Modelling diseases in mice provides a useful way of studying the disease. The motor symptoms of Parkinson’s disease (PD) can be studied by observing the whisker movements of mice with PD condition. Mice use their whiskers to gather information about their environment and guide their locomotion. In this study whisker movement data gathered from healthy and PD modelled mice were examined. Complex behaviors such as whisking, a cyclic bilateral movement of whiskers, are comprised of smaller modules called syllables. The syllables in the whisking data was identified using K-means, a clustering algorithm. Time series of these syllables were used to train an Long short-term memory (LSTM) classification model. The model was trained on the left and right hand side whiskers respectively to investigate any differences between the two sides. The results from the classification shows a slight difference in one of the clustering groups. However, no overall significant difference was observed.

Modellering av sjukdomar i möss är ett användbart verktyg för att studera sjukdomar. De motoriska symptom som tar sig uttryck vid Parkinson’s sjukdom kan undersökas genom att studera morrhårsrörelser hos möss med Parkinson’s. Möss använder deras morrhår för att samla information om deras omgivning och hjälpa dem navigera. Tidsserier innehållandes information om morrhårsrörelser från friska möss och möss med Parkinson’s analyseras i denna studie. Komplexa rörelser, som rörelser av morrhår, är uppbyggda av mindre moduler som kallas stavelser (syllables). Dessa stavelser identifierades i datan med hjälp av maskininlärningsalgoritmen K-means, en klustringsmetod. Tidsserier av dessa stavelser användes för att träna en Long short-term memory (LSTM) klassifiseringsmodell. Modellen tränades med data från vänster och höger morrhår separat för att undersöka eventualla skillnader dem emellan. Resultaten från klassifiseringsmodellen visar på en svag skillnad mellan de två sidorna i en utav stavelsegrupperna. Inga signifikanta och övergripande skillnader observerades dock.