摘要：目的建立一种基于deeplabcut(DLC)算法用于评价老年小鼠运动功能的步态分析系统。方法基于深度学习技术中的DLC算法,采用跑台装置和全封闭设计,构建系统软硬件;应用本系统评价不同运动模式下衰老所致小鼠的步态差异;通过相关性分析探究体质量与体长对步态指标的影响。结果本系统实现特定步速下小鼠三维立体步态(侧面和腹平面)的同步分析,自动量化47项步态指标。应用本系统发现,步行时(15 cm·s^(-1)),相比2月龄、8月龄和15月龄小鼠体转角标准偏差下降,前肢摆动时长、膝关节(Knee)角度标准偏差、左后爪和右后爪向外角度平均值增加;15月龄小鼠还出现步频降低,步幅、双支撑总时长、Knee伸展和收缩距离增加。小跑时(20 cm·s^(-1)),15月龄小鼠无法稳定行走,相比2月龄,8月龄小鼠左后爪向外角度平均值和双支撑总时长增加。相关性分析发现,步频、步幅、前肢摆动时长、后爪向外角度平均值、双支撑总时长、Knee角度标准偏差、Knee伸展和收缩距离等指标均未受到体质量和体长变化的影响。结论基于DLC算法的小鼠步态分析系统实现了对老年小鼠步态更加敏感、准确、全面的评价,区分出老年小鼠为维持步态稳定性所表现的步态特征,并筛选出更能反映老年小鼠步态变化的行为指标。为今后更有效评估抗衰老、抗运动协调功能下降药物的药效与副作用提供方法学基础。

摘要：针对现有的鱼类游动轨迹提取方法在提取效率和准确率方面不能同时兼顾的问题,提出了一种改进的deeplabcut方法用于鱼类背部关键点识别和定位。首先,选择了轻量级卷积神经网络模型EfficientNet-B0作为deeplabcut的主干网络模型,用于提取鱼类背部关键点的特征,为了增强EfficientNet-B0的表征能力,在网络模型中引入了改进的CBAM(Convolutional Block Attention Module)注意力机制模块,将CBAM中的空间注意力模块和通道注意力模块从原来的串行连接方式改为并行连接,以解决两种注意力模块之间因串行连接而导致的互相干扰问题。其次,基于MSE(Mean Squared Error)损失函数提出了一种分段式损失函数H_MSE用于模型的训练,分段式损失函数H_MSE相对于传统的损失函数具有较强的鲁棒性,其在处理数据中的异常值时能表现出较低的敏感性。最后,采用了半监督学习方法对关键点进行自动标记来减少人工标记数据时产生的误差。结果显示:相比于deeplabcut原始算法,识别误差RMSE(Root Mean Squared Error)平均降低了4.5像素;与目标检测算法Faster RCNN、SK-YOLOv5、ESB-YOLO、YOLOv8-Head-ECAM相比,识别误差RMSE平均降低了11.5像素,检测效果优于其他目标检测网络和原始网络,平均每张图像的检测时间为0.062 s,能够快速准确提取鱼道内鱼类的游动轨迹,为优化鱼道的水力设计指标提供了重要依据。

摘要：人脸轮廓提取应用广泛,研究一种用于完成人脸轮廓提取的数据集标记方案,提出基于关键点识别深度卷积网络deeplabcut的人脸轮廓提取方法。首先对女性平均人脸轮廓进行曲率分析,将人脸轮廓划分成3个部分,设计出分配方案并实验,获得较优分配布点方法;进一步分析人脸轮廓提取评价指标平均IOU与标定点数关系,得到30个标记点数即可满足要求;应用优化的标记方案标记指定小样本数据集,对deeplabcut进行迁移学习,获得得到轮廓提取方法所采用的模型;实验结果表明本文方法比Niko软件包识别效果提高5. 5%。