Automated Emotion Classification in Free-moving Rats
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Studies involving emotion often use animal models and currently rely on manual labelling by researchers. This human-driven labelling approach leads to a number of challenges such as: long analysis times, imprecise results, observer drift, and varying correlation between observers. These problems impact reproducibility, and have contributed to our lack of understanding of fundamental mechanical questions such as how emotions arise from neuronal circuits. Recent success of machine learning models across similar problems show that it can help to mitigate these challenges while meeting or exceeding human accuracy. 
 We developed a classifier pipeline that takes in videos and produces an emotion label. The pipeline extracts body part positions from each frame using a pose estimator and feeds them into an Artificial Neural Network (ANN) classifier built using stacked Long Short Term Memory (LSTM) layers. The data was collected by treating nine rats with Lypopolysaccharide (LPS) injections (10mg/kg). First, rats were recorded for 10 minutes under control conditions with no manipulation and no observed symptoms of stress or malaise. A week later, rats were injected with LPS and filmed for 10 minutes two hours post-injection. 
 The classifier pipeline developed correctly labelled 78% of the 125,040 video segments from 8 test videos. When combined with a vote-based system, this led to 7 of the 8 test videos being classified correctly which was the same accuracy attained by a human expert from the lab. The test videos had varying environments and used rats that were different from the training videos, providing evidence of a degree of robustness in the model. Future work will focus on expanding the test data and incorporating models for 3D pose estimation and behavioral classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle