| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 6.67 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
The purpose of our work is to provide an unsupervised deep learning tool that uses predictability of
behavior as a meaningful metric to quantify the di erences between normal and abnormal behavior in
the context of an experiment where mice receive optogenetic stimulation in their serotonergic neurons
located in the dorsal raphe nuclei. We use generative adversarial networks to learn, on a training subset
of the videos, a baseline behavioral repertoire by predicting future frames from subsequent frames in the
past. By de ning a predictability index as dissimilarity between the quality of the generated prediction
and the ground truth frame, we are able to determine in which frames a behavior not observed by the
model during training is performed and therefore, we can detect the presence of stimulation by only
analysing the uctuations of this index that indicate when the mouse is performing behaviors that are
not present in the learnt baseline.
O objetivo do presente trabalho é fornecer uma ferramenta de aprendizado profundo que utiliza a previsibilidade do comportamento animal como uma métrica para quanti car as diferenças entre o comportamento normal e anormal no contexto de um experimento em que os ratos recebem estimulação optogenética em seus neurónios serotoninérgicos localizados na região cerebral do núcleo dorsal da rafe. Usamos redes neurais generativas para aprender, treinando em segmentos de vídeo, um repertório comportamental básico, prevendo cenas futuras a partir de cenas subsequentes do passado. Ao defi nir um índice de previsibilidade como o grau de dissimilaridade entre a previsão gerada pelo modelo e a cena real no momento correspondente, conseguimos determinar em quais cenas o comportamento não observado pelo modelo durante o treinamento é realizado e, portanto, pudemos detectar a presença de estimulação apenas analisando as flutuações desse índice que indicam quando o rato está executando comportamentos que não estão presentes na base aprendida.
O objetivo do presente trabalho é fornecer uma ferramenta de aprendizado profundo que utiliza a previsibilidade do comportamento animal como uma métrica para quanti car as diferenças entre o comportamento normal e anormal no contexto de um experimento em que os ratos recebem estimulação optogenética em seus neurónios serotoninérgicos localizados na região cerebral do núcleo dorsal da rafe. Usamos redes neurais generativas para aprender, treinando em segmentos de vídeo, um repertório comportamental básico, prevendo cenas futuras a partir de cenas subsequentes do passado. Ao defi nir um índice de previsibilidade como o grau de dissimilaridade entre a previsão gerada pelo modelo e a cena real no momento correspondente, conseguimos determinar em quais cenas o comportamento não observado pelo modelo durante o treinamento é realizado e, portanto, pudemos detectar a presença de estimulação apenas analisando as flutuações desse índice que indicam quando o rato está executando comportamentos que não estão presentes na base aprendida.
Description
Keywords
Redes neurais (Fisiologia) Aprendizagem automática Controlo electrónico do comportamento Serotonina Inteligência artificial Teses de mestrado - 2019