CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Automated tracking and analysis of mouse whisker movements
KTH, School of Electrical Engineering and Computer Science (EECS).
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

Whisking behaviour, observed in animals like rodents and marsupials, have been of great interest to neuroscientists, as a model for the study of mechanisms behind active sensing. Most of the studies of the whisking behaviour utilize video recordings of the movement. Since manual tracking of whisking in each of the video frame is unfeasible, it becomes necessary to automate the tracking of whisker fibres across the frames. To this end, we utilize a deep learning based framework called DeepLabCut to identify whiskers in the video frames. The work shows that it is possible to track individual whisker fibres in untrimmed mice using mono-ocular recordings of free whisking, without use of any markers.The results from tracking across the recordings were used to derive parameters like whisker angles and velocities, which were used to define the whisker movement in further analyses. Further, this time series data obtained from the tracking were modelled to examine the possibility of clustering the data into actively whisking and non-whisking bouts. It was observed that a Markov Random Field-based method (Toeplitz Inverse Covariance clustering) models the transitions between whisking and non-whisking bouts with a better temporal consistency when compared to a Gaussian Hidden Markov Model.

Abstract [sv]

Morrhårens funktion observerad hos djur som gnagare och pungdjur har varit av stort intresse för forskare inom neurovetenskap som en modell för studerandet av mekanismer inom aktiv sensorik. De flesta studier inom morrhårsbeteende använder sig av videoinspelningar av rörelsemönstren. Eftersom manuell spårning av morrhårens rörelse i varje film-bildruta är omöjlig blir det nödvändigt att automatisera spårningen av rörelemönstren över bildrutorna. För detta ändamål använder vi ett djupinlärningsbaserat ramverk som kallas DeepLabCut för att identifiera morrhår i film-bildrutor. Arbetet visar att det är möjligt att spåra enskilda morrhårsfibrer i otrimmade möss med monokulära inspelningar av fria morrhårsrörelser utan användning av markörer. Resultaten från spårning över inspelningarna användes för att härleda parametrar som morrhårsvinklar och hastigheter som följaktligen användes för att definiera morrhårsrörelsen i ytterligare analyser. Vidare modellerades den tidsseriedata som erhölls från spårningen för att undersöka möjligheten att klustra datan till antingen en morrhårsrörelse eller en icke-morrhårsrörelse . Det observerades att en Markov Random Field-baserad metod (Toeplitz Inverse Covariance clustering) modellerar övergångarna mellan morrhårsrörelse och icke-morrhårsrörelse med en bättre temporal reliabilitet jämfört med en Gaussian Hidden Markov-modell.

Place, publisher, year, edition, pages
2019. , p. 81
Series
TRITA-EECS-EX ; 2019:778
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-271183OAI: oai:DiVA.org:kth-271183DiVA, id: diva2:1415904
Educational program
Master of Science - Machine Learning
Supervisors
Examiners
Available from: 2020-03-20 Created: 2020-03-20 Last updated: 2020-03-20Bibliographically approved

Open Access in DiVA

fulltext(4726 kB)4 downloads
File information
File name FULLTEXT01.pdfFile size 4726 kBChecksum SHA-512
002ddbe7cfd3706dec4163bb652752d510e7371e7f7b2c43db810e20c8ef8ea93895469bf7beab2920e00e5763f7922011c9050b7b92bc2059b55a43c2e0b4f9
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 4 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 11 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf