sgoldenlab/simba

解決的問題

SimBA（Simple Behavioral Analysis）協助研究人員從影片記錄中自動識別與測量動物行為——例如社交互動、移動以及在特定區域的停留時間。無需觀看數小時的影片並手動打分，研究人員可訓練機器學習分類器，為每一幀影片標記當時發生的行為。此工具專為行為神經科學設計，可處理由DeepLabCut、SLEAP等工具產生的姿勢估計資料（身體部位的追蹤位置）。

作用方式

SimBA以姿勢估計資料（動物身體部位隨時間變化的x/y座標）作為輸入。使用者標註一部分幀，標示當前發生的行為（例如「攻擊」、「梳理」、「凍結」）。SimBA隨後從姿勢資料中計算大量特徵（距離、角度、速度等），並訓練一個監督式機器學習分類器（通常為隨機森林），根據這些特徵預測行為。該工具包含圖形使用者介面（GUI），無需程式設計。同時提供評估指標（精確率/召回率、學習曲線、排列重要性）、基於SHAP的可解釋性以理解模型決策原因，以及廣泛的後續分析功能：行為爆發次數、持續時間、速度、移動距離、區域停留時間、方向性（哪隻動物朝向哪隻動物）、行為序列耦合、以及非監督式聚類。結果可匯出為CSV，並以圖表或疊加在原始影片上的圖層進行視覺化。

適用對象

希望從影片中定量分析動物行為但無需撰寫程式碼的行為神經科學家與動物研究者。此工具專為無程式設計背景的使用者設計，支援Windows、macOS與Linux系統，並已在小鼠與大鼠中驗證。對於已使用DeepLabCut或SLEAP等姿勢估計工具的研究人員，也適合將其追蹤資料轉化為行為分類。

主要亮點

• 無需程式設計 — 從匯入姿勢資料到訓練與評估分類器，全程提供完整的GUI工作流程。
• 廣泛的輸入相容性 — 支援DeepLabCut、SLEAP、DeepPoseKit、DANNCE（3D）、MARS、FaceMap、APT、SuperAnimal-TopView、YOLO與blob追蹤，以及使用者自訂的姿勢方案。
• 可解釋的機器學習 — 基於SHAP的工具展示驅動每個分類的關鍵特徵，同時提供標準評估指標如精確率/召回率與學習曲線。
• 豐富的行為分析功能 — 行為爆發次數、持續時間、潛伏期、速度、移動距離、區域停留時間、方向性、行為序列耦合、非監督式聚類。
• 即插即用的實驗範式 — 內建支援自發交替、幼崽拾取、明暗箱、凍結、繞圈等實驗範式。
• 視覺化工具組 — 追蹤疊加、路徑圖、熱力圖、甘特圖、分類器機率圖、多面板影片。
• 已驗證且開源 — 在小鼠與大鼠中驗證的分類器程式庫，所有資料、模型與標註均公開於OSF，平台介紹發表於《Nature Neuroscience》期刊。