← 목록으로
Animal Behavior

Digitally-enhanced dog behavioral testing

정리일 2026-09-07

Digitally-enhanced dog behavioral testing

  • 저자: Farhat N; Lazebnik T; Monteny J; Moons CPH; Wydooghe E; van der Linden D; Zamansky A
  • 출처: - (2023)
  • DOI/링크: https://doi.org/10.1038/s41598-023-48423-8
  • 연구 계열: Topics/Animal Behavior
  • 투고일: 2023-07-26

TL;DR

스트레인저 테스트에서 개의 이동 궤적을 영상으로 추적해 비지도 군집화한 결과 두 군집이 나왔고, 전문가 점수의 0/+ 구분과 잘 맞았으며 C-BARQ 낯선 사람 대상 공포에서만 군집 간 차이가 있었다. 전문가 점수를 예측하는 분류 모델의 정확도는 78.7%였다.


1. 연구 배경 및 동기

  • 다루는 문제: 개의 행동 특성은 번식 선발, 입양 가능성, 작업 적성 예측에 쓰이지만 대부분 설문이나 관찰에 의존해 시간과 전문성이 필요하고 주관과 편향에 취약하다.
  • 기존의 공백 / 왜 필요한가: 기존 컴퓨터 기반 연구는 사람이 고른 특징으로 기계학습을 했고, 사람의 개입 없이 행동 프로파일을 찾아 전문가 점수와 비교한 엄격히 통제된 행동 검사 연구는 없었다.

2. 관련 연구

  • 기존 연구 흐름: 행동 검사(Strange Situation Test 등)와 설문(C-BARQ, Monash 설문 등)이 널리 쓰이며, 설문은 효율적이지만 주관성과 보호자와의 유대에 따른 편향이 있다. 같은 연구진의 BLYZER는 이전에 일부 데이터에서 수동으로 고른 특징으로 군집화에 쓰였다.
  • 이 논문의 위치: 사람 없는(human-free) 궤적 기반 군집화로 행동 프로파일을 찾고 그것으로 전문가 점수와 C-BARQ를 예측하는, 탐색적 사례 연구이다.

3. 핵심 기여

  1. Faster R-CNN 기반 BLYZER로 추적한 궤적을 오토인코더와 시계열 K-means로 군집화해 사람 없는 행동 프로파일을 얻었다.
  2. 군집이 전문가의 0과 + 점수를 구분하며 C-BARQ 낯선 사람 대상 공포와 연관됨을 보였다.
  3. 전문가 점수 분류(정확도 0.787)와 C-BARQ 범주 회귀 모델을 제시했다.

4. 제안 방법론

  • 전체 접근 논리: 낯선 사람 앞에서 개가 보이는 위치 궤적에는 반응 정보가 있다고 가정하고, 궤적을 비지도 군집화한 뒤 군집을 전문가 점수와 설문에 맞추어 검증하고 지도학습 예측 모델로 확장했다.
  • 단계:
    • 벨기에에서 스트레인저 테스트의 첫 단계(낯선 사람이 앉아 있다가 10초에 기침, 20초에 머리 쓸기, 30초에 다리 꼬기)를 실시하고 상부 및 측면 카메라로 촬영했다.
    • BLYZER(COCO 2017 사전학습 Faster R-CNN을 개와 사람 이미지 106,768장으로 재학습)로 궤적을 추출하고 24 FPS로 맞추어 1차원 CNN 오토인코더로 변환했다.
    • 시계열 K-means와 elbow 방법으로 군집을 정하고 Mann-Whitney U 검정으로 군집 간 C-BARQ를 비교했다.
    • TPOT(최대 10,000개 파이프라인)로 전문가 점수 분류와 C-BARQ 8개 범주 회귀 모델을 구했다.

5. 실험 설정

항목 내용
대상/재료 벨기에에서 소셜미디어로 모집한 11-24개월령, 키 30-65 cm, 건강한 현대 품종 개 53마리(전문가 점수 분석 50마리, 영상 추적 품질 기준 통과 후 군집 분석 46마리)
처리 조건 실내 4.7 x 4.7 m 울타리 안에서 낯선 사람(검사자)이 중앙에 앉아 중립적 행동 3가지를 하고 보호자는 구석에 앉아 있는 조건
대조군 해당 없음
측정 방법 전문가 3인의 5점 척도(-2~+2, 0/+/- 로 통합) 점수와 Fleiss kappa, C-BARQ 8개 범주(네덜란드어판), 궤적 군집, 정확도 등 분류 지표, MAE, MSE, R2

6. 실험 결과 분석

지표 변화(Δ) 조건 · 유의성
전문가 평가자 간 일치도 일치율 85%, Fleiss free-marginal kappa 0.77 n = 53, 3개 범주
전문가 점수 데이터 0점 32마리, + 점수 18마리, - 점수 3마리는 표본이 적어 제외 최종 50마리
군집과 전문가 점수 군집 1(26마리)은 0점 21, +점 5, 군집 2(20마리)는 0점 7, +점 13 n = 46, 1마리는 이상치로 제외
C-BARQ 낯선 사람 대상 공포 중앙값 군집 1 0.00, 군집 2 0.42 Mann-Whitney U = 120.5, z = -2.56, p = 0.01. 다른 범주는 차이 없음
전문가 점수 분류 모델 정확도 0.787, 정밀도 0.771, 재현율 0.782, F1 0.775 TPOT
C-BARQ 회귀: 보호자 대상 공격성 MAE 0.108 (최저), MSE 0.046, R2 0.176 TPOT 회귀
C-BARQ 회귀: 흥분성 MAE 0.122, MSE 0.032 (최저), R2 0.886 (최고) TPOT 회귀
C-BARQ 회귀: 낯선 사람 대상 공포 MAE 0.510, MSE 0.430, R2 0.032 가장 낮은 성능 범주 중 하나

제안 기전(인과 사슬): 낯선 사람에 대한 개의 반응 → 위치 궤적 → 오토인코더 이동 공간 → 두 군집 (과도하게 반응하는 개와 중립적으로 반응하는 개) → 전문가 점수 및 C-BARQ와 연관

7. 비판적 평가

강점

  • 사람이 고른 특징 없이 궤적 자체로 행동 프로파일을 도출했다.
  • 전문가 3인의 높은 일치도(kappa 0.77)로 검증 기준을 확보했다.

한계 · 의문

  • 참가 개체가 적고 - 점수(낯선 사람에게서 멀어지는 반응) 개체가 3마리뿐이어서 분석에서 제외되었다.
  • C-BARQ는 보호자 보고이고 이 검사 상황이 아니라 개의 일반적 행동을 묻는다.
  • 프로토콜의 한 단계만 사용했고 민감도와 재검사 신뢰도는 검토하지 않았다.

8. 향후 연구 방향

  • 검사자가 이동하는 단계 등 프로토콜의 다른 단계와 측면 카메라의 미세 행동(응시, 입술 핥기)을 분석한다.
  • 웨어러블 센서로 영상 분석을 대체하거나 보완한다.
  • 더 큰 표본과 재검사 신뢰도 검증으로 확장한다.

9. 결론

궤적 기반 사람 없는 군집화는 전문가 점수와 부분적으로 일치했고, 전문가 점수를 78.7% 정확도로 예측했다. 탐색적 연구이므로 더 큰 표본에서의 검증이 필요하다.

Keywords

dog behavior assessment, machine learning, automated evaluation, behavioral clustering, C-BARQ, artificial intelligence, coping styles, behavioral classification

원문 그림

Figure 1 presents a view from above on the testing arena; Fig. 2 shows the experimental setting in further
Figure 1 presents a view from above on the testing arena; Fig. 2 shows the experimental setting in further
Figure 2. A schematic drawing of the testing room and arena with sizes and locations of test person, familiar
Figure 2. A schematic drawing of the testing room and arena with sizes and locations of test person, familiar
Figure 3. A frame of the testing arena captured from the side camera held by the assistant. The assistant
Figure 3. A frame of the testing arena captured from the side camera held by the assistant. The assistant
Figure 4. A conceptual framework for digitally enhanced dog behavioral assessment.
Figure 4. A conceptual framework for digitally enhanced dog behavioral assessment.
Figure 5. BLYZER tracking module architecture.
Figure 5. BLYZER tracking module architecture.
Figure 6. Example of frames extracted from the test recording, showing the participating dog and test person
Figure 6. Example of frames extracted from the test recording, showing the participating dog and test person
Figure 7. Examples of participating dogs’ trajectories extracted with BLYZER and printed on an extracted
Figure 7. Examples of participating dogs’ trajectories extracted with BLYZER and printed on an extracted
Figure 8. Data analysis pipeline.
Figure 8. Data analysis pipeline.

원문 그림 · 라이선스: cc-by

paperdog-behavior-assessmentmachine-learningautomated-evaluationbehavioral-clusteringc-barqartificial-intelligence