1. BehaviorAtlas 系统简介
2. 数据采集
2.1 数据采集实验前
-
调节好试验箱灯光明暗强度
-
调整好相机视角（动物的活动范围，多个视角都要拍摄全）
-
每次录制前，检查相机是否被移动，移动了则需要重新标定。
-
同一批实验，尽量确保相机视角拍摄画面、高度、角度相似，以免影响数据处理结果，产生批次效应。
-
一般地，建议动物适应时间为5分钟，录制时间大于等于15分钟。（但可根据实验不同做相应的调整）。
2.2 数据采集实验后
判断实验是否有符合的训练模型，如没有，则需要进行标注数据（准备训练集），训练模型。后期，BAYONE将推出免费的数据标注与模型训练软件，请关注BehaviorAtlas公众号推文进行申请使用。
BehaviorAtlas Analyzer (Mouse) 数据处理软件已有模型如下：
模型1 BlackMouse_WhiteBackGround 黑鼠-白背景：
模型2 BlackMouse_BlackBackGround 黑鼠-黑背景：
2.3 参考资料链接及附件
定标界面(Calibration GUI)操作：BehaviorAtlas Capture 定标界面（Calibration GUI）操作说明 - 教程分享 - BehaviorAtlas Community 计算神经行为学社区
相机画面打开问题：使用Capture的时候无法通过OpenCamera打开相机？
相机视角参考：三维采集设备拍摄视角参考
标定端口查找：如何找到设备DC01的标定端口？
身体追踪模型标注：BehaviorAtlas Pose Labeler 数据标注软件分享 - 话题讨论 - BehaviorAtlas Community 计算神经行为学社区
3. 数据处理
3.1 注意事项
如果样本命名不规范，导入后会提示哪些样本不符合规范，导入不成功。
-
规范格式：rec-01-KO-20240103123008
-
Sample ID：只允许纯数据
-
Group Label：数字或字母
-
Time: 14位数字，代表年月日时分秒
-
3.2 多身体点追踪和** 三维重建 **后可直接查看结果
新增Step1、Step2的结果查看功能，运行完一个步骤后查看处理结果，能及时反馈标定、训练模型、模型适配等操作的效果。通常一批数据数十G，需要较长时间处理，添加这个功能是为了避免分析完一批数据后才发现之前操作有误，又得重新分析一次。
如果数据效果较好，可进行后续步骤。如果数据效果较差，可能是模型不匹配，因此需要一个新的模型来追踪建模。
如果对数据较有把握，也可以勾选所有步骤进行数据处理。
4. 数据分析及可视化
4.1 数据结构说明
经过BehaviorAtlas® Analyzer处理后的数据结构说明：
4.2 数据质控及预览
对单个样本的数据查看，可在BA Explorer软件查看多个视角原始数据，三维重建骨架，三维轨迹坐标数据。
4.3 运动学参数分析
单样本运动速度变化
单样本运动强度变化
单样本运动距离变化
单样本身体长度变化
单样本身体高度距离变化
单样本身体角度变化
单样本速度-轨迹热图 (2D, 3D)
单样本位置热图
组间运动学参数降维
组间运动学参数统计
具有统计学差异的运动学参数可视化
运动学参数说明
4.4 动作序列分析
动作注释
动作片段在低维空间聚类图
组间动作分布降维
组间动作分布统计结果
动作谱
动作注释与合并
动作片段在低维空间聚类图 (合并后)
组间动作分布降维 (合并后)
组间动作分布统计结果 (合并后)
动作谱 (合并后)
动作转移分析
4.4.1 动作序列注释
BehaviorAtlas 3D-AI 精细行为分析技术对于动物动作亚型的序列分解，采用的是无监督学习策略（Unsupervised Learning），这就意味着划分出来的动作亚型是无法预先知道其对应的含义的。
如果要知道每类行为编号对应的具体行为意义，需要人工去做注释 （Annotation）。也就是去看每种剪辑后的视频，按照经验去做一些文字的描述就行。这种注释对于有些类可能会比较简单，比如 Walking、Running、Rearing、Grooming、Sniffing 等；但也有一些比较复杂的动作，有些是不常见的，有些可能是多种动作同时出现。那种这种情况只能用一些文字、短语做描述，比如 Running with jump preparation 等。
对于简单的动作，可以参考斯坦福大学的网站 https://mousebehavior.org/ethogram-index/；
也可以参考 Huang Kang。 et.al., 2021, Nature Communications. 文章中的 Supplementary Tables（图 1）。
以及NC3Rs的资料 (https://ckiwoc1g11.feishu.cn/docx/JihJd6M6KohuACxKjS5cG2RWnvd)
对于复杂的动作，可以参考 Tilo Gschwind et.al。, 2023, Neoron. 文章中的 Figure 1B（图 2）
4.4.2 如何做人工注释或合并
Step1：将所有类动作剪辑粗略观察一遍，并整理成表格。
Step2：将所有类动作组间占比可视化，再结合动作片段在空间中的 聚类 相似性，做一定的动作合并。（非必须）
tip：按照经验，一般可以合并至15-18类。
4.4.3 结合BehaviorAtlas® Explorer软件进行运动学参数统计分析
Step1: 从Explorer软件中导出的运动学参数数据（归一化后）
Step2: 导入数据至Grapgpad Prism中（数据需要符合规范）
-
设置统计分析方法和属性设置
-
进行可视化（使用原始数据绘图）
同理，精细行为数据也类似操作，先从Explorer软件里导出数据，整理成符合Grapgpad Prism里规范的格式，然后进行统计相关的设置。
4.4.4 常见分析及可视化类型
例如以下是所有类的组间动作占比统计图。
以及其他图表：
5. 进阶分析-基于MATLAB、Python 及 R 语言等自定义分析
5.1 特定动作类型针对性重提取
基于动物Grooming动作特征，利用三维坐标数据，计算鼻子运动速度、鼻子距离左右前爪、身体高度、角度等参数，以重新提取特定动作。点击链接查看
更多特定动作提取，因客户数据，无法展示，如有相关分析需求，可联系我们。
5.2 样本间相似性聚类分析
样本间动作相似性聚类：
样本间运动学相似性聚类：
