Sincronización de video y acelerómetro para el estudio del comportamiento animal
- Autores
- Fonseca, Rocío 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 que usan señales proveniente 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, la necesaria sincronización entre señales presenta una dificultad metodológica debido a alta resolución temporal implicada. En este trabajo se presenta un sistema de dos pasos para generar una base de datos anotada de comportamiento de codornices.
Sociedad Argentina de Informática e Investigación Operativa - Materia
-
Ciencias Informáticas
Biología
Comportamiento animal
anotación de series de tiempo
redes neuronales artificiales - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/151892
Ver los metadatos del registro completo
id |
SEDICI_6182737da05a1ba703e5fc94f1979032 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/151892 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Sincronización de video y acelerómetro para el estudio del comportamiento animalFonseca, Rocío GuadalupeBosch, María CandelariaBarberis, Lucas MiguelKembro, Jackelyn MelissaFlesia, Ana GeorginaCiencias InformáticasBiologíaComportamiento animalanotación de series de tiemporedes neuronales artificialesEl 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 que usan señales proveniente 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, la necesaria sincronización entre señales presenta una dificultad metodológica debido a alta resolución temporal implicada. En este trabajo se presenta un sistema de dos pasos para generar una base de datos anotada de comportamiento de codornices.Sociedad Argentina de Informática e Investigación Operativa2022-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf141-142http://sedici.unlp.edu.ar/handle/10915/151892spainfo:eu-repo/semantics/altIdentifier/url/https://publicaciones.sadio.org.ar/index.php/JAIIO/article/download/429/362info:eu-repo/semantics/altIdentifier/issn/2451-7496info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:39:07Zoai:sedici.unlp.edu.ar:10915/151892Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:39:07.865SEDICI (UNLP) - Universidad Nacional de La Platafalse |
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, Rocío Guadalupe Ciencias Informáticas Biología Comportamiento animal anotación 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, Rocío Guadalupe Bosch, María Candelaria Barberis, Lucas Miguel Kembro, Jackelyn Melissa Flesia, Ana Georgina |
author |
Fonseca, Rocío Guadalupe |
author_facet |
Fonseca, Rocío 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.subject.none.fl_str_mv |
Ciencias Informáticas Biología Comportamiento animal anotación de series de tiempo redes neuronales artificiales |
topic |
Ciencias Informáticas Biología Comportamiento animal anotación de series de tiempo redes neuronales artificiales |
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 que usan señales proveniente 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, la necesaria sincronización entre señales presenta una dificultad metodológica debido a alta resolución temporal implicada. En este trabajo se presenta un sistema de dos pasos para generar una base de datos anotada de comportamiento de codornices. Sociedad Argentina de Informática e Investigación Operativa |
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 que usan señales proveniente 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, la necesaria sincronización entre señales presenta una dificultad metodológica debido a alta resolución temporal implicada. En este trabajo se presenta un sistema de dos pasos para generar una base de datos anotada de comportamiento de codornices. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-10 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/151892 |
url |
http://sedici.unlp.edu.ar/handle/10915/151892 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/url/https://publicaciones.sadio.org.ar/index.php/JAIIO/article/download/429/362 info:eu-repo/semantics/altIdentifier/issn/2451-7496 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
dc.format.none.fl_str_mv |
application/pdf 141-142 |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1844616265758408704 |
score |
13.070432 |