一个工作流自动、高精度牲畜运动运动学的诊断筛查gydF4y2Ba

1。介绍gydF4y2Ba

兽医诊断一直与方法论的高精度和高吞吐量之间的权衡。时代的基因组学、蛋白质组学、等,争取牲畜疾病的准确诊断指示相当关注现代实验室检测的发展(gydF4y2Ba1gydF4y2Ba,gydF4y2Ba2gydF4y2Ba)。传统的成像技术也扮演了一定的角色,但是通常需要特殊的设备和测量技术(如。、摄影、显微镜、超声gydF4y2BacfgydF4y2Ba。(gydF4y2Ba3gydF4y2Ba)]。这些方法精度高的工具,但低物料通过量或昂贵,一些潜在的入侵,因此不适合广泛的农场动物监测。另一方面,计算技术正越来越多地用于矿山广泛收集的数据集或摄像机与传感器诊断相关信号(gydF4y2Ba4gydF4y2Ba- - - - - -gydF4y2Ba8gydF4y2Ba)。“精密牲口农业综合管理系统的一个应用程序,可能是理想的经济模式。这些技术补充高精度工具通过启用广泛筛查和早期发现异常,通常前手册,兽医干预。精密牲口农业承诺对动物福利的影响和经济上的成功,但缺陷依然存在(gydF4y2Ba9gydF4y2Ba,gydF4y2Ba10gydF4y2Ba)。“精度”一词可能会误导人。在动物管理上下文,它指的是个体动物数据的可用性,和减少低效,因此不可持续的管理。然而,在实践中,使用传感器和摄像机通常仍仅限于表面的措施,如整体活动或纯粹的个人事件或某些行为的频率。猪农业,例如,在传统的摄像机可以用来监测活动,和减少可能与疾病相关(gydF4y2Ba11gydF4y2Ba- - - - - -gydF4y2Ba13gydF4y2Ba);这些方法的特异性和精度得到进一步验证。gydF4y2Ba

一个类的行为通常是监控摄像机是运动。运动包括多个子系统,其中一个主要挑战是了解如何运动模式受环境的影响而改变的动物或外部环境。相关子系统是肌肉骨骼装置、能源供应、代谢和多个级别的neuro-motor控制。摄像机的运动和动态测量获得和测量设备代表了集体互动的输出变量的合奏子系统(gydF4y2Ba14gydF4y2Ba)。在正常功能,它们都可能受到影响的不同,非平凡的方式特点的动物(gydF4y2Ba15gydF4y2Ba),例如,年龄(由于个人发展)、体重(由于身体段惯性),大小和形态(由于异速生长的一般和特定的肌肉特别是杠杆关系)。在非正常条件下或疾病,复杂性的另一个维度是补充道。因此,研究特定运动模式的改变比单独活动测量诊断的潜力。运动学测量使运动的许多方面的推理家养动物(如。,(gydF4y2Ba8gydF4y2Ba,gydF4y2Ba16gydF4y2Ba- - - - - -gydF4y2Ba18gydF4y2Ba));甚至在研究国内个人识别可能的物种(如。,(gydF4y2Ba19gydF4y2Ba,gydF4y2Ba20.gydF4y2Ba)]。然而,或多或少的cross-influence相关系统和co-variates上面所提到的,多种因素的叠加影响,复杂的数据分析和诊断。大多数研究都依赖派生的措施,比如速度或责任因素,作为性能指标,忽略了大多数的个人运动关节及其时序编排。精密诊断,需要有一个自动化的系统跟踪一个人的运动,提取并量化运动学在所有可用的细节,考虑可能的因素(如年龄、大小和外部物理条件),并比较这些观测参考物种。含蓄的,这就是“中世纪的农夫”即。,a human classifier, would do with “his house cow or sow” (9gydF4y2Ba)。gydF4y2Ba

在诊断的技术核心是这样一个分类问题:找到一个患病的人群中子集的观察。正确的分类很复杂,当有多个影响因素,但更当观察受制于大量的内在变化。gydF4y2Ba^1gydF4y2Ba可变性的运动行为:即使对于相同的外部条件和在一个单一的个体,它可以指出,“连续运动[…]从未完全重复自己”(gydF4y2Ba21gydF4y2Ba)。可以推定地不正常或病理行为实际上下降“钟形曲线”的正常变化?的可能性有多大呢?的许多“输入因素”负责,以及如何,对于一个给定的(临时)变更在集体输出?这些分析问题在研究两足动物(如很常见。,(gydF4y2Ba22gydF4y2Ba- - - - - -gydF4y2Ba24gydF4y2Ba)和四足动物(如。,(gydF4y2Ba25gydF4y2Ba- - - - - -gydF4y2Ba27gydF4y2Ba),解决的办法不是小说。多变量模型能够处理复杂的情况下,给予足够的数据。多元gydF4y2Ba概率gydF4y2Ba模型(见下文)也适合捕捉个体内变异可能和产量的影响。然而,运动的高维度的数据集,多参数、多层次(分层)协变量情况下,数字化和高工作负载常常是一个限制因素为脊椎动物运动的定量模型的生成(gydF4y2Ba28gydF4y2Ba- - - - - -gydF4y2Ba30.gydF4y2Ba)。gydF4y2Ba

