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
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/257194
Acceder
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

Publicaciones similares