sgoldenlab/simba

解决的问题

SimBA（Simple Behavioral Analysis）帮助研究人员从视频记录中自动识别和测量动物行为——如社交互动、运动以及在特定区域的停留时间。无需花费数小时观看视频并手动打分，研究人员可以训练一个机器学习分类器，为每一帧视频标记当时发生的动作。该工具专为行为神经科学设计，可处理由DeepLabCut、SLEAP等工具生成的姿势估计数据（身体部位的追踪位置）。

工作原理

SimBA以姿势估计数据（动物身体部位随时间变化的x/y坐标）作为输入。用户标注一部分帧，标记当前发生的动作（例如“攻击”、“梳理”、“冻结”）。SimBA随后从姿势数据中计算大量特征（距离、角度、速度等），并训练一个监督式机器学习分类器（通常为随机森林），根据这些特征预测行为。该工具包含图形用户界面（GUI），无需编程。它还提供评估指标（精确率/召回率、学习曲线、置换重要性）、基于SHAP的可解释性以理解模型决策原因，以及广泛的下游分析功能：行为爆发次数、持续时间、速度、移动距离、区域停留时间、方向性（哪个动物朝向哪个动物）、行为序列耦合、以及无监督聚类。结果可导出为CSV，并可视化为图表或叠加在原始视频上的图层。

适用人群

希望从视频中定量分析动物行为但无需编写代码的行为神经科学家和动物研究者。该工具专为无编程背景的用户设计，支持Windows、macOS和Linux系统，并已在小鼠和大鼠中验证。对于已使用DeepLabCut或SLEAP等姿势估计工具的研究人员，也适合将其追踪数据转化为行为分类。

主要亮点

• 无需编程 — 从导入姿势数据到训练和评估分类器，全程提供完整的GUI工作流。
• 广泛的输入兼容性 — 支持DeepLabCut、SLEAP、DeepPoseKit、DANNCE（3D）、MARS、FaceMap、APT、SuperAnimal-TopView、YOLO和blob追踪，以及用户自定义的姿势方案。
• 可解释的机器学习 — 基于SHAP的工具展示驱动每个分类的关键特征，同时提供标准评估指标如精确率/召回率和学习曲线。
• 丰富的行为分析功能 — 行为爆发次数、持续时间、潜伏期、速度、移动距离、区域停留时间、方向性、行为序列耦合、无监督聚类。
• 即插即用的实验范式 — 内置支持自发交替、幼崽拾取、明暗箱、冻结、绕圈等实验范式。
• 可视化工具集 — 追踪叠加、路径图、热力图、甘特图、分类器概率图、多面板视频。
• 已验证且开源 — 在小鼠和大鼠中验证的分类器库，所有数据、模型和标注均在OSF上公开，平台介绍发表于《Nature Neuroscience》期刊。