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
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/151892
Acceder
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:UNLP2025-10-22T17:20:03Zoai: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:13292025-10-22 17:20:03.242SEDICI (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_ 1846783622730743808
score 12.982451

Publicaciones similares