Sincronización de video y acelerómetro para el estudio del comportamiento animal
- Autores
- Fonseca, Rocio Guadalupe; Bosch, María Candelaria; Barberis, Lucas Miguel; Kembro, Jackelyn Melissa; Flesia, Ana Georgina
- Año de publicación
- 2022
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- El comportamiento de animales de laboratorio es estudiado usualmente por medio de la observación directa, utilizando catálogos de conductas predefinidas. El uso de videocámaras y otros métodos de registro han permitido determinar tipo y duración de eventos y evitar posibles efectos subjetivos del observador en la recolección de los datos. Sin embargo, la determinación de eventos en señales derivadas de sensores de alta precisión es muy difícil de lograr por inspección de la señal misma. En este marco, se han propuesto diferentes métodos de aprendizaje supervisado [5, 2] que usan señales provenientes de sensores como son los acelerómetros. Es importante tener en cuenta que para entrenar y validar dichos métodos se requieren bases de datos anotadas, es decir una serie de tiempo comportamental obtenido, por ejemplo, del análisis de videograbaciones, sincronizadas con los registros del sensor. En el caso de vertebrados pequeños con alta tasa metabólica [2], la necesaria sincronización entre señales presenta una dificultad metodológica debido a alta resolución temporal implicada [1]. En este trabajo se presenta un sistema de dos pasos para generar una base de datos anotada de comportamiento de codornices. El primer paso consiste en alojar parejas (macho y hembra) de codornices adultos en cajas de cría. Una semana antes del inicio del experimento se le coloca al macho un arnés tipo mochila impresa en plástico, sujeta por debajo de las alas con tiras elásticas (Fig. 1 izquierda). Estas mochilas no generan cambios conductuales en sí mismas luego del periodo de habituación utilizado [4]. Un dispositivo independiente introduce un acelerómetro dentro de la mochila, generando un pico en los tres ejes de la aceleración (Fig. 1, arriba derecha). A su vez, el dispositivo simultáneamente enciende luces LED (Fig. 1, abajo derecha), que es capturada por la cámara y que permite sincronizar las dos videograbaciones entre sí y con la señal producida por el acelerómetro. En el segundo paso, luego de la introducción del acelerómetro dentro de la mochila se registra el comportamiento del macho durante por lo menos 20 horas. También, el acelerómetro triaxial recolecta las aceleraciones tridimensionales asociadas con los movimientos del cuerpo a lo largo de este periodo de tiempo. La sincronización de las señales obtenida permite realizar una anotación en el tiempo que puede ser utilizada para el entrenamiento y la validación de métodos de aprendizaje supervisado. En particular, las series de aceleración anotadas están siendo usadas como una base de datos de entrenamiento de redes neuronales Long Short Time Memory [1]. También podrían ser utilizadas metodologías como K-vecinos más cercanos (KNN) y máquinas de soporte vectorial (SVM).
Fil: Fonseca, Rocio Guadalupe. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Centro de Investigación y Estudios de Matemática. Universidad Nacional de Córdoba. Centro de Investigación y Estudios de Matemática; Argentina
Fil: Bosch, María Candelaria. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Investigaciones Biológicas y Tecnológicas. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Instituto de Investigaciones Biológicas y Tecnológicas; Argentina
Fil: Barberis, Lucas Miguel. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Física Enrique Gaviola. Universidad Nacional de Córdoba. Instituto de Física Enrique Gaviola; Argentina
Fil: Kembro, Jackelyn Melissa. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Investigaciones Biológicas y Tecnológicas. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Instituto de Investigaciones Biológicas y Tecnológicas; Argentina
Fil: Flesia, Ana Georgina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Centro de Investigación y Estudios de Matemática. Universidad Nacional de Córdoba. Centro de Investigación y Estudios de Matemática; Argentina
51° JAIIO – Jornadas Argentinas de Informática
Buenos Aires
Argentina
Sociedad Argentina de Informática
Universidad Abierta Interamericana - Materia
-
Comportamiento animal
Anotacion de series de tiempo
Redes neuronales artificiales - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
- Repositorio
- Institución
- Consejo Nacional de Investigaciones Científicas y Técnicas
- OAI Identificador
- oai:ri.conicet.gov.ar:11336/257194
Ver los metadatos del registro completo
id |
CONICETDig_ea31a35a20114139fb4e18dbc93471ae |
---|---|
oai_identifier_str |
oai:ri.conicet.gov.ar:11336/257194 |
network_acronym_str |
CONICETDig |
repository_id_str |
3498 |
network_name_str |
CONICET Digital (CONICET) |
spelling |
