Gaining Explainability from a CNN for Stereotype Detection Based on Mice Stopping Behavior

要約

実験動物の行動を理解することは、人間にも影響を与える病気や神経発達障害についての答えを見つける鍵となります。
興味深い行動の 1 つは停止です。これは、個体の探索、摂食、睡眠の習慣と相関関係があります。
動物の行動の理解を向上させるために、私たちは各個体の一連の停止スポットを通じてマウスの年齢/性別を明らかにする形質を特定することに焦点を当てています。
LiveMouseTracker (LMT) システムを使用して 3 日間 4 匹のマウスを追跡します。
次に、停止位置の 2D ヒストグラムのスタックを構築します。
このヒストグラムのスタックは浅い CNN アーキテクチャを通過し、年齢と性別の観点からマウスを分類します。
雌マウスはより認識可能な行動パターンを示し、分類精度が 90% 以上に達するのに対し、雄マウスは識別可能なパターンがそれほど多くないため、精度が 62.5% に達することが観察されました。
モデルから説明可能性を得るために、畳み込み層の活性化関数を調べたところ、ケージの一部の領域がメスによって優先的に探索されることがわかりました。
男性、特に少年は、女性の少年と成人の男性の間を行き来する行動パターンを示します。

要約(オリジナル)

Understanding the behavior of laboratory animals is a key to find answers about diseases and neurodevelopmental disorders that also affects humans. One behavior of interest is the stopping, as it correlates with exploration, feeding and sleeping habits of individuals. To improve comprehension of animal’s behavior, we focus on identifying trait revealing age/sex of mice through the series of stopping spots of each individual. We track 4 mice using LiveMouseTracker (LMT) system during 3 days. Then, we build a stack of 2D histograms of the stop positions. This stack of histograms passes through a shallow CNN architecture to classify mice in terms of age and sex. We observe that female mice show more recognizable behavioral patterns, reaching a classification accuracy of more than 90%, while males, which do not present as many distinguishable patterns, reach an accuracy of 62.5%. To gain explainability from the model, we look at the activation function of the convolutional layers and found that some regions of the cage are preferentially explored by females. Males, especially juveniles, present behavior patterns that oscillate between juvenile female and adult male.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google