姿态模型与预处理

模型

RodentLimb 使用 CylinderMousePoseV2：一个有 7 个关键点（LF、LH、RF、RH 四爪，尾根，鼻尖，嘴）的 YOLO 姿态模型。它由基于圆筒实验视频训练的 DeepLabCut 模型蒸馏而来，通过 Core ML 在 iPhone 上运行。V1 与 V2 在同一批视频上对比后，选用了 V2。

对视频的每一帧：

1. 将画面等比缩放并补边到模型的正方形输入（640 × 640）。
2. 模型返回候选检测结果。由于每段视频只有一只小鼠，保留高于检测置信度（设置中，默认 0.25）且置信度最高的一个。
3. 将该检测的 7 个关键点映射回原始画面，并应用视频的旋转信息，使位置与播放器中看到的一致。

关键点对每段视频只保存一次（pose.plist），之后的步骤不再需要模型。

预处理

计算任何指标前，先对每个关键点的轨迹做预处理：

1. 置信度过滤：低于“关键点置信度”（0.30）的点视为缺失。
2. 补缺：不超过“填补缺口上限”（0.25 秒）的缺口线性插值，更长的缺口保持缺失。
3. 3 点中值滤波：去除单帧跳变（例如某只爪的标签短暂跳到另一只爪上）。
4. 居中滑动平均，窗口为“位置平滑”（0.10 秒；步态为 0.03 秒，以保留短暂的摆动相）。

体长

**体长（BL）**是整段视频中鼻尖到尾根距离的中位数。所有速度和距离阈值都以 BL 表示，因此同一套设置可用于不同的缩放和不同体型的动物。若鼻尖和尾根很少被检测到，BL 退而取画面短边的 1/8，结果中会给出提示。

时间基准

关键点时间从第一帧解码画面起算为 0。回放器会在视频自身的时间轴与该时间基准之间换算，因此事件、图表和关键点叠加完全对齐。

需要注意的限制

• 每段视频一只小鼠。 第二只动物会干扰单一检测这一步。
• 训练范围。 V2 用圆筒视频训练。悬尾和步态是不同视角，请检查叠加效果，并考虑把你自己实验条件下标注的帧加入训练集。
• 左右指训练标注时动物自身的左右。画面镜像时请使用“交换左右标签”。