延伸阅读
RodentFlow 有意使用经典追踪方法：单只动物、身体中心、无需训练（原因）。当实验需要更多信息时，比如身体部位、多只互动的动物，或者自动识别理毛、直立等行为，下面这些工具是目前开源领域的标准。它们输出的每只动物的数据可以导入 RodentFlow 做统计和作图（方法）。
综述
- Luxem K, Sun JJ, Bradley SP, et al. Open-source tools for behavioral video analysis: setup, methods, and best practices. eLife 12, e79305 (2023). doi:10.7554/eLife.79305 一篇实用的综述，涵盖录像装置、姿态估计、行为量化，以及如何验证和报告自动分析结果。选择任何工具之前，都值得先读一读。
姿态估计：追踪身体部位
- Pereira TD, Tabris N, Matsliah A, et al. SLEAP: A deep learning system for multi-animal pose tracking. Nature Methods 19 (2022). doi:10.1038/s41592-022-01426-1
- Lauer J, Zhou M, Ye S, et al. Multi-animal pose estimation, identification and tracking with DeepLabCut. Nature Methods 19 (2022). doi:10.1038/s41592-022-01443-0
- Ye S, Filippova A, Lauer J, et al. SuperAnimal pretrained pose estimation models for behavioral analysis. Nature Communications 15, 5165 (2024). doi:10.1038/s41467-024-48792-2 预训练模型，包括俯视小鼠模型，只需很少甚至不需要自己标注就能使用。
从姿态到行为
- Weinreb C, Pearl JE, Lin S, et al. Keypoint-MoSeq: parsing behavior by linking point tracking to pose dynamics. Nature Methods 21 (2024). doi:10.1038/s41592-024-02318-2 从关键点追踪数据中无监督地发现行为“音节”。
- Goodwin NL, Choong JJ, Hwang S, et al. Simple Behavioral Analysis (SimBA) as a platform for explainable machine learning in behavioral neuroscience. Nature Neuroscience 27 (2024). doi:10.1038/s41593-024-01649-9 针对用户自定义行为的有监督分类器，并能解释每次分类的依据。
与 RodentFlow 的关系
| 需求 | 工具 |
|---|---|
| 单只动物的区域时间、进入次数、距离、潜伏期、僵直，在手机上完成 | 只用 RodentFlow |
| 按鼻尖计算的探索、头部朝向、直立、视频步态 | 姿态估计工具（SLEAP、DeepLabCut），再导入每只动物的数值 |
| 同一场地多只动物（社交实验） | 多动物姿态追踪工具 |
| 自动标注理毛、攻击、爬跨等行为 | 在姿态追踪基础上使用 SimBA 或 Keypoint-MoSeq |
| 以上任何数据的组间统计与作图 | 导入 RodentFlow 的组间分析 |
本列表刻意保持简短，只收录 2022 年及以后发表的工作。