Eine neuartige Methode zur automatischen Analyse der Aktivität von Fast

Scientific Reports Band 13, Artikelnummer: 11476 (2023) Diesen Artikel zitieren

342 Zugriffe

1 Altmetrisch

Details zu den Metriken

Verhaltensindizes gelten als wichtige Kriterien zur Beurteilung des Tierwohls. Eines der grundlegenden Verhaltensweisen von Tieren, die in Ethogrammen berücksichtigt werden, ist ihre Aktivität. Die Beurteilung sich schnell bewegender Tiere durch den Menschen mithilfe der visuellen Beobachtungsmethode ist schwierig und wenig objektiv. Ziel der Forschung war es daher, eine Methode zur automatisierten Analyse der Tieraktivität zu entwickeln, die insbesondere bei der Beobachtung schneller und lebhafter Individuen nützlich ist, und ihre Eignung zur Beurteilung des Verhaltens sich schnell bewegender Tiere nachzuweisen. Mithilfe digitaler Bildanalyse wurde eine Methode zur automatischen Bewertung der Tieraktivität entwickelt, wobei die Programmiersprache Python und die OpenCV-Bibliothek die grundlegenden Werkzeuge waren. Das Forschungsmodell waren Callimico goeldii-Affen, die in einem zoologischen Garten gehalten wurden. Diese Methode korreliert nachweislich gut (Rs = 0,76) mit der visuellen Methode der Tierverhaltensanalyse. Die entwickelte automatische Auswertung des Tierverhaltens ist um ein Vielfaches schneller als die visuelle Analyse und ermöglicht eine präzise Beurteilung der täglichen Aktivität sich schnell bewegender Tiergruppen. Durch die Verwendung dieses Systems ist es möglich, einen Aktivitätsindex mit einer Auflösung von weniger als einer Sekunde zu erhalten, der es ermöglicht, es im Online-Modus als Detektor für abnormale Tieraktivitäten zu verwenden, z. B. zur Früherkennung von Krankheiten oder plötzlichen Ereignissen, die sich durch erhöhte oder manifestierte Aktivität zeigen verminderte Aktivität im Vergleich zum Standardaktivitätsmuster.

Verhaltensindizes gelten als wichtige Kriterien zur Beurteilung des Tierwohls. Es gibt verschiedene Methoden zur Beobachtung und Aufzeichnung des Verhaltens von Tieren. Ursprünglich wurden nur direkte Methoden mit Anwesenheit eines Beobachters am Standort des Tieres verwendet1. Die manuelle Verhaltensanalyse wird durch zwei unüberwindbare Hindernisse massiv eingeschränkt: die Komplexität der Verhaltensmuster und die menschliche Voreingenommenheit. Störungen im Verhalten von Tieren, die auf die Anwesenheit eines Beobachters in ihrer Nähe zurückzuführen sind, und die Entwicklung der Technologie haben zu einem zunehmenden Einsatz indirekter Methoden geführt, bei denen das Verhalten aus der Ferne aufgezeichnet wird. Zunächst wurden analoge Aufnahmen auf Filmband, später auch auf Magnetbändern (VHS-Kassetten) mit Hilfe von Zeitraffer-Videorecordern gemacht. Heutzutage werden Überwachungskameras und digitale Aufzeichnungen auf Flash-Medien (HDD, SSD, Speicherkarten usw.) am häufigsten zur Verhaltensbeobachtung und Datenerfassung eingesetzt. Die Verbreitung von Überwachungskameras hat in Kombination mit ihrer guten Bildqualität und niedrigen Preisen dazu geführt, dass Bilder zunehmend als Informationsquelle über Tieraktivitäten genutzt werden. Diese These wird durch die wachsende Zahl wissenschaftlicher Arbeiten bestätigt, in denen Videoaufzeichnungen als Informationsquelle genutzt wurden2,3. Neben den am häufigsten eingesetzten Tierbeobachtungstechniken mit Videoüberwachung kommen auch andere Methoden zur Aufzeichnung des Tierverhaltens zum Einsatz, wie zum Beispiel die Radiofrequenz-Identifikation (RFID) – am häufigsten in geschlossenen Räumen4 – und im vorliegenden Fall das Global Positioning System (GPS). von Tieren, die in freier Wildbahn leben oder in Freiflächen gehalten werden5.

Da es in zoologischen Gärten zahlreiche Tierarten gibt, deren Biologie und Verhalten noch wenig verstanden sind, ist es wichtig, ihr Verhalten zu beobachten und zu analysieren, um ein angemessenes Maß an Tierschutz zu gewährleisten.

Eine der in verschiedenen zoologischen Gärten in großer Zahl vorkommenden Arten ist Callimico goeldii (im weiteren Verlauf dieses Artikels Callimico-, Mico- oder Goeldi-Affen genannt), ein südamerikanischer Primat, der in den tropischen Regenwäldern der oberen Amazonasregion vorkommt6. Callimico wurde erstmals 1904 von Oldfield Thomas beschrieben und nach dem Schweizer Zoologen Emil Goeldi7 benannt. Der Körper dieses Tieres misst 19 bis 25 cm, der Schwanz 26 bis 35 cm und sein Körpergewicht beträgt etwa 360 g. In Gefangenschaft ist das Körpergewicht normalerweise höher, etwa 500 g. Für diese Art ist es typisch, dass sie pro Wurf nur ein Junges zur Welt bringt. Schwarze Miko brüten zweimal im Jahr. Die Geburten erfolgen von Februar bis März und Ende August. Schwarze Mikos leben in der Natur in kleinen Gruppen (im Durchschnitt etwa 4–5 Erwachsene pro Gruppe, mindestens 2 und höchstens 12)8.

In der Natur wandert und ernährt sich Callimico goeldii in den unteren Teilen des Waldes und bevorzugt, wie die meisten Baumtiere, dichtes Dickicht. Er lebt sowohl in Primärwäldern mit dichtem Unterholz als auch in Sekundärwäldern, gedeiht aber besonders gut in Bambuswäldern. Callimico gilt als „Unterholzspezialist“ – er lebt in einer Höhe von 4–5 m über dem Waldunterholz9. Es verfügt über viele anatomische Anpassungen zum vertikalen Ergreifen kleiner Bäume und zum Springen zwischen ihnen sowie zum Ergreifen großer Baumstämme und Lianen in geringer Höhe. Es hat lange Hinterbeine und modifizierte Armknochen, um die Kräfte bei weiten Sprüngen abzuleiten. Darüber hinaus verfügen sie über spezielle Krallen, mit denen sie sich an großen vertikalen und stark geneigten Stützen im Unterholz des Waldes festklammern10,11. Es wurde beobachtet, dass Callimico über kurze Distanzen schnell beschleunigt12, indem er Quadrupedallauf nutzt: eine schnelle Form der pronograden Bewegung mit Diagonalsequenz/Diagonalpaar, die keine Schrittphase in der Luft beinhaltet. Göldi-Affen zeichnen sich durch schnelle und häufige Orts-, Positions- und Substratwechsel aus. In der Natur ernährt sich Callimico hauptsächlich von Früchten, Pilzen und Kleintieren. Gruppen von Callimico goeldii suchen ihre Nahrung normalerweise im unteren Waldgebiet, zwischen dünnen Zweigen und auf Streu8. Die Jagdstrategie von Callitrichidae umfasst: Scannen, Fortbewegung, Anspringen und Fangen der Beute entweder mit dem Mund oder mit den Händen13.

