本文提出了一種名為DISK（Deep Imputation for Skeleton data）的深度學(xué)習(xí)方法，專門用于填補(bǔ)動(dòng)物骨骼追蹤數(shù)據(jù)中的缺失值。該研究針對(duì)動(dòng)物行為實(shí)驗(yàn)中常見的追蹤誤差問題展開，通過分析多物種、多場(chǎng)景的骨骼數(shù)據(jù)，驗(yàn)證了DISK在恢復(fù)缺失數(shù)據(jù)方面的有效性及其對(duì)行為分析的影響。

### 一、研究背景與問題提出
動(dòng)物行為研究依賴高精度骨骼追蹤數(shù)據(jù)，但現(xiàn)有追蹤系統(tǒng)（包括光學(xué)標(biāo)記和深度學(xué)習(xí)模型）常因遮擋、低光照或算法局限導(dǎo)致數(shù)據(jù)缺失。這種缺失不僅影響數(shù)據(jù)完整性，更導(dǎo)致行為分析結(jié)果偏差。例如，在藥物干預(yù)實(shí)驗(yàn)中，缺失數(shù)據(jù)可能導(dǎo)致無法準(zhǔn)確比較不同處理組間的步態(tài)特征差異。

傳統(tǒng)解決方案如線性插值僅適用于短時(shí)缺失且數(shù)據(jù)分布穩(wěn)定的情況，但在長(zhǎng)序列或高動(dòng)態(tài)場(chǎng)景中表現(xiàn)不足。此外，依賴人工標(biāo)注的補(bǔ)充方法成本高昂且難以規(guī)模化。因此，開發(fā)自動(dòng)化、通用的數(shù)據(jù)填補(bǔ)工具成為研究重點(diǎn)。

### 二、方法創(chuàng)新與實(shí)現(xiàn)
DISK的核心在于構(gòu)建了一個(gè)端到端的深度學(xué)習(xí)框架，通過自監(jiān)督學(xué)習(xí)模式實(shí)現(xiàn)多模態(tài)骨骼數(shù)據(jù)的填補(bǔ)。其技術(shù)亮點(diǎn)包括：
1. **動(dòng)態(tài)缺失模擬訓(xùn)練**：在完整數(shù)據(jù)中隨機(jī)引入與真實(shí)缺失特征（如缺失頻率、持續(xù)時(shí)間、空間分布）高度相似的偽缺失數(shù)據(jù)，使模型學(xué)習(xí)到更具泛化性的填補(bǔ)能力。
2. **多任務(wù)融合架構(gòu)**：采用Transformer作為基礎(chǔ)架構(gòu)，同時(shí)整合了時(shí)空?qǐng)D卷積網(wǎng)絡(luò)（ST-GCN）的拓?fù)鋬?yōu)勢(shì)，確保模型既能捕捉長(zhǎng)時(shí)序依賴，又能理解骨骼節(jié)點(diǎn)間的物理約束關(guān)系。
3. **不確定性量化模塊**：通過擴(kuò)展Transformer架構(gòu)，在輸出層同時(shí)預(yù)測(cè)關(guān)鍵點(diǎn)坐標(biāo)及其置信區(qū)間，實(shí)現(xiàn)質(zhì)量可控的填補(bǔ)。
4. **跨模態(tài)適應(yīng)性設(shè)計(jì)**：支持2D平面追蹤（如鼠類互動(dòng)數(shù)據(jù)集）和3D運(yùn)動(dòng)捕捉（如人類動(dòng)作數(shù)據(jù)集）的統(tǒng)一處理，兼容標(biāo)記式與非標(biāo)記式追蹤系統(tǒng)。

### 三、實(shí)驗(yàn)設(shè)計(jì)與驗(yàn)證
研究團(tuán)隊(duì)構(gòu)建了包含7個(gè)數(shù)據(jù)集的驗(yàn)證平臺(tái)，覆蓋嚙齒類動(dòng)物、魚類及人類動(dòng)作，總樣本量超過百萬幀：
- **鼠類行為數(shù)據(jù)集**（FL2、CLB）：包含藥物干預(yù)下的自由活動(dòng)記錄，檢測(cè)到填補(bǔ)后步態(tài)特征識(shí)別率提升37%
- **雙鼠交互數(shù)據(jù)集**（2-Mice-2D）：驗(yàn)證多動(dòng)物協(xié)同行為的填補(bǔ)效果
- **斑馬魚追蹤數(shù)據(jù)集**（2-Fish）：測(cè)試非結(jié)構(gòu)化水體環(huán)境下的填補(bǔ)精度
- **人類動(dòng)作捕捉數(shù)據(jù)集**（CMU MoCap）：驗(yàn)證三維空間填補(bǔ)的泛化能力

對(duì)比實(shí)驗(yàn)顯示，DISK在平均均方根誤差（RMSE）上較次優(yōu)方法降低42%-58%，關(guān)鍵點(diǎn)精度誤差（MPJPE）減少35%-50%。特別在處理超過4個(gè)關(guān)鍵點(diǎn)同時(shí)缺失（占測(cè)試數(shù)據(jù)的21%場(chǎng)景）時(shí)，填補(bǔ)成功率仍保持85%以上。

### 四、關(guān)鍵技術(shù)突破
1. **時(shí)空聯(lián)合建模**：通過引入骨骼拓?fù)浣Y(jié)構(gòu)約束（如關(guān)節(jié)間距閾值、肢體聯(lián)動(dòng)規(guī)律），顯著提升填補(bǔ)精度。實(shí)驗(yàn)證明，考慮物理約束的模型在魚類擺尾、鼠類后肢運(yùn)動(dòng)等復(fù)雜動(dòng)作的填補(bǔ)誤差降低至0.15mm級(jí)別。
2. **跨模態(tài)泛化能力**：在驗(yàn)證中，模型對(duì)3D骨骼（人類動(dòng)作）和2D平面骨骼（鼠類互動(dòng)）的填補(bǔ)表現(xiàn)無顯著差異（P>0.05），驗(yàn)證了架構(gòu)的跨模態(tài)適應(yīng)性。
3. **增量式訓(xùn)練策略**：采用動(dòng)態(tài)調(diào)整學(xué)習(xí)率的訓(xùn)練機(jī)制，在保證模型收斂速度的同時(shí)，有效處理不同數(shù)據(jù)集的量綱差異（如單位從米轉(zhuǎn)換到厘米時(shí)的誤差補(bǔ)償）。

### 五、應(yīng)用場(chǎng)景與實(shí)驗(yàn)結(jié)果
1. **行為事件檢測(cè)增強(qiáng)**：在鼠類自由探索實(shí)驗(yàn)中，填補(bǔ)后步態(tài)檢測(cè)覆蓋率從57%提升至89%。通過分析踝關(guān)節(jié)速度-加速度特征，發(fā)現(xiàn)藥物處理組在步幅長(zhǎng)度（P<0.001）和單步持續(xù)時(shí)間（P<0.01）上存在顯著差異。
2. **多動(dòng)物協(xié)同分析**：在雙鼠交互數(shù)據(jù)集中，通過填補(bǔ)雙方尾鰭、前肢等關(guān)鍵點(diǎn)，成功識(shí)別出12種協(xié)同行為模式（如交替捕食、群體回避），其中7種為傳統(tǒng)方法無法檢測(cè)的微觀交互。
3. **人類動(dòng)作重建**：在CMU數(shù)據(jù)集上，模型對(duì)遮擋導(dǎo)致的缺失關(guān)節(jié)（如肩部、髖部）的填補(bǔ)誤差控制在0.8cm以內(nèi)，填補(bǔ)后的動(dòng)作分類準(zhǔn)確率達(dá)到92.3%。

### 六、方法局限性及改進(jìn)方向
1. **數(shù)據(jù)依賴性**：訓(xùn)練集需包含至少2000個(gè)有效樣本，對(duì)數(shù)據(jù)規(guī)模敏感（當(dāng)樣本量<500時(shí)，RMSE上升18%-25%）
2. **拓?fù)浼s束處理**：對(duì)非剛性連接的骨骼（如鳥類翅膀關(guān)節(jié)）填補(bǔ)效果下降約15%，需加強(qiáng)拓?fù)涓兄�模塊
3. **長(zhǎng)時(shí)序依賴**：超過60幀的連續(xù)缺失填補(bǔ)誤差增加約30%，計(jì)劃引入記憶增強(qiáng)模塊

### 七、學(xué)術(shù)價(jià)值與應(yīng)用前景
本研究為動(dòng)物行為學(xué)提供了標(biāo)準(zhǔn)化數(shù)據(jù)處理工具：
- **實(shí)驗(yàn)設(shè)計(jì)優(yōu)化**：通過填補(bǔ)缺失數(shù)據(jù)，可將單次實(shí)驗(yàn)的有效分析時(shí)長(zhǎng)從45分鐘延長(zhǎng)至90分鐘以上
- **成本效益提升**：在rat7m數(shù)據(jù)集測(cè)試中，每分鐘實(shí)驗(yàn)數(shù)據(jù)的完整利用率從32%提升至79%
- **跨物種遷移**：在遷移學(xué)習(xí)框架下，鼠類骨骼模型可推廣到靈長(zhǎng)類動(dòng)物（驗(yàn)證誤差率相差<5%）

該成果已開源（GitHub倉(cāng)庫(kù)），支持導(dǎo)入主流追蹤系統(tǒng)（如DeepLabCut、SLEAP）的輸出數(shù)據(jù)，為行為分析研究提供了可復(fù)用的技術(shù)平臺(tái)。未來可結(jié)合強(qiáng)化學(xué)習(xí)框架，實(shí)現(xiàn)動(dòng)態(tài)填補(bǔ)策略的自適應(yīng)優(yōu)化。