SimBA (Simple Behavioral Analysis)

기능 개요

SimBA는 연구자가 동물 추적 데이터(DeepLabCut, SLEAP 등으로부터의 자세 추정 결과)를 특정 행동에 대한 지도 학습 기계 학습 분류기로 변환할 수 있게 해주는 Python 기반 툴킷입니다. 그래픽 사용자 인터페이스를 제공하므로 프로그래밍 경험이 거의 없는 사용자도 다음 작업을 수행할 수 있습니다:

• 자세 추정 CSV 또는 기타 추적 형식 로드.
• 행동 정의, 비디오 프레임 라벨링 및 분류기 학습(기본값은 랜덤 포레스트 모델).
• 정밀도/재현율 곡선, 학습 곡선 플롯 및 SHAP 기반 설명 가능성을 사용한 모델 평가.
• 학습된 모델을 새로운 비디오에 적용하고 프레임별 행동 예측 내보내기.
• 광범위한 정량적 요약(행동 횟수, 지속 시간, 속도, 구역 체류 시간, 사회적 방향 지표 등) 및 원본 비디오에 오버레이할 수 있는 시각화 생성.

대상 사용자

• 신경과학자, 동물 행동학자 및 행동 생물학자: 생쥐, 쥐 또는 기타 소형 동물을 기록하고 복잡한 사회적 또는 비사회적 행동에 대한 재현 가능하고 처리량이 많은 분석이 필요한 연구자.
• 이미 자세 추정 도구(DeepLabCut, SLEAP, DeepPoseKit 등)를 사용하고 있으며 코드를 작성하지 않고 다운스트림 파이프라인을 구축하려는 연구실.
• 포인트 앤 클릭 GUI를 선호하지만 제공된 API를 통해 워크플로우를 스크립트화할 옵션도 원하는 사용자.

주요 기능(README 참조)

카테고리	하이라이트
입력	DeepLabCut(다중 동물 DLC 포함), SLEAP, DeepPoseKit, DANNCE (3‑D), MARS, FaceMap, APT, SuperAnimal‑TopView, YOLO 및 일반적인 블롭 추적으로부터의 자세 추정 출력을 지원합니다. 사용자 정의 자세 스키마도 허용됩니다.
출력	표준 평가 지표(정밀도, 재현율, 학습 곡선)를 포함한 프레임별 행동 예측 및 설명 가능성을 위한 SHAP 기반 특징 중요도.
행동 분석	행동 횟수, 지속 시간, 잠복기, 이벤트 빈도, 심각도 점수; 운동 지표(속도, 거리, 궤적); 공간 지표(구역 내 시간, 진입 횟수, 구역별 행동); 사회적/방향 지표; 시간 구조 분석(FSTTC, Kleinberg 평활화); 턴키 분석(자발적 교대, 새끼 회수, 큐 라이트, 명암 상자, 동결, 선회 등); 비지도 클러스터링 및 차원 축소.
시각화	정적 플롯 및 비디오 오버레이: 자세 골격, 경계 상자, 히트맵, 간트 차트, 확률 곡선, SHAP 요약 플롯, ROI 히트맵, 방향 화살표, 분석별 시각화.
설명 가능성	SHAP 통합을 통해 어떤 자세 유래 특징이 각 분류기 결정을 유도하는지 표시.
GUI	simba-uw-tf-dev 패키지 설치 후 simba로 실행하는 Tkinter 기반 데스크톱 애플리케이션.
확장성	API 문서, 예제 노트북, Docker 이미지 및 프로그래밍 방식으로 파이프라인을 실행하는 기능.
리소스	OSF에 호스팅된 사전 학습된 랜덤 포레스트 모델, 데이터셋, 자세 모델 및 가중치; 광범위한 튜토리얼, 시나리오 기반 가이드 및 커뮤니티 Gitter 채팅.
플랫폼 지원	Windows, macOS 및 Linux.

시작하기

1. pip install simba-uw-tf-dev를 통해 패키지(Python 3.6‑3.10)를 설치합니다.
2. simba를 실행하여 GUI를 엽니다.
3. Scenario 1 튜토리얼에 따라 자세 데이터 가져오기, 행동 라벨링, 분류기 학습 및 테스트 데이터셋에 대한 분석 실행을 수행합니다.
4. 제공된 사전 학습된 분류기를 사용하거나 새로운 행동을 위해 자신만의 분류기를 만듭니다.

중요성

행동 신경과학은 미묘한 동작을 포착하기 위해 고해상도 비디오와 자세 추정에 점점 더 의존하고 있습니다. SimBA는 원시 추적 데이터와 과학적으로 엄격한 행동 지표 사이의 격차를 해소하며, 연구실 간에 재현 가능한 설명 가능한 기계 학습 모델을 제공합니다. 로우 코드 접근 방식은 전담 계산 인력이 없는 연구실의 진입 장벽을 낮추는 동시에, 고급 사용자를 위한 고도화된 분석(SHAP, 시간적 결합, 비지도 클러스터링)을 제공합니다.

---

위의 모든 정보는 저장소의 README에서 직접 가져온 것입니다.