利用自动化视频跟踪技术量化人类行为模式监测器中的探索性行为

《Methods in Psychology》：Quantifying Exploratory Behavior In The Human Behavioral Pattern Monitor Using Automated Video Tracking

探索行为是多种物种适应环境的重要功能，本研究通过开发跨物种可翻译的开放场实验装置——人类行为模式监测器（hBPM），结合机器学习技术，量化了精神分裂症、双相情感障碍等神经精神疾病患者的探索行为模式，并与动物模型（如啮齿类BPM）进行验证。方法上采用高分辨率视频跟踪和可穿戴生理监测设备，分析空间运动轨迹、物体交互频率及时间一致性等指标，发现双相障碍患者在探索行为中表现出更高的运动目的性和空间结构化，而精神分裂症患者则呈现非规律性运动模式。研究为神经精神疾病的跨物种模型构建和客观评估提供了新方法，其标准化流程可推广至其他临床群体的行为研究。

　　探索是许多物种中重要的适应性功能，它反映了个体与环境之间复杂的互动关系。在多种神经精神疾病中，如精神分裂症和双相障碍（BD）中，观察到了不同的探索行为模式，这促使了相关动物模型的改进和细化。为了更好地研究这些神经精神疾病，开发一种能够准确量化探索行为的方法论变得至关重要。本文介绍了人类探索行为监测器（hBPM），这是一种跨物种可迁移的开放场测试，旨在测量临床人群的探索行为。同时，我们展示了如何利用机器学习技术在实验室环境中增强探索行为的采集和分析。

探索行为不仅是动物研究中的重要测量指标，也是人类行为研究中的关键领域。通过使用hBPM，研究人员可以更准确地识别和区分不同神经精神疾病中的探索行为模式。例如，BD患者在hBPM中表现出独特的探索行为，包括高度的运动活动、增加的对象探索和固定的运动路径，而精神分裂症患者则显示出不同的行为特征，如较高的负症状得分与更可预测的探索模式相关。这种行为模式的差异性有助于更精准地理解不同疾病的生物学基础，并为治疗方案的制定提供依据。

为了实现对探索行为的量化，hBPM结合了多种数据采集方法。其中，生理数据的采集使用了一种可穿戴设备，可以记录运动和心率等参数。此外，视频记录和人工评分也被用于分析参与者的互动行为和探索模式。视频分析则借助了DeepLabCut（DLC）等机器学习工具，通过标记和追踪参与者的位置，进一步量化其运动路径和行为特征。这种多维分析方法不仅提高了数据的客观性和可重复性，还为研究探索行为的时空结构提供了新的视角。

DLC作为一种基于深度学习的视频追踪工具，能够准确地捕捉参与者的身体部位位置，进而推导出“中心点”以表示其整体运动轨迹。这种方法可以用于计算多个变量，如空间维度（d）、过渡次数、空间变异系数（CV）和时间CV等，从而全面评估探索行为。空间维度d用于描述参与者在环境中的运动路径，其数值范围为1到2，数值越高表示路径越复杂或无序。过渡次数和CV则反映了参与者在不同区域之间的移动模式和一致性，而时间CV则衡量了过渡行为的时间规律性。通过这些变量，研究者可以更细致地分析探索行为的动态变化。

在实际应用中，hBPM已被用于研究慢性大麻使用对不同人群的影响。例如，在一项研究中，研究人员通过hBPM比较了大麻使用者和非使用者在双相障碍中的探索行为模式。结果显示，大麻使用者表现出更高的探索频率和更复杂的运动路径，而非使用者则显示出较低的探索行为和更简单的运动模式。这些发现不仅有助于理解大麻对探索行为的影响，还为探索行为作为神经精神疾病潜在生物标志物提供了支持。

此外，hBPM的开发和应用也促进了跨物种研究的深入。通过将动物模型中的探索行为测量方法（如开放场测试）与人类研究相结合，研究人员能够更有效地进行翻译研究，即在人类和动物模型之间建立行为和生物学的对应关系。这种跨物种的比较研究有助于揭示神经精神疾病的一般机制，并为新治疗方法的开发提供依据。例如，一些研究发现，通过基因或药理学手段抑制多巴胺转运体的实验鼠模型表现出与BD患者相似的探索行为特征，这表明hBPM可能具有较高的翻译价值。

然而，hBPM的使用也面临一些挑战和局限性。首先，由于视频采集和分析过程中可能受到多种因素的影响，如房间大小、布局、刺激物的新颖性以及摄像机规格，因此不同hBPM之间的数据不能简单地进行合并分析。为了确保数据的一致性，必须对不同实验条件下的行为进行详细比较和校正。其次，尽管DLC等工具提高了数据采集的自动化程度，但仍然需要人工评分来补充和验证某些行为特征，这可能带来时间和资源上的负担。此外，由于hBPM的设计涉及一定的欺骗性，参与者在不知情的情况下进行探索，这可能会影响其行为表现，从而引入一定的偏差。

为了克服这些局限性，研究人员正在探索其他技术手段，如虚拟现实（VR）平台。VR可以提供更灵活的环境设计，并减少对物理空间的需求，使得hBPM能够应用于更多样化的研究人群。尽管当前VR技术尚无法完全模拟真实环境中的探索行为，但它在某些方面提供了替代方案，尤其是在研究非步行人群或需要高度控制实验条件的情况下。未来的研究可以进一步结合VR技术，以扩展hBPM的应用范围和灵活性。

hBPM的开发和应用不仅对神经精神疾病的研究具有重要意义，也对临床诊断和治疗提供了新的可能性。传统的诊断工具往往依赖于主观的自我报告和临床访谈，这可能导致诊断偏差。而hBPM通过客观的量化指标，能够更准确地评估探索行为，从而为临床医生提供可靠的数据支持。例如，通过分析探索行为的模式，医生可以更早地识别某些疾病的早期迹象，并制定更有效的干预措施。此外，hBPM还可以用于评估治疗效果，通过观察探索行为的变化，判断干预措施是否有效，从而为个性化治疗方案的制定提供依据。

随着人工智能和机器学习技术的不断发展，hBPM的潜力将进一步被挖掘。这些技术可以提高数据处理的效率和准确性，使得大规模数据采集和分析成为可能。未来的研究可能会利用这些技术开发更先进的分析模型，从而揭示探索行为与神经精神疾病之间的更深层次联系。同时，随着数据采集和分析方法的不断完善，hBPM的适用范围也将不断扩大，为更多神经精神疾病的研究提供支持。

总之，hBPM作为一种跨物种可迁移的探索行为测量工具，结合了机器学习和视频追踪技术，为研究人类探索行为提供了新的视角和方法。它不仅能够更精确地量化探索行为，还能帮助区分不同的神经精神疾病，为临床诊断和治疗提供依据。尽管存在一些局限性，但通过技术的进步和研究方法的优化，hBPM有望在未来发挥更大的作用，推动神经精神疾病研究和治疗的进一步发展。