Nueva tecnología revoluciona el monitoreo del comportamiento de los macacos

Monitorear cómo se comportan los animales es súper importante para saber si están felices y sanos. Tradicionalmente, los científicos miraban a los animales en persona o se pasaban horas revisando grabaciones, lo que consumía mucho tiempo y podía estar sesgado. Afortunadamente, la tecnología está ayudando con esta tarea. El Aprendizaje automático, una tecnología que permite a las computadoras aprender y tomar decisiones, ahora está ayudando a los científicos a analizar el comportamiento animal más rápido y con más precisión.

Los primates, especialmente los macacos, a menudo se estudian porque son similares a los humanos en varias maneras. Sin embargo, ver qué hacen los macacos puede ser complicado, especialmente cuando están en parejas o se esconden detrás de objetos. Para mejorar esta situación, los investigadores crearon un nuevo modelo llamado MacqD, diseñado para detectar macacos en videos, incluso cuando están parcialmente ocultos.

#La Necesidad de Monitorear el Comportamiento Animal

Entender el comportamiento de los animales es fundamental por muchas razones, como asegurar su bienestar y estudiar sus funciones cerebrales. Cuando notamos cómo actúan los animales, podemos averiguar cómo se sienten. Por ejemplo, si un macaco parece estresado o ansioso, puede ayudar a los científicos a hacer cambios en su entorno para mejorar su bienestar.

Pero vigilar el comportamiento animal no es tarea fácil. Los métodos tradicionales, aunque útiles, requieren mucho trabajo manual y pueden llevar a errores. Con la tecnología mejorada, los investigadores esperan simplificar este proceso para obtener información precisa sin pasar horas en observaciones tediosas.

#El Papel del Aprendizaje Automático

El aprendizaje automático se está utilizando cada vez más para analizar el comportamiento animal. Usando grabaciones de video de los animales, los investigadores pueden entrenar a las computadoras para que reconozcan diferentes acciones y movimientos. Esto significa que pueden procesar grandes cantidades de datos en una fracción del tiempo que le tomaría a una persona.

Se ha usado el aprendizaje automático con éxito para rastrear animales de laboratorio más pequeños como ratones y moscas. Sin embargo, rastrear animales más grandes como primates no humanos presenta desafíos adicionales. Para lograr esto, los científicos necesitan asegurarse de que pueden encontrar y seguir a estos animales en los videos de manera precisa, incluso cuando están muy juntos o escondidos.

#Desafíos de Rastrear Macacos

Los macacos, específicamente los macacos rhesus, se estudian a menudo porque sus cerebros y comportamientos pueden ofrecer información relevante para los humanos. Pero rastrearlos no es tan fácil como suena. Tienen cuerpos flexibles, tienden a moverse mucho y pueden confundirse fácilmente unos con otros, especialmente si comparten patrones de pelaje similares.

En intentos recientes de rastrear macacos, algunos métodos se centraron en reconocer sus caras o detectar sus cuerpos en videos. Aunque algunos de estos métodos mostraron promesas, a menudo fallaron cuando las cosas se complicaban, como cuando dos macacos estaban cerca o cuando uno estaba parcialmente oculto.

En resumen, aunque ha habido avances, la necesidad de una mejor solución sigue presente.

#Presentando MacqD

Para enfrentar estos desafíos, los investigadores desarrollaron MacqD, un modelo de aprendizaje automático creado para detectar y reconocer macacos rhesus en videos tomados en su entorno. MacqD utiliza un tipo específico de tecnología llamada Mask R-CNN, que es excelente para identificar objetos en imágenes.

MacqD fue diseñado específicamente para lidiar con las complejidades de estudiar macacos en sus jaulas, capturando sus movimientos e interacciones incluso en condiciones desafiantes, como cuando están parcialmente ocultos o cuando hay reflejos en el vidrio.

#Recolección de Datos

Para desarrollar y probar MacqD, los investigadores recopilaron videos de macacos de una instalación de investigación. Estos videos se grabaron con cámaras instaladas para capturar sus actividades diarias. La configuración se diseñó para asegurar que los macacos estuvieran en un ambiente cómodo con suficiente espacio y cosas con las que jugar.

Los investigadores recolectaron una variedad de grabaciones durante varios años, que incluían un gran número de cuadros para entrenar y probar MacqD de manera efectiva. Se aseguraron de que las grabaciones incluyeran diferentes condiciones de iluminación, ángulos y escenas para simular la vida real con precisión.

