发现社会行为中可组合、可解释的结构

对行为进行定量评估，对于严谨分析动物如何在世界中互动以及行为如何由大脑活动产生至关重要。近期自动姿态检测的进展使得数据驱动的运动动作序列发现成为可能。虽然为此已开发出许多算法，但其类别化特性，即假设行为在每一时刻只对应一个动作，阻碍了对社会行为的表达性量化。此类行为是组合性和构成性的，多只动物执行的动作可能彼此独立，也可能在时间上相互协调。在此我们展示，分解线性动力系统（dLDS）的进展如何能够将动作生成动力学表示为直接作用于关键点位置的、共享线性算子的带符号分级混合。我们在单只小鼠和两只小鼠数据集上演示了我们的方法，并与最先进的切换模型 keypoint-MoSeq 进行比较。在单只小鼠数据中，我们发现三个算子的组合即可捕捉 21 个 keypoint-MoSeq 音节的完整动作库，表明即使对单只动物，动作空间用连续子空间描述也比用聚类基元描述更为简约。在两只小鼠的居民–入侵者实验中，我们在没有行为标签的情况下，识别出分别对应自我动作、动物间几何和社会动作的独立基元。后者将一只动物的动作与其同伴的相对方位耦合起来，使动作能够纳入其所处的社会几何。dLDS 在解码人工标注的社会行为（即“攻击”“探查”“骑跨”和“其他”）时，比行为选择性的 keypoint-MoSeq 音节集更准确，且所用单元更少。总之，这些结果表明，构成性的、随时间变化的线性动力学可以为个体行为和社会行为提供一条通往灵活且可解释的动作层面行为建模的路径。

中文由 AI 翻译，仅供参考，以原文为准。