Previsione dell'apprendimento automatico e classificazione della selezione comportamentale in un programma di rilevamento olfattivo canino

Rapporti scientifici volume 13, numero articolo: 12489 (2023) Citare questo articolo

218 accessi

2 Altmetrico

Dettagli sulle metriche

Vi è un crescente interesse per la ricerca comportamentale canina specifica per i cani da lavoro. Qui ci avvaliamo di un set di dati di una coorte di rilevamento olfattivo della Transportation Safety Administration di 628 Labrador Retriever per eseguire studi di previsione e classificazione di Machine Learning (ML) di tratti comportamentali ed effetti ambientali. I dati erano disponibili per quattro punti temporali nell'arco di un periodo di affidamento di 12 mesi, dopo il quale i cani venivano accettati in un programma di addestramento o eliminati. Tre algoritmi ML supervisionati hanno avuto prestazioni robuste nel prevedere correttamente quali cani sarebbero stati accettati nel programma di addestramento, ma scarse prestazioni nel distinguere quelli che sarebbero stati eliminati (~ 25% della coorte). Il test a 12 mesi ha prodotto la migliore capacità di distinguere i cani accettati da quelli eliminati (AUC = 0,68). Studi di classificazione utilizzando l'analisi delle componenti principali e l'eliminazione delle caratteristiche ricorsive utilizzando la convalida incrociata hanno rivelato l'importanza dei tratti correlati all'olfatto e al possesso per un test di ricerca e recupero del terminal aeroportuale e i tratti di possesso, fiducia e iniziativa per un test ambientale. I nostri risultati suggeriscono quali test, ambienti, tratti comportamentali e andamento temporale siano più importanti per la selezione dei cani per il rilevamento olfattivo. Discutiamo di come questo approccio possa guidare ulteriori ricerche che comprendano effetti cognitivi ed emotivi, sociali e ambientali.

L'apprendimento automatico (ML) è un sottocampo dell'Intelligenza Artificiale (AI) che utilizza una combinazione di algoritmi e statistiche per eseguire una varietà di funzioni analitiche su un'ampia gamma di tipi di dati. ML è suddiviso in due classi di algoritmi: apprendimento supervisionato per dati di training etichettati e non supervisionato per dati senza etichetta. I metodi supervisionati consentono di apprendere da input e output noti ai fini della previsione di output sconosciuti da input noti (analisi di regressione) o per determinare quali categorie di dati sono le più importanti per prevedere i risultati (analisi di classificazione). Le applicazioni ML supervisionate nel comportamento dei cani hanno utilizzato sensori inerziali montati sul cane per creare etogrammi automatizzati del cane sensibili alle differenze individuali1,2 e video per classificare il comportamento simile all'ADHD3. Gli studi di ML senza supervisione sui cani hanno utilizzato i dati del questionario comportamentale video e C-BARQ per l'analisi esplorativa4 e i dati dei sensori per prevedere il successo del cane guida5. Negli esseri umani, il machine learning supervisionato utilizzando dati di test non basati su sensori e rilevanti per l’attività è stato applicato per prevedere il successo nelle prestazioni lavorative6, ma non siamo a conoscenza di tali studi sui cani. Qui utilizziamo metodi supervisionati per prevedere quali cani avranno successo durante un programma di pre-addestramento per il rilevamento degli odori o falliranno per motivi comportamentali. Sebbene questa ricerca abbia applicato l’uso ai cani da lavoro, è probabile che contribuisca anche a nuove comprensioni dell’apprendimento e delle prestazioni lavorative nei mammiferi in generale, compreso l’uomo. Tuttavia, la genetica comportamentale umana tende ad essere caratterizzata da alti livelli di eterogeneità, poligenicità e, a causa della selezione evolutiva negativa di variazioni anche debolmente deleterie, da minuscole dimensioni degli effetti delle variazioni individuali. Pertanto, gli studi sull’uomo richiederebbero una potenza molto maggiore e le variazioni identificate mancherebbero di utilità diretta. Al contrario, i cani presentano un’eterogeneità, una poligenicità e una selezione negativa notevolmente ridotte, nonché una forte selezione positiva per i diversi tratti7. L’effetto finale è che i cani presentano un potere notevolmente maggiore di mappare geneticamente tutti i tipi di tratti. Lo svantaggio è che il disequilibrio del linkage è molte volte più esteso nei cani, con conseguenti intervalli di mappatura ampi. Tuttavia, ciò può essere mitigato dalla mappatura genetica degli incroci delle variazioni comuni tra le razze8,9,10.

I cani rilevatori olfattivi sono stati a lungo impiegati per fiutare esplosivi, sostanze controllate, altri materiali regolamentati (ad esempio insetti, cibo e piante) e odori umani per la sicurezza pubblica11,12. Più recentemente, le funzioni di rilevamento degli odori nei cani includono condizioni mediche (ad esempio, marcatore di bassi livelli di glucosio nel sangue nel diabete e infezione da SARS-CoV-213). Negli Stati Uniti, la maggior parte dei cani militari e delle forze dell'ordine sono addestrati come cani a duplice scopo, eseguendo sia il rilevamento degli odori che la protezione. Gli altri gruppi principali di cani da lavoro sono i cani guida per persone cieche o ipovedenti e i cani guida per assistere le persone con altre disabilità. L’intervallo di costi per la maggior parte dei cani da lavoro pre-addestrati è compreso tra 40.000 e 80.0000 dollari14, e i prezzi continuano ad aumentare perché la domanda supera l’offerta. Tali costi possono essere quasi raddoppiati se si tiene conto dell’addestramento. Come risultato di questi fatti e del fatto che il tasso complessivo di addestramento riuscito è inferiore al 50%, c’è un enorme impulso a produrre e addestrare cani da lavoro in modo più efficiente11,15. Sebbene siano stati condotti studi esplorativi e prospettici su nuovi schemi di test sui cani da lavoro per il rilevamento e l'assistenza, questi non sono stati ancora ampiamente utilizzati16. Tuttavia, esistono ampi set di dati relativi all'addestramento, alle prestazioni e alla salute dei cani da lavoro provenienti da istituzioni federali e private che non sono stati ancora analizzati a fondo15,17. Resta quindi possibile che i set di dati standardizzati esistenti, che continuano a essere raccolti e sono già grandi e quindi ideali per il machine learning, possano essere il percorso più efficiente e produttivo per migliorare la comprensione dei tratti comportamentali richiesti per i cani da lavoro.