最近的技术进步使研究人员能够解决科学问题在运动以更有效的方式。首先,过去的几年里带来了巨大飞跃在计算机视觉方面,深度学习,从而半自动视频数字化方法(gydF4y2Ba30.gydF4y2Ba- - - - - -gydF4y2Ba34gydF4y2Ba)。这些工具通常需要手工数字化的子集的数据作为神经网络的训练集”,然后可以进一步数字化视频物料通过量高,希望合理的准确性。第二个领域的技术进步是上述概率模型,建立在一个优雅的计算实现贝叶斯理论(马尔可夫链蒙特卡罗/获得,gydF4y2BacfgydF4y2Ba。(gydF4y2Ba35gydF4y2Ba- - - - - -gydF4y2Ba37gydF4y2Ba)]。这样的模型可以自然地将层次参数的相互关系和内在可变性。主要原因是概率模型数据分布,及其结果分布和“效应”的可能,而不是点估计。这可能是有用的在一个本质上不同的过程,如运动(gydF4y2Ba38gydF4y2Ba)。机器学习方法视频数字化是有效推进运动分析的标准,而概率模型仍然缺乏认识,尽管他们的潜力。总而言之,计算机视觉和统计建模的进步使我们提到(1)获得大量的定量数据以最小的工作量,和(2)模型在一个合适的方式。这将是理想的适应技术进步的兽医使用,生成一个分类器识别系统改变家畜的运动,从而使计算机支持的诊断筛查不足,病理状态,疾病。gydF4y2Ba

国内猪是一个研究模型体系的科学兴趣加入商业育种的经济利益。这些动物受到各种运动的研究,包括范例测试品种的影响(gydF4y2Ba39gydF4y2Ba)、出生体重(gydF4y2Ba40gydF4y2Ba- - - - - -gydF4y2Ba42gydF4y2Ba)、表面摩擦(gydF4y2Ba43gydF4y2Ba)、福利(gydF4y2Ba44gydF4y2Ba),各种病态(gydF4y2Ba45gydF4y2Ba- - - - - -gydF4y2Ba47gydF4y2Ba),以及更多gydF4y2BacfgydF4y2Ba。(gydF4y2Ba8gydF4y2Ba)]。特别感兴趣的一个子集的发生较低出生体重的个体(激光焊、低出生体重)比他们的“正常”(NBW)同窝出生的。有多个标准对这些出生体重类别进行分类,使用绝对质量,垃圾分位数标准,或不对称的身体比例(gydF4y2Ba48gydF4y2Ba- - - - - -gydF4y2Ba54gydF4y2Ba)。低出生体重的一个可能的原因是子宫内生长受限,以及激光焊表型似乎通常,但并非总是如此,与低活力和生存下来的机会减少gydF4y2Ba55gydF4y2Ba- - - - - -gydF4y2Ba58gydF4y2Ba)。出生后运动成熟快(gydF4y2Ba40gydF4y2Ba,gydF4y2Ba59gydF4y2Ba),但破碎的播种是仔猪死亡率的主要原因之一(gydF4y2Ba60gydF4y2Ba,gydF4y2Ba61年gydF4y2Ba)。被压的可能性直接减少更灵活运动。因此,运动对小猪的生存能力是至关重要的,和延迟发展可能是致命的。gydF4y2Ba

先前的研究从我们组(gydF4y2Ba40gydF4y2Ba,gydF4y2Ba42gydF4y2Ba)提出假设激光焊和NBW个人明显差异可以归因于发育滞后。他们测量步态时空变量(例如,步伐频率和距离、速度、占空因数),这是集体实际运动学的变量(gydF4y2BacfgydF4y2Ba。(gydF4y2Ba14gydF4y2Ba,gydF4y2Ba62年gydF4y2Ba,gydF4y2Ba63年gydF4y2Ba)]。这种策略的优点是它只需要5个地标(四肢,一个引用)是数字化,它曾经是一个至关重要的权衡来处理大型数据集。然而,集体变量无法获取完整信息(即intra-limb协调。,内节段运动肢体的相对时间;而不是inter-limb协调,即。,the relative timing of the cycling of the different limbs). This complicates disentangling effects such as those of size, age, (birth) weight, and disease. It is expected that animals adapt their gait to the physical constraints of motor behavior, which are depending on the weight and other characteristics of the subject. However, the changes to kinematics might be more subtle, and collective variables might not be altered in a distinct way. For example, an animal might learn to move its joint angles in a more efficient way by adapting clearance to substrate conditions (43gydF4y2Ba),原则上可以实现在不改变基质上的自愿的运动速度。因此,针对自动步态分析和诊断分类的猪,这将是可取的,包括完整的运动信息。gydF4y2Ba

使用半自动机器学习数字化技术上面提到的,一个可以扩展的步态分析变量与可控负载关节间协调之数量。然而,使用原始点坐标的成套共同的兴趣点引出了这样的问题,即维度(每个参考点两到三坐标,只是太多的数据变量)。统计建模要求的最小数量的观察能够推断出不同变量的影响(gydF4y2Ba64年gydF4y2Ba- - - - - -gydF4y2Ba67年gydF4y2Ba)。常见的解决方案是减少维度与适当的转换。选择一个变换,它可以利用常见的运动生物力学分析程序需要稳态运动。“稳态”意味着重复的行为由运动学,即。,跨周期。和最常见的一种集技术在物理和工程处理循环数据是傅里叶分析,或者更确切地说傅里叶级数分解(女性性功能障碍;(gydF4y2Ba26gydF4y2Ba,gydF4y2Ba68年gydF4y2Ba- - - - - -gydF4y2Ba72年gydF4y2Ba)]。女性性功能障碍,关节角概要文件转换为频域表示,即:,一个函数数组。的某些特征的概要文件(即意味着角、振幅和相位)更容易被那些谐波和可以被删除。这是最直观的阶段:去除阶段差异使数学最优时间对齐的概要文件。通过隔离其他特征,意味着和振幅,关节角概要文件可以转换为有意义的数量,如动态姿势(意思是关节角运动和有效范围(eROM)],和协调gydF4y2Ba美国这篇gydF4y2Ba[相对相位/联合时间和剩余运动学,gydF4y2BacfgydF4y2Ba。(gydF4y2Ba68年gydF4y2Ba)]。谐波是独立的采样和持续时间:系数是固定大小的数组,用于后续的多变量分析方法,如主成分分析(PCA)。这个转换过程的另一个优点是它是可逆的,因为所有的数学信息保留在这个过程(单独使用集体变量时,情况就不一样了)。这意味着可以重建关节角型材任何观察到的或假设的参数空间中,样本内和样本外使预测取样。gydF4y2Ba

