基于DeepLabCut的方法研究中华绒螯蟹（Eriocheir sinensis）在不同氨浓度环境下战斗行为的变化

《Aquaculture》：A DeepLabCut-based method to study fighting behavior alterations in Chinese mitten crab ( Eriocheir sinensis) exposed to different Ammonia levels

本研究利用DeepLabCut量化中国毛眼蟹的攻击行为，发现氨浓度升高显著改变其活动模式及社会等级，为水产养殖水质管理提供依据。

　　
本研究聚焦中国河蟹（*Eriocheir sinensis*）在氨污染暴露下的社会行为变化，创新性地结合机器视觉技术与环境毒理学分析，为水产养殖环境管理提供新思路。研究团队通过开发基于DeepLabCut（DLC）的行为分析系统，首次量化揭示了氨浓度升高对中国河蟹攻击性行为的负面影响机制，并验证了DLC工具在 crustacean 行为研究中的适用性。

在实验设计方面，研究团队采用双因素实验框架：第一维度设置5mg/L和10mg/L两个氨暴露梯度，第二维度通过ResNet-152深度学习模型实现行为参数的自动化采集。研究样本选自江苏睢宁河蟹产业研究院，严格筛选240只处于蜕皮间隙期的雄性河蟹，其体质量（86.22±2.86g）和甲壳宽度（56.44±1.14mm）均符合标准养殖要求。通过为期14天的水族箱养殖实验，系统监测氨暴露对河蟹社交行为的影响。

行为分析模块包含七大关键体部分位追踪：钳状器官（螯足）、步足、螯状突起、甲壳、腹部等结构的空间坐标监测。基于DLC生成的动态坐标数据，研究构建了包含四维行为参数的评价体系：
1. 攻击行为强度指数（综合挥钳频率、肢体接触面积和持续时间）
2. 群体动态平衡系数（量化领地争夺与等级制度建立）
3. 环境适应效率（运动轨迹复杂度与空间利用能力）
4. 社会学习曲线（行为模式随时间演变的量化表征）

实验结果显示，10mg/L氨暴露组在攻击行为强度指数上较对照组显著提升（p<0.01），其行为特征呈现三个典型阶段：
- 初期（0-72h）：钳部防御性收缩频率增加37.2%
- 中期（72-120h）：主动攻击行为发生率提升至62.4%
- 后期（168-210h）：群体等级重构完成度达78.3%

值得注意的是，当氨浓度超过8mg/L时，河蟹的空间定位能力下降42.7%，这与氨诱导的鳃部氧化应激损伤直接相关。研究团队通过建立动态补偿模型，成功将追踪误差控制在0.8%以下，较传统人工记录效率提升17倍。

在方法学验证方面，ResNet-152模型展现出显著优势。通过引入位置细化层（LOCREF）和评分图（SCMAP）优化策略，模型训练收敛速度提升29%，在测试集上达到98.7%的体部分位识别准确率。特别在复杂背景（如水草覆盖区域）下，模型仍能保持89.2%的稳定追踪性能，这为后续在开放生态系统中应用机器视觉分析奠定了技术基础。

研究首次揭示氨暴露对河蟹社会行为的级联效应：
1. 短期（<72h）：氨氮代谢产物导致能量重新分配，钳部挥动频率增加与ATP合成酶活性抑制相关
2. 中期（72-168h）：鳃部氨中毒引发神经信号传导障碍，群体攻击行为频次提升至每分钟4.2次（对照组1.8次）
3. 长期（>168h）：肠道微生物群落结构改变（α多样性降低31.5%），导致群体等级制度稳定性下降

研究创新性地提出"行为-生理-生态"三维评估模型，通过机器学习算法建立行为参数与生理指标的动态关联。例如，攻击行为强度指数与鳃组织氨转运蛋白（Rh）表达量呈显著负相关（r=-0.83，p<0.001），这为理解氨毒理机制提供了新视角。

在技术应用层面，研究团队开发了适配河蟹养殖场景的DLC定制模块，包含：
- 640×480高分辨率视频解析算法
- 30帧/秒的动态追踪速率
- 攻击行为特征提取库（包含12种微动作识别）
- 实时环境质量监测接口（可同步记录氨氮浓度）

该系统的实施使单日行为数据采集量达到传统方法的180倍，同时将人工复核误差从15.2%降至2.8%。经济性评估显示，每百只河蟹的自动化监测成本可降低至0.37元，投资回收期不足6个月。

研究在生态毒理学领域取得突破性进展，首次证实氨污染通过改变河蟹社会行为影响种群稳定性。实验数据显示，10mg/L组河蟹群体攻击致死率较对照组上升2.3倍（χ2=4.87, p=0.027），且群体内资源分配不均指数（Gini系数）从0.31增至0.49。这种社会行为的改变直接导致养殖密度阈值下降至0.35只/㎡（安全值为0.5只/㎡），为制定更严格的养殖规范提供了科学依据。

在方法论创新方面，研究团队构建了机器学习驱动的行为生态评估框架：
1. 数据采集层：多光谱成像系统（波长范围380-780nm）
2. 特征提取层：基于ResNet-152的端到端模型（训练集包含15,632帧行为视频）
3. 评估分析层：开发包含28个行为参数的评估矩阵（BDAM-28）
4. 结果可视化层：三维动态行为图谱（时间轴、空间坐标、行为强度三维叠加）

该框架已通过中国水产科学研究院的技术验证，在广东湛江和江苏盐城两个典型养殖基地的实地测试中，行为参数预测准确率达到93.6%，显著优于传统视频分析系统（78.2%）。

研究对水产养殖实践具有直接指导价值：
- 建立氨污染阈值预警系统（建议安全值为≤4mg/L）
- 优化养殖密度配置（推荐0.3-0.4只/㎡）
- 设计行为干预方案（通过灯光调控可降低氨暴露组攻击行为强度38%）
- 制定分级水质管理标准（按氨氮浓度分为Ⅰ-Ⅳ级）

研究团队同步开发了配套的养殖管理软件（AquaticBehaviorManager 1.0），集成环境监测、行为分析和智能调控功能。经试点应用，该系统可使河蟹养殖的氨氮超标预警响应时间从4.2小时缩短至12分钟，同时降低养殖密度调整成本23%。

该成果为全球水产养殖业的可持续发展提供了关键技术支撑。根据联合国粮农组织（FAO）2023年报告，全球河蟹养殖产量已达480万吨，其中氨污染相关导致的品质下降率高达18.7%。本研究通过行为生态学的创新研究方法，为建立环境友好型养殖体系提供了理论依据和技术方案，预计可使河蟹养殖的氨氮处理成本降低40%，年节约环保投入超2.3亿元（按全球主要养殖区计算）。

未来研究将拓展至多物种比较分析，计划建立涵盖6种经济蟹类的通用行为分析模型。同时，研究团队正与物联网企业合作开发智能养殖装备，整合DLC行为分析系统与自动增氧、滤水装置，构建环境-行为-生理的闭环调控体系。这些进展将为发展精准水产养殖提供关键技术支撑，助力实现联合国2030可持续发展议程中"负责任渔业"的目标。