Was ihre tägliche Aktivität in der Natur angeht, gehen Callimicos zwischen 17:00 und 18:00 Uhr zu ihrem Ruheplatz und bleiben dort bis 06:00 Uhr. Der Schlafplatz ist ein typisches Gewirr aus Ästen, Lianen, Lianen und dichter Vegetation in einer Höhe von etwa 10 m über dem Waldboden. Nach Langzeitbeobachtungen im Nordwesten Boliviens stellt sich ihre Gesamtaktivität wie folgt dar: Ruhen 66 %, Reisen (Bewegung) 17 %, Essen 9 %, Nahrungssuche 6 %, sonstiges Verhalten 2 %. Callimico verbringt im Ruhezustand mehr Zeit wach (bis zu 87 %) als andere Tamarine8.

Eines der grundlegenden Verhaltensweisen von Tieren, die in Ethogrammen berücksichtigt werden, ist die Mobilität, die anhand des Aktivitätsniveaus eines Tieres in einem bestimmten Zeitraum gemessen werden kann. Die Bewegung eines Organismus, definiert als eine Veränderung der räumlichen Lage des gesamten Individuums im Laufe der Zeit, ist ein grundlegendes Merkmal des Lebens und wird durch Prozesse angetrieben, die über mehrere räumliche und zeitliche Skalen hinweg wirken14. Die Bewegung von Tieren ist ein wesentliches Merkmal biologischer Systeme und prägt deren Struktur und Dynamik vom individuellen Verhalten bis hin zur Ebene der Gemeinschaft oder des Ökosystems15. Die Aktivität von Tieren kann unter anderem durch das Verhalten anderer Personen, die Gesundheit, den Wunsch, den Hunger zu stillen, einen Partner zu finden, oder durch die Umweltbedingungen, in denen die Tiere gehalten werden, beeinflusst werden14. Man kann also sagen, dass die Beurteilung des Verhaltens von Tieren für das Verständnis des Tierlebens von wesentlicher Bedeutung ist16.

Die Besonderheit des Verhaltens von Callimico goeldii und anderen agilen und sich schnell bewegenden Tieren macht es schwierig und zeitaufwändig, ihr Verhalten visuell zu beobachten und zu analysieren3. Bekanntermaßen werden Anstrengungen unternommen, um die Unterschiede zwischen natürlichen Verhaltensmustern in freier Wildbahn und Tierverhalten in Zoos zu minimieren. Die Überwachung von Tieren in Zoos hilft zu erkennen, inwieweit ihr Verhalten von natürlichen Mustern abweicht. Daher sollte die Verhaltensanalyse in Zoos einfach und schnell durchführbar sein.

In der Literatur finden sich verschiedene Methoden zur automatischen Überwachung der Tieraktivität. Diese Methoden basieren auf verschiedenen Algorithmen und Computertools. Die beliebtesten sind: Anpassung an ein definiertes Modell17,18, Referenzbild19,20, Intensitätsdifferenz21, neuronale Netze22,23, Support Vector Machine18.

Es ist zu beachten, dass die in der Literatur beschriebenen Methoden bestimmte technische Bedingungen erfordern, die in Zoos möglicherweise nicht erfüllt werden, oder fortgeschrittene Berechnungen (z. B. Algorithmus-Trainingsprozesse) erfordern, was die für die Datenverarbeitung erforderliche Zeit verlängert und im Extremfall die Datenverarbeitung beeinträchtigt Es ist unmöglich, durchschnittliche Ausrüstung zu verwenden.

Ziel der Forschung war es daher, eine Methode zur automatisierten Analyse der Tieraktivität zu entwickeln, die insbesondere bei der Beobachtung agiler Individuen nützlich ist, und ihre Eignung für die Beurteilung des Verhaltens von sich schnell bewegenden Tieren in Zoos wie dem von Goeldi nachzuweisen Affen.

Unsere Forschung (Genehmigung Nr. 29/2015) bestand aus der nicht-invasiven, kamerabasierten Beobachtung von Tieren, ohne zusätzliche Faktoren in ihre Umgebung einzubringen.

Solche Tätigkeiten bedürfen gemäß der RICHTLINIE 2010/63/EU DES EUROPÄISCHEN PARLAMENTS UND DES RATES vom 22. September 2010 zum Schutz der für wissenschaftliche Zwecke verwendeten Tiere nicht der Zustimmung der Ethikkommission.

Videobeobachtungen wurden im Schlesischen Zoologischen Garten in Chorzów, Polen, in Gehegen durchgeführt, in denen Göldi-Affen (Callimico goeldii) leben.

Wir haben Verhaltensdaten für eine bestimmte Tiergruppe gesammelt – eine Familie von Göldi-Affen (Callimico goeldii). Die Familiengruppe bestand aus neun Tieren: fünf Weibchen und vier Männchen.

Das Innengehege für Callimico goeldii befand sich im Affenhauspavillon im Schlesischen Zoologischen Garten in Chorzów. Die Abmessungen des Innengeheges für diese Affen betrugen 4 m × 2,85 m. Von der Publikumsseite und dem Lauf ist der Raum verglast. Der Rest der Wände besteht aus dekorativen Elementen, die Steine ​​imitieren. Die Temperatur im Raum wurde auf 24 °C gehalten. Die Luftfeuchtigkeit im Raum betrug etwa 75 %, um die klimatischen Bedingungen denen in der Natur anzunähern. Die Luftfeuchtigkeit wurde täglich kontrolliert und bei Bedarf durch manuelles Aufstreuen des Substrats auf den Boden erhöht. Auf dem Substrat befindet sich Kiefernrinde, um es feucht zu halten. Neben fest installierten Elementen, wie den Holzregalen, befanden sich im Raum auch vier wärmeabgebende Heizkörper, die aus Sicherheitsgründen von einem Metallgitter umgeben waren. Der Raum verfügt über dünne und dicke Äste, die zur Dekoration gehören, sowie über Regale, auf denen Tiere laufen und springen können. Darüber hinaus werden saisonal geerntete kleine Nadel- und Laubbäume aus dem Garten in das Gehege gesetzt. Die Hausmeister versuchten sicherzustellen, dass der Raum viele lebende Pflanzen hatte, die zur Aufrechterhaltung einer ausreichenden Luftfeuchtigkeit beitrugen.

