sgoldenlab/simba

해결하는 문제

SimBA(Simple Behavioral Analysis)는 연구자들이 동영상 기록에서 사회적 상호작용, 이동, 특정 지역에서의 체류 시간과 같은 동물 행동을 자동으로 식별하고 측정하는 데 도움을 줍니다. 수시간에 걸친 영상 관찰과 수동적인 행동 점수 부여를 할 필요 없이, 연구자는 각 영상 프레임에 해당하는 행동을 라벨링하는 머신러닝 분류기를 훈련시킬 수 있습니다. 이 도구는 행동 신경과학을 위해 설계되었으며, DeepLabCut, SLEAP 등에서 생성한 체형 추정 데이터(신체 부위의 추적 위치)를 처리할 수 있습니다.

작동 방식

SimBA는 시간이 지남에 따라 동물의 신체 부위의 x/y 좌표(체형 추정 데이터)를 입력으로 사용합니다. 사용자는 일부 프레임을 수동으로 라벨링하여 어떤 행동이 발생하고 있는지(예: "공격", "털 빗기", "정지") 표시합니다. SimBA는 이 체형 데이터에서 거리, 각도, 속도 등 다양한 특징을 계산하고, 일반적으로 랜덤 포레스트를 사용하는 지도 학습 분류기를 훈련시켜 이러한 특징에서 행동을 예측합니다. GUI(그래픽 사용자 인터페이스)를 포함하여 프로그래밍 지식이 필요하지 않습니다. 또한 정밀도/재현율, 학습 곡선, 순열 중요도와 같은 평가 지표, SHAP 기반의 설명 가능성(모델이 결정을 내리는 이유를 이해), 그리고 다양한 후속 분석 기능(행동 브루트 수, 지속 시간, 속도, 이동 거리, 존 내 체류 시간, 방향성(어느 동물이 어느 동물 쪽을 향하고 있는지), 행동 시퀀스 결합, 비지도 군집화)을 제공합니다. 결과는 CSV로 내보내고 원본 영상에 오버레이된 플롯으로 시각화할 수 있습니다.

대상 사용자

코드를 작성하지 않고 영상에서 동물 행동을 정량화하고자 하는 행동 신경과학자 및 동물 연구자에게 적합합니다. 프로그래밍 경험이 없는 사용자를 위해 설계되었으며, Windows, macOS, Linux에서 작동하며, 쥐와 토끼에서 검증되었습니다. DeepLabCut 또는 SLEAP 같은 체형 추정 도구를 이미 사용하는 연구자에게도, 추적 데이터를 행동 분류로 전환하는 데 유용합니다.

주요 특징

• 프로그래밍 필요 없음 — 포즈 데이터 가져오기에서 분류기 훈련 및 평가까지 완전한 GUI 워크플로우.
• 광범위한 입력 호환성 — DeepLabCut, SLEAP, DeepPoseKit, DANNCE(3D), MARS, FaceMap, APT, SuperAnimal-TopView, YOLO, 블롭 추적, 사용자 정의 포즈 스키마를 포함한 다양한 포즈 추정 데이터 지원.
• 설명 가능한 머신러닝 — SHAP 기반 도구로 각 분류의 결정 요인을 시각화하며, 정밀도/재현율, 학습 곡선과 같은 표준 평가 지표 제공.
• 풍부한 행동 분석 기능 — 브루트 수, 지속 시간, 지연 시간, 속도, 이동 거리, 존 내 체류 시간, 방향성, 행동 시퀀스 결합, 비지도 군집화.
• 즉시 사용 가능한 아세이 — 자발적 대체, 새끼 회수, 밝기/어두움 상자, 정지, 원형 이동 등 내장 지원.
• 시각화 세트 — 추적 오버레이, 경로 플롯, 히트맵, 간트 차트, 분류기 확률 플롯, 멀티패널 영상.
• 검증 및 오픈소스 — 쥐와 토끼에서 검증된 분류기 라이브러리. 모든 데이터, 모델, 애노테이션은 OSF에 공개되며, 플랫폼에 대한 설명은 Nature Neuroscience에 게재된 논문에서 확인할 수 있습니다.