脑声常谈丨镜头读懂鼠类情绪：全自动解析强迫游泳三类核心行为

强迫游泳实验（FST）是筛选抗抑郁药物、研究啮齿类抑郁样行为与应激应对模式的核心临床前模型，全球每年产出数千篇相关研究，但依赖人工行为打分的传统分析手段存在耗时长、主观偏差大、实验室间难以重复等短板，现有商用自动化系统又无法精细区分游泳、攀爬两类关键主动行为。一种基于3D残差卷积神经网络（3D RCNN）的机器学习自动化分析框架，直接以视频像素为输入捕捉动物行为时空动态，可同步精准识别大鼠不动、游泳、攀爬三类核心行为。

研究背景

1.强迫游泳实验（FST）的重要性

FST是全球最主流的抑郁样行为、应激应对策略、抗抑郁药物药效评价临床前动物模型，由Porsolt于1970年代建立：啮齿动物浸水后，初期会通过游泳、攀爬进行逃生尝试，后期放弃挣扎、被动漂浮（不动行为），该行为被视作行为绝望、习得性无助，对应抑郁表型；

改良版FST可区分两类主动行为：水平游动（游泳）、贴壁垂直蹬踏（攀爬），二者可区分不同作用机制抗抑郁药：

5-羟色胺再摄取抑制剂（SSRIs）：主要提升游泳时长；

去甲肾上腺素能三环类抗抑郁药（TCAs）：主要提升攀爬时长；

双通道抑制剂（文拉法辛）：游泳、攀爬均衡提升。

文献数据：PubMed关键词检索超8600篇相关论文，近10年发表超5500篇，应用极其广泛；实验操作简单、设备门槛低、预测效度可靠。

2.现有评分方法两大核心缺陷

（1）人工手动评分（实验室主流）

极强人为主观偏倚：不同实验员、同一实验员不同时段（疲劳/熟练度差异）评分标准不一致，实验室间结果难以重复；

人力成本极高：一段5分钟视频人工标注至少需要30分钟，且需要长期专业培训；

无法统一标准化评分流程。

（2）市面现有自动化视频分析系统

硬件采购成本高昂；

仅能区分“活动/不动”二分类，无法精细区分游泳、攀爬两种关键主动行为；

依赖人工预先提取特征（质心坐标、帧间位移、关键点位运动速度等），人为筛选特征会丢失时空动态信息，简化动物复杂行为，识别精度受限。

3.研究目标

开发不依赖人工特征提取、直接读取原始视频像素的深度学习模型，自动精准分类不动（Immobility）、游泳（Swimming）、攀爬（Climbing）三类行为；通过多组抗抑郁药物实验验证模型与人工评分一致性，实现标准化、无偏、快速自动化分析，并具备拓展至其他动物行为学实验的潜力。

实验材料与数据集构建

1. 实验动物

总计 122 只 Wistar 大鼠（3–4 月龄），雌雄兼用：

模型训练集：78只（雌雄各 39 只）；

药物验证实验仅使用雄性大鼠，分两组药理实验；

饲养：反向 12h 明暗循环，恒温恒湿，自由摄食饮水。

2. FST标准化实验流程

设备：透明有机玻璃圆筒（高 50cm，直径 28cm），水深 30cm，水温 23–25℃；相机固定参数：分辨率704×576、帧率 25fps，相机与圆筒距离标准化；

经典双阶段范式：15 分钟预游泳→24 小时后5分钟正式测试，药物在间隔期皮下注射；测试后擦干大鼠、加热复温20min再回笼；

给药方案（所有药物剂量 20mg/kg，皮下注射，测试前23.5h/5h/1h三次给药）：

第一组验证药物：氟西汀（SSRI，促游泳）、地昔帕明（TCA，促攀爬）、溶媒对照组；

第二组拓展验证药物：阿米替林（TCA，促攀爬）、帕罗西汀（SSRI，促游泳）、文拉法辛（双通道均衡）、溶媒对照。

视频分段推理流程：

视频切分：全部 78 段训练视频（总时长 503min）统一切割为3 秒小段视频（替代传统 5s 分段，平衡标注精度与计算量），总计生成 10062 个子片段；

人工双标注：两名资深实验员独立标注每段视频主导行为，分歧共同复核统一标签；三类行为数据占比：不动 49.2%、游泳 33.8%、攀爬 17.1%；潜水行为罕见，统一归类为游泳；

图像标准化处理：

框选圆筒感兴趣区域（ROI），统一裁剪缩放；

帧差分降噪：每一帧减去无大鼠空白背景帧，突出大鼠轮廓；

3D 张量生成：每段 3s 视频共 75 帧，拼接为维度75（时间T）×64（宽L）×128（高H）的 3D 时空张量，像素归一化后作为模型输入；

数据集划分：随机 90% 训练集、10% 验证集；训练时加入图像水平镜像数据增强扩充样本。

3D RCNN 模型架构与训练方案

3D RCNN完整网络结构

1. 网络结构（基于3D卷积 + 残差块ResidualBlock）

基础单元：ConvBlock（3D 卷积 + BN+ReLU）、ResidualBlock（残差 3D 卷积、短路连接、3D 平均池化、空间 dropout，缓解深层网络梯度消失）；