In den Innengehegen des Schlesischen Zoologischen Gartens in Chorzów wurde eine Familie von Goeldi-Affen 12 Tage lang (24-Stunden-Beobachtung) vom 3. bis 14. März mit einer Digitalkamera (Modell: BCS AT V554OSDIR48), System PAL, CCD 1/, beobachtet. 3 SONY. Diese Kamera wurde in den oberen Teilen des Raumes in einer Höhe von 3,2 m installiert. Es zielte auf die Regale ab, in denen sich die Affen am häufigsten aufhielten und miteinander interagierten.

Das gesammelte Filmmaterial umfasst 12 Tage, also 288 Stunden Aufnahme. Das Video wurde mit einem BCS-Recorder (BCS-0804LE-L) aufgenommen, der mit einer 1-TB-SATA-Festplatte und einem DVD-Recorder ausgestattet ist. Die Videoübertragung erfolgte über ein 75 Ohm Conotech NS100 Trishield-Koaxialkabel. Die Kamera wurde mit einem BNC-Stecker an den oben genannten Rekorder angeschlossen. Im Analysezeitraum wurden insgesamt 14.515.200 Bilder aufgezeichnet. Das Bild der Kamera wurde mit einer Auflösung von 704 × 576 (B×H) Pixeln und einer Bildrate von 14 Hz pro Sekunde aufgenommen. Die Kamera war mit einer zusätzlichen Infrarotbeleuchtung ausgestattet, die es ermöglichte, die Tiere auch nachts zu beobachten.

Für die manuelle visuelle Beurteilung der Tieraktivität wurde die Software BCS Smart Player (Version 3.44.0) verwendet. Automatisierte numerische Verfahren wurden in der Python-Programmierumgebung (Version 3.8) und unter Verwendung vorgefertigter OpenCV-Pakete nur für die CPU (opencv-python, MIT-Lizenz) entwickelt. Berechnungen und automatisierte Analysen wurden auf einem Computer mit durchschnittlichen technischen Parametern (Intel(R) Xeon(R) CPU E3-1240 v3 bei 3,40 GHz; RAM 16 GB; NVIDIA Quadro K2000-Grafik) unter Windows 10 (× 64) durchgeführt.

Die visuelle Analyse von Goeldis Affenverhalten durch einen menschlichen Beobachter, basierend auf dem gesammelten Videomaterial, wurde auf zwei Arten durchgeführt:

Allgemeine Analyse – Analyse des Rhythmus der 24-Stunden-Aktivitäts- und Ruhephasen der Tiere anhand des gesamten gesammelten Videoaufzeichnungsmaterials (Analysedauer – 72 Stunden)

Detaillierte Analyse – Analyse der Aktivität während des Tages basierend auf einem 10-minütigen, zufällig ausgewählten Fragment von Videoaufzeichnungen gemäß der unten dargestellten Skala (M-Index):

0 – maximal zwei Personen zeigen körperliche Aktivität (keine Bewegung im Raum, sichtbare Einzelbewegungen von Körperteilen).

1–drei und mehr Personen zeigen körperliche Aktivität (keine Bewegung im Raum, sichtbare Einzelbewegungen von Körperteilen).

2–maximal vier Personen bewegen sich im Raum.

3–mindestens fünf Personen bewegen sich im Raum.

In dem Fall, dass sich die Tiere innerhalb des Raumes bewegten, wurde der Bewegung der Tiere, die sich nicht von ihrem Platz entfernten, keine Beachtung geschenkt. Für diese Aktivität wurden mindestens zwei Punkte vergeben.

Für diese Analyse benötigte der Beobachter etwa 95 Minuten.

Der vorgeschlagene Maßstab der detaillierten Analyse bezieht sich auf die unten beschriebene Methodik der automatischen Bildverarbeitung, bei der die Körperbewegung ohne die Bewegung des Individuums im Raum eine Änderung in einer geringeren Anzahl von Pixeln verursachte, verglichen mit der Bewegung der Affen im Raum.

Alle gesammelten Aufzeichnungen (288 Stunden lange Dateien – Analysezeit weniger als 60 Minuten) wurden für die automatische Analyse von Callimicos Verhalten verwendet. Die Ergebnisse der Detailanalyse wurden mit den Ergebnissen der automatischen Analyse verglichen.

Die im Folgenden vorgestellte Methode zur automatischen Beurteilung der Tieraktivität wurde für Göldi-Affen (Callimico goeldii) entwickelt und optimiert und berücksichtigt unter anderem die Herdenlebensweise, die Bewegungsgeschwindigkeit der Tiere und den geringen Gegenkontrast der Tiere der Hintergrund. Automatisierte Freilandanalysen eines Videoverfolgungssystems, das das Verhalten von Tieren analysiert, können eine empfindlichere Analyse des Verhaltens der Tiere liefern als die durch den menschlichen Beobachter.

Abbildung 1 zeigt ein Beispiel für zwei nacheinander aufgezeichnete Bilder (FPS = 14, Δt = 71,4 ms). Es ist deutlich zu erkennen, dass das Tier in der Bildmitte eine andere Körperhaltung hat. Dies zeigt, wie schnell sich diese Tiere bewegen können. Gleichzeitig erschwert dieses Verhalten die manuelle Beurteilung der Aktivität.

Beispiele für zwei nacheinander aufgenommene Filmbilder (aktuelles Bild links, nächstes Bild rechts), die Bilder wurden tagsüber aufgenommen. (KAM2, FPS = 14, Δt = 0,071 s). Die blauen rechteckigen Bereiche maskieren die Bereiche auf den Bildern, in denen Datum und Uhrzeit der Registrierung angezeigt werden.

Im Allgemeinen basiert die unten beschriebene vorgeschlagene automatische Aktivitätsbewertungsmethode auf einem Algorithmus, der die Differenz zwischen dem i-ten aktuellen Bild und den in N Bildrahmen vor dem aktuellen i-ten Bild enthaltenen Informationen berechnet. Als Ergebnis des Algorithmus wurden die Ai-Indexwerte für jedes Bild (mit Ausnahme der ersten N Bilder) erhalten.

