行为追踪在行为神经科学中的核心地位
神经科学的最终目标是将神经活动与行为精确关联。无论是通过电极记录神经元的锋电位，还是利用钙成像观察神经群体活动，亦或是使用功能性磁共振成像（fMRI）测量血氧水平依赖信号，这些神经数据若无法与行为数据同步对齐，便难以获得有意义的解读。
行为追踪的任务是将动物的运动表现——如小鼠在开放场中的探索行为、果蝇的求偶舞蹈、斑马鱼的逃避反应——转化为可量化的数字坐标。这些坐标不仅是行为表型量化的基础，也是神经数据分析的时间锚点和神经编码理解的参照框架。
本文将系统介绍行为神经科学领域的行为追踪工具，从经典的开源视觉编程框架Bonsai，到新一代基于人工智能的无标记姿态估计技术。
Bonsai：开源视觉编程框架
Bonsai是由葡萄牙Champalimaud研究所开发的开源视觉编程框架，核心设计理念为数据流编程。研究者通过拖拽和连接功能模块（称为“节点”），构建数据处理的有向图，实现行为数据的实时采集与处理。
Bonsai旨在解决传统行为追踪软件的两大痛点：一是闭源商业软件的黑盒特性，限制了定制化需求；二是文本编程框架（如Python）在实时性方面难以满足闭环实验对低延迟的要求。
核心概念：节点（Node）与工作流（Workflow）
Bonsai的工作流由多个节点组成，节点分为三类：
- 源节点（Source）：数据流的起点，如相机采集（CameraCapture）、串口读取（SerialPort）或模拟信号输入。
- 处理节点（Transform）：对数据流进行转换，如颜色空间转换（ConvertColor）、阈值分割（Threshold）、轮廓查找（FindContours）。
- 汇节点（Sink）：数据流的终点，如图像显示（ImageView）、数据存储（FileWriter）或硬件输出（DigitalOutput）。
节点间通过强类型连接，确保数据类型匹配，保证数据流的稳定与准确。
实操示范：构建小鼠轨迹追踪工作流
以下以追踪小鼠在开放场中的质心位置为例，介绍Bonsai的基本操作步骤：
步骤1：安装Bonsai
- 下载Bonsai安装程序（官网提供Windows版本）。
- 安装完成后，打开Bonsai编辑器。
步骤2：添加相机源节点
- 从左侧工具箱中找到“CameraCapture”节点（位于“Acquisition”分类）。
- 拖拽至画布。
- 在属性面板中选择相机设备（USB摄像头或采集卡）。
步骤3：添加图像处理节点
- 拖拽“ConvertColor”（“Vision”分类）节点，连接至CameraCapture的输出。
- 在属性中选择转换类型：Bgr→Gray（灰度转换）。
- 依次添加并连接以下节点：
- Threshold：设置阈值（如80-255），将灰度图转为二值图。
- Morphology：闭运算（closing）去除噪点，填充分离区域。
- FindContours：查找轮廓。
步骤4：提取质心
- 拖拽“Centroid”（“Vision”分类）节点。
- 连接至FindContours的Contours输出。
- Centroid输出为矢量点，代表质心坐标。
步骤5：可视化结果
- 拖拽“TextOverlay”节点，连接至Centroid输出。
- 拖拽“ImageView”节点，连接至TextOverlay输出。
- 运行工作流（按F5），在视频窗口中可见叠加的十字质心和坐标标签。
步骤6：数据记录
- 拖拽“CsvWriter”节点，连接至Centroid输出。
- 在属性中设置输出文件路径，保存轨迹数据以供后续分析。
AI姿态估计：行为追踪的未来方向
近年来，基于深度学习的无标记姿态估计技术迅速发展，极大提升了行为追踪的精度和自动化水平。代表性工具如DeepLabCut、LEAP等，利用卷积神经网络自动识别动物关键点，实现高精度的三维姿态重建。
这类方法无需在动物身上安装标记，减少了实验干扰，同时支持多种物种和复杂行为的追踪，极大拓展了行为神经科学的研究边界。
总结
从Bonsai的模块化视觉编程到AI驱动的无标记姿态估计，行为神经科学的工具不断进化，推动了神经活动与行为关系的深入解析。未来，结合实时数据处理与智能算法的行为追踪系统，将为揭示神经机制和行为调控提供更强有力的技术支持。