論文の概要: Deep Learning-based Animal Behavior Analysis: Insights from Mouse Chronic Pain Models

• arxiv url: http://arxiv.org/abs/2508.05138v1
• Date: Thu, 07 Aug 2025 08:16:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 21:11:55.669376
• Title: Deep Learning-based Animal Behavior Analysis: Insights from Mouse Chronic Pain Models
• Title（参考訳）: 深層学習に基づく動物行動分析:マウスの慢性痛覚モデルからの考察
• Authors: Yu-Hsi Chen, Wei-Hsin Chen, Chien-Yao Wang, Hong-Yuan Mark Liao, James C. Liao, Chien-Chang Chen,
• Abstract要約: 本研究では、人間の定義した行動ラベルに頼ることなく、慢性的な痛みに関連する特徴を自動的に発見する枠組みを提案する。 本手法では,マウスの行動特徴を自動的に抽出するユニバーサルアクション空間プロジェクタを用いて,人間のラベル付けの潜在的なバイアスを回避する。 本手法は15種類の痛み分類タスクにおいて48.41%の精度を達成し,B-SOiD(30.52%)およびB-SOiD(21.33%)を有意に上回った。
• 参考スコア（独自算出の注目度）: 10.712865632764208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assessing chronic pain behavior in mice is critical for preclinical studies. However, existing methods mostly rely on manual labeling of behavioral features, and humans lack a clear understanding of which behaviors best represent chronic pain. For this reason, existing methods struggle to accurately capture the insidious and persistent behavioral changes in chronic pain. This study proposes a framework to automatically discover features related to chronic pain without relying on human-defined action labels. Our method uses universal action space projector to automatically extract mouse action features, and avoids the potential bias of human labeling by retaining the rich behavioral information in the original video. In this paper, we also collected a mouse pain behavior dataset that captures the disease progression of both neuropathic and inflammatory pain across multiple time points. Our method achieves 48.41\% accuracy in a 15-class pain classification task, significantly outperforming human experts (21.33\%) and the widely used method B-SOiD (30.52\%). Furthermore, when the classification is simplified to only three categories, i.e., neuropathic pain, inflammatory pain, and no pain, then our method achieves an accuracy of 73.1\%, which is notably higher than that of human experts (48\%) and B-SOiD (58.43\%). Finally, our method revealed differences in drug efficacy for different types of pain on zero-shot Gabapentin drug testing, and the results were consistent with past drug efficacy literature. This study demonstrates the potential clinical application of our method, which can provide new insights into pain research and related drug development.
• Abstract（参考訳）: マウスの慢性的な痛み行動を評価することは、前臨床研究にとって重要である。 しかし、既存の手法は主に行動の特徴を手動でラベル付けすることに依存しており、人間はどの行動が慢性的な痛みを最もよく表すかを明確に理解していない。 そのため、既存の方法では、慢性的な痛みの不快かつ永続的な行動変化を正確に捉えるのに苦労している。 本研究では、人間の定義した行動ラベルに頼ることなく、慢性的な痛みに関連する特徴を自動的に発見する枠組みを提案する。 本手法では,マウスの行動特徴を自動的に抽出するためにユニバーサル・アクション・スペース・プロジェクタを使用し,オリジナルビデオにリッチな行動情報を保持することにより,人間のラベル付けの潜在的なバイアスを回避する。 本稿では,神経因性および炎症性痛みの進行を複数の時点にわたって捉えたマウスの痛み行動データセットも収集した。 本手法は15種類の痛み分類タスクにおいて48.41\%の精度を達成し,B-SOiD(30.52\%)およびB-SOiD(21.33\%)を著しく上回った。 さらに, 神経因性痛み, 炎症性痛み, 痛みのない3つのカテゴリーに分類を単純化すると, 精度は73.1\%となり, ヒトの専門家(48\%), B-SOiD(58.43\%)よりも顕著に高い値を示した。 最後に, ゼロショットガバペンチン系薬剤の服薬効果の差異が明らかとなり, 過去の薬効文献と一致した。 本研究は,痛覚研究と薬物開発に関する新たな知見を提供するため,本手法の臨床的応用の可能性を示すものである。

関連論文リスト

• Improving Pain Classification using Spatio-Temporal Deep Learning Approaches with Facial Expressions [0.27309692684728604]
  痛み管理と重症度検出は効果的な治療に不可欠である。 伝統的な自己申告法は主観的であり、非言語的個人には適さない。 表情を用いた痛みの自動検出について検討する。
  論文  参考訳（メタデータ） (2025-01-12T11:54:46Z)
• Pain Analysis using Adaptive Hierarchical Spatiotemporal Dynamic Imaging [16.146223377936035]
  本稿では,適応時間動画像(Adaptive temporal Dynamic Image, AHDI)技術を紹介する。 AHDIは、顔ビデオの深い変化を特異なRGB画像にエンコードし、ビデオ表現のためのより単純な2Dモデルを実現する。 この枠組み内では、一般化された顔表現を導出するために残差ネットワークを用いる。 これらの表現は、痛みの強さを推定し、本物の痛み表現とシミュレートされた痛み表現を区別する2つのタスクに最適化される。
  論文  参考訳（メタデータ） (2023-12-12T01:23:05Z)
• Uncertainty Quantification in Neural-Network Based Pain Intensity Estimation [0.0]
  異なる個人が異なる痛みを経験するため、痛みの強さの評価は困難である。 本研究では,主観的痛覚間隔推定のためのニューラルネットワークを用いた手法を提案する。
  論文  参考訳（メタデータ） (2023-11-14T22:14:07Z)
• A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
  In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。 実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
  論文  参考訳（メタデータ） (2023-05-15T16:02:56Z)
• Zero-shot causal learning [64.9368337542558]
  CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。 トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
  論文  参考訳（メタデータ） (2023-01-28T20:14:11Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
  本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。 これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。 静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
  論文  参考訳（メタデータ） (2022-04-07T22:14:37Z)
• Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
  3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。 本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。 ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
  論文  参考訳（メタデータ） (2021-12-02T12:45:46Z)
• Sharing Pain: Using Domain Transfer Between Pain Types for Recognition of Sparse Pain Expressions in Horses [1.749935196721634]
  orthopedic disorderは馬の間での自閉症の一般的な原因である。 このような痛みを表す映像データを用いて、視覚的痛み認識法を訓練することは困難である。 急性侵害受容性痛みを持つ馬のデータセットから特徴を伝達することは、学習者がより複雑な整形外科的痛みを認識するのに役立つことを示す。
  論文  参考訳（メタデータ） (2021-05-21T12:35:00Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。