A step toward model selection in unsupervised clustering of animal behavior

Abstract

Dyrs bevegelsesmønster deles ofte inn i distinkte atferder, karakterisert av et sett kroppsbevegelser. Ved bruk av tidsfrekvensanalyse til å nyttegjøre informasjon om gjentakende bevegelsesmønstre, etterfulgt av dimensjonreduksjonmetoder som "principal component analysis" og "t-stochastic neighbor embedding", kan vi separere og visualisere ulike atferder i et todimensjonalt rom. Denne metoden bruker vi på ekte sensordata, og grupperer atferden til fritt romsterende rotter. Vi undersøker måter å gjennomføre modellselektering og bruker resultatene til å vise hvordan å inkludere sensordata fra værhårene i tillegg til sensordata fra kroppsdeler endrer atferdgrupperingen. Videre undersøker vi bruken av topologisk dataanalyse som et verktøy for å sammenligne modeller, ved å se på overganger mellom atferder som rettede kanter i en vektet graf. Slik sikter vi på en mer kvantitativ modellselekteringsfase.

Animal movements are commonly divided into distinct behaviors characterized by a set of body movements. Using time-frequency analysis to extract information about repeating movement patterns, followed by dimensionality reduction techniques such as principal component analysis and t-distributed stochastic neighbor embedding, we can separate and visualize such behaviors in a two-dimensional space. Applying this methodology to sensor data, we cluster the behavior of freely behaving rats. We investigate ways of performing model selection and use the results to show how including facial tracking recordings in addition to postural sensor data changes behavioral segmentation. Additionally, we investigate the use of topological data analysis as a tool for comparing behavioral mappings, by viewing transitions between behaviors as edges in a weighted directed graph. In doing so, we aim at an increasingly quantitative model selection phase.