B-REAL: A keypoint-less behavior platform for offline classification and real-time detection
تُعد B-REAL منصة لتصنيف السلوك في الوقت الفعلي وبدون الحاجة لتحديد الوضعيات، وهي تتيح إجراء تجارب علم سلوك الأعصاب ذات الحلقة المغلقة بأقل قدر من التوسيم وباستخدام أجهزة قياسية عبر رسم خرائط الفيديو الخام إلى سلوكيات بسرعة تتجاوز معدلات الإطارات، متفوقة بذلك على الأساليب الراسخة حتى في السلوكيات النادرة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
لفهم كيفية عمل الدماغ، يجب على العلماء أولاً فهم ما يفعله الحيوان الذي يتحكم فيه بالفعل. لعقود من الزمن، كان المعيار الذهبي لقياس سلوك الحيوان هو مراقب بشري يشاهد تسجيلات الفيديو، مع إيقاف التشغيل وإعادة اللفات لتدوين كل حركة، من فأر يشم زاوية إلى ذبابة تهاجم أخرى. هذه الطريقة مرنة وقابلة للتفسير، لكنها بطيئة للغاية وعرضة للخطأ البشري. في السنوات الأخيرة، بدأت الحواسيب في تولي هذه المهمة، لكنها اعتمدت في الغالب على عملية مكونة من خطوتين تخلق اختناقات خاصة بها. أولاً، يجب تدريب برنامج حاسوبي للعثور على نقاط محددة في جسم الحيوان، مثل طرف الأنف أو مفصل في الساق، وهي عملية تتطلب آلاف الساعات من التوسيم البشري. ثانياً، يستخدم الحاسوب تلك النقاط لتخمين السلوك الذي يحدث. هذا النهج بطيء في الإعداد، وغالباً ما يفشل عندما تحجب الحيوانات بعضها البعض عن الرؤية، وعادة ما يكون بطيئاً جداً بحيث لا يستطيع الاستجابة في اللحظة الراهنة. إذا أراد باحث منح فأر مكافأة في اللحظة التي ينظف فيها نفسه، أو إيقاف تجربة عند حدوث حركة معينة، فيجب أن يكون الحاسوب سريعاً بما يكفي لرؤية الفعل واتخاذ القرار قبل انتهاء تسجيل الفيديو حتى.
قام فريق من الباحثين في جامعة كارنيجي ميلون بتطوير نظام جديد يسمى B-REAL يزيل الوسيط تماماً. فبدلاً من محاولة رسم خريطة للهيكل العظمي للحيوان، ينظر هذا النظام مباشرة إلى بكسلات الفيديو الخام ويتعلم التعرف على السلوك فوراً. والنتيجة هي أداة يمكنها تصنيف ما يفعله الحيوان بسرعة تفوق سرعة التقاط الكاميرا للصورة التالية، حتى على أجهزة الكمبيوتر القياسية. تسمح هذه السرعة بنوع جديد من التجارب حيث يمكن لسلوك الحيوان أن يحفز تغييرات فورية في بيئته، مثل تقديم قطرة ماء أو ومضة ضوء، بينما لا يزال السلوك يحدث. وقد أظهر الباحثون أن هذه الطريقة تعمل ببيانات تدريب أقل بكثير من الأنظمة السابقة، ويمكنها رصد الحركات الخاطفة التي تستمر لجزء من الثانية فقط، ويمكن استخدامها لتشكيل أفعال الحيوان الطبيعية في الوقت الفعلي.
جوهر هذا النهج الجديد هو التحول في كيفية معالجة الحاسوب للفيديو. تتعامل الطرق التقليدية مع الفيديو كسلسة من الصور الثابتة، حيث تجد أولاً أجزاء الجسم ثم تحسب كيفية تحرك تلك الأجزاء. يتجاوز B-REAL خطوة البحث عن أجزاء الجسم؛ فهو يأخذ تسلسلاً قصيراً من إطارات الفيديو ويغذيها مباشرة في شبكة عصبية، وهي نوع من البرامج الحاسوبية المصممة للتعرف على الأنماط. ولفهم الحركة دون تتبع نقاط محددة، يستخدم النظام تقنية تقوم بتبادل قطع صغيرة من المعلومات بين الإطارات المتجاورة. تخيل كومة من الصور حيث يتم تبادل بعض البكسلات من الصورة التي فوقها مع الصورة التي تحتها؛ هذا يسمح للحاسوب برؤية كيف تتغير الأشياء بمرور الوقت دون الحاجة إلى معرفة موقع مخلب أو جناح بدقة. ولأن هذه الطريقة لا تتطلب من الحاسوب تعلم خريطة معقدة لجسم الحيوان، فإنها تتجنب الإخفاقات الشائعة للأنظمة القديمة، مثل فقدان تتبع حيوان عندما يكون محجوباً جزئياً أو عند تغير الإضاءة.
