我們與周圍環境的物理交互能夠觸發大部分神經系統中的神經活動。但是，要了解運動與大腦功能的關係，我們需要以空間和時間上的高精度來對其進行量化，這時就需要運動捕捉技術登場了。
近日，來自美國哈佛大學的Alexander Mathis博士及其研究團隊利用機器學習技術，開發了一款名為DeepLabCut的開源運動追蹤工具，可以快速便捷地對任何動物進行高精度的運動追蹤，而不需要太多的訓練數據。這項研究發表在了最新的《Nature Neuroscience》上。值得注意的是，這項研究也引起了“最強大腦”Dr.魏——來自北京大學心理學系的魏坤琳教授的關注。他和來自賓夕法尼亞大學的Konrad Paul Kording博士合作完成的《Behavioral tracking gets real》一文對該項研究進行了高度評價，也同樣發表在了《Nature Neuroscience》上。
準確追蹤行為發生期間的身體運動部位是運動科學的一項重要內容。但是，研究人員通常需要耗費大量時間和精力，來對每一幀進行標記。有些研究需要在研究對象身體的預定點上放置標記物，但是標記物可能會干擾研究目標的行為，而且適合的運動類型非常有限。如果能建立一套有效的運動跟蹤系統，將對運動科學的相關研究起到非常大的幫助。
▲DeepLabCut對果蠅運動軌跡的追蹤過程示意圖（圖片來源：《Nature Neuroscience》）
研究人員首先採用一個名為ImageNet的大型目標識別圖像數據庫對DeepLabCut進行了預訓練。之後，DeepLabCut只需要接受幾百張人類標記圖像的訓練，即可在捕捉和追蹤運動時擁有與人類相當的表現，從而方便神經科學家對動物行為展開研究。DeepLabCut的另一個優勢在於，它可以同時對所有身體部位進行標記，這樣使得它可以有效地利用不同身體部位的位置來輔助進行其他部位的定位。同時，DeepLabCut可以對不同的物種的各種活動進行深度追蹤，例如它可以追蹤果蠅產卵，以及小鼠伸爪時每一根爪子的軌跡。
▲DeepLabCut能夠追蹤小鼠伸爪動作的全過程（圖片來源：《Nature Neuroscience》）
另外一點值得注意的是，DeepLabCut可以將任何包含運動的視頻轉換為運動捕捉信息，從而為運動科學開闢了一個巨大的數據寶庫。 這樣一來，隨著視頻拍攝越來越便捷，運動捕捉將從一個既昂貴又困難、且僅限於實驗室內的技術，轉變為我們每一個人都可以完成的毫不費力的日常工作。
這項研究也引起了來自北京大學心理學系的魏坤琳教授的關注。魏教授表示，無所不在且毫不費力的動作捕捉技術有望將運動科學帶入醫療實踐中。他指出，基於人工智能的運動追蹤技術及設備，能夠提供對於精準醫療至關重要的診斷信息。因此，DeepLabCut的橫空出世，將使運動科學超越實驗室的界限，真正融入到我們的日常生活中。
[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
本文來自藥明康德團隊，謝絕轉載到其它平臺。如有其它合作需求，請聯繫[email protected]。
閱讀更多 藥明康德 的文章
