本发明涉及计算机，尤其涉及一种基于优化yolov8的斑马鱼攻击行为识别方法及系统。
背景技术：
1、斑马鱼与人类共享70％的基因组，其高质量的基因组使人们对斑马鱼的关键基因组特征有了更清晰的认识。斑马鱼以其对遗传生物学的贡献而闻名于世，如今已成为研究人类疾病的重要临床试验对象。由于斑马鱼的疾病特征、病因和进展以及分子机制与临床相关且高度保守，其在神经科学和行为学转化研究中迅速普及。斑马鱼不仅在微塑料和纳米塑料毒性、药物发现、高通量和高内容表型药物筛选等方面发挥重要作用，还在行为神经科学、癌症生物学和癌症精准治疗、毒理学效应等领域崭露头角，因此斑马鱼是发育遗传学、神经生理学和生物医学领域的重要模式生物。示例性地，可以针对斑马鱼的攻击行为的识别，来分析相关药物对于斑马鱼的影响，以此来分析相关药物对人体可能造成的影响。然而，目前对斑马鱼攻击行为特征的量化研究几乎空白，且研究主观性较强。
技术实现思路
1、本发明实施例的主要目的在于提出一种准确性高的，基于优化yolov8的斑马鱼攻击行为识别方法及系统，能够对斑马鱼的攻击行为进行全面深入的评估，找到相关药物刺激与斑马鱼的攻击行为之间的关联关系。
2、为实现上述目的，本发明实施例的一方面提出了一种基于优化yolov8的斑马鱼攻击行为识别方法，包括以下步骤：
3、获取斑马鱼动态图像；
4、根据优化的yolov8模型从所述斑马鱼动态图像中识别斑马鱼的行为特征；
5、根据识别到的行为特征，提取多维度的攻击行为指标；
6、根据提取到的所述攻击行为指标，采用多层次、多角度的数据分析方法，对待分析物质对斑马鱼攻击行为的影响进行评估。
7、在一些实施例中，所述根据优化的yolov8模型从所述斑马鱼动态图像中识别斑马鱼的行为特征，包括以下步骤：
8、将获取的斑马鱼动态图像进行预处理，将所有图像调整为统一尺寸，并将rgb图像转换为yuv色彩空间；
9、采用数据增强技术对预处理后的斑马鱼动态图像进行数据增强，得到训练集和测试集；
10、选择yolov8-m，初始化模型权重，并设置训练超参数，使用带有余弦退火的sgd优化器进行模型训练，并对训练得到的识别模型进行模型验证，得到满足验证要求的yolov8模型；其中，所述模型验证的指标包括平均精确度、召回率、精确率和f1分数；
11、通过所述yolov8模型对所述斑马鱼动态图像进行推理，识别得到斑马鱼的行为特征；
12、其中，所述数据增强的表达式为：
13、iaugmented＝t(ioriginal)
14、其中，ioriginal为原始图像，t为数据增强变换函数集合，iaugmented为增强后的图像；
15、其中，所述模型训练的学习率调整策略表示为：
16、ηt＝ηmin+0.5·(ηmax-ηmin)·(1+cos(πt/t))
17、其中，ηt为当前学习率，ηmin和ηmax分别为最小和最大学习率，t为当前迭代次数，t为总迭代次数。
18、在一些实施例中，所述通过所述yolov8模型对所述斑马鱼动态图像进行推理，识别得到斑马鱼的行为特征，包括以下步骤：
19、将所述斑马鱼动态图像经预处理后输入所述yolov8模型，输出边界框坐标、置信度分数和类别预测，并采用非极大值抑制算法去除冗余检测框；
20、使用yolov8的分割头输出分割掩码，并识别斑马鱼的关键点；所述关键点包括头部、尾部、鳍；
21、使用匈牙利算法进行目标关联，并使用卡尔曼滤波平滑轨迹，提取得到斑马鱼的行为特征；
22、其中，采用非极大值抑制算法去除冗余检测框的表达式为：
23、
24、其中，s为保留的检测框集合，si为第i个检测框，smax为置信度最高的检测框，iou为交并比函数；
25、分割掩码的表达式为：
26、m(x,y)＝{1,if s(x,y)>threshold 0,otherwise}
27、其中，m(x,y)为二值掩码，s(x,y)为分割头输出的概率图；
28、识别斑马鱼的关键点的表达式为：
29、p＝{(xi,yi,ci)∣i＝1,2,…,k}