#Anotando los Datos

Una vez que se recopilaron los videos, los investigadores necesitaban marcar las posiciones de los macacos en cada cuadro. Hicieron esto usando herramientas especiales que les permitieron crear contornos alrededor de los animales. Estas marcas ayudaron a la computadora a aprender dónde estaban los macacos y cómo se movían.

Al tener anotaciones precisas, MacqD pudo aprender mejor y mejorar su precisión de detección. Las anotaciones se realizaron cuidadosamente, asegurándose de resaltar a los macacos en primer plano e ignorar a cualquier otro animal en el fondo.

#Cómo Funciona MacqD

MacqD funciona analizando cuadros de video para detectar dónde están los macacos. Utiliza algoritmos avanzados para proporcionar una caja alrededor de cada macaco, asegurándose de que pueda rastrearlos de manera efectiva. La técnica le permite diferenciar entre animales individuales, incluso cuando están cerca o uno está parcialmente oculto.

El modelo opera en dos etapas: primero, encuentra áreas en el video donde podrían estar los macacos, y luego hace un zoom para identificar cada macaco con más precisión. Este proceso en dos pasos ayuda a MacqD a lograr precisión mientras maneja desafíos de la vida real, como obstrucciones o reflejos.

#Experimentos para Probar MacqD

Para ver qué tan bien funcionaba MacqD, los investigadores realizaron una variedad de experimentos. Lo probaron en diferentes videos con macacos individuales y parejas de macacos.

#Experimento 1: Detección de un Solo Macaco

En el primer experimento, MacqD fue puesto a prueba utilizando videos de macacos individuales que previamente se habían utilizado para entrenar. Los investigadores midieron qué tan precisamente podía identificar cada macaco en comparación con otros modelos y métodos existentes.

El resultado fue abrumadoramente positivo, con MacqD mostrando altas tasas de precisión y recuperación, lo que significa que era muy efectivo en detectar a los macacos. Este experimento ayudó a subrayar las fortalezas de MacqD al detectar macacos individuales con precisión, incluso en condiciones difíciles.

#Experimento 2: Detección de Macacos en Pareja

En el segundo experimento, el enfoque se trasladó a parejas de macacos en la misma jaula. El desafío era mayor porque distinguir entre dos animales en movimiento puede ser complicado.

Los investigadores nuevamente probaron MacqD contra otros modelos. Los resultados mostraron que MacqD aún podía detectar efectivamente a ambos macacos en pareja, demostrando su robustez en situaciones más desafiantes. Este éxito destacó aún más la adaptabilidad y efectividad de MacqD.

#Agregando un Algoritmo de Seguimiento

Para ver si el rendimiento de MacqD podría mejorarse aún más, los investigadores decidieron agregar un algoritmo de seguimiento. Este algoritmo ayuda a mantener un registro de dónde se mueve un macaco de un cuadro de video al siguiente. La idea era reducir las detecciones perdidas cuando los macacos quedaban brevemente ocultos.

Sin embargo, los resultados fueron mixtos. En algunos escenarios, el seguimiento mejoró la recuperación al captar detecciones perdidas, mientras que en otros casos, redujo ligeramente la precisión debido a un aumento en los falsos positivos. Esta variación mostró que, si bien agregar un sistema de seguimiento podría mejorar los resultados, no era una solución universal.

#Generalizando el Rendimiento de MacqD

Uno de los aspectos esenciales de MacqD es qué tan bien puede adaptarse a nuevas situaciones. Los investigadores lo probaron no solo en grabaciones de la instalación original, sino también en videos de un centro de investigación diferente.

MacqD continuó funcionando bien, demostrando que podía generalizar su aprendizaje a nuevos entornos y a animales que nunca había visto antes. Esta capacidad es crucial porque sugiere que MacqD podría usarse en una variedad de configuraciones, convirtiéndolo en una herramienta valiosa para los investigadores.

#Conclusión

En resumen, MacqD es una solución novedosa y efectiva para monitorear el comportamiento de los macacos en entornos de laboratorio. Al utilizar técnicas avanzadas de aprendizaje automático, puede detectar y rastrear macacos con precisión bajo condiciones desafiantes.

Aunque quedan algunos desafíos, particularmente en lo que respecta a obstrucciones o cuando múltiples macacos están muy cerca, MacqD muestra un gran potencial como herramienta para los investigadores interesados en estudiar el comportamiento animal. La combinación de alta precisión, adaptabilidad y facilidad de uso lo convierte en un desarrollo emocionante en la investigación del comportamiento animal.

Con MacqD, los científicos pueden pasar menos tiempo viendo videos y más tiempo asegurándose del bienestar de sus peludos sujetos de investigación. ¡Ahora, si tan solo pudieran enseñar a los macacos a ver los videos ellos mismos!