基于輪廓的小鼠懸尾實(shí)驗(yàn)行為分析算法研究

李松柏，張衛(wèi)華，胡光亮

(1.四川大學(xué) 計(jì)算機(jī)學(xué)院，四川 成都 610065；2.四川大學(xué) 電子信息學(xué)院，四川 成都 610065)

0 引 言

實(shí)驗(yàn)動(dòng)物行為分析是研究高級(jí)中樞神經(jīng)功能的一種重要技術(shù)手段，現(xiàn)已廣泛應(yīng)用于動(dòng)物行為學(xué)、神經(jīng)科學(xué)、藥理學(xué)和遺傳學(xué)等學(xué)科[1]。行為絕望模型是指為動(dòng)物提供一個(gè)無可回避的壓迫環(huán)境，使其極度不適應(yīng)而掙扎，但又不能得以逃脫，從而出現(xiàn)間斷性的不動(dòng)。動(dòng)物表現(xiàn)出的這種典型的“不動(dòng)狀態(tài)”(immobility)，反映了一種被稱之為“行為絕望”的狀態(tài)，這種行為絕望狀態(tài)與抑郁癥類似，因此該模型常被應(yīng)用于抗抑郁藥、興奮藥、鎮(zhèn)靜藥等藥物藥效的評(píng)價(jià)。小鼠懸尾實(shí)驗(yàn)(tail suspension test)是最常用的行為絕望模型實(shí)驗(yàn)，由于嚙齒類動(dòng)物極其不喜歡處于被倒懸的狀態(tài)，因此，該實(shí)驗(yàn)將小鼠尾部進(jìn)行固定，使其頭部朝下，小鼠拼命掙扎一段時(shí)間后，當(dāng)其發(fā)現(xiàn)無法逃脫這種狀態(tài)，則會(huì)放棄掙扎進(jìn)入“行為絕望”狀態(tài)，其后會(huì)繼續(xù)掙扎，通過對(duì)比小鼠處于“不動(dòng)狀態(tài)”的時(shí)長(zhǎng)，可以得到某種藥物的實(shí)驗(yàn)效果[2]。

動(dòng)物行為分析最早采用人眼觀察法，其后一段時(shí)間采用傳感器檢測(cè)方法，如紅外傳感、壓力傳感器等[3]；九十年代在動(dòng)物行為實(shí)驗(yàn)中采用了計(jì)算機(jī)視覺的方法，比起前兩種方法，該方法具有更好的靈活性與精確性。在計(jì)算機(jī)視覺方法應(yīng)用于動(dòng)物行為實(shí)驗(yàn)后，隨著數(shù)字圖像處理技術(shù)的發(fā)展，基于計(jì)算機(jī)視覺的動(dòng)物行為分析方法的效率與準(zhǔn)確率也在不斷提高[4-6]。在基于視覺的小鼠觀察實(shí)驗(yàn)中，Ishii等[7]通過尋找小鼠中心點(diǎn)、尾巴及體軸，可以得到“曠場(chǎng)實(shí)驗(yàn)”中小鼠運(yùn)動(dòng)的方向、速度等信息，從而對(duì)小鼠的整體活動(dòng)量進(jìn)行記錄；Yuman等[8]將小鼠軀干分為四個(gè)區(qū)域，頭部、軀干左側(cè)、軀干右側(cè)與尾部，通過對(duì)這四部分區(qū)域的幀間差進(jìn)行周期性監(jiān)測(cè)，從而識(shí)別小鼠行走、站立、抓撓等六種典型的行為；Jhuang等[9]利用SVM-HMM進(jìn)行鼠籠行為實(shí)驗(yàn)分析，提取小鼠軀干寬高、小鼠與鼠籠特殊點(diǎn)的距離等特征，通過這些特征對(duì)喝水、修飾、微動(dòng)等八種行為進(jìn)行訓(xùn)練建模，最終利用訓(xùn)練得到的模型來完成基本行為識(shí)別。

對(duì)于視頻序列的連續(xù)行為分析，在部分文獻(xiàn)中被分解為兩個(gè)過程：行為分割與行為分類。行為分割即是將視頻序列分割為多個(gè)只包含單一行為的視頻片段，然后再對(duì)每個(gè)視頻片段利用模板匹配等方法進(jìn)行行為分類。Weinland等[10]綜述了基于計(jì)算機(jī)視覺的行為表達(dá)、分割與識(shí)別。此外，基于滑動(dòng)窗口搜索也是常見的連續(xù)行為分析方法[11-13]，對(duì)于有連續(xù)行為的視頻序列，由于各個(gè)單一行為之間的“邊界”比較模糊，利用“分割-分類”方法雖然理論上可行，但在實(shí)際應(yīng)用中，效果不太理想。文中主要根據(jù)行為描述，從視頻中提取具有某種特征的視頻片段，從而實(shí)現(xiàn)行為分析。

在基于計(jì)算機(jī)視覺的小鼠懸尾實(shí)驗(yàn)中，傳統(tǒng)方法是利用圖像幀間差技術(shù)來實(shí)現(xiàn)小鼠運(yùn)動(dòng)狀態(tài)的分析，這種方法很容易產(chǎn)生錯(cuò)誤識(shí)別。當(dāng)小鼠劇烈運(yùn)動(dòng)過后，其身體保持不動(dòng)，但由于慣性擺動(dòng)，其圖像幀間差仍然較大，因此將“慣性擺動(dòng)”誤判為“主動(dòng)掙扎”。針對(duì)這一問題，提出了一種基于輪廓不變矩特征的檢測(cè)方法，首先獲取小鼠運(yùn)動(dòng)區(qū)域，提取完整的小鼠輪廓，然后計(jì)算輪廓點(diǎn)的Hu不變矩特征，再計(jì)算時(shí)間間隔為t的兩幀其Hu特征距離，最后通過距離閾值來確定小鼠運(yùn)動(dòng)狀態(tài)。

1 小鼠懸尾實(shí)驗(yàn)?zāi)Ｐ?/h2>

行為絕望模型實(shí)驗(yàn)大量用于評(píng)價(jià)抗抑郁一類藥物對(duì)動(dòng)物行為的影響，一般選擇實(shí)驗(yàn)老鼠進(jìn)行實(shí)驗(yàn)。這一類實(shí)驗(yàn)主要包括強(qiáng)制游泳實(shí)驗(yàn)(force swimming test)和懸尾實(shí)驗(yàn)。

在小鼠懸尾實(shí)驗(yàn)中，將小鼠尾巴3/4處固定在某一掛鉤上，離地面30厘米左右，并在與小鼠懸掛裝置水平方向放置攝像頭。實(shí)驗(yàn)過程中，需要有“實(shí)驗(yàn)組”與“控制組”，分別是用藥與未用藥小鼠，注射藥物一段時(shí)間后進(jìn)行實(shí)驗(yàn)(皮下注射需等待30分鐘，口服藥物則需要等待60分鐘)。實(shí)驗(yàn)結(jié)束后，通過比較兩組實(shí)驗(yàn)中小鼠處于“不動(dòng)狀態(tài)”時(shí)間的多少，從而得到藥物的實(shí)驗(yàn)效果。文中僅對(duì)如何更加準(zhǔn)確地統(tǒng)計(jì)“不動(dòng)狀態(tài)”的時(shí)間進(jìn)行研究，不對(duì)具體某一藥物進(jìn)行實(shí)驗(yàn)。

2 圖像預(yù)處理與目標(biāo)輪廓的矩

2.1 目標(biāo)區(qū)域選取與目標(biāo)提取

在小鼠懸尾實(shí)驗(yàn)中，由于實(shí)驗(yàn)裝置固定，小鼠懸掛后其整體運(yùn)動(dòng)幅度較小，因此可以在實(shí)驗(yàn)開始之前手動(dòng)選取小鼠矩形區(qū)域。

由于在該實(shí)驗(yàn)中，小鼠尾巴寬度相比軀干不算太小，因此進(jìn)行更大幅度開運(yùn)算的效果會(huì)比較好，也即連續(xù)兩次的腐蝕操作，再連續(xù)兩次膨脹操作。

O(x,y,t)=(((B'(x,y,t)Θb)Θb)⊕b)⊕b

(1)

其中，B'(x,y,t)為原始圖像；b為結(jié)構(gòu)元；O(x,y,t)為連續(xù)腐蝕膨脹后的圖像。

2.2 二維圖像的矩

矩是一個(gè)用于表征函數(shù)及捕捉函數(shù)重要特性的標(biāo)量。多年來，矩在統(tǒng)計(jì)學(xué)中被用于描述概率密度模型，以及在經(jīng)典的剛體力學(xué)中被用于測(cè)定物體的質(zhì)量，從數(shù)學(xué)角度來講，矩是一個(gè)把函數(shù)投影到多項(xiàng)式基底上的“映射”[14]。對(duì)于一幅圖像，認(rèn)為它是擁有兩個(gè)變量、具有任意分片連續(xù)性的函數(shù)f(x,y)，該函數(shù)定義在區(qū)間D∈R×R上，并且具有一個(gè)有限的非零積分。假設(shè)p、q為非負(fù)整數(shù)，r=p+q稱為矩的階，圖像f(x,y)的廣義矩表達(dá)式定義為：

