近来，美国哈佛医学院Sandeep Robert Datta等研讨人员合作开发出新办法，经过将点盯梢与姿势动态联系起来来解析行为。该研讨于2024年7月12日在线发表于世界一流学术期刊《天然办法学》。

  研讨人员介绍了Keypoint-MoSeq，这是一种依据机器学习的渠道，用于从要害点数据中辨认行为模块（“音节”），无需人工监督。Keypoint-MoSeq运用生成模型来区别要害点噪声和行为，然后能够辨认其边界对应于姿势动态天然亚秒中止的音节。Keypoint-MoSeq在辨认这些转化、捕捉神经活动和行为之间的相关性以及依据人工标示分类独自或交际行为方面，体现优于常用的代替聚类办法。

  Keypoint-MoSeq还适用于多种物种，并在音节时间尺度之外具有广泛适用性，能够辨认小鼠中的快速嗅觉对齐运动和果蝇中的一系列振动行为。因而，Keypoint-MoSeq经过规范视频记载提醒了行为的模块化结构。

  据介绍，要害点盯梢算法能够灵敏地从各式各样的环境中取得的视频中量化动物运动。但是，如何将接连的要害点数据解析为离散动作仍不清晰。这一应战尤为严峻，由于要害点数据简单遭到高频颤动的影响，聚类算法可能会误将其视为动作之间的转化。