从超高频运动数据中识别行为状态

《Methods in Ecology and Evolution》:Behavioural state identification from ultra-high-frequency movement data

【字体: 大 中 小 】 时间:2026年08月07日 来源:Methods in Ecology and Evolution 5.7

编辑推荐:

  隐马尔可夫模型(HMM)是从动物运动数据中识别行为状态变化的核心框架。在此背景下,运动通常被表示为由未观察到的行为状态过程生成的一系列观察指标序列,如步长和转向角分布。每个隐藏状态对应一个独特的行为模式(例如觅食、休息),状态之间的转换由概率规则控制。通常,这

  
隐马尔可夫模型(HMM)是从动物运动数据中识别行为状态变化的核心框架。在此背景下,运动通常被表示为由未观察到的行为状态过程生成的一系列观察指标序列,如步长和转向角分布。每个隐藏状态对应一个独特的行为模式(例如觅食、休息),状态之间的转换由概率规则控制。通常,这些模型被应用于相对低频收集的数据,例如每隔几分钟或几小时记录一次位置,因此转向角和步长分布在某种程度上是数据收集频率的人为产物。然而,随着高频生物记录数据的日益普及(通常大于1 Hz),现在可以确定动物转弯的精确位置,从而将包含行为信息的步长和转向角分布输入HMM。在这项研究中,研究人员引入了一种在HMM框架内从高频数据(例如≥1 Hz)中识别动物行为状态的快速且准确的方法。研究人员首先使用现有算法将动物的高频运动路径分割为步,其中每个“步”被定义为连续真实转折点之间的直线轨迹。然后,研究人员开发了一种新的HMM模型,用于识别考虑了不同持续时间的步的行为状态。接着,研究人员扩展了该技术,允许状态转换由环境效应驱动。为了评估该方法的准确性,并将其与使用低频数据的方法进行比较,研究人员将其应用于模拟轨迹和自由活动的山羊高频数据。与使用低频数据中从定位到定位的步得出的步长和转向角相比,研究人员的技术大大提高了推断的准确性。事实上,研究人员证明了后者可能导致相当明显的不准确性,并且对采样频率非常敏感,而研究人员的方法在状态识别中实现了>95%的准确性的情况下。
近年来,随着生物记录技术的进步,研究人员能够以极高的频率收集动物运动数据,这为理解野生动物生态学和动物行为提供了宝贵的机会。在传统方法中,隐马尔可夫模型(HMM)被广泛用于识别动物的行为状态变化,其主要依赖于从固定时间间隔的定位数据中提取的步长和转向角。然而,这种规则采样的框架隐含地假设运动决策与观察的时间分辨率一致,这在真实的行为过程中往往并不成立。随着高频跟踪数据的不断涌现,标准HMM难以直接处理这些密集且不规则的观测信息。为了解决传统低频数据分析中由于人为采样间隔导致的行为推断不准确的问题,研究人员致力于利用高频数据精确定位动物的转折时刻,从而更真实地反映其行为决策过程。该研究提出了基于高频运动数据的行为状态识别新方法,论文发表在《Methods in Ecology and Evolution》上。该研究不仅显著提升了行为状态推断的准确性,还使统计模型与动物的生物学决策过程更好对齐,具有极其重要的重要意义。

研究人员为开展此项研究采用了几个主要的关键技术方法。首先,利用Alharbi等人开发的算法对动物的高频运动路径进行分割,提取连续真实转折点之间的直线轨迹作为“步”。其次,构建了一个改进的HMM,将步长、步时间(连续转向间的时间)和转向角的联合概率密度函数作为发射概率,以适应非等距时间间隔的观测数据。模型通过直接似然优化进行拟合,并结合k-means聚类算法为模型参数提供系统性的初始值。最后,利用Viterbi算法解码出最可能的隐藏状态序列。在数据队列方面,研究使用了模拟的轨迹数据以及来自法国阿尔卑斯山地区自由活动的高频山羊运动数据。

研究结果部分主要内容如下:

模拟数据:通过模拟轨迹实验评估,使用基于转折点的方法在状态分类准确性上几乎与完美数据条件下的结果一致,达到了约95%至99%的准确率。相比之下,采用常规固定时间间隔降采样数据的方法准确性显著降低,在中等采样间隔下准确率峰值仅为75%至85%,且随采样间隔增大而快速下降。这表明标准HMM在应用于不规则决策时间时存在严重的模型误设。

山羊数据:将该方法应用于高频山羊数据,发现行为状态分类在较短的时间降采样间隔下相对稳健,但随间隔增大差异显著。在四个拟合模型中,包含环境协变量的模型揭示了清晰的昼夜周期性与距离效应:动物在白天且距离中心较远时更倾向于从状态1转换为状态2,而在夜间靠近中心时则相反,反映了觅食与休息的周期性交替。模型参数显示,状态2具有更快的运动速度和更长的步时。

在讨论部分,研究人员总结了研究结论。通过将高频运动数据的转折点信息引入HMM框架,该研究成功解决了传统模型在处理非等距时间序列时的局限性。推断出的行为状态不仅比传统低频降采样方法更准确,而且更好地与实际的生物学决策时刻对齐。此外,该模型在处理高频数据时不仅保留了行为事件的生态学意义,还大幅降低了计算成本。虽然连续行为模型在某些场景下具有优势,但该离散状态模型通过将复杂的运动轨迹分解为有意义的转折事件,为理解动物行为提供了一种计算高效且可解释性强的有效工具。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号