AI人工智能高架十字迷宫实验：从零搭建行为分析系统

1次阅读

没有评论

共计 2628 个字符，预计需要花费 7 分钟才能阅读完成。

高架十字迷宫（Elevated Plus Maze, EPM）是神经科学研究中评估小鼠焦虑行为的经典实验。通过测量小鼠在开臂（无墙壁）和闭臂（有高墙）的停留时间，可以量化其焦虑水平。然而，传统的人工观察方法存在三大缺陷：

耗时：实验通常需要 30 分钟以上，人工记录全程耗时耗力。
主观性 ：不同观察者对小鼠行为的判断标准可能不一致，影响结果的可重复性。
数据粒度粗 ：人工记录难以捕捉小鼠的细微行为变化，如快速移动或短暂停留。

背景差分法通过比较当前帧与背景帧的差异来检测运动物体。虽然实现简单，但存在以下局限性：

光照敏感 ：光线变化会显著影响检测效果。
无法处理遮挡 ：小鼠被部分遮挡时容易丢失目标。
缺乏语义信息 ：无法区分小鼠和其他移动物体（如实验器材）。

YOLOv5 是一种高效的目标检测模型，结合 DeepSORT 多目标跟踪算法，可以解决传统方法的痛点：

高精度检测 ：YOLOv5 能够准确识别小鼠的位置和姿态。
鲁棒跟踪 ：DeepSORT 通过特征匹配和运动预测，解决遮挡和 ID 切换问题。
实时性强 ：轻量化模型（如 YOLOv5n）可在普通硬件上实时运行。

摄像头选型 ：推荐使用 1080p 以上分辨率的工业摄像头，帧率不低于 30fps。
光照控制 ：实验环境应保持均匀光照，避免阴影和反光。可使用 LED 环形灯提供稳定光源。

YOLOv5n 是 YOLOv5 系列中最轻量化的模型，适合在资源受限的设备上运行。以下是部署步骤：

安装 PyTorch 和 YOLOv5 依赖库。
下载预训练的 YOLOv5n 模型权重。
加载模型并进行推理。

import torch

# 加载 YOLOv5n 模型
model = torch.hub.load('ultralytics/yolov5', 'yolov5n', pretrained=True)

# 设置模型为评估模式
model.eval()

为了将像素距离转换为实际厘米数，需要进行摄像头标定：

在迷宫中放置一个已知尺寸的标定板（如 10cm×10cm）。
拍摄标定板图像，计算像素与实际距离的比例。
应用透视变换校正图像畸变。

import cv2
import numpy as np

# 标定板尺寸（单位：cm）board_width = 10
board_height = 10

# 标定板在图像中的四个角点（像素坐标）pts_src = np.array([[x1, y1], [x2, y2], [x3, y3], [x4, y4]])

# 标定板的世界坐标（假设标定板在 Z = 0 平面）pts_dst = np.array([[0, 0], [board_width, 0], [board_width, board_height], [0, board_height]])

# 计算透视变换矩阵
M = cv2.getPerspectiveTransform(pts_src, pts_dst)

以下是计算开臂停留时间占比的 Python 代码片段，包含异常处理逻辑：

import time

# 定义开臂和闭臂的坐标范围（示例）open_arms = [[(x1, y1), (x2, y2), (x3, y3), (x4, y4)],  # 开臂 1
    [(x5, y5), (x6, y6), (x7, y7), (x8, y8)]   # 开臂 2
]

closed_arms = [[(x9, y9), (x10, y10), (x11, y11), (x12, y12)],  # 闭臂 1
    [(x13, y13), (x14, y14), (x15, y15), (x16, y16)]  # 闭臂 2
]

# 初始化计时器
open_arm_time = 0
total_time = 0
last_position = None
last_update_time = time.time()

while True:
    # 获取当前帧和小鼠位置
    frame = get_frame()
    mouse_position = detect_mouse(frame)

    if mouse_position is None:
        # 小鼠被遮挡，使用上一次的位置进行插值
        if last_position is not None:
            mouse_position = last_position
        else:
            continue

    # 检查小鼠是否在开臂
    in_open_arm = False
    for arm in open_arms:
        if point_in_polygon(mouse_position, arm):
            in_open_arm = True
            break

    # 更新时间
    current_time = time.time()
    time_elapsed = current_time - last_update_time
    total_time += time_elapsed

    if in_open_arm:
        open_arm_time += time_elapsed

    last_position = mouse_position
    last_update_time = current_time

    # 计算开臂停留时间占比
    open_arm_ratio = open_arm_time / total_time if total_time > 0 else 0
    print(f"Open arm time ratio: {open_arm_ratio:.2f}")

解决方案 ：使用自适应阈值或直方图均衡化预处理图像。
示例代码 ：

# 自适应阈值处理
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
adaptive = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)