应用机器学习工具对入侵性狮子鱼的行为进行自动化分类，并与人类观察结果进行比较

《Marine Biology》：Applying machine learning tools for automated behaviour classification in invasive lionfish and comparison with human observations

本研究评估DeepLabCut和SimBA在入侵狮子鱼行为分类（悬停、休息、捕猎、游泳）中的效果，开发定制特征提取脚本，分析广角镜头影响，发现高运动行为分类更优，为生态管理提供工具。

　　

摘要

现代神经科学和生态学越来越多地采用机器学习（ML）方法来自动化动物行为的追踪和分类。这些技术对于量化与适应性相关的行为（如入侵捕食者的捕猎行为）尤为重要。在这里，我们评估了两种ML工具的有效性：DeepLabCut用于姿态估计，SimBA用于随机森林行为分类，以区分入侵狮子鱼（Pterois volitans和P. miles）的四种行为：悬停、休息、捕猎和游泳，并将ML的输出结果与经过培训的人类观察者的注释进行对比。选择狮子鱼作为研究对象，是因为它们对受入侵的珊瑚礁具有重大的生态影响，直接量化这些行为有助于管理工作。我们还开发了一个定制的、用户友好的特征提取脚本，专门针对狮子鱼设计。该脚本将DeepLabCut提取的标志点坐标转换为一系列全面的运动学指标（例如，身体角度变化、鳍拍打频率），这些指标对于行为分类至关重要。附带的GitHub指南进一步明确了在不同行为场景下哪些具体指标最具信息量。据我们所知，这是首次研究广角镜头如何影响DeepLabCut–SimBA工作流程的研究。在受控的水族箱环境中进行的行为试验表明，这些模型能够以高精度和高召回率对高运动行为（捕猎和游泳）进行分类，这很可能归因于它们独特的运动学特征。相比之下，由于运动线索微妙、身体姿态不佳以及广角镜头引入的失真，悬停和休息等低运动行为更难以检测。尽管该工作流程是在狮子鱼身上验证的，但它可以推广到其他中等体型的鱼类，并通过大规模视频筛查来支持管理和保护工作。