30、其中，p为姿态估计结果，(xi,yi)为第i个关键点的坐标，ci为其置信度，k为关键点总数；
31、目标关联的表达式为：
32、cij＝α·(1-iou(bi,bj))+(1-α)·1-cos_sim(fi,fj))
33、其中，bi和bj分别为第i个检测结果和第j个跟踪目标的边界框，fi和fj为对应的特征向量，α为权重系数。
34、在一些实施例中，所述根据识别到的行为特征，提取多维度的攻击行为指标，包括以下步骤：
35、根据识别到的行为特征，计算斑马鱼的运动学指标；所述运动学指标包括瞬时速度、加速度和转向角度；
36、根据识别到的行为特征，使用最小外接矩形方法计算斑马鱼的空间利用指标；所述空间利用指标包括活动范围以及近镜区停留时间比率；
37、根据识别到的行为特征，提取斑马鱼的攻击动作指标；所述攻击动作指标包括攻击频率、攻击持续时间和攻击强度；
38、根据识别到的行为特征，进行姿态特征指标提取；所述姿态特征指标包括体弯曲度和鳍展开角度；
39、根据识别到的行为特征，进行群行为指标提取；所述群行为指标包括个体间距离和群体凝聚度；
40、根据提取到的各个攻击行为指标，进行时间序列分析，得到统计特征；所述统计特征包括均值、标准差、偏度、峰度、自相关系数；
41、根据提取到的各个攻击行为指标，构建得到综合指标，并计算综合攻击行为评分。
42、在一些实施例中，所述活动范围的计算公式为：
43、s＝l×w
44、其中，s代表活动范围；l代表最小外接矩形的长；w代表最小外接矩形的宽；
45、所述近镜区停留时间比率的计算公式为：
46、
47、其中，rmirror代表近镜区停留时间比率；tmirror为斑马鱼在近镜区的停留时间，ttotal为总观察时间；
48、所述攻击强度iattack的计算公式为：
49、iattack＝w1·amax+w2·vimpact
50、其中，w1和w2为权重系数；amax代表攻击过程中的最大加速度；vimpact代表攻击过程中的撞击速度；
51、所述体弯曲度cbend的计算公式为：
52、cbend＝180°-α
53、其中，α代表头部-躯干-尾部形成的夹角；
54、所述群体凝聚度cgroup的计算公式为：
55、i≠j
56、其中，dij代表第i条和第j条斑马鱼之间的欧氏距离；
57、所述综合攻击行为评分sattack的计算公式为：
58、sattack＝σ(wi·fi)
59、其中，fi为归一化后的各项指标，wi为对应的权重系数。
60、在一些实施例中，所述根据提取到的所述攻击行为指标，采用多层次、多角度的数据分析方法，对待分析物质对斑马鱼攻击行为的影响进行评估，包括以下步骤：
61、根据提取到的所述攻击行为指标，分别进行描述性统计分析、推断性统计分析、相关性分析、时间序列分析、多变量分析、基于机器学习模型的分析以及剂量-反应关系分析；
62、根据各个分析的结果，计算综合评分结果，确定待分析物质对斑马鱼攻击行为的影响信息。
63、在一些实施例中，所述描述性统计分析，具体为：计算各对照组、各暴露组的攻击行为指标的基本统计量，包括均值、中位数、标准差、四分位数；使用箱线图和直方图的可视化方法呈现各组数据的分布特征；通过计算变异系数来评估指标的离散程度，变异系数cv的计算公式为：
64、
65、其中，σ代表标准差；μ代表均值；
66、所述推断性统计分析，具体为：首先进行正态性检验，使用shapiro-wilk测试检验数据是否服从正态分布；接着使用levene's测试检验各组数据的方差是否相等；如果数据满足正态性和方差齐性，采用单因素方差分析来分析不同浓度待分析物质暴露对各攻击行为指标的影响，影响程度f的计算公式为：
67、
68、其中，msb为组间均方，msw为组内均方；
69、所述相关性分析的计算公式为：
70、
71、其中，r代表pearson相关系数；xi代表第i个样本的x变量值；代表x变量的平均值；yi代表第i个样本的y变量值；代表y变量的平均值；
72、所述时间序列分析用于捕捉攻击行为指标随时间的变化趋势和周期性，具体为：使用移动平均法或指数平滑法分析趋势；应用快速傅里叶变换检测行为指标的潜在周期性；
73、所述多变量分析用于综合评价多个攻击行为指标，具体为：首先采用主成分分析进行降维，提取主要行为特征；接着使用判别分析构建判别函数来区分不同暴露浓度组的斑马鱼；
74、所述基于机器学习模型的分析，具体为：构建支持向量机非线性分类器；构建包含多个决策树的随机森林模型，通过多数投票确定最终分类结果；并且设计、训练适用于时间序列数据的循环神经网络，捕捉攻击行为的时序特征；
75、所述剂量-反应关系分析，具体为：构建剂量-反应曲线，并使用非线性回归方法进行拟合，该拟合过程的表达式为：
76、
77、其中，r为反应，c为浓度，ec50为半数效应浓度，n为hill系数；
78、所述综合评分结果s的计算公式为：
79、s＝σ(wi·zi)
80、其中，zi为各标准化指标得分，wi为对应的权重系数。
81、本发明实施例的另一方面还提供了一种基于优化yolov8的斑马鱼攻击行为识别系统，包括：
82、第一模块，用于获取斑马鱼动态图像；
83、第二模块，用于根据优化的yolov8模型从所述斑马鱼动态图像中识别斑马鱼的行为特征；
84、第三模块，用于根据识别到的行为特征，提取多维度的攻击行为指标；
85、第四模块，用于根据提取到的所述攻击行为指标，采用多层次、多角度的数据分析方法，对待分析物质对斑马鱼攻击行为的影响进行评估。
86、本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
87、所述存储器用于存储程序；
88、所述处理器执行所述程序实现如前面所述的方法。
89、本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
90、本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
91、本发明实施例至少包括以下有益效果：本发明提供一种基于优化yolov8的斑马鱼攻击行为识别方法及系统,方法包括：获取斑马鱼动态图像；根据优化的yolov8模型从所述斑马鱼动态图像中识别斑马鱼的行为特征；根据识别到的行为特征，提取多维度的攻击行为指标；根据提取到的所述攻击行为指标，采用多层次、多角度的数据分析方法，对待分析物质对斑马鱼攻击行为的影响进行评估。本发明的准确性高，能够对斑马鱼的攻击行为进行全面深入的评估，找到相关药物刺激与斑马鱼的攻击行为之间的关联关系。
1.一种基于优化yolov8的斑马鱼攻击行为识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于优化yolov8的斑马鱼攻击行为识别方法，其特征在于，所述根据优化的yolov8模型从所述斑马鱼动态图像中识别斑马鱼的行为特征，包括以下步骤：
3.根据权利要求2所述的一种基于优化yolov8的斑马鱼攻击行为识别方法，其特征在于，所述通过所述yolov8模型对所述斑马鱼动态图像进行推理，识别得到斑马鱼的行为特征，包括以下步骤：
4.根据权利要求1所述的一种基于优化yolov8的斑马鱼攻击行为识别方法，其特征在于，所述根据识别到的行为特征，提取多维度的攻击行为指标，包括以下步骤：
5.根据权利要求4所述的一种基于优化yolov8的斑马鱼攻击行为识别方法，其特征在于，
6.根据权利要求1所述的一种基于优化yolov8的斑马鱼攻击行为识别方法，其特征在于，所述根据提取到的所述攻击行为指标，采用多层次、多角度的数据分析方法，对待分析物质对斑马鱼攻击行为的影响进行评估，包括以下步骤：
7.根据权利要求6所述的一种基于优化yolov8的斑马鱼攻击行为识别方法，其特征在于，
8.一种基于优化yolov8的斑马鱼攻击行为识别系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器以及存储器；
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1-7中任一项所述的方法。