(2)

其中，ppq(x,y)是定義在區(qū)間D上的多項(xiàng)式基底，根據(jù)多項(xiàng)式基函數(shù)的不同，可以得到不同的矩。在數(shù)字圖像處理中，一般選擇冪函數(shù)為基函數(shù)，也即ppq(x,y)=xpyq，因此得到幾何矩：

(3)

對(duì)于一幅M×N的數(shù)字圖像f(x,y)，其p+q階幾何矩mpq表示為：

(4)

中心矩具有位置無關(guān)性，圖像f(x,y)的p+q階中心矩μpq為：

(5)

(6)

為了使圖像矩在圖像發(fā)生尺度變換時(shí)保持穩(wěn)定，還需要對(duì)中心矩進(jìn)行歸一化，歸一化的中心矩μpq為：

(7)

幾何矩、中心矩及歸一化的中心矩雖然具有一定的平移、旋轉(zhuǎn)、縮放穩(wěn)定性，但在實(shí)際應(yīng)用中其表達(dá)能力較為有限，因此需要通過高階矩的一些線性組合，來構(gòu)成具有更高穩(wěn)定性的矩特征。

M.K.Hu在1962年利用代數(shù)不變量理論提出了幾何矩的概念和矩不變量理論[15]。矩不變量在圖像進(jìn)行平移、旋轉(zhuǎn)和尺度變換時(shí)保持穩(wěn)定，因此被廣泛應(yīng)用在目標(biāo)識(shí)別、圖像分類等領(lǐng)域。Hu利用歸一化中心矩推導(dǎo)出了7個(gè)經(jīng)典的Hu不變量[16]。

(8)

2.3 圖像輪廓的Hu不變矩

圖像的p+q階矩，對(duì)于低階矩來說，其計(jì)算時(shí)間復(fù)雜度為O(N2)，對(duì)于高階矩，其計(jì)算復(fù)雜度更高，因此在矩計(jì)算過程中，通常會(huì)尋求更快的計(jì)算方法。對(duì)于數(shù)字圖像的矩特征，即是計(jì)算數(shù)字圖像灰度的矩，在本實(shí)驗(yàn)中，小鼠輪廓剪影二值圖，其所表達(dá)的信息與其輪廓基本相同，因此，可以將計(jì)算小鼠輪廓剪影二值圖的矩特征簡(jiǎn)化為計(jì)算輪廓的矩特征。同時(shí)，理論上，利用格林定理可以將基于閉合區(qū)域的曲面積分化為對(duì)其邊界輪廓的曲線積分，從而將計(jì)算復(fù)雜度由O(N2)降為O(N)。

小鼠剪影輪廓區(qū)域?yàn)镈，其輪廓邊緣為L(zhǎng)，L是繞D的正向輪廓，并且f(x,y)=1,(x,y)∈D，f(x,y)=0,(x,y)?D，所以有：

(9)

或

(10)

基于圖像輪廓的Hu矩與基于圖像灰度的Hu矩均具有旋轉(zhuǎn)、平移、縮放穩(wěn)定性，此外，基于輪廓進(jìn)行Hu矩的計(jì)算，其時(shí)間復(fù)雜度相比基于圖像灰度的Hu矩計(jì)算要小很多。

3 小鼠運(yùn)動(dòng)狀態(tài)分析

3.1 小鼠運(yùn)動(dòng)狀態(tài)定義

在小鼠懸尾實(shí)驗(yàn)中，通常把小鼠所處運(yùn)動(dòng)狀態(tài)分為三類：完全靜止、慣性擺動(dòng)、主動(dòng)掙扎。實(shí)驗(yàn)?zāi)康氖怯涗浶∈笤谝欢螘r(shí)間內(nèi)分別處于這三種運(yùn)動(dòng)狀態(tài)的總體時(shí)長(zhǎng)，因此在實(shí)驗(yàn)過程中要較為準(zhǔn)確地區(qū)分小鼠所處運(yùn)動(dòng)狀態(tài)。通過大量觀察小鼠實(shí)驗(yàn)視頻發(fā)現(xiàn)，小鼠在實(shí)驗(yàn)過程中處于完全靜止?fàn)顟B(tài)的時(shí)間很少，甚至可以忽略不計(jì)(因?yàn)閺男∈箝_始運(yùn)動(dòng)過后，后序即便沒有掙扎，慣性擺動(dòng)仍然一直存在)，所以可以將“完全靜止”合并到“慣性擺動(dòng)”狀態(tài)，統(tǒng)稱為“不動(dòng)狀態(tài)”。

