如诺达思、clever，国内欣软、赛昂丝等
1 个赞
动物的行为发生在三维（3-dimensional，3D）的世界中：绝大多数动物具有多个关节点，基于这些关节点动物身体可以发生3D形变，排列组合成丰富的姿态（pose）；动物可以通过站立、跳跃、浮游、飞翔等方式突破常规活动的地平面，从而在其他维度活动。因此，很多与动物运动功能损伤上的异常、神经精神疾病造成的刻板行为，只能在3D的观测场景下，才能发现行为生物标记物（behavior bio-marker）的本质。以3D动物姿态作为行为特征，不仅能够更为全面表征动物行为，还具有冗余性低、易传输、宜进一步处理的特性。
传统的方法往往通过单个摄像机记录动物行为学数据，所能记录也只能是该视野所能覆盖到2D行为信息。古人云“横看成岭侧成峰，远近高低各不同”，这首诗言简意赅的说明了视角不全带来的重大问题。我们始终无法从动物背后判断动物是否在梳理毛发，或者是从顶部观察到足底的步态。
尽管都知道动物行为需要多视角的采集3D数据，但硬件的稳定性和成本，软件的可行性和效率不是一蹴而就的。通过对比不同的动物行为特征的表示方式，可以感受到传统的2D行为采集造成的维度信息损失。
1）单点轨迹：对单视角中动物的质心进行连续追踪。这种方式适用于各种迷宫范式，用于分析动物的位置偏好，速度变化等信息。只能知道动物在哪里，而无法知道动物在干什么。
2）轮廓追踪：将动物从实验背景中分割出来。即能够实现单点轨迹中的位置偏好，速度变化等信息的获取，也能在一定程度上推测动物身体抖动、弯曲、头尾活动的模式。但无法具体到肢体的活动状态。
3）3D骨架：通过多视角拍摄，深度学习识别身体特征点，计算机视觉进行三维重建来获取动物多身体点的骨架。很显然，我们无法从身体单点和轮廓的变化中推测动物在干什么，但通过3D骨架，我们很容易知道动物各个身体部位的位置，变化状态以及所进行的行为动作。
3D行为采集的优势
3D行为采集通过对动物关节点3D坐标的追踪，尽可能全面、可靠的保留动物全身活动的所有数据。那么基于这些数据，可以使经典的行为分析更加精准、可靠，还能实现以往无法进行的一些研究范式。
更精准、全面的数据
- 步态研究
步态分析常用于研究运动功能异常的一些动物模型，例如帕金森症、疼痛等模式动物。传统的步态分析，需要动物行走在压力传感器上，然后用摄像机从底部拍摄压力传感器感应到的动物足迹。在进一步的分析中，计算动物行走过程中足部支撑时间、摆动时间，步幅长度等参数。但这种些仪器只能拍摄步态，而无法研究其他行为。
基于3D行为采集系统，无需特殊的传感器就可以获取身体10多个骨骼点的坐标。基于这些数据，不仅可以分析动物在自由状态下的步态，还能同时分析动物的其他行为[
- 行为自动识别
自动的识别动物在行为实验中动物所发生特定动作（例如：梳理-grooming，站立-rearing，嗅探-sniffing等）的频次，在以往一直是需要突破的技术难题。因为研究人员经常通过统计这些动作发生的频次来判断动物是否患有疾病、药物是否有效、调控是否发生显著作用。基于2D方式采集到的行为数据，由于维度信息的缺失，行为识别的准确率无法保证。因此，研究人员们只能通过人工计数这种费时又枯燥的方式。
而基于3D行为数据，从数据源头保证了数据的全面性和无偏性，动物行为的自动识别也即将成为现实
- 神经行为同步
神经行为学研究的终极目标是理解动物行为如何受大脑神经活动的控制。要实现这一目标不仅需要全面的记录神经活动的数据，还要全面的记录到行为的数据。因此，很容易理解，传统的2D行为数据与先进的大规模神经活动记录不匹配。而3D行为数据正在补齐这个短板。BehaviorAtlas三维行为采集系统与超维景自由移动双光子神经活动记录同步，发现了运动皮层的细胞与动物行为的耦合性。
采用3D骨架作为动物行为数据的表征，不仅能够在行为学研究发现上带来好处，还因为其全新的数据表示方式，有望推动动物行为学进入到一个新的时代
2 个赞