总之,傅里叶级数分解提供了一个数学方便运动的生物力学意义表示数据,开辟了新的选项数据分析和建模。gydF4y2Ba

在这项研究中,我们建立一个工作流可以自动化和用于识别动物个体移动不同于“正常”的参考,根据录像,深度学习数字化,数学转换,和概率建模。传统的2 d运动学数据集提取深度学习工具的帮助下从侧面走小猪的视频。通过应用多变量分析和女性性功能障碍,我们单独的时空步态变量,动态的姿势,和协调,模型与主题特征(质量、大小、年龄和出生体重类别)。至关重要的是,这构成了完整的信息捕捉到运动运动学,和所有参数提交给一个包容的,概率模型。作为一个测试用例,我们解决的问题是否在国内小猪的低出生体重发育迟缓,并尝试量化延误与逆建模策略如下。直觉上,一般来说,关节运动学被认为是运动系统的输出。因此,传统的统计模型可以考虑“结果”的一面;在“输入”方面,出生体重的影响,年龄、速度、或其他参数量化。在此,我们使用一种不同的方法,逆模型。我们构建一个概率计算机模型,该模型描述了“年龄”和其他主题特征作为所有可用的运动参数的函数。 The rationale is similar to that in subject recognition tasks: given a certain kinematic profile, can we infer (characteristics of) the subject? We split our data set into birth weight classes (LBW, NBW), and train the model on only the strides from NBW observations. This NBW model is our “kinematic reference” model, quantitatively capturing the expectation of what would be “normal” by inferring the plausible age range for a given kinematic observation. We then use that trained model to compute out-of-sample inference of individual LBW observations.

我们的假设是,如果产后运动发展的激光焊是在同一阶段NBW兄弟姐妹,那么模型应该准确地推断出激光焊的年龄的动物。相反,如果激光焊的小猪被推迟在开发中,模型会低估他们的年龄。因此,运用这种逆建模策略和比较computer-inferred时代激光焊的实际年龄的小猪,我们可以量化和可能伪造假设延迟运动发展。gydF4y2Ba

工作流组件的分类不是小说,和常用的物理和工程。我们使用可用的机器学习工具数字化视频,应用一系列著名的转换,和概率模型分类器训练。我们证明一组个人运动事件可以用来区分个人发展比预期慢,四到八个小时的时间精度(这是一个相当大的时间间隔对新生儿动物)。这些都是精确的诊断测量,在物料通过量高、生成和提高动物福利的总体目标,这些都是符合典型的理想的精度畜牧业。gydF4y2Ba

2。材料和方法gydF4y2Ba

2.1。数据采集gydF4y2Ba

录音是在当地一家农场在比利时期间几次在2017年10月和11月。产小猪监控选择Topigs×图片小猪为另一个实验中(gydF4y2Ba73年gydF4y2Ba)。从选定的窝仔猪在出生时体重与皮肤无毒和编号标记。低出生体重(激光焊)是由出生体重分类分位数(最低10%的垃圾)和最大的质量(800)g (gydF4y2Ba49gydF4y2Ba- - - - - -gydF4y2Ba51gydF4y2Ba,gydF4y2Ba74年gydF4y2Ba);所有其他小猪被分配NBW类别。在变量时间点之后(年龄(1 - 10)h),小猪简要从他们的笔,把一个单独的房间的录像(见下文)。动物被记录在双[如(gydF4y2Ba38gydF4y2Ba),极大降低了焦虑和增加了合作的动机。一些动物被重复记录,通常与不断变化的合作伙伴。动物是惹麻烦和跟踪:记录是重复在大约4和10天的年龄。数据是数字化过程的一部分(即。,“deeplabcut” network training), but excluded from further analysis (i.e., probabilistic modeling, see below). The subject characteristics documented for analysis are birth weight (continuous, and categories “LBW”/“NBW”), mass at recording, age at recording (i.e., hours since farrowing), sex, and size. The size of the animal was approximated by a Principal Component Analysis (PCA) of digitization landmark distances along all segments (“size PCA,” only first PC used, 93% of variability). Size and mass are expected to correlate, yet deviations would indicate animals of particularly slender or rotund habitus. All procedures followed ethical regulations and guidelines, and were approved by the Ethical Committee for Animal Testing of the University of Antwerp, Belgium (ECD 2015-26).

录音房间包含一个跑道(150×50厘米)升高,增加摩擦,覆盖着一个橡胶垫,可见通过一个透明的额盾牌。彩色视频记录(相机模型:GC-PX100BE、JVC、日本)50帧每秒的时间采样率和空间分辨率为1,920×080像素500像素高度(后来裁剪),从远处的视野会完全捕捉整个跑道。棋盘的后壁使空间校准。视频监控中永久存在的动物只在录音间,停止了。动物能够在封闭的平台上自由行动。反复刺激运动,两只动物放在跑道的两端。温柔痒背面,咕哝着发声研究员的其他成功的策略来引导目标运动方向垂直于相机轴。录音后小猪回到他们的垃圾,保持与播种。工作流所涉及处理的动物研究的结果设置。然而,请注意,过程很容易自动连续数据采集通过合适的钢笔安排(gydF4y2Ba8gydF4y2Ba,gydF4y2Ba27gydF4y2Ba,gydF4y2Ba75年gydF4y2Ba)。gydF4y2Ba

