深度学习驱动的动物行为分析方法研究进展与挑战

为解决动物行为研究中数据标注成本高、传感器干扰大等问题，研究人员系统综述了基于深度学习（Deep Learning）的动物行为分析技术，涵盖姿态估计（Pose Estimation）和非姿态估计方法，梳理了SLEAP、DeepLabCut等关键算法在行为识别中的应用，并探讨了多模态数据融合、轻量化模型等前沿方向。该研究为神经行为学、生态保护及精准畜牧业提供了方法论指导，相关成果发表于《Expert Systems with Applications》。

　　

动物行为研究是揭示生物适应机制、评估健康状态的重要窗口，但传统方法面临传感器干扰、数据标注主观性强等瓶颈。随着深度学习技术的突破，计算机视觉和生物传感为动物行为分析带来了新机遇。然而，该领域缺乏系统性总结，技术应用分散且存在物种偏好性。为此，研究人员对2019-2023年间161篇文献进行荟萃分析，首次全面梳理了深度学习在动物行为研究中的技术路线与应用场景。

研究采用PRIMA流程筛选文献，通过科学图谱分析揭示技术趋势。关键方法包括：1）基于姿态估计的LEAP、DeepLabCut等算法，通过关键点追踪量化行为模式；2）非姿态估计方法如生物传感器（加速度计/GNSS）数据分析和YOLO目标检测；3）多模态融合技术整合视觉与运动数据。

研究结果显示，姿态估计技术主导实验室场景。LEAP通过轻量级卷积网络生成置信度图，其升级版SLEAP引入U-Net架构实现多动物追踪。DeepLabCut则利用ResNet-50预训练模型，后续发展出支持3D姿态估计的DLCRNet。这些技术结合随机森林（Random Forest）或变分自编码器（VAE）等算法，可识别小鼠社交行为（如攻击、交配）和家畜异常状态（如跛行）。

非姿态估计方法在野外研究中更具优势。加速度计数据经TCTS（双通道时空卷积网络）处理，能区分奶牛反刍、行走等行为；YOLO系列算法在猪群争斗量化中表现优异。值得注意的是，Transformer架构开始应用于野生动物加速度数据分析，其注意力机制显著提升长序列行为识别准确率。

研究特别指出三大挑战：1）跨物种泛化性不足，现有模型多针对小鼠、奶牛等模式生物；2）实时处理需求与模型复杂度矛盾，轻量化技术如Quantized-CNN成为解决方案；3）多视角数据融合难题，3D重建依赖复杂标定流程。

结论部分强调，深度学习正推动动物行为研究从人工观察向自动化、标准化转变。通过整合SLEAP的运动分析和生物传感器的生理监测，可构建动物福利评估新范式。未来方向包括开发自监督学习框架减少标注依赖，以及建立跨物种通用行为数据库。该综述为神经科学（如阿尔茨海默病小鼠模型）和精准农业（如母猪健康监测）提供了关键技术路线图，标志着计算行为学时代的到来。