動物行為學分析系統可以進一步提升算法識別準確性

　　

　　隨著硬件（camera的分辨率、幀頻等）、方法（計算機視覺、深度學習等相關理論）的不斷發展，動物行為學從原有繁重的手工測量分析過程，逐步演變為接近自動化的水平，這里說是接近，是因為單靠一種或幾種算法，無法很好地解決實驗方法自動化問題，特別是在數據挖掘過程中，還需要大量的人工工作。

　　

　　動物行為學分析系統從數據流的角度，要實現自動化獲取精準的實驗指標，需要在數據獲取、數據挖掘兩方面入手，而數據獲取又分為原始數據獲取和數據初步分析，這些依賴硬件系統、軟件系統。通常，我的做法是，通過硬件優化提升，以簡化算法設計，即硬件簡化軟件。

　　

　　實驗體行為狀態分析普遍應用在生命科學、心理學等不同領域，是對實驗體的重要評價指標，也是獲取科研成果的重要方式，具有極為重要的研究意義。提出的實驗體行為狀態分析系統將監測階段得到的中心坐標集合P和目標框長寬集合S導入，通過對這兩個數據集的處理得到實驗體在實驗過程中實時的生存狀態，包括其速度、位置、區域、運動時間等基本活動參數的監測，研究分析實驗體在各個實驗區域的適應度，實驗體實時的生存狀態以及實驗體當前行為這三個高級的行為學分析指標，用于詳細描述實驗體的行為狀態，便于研究人員實時了解實驗情況和實驗效果。