江苏赛昂斯Sans-AI与Top-Trace的双层分析路径

从“数格子”到“读行为”：动物行为分析正在经历什么

在迷宫、旷场和新物体识别等经典范式中，轨迹、速度、距离、区域停留时间和进入次数，长期以来构成行为学数据的基本骨架。这些指标稳定、易于比较，也支撑了大量关于学习记忆、焦虑抑郁和药物效应的研究。问题在于，当研究问题从“动物在哪里”推进到“动物正在做什么”时，单一的空间轨迹往往不够用了。

AI 驱动的视频分析正在把行为数据拆解为更细的层级：先是位置与运动参数，再到头部朝向、身体姿态和动作片段，进入行为事件之间的时间关系与组合模式。这个变化不是把传统范式推倒重来，而是让同一段视频能够被反复读取，在不同研究问题下获得不同深度的证据。

江苏赛昂斯围绕这一变化，形成了从轨迹跟踪到精细行为识别的产品路径。Sans-AI 负责把运动过程稳定地量化为可比较的数据，Top-Trace 则进一步把视频中的姿态和动作还原为更接近行为学语言的事件。

一 传统指标仍然重要但它只是首层

在旷场实验中，活动距离、平均速度、中心区停留时间和进入次数，可以快速回答动物是否活动、是否探索、是否回避开放区域等问题。在迷宫实验中，路径长度、潜伏期和目标区停留时间，也能用于比较学习曲线、空间偏好和记忆保持。对于大样本筛选和组间比较，这些指标依然是不可替代的基础。

但宏观指标存在一个共同限制：它们更像是行为结果的“统计切片”，而不是行为过程本身。例如，两只动物都在中心区停留 10 秒，一只可能是主动探索后短暂停留，另一只可能是贴边移动后突然僵住；两者得到相同的停留时间，却可能对应完全不同的行为状态。

因此，轨迹分析的价值不在于给出一个“答案”，而在于建立一套可复核的运动事实：动物何时进入某区域、以怎样的速度移动、是否出现停顿、路径是否发生改变。赛昂斯产品的定位，正是把这层基础数据做得更完整、更稳定，也更适合自动化处理。

二 同一只动物在不同分析深度下能读出什么

这四层不是互相替代的关系，而是逐层增加解释力。轨迹层保证实验可量化，姿态层提供动作结构，动作层把连续视频切成可统计的行为事件，图谱层则让研究者观察行为之间的组合与转移。越往后，数据的解释空间越大，对算法稳定性、实验设计和人工复核的要求也越高。

三 Sans-AI：把轨迹数据做成可靠的研究底座

Sans-AI 小动物行为轨迹跟踪分析系统，面向的是行为视频中基础、也常用的一层信息：动物的空间位置与运动过程。系统可用于在线和离线检测，并可按照实验条件设置自动检测流程，减少人工逐段回看带来的时间成本。

从轨迹到指标。系统可输出区域停留时间、停留次数、潜伏期、进入频率、移动距离、速度、加速度、蜿蜒度和活动检测等数据，并提供文字、图表、去背景轨迹、动画轨迹和热图等多种查看方式。

从单一算法到场景适配。系统支持灰度梯度法、静态剪影法、动态剪影法、差分检测法等，可根据背景、光照和动物外观选择合适的检测路径。配合工业相机及 LED、红外光源，对低对比度场景也具备更好的适应性。

从中心点到方向信息。三点识别技术可定位头部、中心和尾根等关键点，并进一步识别站立、旋转、伸展卷曲等动作，以及头部朝向、头部角度和头部指向区域。对迷宫探索、新物体识别和兴趣区域分析而言，这些信息可以帮助研究者区分“进入了区域”和“朝向目标进行探索”。

四 Top-Trace：从“在哪里”推进到“怎么做”

Top-Trace 小动物 AI 精细行为分析软件面向的是轨迹之后的行为细节。它将视频中的动物拆解为可计算的关键点与动作片段，使研究者能够观察那些在轨迹图上难以区分、但在行为学上具有意义的差异。