主干堆叠流程：

输入张量 → ConvBlock (16) → ResidualBlock (16) → 三层循环模块（ConvBlock (32/64/128)+3D Dropout+ResidualBlock）→ 全局 3D 平均池化；

全连接分类头：三层稠密层（200→64→16，均配 ReLU 激活）→ Softmax 三分类输出层，输出三类行为概率，取概率最高类别为预测结果；

超参数：3D 卷积核 (3,3,3)，池化核 (2,2,2)，dropout=0.1。

2. 训练配置

开发工具：Python3.9.9、TensorFlow2.11、Keras、OpenCV4.5.2、CUDA12.2，GPU RTX A6000 加速；

优化器 Adam，学习率 1e-4，批次大小 8（增强后等效 16 样本），最大训练轮次 120；

正则化：早停策略，保存验证集精度最高的最优模型；验证集最高准确率 88.89%。

模型双重药理验证实验

实验 1：氟西汀（FLX）+ 地昔帕明（DMI），直接对比人工 vs 机器学习评分

一致性量化指标：

整体视频平均准确率：86±4%；Cohen’s Kappa=0.7809，代表人工与模型高度一致性；

Pearson 相关系数：不动 r=0.918、游泳 r=0.858、攀爬 r=0.955，三类行为均呈极强线性相关；

混淆矩阵：验证集、药物实验集预测标签与人工标签匹配度极高，仅少量跨类错分；单段视频时序图显示模型预测曲线与人工标注几乎重合，错配片段极少。

评分方法（人工/ML）无统计学差异；

药物效应两组评分结果完全一致，复现经典药理学规律：

① 氟西汀、地昔帕明均显著降低不动时长；

② 氟西汀特异性显著提升游泳行为；

③ 地昔帕明特异性显著提升攀爬行为。

实验2：阿米替林（AMI）、帕罗西汀（PRX）、文拉法辛（VLX）拓展验证

三类行为视频帧示例：

结果完全契合已有文献报道：

不动时长：阿米替林、文拉法辛组显著下降，帕罗西汀无显著变化；

游泳时长：帕罗西汀、文拉法辛显著升高，阿米替林无变化；

攀爬时长：阿米替林显著升高，帕罗西汀无显著趋势，文拉法辛攀爬无明显提升；

证明模型可精准区分不同神经递质靶向的抗抑郁药带来的差异化行为谱。

模型优势、局限与拓展方案

1. 相比传统方法的核心优势

效率大幅提升：5 分钟视频人工标注 30min，模型预处理 + 推理仅需1分钟，极大节省实验人力；

彻底消除人为偏倚：模型盲态分析（不知分组/给药处理），不受实验员疲劳、主观解读、熟练度波动影响，全球实验室统一标准；

原生提取时空特征：直接输入原始像素，无需人工预设运动特征，完整保留大鼠行为动态细节，比传统追踪系统识别更精细；

精细三分类能力：突破现有自动化系统仅能区分 “动/静”的短板，精准拆分游泳、攀爬，满足改良 FST 区分抗抑郁药亚型的核心需求；

开源可复用：数据集、完整代码上传GitHub与Zenodo，其他实验室可直接复用。

2. 现有局限性

模型泛化性受实验环境约束：光照、相机位置、圆筒尺寸、大鼠体型差异会降低识别精度。

3. 解决方案

迁移学习：使用少量本地实验室新数据微调预训练 3D RCNN，快速适配新实验环境；

人机协同迭代标注：先用模型批量预标注，人工修正少量错误标签，快速构建本地专属数据集，持续优化模型。

4. 应用拓展潜力

该3D RCNN框架不局限于 FST，仅需重新标注对应数据集，即可拓展至旷场实验、条件恐惧实验、药物戒断行为等各类啮齿动物行为学测试，通用性强。

总结

3D RCNN深度学习模型可全自动、高精度区分强迫游泳实验大鼠的不动、游泳、攀爬三类行为；在两组不同抗抑郁药物药理实验中，模型定量结果与专业人工评分高度吻合，能够精准复现不同作用机制抗抑郁药的特征行为变化。经氟西汀、地昔帕明、阿米替林、帕罗西汀、文拉法辛多类经典抗抑郁药物实验验证，该模型打分结果与专业人工标注高度吻合，能稳定复现不同递质靶点抗抑郁药的特征行为谱；相比传统方案，本方法大幅缩减分析耗时、消除人为评判偏倚，且可通过迁移学习拓展至旷场、条件恐惧等其他动物行为学测试，为精神药理实验提供标准化、客观高效的自动化行为分析工具。

该工具解决了传统行为评分主观性强、耗时、无法精细分类的痛点，提供标准化、无偏、高效的自动化分析方案，同时可通过迁移学习适配各类动物行为学范式，推动抑郁相关临床前药物筛选、应激行为研究的可重复性与规范化。

文章来源：

Della Valle, A., De Carlo, S., Sonsini, G. et al. Machine learning-based model for behavioural analysis in rodents applied to the forced swim test. Sci Rep 15, 22314 (2025). https://doi.org/10.1038/s41598-025-05712-8

欢迎转发分享