小鼠運(yùn)動(dòng)狀態(tài)分析即區(qū)分小鼠“不動(dòng)狀態(tài)”與“主動(dòng)掙扎”過程，可以簡(jiǎn)化為狀態(tài)切換過程。因此，只要能夠找到實(shí)驗(yàn)過程中狀態(tài)切換時(shí)刻，便可提取狀態(tài)切換過程，從而完成小鼠運(yùn)動(dòng)狀態(tài)的識(shí)別。把“不動(dòng)狀態(tài)”定義為state0，把“主動(dòng)掙扎狀態(tài)”定義為state1。

3.2 幀差法小鼠運(yùn)動(dòng)狀態(tài)識(shí)別

在以往的實(shí)驗(yàn)中，通常利用圖像幀間差方法，通過判斷幀間圖像差值來確定小鼠的運(yùn)動(dòng)狀態(tài)，也即差分圖像面積閾值來判斷小鼠處于某一狀態(tài)。實(shí)驗(yàn)發(fā)現(xiàn)，利用二值化后的圖片進(jìn)行差分比直接原始圖像差分再進(jìn)行二值化要更為準(zhǔn)確，表示如下：

(11)

其中，函數(shù)SUM(x)表示得到圖像x的面積，在二值圖像中，該面積表示非零像素個(gè)數(shù)；T表示差分圖像面積閾值。

通過差分圖像的面積閾值，能夠?qū)崿F(xiàn)一部分的行為識(shí)別，但針對(duì)小鼠慣性擺動(dòng)幅度較大的特殊情況，則不能準(zhǔn)確判斷。小鼠劇烈掙扎過后，身體停止運(yùn)動(dòng)，但由于劇烈掙扎引起的慣性擺動(dòng)，其幅度還較大，因此其差分圖像面積仍有可能超過面積閾值T，從而導(dǎo)致錯(cuò)誤識(shí)別，影響最終的實(shí)驗(yàn)結(jié)果。圖1為處于“不動(dòng)狀態(tài)”的時(shí)間間隔Δt的相鄰兩幀。

圖1 處于“不動(dòng)狀態(tài)”和“主動(dòng)掙扎”的相鄰兩幀(1)

如圖1所示，根據(jù)式11有：

(12)

因此，利用差分閾值進(jìn)行行為判斷，容易出現(xiàn)錯(cuò)誤。

3.3 輪廓矩小鼠運(yùn)動(dòng)狀態(tài)識(shí)別

利用幀間差分進(jìn)行小鼠行為判斷僅僅利用圖像像素空間位置變化特征，而在行為識(shí)別應(yīng)用中，利用圖像輪廓特征往往效果更好。為了解決幀差法在運(yùn)動(dòng)狀態(tài)識(shí)別方面的不足，文中利用目標(biāo)小鼠輪廓來實(shí)現(xiàn)小鼠行為識(shí)別。上一節(jié)詳細(xì)介紹了基于圖像輪廓的Hu不變矩，圖像輪廓Hu不變矩具有輪廓平移、旋轉(zhuǎn)、縮放穩(wěn)定性，利用這一特性，可以確定小鼠的“不動(dòng)狀態(tài)”。

當(dāng)小鼠處于“不動(dòng)狀態(tài)”時(shí)，即便有較大幅度的慣性擺動(dòng)，該過程中小鼠目標(biāo)輪廓點(diǎn)仍然只是進(jìn)行仿射變換，也即繞懸掛點(diǎn)旋轉(zhuǎn)。由于Hu不變矩能保持旋轉(zhuǎn)不變性，因此可以利用該特性來確定小鼠是否處于“不動(dòng)狀態(tài)”。

圖2 處于“不動(dòng)狀態(tài)”和“主動(dòng)掙扎”的相鄰兩幀(2)

