据分析
，特别涉及一种基于状态与图谱的行为量化方法和终端。
技术介绍
在神经精神类药物的研发方面，模式动物用药前后的行为差异是判断药效的重要指标。例如在焦虑症(Anxiety)药物的研发中，高架十字迷宫实验(ElevatedPlusMaze，EPM)或旷场实验(OpenFieldTest，OFT)经常被用来判断实验小鼠用药前后的焦虑水平。其中，EPM由开放臂(OpenArm)和封闭臂(CloseArm)各两条组成，呈十字形交叉，交叉部分为中央区域，整个十字形迷宫距地面有一定的高度。小鼠面对开放臂产生好奇心而想要探索，同时又有着趋暗避明的天性，两者之间发生探究与回避的冲突行为，产生焦虑心理，由此可以通过比较小鼠在开放臂和封闭臂内的滞留时间和路程来评价小鼠的焦虑行为，一般认为，小鼠在开放臂中滞留的时间和路程越多，小鼠的焦虑水平越低。至于OFT装置，一般有一个正方形的箱子，顶部有摄像机，这个正方形的场地可以划分为中央区域(Center)和周边区域(Periphery)，小鼠如果在中央区域的活动越多，说明小鼠的焦虑水平相对就越低。然而，在医学临床中，焦虑症状表现多样，一般可分为慢性焦虑(广泛性焦虑)和急性焦虑(惊恐发作)；慢性焦虑存在三种表现，分别为：1.情绪症状，具体表现为患者出现与现实情境不符的过分担心、紧张害怕；2.植物神经症状，具体表现为患者出现头晕、胸闷、心慌、呼吸急促、口干、尿频、尿急、出汗、震颤等躯体方面的症状；3.运动性不安，具体表现为患者坐立不安，坐卧不宁，烦躁，很难静下心来；至于急性焦虑存在的表现分别为濒死感或失控感，患者在特定触发环境如封闭空间时突然出现极度恐惧的心理，体验到濒死感或失控感；植物神经系统症状同时出现如胸闷、心慌、呼吸困难、出汗、全身发抖等；持续时间一般为几分钟到数小时，患者发作开始突然，发作时意识清楚；极易误诊，发作时患者往往拨打“120”急救电话，去看心内科的急诊，尽管患者看上去症状很重，但是相关检查结果大多正常，因此往往诊断不明确。此外，针对患者不同的症状，也存在不同的用药类型与用药方式。但是，在药效检测的关键层面，也即小鼠的焦虑行为判断中，其过于简单的参数(在EPM开放臂停留时间、在OFT中央区域停留时间)与药效的精确检测产生了矛盾。该矛盾不仅仅出现在焦虑症药物的研发中，在阿尔兹海默症、自闭症等几乎所有的神经精神类药物的研发中均不同程度地存在着。因此，对于动物行为的精确量化与分析具有重大意义。在现有的动物行为精细化分析的实现方案中，例如公开号为CN110334662A的专利中介绍了一种基于自动化图像识别的动物痒行为分析方法，其通过机器学习程序，在确保准确性的前提下，显著提高动物痒行为分析的效率，并且可以准确描述每次痒行为导致的抓挠的相对强度(持续时间长短)，使得痒行为分析更精细。再例如公开号为CN110457999A的专利中介绍了一种基于深度学习和SVM的动物姿态行为估计与心情识别方法，其通过深度学习方法追踪动物身体数十个关键点，根据这些关键点位置关系和相对位置变化关系，构建与利用SVM分类器去判断动物的行为与心情，从而能更加准确地理解动物的心情和行为情况。上述两种方法在一定程度上可以迁移到其他动物的精细化分析中，为神经精神类药物提供更加丰富的行为学参数指标，提高药效检测的准确性。但是上述提到的动物精细化行为分析的技术忽略了动物行为的高维性和多样性。动物行为发生于三维空间和一维时间，而且动物的运动结构具有复杂的自由度，因此在每个自由度上均包含三维空间和一维时间这四个维度，每个自由度与时空间维度的相互作用产生了动物行为的高维特性。动物行为的多样性在时空间均有所体现：在不同的空间内，动物会产生不同的动作，而这一系列不同空间产生的动作在时间维度中具有动态时间依赖特性，两者综合产生了动物行为的多样性。例如上述提到的公开号为CN110334662A的专利一种基于自动化图像识别的动物痒行为分析方法仅能在空间维度对动物行为进行识别，以视频的每十帧作为标记单位加入单一标签，中断了动物行为时间序列的连续性，尽管可以在痒行为识别中起到较好的效果，但是对于更为复杂的如行走(Walking)、嗅探(Sniffing)以及低尾(Rearing)等具有时间动态连续性的行为无能为力，只能实现特定行为的识别，无法满足更为复杂的高维和多样的行为分析需求。再例如上述提到的公开号为CN110457999A的专利一种基于深度学习和SVM的动物姿态行为估计与心情识别方法提取单帧图像特征点训练分类器。SVM作为一种有监督的机器学习方法，需要大量的图像标记实现较高的识别准确率，更不必说动物层次结构的标记与识别。动物行为的高维性以及复杂的结构也造成了不同行为之间的界线模糊，降低了不同行为类别间的差异，给SVM等分类器的准确分类带来了大量误差。尽管该方法可以实现动物多种心情的识别，但是未给出更多的结果量化分析，仍然停留于传统的计数统计方法。
技术实现思路
针对现有技术中的缺陷，本专利技术提出了一种基于状态与图谱的行为量化方法和终端，具体的，本专利技术提出了以下具体的实施例：本专利技术实施例公开了一种基于状态与图谱的行为量化方法,包括：将原始行为数据分割为片段，以生成状态化的行为数据；从所述行为数据中提取动态核化距离构建特征矩阵；将所述特征矩阵进行低维映射，以将所述特征矩阵降维至低维空间的方式生成行为图谱；基于预设的聚类效果评估模块确定最佳的行为状态聚类数量，并基于最佳的所述行为状态聚类数量对所述行为图谱中的行为状态进行聚类；对完成聚类后的所述行为图谱中的空间信息与时间信息分别进行量化及可视化展示。在一个具体的实施例中，所述“将原始行为数据分割为片段，以生成状态化的行为数据”，包括：基于原始行为数据与预设的姿态估计方法追踪预设目标的多个身体特征点，以生成与所述特征点相关的时间序列；采用动态时间序列分割算法对所述时间序列进行片段化，以生成状态化的行为数据。进一步的，所述动态时间序列分割算法包括：层次对齐聚类分析算法。在一个具体的实施例中，所述“从所述行为数据中提取动态核化距离构建特征矩阵”，包括：对所述行为数据进行空间映射，以获取所述行为数据中所有行为片段两两之间的动态核化距离；基于所述动态核化距离构建特征矩阵。进一步的，该方法还包括：通过预设的维度扩展模块使得不断获取的新的原始行为数据可执行与原有的原始行为数据相同的处理过程。在一个具体的实施例中，所述“将所述特征矩阵进行低维映射，以将所述特征矩阵降维至低维空间的方式生成行为图谱”，包括：基于UMAP的数据低维映射方法，以将所述特征矩阵降维至低维空间的方式生成行为图谱。进一步的，该方法还包括：通过预设的维度融合模块将所述行为数据以及预设的其他数据进行维度融合，其中，进行维度融合的数据的维度的单位一致。在一个具体的实施例中，所述“基于预设的聚类效果评估模块确定最佳的行为状态聚类数量”，包括：基于预设的聚类效果评估模块综合Calinski-Harabasz指标、Dav本文档来自技高网...

