Công cụ mới cho phép chụp động vật cử động không đánh dấu theo thời gian thực

Gollum trong Chúa tể của những Chiếc nhẫn, Thanos trong The Avengers, Snoke trong Chiến tranh Giữa các Vì sao, Na'vi trong Avatar: tất cả chúng ta đều đã trải nghiệm những điều kỳ diệu của chuyển động quay, một kỹ thuật điện ảnh theo dõi chuyển động của diễn viên và "dịch" chúng thành hoạt hình máy tính để tạo ra một nhân vật kỹ thuật số chuyển động, cảm xúc — và có thể một ngày nào đó sẽ đoạt giải Oscar.

Nhưng điều mà nhiều người có thể không nhận ra là tính năng chụp chuyển động không những giới hạn ở màn hình lớn, mà còn mở rộng sang lĩnh vực khoa học. Các nhà khoa học hành vi đã và đang phát triển và sử dụng các công cụ tương tự để nghiên cứu, phân tích tư thế và chuyển động của động vật trong nhiều điều kiện khác nhau.

Nhưng các phương pháp chụp chuyển động cũng yêu cầu đối tượng mặc một bộ quần áo phức tạp với các điểm đánh dấu cho phép máy tính "biết" vị trí của từng bộ phận trên cơ thể trong không gian ba chiều. Điều đó có thể ổn đối với một diễn viên chuyên nghiệp, nhưng động vật có xu hướng chống lại việc mặc quần áo.

Để giải quyết vấn đề này, các nhà khoa học đã bắt đầu kết hợp tính năng ghi lại chuyển động với học sâu, một phương pháp cho phép máy tính đưa ra cách tối ưu hóa việc thực hiện một tác vụ, ví dụ: nhận ra một "điểm mấu chốt" cụ thể trong video. Ý tưởng là máy học theo dõi và thậm chí dự đoán chuyển động hoặc tư thế của động vật mà không cần đến các điểm đánh dấu bắt chuyển động.

Nhưng để có ý nghĩa sử dụng đối với khoa học hành vi, các công cụ theo dõi "không đánh dấu" cũng phải cho phép các nhà khoa học nhanh chóng - theo nghĩa đen trong thời gian thực - kiểm soát hoặc kích thích hoạt động thần kinh của động vật.

Điều này đặc biệt quan trọng trong các thí nghiệm cố gắng tìm ra phần nào của hệ thần kinh làm cơ sở cho một chuyển động của tư thế cụ thể.

DeepLabCut: học sâu, theo dõi tư thế không đánh dấu

Một trong những nhà khoa học đi đầu trong cách tiếp cận không có điểm đánh dấu là Mackenzie Mathis, người vừa gia nhập Trường Khoa học Đời sống của Ecole Polytechnique Fédérale de Lausanne (EPFL) từ Harvard. Phòng thí nghiệm của Mathis đã và đang phát triển một hộp công cụ phần mềm học sâu tên là DeepLabCut, có thể theo dõi và xác định chuyển động của động vật trong thời gian thực trực tiếp từ video.

Hiện nay, trong một bài báo đăng trên eLife, Mathis và người đồng cấp sau tiến sĩ ở Harvard của bà là Gary Kane đã giới thiệu một phiên bản mới có tên DeepLabCut-Live! (DLC-Live!). Có độ trễ thấp (trong vòng 15 mili giây tại hơn 100 FPS) —hoặc với mô-đun chúng tôi cung cấp để dự đoán trước tư thế, một mô-đun có thể đạt được phản hồi về độ trễ bằng không — và có thể được tích hợp vào các gói phần mềm khác.

Ban đầu phát triển DeepLabCut để nghiên cứu và phân tích cách động vật thích nghi với tư thế của chúng để đáp ứng với những thay đổi trong môi trường của chúng. Mathis nói: “Chúng tôi quan tâm đến cách các mạch thần kinh kiểm soát hành vi và đặc biệt là cách động vật thích nghi với những thay đổi nhanh chóng trong môi trường của chúng.

Ví dụ, bạn rót cà phê vào một cái cốc và khi đầy thì nó có một trọng lượng cụ thể. Tuy nhiên, khi bạn uống nó, trọng lượng sẽ thay đổi, do đó bạn không cần phải chủ động suy nghĩ về việc thay đổi lực cầm nắm của mình hoặc bạn phải nâng cánh tay lên bao nhiêu để đưa cốc cà phê đến miệng.

Đây là một điều rất tự nhiên mà chúng tôi làm và chúng tôi có thể thích ứng với những thay đổi này rất nhanh chóng. Nhưng điều này thực sự liên quan đến một lượng lớn các tế bào thần kinh kết nối với nhau, từ vỏ não đến tủy sống. " DLC-Live !, bản cập nhật mới cho "gói ước tính tư thế động vật" hiện đại sử dụng các mạng phù hợp để dự đoán tư thế của động vật dựa trên khung hình video, tính năng ngoại tuyến này cho phép lên tới 2.500 FPS trên GPU tiêu chuẩn .

Phân tích thông lượng cao làm cho nó trở nên vô giá đối với việc nghiên cứu và thăm dò các cơ chế hoạt động thần kinh. Giờ đây, với gói mới này, độ trễ thấp cho phép các nhà nghiên cứu đưa ra phản hồi cho động vật trong thời gian thực và kiểm tra các chức năng hành vi của các mạch thần kinh cụ thể.

Quan trọng hơn, nó có thể giao tiếp với phần cứng được sử dụng trong nghiên cứu tư thế để cung cấp phản hồi cho động vật. Mathis nói: “Điều này rất quan trọng đối với chương trình nghiên cứu của chúng tôi, nơi bạn muốn có thể điều khiển hành vi của động vật. "Ví dụ: trong một nghiên cứu về hành vi mà chúng tôi thực hiện, chúng tôi huấn luyện một con chuột chơi trò chơi điện tử trong phòng thí nghiệm và chúng tôi muốn tắt các tế bào thần kinh hoặc mạch não cụ thể trong một khoảng thời gian thực sự cụ thể, tức là kích hoạt tia laser để thực hiện di truyền quang học

Chúng tôi muốn làm cho DLC-Live! Siêu thân thiện với người dùng và làm cho nó hoạt động đối với mọi loài trong mọi bối cảnh", bà nói thêm: "Nó thực sự theo mô-đun và có thể được sử dụng trong nhiều bối cảnh khác nhau; người đang chạy thử nghiệm có thể thiết lập điều kiện và những gì họ muốn kích hoạt khá dễ dàng với giao diện người dùng đồ họa của chúng tôi. Chúng tôi cũng xây dựng khả năng sử dụng nó với các nền tảng khoa học thần kinh phổ biến khác. " Hai trong số các nền tảng thường được sử dụng đó là Bonsai và Autopilot, trong bài báo, Mathis và các đồng nghiệp của cô đã phát triển các gói phần mềm đó cho thấy cách DLC-Live! có thể dễ dàng làm việc với chúng. Mathis nói: “Nó kinh tế, có thể mở rộng và chúng tôi hy vọng đó là một tiến bộ kỹ thuật cho phép đặt ra nhiều câu hỏi hơn nữa về cách bộ não kiểm soát hành vi”.

Thanh Bình dịch

Nguồn: Lab Manager- Hoa Kỳ