Sincronización de video y acelerómetro para el estudio del comportamiento animalFonseca, Rocio GuadalupeBosch, María CandelariaBarberis, Lucas MiguelKembro, Jackelyn MelissaFlesia, Ana GeorginaComportamiento animalAnotacion de series de tiempoRedes neuronales artificialeshttps://purl.org/becyt/ford/1.6https://purl.org/becyt/ford/1El comportamiento de animales de laboratorio es estudiado usualmente por medio de la observación directa, utilizando catálogos de conductas predefinidas. El uso de videocámaras y otros métodos de registro han permitido determinar tipo y duración de eventos y evitar posibles efectos subjetivos del observador en la recolección de los datos. Sin embargo, la determinación de eventos en señales derivadas de sensores de alta precisión es muy difícil de lograr por inspección de la señal misma. En este marco, se han propuesto diferentes métodos de aprendizaje supervisado [5, 2] que usan señales provenientes de sensores como son los acelerómetros. Es importante tener en cuenta que para entrenar y validar dichos métodos se requieren bases de datos anotadas, es decir una serie de tiempo comportamental obtenido, por ejemplo, del análisis de videograbaciones, sincronizadas con los registros del sensor. En el caso de vertebrados pequeños con alta tasa metabólica [2], la necesaria sincronización entre señales presenta una dificultad metodológica debido a alta resolución temporal implicada [1]. En este trabajo se presenta un sistema de dos pasos para generar una base de datos anotada de comportamiento de codornices. El primer paso consiste en alojar parejas (macho y hembra) de codornices adultos en cajas de cría. Una semana antes del inicio del experimento se le coloca al macho un arnés tipo mochila impresa en plástico, sujeta por debajo de las alas con tiras elásticas (Fig. 1 izquierda). Estas mochilas no generan cambios conductuales en sí mismas luego del periodo de habituación utilizado [4]. Un dispositivo independiente introduce un acelerómetro dentro de la mochila, generando un pico en los tres ejes de la aceleración (Fig. 1, arriba derecha). A su vez, el dispositivo simultáneamente enciende luces LED (Fig. 1, abajo derecha), que es capturada por la cámara y que permite sincronizar las dos videograbaciones entre sí y con la señal producida por el acelerómetro. En el segundo paso, luego de la introducción del acelerómetro dentro de la mochila se registra el comportamiento del macho durante por lo menos 20 horas. También, el acelerómetro triaxial recolecta las aceleraciones tridimensionales asociadas con los movimientos del cuerpo a lo largo de este periodo de tiempo. La sincronización de las señales obtenida permite realizar una anotación en el tiempo que puede ser utilizada para el entrenamiento y la validación de métodos de aprendizaje supervisado. En particular, las series de aceleración anotadas están siendo usadas como una base de datos de entrenamiento de redes neuronales Long Short Time Memory [1]. También podrían ser utilizadas metodologías como K-vecinos más cercanos (KNN) y máquinas de soporte vectorial (SVM).Fil: Fonseca, Rocio Guadalupe. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Centro de Investigación y Estudios de Matemática. Universidad Nacional de Córdoba. Centro de Investigación y Estudios de Matemática; ArgentinaFil: Bosch, María Candelaria. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Investigaciones Biológicas y Tecnológicas. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Instituto de Investigaciones Biológicas y Tecnológicas; ArgentinaFil: Barberis, Lucas Miguel. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Física Enrique Gaviola. Universidad Nacional de Córdoba. Instituto de Física Enrique Gaviola; ArgentinaFil: Kembro, Jackelyn Melissa. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Investigaciones Biológicas y Tecnológicas. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Instituto de Investigaciones Biológicas y Tecnológicas; ArgentinaFil: Flesia, Ana Georgina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Centro de Investigación y Estudios de Matemática. Universidad Nacional de Córdoba. Centro de Investigación y Estudios de Matemática; Argentina51° JAIIO – Jornadas Argentinas de InformáticaBuenos AiresArgentinaSociedad Argentina de InformáticaUniversidad Abierta InteramericanaSociedad Argentina de InformáticaPons, Claudia FabianaCapraro Fuentes, Flavio AndresCamargo, SandroPinotti, Mauro Hugo2022info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/conferenceObjectJornadaJournalhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/257194Sincronización de video y acelerómetro para el estudio del comportamiento animal; 51° JAIIO – Jornadas Argentinas de Informática; Buenos Aires; Argentina; 2022; 141-1422451-7496CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/issue/view/1137Nacionalinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T09:36:06Zoai:ri.conicet.gov.ar:11336/257194instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-29 09:36:06.373CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse |
dc.title.none.fl_str_mv |
Sincronización de video y acelerómetro para el estudio del comportamiento animal |
title |