分別提取圖2中各目標(biāo)小鼠圖像的輪廓，進(jìn)而利用基于圖像輪廓的矩計(jì)算其輪廓的Hu不變量，結(jié)果如表1所示。

表1 圖2中小鼠目標(biāo)輪廓的Hu不變量

從表1能夠看出，對(duì)于兩組測(cè)試對(duì)象，其組內(nèi)各個(gè)Hu不變量變化很小，而組間各個(gè)Hu不變量相比之下則有變化。同時(shí)，測(cè)試對(duì)象G1、G2均滿足特征：輪廓位置發(fā)生改變(旋轉(zhuǎn))，但輪廓形狀保持穩(wěn)定。所以，可以通過相鄰幀圖像輪廓之間的Hu不變量來判斷小鼠是否處于“不動(dòng)狀態(tài)”。此外，相鄰幀若處于相同運(yùn)動(dòng)狀態(tài)，則其Hu不變量改變較小，若處于不同運(yùn)動(dòng)狀態(tài)，也即運(yùn)動(dòng)狀態(tài)改變，則其Hu不變量改變較為明顯。對(duì)于Hu七個(gè)經(jīng)典不變量，一部分表現(xiàn)更好，另一部分表現(xiàn)較差，因此，如何利用這七個(gè)不變量，度量Hu特征的距離變得尤為重要。距離度量也就是對(duì)七個(gè)經(jīng)典不變量進(jìn)行組合、歸一，最終能夠得到兩個(gè)Hu不變量之間距離矢量值。

輪廓Hu特征不變量距離度量如下：

(13)

各連續(xù)幀目標(biāo)輪廓Hu特征距離矢量見表2。

從表2能夠看出，當(dāng)小鼠處于“不動(dòng)狀態(tài)”時(shí)，其相鄰兩幀目標(biāo)輪廓的Hu特征距離較小，而處于“主動(dòng)掙扎”過程的相鄰幀目標(biāo)輪廓的Hu特征距離矢量明顯偏大，因此，可以通過Hu特征距離矢量閾值Thu來判斷小鼠所處狀態(tài)。

表2 各連續(xù)幀目標(biāo)輪廓Hu特征距離矢量

(14)

其中，H(ft,ft-1)表示時(shí)間間隔為Δt的相鄰兩幀圖像目標(biāo)輪廓的Hu特征距離。

4 實(shí)驗(yàn)結(jié)果與分析

通過上一節(jié)的小鼠運(yùn)動(dòng)狀態(tài)分析，實(shí)驗(yàn)中選取一段時(shí)長(zhǎng)118 s的視頻錄像，計(jì)算其連續(xù)幀之間的Hu特征距離。

F(t)=H(It,It-1)

(15)

連續(xù)幀間Hu特征原始數(shù)據(jù)如圖3(a)所示。從中可以看出，雖然連續(xù)幀間的Hu特征呈現(xiàn)較為明顯的區(qū)域分布，但在某些細(xì)節(jié)方面仍然表現(xiàn)不夠明顯，因此，需要將原始數(shù)據(jù)進(jìn)行濾波處理。在本實(shí)驗(yàn)中，采用均值濾波方法，通過實(shí)驗(yàn)對(duì)比，濾波窗口大小為5能夠得到較好的實(shí)驗(yàn)結(jié)果。

濾波平滑過后的數(shù)據(jù)相比原始數(shù)據(jù)則更加規(guī)范，特征更加明顯，選取閾值，對(duì)Hu特征進(jìn)行分類。

(16)

其中，Thu為Hu特征距離閾值。

因此，可以得到視頻錄像對(duì)應(yīng)的0、1序列，結(jié)果如圖3(b)所示。從圖3(b)能夠看出小鼠運(yùn)動(dòng)狀態(tài)的改變過程，通過小鼠狀態(tài)的切換時(shí)刻，可以確定小鼠每個(gè)狀態(tài)的運(yùn)動(dòng)時(shí)長(zhǎng)，連續(xù)的0或1則是一個(gè)持續(xù)的運(yùn)動(dòng)狀態(tài)，得到小鼠運(yùn)動(dòng)狀態(tài)結(jié)果為MS(s1,s2,…,sn)。實(shí)驗(yàn)結(jié)果中仍然有一些錯(cuò)誤數(shù)據(jù)，定義FS(i)表示過濾掉持續(xù)時(shí)間較短的狀態(tài)后的實(shí)驗(yàn)結(jié)果，這里的過濾方法是將持續(xù)時(shí)間較短的運(yùn)動(dòng)狀態(tài)添加到前一個(gè)運(yùn)動(dòng)狀態(tài)。

圖3 數(shù)據(jù)分布

(17)

