Dissertação

{en_GB=Deep Classifiers for Robust Larval Zebrafish Behaviour Classification} {} EVALUATED

{pt=Larvas de peixe zebra, com cinco dias de idade, exibem um reportório rico de comportamentos inatos que lhes permitem explorar o mundo, manter a posição no ambiente, caçar e fugir de predadores, fazendo com que sejam um modelo interessante para estudar comportamento em laboratório. Os melhores modelos actuais de classificação de movimentos do peixe zebra dependem de uma infra-estrutura complexa para classificar os dados necessitando de calcular parâmetros cinemáticos do movimento, fazendo com que estes modelos não possam ser usados quando estes não podem ser calculados. Usando um repositorio de milhões de movimentos de larvas de peixe zebra, este projecto tem como objectivo estudar se técnicas de deep learning podem ser usadas para melhorar estes métodos de classificação de movimento. O objectivo é criar um conjunto de classificadores que sejam capazes de obter a mesma performance que os métodos actuais de classificação, mas recorrendo apenas a dados de tracking não calculando qualquer parâmetro cinemático do movimento. Neste projecto, são propostas várias arquitecturas de redes diferentes, considerando diferentes inputs. Estas redes foram optimizadas tendo em conta a sua capacidade de obter uma classificação robusta sem recurso a parâmetros calculados manualmente, entre diferentes tipos de dados, arquitecturas e funções de activação. Os resultados mostram que é possível obter classificadores precisos independentemente do tipo de input. Além disso, os resultados revelam que neste contexto, aumentar a complexidade da rede não aumenta a sua capacidade de classificação, mas que, combinar várias fontes de dados contribui para um aumento ligeiro da precisão na classificação., en=Zebrafish larvae as young as five days post-fertilization already exhibit a rich repertoire of innate behaviors enable them to explore the world, maintain their position in a changing environment, hunt, escape from threatening stimuli and more, making them attractive models to study behavior in the lab. Current state-of-the-art zebrafish behavior classification techniques depend on identifying complex kinematic features in order to classify the data, and thus cannot be applied in experiments where such features cannot be calculated. Taking advantage of an existing large dataset of millions of zebrafish movements across a wide range of stimuli, this project will focus on studying how deep learning techniques can be used to improve current state-of-the-art zebrafish behavior analysis methods. The aim of this thesis is to create a set of behavior classifiers that achieve robust classification of the zebrafish locomotor repertoire using only some of the tracking data without the need for kinematic feature calculation. Based on different types of input information, several deep classification networks are proposed. The proposed networks are optimized evaluating their capacity for achieving a robust behavior classification across different input types, architectures and activation functions without requiring any feature computation. Results show that it possible to achieve robust featureless behavior classification of zebrafish movements using all the different input types. In addition, results reveal that in this context using more complex network architectures does not increase the classification performance but combining different information sources helps improve the classification accuracy.}
{pt=Peixe zebra, Comportamento, supervised machine learning, deep learning, en=Zebrafish, Behavior, Supervised machine learning, Deep learning}

Junho 17, 2019, 16:30

Orientação

ORIENTADOR

Jacinto Carlos Marques Peixoto do Nascimento

Departamento de Engenharia Informática (DEI)

Professor Auxiliar

ORIENTADOR

Alexandre José Malheiro Bernardino

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado