Classification of Social Interaction in a Porcine Neuropathic Model using Machine Learning
Authors
Stephansen, Katrine Mühlenfeldt Høegh ; Andersen, Louise Leonhard
Term
4. term
Publication year
2024
Submitted on
2024-05-31
Pages
102
Abstract
Translating preclinical findings to human neuropathic pain care requires outcome measures that capture spontaneous pain rather than only stimulus-evoked hypersensitivity. This thesis explores whether automated analysis of social behavior in a porcine neuropathic model can provide an objective, clinically relevant measure. Movement data from three pairs of pigs in a pen were obtained using pose estimation and tracking; features describing acceleration and inter-animal distances were extracted, and behaviors were classified with K-Means clustering followed by post-clustering analysis. The pose estimation pipeline achieved an estimated 70.84% correct node placement. Unsupervised clustering revealed three behavior groups interpreted as social interaction, defecation, and a transition state between behaviors. Across the available data, no behavioral differences were observed between pigs with and without neuropathic pain. These results demonstrate the feasibility of computer vision and machine learning for automated behavior classification in pigs and represent a first step toward an objective, clinically relevant outcome measure of spontaneous pain in a porcine neuropathic model.
Effektiv oversættelse af prækliniske fund til behandling af neuropatisk smerte hos mennesker kræver outcomes, der afspejler spontan smerte frem for kun stimulus-fremkaldt hypersensitivitet. Dette projekt undersøger, om automatiseret analyse af social adfærd i en porcin neuropatisk model kan give et objektivt og klinisk relevant mål. Bevægelsesdata fra tre par grise i en sti blev indsamlet via poseestimering og sporing; der blev udtrukket features for acceleration og indbyrdes afstande, og adfærd blev klassificeret med K-Means-klustering efterfulgt af post-klusteranalyse. Poseestimeringen opnåede en estimeret nøjagtighed på 70,84% korrekte nodeplaceringer. Den usuperviserede klustering identificerede tre klynger, tolket som social interaktion, defækation og en overgangstilstand mellem adfærd. På tværs af de tilgængelige data blev der ikke fundet adfærdsmæssige forskelle mellem grise med og uden neuropatisk smerte. Resultaterne demonstrerer anvendeligheden af computersyn og maskinlæring til automatiseret adfærdsklassifikation hos grise og udgør første skridt mod et objektivt, klinisk relevant outcome for spontan smerte i en porcin neuropatisk model.
[This apstract has been generated with the help of AI directly from the project full text]