其中，d(si)表示狀態(tài)si持續(xù)的時(shí)間；Td表示小鼠運(yùn)動(dòng)狀態(tài)持續(xù)最小時(shí)間，也即運(yùn)動(dòng)狀態(tài)持續(xù)時(shí)間閾值。

處理后的實(shí)驗(yàn)結(jié)果如圖3(c)所示，從中能夠非常明顯地看出小鼠的運(yùn)動(dòng)狀態(tài)持續(xù)過程，圖中橫軸上有五個(gè)時(shí)刻，分別如下：

(18)

因此最終實(shí)驗(yàn)結(jié)果FS(i)包含五個(gè)運(yùn)動(dòng)狀態(tài)，狀態(tài)與運(yùn)動(dòng)時(shí)間及通過人眼觀察實(shí)驗(yàn)錄像，得到的狀態(tài)與時(shí)長(zhǎng)如表3所示。

表3 實(shí)驗(yàn)統(tǒng)計(jì)與人眼觀察的目標(biāo)小鼠運(yùn)動(dòng)狀態(tài)

實(shí)驗(yàn)結(jié)果與人眼觀察結(jié)果非常接近。在實(shí)驗(yàn)統(tǒng)計(jì)中，通常利用小鼠整個(gè)過程的“不動(dòng)時(shí)間”總長(zhǎng)來判斷藥物藥效，實(shí)驗(yàn)結(jié)果與人眼觀察結(jié)果中“不動(dòng)時(shí)長(zhǎng)”總長(zhǎng)分別為：

(19)

“不動(dòng)狀態(tài)”時(shí)間統(tǒng)計(jì)錯(cuò)誤率為：

(20)

為了進(jìn)一步確定文中算法在小鼠懸尾實(shí)驗(yàn)中行為識(shí)別的準(zhǔn)確率，需要對(duì)文中算法所得到的每個(gè)行為及其持續(xù)時(shí)間與人眼觀察結(jié)果進(jìn)行對(duì)比?？紤]到文中是對(duì)一段視頻錄像中行為進(jìn)行識(shí)別，因此可以看成是兩個(gè)長(zhǎng)度相同的時(shí)間序列進(jìn)行相似度匹配，將文中算法統(tǒng)計(jì)結(jié)果與人眼觀察結(jié)果進(jìn)行分割，均分割為時(shí)長(zhǎng)1 s的子狀態(tài)序列，再對(duì)比兩個(gè)序列的相似度。

(21)

式21計(jì)算一段視頻利用文中算法進(jìn)行運(yùn)動(dòng)提取的準(zhǔn)確率R，通過對(duì)5段實(shí)驗(yàn)視頻進(jìn)行如表3所示的對(duì)比，最終得到文中算法提取的準(zhǔn)確率平均為90%。

5 結(jié)束語

小鼠懸尾實(shí)驗(yàn)是最為常見的行為絕望模型實(shí)驗(yàn)，通過統(tǒng)計(jì)小鼠懸尾過程中“不動(dòng)時(shí)間”長(zhǎng)短，可以評(píng)價(jià)抗抑郁藥等藥物的藥效。利用計(jì)算機(jī)視覺處理技術(shù)完成實(shí)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)與分析，能夠避免人眼觀察的主觀性，以及減輕實(shí)驗(yàn)人員的工作負(fù)擔(dān)，提高實(shí)驗(yàn)效率。實(shí)驗(yàn)證明，通過提取小鼠輪廓特征，分析小鼠運(yùn)動(dòng)狀態(tài)及其改變過程，從而準(zhǔn)確提取小鼠“不動(dòng)狀態(tài)”的持續(xù)過程及總時(shí)長(zhǎng)，進(jìn)而對(duì)藥物做出較為客觀的評(píng)價(jià)。

文中只對(duì)小鼠懸尾實(shí)驗(yàn)進(jìn)行了“慣性擺動(dòng)”與“主動(dòng)掙扎”的區(qū)分，未來會(huì)更為深入并細(xì)化小鼠的運(yùn)動(dòng)狀態(tài)，例如爬升、身體軀干卷曲等，從而提取更多的實(shí)驗(yàn)數(shù)據(jù)特征，為藥物測(cè)試等其他實(shí)驗(yàn)提供更多的評(píng)價(jià)標(biāo)準(zhǔn)。此外，所有實(shí)驗(yàn)圖像均是普通攝像頭采集，在后期可以利用深度攝像頭進(jìn)行相關(guān)實(shí)驗(yàn)，進(jìn)而提高實(shí)驗(yàn)的準(zhǔn)確率。