Desenvolvimento de um método para classificação de comportamentos de ratos Wistar utilizando o algoritmo de aprendizado supervisionado Florestas Aleatórias (Random Forests)

• Ano de defesa: 2020
• Autor(a) principal: Schiaffino, Matheus Costa
• Orientador(a): Gottfried, Carmem Juracy Silveira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Transtorno do espectro autista; Modelos animais; Comportamento animal; Ratos Wistar; Aprendizado de máquina supervisionado; Algoritmos; Biologia computacional
• Link de acesso: http://hdl.handle.net/10183/213161

A despeito da grande importância dos testes comportamentais na pesquisa pré-clínica sobre os transtornos neuropsiquiátricos e do neurodesenvolvimento, como o transtorno do espectro do autismo (TEA), poucas ferramentas computacionais existem para avaliar quantitativamente o comportamento animal. Além disso, o funcionamento da maior parte das poucas ferramentas existentes depende de softwares adicionais ou de hardware de alto custo, como câmeras de profundidade e gaiolas instrumentadas. Neste trabalho, é apresentado um método para avaliação do comportamento de ratos Wistar a partir de vídeos do teste de campo aberto, empregando técnicas de visão computacional e aprendizado de máquina. Todos os passos do método, do processamento e segmentação das imagens até a aplicação dos algoritmos de aprendizado de máquina estão descritos aqui. Foram rotulados manualmente 47.466 quadros de 52 vídeos do teste de campo aberto, atribuindo a cada um deles uma de sete classes: caminhando, cheirando, escalando, rearing, autolimpeza, imobilidade e outros/sem certeza. Foi realizada subtração de fundo e binarização quadro-a-quadro para segmentar as imagens, separando a região correspondente ao animal do aparato de teste. A partir das imagens segmentadas, foram extraídos parâmetros geométricos de pose, e o método das janelas deslizantes foi empregado para levar em consideração o aspecto dinâmico do comportamento. Por fim, os dados extraídos foram utilizados juntamente com os rótulos manuais para treinar e comparar o desempenho de diversos classificadores utilizando algoritmos de aprendizado de máquina. Nosso sistema foi treinado para classificar os comportamentos caminhando (F1-score = 91,85%), cheirando (F1-score = 85,39%), rearing (F1-score = 80,94%), autolimpeza dianteira (F1-score = 59,39%), autolimpeza traseira (F1-score = 72,48%) e imobilidade (F1-score = 75,04%). O método desenvolvido permite detecção rápida e precisa dos comportamentos treinados, consistindo, portanto, em uma ferramenta valiosa para a pesquisa pré-clínica.