Im Detail wurden Tagesabschnitte in Farbe als Film erfasst, während Nachtabschnitte in Graustufen erfasst wurden. Daher wurde in der Anfangsphase der Analyse jedes Bild in Graustufen mit Werten zwischen 0 (Schwarz) und 255 (Weiß) konvertiert. Dadurch wurde sichergestellt, dass tägliche und nächtliche Beobachtungen derselben algorithmischen Analyse unterzogen wurden. Jedes i-te Bild wurde mit einem Satz von N = 28 Einzelbildern (Zeitraum gleich 2 s) vor dem analysierten Bild verglichen. Für jedes Pixel im analysierten Bild wurde der quadratische Mahalanobis-Abstand (SMD)24 in Graustufen zwischen dem angegebenen Pixel und 28 Pixeln berechnet, die das Hintergrund-Graustufenverteilungsmodell bilden. Dies wurde durchgeführt, um festzustellen, ob ein bestimmtes Pixel vom Modell gut beschrieben wird. Wenn der SMD-Wert anschließend unter dem Wert 20 lag, wurde das Pixel vom Modell gut beschrieben und es wurde keine Änderung im Bild beobachtet. in anderen Fällen wurden Änderungen festgestellt. Der Wert 20 wurde experimentell als Kompromiss zwischen der Empfindlichkeit der Bewegungserkennung und der Wahrscheinlichkeit der Erzeugung falscher Signale ermittelt.

Schließlich wurde eine binäre Maske des Bildes erstellt, die Änderungen zwischen dem aktuellen Bild und dem 28. Hintergrundbild (unmittelbar vor dem i-ten analysierten Bild) darstellt, das Bewegungsbereiche darstellte. Unter Verwendung der Python-Sprache25 und der OpenCV-Bibliothek26 wurden die Berechnungen anhand der folgenden Anweisungen durchgeführt:

Zeile 1: MOG = cv2.createBackgroundSubtractorMOG2(history = 28, varThreshold = 20, discoverShadows = False);

Zeile 2: kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))

Zeile 3: mask_result = MOG.apply(frame_current);

Zeile 4: eroded = cv2.erode(mask_frame, kernel);

Bei der Ausführung des Python-Skripts wird auf der ersten Anweisung ein dediziertes Objekt MOG mit entsprechend eingestellten Parametern erstellt; wobei: Verlauf die Anzahl der Frames im Hintergrundmodell ist; varThreshold ist der Schwellenwert der quadrierten Mahalanobis-Distanz; und erkannte Schatten ist eine logische Variable, die angibt, ob erkannte Änderungen zwischen Bild und Hintergrund nur als Binärwerte oder auch als Zwischenwerte angezeigt werden. Diese Codezeile wird nur einmal ausgeführt.

Als Ergebnis der Ausführung der zweiten Codezeile wird der Objektkern als Strukturelement für den morphologischen Erosionsfilter erstellt (Form: Ellipse, Größe: 5 × 5). Auch diese Codezeile wird einmal ausgeführt.

In der dritten Codezeile haben wir ein Maskenbild (mask_result) erhalten, in dem die Pixeländerungen durch weiße Pixel dargestellt werden, während schwarze Pixel die unveränderten Bereiche darstellen. Frame_current stellt den i-ten aktuellen Bildframe dar, der aus dem Video entnommen wurde.

Neben der binären Maske, die Bewegung darstellte, wurde der Erosionsfilter angewendet27. Die Kerngröße des Filters wurde als Ellipsenelement (5 × 5) zum Bereinigen von Rauschen im Binärmaskenbild verwendet. Rauschen kann sowohl vom Bildsensor (Kamera) als auch vom Software-Konvertierungs- und Komprimierungsprozess erzeugt werden.

Abbildung 2 zeigt das endgültige Maskenbild, das den Unterschied zwischen dem in Abb. 1 (Panel rechts) dargestellten Bild und dem Hintergrundmodellbild darstellt, das mit den vorherigen 28 Bildrahmen erstellt wurde.

Das endgültige Bild des Unterschieds zwischen den in Abb. 1 (Panel rechts) dargestellten Bildern und dem Hintergrundmodellbild, das auf der Grundlage der vorherigen 28 Bildrahmen erstellt wurde. Weiße Pixel zeigen Bereiche an, in denen Änderungen festgestellt wurden.

Durch die Erstellung eines dynamischen Hintergrunds aus den 28 Bildern, die dem aktuell analysierten Bild vorangehen, können die Auswirkungen von Änderungen in der Szenerie im Blickfeld der Kamera (Änderungen in der Position von Objekten), die durch die Handlungen von Tieren und Betreuern (Futterbehälter) verursacht werden, neutralisiert werden. .

Für jedes Maskenbild nach der Filterung wurde der Anteil weißer Pixel im gesamten Maskenbild (A-Index genannt) berechnet, der proportional zur Aktivität der von der Kamera beobachteten Tiere ist. Tatsächlich entspricht der A-Index der Tieraktivität und enthält Elemente wie die Geschwindigkeit und Anzahl der Tierbewegungen.

Eine statistische Analyse wurde mit dem Softwaresystem STATISTICA (Version 13.3, TIBCO Software Inc.) durchgeführt. Alle Daten in Tabelle 1 sind als Mittelwerte ± SEM angegeben.

Die Normalität der Daten wurde mit dem Kolmogorov-Smirnov-Test überprüft. In allen getesteten Gruppen unterschieden sich die Verteilungen deutlich vom Normalwert. Die Rangkorrelationsanalyse (Rs) nach Spearman wurde durchgeführt, um die Beziehung zwischen analysierten Indizes zu untersuchen.

Der Kruskal-Wallis-ANOVA-Rangtest untersuchte, ob es einen Unterschied zwischen dem A-Index gruppiert nach der unabhängigen Variablen (M-Index) gab. Um zu überprüfen, welche Gruppen des A-Index statistisch signifikant sind, wurden mehrere Vergleiche mit dem Post-hoc-Dunn-Test durchgeführt.

Das Verhalten von Tieren und insbesondere ihre Aktivität ist ein wichtiger Indikator für das Wohlergehen der Tiere.

Der erste Schritt zur Beurteilung der Aktivität der Affen war eine visuelle Gesamtanalyse des gesammelten Videomaterials. Die gesammelten Beobachtungen haben es uns ermöglicht, eine deutliche Rhythmik in den Aktivitäts- und Ruhephasen der Goeldi-Affen in Abhängigkeit von der Tageszeit festzustellen. Darüber hinaus wurde die Aktivität dieser Tiere durch die Tätigkeiten des Personals, z. B. Füttern oder Reinigen der Gehege, beeinträchtigt. Der Beginn der 24-stündigen Aktivität der Affen fand zwischen 6:00 und 6:30 Uhr statt und endete zwischen 18:30 und 19:00 Uhr. Während der Tagesstunden wurden zu bestimmten Stunden wiederkehrende Aktivitätsspitzen beobachtet. Dies war auch an den folgenden Beobachtungstagen der Fall. Die Tageslichtaktivität von Callimico goeldi ist auch unter natürlichen Bedingungen typisch8.

Insbesondere in zoologischen Gärten, in denen den Tieren ihr natürlicher Lebensraum entzogen ist, ist die Automatisierung und damit Objektivierung der Bestimmung der Tieraktivität wichtig. Die in diesem Artikel beschriebene automatische Methode ermöglicht schnelle und objektive Messungen der Aktivität sich schnell bewegender Tiere. Darüber hinaus ermöglicht die vorgeschlagene Methode eine Beurteilung des Tierverhaltens nicht nur bei Bewegung in einer Ebene (z. B. auf dem Boden), sondern auch im dreidimensionalen Raum.