2.2。数字化gydF4y2Ba

我们使用软件DeepLabCut [DLC, (gydF4y2Ba76年gydF4y2Ba)数字化的视频材料。此外,定制点跟踪软件(gydF4y2Ba34gydF4y2Ba)被用来生成一个训练集。总的来说,我们的数据集包含180个视频(超过11 h, 169只动物)的视频。我们的目标是准备一个通用数据链路控制网络,能够自动跟踪多个年龄段的小猪,后续研究可以共享和重用问题。这就是为什么的完整数据集用于数字化和计算一些派生的措施(PCA)大小。然而,本研究的分析集中(见下文)仅仅是数据的一个子集(即。的58动物年龄最小的类)。视频处理流程,应用到完整的数据集,如下。平衡训练集,一个跨步每个动物的选择,以及视频被削减,剪裁跑道的高度,选择水平镜像,这样总是向右运动。所有的视频连接和提交DLC训练集生成。DLC将从这些视频选择2552帧,跟踪的外部软件和重新培训(培训分数80%)。(即十七地标。,points of interest or “key-points”; usually joint centers,图1gydF4y2Ba)是数字化,代表所有身体部位可见横向角度(负责人:鼻子,眼睛,耳朵,回线:威瑟斯,臀部,尾巴基地;前肢:肩胛骨、肩、肘、腕/手腕,球节,forehoof;后肢:臀部、抑制/膝盖,睑板/脚踝,后球节,hindhoof)。我们选择“resnet 152”网络体系结构和训练了540年,672次迭代(16天的电脑工作负载)。网络被应用于数字化连续、完整的视频录音两次:一次违约方向和水平镜像之后,因为训练集总是向右运动。gydF4y2Ba

下一步是找到相关时间的行走在连续的视频序列。自然,经过训练的网络只会提取潜在有用的具有里程碑意义的事件的痕迹像训练集,即。小猪,在集移动垂直于轴的图片,在横向方面和向右的方向。我们自动提取597序列的筛选高数字化DLC提供的“可能性”,低噪声(即。、稳定的具有里程碑意义的运动)和一致的,似是而非的具有里程碑意义的距离。我们进一步应用自动算法找到脚步声和标签跨周期的候选集(730周期)。普罗克汝斯忒斯这个过程涉及start-end-matching优化(使用叠加),以确保进步确实是周期性的。为了进一步评估数字化质量,步态变量自动提取。这些变量的定义被选为简化自动程序,如下所示。步的距离、频率和速度是微不足道的动物运动的措施。占空因数可前后肢,和措施的比例跨步时间各自的蹄子在地面接触。间隙是近似量化每个肢体的弯曲的比例(减去最小和最大的商绝对hip-toe-distance在步)。 Head and torso angle are the stride-average angles of the snout-ear or withers-croup lines with respect to the coordinate system. Hindlimb phase measures the time between hind- and forehoof touchdown, divided by the stride cycle duration. Where applicable, gait variables were prepared for analysis (see below) by converting them to dimensionless values (77年gydF4y2Ba,gydF4y2Ba78年gydF4y2Ba)使用地标的累积距离以及动物的snout-to-tailbase线作为参考,提取从数字化步伐平均地标。(即只有进步合理值。,those which lie within the theoretical distribution of each parameter; 1, 862 cycles) where processed. Manual inspection further boiled down the data set to 897 stride cycles (the others excluded for digitization errors, multi-animal confusion, non-walking gait, intermittent or sidewards locomotion, or incompleteness).

最后,368年剩余的58个动物是进步的最年轻的年龄类别(< 10 h),因此目前的选择分析,网上数据表(见下文)。gydF4y2Ba

2.3。数据处理gydF4y2Ba

具有里程碑意义的DLC进一步提供的数据进行分析处理。整个过程是可用的(Python代码gydF4y2Bahttps://git.sr.ht/ ~福尔克/ piglet_fcasgydF4y2BaPython版本3.10.8模型计算的时间,gydF4y2Bahttps://www.python.orggydF4y2Ba)。首先,关节角的概要文件(即。,joint angle values over time) were extracted for all relevant joints and for the total forelimb angle (croup-withers-hoof). Shoulder, elbow, carpal, hip, stifle, and tarsal were the six joints sufficiently well-digitized and therefore considered relevant for analysis. We then applied Fourier Series decomposition in the framework we previously termed Fourier Coefficient Affine Superimposition [FCAS, (68年gydF4y2Ba),一个灵活的过程,包含以下步骤。关节角概要文件循环,即。,periodical, and can therefore be transformed to the frequency domain with a Fourier Series decomposition (eight harmonics were deemed sufficient by visual comparison of raw and transformed/retransformed profiles). In the frequency domain, the affine components (mean, amplitude, phase) of a joint angle profile are easily accessible [cfgydF4y2Ba。(gydF4y2Ba68年gydF4y2Ba)]。前翼角作为参考暂时匹配周期所有的数据集(删除相区别不同的周期;前翼角没有进一步使用)。然后,意味着和振幅的振荡被孤立的关节角和分为“动态姿势”参数。关节角是时间平均,而振幅有关运动的有效范围(eROM)。剩余,即。,differences captured by non-affine Fourier coefficients, can be categorized as “coordination”美国这篇gydF4y2Ba(措施联合配置)的精确时间演替。在我们的案例中,有96个变量的协调(6角,8次谐波、实数和虚数)提交给一个主成分分析。只有第一个12协调组件(gydF4y2BaCCgydF4y2Ba)是用于统计分析,获取80.2%的变异性协调。gydF4y2Ba

总而言之,女性性功能障碍和fca三个目的:(i)时间对齐的循环痕迹,(ii)的分离有意义的参数类别(动态姿势和协调),和(3)多变量分析做准备gydF4y2Ba通过gydF4y2Ba主成分分析。基本脚本代码(Python, Matlab, R)来执行葬礼上可以找到一个专门的git存储库(gydF4y2Bahttps://git.sr.ht/f ~碱性/ fcas_codegydF4y2Ba)。gydF4y2Ba

信息保留通常是该方法的一种力量。fca和主成分分析的数学转换,这意味着理论上转换后的信息内容与之前转换(从理论上讲,因为只有有限数量的谐波可以被使用,但是这是很少关心连续的,光滑的关节角概要文件)。被忽视的个人电脑和剩余八谐波中没有捕捉到的唯一信息从给定关节的运动学迷失在这个过程中,通过定义这些包含最少的信息。除此之外,所有的信息出现在原始的关节角资料进入分析。虽然我们使用一个2 d数据集,这个过程可以应用同样角度测量的三维坐标数据(gydF4y2Ba79年gydF4y2Ba)。gydF4y2Ba

