编辑推荐：
为解决传统鱼类行为监测方法耗时且易受主观影响的问题，的研究人员开展了一项基于深度学习（DeepLabCut）和家域分析（Home Range）的实验研究。研究通过自动化分析大西洋鲑鱼的行为模式，揭示了鱼类在喂食期间及不同水箱中的空间分布差异。该研究不仅为鱼类行为监测提供了高效、精准的新工具，还为优化养殖环境和提升鱼类福利提供了科学依据，值得相关领域科研人员关注。
在水产养殖和鱼类研究领域，鱼类福利的监测和评估一直是科学家们关注的焦点。随着人们对动物福利意识的不断提高，如何在实验室和养殖环境中准确、高效地评估鱼类的福利状态，成为了一个亟待解决的问题。传统的鱼类行为监测方法往往依赖于人工观察，这种方法不仅耗时费力，而且容易受到人为因素的影响，导致数据的不一致性和主观性。此外，人工监测难以实现连续、实时的数据采集，无法及时捕捉到鱼类行为的细微变化，从而错过早期发现鱼类应激或疾病的机会。
为了克服这些挑战，研究人员开始探索利用数字化技术来自动化鱼类行为的监测和分析。计算机视觉（Computer Vision, CV）和人工智能（Artificial Intelligence, AI）技术的快速发展为这一领域带来了新的希望。这些技术能够在视频数据中提取高维特征和深度信息，从而实现对鱼类行为的自动识别和分析。然而，目前这些技术在鱼类研究中的应用仍处于起步阶段，大多数研究还停留在概念验证或开发阶段。
为了推动这一领域的进展，第一作者单位的研究人员在《Scientific Reports》期刊上发表了一篇题为“Automated Analysis of Fish Behaviour Using DeepLabCut and Home Range Metrics in Experimental Tanks”的论文。该研究通过结合深度学习和生态学中的“家域”（Home Range）概念，提出了一种新的自动化方法，用于分析实验水箱中大西洋鲑鱼（Salmo salar）的行为模式。研究结果表明，这种方法能够有效地捕捉鱼类在喂食前、喂食期间和喂食后的空间分布变化，并为鱼类福利的监测提供了一种新的工具。
研究方法概述
在本研究中，研究人员采用了以下关键技术方法：首先，利用深度学习框架DeepLabCut来识别鱼类的关键身体部位（关键点），并基于这些关键点估算鱼类在水箱中的位置分布。其次，通过高斯核密度估计（Gaussian Kernel Density Estimate, KDE）计算鱼类的家域和核心区域（Core Area），这两个指标分别反映了鱼类95%和50%的时间所处的空间范围。最后，研究人员通过多变量分析（Multivariate Analysis）和方差分析（ANOVA）等统计方法，分析了不同时间段（喂食前、喂食期间和喂食后）以及不同水箱之间的鱼类行为差异。
研究结果
关键点估计（Keypoint Estimation）
研究人员使用DeepLabCut模型对鱼类的七个关键点（包括吻部、头部后端、背鳍前后边缘、脂鳍、尾柄和尾鳍后端）进行估计。结果显示，关键点检测的准确率达到了92%±2%，表明该模型能够较为准确地识别鱼类的关键部位。尽管在某些情况下（如鱼尾部的快速运动或遮挡）检测精度略有下降，但整体上仍能有效支持后续的空间分布分析。
家域和核心区域估计（Home Range and Core Area Estimation）
通过分析实验视频，研究人员发现鱼类的家域和核心区域在喂食前、喂食期间和喂食后表现出显著差异。具体而言，鱼类在喂食期间的空间分布更为分散，核心区域的相对面积（Rel-core-area）和家域的相对面积（Rel-home-range）均有所增加。这表明鱼类在喂食时会更积极地探索水箱内的不同区域，以寻找食物。此外，鱼类在喂食前和喂食后更倾向于聚集在水箱的特定区域，尤其是靠近水流入口的下游位置（Water Inlet Pipe, WIP）。这一发现可能与水箱内的水流动力学或水质参数有关，但具体原因尚需进一步研究。
多变量分析（Multivariate Analysis）
研究人员通过多变量分析探讨了家域和核心区域指标之间的相关性。结果显示，某些指标（如相对核心区域、相对家域和核心区域密度）之间存在高度线性相关性，而其他指标（如圆形度、核心区域中心坐标和分组数量）则表现出较低的相关性。这表明，尽管存在一定的冗余，但这些指标仍能从不同角度反映鱼类的空间分布特征。此外，研究人员还利用ANOVA同时成分分析（ASCA）评估了喂食、水箱和天数对鱼类行为的影响。结果显示，水箱是影响鱼类行为的最主要因素，其次是天数和喂食。具体而言，不同水箱之间的鱼类行为存在显著差异，这可能与水箱的物理结构或环境条件有关。而喂食对鱼类行为的影响主要体现在喂食期间，鱼类的核心区域和家域指标表现出更高的变异性和更广泛的空间分布。
研究结论与讨论
本研究通过结合深度学习和家域分析技术，为实验水箱中鱼类行为的自动化监测提供了一种新的方法。该方法不仅能够有效地捕捉鱼类在不同时间段的空间分布变化，还能揭示不同水箱之间的行为差异。这些发现对于理解鱼类在实验环境中的行为动态具有重要意义，也为鱼类福利的评估提供了一种新的工具。
研究结果表明，鱼类在喂食期间的行为模式与喂食前和喂食后存在显著差异。这种差异可能与鱼类的觅食行为有关，即在喂食时，鱼类会更积极地探索水箱内的不同区域以寻找食物。此外，鱼类在非喂食期间对水箱内特定区域的偏好（如靠近水流入口的下游位置）可能与水箱内的环境条件（如水流动力学或水质参数）有关。这一发现为优化水箱设计和改善鱼类福利提供了新的思路。
尽管本研究取得了一定的成果，但也存在一些局限性。例如，研究仅限于实验水箱中的少量鱼类，且观察时间较短，因此无法全面反映鱼类在长期或大规模养殖环境中的行为模式。此外，由于缺乏对水箱内环境条件的详细测量（如水流速度、溶解氧水平等），无法明确这些因素对鱼类行为的具体影响。未来的研究需要在更广泛的实验条件下进行，以验证这些方法的适用性和有效性。
总之，本研究为鱼类行为的自动化监测提供了一种新的技术手段，并为鱼类福利的评估和改善提供了新的视角。随着计算机视觉和人工智能技术的不断发展，这些方法有望在未来的水产养殖和鱼类研究中得到更广泛的应用，从而为提高鱼类福利和优化养殖管理提供有力支持。