Abbildung 3 zeigt die Zeitverteilung (120 s mit einer Auflösung von 1 s) für die Indizes M und A als Beispiel für einen praktischen optischen Vergleich der Eigenschaften beider Diagramme. Es ist ersichtlich, dass für M > 1 der A-Index auch deutlich von Null verschiedene Werte annimmt.

Zeitbereichsverteilung (120 s, von 11:00 bis 11:02 LT, 04.03.2016) der Indizes M (rote Farbe) und A (blaue Farbe). M-Index – Tieraktivitätsindex gemäß der zuvor beschriebenen Skala (siehe detaillierte Analyse in Methoden); A-Index automatisch berechnet, weiter oben im Text beschrieben.

In Abb. 4 wurde der Zeitbereich des M-Index (oberes Feld) und des A-Index (unteres Feld) für einen Zeitraum von 10 Minuten (von 11:00 bis 11:10 Uhr LT, 04.03.2016) und die 11 Sekunden berechnet Es wurde eine einfache gleitende Durchschnittskurve angezeigt. Die Breite des gleitenden Durchschnitts von 11 Sekunden wurde experimentell unter Berücksichtigung der visuellen Klarheit des Diagramms gewählt. Durch die Analyse der Form der für beide Indizes berechneten gleitenden Durchschnittsdiagramme kann ein deutlicher Unterschied in der Dynamik der beiden Indikatoren beobachtet werden.

Die Grafik zeigt die zweiten Indizes M (oberes Feld) und A (unteres Feld) und ihre 11 Mittelungspunkte. Die präsentierten Daten decken den Zeitraum 600 s ab (von 11:00 bis 11:10 LT, 04.03.2016).

Es ist zu beachten, dass Index M nur vier diskrete Stufen (0, 1, 2, 3) annehmen kann und Index A Werte von 0 bis 100 mit einer Auflösung von 0,01 annehmen kann. Folglich kann mit guter Näherung geschlossen werden, dass Index A nahezu kontinuierlich ist. Die Folgen der unterschiedlichen Verteilungen beider Indikatoren sind in den Abbildungen deutlich zu erkennen. 3 und 4. Keiner der Indizes (M und A) bildet eine Normalverteilung und der Spearman-Korrelationskoeffizient (Rs) zwischen ihnen beträgt 0,49 und ist statistisch signifikant (p < 0,05).

Die Korrelation zwischen A1 und M2 (0,76) ist deutlich geringer als die, die in der Studie von Ott et al.28 an Schweinen erreicht wurde, wo zwischen der automatischen und der manuellen Methode Rs-Werte von etwa 0,9 erzielt wurden. Hervorzuheben ist auch, dass die Bewegungsgeschwindigkeit der Goeldi-Affen viel höher ist als die der Schweine, während die Körpergröße dieser Tiere kleiner ist als die der Schweine. Eine solche charakteristische Bewegung von Affen erschwert die manuelle Beobachtung und beeinflusst zweifellos den erhaltenen Korrelationswert.

Der Kruskal-Wallis-Rang-ANOVA-Test zeigte, dass der A-Index (abhängige Variable), aufgeteilt in vier Gruppen entsprechend dem Wert des M-Index (unabhängige Variable), zeigt, dass sich mindestens eine Gruppe von A-Indizes in den vier Gruppen von den anderen unterscheidet ( p < 0,0001). Die Analyse mehrerer Vergleiche der Rangmittelwerte (Post-hoc-Dunn-Test) für alle diskreten Werte des M-Index ergab, dass es lediglich keinen statistisch signifikanten Unterschied zwischen dem Median der A-Indizes gruppiert nach M = 0 und M = 1 gibt (S = 0,057), während sich die anderen Gruppen signifikant unterscheiden p < 0,001 (Abb. 5).

Die Ergebnisse des Post-hoc-Dunn-Tests.

Basierend auf dem M-Index-Zeitdatensatz wurden die drei Zeitaktivitätsindizes M0, M1 und M2 für jede Minute berechnet. Insbesondere stellt M0 den Zeitanteil dar, in dem der M-Index größer als 0 war, während M1 den Zeitanteil darstellt, in dem der M-Index größer als 1 war. Schließlich bezeichnet M2 den Zeitanteil, in dem der M-Index größer als 1 war 2. Basierend auf dem A-Index wurden die Aktivitätsindizes A0 und A1 für jede Minute berechnet, die den Zeitanteil darstellen, in dem der A-Index größer als 0 bzw. größer als 0,01 war.

Der höchste und signifikanteste Korrelationskoeffizient – ​​0,76 – wurde zwischen den Indizes A1 und M2 gefunden (p = 0,010). Darüber hinaus liegt der A1-Mittelwert (0,111) näher am M2-Mittelwert (0,077), unterscheidet sich jedoch deutlich bei p = 0,05. Es ist zu beachten, dass der M2-Indikator Informationen über eine große Anzahl von Personen liefert, die sich im beobachteten Raum bewegen. Bei der automatisierten Methode führt eine große Anzahl sich bewegender Tiere zu einer großen Anzahl weißer Pixel (im Maskenbild), die Bereiche anzeigen, in denen Veränderungen erkannt wurden. Dies führt dazu, dass der Wert des A-Indikators über den angenommenen Schwellenwert von 0,01 steigt, wodurch ein Wert ungleich Null für den A1-Indikator entsteht. Dies bedeutet, dass der mit der zeitaufwändigen visuellen Methode ermittelte M2-Indikator durch den mit der automatischen Methode einfach und schnell ermittelten A1-Indikator ersetzt werden kann.

Der nächsthöhere Korrelationskoeffizient – ​​0,60 – wurde zwischen den Indizes A0 und M2 gefunden (p = 0,064). Der A0-Mittelwert (0,174) kommt dem M1-Mittelwert (0,247) am nächsten, unterscheidet sich aber bei p = 0,05 immer noch erheblich (Abb. 6).

Die Zeit-Aktivitäts-Indizes wurden mit der menschlichen Analysemethode (M0, M1, M2) und der automatischen Methode (A0, A1) berechnet.