此外,所有转换都是可逆的,因此任何可以翻译回运动学分析结果精度高。可逆性龇出很多在此未使用的潜力,例如插值未被注意的主题国家或推断运动学化石物种的系统发育和地貌形态示量托架。可逆性也可以展示原始的关节角时使用概要文件和他们的平均水平,如下。葬礼过程的一个关键方面是时间对齐的关节角资料在频域。在常规时间对齐,一个跨步周期中的特征点选择作为参考,在这只是“特点”,某一个肢体的一部分(例如,左下肢蹄着地)。时间对齐到hindhoof着陆可能导致不同的山峰前翼角接档案发生在不同的相对分跨周期(例如,睑板联合概要文件gydF4y2Ba图3gydF4y2Ba下面,下半部分,绿色痕迹)。如果资料显示这些变量峰值位置,那么他们的平均会有更广泛的,(即不明显。、低振幅)和潜在的不自然的高峰。对于插图,这类似于平均两个正弦波相同的振幅,但转变阶段:在最坏的情况下,他们相互抵消(如“相消干涉”)。问题并不局限于明显的峰值,但一般如果发生颞intra-limb协调不同在一个数据集。使用fca,可以得到一个更有代表性的原始痕迹的平均振幅守恒的,但阶段,意味着平均角。这是通过变换到频域,仿射分离组件,清除阶段转向平均差异的阶段,平均,紧随其后的是反变换回时域。因为一组配置文件和阶段可能会分别计算出每个角,因为阶段关节之间的关系可以不同,有选项对齐基于一个基准角(例如,整个前肢,此处)或最小化所有阶段差异在所有关节。选择第一个选项所影响:当策划下肢关节前肢参考(如对齐gydF4y2Ba图3gydF4y2Ba仍然,下半部分),阶段不同,“相消干涉”的问题可能会阻碍平均。在这种情况下可以申请额外,joint-wise fca对齐生成有意义的唯一目的的平均水平。gydF4y2Ba

2.4。统计建模gydF4y2Ba

总而言之,四个类别的变量被用于分析:gydF4y2Ba

•主题特征:年龄、性别、质量,出生体重类别,大小gydF4y2Ba

•时空步态变量:距离、频率、速度、间隙(前- /下肢),占空因数(前- /下肢),头部角度,后肢阶段gydF4y2Ba

•动态姿势:意味着关节角和eROM六关节gydF4y2Ba

•协调:提取后剩余的动态姿势(见上图)。gydF4y2Ba

我们指导模型设计是一个概率问题,线性模型能够推断出主体特征(具体:年龄、质量和大小)从原始运动学(表示为动态姿势和协调)和步态变量(集体变量)。考虑到常见的概念,运动学是一个复杂的个体运动系统的输出,这可能被视为一种“逆”建模方法。目前的分析主要集中在三个结果变量(gydF4y2Ba图2gydF4y2Ba):质量(gydF4y2Ba公斤gydF4y2Ba),大小(gydF4y2Baarb。单位gydF4y2Ba从标记距离的PCA),和年龄(gydF4y2BahgydF4y2Ba)。虽然这些结果变量是每个个人和特定的录音,我们分析了他们(即“每步”。,有多个进步具有相同主题的措施在结果方面)。gydF4y2Ba

模型的公式是:gydF4y2Ba

,θ是结果的主题特征,β是斜坡与模型相关参数(gydF4y2Ba年代gydF4y2Ba性,gydF4y2BaGgydF4y2Ba步态变量,gydF4y2BaPgydF4y2Ba动态的姿势,gydF4y2BaCgydF4y2Ba协调),gydF4y2BavgydF4y2Ba是数据向量(例如,gydF4y2BavgydF4y2Ba_1gydF4y2Ba是一个向量的残余ϵ拦截α和模型,然后呢gydF4y2BavgydF4y2Ba_{年代gydF4y2Ba}是一个布尔向量编码对象的“性= =男”)。模型有36个自由度总数。先验(例如,gydF4y2Ba先天的gydF4y2Ba分配分布)为所有斜坡与平均值和标准偏差对应于正态分布均值和标准差的两倍所有观察到的每个参数的值;对数变换在必要时应用。可观测(“可能性”)之前对θ是学生的gydF4y2BatgydF4y2Ba分布(允许wider-than-normal尾巴和稳健回归)与伽马分布ν(自由度);ϵ建模是半柯西分布。该模型使用Python库实现的“PyMC”[版本4.2.2 (gydF4y2Ba80年gydF4y2Ba)]。gydF4y2Ba

再次强调,动态的姿势和协调在一起有效地捕获所有的运动信息的跨步。因此,我们训练预测模型运动学,步态变量,和性。出生体重类别(激光焊(NBW)是一个过滤器参数:我们把我们的数据集分为激光焊的进步和两个NBW子集(培训和验证)。培训是由获得PyMC (“sample”函数),和一个没有掉头取样器集与32个样本链,每个2gydF4y2Ba^14gydF4y2Ba调优和同样许多抽样步骤。所有gydF4y2Ba因果gydF4y2Ba模型检查证实融合(检查跟踪,gydF4y2BabfmigydF4y2Ba所有连锁店> 0.94,Gelman-Rubin统计≈1对所有参数,充分有效的样本大小)。迭代模型进行比较,离开了模型参数或替换一些有意义的组合(例如,责任因素结合前,下肢)。然而,由于我们遵循一个“所有”的策略,结果几乎没有意义的价值模型建设:我们可能会因此保留NBW-only模型参数是数值不重要。gydF4y2Ba

的数据集gydF4y2BaN =gydF4y2Ba368年的进步是分成三个类别:(i) NBW训练集作为参考gydF4y2BaN =gydF4y2Ba294步,(ii) NBW验证集(gydF4y2BaN =gydF4y2Ba35的进步),这是一个随机的子集NBW进步,大约同等大小(iii)激光焊测试集gydF4y2BaN =gydF4y2Ba39岁的进步。gydF4y2Ba

模型就训练一组294 NBW培训进展(我)。推论(模型“预测”)然后每步完成,所有观察到的进步(NBW训练,NBW验证和激光焊测试),使用“pymc迭代。在PyMC sample_posterior_predictive”功能设置数组的所有数据以实际观察值对于一个给定的步(使用“pymc.set_data”)。预测的数量通常与训练样本的数量,这意味着所有后用于构造预测分布的信息。我们会因此检索质量、大小和年龄(即预测。,概率inference) for each stride in the data set, which were then compared to the known, actual mass, size, and age.