【技术保护点】
1.一种基于状态与图谱的行为量化方法,其特征在于，包括：/n将原始行为数据分割为片段，以生成状态化的行为数据；/n从所述行为数据中提取动态核化距离构建特征矩阵；/n将所述特征矩阵进行低维映射，以将所述特征矩阵降维至低维空间的方式生成行为图谱；/n基于预设的聚类效果评估模块确定最佳的行为状态聚类数量，并基于最佳的所述行为状态聚类数量对所述行为图谱中的行为状态进行聚类；/n对完成聚类后的所述行为图谱中的空间信息与时间信息分别进行量化及可视化展示。/n

【技术特征摘要】
1.一种基于状态与图谱的行为量化方法,其特征在于，包括：
将原始行为数据分割为片段，以生成状态化的行为数据；
从所述行为数据中提取动态核化距离构建特征矩阵；
将所述特征矩阵进行低维映射，以将所述特征矩阵降维至低维空间的方式生成行为图谱；
基于预设的聚类效果评估模块确定最佳的行为状态聚类数量，并基于最佳的所述行为状态聚类数量对所述行为图谱中的行为状态进行聚类；
对完成聚类后的所述行为图谱中的空间信息与时间信息分别进行量化及可视化展示。


2.如权利要求1所述的方法，其特征在于，所述“将原始行为数据分割为片段，以生成状态化的行为数据”，包括：
基于原始行为数据与预设的姿态估计方法追踪预设目标的多个身体特征点，以生成与所述特征点相关的时间序列；
采用动态时间序列分割算法对所述时间序列进行片段化，以生成状态化的行为数据。


3.如权利要求2所述的方法，其特征在于，所述动态时间序列分割算法包括：层次对齐聚类分析算法。


4.如权利要求1所述的方法，其特征在于，所述“从所述行为数据中提取动态核化距离构建特征矩阵”，包括：
对所述行为数据进行空间映射，以获取所述行为数据中所有行为片段两两之间的动态核化距离；
基于所述动态核化距离构建特征矩阵。


5.如权利要求4所述的方法，其特征在于，还包括：
通过预设的维度扩展模块使得不断获取的新的原始行为数据可执行与原有的原始行为数据相同的处理过程...

【专利技术属性】
技术研发人员：韩亚宁，黄康，蔚鹏飞，王立平，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东;44