Abbildung 7 zeigt den Trend der A0- und A1-Indizes, die die Aktivität der Tiere mit einer Auflösung von 10 Minuten im untersuchten Zeitraum von 12 24-Stunden-Zeiträumen (03.–14.03.2016) beschreiben. Während der analysierten 24-Stunden-Zeiträume liegt der A0-Indexwert tagsüber (zwischen 6:30 und 18:30 Uhr) zwischen 0,05 und 0,30. Eine Ausnahme bilden die wiederholten Höchststände (am 4. und 5. März) beider Indizes zwischen 13:00 und 14:00 Uhr. Der Grund für die hohe Tieraktivität in den Spitzenzeiten ist die Anwesenheit eines Wächters (Fütterung, Reinigungsarbeiten), was durch visuelle Analyse der Videoaufzeichnungen zu dem durch die Indizes A0 und A1 angegebenen Zeitpunkt bestätigt wurde. Nachts (von 19:00 bis 6:00 Uhr) hingegen lagen die A0- und A1-Indizes beide bei Null, mit Ausnahme einiger weniger Fälle, in denen beide Indizes Maximalwerte unter 0,01 erreichten (Panels A–K).

Zeitliche Verteilung der A0- und A1-Aktivitätsindizes über 12 Tage mit einer Auflösung von 10 Minuten.

Die in Abb. 7 dargestellte Aktivität der Goeldi-Affen entspricht den Ergebnissen der Bewertung nach der allgemeinen Analysemethode und zeichnet sich durch eine deutliche Rhythmik in Abhängigkeit von der Tageszeit aus. Das Zeigen von Aktivität zu bestimmten Tageszeiten (von ca. 6:00 bis 19:00 Uhr) korreliert mit dem im Zoologischen Garten verwendeten Beleuchtungsprogramm, das den Empfehlungen im Callimico Species Survival Plan Husbandry Manual29 entspricht. Die in den Diagrammen sichtbaren Aktivitätsspitzen stehen im Zusammenhang mit der Nahrungsverteilung, was bei der allgemeinen Analyse bestätigt wurde. Auch andere Autoren zeigen eine Steigerung der Aktivität der Tiere im Zusammenhang mit dem Fressverhalten30. An Kapuzineraffen durchgeführte Studien haben gezeigt, dass die Beobachtung ihrer Gruppenmitglieder beim Fressen die Aktivität anderer Tiere steigert31, was mit unseren eigenen Beobachtungen übereinstimmt, als die Fressaktivität eines Individuums das Interesse anderer Tiere steigerte und diese dann anfingen, zu fressen Verhalten.

Im analysierten Zeitraum lagen die Durchschnittswerte der A0- und A1-Indizes bei Tageslicht zwischen 0,124 und 0,163 für A0 und zwischen 0,082 und 0,113 für A1 (Tabelle 1).

Daten dieser Art, wie sie in Tabelle 1 aufgeführt sind, ermöglichen einen quantitativen, langfristigen (z. B. ein Jahr) Nachweis von Veränderungen in der Aktivität der Tiere, z. B. unter Witterungseinflüssen, oder sich abzeichnenden Störungen des Tierschutzes.

Die Nützlichkeit dieses automatischen Systems zur Bewertung der Tieraktivität wurde auch durch die A0- und A1-Indizes am 14. Tag (Abb. 7, Tafel L) bestätigt, die ab 19:00 Uhr ungleich Null waren, was auf eine höhere Aktivität im Vergleich zu allen vorherigen Tagen hinweist. Die aus der allgemeinen Analyse des Videos gewonnenen Daten zeigten, dass eines der Weibchen ab etwa 19:00 Uhr ungewöhnliches Verhalten zeigte und sich im Kreis bewegte, nervös war, sich häufig umdrehte und unruhig war. Zu diesem Zeitpunkt begann der Geburtsprozess. Der Affe ruhte dann mit der Gruppe bis 22:40 Uhr, als beobachtet wurde, wie er sich zum Regal unter der Heizkörperstange bewegte, was sich in einer Zunahme der Aktivität zeigte (Abb. 7, Tafel L).

In der Literatur werden Methoden, die auf der Tiererkennung aus Videobildern basieren, am häufigsten für die individuelle Beurteilung des Verhaltens von Tieren in Käfigen verwendet, z. B. Hühner32, Rotfüchse33, Schweine in einem Stall28,34,35, Affen36,37 und Drosophila38. Allerdings führen diese Methoden Anfangsbedingungen ein, z. B. erfordern sie Folgendes: die Anwesenheit von nur einem Objekt im Käfig32; ein Modell, eine Stichprobe von Trainingsdaten und einen Methodentrainingsprozess34,37; die Notwendigkeit, die Kamera senkrecht auf den Boden zu richten, um den gesamten Stall zu erfassen28,35.

Mittlerweile basiert die in diesem Artikel vorgestellte Analysemethode (a) auf freier Software, (b) führt keine Anfangsbedingungen (technisch, Hardware) ein, (c) erfordert keinen Lern-/Trainingsprozess und (d) schon erfordern nicht die Einführung von Modellannahmen über die beobachteten Objekte. Veränderungen in der Aktivität von Tieren können schnell erkannt werden, was es Tierpflegern ermöglicht, darauf zu reagieren und den Faktor zu finden, der die typische tägliche Aktivität von Tieren stört. Beispielsweise kann eine Zunahme oder Abnahme der Aktivität auf das Vorliegen einer Krankheit hinweisen, die zunächst schwer zu erkennen ist, z. B. Pasteurella-Krankheit. Darüber hinaus erkennt die vorgestellte Methode ungewöhnliche Aktivitätsveränderungen, wodurch beispielsweise Zoomitarbeiter eingreifen können, um die Ursachen zu ermitteln. Ein Beispiel ist die Erkennung von Aktivitätsänderungen während der Wehen. Das System kann daher als Indikator für wichtige Ereignisse dienen, die für das Wohlergehen der Tiere im Zoo relevant sind.

In der Arbeit haben wir die grundlegenden Möglichkeiten der Verwendung des A-Index (Unterteilung nach Tag/Nacht) vorgestellt. In zukünftigen Anwendungen können kleinere Intervalle eingeführt werden, um auf die Erkennung/Überwachung anderer erwarteter spezifischer (oder unspezifischer) Tiere abzuzielen Verhaltensweisen.

Zusammenfassend lässt sich festhalten, dass die hier beschriebene Methode zur automatischen Beurteilung des Aktivitätsniveaus sich schnell bewegender Tiere geeignet ist. Die mit dieser Methode erzielten Ergebnisse korrelieren gut (Rs = 0,76) mit dem Aktivitätsindex, der durch eine visuelle detaillierte Methode ermittelt wurde. Die oben beschriebene automatische Analyse des Tierverhaltens ist um ein Vielfaches schneller als die visuelle Analyse und ermöglicht die präzise Beurteilung der täglichen Aktivität schnell wandernder Tiergruppen (Herden). Die automatische Methode zur Aktivitätsbewertung für sich sehr schnell bewegende Tiere ermöglicht zusammen mit den Programmiertools eine Online-Bildanalyse, selbst durch einen Computer mit durchschnittlichen Parametern hinsichtlich der Recheneffizienz (weitere Informationen finden Sie im Kapitel Materialien und Methoden). Darüber hinaus hat sich das oben vorgestellte Bildverarbeitungsverfahren bei Aufnahmen einer Überwachungskamera mit durchschnittlichen technischen Parametern bewährt. Die Verwendung des in dieser Arbeit beschriebenen Systems ermöglicht es, einen Aktivitätsindex mit einer Auflösung von weniger als einer Sekunde zu erhalten, der es ermöglicht, ihn im Online-Modus als Detektor für abnormale Tieraktivität, z. B. Früherkennung von Krankheiten oder plötzlichen Erkrankungen, zu verwenden Ereignisse, die sich als erhöhte oder verminderte Aktivität im Vergleich zum Standardaktivitätsprofil äußern. Diese Methode kann auf andere Tierarten angewendet werden, deren Aktivität visuell ebenso schwer zu beurteilen ist.