所有程序、代码、数据和这个手稿网上(gydF4y2Bahttps://git.sr.ht/ ~福尔克/ piglet_fcasgydF4y2Ba)。gydF4y2Ba

3所示。结果gydF4y2Ba

目前的分析是围绕线性模型旨在推断质量,大小,和年龄(从一组广泛的主题特征)从2 d视频运动参数。提供的数字模型抽样也同样广泛,并将只是简短的报道。模型的主要目的是预测取样后的激光焊的进步的模型,并详细分析了。gydF4y2Ba

评估是否有定性的出生体重类别之间的差异,一个可以比较关节角配置文件(即。、原始角运动学)在现状分析的基础上gydF4y2Ba图3gydF4y2Ba)。集团内的变异性明显超过组之间的差异,尽管它必须强调,组织不均匀(关于年龄、速度等),这可能导致偏见如果激光焊和NBW数据不同的成分。低出生体重小猪更弯曲后肢行走的姿势,表示的平行抵消平均臀部,扼杀,睑板配置文件。另外,平均NBW个人似乎设置的肩膀更扩展角。不协调的差异是显而易见的(这将体现在改变时态的结构概要文件)。很难从这些研究结果表明,激光焊运动学是区分出来NBW运动学由定性视觉评估,至少部分是由于高可变性。gydF4y2Ba

定量比较的变量可以实现运动学测量概率线性模型。为了预测抽样(见下文),我们训练模型来描述运动学参数的相互关系和主题特征NBW小猪。线性模型获得的结果的值分布在山坡上,在我们的案例中指出如何关联到一个特定的运动参数改变质量,大小和年龄(gydF4y2Ba补充表S1gydF4y2Ba)。的步态或协调参数,只有下肢间隙与动物质量的差异。质量也发生了改变,臀部和睑板的动态姿势。大小的模型推断出联想头角度,后肢占空因数和间隙,和一个协调组件(CC3),以及前和下肢的姿势的变化和影响性。最后,年龄与前肢间隙的增加,潜在的变化在臀部和腕,和几个协调组件(CC9 CC11)。一些eROM斜率分布年龄高的平均大小,但变量(零)所包含的“可信区间”。这些模型结果提供详细了解参数相互关系在当前数据集和显示参数相关的预测样本中推断出给定主题属性。gydF4y2Ba

执行与模型训练样本内和样本外预测推理NBW进步阐明如果忽略时如何进步与期望(NBW模型不同gydF4y2Ba图4gydF4y2Ba)。注意,捕捉方差(即。,uncertainty in the prediction), each stride was sampled repeatedly.

样本外的推论gydF4y2BaNBW验证设置gydF4y2Ba匹配的样本内NBW推理的平均值和标准偏差为所有建模结果变量,这证实了推理的特点从运动学是可能的。相比之下,推论gydF4y2Ba激光焊的进步gydF4y2Ba不匹配的NBW训练集,低出生体重动物被推断是平均比实际重0.44公斤,和他们的大小是高估了(+ 1.71单位)。错误匹配的实际大小的差异(gydF4y2BacfgydF4y2Ba。方法,gydF4y2Ba图2gydF4y2Ba)。相比之下,低出生体重的年龄推断受试者不是正态分布:大多数年龄是从stride-wise运动学正确推断,但年龄对于一些进步被低估了。这些进步的低估量化略低于5 h。gydF4y2Ba

总之,NBW-trained模型“猜测”动物的大小和质量生产激光焊的进步是“正常的”(虽然他们不是),这表明这些激光焊的定义特征并不反映在运动学改变。然而,年龄推断非正态,即。,年代ome strides are classified as typical for animals of younger than actual age.

找出抵消年龄推断是否与某些个人、从不同的个体或某些进步,我们分组计算每步的推论或主题和高估或低估了时代的机会。8低出生体重的受试者39的进步做出了贡献,4个人都低估了(gydF4y2Ba表1gydF4y2Ba)。始终意味着超过75%的所有预测样本低于实际年龄,年龄,对于大多数的进步平均低估了。低估的大小是2至5 h。奇怪的是,那些个人记录年龄略高(> 5 h)。过高的其他四个激光焊的个体也是一致的,但是少(不那么极端低估率,意味着Δ< 2gydF4y2BahgydF4y2Ba)。标准偏差的估计没有不同个人或出生体重类别。gydF4y2Ba

我们得出这样的结论:低估年龄是一致的多个同一个人的进步,从而细化。gydF4y2Ba

4所示。讨论gydF4y2Ba

四足动物陆地运动的集体输出子系统有机的整体,这是两个原因,在兽医诊断挑战它的实用性。一方面,运动学中可以量化的多维数据集,捕捉许多肢体关节的自由度。另一方面,运动数量是上下文依赖、受众多主题特征(年龄、体重、病态、…)也cross-influence对方。挑战中找到正确的跟踪给定(或未知)条件的多维观察运动变化的背景。深度学习的方法视频数字化已经成为可用的,和概率计算模型提供了一个灵活的框架镜复杂参数的关系。一旦给定问题的训练,这些计算机工具可以实现比较诊断分类以最少的人工交互,例如,连续筛选在农场环境。多变量系统综合管理和精确农业是一个挑战,和提出了运动分析工作流突显出一个可能的方法成功的挑战。gydF4y2Ba