关键点让姿态可测量。Top-Trace 可围绕头部、躯干、四肢等身体部位建立关键点信息，并据此计算身体朝向、姿态变化和局部运动。相比只记录几何中心，关键点让“面部表情、摆头、抓挠、进食、咀嚼、梳理、嗅探、攀爬、支撑站立、无支撑站立、跳跃、震颤”等细节有了更明确的测量对象。

动作识别让视频变成事件。对研究者而言，行为不是一条连续曲线，而是一系列有起止的动作事件。Top-Trace 可用于识别和整理微行为片段，统计其出现时间、频率和持续过程，从而回答“动物在停留期间做了什么”“药物改变的是动作频率还是动作持续时间”等问题。

从事件统计走向行为结构。当姿态和动作被转换为可追踪的事件，研究者就可以进一步构建行为谱，比较不同组别的状态转换和行为组合。对于无监督聚类、行为图谱等更前沿的分析方向，稳定的关键点、动作片段和时间戳，是后续建模的基础。Top-Trace 的价值，正在于为这一层分析提供可复核的数据入口。

需要强调的是，精细行为分析并不意味着放弃传统指标。相反，轨迹、姿态和动作应当在同一实验中互相校验：宏观指标提示差异出现在哪里，精细行为解释差异是如何发生的。这样的组合更接近动物行为本身，也更适合对复杂表型进行分层解释。

五 一段旷场视频的三种读法

以同一只小鼠在旷场中的一段视频为例。首种读法是轨迹读法：它总共移动了多少距离，平均速度是多少，在中心区停留了多久，是否出现明显的活动减少。Sans-AI 可以把这些信息自动转化为可比较的指标，用于组间统计和实验质量检查。

第二种读法是姿态读法：它进入中心区前是否先伸展头部进行风险评估，转身时身体朝向是否发生变化，停留时是站立、探索还是短暂僵止。Top-Trace 可以把这些动作的关键点变化和时间片段提取出来，帮助研究者区分“停留时间相同”背后的不同过程。

第三种读法是行为结构读法：在整个测试期间，摆头、抓挠、进食、咀嚼、梳理、嗅探、攀爬、支撑站立、无支撑站立、跳跃、震颤之间是否存在稳定顺序，某种动作是否只在特定时间段出现，个体之间是否存在不同的行为策略。此时，视频不再只是一个结果文件，而成为可以反复切片、回放和建模的行为数据集。

从数格子到读行为，主要不是让指标越来越多，而是让每一个指标都能回答更清楚的科学问题。

六 对研究流程的影响：从一次性统计到可追溯分析

行为分析的升级，会落到研究流程的可追溯性上。在线检测适合实时观察和实验控制，离线检测便于复核参数与批量处理；自动化流程减少了人为操作差异，多种结果视图则让同一段数据可以在轨迹、热图、动作片段和时间分布之间切换。

对需要长期积累数据的实验室而言，统一的识别逻辑和导出格式同样重要。它让不同批次、不同实验人员和不同研究问题之间的结果具备更好的可比性，也为后续建立实验室内部的行为基线、表型库和算法模型提供条件。

江苏赛昂斯生物科技有限公司成立于2016年，总部位于南京，并设有苏州人工智能研发中心和徐州生产基地，长期聚焦神经生物学、药理学、生理学和毒理学等生命科学研究场景。

江苏赛昂斯将动物行为分析软件放在完整的生命科学仪器体系中，覆盖认知、情绪、社交、运动疲劳、疼痛、视觉、成瘾和营养代谢等研究模块。Sans-AI 与 Top-Trace 的组合，适合在同一研究体系中逐步增加分析深度：先把数据采稳，再把行为读细，把行为结构连起来。

结语：让一段视频保留更多科学信息

动物行为学的下一步，不只是更快地计算距离和时间，而是让视频中的姿态、动作和行为关系被准确记录、清晰解释并持续复用。传统迷宫和旷场提供了成熟的实验语境，AI 分析则让这些语境中的细节重新被看见。

从 Sans-AI 的轨迹与运动参数，到 Top-Trace 的姿态与精细动作，再到面向行为谱和无监督图谱的持续探索，同一只动物可以被逐层读取。对研究者来说，这意味着更完整的证据链；对动物行为分析而言，这也是从“数格子”走向“读行为”的过程。