Alle während dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel enthalten. Alle Materialien befinden sich in der Abteilung für experimentelle Computerphysik, Institut für Physik, Jagiellonen-Universität Krakau, Polen. Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf Anfrage beim entsprechenden Autor erhältlich.

O'Connell, AF, Nichols, JD & Karanth, KU Kamerafallen in Methoden und Analysen der Tierökologie (Springer, 2011).

Buchen Sie Google Scholar

Slawson, JB, Kim, EZ & Griffith, LC Hochauflösende Videoverfolgung der Fortbewegung bei erwachsenen Drosophila melanogaster. J. Vis. Exp. 20(24), 1096. https://doi.org/10.3791/1096 (2009).

Artikel Google Scholar

Rao, SR et al. Videoverfolgung von Kleintieren zur Aktivitäts- und Pfadanalyse mithilfe einer neuartigen Open-Source-Multiplattformanwendung (AnimApp). Wissenschaft. Rep. 9, 12343. https://doi.org/10.1038/s41598-019-48841-7 (2019).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Iserbyt, A., Griffioen, M., Borremans, B., Eens, M. & Müller, W. Quantifizierung der Tieraktivität anhand von RFID-Aufzeichnungen (Radio Frequency Identification). Ökologisch. Entwicklung 8(20), 10166–10174. https://doi.org/10.1002/ece3.4491 (2018).

Artikel PubMed PubMed Central Google Scholar

De La Rosa, CA Eine kostengünstige und Open-Source-Methode zur Untersuchung der Ernährung und des Verhaltens großer Landtiere mithilfe von Zeitraffervideos und GPS. Methoden Ecol. Entwicklung 10(5), 615–625. https://doi.org/10.5061/DRYAD.803F52K (2019).

Artikel Google Scholar

Vasarhelyi, K. Die Art der Beziehungen zwischen Gründern in der in Gefangenschaft gehaltenen Population von Göldi-Affen (Callimico goeldii). Entwicklung Anthropol. 11(S1), 155–158. https://doi.org/10.1002/evan.10080 (2003).

Artikel Google Scholar

Hershkovitz, P. Living New World Monkeys (Platyrrhini), mit einer Einführung in Primates Vol. 1 (University of Chicago Press, 1977).

Google Scholar

Mittermeier, RA, Rylands, AB & Wilson, DE Handbook of the Mammals of the World: Primates Vol. 3 (Lynx, 2013).

Google Scholar

Thomas, K. Callimico goeldii (1904) Veröffentlicht in: Ann. Mag. Nat. Hist., ser. 7 Bd. 14 S. 189 https://www.gbif.org/species/2436464, (1904) Zugriff: 27.06.2023

Garber, PA & Porter, LM Stamm-an-Stamm-Sprung in wildem Callimico goeldii im Norden Boliviens. Neotrop. Prima. 16(1), 9–14. https://doi.org/10.1896/044.016.0102 (2009).

Artikel Google Scholar

Callimico, PL Die Internationale Enzyklopädie der Primatologie (Wiley, 2017).

Google Scholar

Garber, PA & Leigh, SR Muster des Positionsverhaltens in gemischten Artentruppen von Callimico goeldii, Saguinus labiatus und Saguinus fuscicollis im Nordwesten Brasiliens. Bin. J. Primatol. 54, 17–31. https://doi.org/10.1002/ajp.1009 (2001).

Artikel CAS PubMed Google Scholar

Schiel, N., Souto, A., Huber, L. & Bezerra, BM Jagdstrategien bei wilden Weißbüschelaffen sind von Beute und Alter abhängig. Bin. J. Primatol. 72(12), 1039–1046. https://doi.org/10.1002/ajp.20860 (2010).

Artikel PubMed Google Scholar

Nathan, R. et al. Ein bewegungsökologisches Paradigma zur Vereinheitlichung der Bewegungsforschung von Organismen. Proz. Natl. Acad. Wissenschaft. USA 105, 19052–19059. https://doi.org/10.1073/pnas.0800375105 (2008).

Artikel ADS PubMed PubMed Central Google Scholar

Joo, R. et al. Navigieren durch die R-Pakete zur Bewegung. J. Anim. Ökologisch. 89, 248–267. https://doi.org/10.1111/1365-2656.13116 (2020).

Artikel PubMed Google Scholar

Sakamoto, KQ et al. Können Ethogramme automatisch anhand von Körperbeschleunigungsdaten freilaufender Vögel erstellt werden? PLoS ONE 4(4), e5379. https://doi.org/10.1371/journal.pone.0005379 (2009).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Oczak, M., Maschat, K., Berckman, SD, Vranken, E. & Baumgartner, J. Automatische Schätzung der Anzahl der Ferkel in einem Stall während der Abferkelung mithilfe einer Bildanalyse. Biosystem. Ing. 151, 81–89. https://doi.org/10.1016/j.biosystemseng.2016.08.018 (2016).

Artikel Google Scholar

Zhuang, X., Bi, M., Guo, J., Wu, S. & Zhang, T. Entwicklung eines Frühwarnalgorithmus zur Erkennung kranker Broiler. Berechnen. Elektron. Landwirtschaft. 144, 102–113. https://doi.org/10.1016/j.compag.2017.11.032 (2018).

Artikel Google Scholar

Hansen, MF, Smith, ML, Smith, LN, Jabbar, AK & Forbes, D. Automatisierte Überwachung des Körperzustands, der Mobilität und des Gewichts von Milchkühen mit einem einzigen 3D-Videoaufnahmegerät. Berechnen. Ind. 98, 14–22. https://doi.org/10.1016/j.compind.2018.02.011 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Kim, J. et al. Tiefenbasierte Erkennung von stehenden Schweinen in bewegten Lärmumgebungen. Sensors 17(12), 2757. https://doi.org/10.3390/s17122757 (2017).

Artikel ADS PubMed PubMed Central Google Scholar

Costa, A. et al. Bildverarbeitungstechnik zur Messung der Schweineaktivität als Reaktion auf klimatische Schwankungen in einem Schweinestall. Anim. Prod. Wissenschaft. 54(8), 1075–1083. https://doi.org/10.1071/AN13031 (2014).