在这项研究中,我们演示了一个测试用例生成的小猪运动概率模型包含所有运动信息。gydF4y2Ba

我们的示例模型训练大量的观测被认为是“正常”,并应用于分类未经训练的观察而言,偏离正常行为。数据来源于横向拍摄的视频正常(NBW)和低出生体重(激光焊)小猪从无限制的行走步态运动行为(一个便宜的,高通量的安排和公共行为)。低出生体重是常与低活力(gydF4y2Ba55gydF4y2Ba- - - - - -gydF4y2Ba57gydF4y2Ba),这可能与缺乏运动。因此,显而易见的第一个研究问题是出生体重对运动行为有影响。自上而下的、直接的、视觉评估可以证明假设激光焊走运动学是不同于“正常”(gydF4y2Ba81年gydF4y2Ba)。然而,(我)很难评估由于高行为变化和(2)非常希望给他们身体的适应不同的物理性质:重力是运动的主要约束,它只是尺度与动物的体重。我们的研究结果表明,八个人激光焊我们报weight-kinematics模型方面都高估了自己的体重,通过匹配LBW-NBW重量差异量(gydF4y2Ba图4gydF4y2Ba)。这同样适用于大小模型。这至少表明,激光焊,所有这些在我们的数据集,可以走路就像正常的出生体重和大小。这是一个诊断模型应用程序的第一个例子:定量模型证实了正常的运动行为,尽管发生的一个给定的非正常co-variate(重量)。gydF4y2Ba

第二个诊断应用程序识别的个人(甚至进步)系统地偏离期望或标准。概率模型不仅分类“正常”或“不”:他们收益率分布的合理值,从而一个给定的观察显示出问题的可能性。和上面相同的模型架构,但是配置为从运动学测量推断年龄,估计一些(但不是所有)的人比实际年龄更低的(gydF4y2Ba表1gydF4y2Ba)。这些特别的老激光焊个体,而最年轻的(< 4 h)走作为新生儿的预期。虽然我们不能完全排除机会与我们的样本量有限,这提供了证据表明,产后快速发展在这些人停止。我们的解释是,出生时,激光焊个人认为作为NBW兄弟姐妹有相同的功能,但至少有一些“落后”的常规发展的第一个小时。我们能想到的两个可能的原因:(1)出生过程创伤可能掩盖了实际能力的新生儿一样,隐瞒实际存在的区别(gydF4y2Ba74年gydF4y2Ba);(2)发展是阻碍枯竭的能源储备和失败(亲属)竞争和围产期争取(乳头和温暖gydF4y2Ba82年gydF4y2Ba)。我们没有发现支持第一个可能的原因:自顶向下运动的发展是快速的两组(gydF4y2Ba40gydF4y2Ba,gydF4y2Ba41gydF4y2Ba),和肌肉结构没有差异(gydF4y2Ba83年gydF4y2Ba)。另一方面,有证据表明快速损耗的能量水平低出生体重的个体,埋藏在一段10 h (gydF4y2Ba84年gydF4y2Ba)。这一发现与目前的研究一致,支持围产期斗争的假设。发育滞后不一定证实假设激光焊的运动不足。我们希望真正缺乏的进步大大不同于数据训练模型,因此排除或被误诊。排除意味着使用深度学习的实现不能捕获缺乏进展,或者只在某种程度上导致排斥在随后的(自动)质量检查(见下文)。我们承认,目前仍有改进的空间深度学习的数字化过程。但在可能的情况下,一些缺乏进步通过质量检查和受到模型,我们希望他们更加“不可预测的”(即。,更高的后样本的方差)。相反,在我们的数据集,推论是一致的重复措施的一个个体,没有方差显著增加在每步的推论。受影响的对象,我们甚至可以量化的延迟小于5 h,这可能不过是至关重要的快速成熟运动行为在这个物种(gydF4y2Ba40gydF4y2Ba)和产后竞争的重要性。如此详细的信息是有价值的在评估不同的缓解策略(如的成功。小猪,补充能量,(gydF4y2Ba85年gydF4y2Ba)]。必须强调,就像其他计算诊断工具,在此列出的方法并非旨在独立使用。相反,它是补充或可以促进深入检查。然而,呈现特异性的步态分析取代纯粹的活动分析:据我们所知,能够自动检索一个个体,概率测量猪的发育延迟还没有实现。信息保留的特性提出了工作流,我们认为可以使研究人员和兽医区分众多的潜在影响运动行为,给予足够的参考数据和一个适当的模型设计。gydF4y2Ba

这些观察特定于目前的测试用例,问题仍然是一般方法是否适合诊断动物疾病。提出了工作流、数据转换(如傅里叶级数,PCA)准备的运动学数据诊断。诊断的分类是“非正常”的观察,本文通过比较概率预测样品和实际的观察(gydF4y2Ba图4gydF4y2Ba和gydF4y2Ba表1gydF4y2Ba)。在当前的例子中,没有病理学,这是对我们惊讶:当观察NBW和激光焊小猪(人类分类器),往往看到的差异如何走。然而,有混杂因素:首先,他们的体重和身体比例,年龄(运动成熟),性,等。换句话说:他们的走路的方式,但这是预期,考虑到生物力学和物理约束的现象。这些都是普遍的并发症诊断。模型提供了证据表明,当占潜在的混杂因素(例如,通过在“动态类似的“关节角概要文件),仍然没有区别。考虑到高水平的细节,可提取对于目前的情况,我们希望尽可能准确的人类可以视觉识别分类器在病态的情况下。工作流甚至可以超越人类诊断是否在其他情况下,例如因为混杂因素是占了,还有待评估。gydF4y2Ba