Sincronización de video y acelerómetro para el estudio del comportamiento animal |
spellingShingle |
Sincronización de video y acelerómetro para el estudio del comportamiento animal Fonseca, Rocio Guadalupe Comportamiento animal Anotacion de series de tiempo Redes neuronales artificiales |
title_short |
Sincronización de video y acelerómetro para el estudio del comportamiento animal |
title_full |
Sincronización de video y acelerómetro para el estudio del comportamiento animal |
title_fullStr |
Sincronización de video y acelerómetro para el estudio del comportamiento animal |
title_full_unstemmed |
Sincronización de video y acelerómetro para el estudio del comportamiento animal |
title_sort |
Sincronización de video y acelerómetro para el estudio del comportamiento animal |
dc.creator.none.fl_str_mv |
Fonseca, Rocio Guadalupe Bosch, María Candelaria Barberis, Lucas Miguel Kembro, Jackelyn Melissa Flesia, Ana Georgina |
author |
Fonseca, Rocio Guadalupe |
author_facet |
Fonseca, Rocio Guadalupe Bosch, María Candelaria Barberis, Lucas Miguel Kembro, Jackelyn Melissa Flesia, Ana Georgina |
author_role |
author |
author2 |
Bosch, María Candelaria Barberis, Lucas Miguel Kembro, Jackelyn Melissa Flesia, Ana Georgina |
author2_role |
author author author author |
dc.contributor.none.fl_str_mv |
Pons, Claudia Fabiana Capraro Fuentes, Flavio Andres Camargo, Sandro Pinotti, Mauro Hugo |
dc.subject.none.fl_str_mv |
Comportamiento animal Anotacion de series de tiempo Redes neuronales artificiales |
topic |
Comportamiento animal Anotacion de series de tiempo Redes neuronales artificiales |
purl_subject.fl_str_mv |
https://purl.org/becyt/ford/1.6 https://purl.org/becyt/ford/1 |
dc.description.none.fl_txt_mv |
El comportamiento de animales de laboratorio es estudiado usualmente por medio de la observación directa, utilizando catálogos de conductas predefinidas. El uso de videocámaras y otros métodos de registro han permitido determinar tipo y duración de eventos y evitar posibles efectos subjetivos del observador en la recolección de los datos. Sin embargo, la determinación de eventos en señales derivadas de sensores de alta precisión es muy difícil de lograr por inspección de la señal misma. En este marco, se han propuesto diferentes métodos de aprendizaje supervisado [5, 2] que usan señales provenientes de sensores como son los acelerómetros. Es importante tener en cuenta que para entrenar y validar dichos métodos se requieren bases de datos anotadas, es decir una serie de tiempo comportamental obtenido, por ejemplo, del análisis de videograbaciones, sincronizadas con los registros del sensor. En el caso de vertebrados pequeños con alta tasa metabólica [2], la necesaria sincronización entre señales presenta una dificultad metodológica debido a alta resolución temporal implicada [1]. En este trabajo se presenta un sistema de dos pasos para generar una base de datos anotada de comportamiento de codornices. El primer paso consiste en alojar parejas (macho y hembra) de codornices adultos en cajas de cría. Una semana antes del inicio del experimento se le coloca al macho un arnés tipo mochila impresa en plástico, sujeta por debajo de las alas con tiras elásticas (Fig. 1 izquierda). Estas mochilas no generan cambios conductuales en sí mismas luego del periodo de habituación utilizado [4]. Un dispositivo independiente introduce un acelerómetro dentro de la mochila, generando un pico en los tres ejes de la aceleración (Fig. 1, arriba derecha). A su vez, el dispositivo simultáneamente enciende luces LED (Fig. 1, abajo derecha), que es capturada por la cámara y que permite sincronizar las dos videograbaciones entre sí y con la señal producida por el acelerómetro. En el segundo paso, luego de la introducción del acelerómetro dentro de la mochila se registra el comportamiento del macho durante por lo menos 20 horas. También, el acelerómetro triaxial recolecta las aceleraciones tridimensionales asociadas con los movimientos del cuerpo a lo largo de este periodo de tiempo. La sincronización de las señales obtenida permite realizar una anotación en el tiempo que puede ser utilizada para el entrenamiento y la validación de métodos de aprendizaje supervisado. En particular, las series de aceleración anotadas están siendo usadas como una base de datos de entrenamiento de redes neuronales Long Short Time Memory [1]. También podrían ser utilizadas metodologías como K-vecinos más cercanos (KNN) y máquinas de soporte vectorial (SVM). Fil: Fonseca, Rocio Guadalupe. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Centro de Investigación y Estudios de Matemática. Universidad Nacional de Córdoba. Centro de Investigación y Estudios de Matemática; Argentina Fil: Bosch, María Candelaria. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Investigaciones Biológicas y Tecnológicas. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Instituto de Investigaciones Biológicas y Tecnológicas; Argentina Fil: Barberis, Lucas Miguel. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Física Enrique Gaviola. Universidad Nacional de Córdoba. Instituto de Física Enrique Gaviola; Argentina Fil: Kembro, Jackelyn Melissa. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Investigaciones Biológicas y Tecnológicas. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Instituto de Investigaciones Biológicas y Tecnológicas; Argentina Fil: Flesia, Ana Georgina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Centro de Investigación y Estudios de Matemática. Universidad Nacional de Córdoba. Centro de Investigación y Estudios de Matemática; Argentina 51° JAIIO – Jornadas Argentinas de Informática Buenos Aires Argentina Sociedad Argentina de Informática Universidad Abierta Interamericana |
description |
El comportamiento de animales de laboratorio es estudiado usualmente por medio de la observación directa, utilizando catálogos de conductas predefinidas. El uso de videocámaras y otros métodos de registro han permitido determinar tipo y duración de eventos y evitar posibles efectos subjetivos del observador en la recolección de los datos. Sin embargo, la determinación de eventos en señales derivadas de sensores de alta precisión es muy difícil de lograr por inspección de la señal misma. En este marco, se han propuesto diferentes métodos de aprendizaje supervisado [5, 2] que usan señales provenientes de sensores como son los acelerómetros. Es importante tener en cuenta que para entrenar y validar dichos métodos se requieren bases de datos anotadas, es decir una serie de tiempo comportamental obtenido, por ejemplo, del análisis de videograbaciones, sincronizadas con los registros del sensor. En el caso de vertebrados pequeños con alta tasa metabólica [2], la necesaria sincronización entre señales presenta una dificultad metodológica debido a alta resolución temporal implicada [1]. En este trabajo se presenta un sistema de dos pasos para generar una base de datos anotada de comportamiento de codornices. El primer paso consiste en alojar parejas (macho y hembra) de codornices adultos en cajas de cría. Una semana antes del inicio del experimento se le coloca al macho un arnés tipo mochila impresa en plástico, sujeta por debajo de las alas con tiras elásticas (Fig. 1 izquierda). Estas mochilas no generan cambios conductuales en sí mismas luego del periodo de habituación utilizado [4]. Un dispositivo independiente introduce un acelerómetro dentro de la mochila, generando un pico en los tres ejes de la aceleración (Fig. 1, arriba derecha). A su vez, el dispositivo simultáneamente enciende luces LED (Fig. 1, abajo derecha), que es capturada por la cámara y que permite sincronizar las dos videograbaciones entre sí y con la señal producida por el acelerómetro. En el segundo paso, luego de la introducción del acelerómetro dentro de la mochila se registra el comportamiento del macho durante por lo menos 20 horas. También, el acelerómetro triaxial recolecta las aceleraciones tridimensionales asociadas con los movimientos del cuerpo a lo largo de este periodo de tiempo. La sincronización de las señales obtenida permite realizar una anotación en el tiempo que puede ser utilizada para el entrenamiento y la validación de métodos de aprendizaje supervisado. En particular, las series de aceleración anotadas están siendo usadas como una base de datos de entrenamiento de redes neuronales Long Short Time Memory [1]. También podrían ser utilizadas metodologías como K-vecinos más cercanos (KNN) y máquinas de soporte vectorial (SVM). |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/conferenceObject Jornada Journal http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
status_str |
publishedVersion |
format |
conferenceObject |
dc.identifier.none.fl_str_mv |
http://hdl.handle.net/11336/257194 Sincronización de video y acelerómetro para el estudio del comportamiento animal; 51° JAIIO – Jornadas Argentinas de Informática; Buenos Aires; Argentina; 2022; 141-142 2451-7496 CONICET Digital CONICET |
url |
http://hdl.handle.net/11336/257194 |
identifier_str_mv |
Sincronización de video y acelerómetro para el estudio del comportamiento animal; 51° JAIIO – Jornadas Argentinas de Informática; Buenos Aires; Argentina; 2022; 141-142 2451-7496 CONICET Digital CONICET |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/issue/view/1137 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
dc.format.none.fl_str_mv |
application/pdf application/pdf application/pdf |
dc.coverage.none.fl_str_mv |
Nacional |
dc.publisher.none.fl_str_mv |
Sociedad Argentina de Informática |
publisher.none.fl_str_mv |
Sociedad Argentina de Informática |
dc.source.none.fl_str_mv |
reponame:CONICET Digital (CONICET) instname:Consejo Nacional de Investigaciones Científicas y Técnicas |
reponame_str |
CONICET Digital (CONICET) |
collection |
CONICET Digital (CONICET) |
instname_str |
Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.name.fl_str_mv |
CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.mail.fl_str_mv |
dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar |
_version_ |
1844613129227468800 |
score |
13.070432 |