MétaCan
Menu
Retour à la cohorte
Enregistrement W4281938087 · doi:10.1101/2022.06.02.494479

Advances in non-invasive tracking of wave-type electric fish in natural and laboratory settings

2022· preprint· en· W4281938087 sur OpenAlexaff
Till Raab, Manu S. Madhav, Ravikrishnan P. Jayakumar, Jörg Henninger, Noah J. Cowan, Jan Benda

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2022
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueFish biology, ecology, and behavior
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésElectric fishComputer scienceElectroreceptionIdentification (biology)Tracking (education)Electric fieldProcess (computing)SIGNAL (programming language)Fish <Actinopterygii>Artificial intelligenceReal-time computingComputer visionEcologyBiologyFisheryPhysics

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Recent technological advances greatly improved the possibility to study freely behaving animals in natural conditions. However, many systems still rely on animal-mounted devices, which can already bias behavioral observations. Alternatively, animal behaviors can be detected and tracked in recordings of stationary sensors, e.g. video cameras. While these approaches circumvent the influence of animal-mounted devices, identification of individuals is much more challenging. We take advantage of the individual-specific electric fields electric fish generate by discharging their electric organ (EOD) to record and track their movement and communication behaviors without interfering with the animals themselves. EODs of complete groups of fish can be recorded with electrode arrays submerged in the water and then be tracked for individual fish. Here, we present an improved algorithm for tracking electric signals of wave-type electric fish with unprecedented accuracy. Our algorithm benefits from combining and refining previous approaches of tracking individual specific EOD frequencies (EODf) and spatial electric field properties. In this process, the similarity of signal pairs in extended data windows determines their tracking order, making the algorithm more robust against detection losses and intersections. We quantify the performance of the algorithm and show its application for a data set recorded with a 64-electrode array in a stream in the Llanos, Colombia, where we managed, for the first time, to track Apteronotus leptorhynchus over many days. These technological advances make electric fish a unique model system for a detailed analysis of social and communication behaviors, with strong implications for our research on sensory coding.

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,218
Écart entre enseignants0,210 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)Même sujetFish biology, ecology, and behaviorTravaux en français237 207