还有其他限制由目前的测试用例。我们的数据集是有限的和潜在的偏见的激光焊观察。有更少的有效激光焊的进步在我们的数据集,在绝对数字:只有39的368观察激光焊。这可以解释为证据能力较低(尽管等于潜在)的激光焊生产正常的运动。然而有近端,简单的解释:在这项研究中,出生体重低10%分位数的一窝被认为是激光焊,有800 g的硬工资帽。的分享就是视频数字化的训练集,在最终的数据集,因为伪随机,投机取巧的抽样现场(即。,记录工作是永久性的,但由产小猪和喂养的受试者)。少数的激光焊培训视频可能会导致这些动物的under-learning数字化网络,这可能导致减少数字化质量,因此排除偏见的“非正常”的个人。尽管似乎不太可能,但我们不能排除在激光焊降低运动能力:目前的数据集是不适合计算运动行为的发生是因为它自动生成。另一方面,严格的步幅过滤标准“好”运动学可能不自觉地过滤掉缺乏个人。我们的结论是,低出生体重个人non-deficient是严格与低出生体重的定义范畴,即基于此重量标准,不认为显性指标的子宫内生长受限(我们没有记录,gydF4y2BacfgydF4y2Ba。(gydF4y2Ba54gydF4y2Ba)]。gydF4y2Ba

这一推论问题是模式运动学变量导致不同年龄推断。我们报告高级(但是也高度变量,即。,“non-significant”) slopes inferred from the age model (补充表S1gydF4y2Ba)。注意,这些山坡上只反映NBW数据子集中的影响。我们还观察到轻微的差异平均后肢动态姿势(gydF4y2Ba图3gydF4y2Ba)。事实上,更展示后肢是典型的年轻动物的出生体重类别。我们强调潜在的团体组成的差异来解释(例如,性效应的“大小”模型),每组和不同的年龄可能是一个非正常的近端解释年龄推断在激光焊。然而,激光焊动物的平均年龄(5.3小时)在我们的数据集是名义上高于NBW(3.8小时),这是一个与年龄低估差异。然而,如果我们假设推迟运动发展的假说是正确的,名义年龄会误导和激光焊有效行为类似于年轻的动物。这可以解释在年龄组组成和时代的明显差异从运动学的推论。它还表明,动态的姿势可能围产期成熟的主要代理,尽管许多其他参数也进入了概率模型和模型结果的影响。gydF4y2Ba

总结一下,我们这里组装的最先进的电脑技术为目的的个人诊断四足动物运动,我们认为这是一个有价值的牲畜筛选和管理工作流。所有组件需要一些手动初始化和计算努力(网络培训,模型回归)。然而,一旦完成,流程如下:gydF4y2Ba

•产生更多的录像(例如,在一个检测跑道)gydF4y2Ba

•训练的深度学习网络申请自动数字化gydF4y2Ba

•识别跨周期与普罗克汝斯忒斯framewise比较(自动)gydF4y2Ba

•跨周期质量按自动过滤标准(end-start差异,恒速、…)gydF4y2Ba

•傅里叶级数分解,时间校准,参数变换(PCA)gydF4y2Ba

•概率分类(即。,posterior predictive sampling) with an inverted model structure

•验证阈上分类。gydF4y2Ba

除了最后一步(至关重要的),所有这些可以完全自动化,和整个工作流程适用于精密畜牧业。模块的工作流程可以改变:例如,概率深度学习模型可以应用,而不是目前实现的分类。自动监测可能发生[如(gydF4y2Ba8gydF4y2Ba,gydF4y2Ba74年gydF4y2Ba),从而减少延迟识别个人需要干预。多个模型可以并行测试:在目前的测试用例,“重量”和“大小”模型发现激光焊运动的“正常”的参照群体,而“年龄”模型具体确定这些动物可能经历一个延迟运动发展。同样,测试可以设置为特定的疾病。更广泛的(纵向)数据集和更具体的模型需要将这个工具为“临床”或经济/商业使用,本研究的目的之一也给予充分的解释和引用为读者不熟悉所提到的方法。然而,我们证明了建模工作流能够提供高精度、高吞吐量国内猪运动诊断方法。gydF4y2Ba

数据可用性声明gydF4y2Ba

在这项研究中提出的数据集可以在网上找到存储库。库的名称/存储库和加入数量(s)可以找到如下:git存储库gydF4y2Bahttps://git.sr.ht/ ~福尔克/ piglet_fcasgydF4y2Ba。gydF4y2Ba

道德声明gydF4y2Ba

综述了动物研究和动物实验伦理委员会批准的大学的安特卫普,比利时(ECD 2015 - 26)。业主的书面知情同意参与这项研究的动物是不需要按照国家法律和制度需求。自然,动物的所有者提供了这个应用程序。动物实验伦理委员会表明,不需要额外的和特定的请求包括没有同意填写。此外,养猪场是严格的生物安全,这意味着任何访问农场必须批准和检查。因此,因为我们能够执行在手稿提到现场观察,老板说他同意的程序和使用的小猪。gydF4y2Ba

作者的贡献gydF4y2Ba

调频获得和分析数据,并写了初稿的手稿。所有作者概念研究和改进手稿。所有作者的文章和批准提交的版本。gydF4y2Ba

资金gydF4y2Ba

这项研究是由特殊研究基金的资助大学的安特卫普(BOF-GOA 2016 33927)。gydF4y2Ba

确认gydF4y2Ba

作者要感谢米里亚姆Ayuso组织和参与录音,以及劳拉Buyssens乔治Petrellis,冈瑟Vrolix,夏洛特Vanden洞,丹尼斯·沃格尔,所有学生加入录音期间的帮助。Maja Mielke手稿提供了有价值的评论文本。gydF4y2Ba

的利益冲突gydF4y2Ba

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。gydF4y2Ba

出版商的注意gydF4y2Ba

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。gydF4y2Ba

补充材料gydF4y2Ba

本文的补充材料在网上可以找到:gydF4y2Bahttps://www.雷竞技rebatfrontiersin.org/articles/10.3389/fvets.2023.1111140/full补充材料gydF4y2Ba

脚注gydF4y2Ba

引用gydF4y2Ba