“最强大脑”魏坤琳教授：机器学习让动作追踪走出实验室

药明康德AI/报道

我们与周围环境的物理交互能够触发大部分神经系统中的神经活动。但是，要了解运动与大脑功能的关系，我们需要以空间和时间上的高精度来对其进行量化，这时就需要运动捕捉技术登场了。

本文来源：药明康德AI

近日，来自美国哈佛大学的Alexander Mathis博士及其研究团队利用机器学习技术，开发了一款名为DeepLabCut的开源运动追踪工具，可以快速便捷地对任何动物进行高精度的运动追踪，而不需要太多的训练数据。这项研究发表在了最新的《Nature Neuroscience》上。值得注意的是，这项研究也引起了“最强大脑”Dr.魏——来自北京大学心理学系的魏坤琳教授的关注。他和来自宾夕法尼亚大学的Konrad Paul Kording博士合作完成的《Behavioral tracking gets real》一文对该项研究进行了高度评价，也同样发表在了《Nature Neuroscience》上。

准确追踪行为发生期间的身体运动部位是运动科学的一项重要内容。但是，研究人员通常需要耗费大量时间和精力，来对每一帧进行标记。有些研究需要在研究对象身体的预定点上放置标记物，但是标记物可能会干扰研究目标的行为，而且适合的运动类型非常有限。如果能建立一套有效的运动跟踪系统，将对运动科学的相关研究起到非常大的帮助。

▲DeepLabCut对果蝇运动轨迹的追踪过程示意图（图片来源：《Nature Neuroscience》）

研究人员首先采用一个名为ImageNet的大型目标识别图像数据库对DeepLabCut进行了预训练。之后，DeepLabCut只需要接受几百张人类标记图像的训练，即可在捕捉和追踪运动时拥有与人类相当的表现，从而方便神经科学家对动物行为展开研究。DeepLabCut的另一个优势在于，它可以同时对所有身体部位进行标记，这样使得它可以有效地利用不同身体部位的位置来辅助进行其他部位的定位。同时，DeepLabCut可以对不同的物种的各种活动进行深度追踪，例如它可以追踪果蝇产卵，以及小鼠伸爪时每一根爪子的轨迹。

▲DeepLabCut能够追踪小鼠伸爪动作的全过程（图片来源：《Nature Neuroscience》）

另外一点值得注意的是，DeepLabCut可以将任何包含运动的视频转换为运动捕捉信息，从而为运动科学开辟了一个巨大的数据宝库。 这样一来，随着视频拍摄越来越便捷，运动捕捉将从一个既昂贵又困难、且仅限于实验室内的技术，转变为我们每一个人都可以完成的毫不费力的日常工作。

这项研究也引起了来自北京大学心理学系的魏坤琳教授的关注。魏教授表示，无所不在且毫不费力的动作捕捉技术有望将运动科学带入医疗实践中。他指出，基于人工智能的运动追踪技术及设备，能够提供对于精准医疗至关重要的诊断信息。因此，DeepLabCut的横空出世，将使运动科学超越实验室的界限，真正融入到我们的日常生活中。

参考资料：

[1] Mathis, et al., DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nature Neuroscience, https://doi.org/10.1038/s41593-018-0209-y

[2] Wei, et al., Behavioral tracking gets real. Nature Neuroscience, https://doi.org/10.1038/s41593-018-0215-0

本文来自药明康德微信团队，欢迎转发到朋友圈，谢绝转载到其它平台。如有开设白名单需求，请在文章底部留言；如有其它合作需求，请联系[e-mail]。

更多精彩文章：