Ημιεπιβλεπόμενη μάθηση για την ανάλυση ηχογραφήσεων ποντικιών

Abstract

Τα ποντίκια επικοινωνούν μεταξύ τους με υπερήχους (USVs (ultrasonic vocalizations)), οι οποία ποικίλλουν ανάλογα με το φύλο του ποντικιού και το στάδιο ανάπτυξης, τις περιβαλλοντικές και κοινωνικές συνθήκες και μπορούν να αξιοποιηθούν για τη μελέτη των νευρικών μηχανισμών που ενεργοποιούνται κατά την παραγωγή τους. Για να μελετηθεί η κοινωνική διάσταση των USVs, έχουν αναπτυχθεί εργαλεία για τον εντοπισμό και την ταξινόμησή τους σε διαφορετικές κατηγορίες. Πολλά από τα εργαλεία που έχουν ήδη αναπτυχθεί περιορίζονται σε offline προσεγγίσεις (περιορίζοντας τη δυνατότητα πειραμάτων πραγματικού χρόνου με ανατροφοδότηση), συχνά εξαρτώνται από συγκεκριμένες συνθήκες ηχογράφησης και χρησιμοποιούν επιβλεπόμενες προσεγγίσεις ταξινόμησης για την κατηγοριοποίηση των USVs, μειώνοντας την πιθανότητα ανακάλυψης νέων κλάσεων.

Για να αντιμετωπίσουμε αυτά τα ζητήματα, αναπτύξαμε ένα εργαλείο επεξεργασίας ηχογραφήσεων ποντικών που ονομάζεται AMVOC (Analysis of Mouse VOcal Communication), με αρχικό στόχο την ανίχνευση USVs (offline και online λειτουργία) με συνθήκες κατωφλίωσης στη φασματική ενέργεια. Συγκρίνοντας με δεδομένα που έχουν επισημειωθεί από ειδικούς, το AMVOC εμφάνισε υψηλή ακρίβεια στην ανίχνευση των USVs και ξεπέρασε τις πιο ευρέως διαδεδομένες μεθόδους σε θορυβώδεις συνθήκες. Η διαδικασία online δίνει αποτελέσματα τόσο ακριβή όσο η offline, ανοίγοντας τον δρόμο για πληθώρα νέων πειραμάτων.

Η πιο σημαντική συνεισφορά της δουλειάς μας είναι η εφαρμογή μιας μη επιβλεπόμενης μεθόδου βαθιάς μάθησης. Αυτή περιλαμβάνει τη συσταδοποίηση USVs χρησιμοποιώντας λανθάνουσες αναπαραστάσεις, που εξάγονται με χρήση ενός convolutional autoencoder. Η εντελώς μη επιβλεπόμενη προσέγγιση επιτρέπει εναλλακτικές ομαδοποιήσεις των USVs για την εξερεύνηση νέων κατηγοριών. Η διαδικασία αξιολόγησης έδειξε βελτίωση της ομαδοποίησης σε σύγκριση με την ομαδοποίηση με βάση χαρακτηριστικά που εξάγαμε με παραδοσιακές τεχνικές.

Μια άλλη καινοτομία της δουλειάς μας είναι η εφαρμογή μιας ημι-επιβλεπόμενης προσέγγισης για την ενίσχυση της ποιότητας της συσταδοποίησης. Η ημι-επίβλεψη γίνεται με τη μορφή περιορισμών σε ζευγάρια από USVs, οι οποίοι εκφράζουν κατά πόσο θέλουμε να ανήκουν στην ίδια ομάδα ή όχι. Η απόδοση της ομαδοποίησης αξιολογήθηκε και πάλι, δείχνοντας μια συνολική βελτίωση σε σχέση με την αρχική, μη επιβλεπόμενη ομαδοποίηση.

Η συσταδοποίηση που προκύπτει μπορεί να χρησιμοποιηθεί ως δεδομένα εκπαίδευσης ενός ταξινομητή, ο οποίος στη συνέχεια θα χρησιμοποιηθεί για την ταξινόμηση των USVs που ανιχνεύονται σε εφαρμογές πραγματικού χρόνου, παρέχοντας χρήσιμη ανατροφοδότηση σχετικά με τον τύπο κάθε USV.

Αυτά τα αποτελέσματα μπορούν να χρησιμοποιηθούν για να εξερευνήσουν το φωνητικό ρεπερτόριο των ποντικιών. Το AMVOC είναι ένα νέο εργαλείο που διευκολύνει τις φωνητικές αναλύσεις σε ένα ευρύτερο φάσμα πειραματικών συνθηκών και επιτρέπει στους χρήστες να αναπτύξουν νέα πειράματα με πρωτοφανείς διευκολύνσεις.