اختبر الباحثون هذا النظام في تحديين مختلفين تماماً: التفاعلات الاجتماعية المعقدة بين الفئران، والهجمات السريعة والنادرة بين ذباب الفاكهة. في تجارب الفئران، تعلم النظام التمييز بين الهجوم، والاستقصاء، والاعتلاء بدقة عالية بعد رؤية دقيقة واحدة فقط من الفيديو الموسوم. وهذا يمثل تحسناً كبيقاً مقارنة بالأدوات الموجودة، والتي غالباً ما تتطلب ساعات من البيانات الموسومة للوصول إلى أداء مماثل. وعندما اختبر الفريق النظام على ذباب الفاكهة، كان التحدي أكبر. فبعض السلوكيات العدوانية، مثل اندفاع الذبابة نحو أخرى، تستمر لإطار واحد فقط من الفيديو، وهو ما يعادل حوالي 33 مللي ثانية. معظم الأنظمة الحاسوبية تفوت هذه الأحداث تماماً لأنها تعتمد على متوسط الحركة عبر فترات أطول. ومع ذلك، رصد B-REAL هذه الاندفاعات الخاطفة بدقة عالية، متفوقاً على الطرق الأخرى حتى عند إعطائه القليل جداً من بيانات التدريب. تمكن النظام من تحديد هذه الأحداث النادرة لأنه تعلم مباشرة من الأنماط البصرية للفيديو بدلاً من الاعتماد على مجموعة محددة مسبقاً من معالم الجسم التي قد لا تلتقط مثل هذه التحولات السريعة والدقيقة.
ولعل العرض الأكثر إقناعاً لقوة هذا النظام كان تجربة "الحلقة المغلقة" حيث عمل الحاسوب كمعلم. أعد الباحثون موقفاً يتلقى فيه الفئران مكافأة من الماء المحلى فقط عندما يكتشف الحاسوب أنهم ينظفون رؤوسهم. كان على النظام تحديد سلوك التنظيف وتحفيز موزع الماء في غض_ن من الثانية. ولأن الكشف كان سريعاً ودقيقاً، تعلمت الفئربة الرابطة بسرعة. وعلى مدار التجربة، ارتفع معدل تنظيف الفئران لأنفسهم بنسبة 129 بالمئة. لم تكتفِ الحيوانات بالتنظيف بشكل أكثر تكراراً فحسب، بل عدلت أيضاً مدة تنظيفها لتتناسب مع متطلبات الحاسوب، حيث انتقلت نحو فترات تنظيف أطول قليلاً لضمان تفعيل المكافأة. وهذا يثبت أن النظام ليس مجرد مراقب سلبي، بل هو شريك قادر على تشكيل السلوك الطبيعي، وقادر على تعزيز أفعال محددة أثناء حدوثها.
ولجعل النظام أكثر كفاءة، استكشف الباحثون طريقة لمنح الحاسوب دفعة استباقية دون الحاجة إلى المزيد من البيانات الموسومة. استخدموا نموذج فيديو ضخماً ومدرباً مسبقاً تعلم مفاهيم عامة عن الحركة من آلاف الساعات من الفيديو غير الموسوم. وقاموا بنقل ما تعلمه هذا النموذج الضخم إلى النظام الأصغر والأسرع. هذه العملية، المعروفة باسم "التقطير"، سمحت للنظام بأن يتعلم من 30 ثانية فقط من الفيديو الموسوم ما كان سيستغرق عادةً من خمس إلى عشر دقائق لتعلمه من الصفر. ومن المثير للاهال أن هذا التدريب المسبق حسن قدرة النظام على التعرف على السلوكيات في زوايا كاميرا جديدة تماماً، مثل الرؤية من أسفل الحيوان، رغم أن بيانات التدريب المسبق تضمنت فقط رؤى علوية أو جانبية. وهذا يشير إلى أن النظام تعلم فهماً عميقاً لكيفية حركة الحيوانات ينطبق عبر إعدادات مختلفة، مما يجعله قابلاً للتكيف بشكل كبير للمستقبل.
إن تداعيات هذا العمل تمتد إلى ما هو أبعد من مجرد السرعة والدقة. فمن خلال إلغاء الحاجة إلى تتبع أجزاء الجسم، يمكن للنظام مراقبة السلوكيات التي يصعب تعريفها من خلال الهيئة وحدها، مثل تفاعل الحيوان مع جسم معين أو تنقله في بيئة معقدة. إنه يفتح الباب لتجارب يمكن للحاسوب فيها الاستجابة لحالة الحيوان في الوقت الفعلي، مما يخلق حلقة ديناميكية بين الموضوع وبيئته. وبينما ركزت الدراسة الحالية على الفئران والذباب، فإن المبادئ تنطبق على أي موقف يكون فيه فهم السلوك في الوقت الفعلي أمراً بالغ الأهمية. يعمل النظام على أجهزة قياسية، مما يعني أنه لا يتطلب حواسيب فائقة باهظة الثمن للتشغيل، مما يجعل تحليل السلوك المتقدم متاحاً لمجموعة أوسع من المختبرات. في نهاية المطاف، يحول B-REAL السلوك من سجل ثابت للماضي إلى إشارة حية يمكن استخدامها لتوجيه وفهم الدماغ في اللحظة الراهنة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.