- 3 次围观
捕捉自然主义行为动态对于理解生态学效度条件下的社会互动至关重要。现有关于自然主义社会互动的研究依赖于更适用于任务型实验的时间聚合分析方法，这些方法会丢失自然主义情境中所呈现的复杂、逐时逐刻的动态过程。新兴的拓扑数据分析（topological data analysis, TDA）领域提供了新的工具，可用于表征时间序列数据中无法通过时间平均方法捕捉的细粒度动态。本研究采用了 Temporal Mapper，这是一种近期开发的、专门用于分析动力系统的 TDA 方法。Temporal Mapper 将复杂的时间动态表征为转移网络，其中节点表示稳定状态，边表示状态之间的转移。该方法最初是为人类神经时间序列分析而设计的，而在本研究中，我们展示了 Temporal Mapper 在捕捉自然主义社会互动过程中动物丰富姿态动态方面的实用性。 我们使用了一个现有数据集，其中包含 12 次对两只家养雪貂（Mustela putorius furo）在自然主义互动过程中的视频记录，并追踪了动物在社会互动期间的姿态。选择雪貂作为研究对象，是因为其具有较强的社会认知能力以及丰富的姿态动态，适合通过姿态估计来研究社会行为。随后，我们使用 Temporal Mapper 将每次记录中的姿态动态表示为转移网络。在本研究中，我们发现，与非社会性活动相比，活跃社会互动期间的姿态状态显著更小且分布更广。此外，在转变为新行为之前所经历的连续姿态状态数量，在活跃社会互动期间比在非社会性活动期间更为一致。综上所述，我们的研究结果表明，社会活动具有广泛分布的不稳定姿态状态，并且这些状态以一致的序列方式排列。我们的方法 Temporal Mapper 使得对复杂自然主义数据进行网络结构分析成为可能，可用于表征不同物种、不同尺度和不同研究范式中的丰富动态。
捕捉自然主义行为动态对于理解生态学效度情境中的社会互动至关重要。现有关于自然主义社会互动的研究主要依赖时间聚合分析方法，这类方法更适用于任务型实验，却会丢失自然主义情境中所呈现的复杂、逐时刻变化的动态过程。新兴的拓扑数据分析（TDA）领域为刻画时间序列数据中的细粒度动态提供了新工具，而这些动态是时间平均方法无法捕捉的。本研究采用了 Temporal Mapper，这是一种近年来发展出的、专门用于分析动力系统的拓扑数据分析方法。Temporal Mapper 将复杂的时间动态表征为转移网络，其中节点表示稳定状态，边表示状态之间的转移。该方法最初用于人类神经时间序列分析，在此我们展示了 Temporal Mapper 在捕捉自然主义社会互动过程中丰富动物姿势动态方面的效用。
我们使用了一个已有数据集，其中包含 12 段家养雪貂（Mustela putorius furo）在自然主义互动过程中的双个体视频记录，并对社会互动期间动物的姿势进行了追踪。之所以选择雪貂，是因为其具有较强的社会认知能力和丰富的姿势动态，适合通过姿势估计来研究社会行为。随后，我们利用 Temporal Mapper 将每次记录中的姿势动态表征为转移网络。在本研究中，我们发现，与非社会性活动相比，主动社会互动期间的姿势状态显著更小且分布更广。此外，在转移到新行为之前所经历的连续姿势状态数量，在主动社会互动期间比在非社会性活动期间更为一致。综合来看，我们的研究结果表明，社会活动具有广泛分布的不稳定姿势状态，并且这些状态以一致的序列方式排列。我们的方法 Temporal Mapper 使得对复杂自然主义数据进行网络结构分析成为可能，可用于表征不同物种、不同尺度和不同研究范式中的丰富动态。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.01.735818v1?rss=1
🏷️ 拓扑数据分析 行为动态 社会互动 姿态估计 时间序列分析 家养雪貂