Artikel Google Scholar

Zheng, C. et al. Automatische Erkennung der Körperhaltung laktierender Sauen aus Tiefenbildern durch Deep-Learning-Detektor. Berechnen. Elektron. Landwirtschaft. 147, 51–63. https://doi.org/10.1016/j.compag.2018.01.023 (2018).

Artikel Google Scholar

Khoramshahi, E., Hietaoja, J., Valros, A., Yun, J. & Pastell, M. Echtzeiterkennung von Sauen im Video: Ein überwachter Ansatz. Inf. Verfahren. Landwirtschaft. 1(1), 73–81. https://doi.org/10.1016/j.inpa.2014.07.002 (2014).

Artikel Google Scholar

De Maesschalck, R., Jouan-Rimbaud, D. & Massart, DL Die Mahalanobis-Distanz. Chemometer Intel. Labor. Syst. 50(1), 1–18. https://doi.org/10.1016/s0169-7439(99)00047-7 (2000).

Artikel Google Scholar

Python. Programmiersprache, https://www.python.org/about/, Letzter Zugriff: 23.03.2022. (2022).

Lebenslauf öffnen. Open Source Computer Vision Library, https://opencv.org/about/, Letzter Zugriff: 23.03.2023. (2022).

Heijmans, HJAM Morphological Image Operators (Acadeemic Press, 1994).

MATH Google Scholar

Ott, S. et al. Die automatisierte Videoanalyse der Schweineaktivität auf Buchtenebene korreliert stark mit menschlichen Beobachtungen von Verhaltensaktivitäten. Livest. Wissenschaft. 160, 132–137. https://doi.org/10.1016/j.livsci.2013.12.011 (2014).

Artikel Google Scholar

Handbuch zur Haltung des Überlebensplans für Callimico-Arten. Chicago Zoological Society (2004).

Matsuda, I., Akiyama, Y., Tuuga, A., Bernard, H. & Clauss, M. Täglicher Fütterungsrhythmus bei Nasenaffen: ein vorläufiger Vergleich mit anderen nichtmenschlichen Primaten. Primaten 55, 313–326. https://doi.org/10.1007/s10329-014-0407-5 (2014).

Artikel PubMed Google Scholar

Ferrari, PF, Maiolini, C., Addessi, E., Fogassi, L. & Visalberghi, E. Das Beobachten und Hören von Esshandlungen aktiviert motorische Programme im Zusammenhang mit dem Essen bei Makaken. Verhalten. Gehirn Res. 161(1), 95–101. https://doi.org/10.1016/j.bbr.2005.01.009 (2005).

Artikel CAS PubMed Google Scholar

Leroy, T. et al. Eine Computer-Vision-Methode zur Online-Verhaltensquantifizierung von einzeln gehaltenem Geflügel. Trans. ASABE 49(3), 795–802. https://doi.org/10.13031/2013.20462 (2006).

Artikel Google Scholar

Schütz, AK et al. Computer Vision zur Erkennung der Körperhaltung und des Verhaltens von Rotfüchsen. Tiere https://doi.org/10.3390/ani12030233 (2022).

Artikel PubMed PubMed Central Google Scholar

Oczak, M. et al. Klassifizierung aggressiven Verhaltens bei Schweinen anhand des Aktivitätsindex und des mehrschichtigen Feed-Forward-Neuronalen Netzwerks. Biosystem. Ing. 119, 89–97. https://doi.org/10.1016/j.biosystemseng.2014.01.005 (2014).

Artikel Google Scholar

Lee, J., Jin, L., Park, D. & Chung, Y. Automatische Erkennung aggressiven Verhaltens bei Schweinen mithilfe eines Kinect-Tiefensensors. Sensoren https://doi.org/10.3390/s16050631 (2016).

Artikel PubMed PubMed Central Google Scholar

Froesel, M., Goudard, Q., Hauser, M., Gacoin, M. & Hamed, BS Automatisierte videobasierte Herzfrequenzverfolgung für den anästhesierten und sich benehmenden Affen. Wissenschaft. Rep. 10, 17940. https://doi.org/10.1038/s41598-020-74954-5 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Morozov, A., Parr, L., Gothard, K., Paz, R. & Pryluk, R. Automatische Erkennung von Makaken-Gesichtsausdrücken zur Erkennung affektiver Zustände. ENEURO https://doi.org/10.1523/ENEURO.0117-21 (2021).

Artikel PubMed PubMed Central Google Scholar

Silva, RFO, Pinho, BR, Monteiro, N., Santos, MM & Oliveira, JMA Automatisierte Analyse von Aktivität, Schlaf und rhythmischem Verhalten bei verschiedenen Tierarten mit der Rtivity-Software. Wissenschaft. Rep. 12, 4179. https://doi.org/10.1038/s41598-022-08195-z (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Referenzen herunterladen

Diese Forschung wurde finanziert durch: den Forschungsschwerpunkt Anthropozän im Rahmen des Programms „Exzellenzinitiative – Forschungsuniversität“ an der Jagiellonen-Universität in Krakau, Forschungsstipendium für Veterinärmedizin 011600-D016, Forschungsstipendium für Tierhaltung und Fischerei 021500-D015.

Abteilung für experimentelle Computerphysik, Institut für Physik, Jagiellonen-Universität in Krakau, Krakau, Polen

Nieckarz Zenon

Abteilung für Genetik, Tierzucht und Ethologie, Universität für Landwirtschaft in Krakau, Krakau, Polen

Jacek Nowicki

Schlesischer Zoologischer Garten, Chorzów, Polen

Labocha Karolina

Abteilung für Zoologie und Tierschutz, Universität für Landwirtschaft in Krakau, Aleja Adama Mickiewicza 24/28, 30-059, Krakau, Polen

Pawlak Krzysztof

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

NZ, NJ und PK lieferten Ideen und schrieben den Haupttext des Manuskripts, NJ und LK führten Messungen im Zoo durch, NJ und PK führten eine visuelle Analyse des Tierverhaltens durch, NZ entwickelte eine automatische Methode zur Beurteilung der Tiermobilität, NZ führte eine automatische Bewertung durch Tiermobilität, NZ erstellte statistische Berechnungen. Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und ihr zugestimmt.

Korrespondenz mit Pawlak Krzysztof.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Zenon, N., Jacek, N., Karolina, L. et al. Eine neuartige Methode zur automatischen Analyse der Aktivität sich schnell bewegender Tiere: eine Fallstudie von Callimico goeldii-Affen, die in einem zoologischen Garten gehalten werden. Sci Rep 13, 11476 (2023). https://doi.org/10.1038/s41598-023-38472-4

Zitat herunterladen

Eingegangen: 18. April 2023

Angenommen: 09. Juli 2023

Veröffentlicht: 16. Juli 2023

DOI: https://doi.org/10.1038/s41598-023-38472-4

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.