Animal behavior is highly structured. Yet, structured behavioral patterns - or "statistical ethograms" - are not immediately apparent from the full spatiotemporal data that behavioral scientists usually collect. Here, we introduce a framework to quantitatively characterize rodent behavior during spatial (e.g., maze) navigation, in terms of movement building blocks or motor primitives. The hypothesis that we pursue is that rodent behavior is characterized by a small number of motor primitives, which are combined over time to produce open-ended movements. We assume motor primitives to be organized in terms of two sparsity principles: each movement is controlled using a limited subset of motor primitives (sparse superposition) and each primitive is active only for time-limited, time-contiguous portions of movements (sparse activity). We formalize this hypothesis using a sparse dictionary learning method, which we use to extract motor primitives from rodent position and velocity data collected during spatial navigation, and successively to reconstruct past trajectories and predict novel ones. Three main results validate our approach. First, rodent behavioral trajectories are robustly reconstructed from incomplete data, performing better than approaches based on standard dimensionality reduction methods, such as principal component analysis, or single sparsity. Second, the motor primitives extracted during one experimental session generalize and afford the accurate reconstruction of rodent behavior across successive experimental sessions in the same or in modified mazes. Third, in our approach the number of motor primitives associated with each maze correlates with independent measures of maze complexity, hence showing that our formalism is sensitive to essential aspects of task structure. The framework introduced here can be used by behavioral scientists and neuroscientists as an aid for behavioral and neural data analysis. Indeed, the extracted motor primitives enable the quantitative characterization of the complexity and similarity between different mazes and behavioral patterns across multiple trials (i.e., habit formation). We provide example uses of this computational framework, showing how it can be used to identify behavioural effects of maze complexity, analyze stereotyped behavior, classify behavioral choices and predict place and grid cell displacement in novel environments.

中文翻译：

---

识别啮齿动物空间轨迹内结构化行为模式的框架

动物的行为是高度结构化的。然而，从行为科学家通常收集的全部时空数据来看，结构化的行为模式-或“统计人种图”并不能立即显现出来。在这里，我们介绍了一个框架，可以根据运动构造块或运动原语定量表征空间（例如，迷宫）导航期间的啮齿动物行为。我们所追求的假设是，啮齿动物的行为以少量的运动原语为特征，这些原语随着时间的流逝而结合起来产生开放性运动。我们假设运动原语是根据两种稀疏性原理进行组织的：每个运动都使用运动原语的有限子集（稀疏叠加）进行控制，并且每个原语仅在运动的时间受限，时间连续的部分（稀疏活动）中有效。我们使用一种稀疏的字典学习方法将该假设形式化，该方法用于从在空间导航期间收集的啮齿动物位置和速度数据中提取运动原语，并依次重建过去的轨迹并预测新的轨迹。三个主要结果验证了我们的方法。首先，从不完整的数据中可靠地重建了啮齿动物的行为轨迹，其性能优于基于标准降维方法（例如主成分分析或单一稀疏性）的方法。其次，在一个实验过程中提取的运动原语可以概括并提供在相同或改进迷宫中连续实验过程中啮齿动物行为的准确重建。第三，在我们的方法中，与每个迷宫相关的运动原语的数量与迷宫复杂性的独立度量相关，因此表明我们的形式主义对任务结构的基本方面敏感。行为科学家和神经科学家可以将此处介绍的框架用作行为和神经数据分析的辅助工具。确实，提取的运动原语能够对多种试验（即习惯养成）中不同迷宫和行为模式之间的复杂性和相似性进行定量表征。我们提供了此计算框架的示例用法，展示了如何将其用于识别迷宫复杂性的行为影响，分析刻板行为，对行为选择进行分类以及预测在新环境中的位置和网格单元位移。因此表明我们的形式主义对任务结构的基本方面很敏感。行为科学家和神经科学家可以将此处介绍的框架用作行为和神经数据分析的辅助工具。确实，提取的运动原语能够对多种试验（即习惯养成）中不同迷宫和行为模式之间的复杂性和相似性进行定量表征。我们提供了此计算框架的示例用法，展示了如何将其用于识别迷宫复杂性的行为影响，分析刻板行为，对行为选择进行分类以及预测在新环境中的位置和网格单元位移。因此表明我们的形式主义对任务结构的基本方面很敏感。行为科学家和神经科学家可以将此处介绍的框架用作行为和神经数据分析的辅助工具。确实，提取的运动原语能够对多种试验（即习惯养成）中不同迷宫和行为模式之间的复杂性和相似性进行定量表征。我们提供了此计算框架的示例用法，展示了如何将其用于识别迷宫复杂性的行为影响，分析刻板行为，对行为选择进行分类以及预测在新环境中的位置和网格单元位移。行为科学家和神经科学家可以使用此处介绍的框架作为行为和神经数据分析的辅助工具。确实，提取的运动原语能够对多种试验（即习惯养成）中不同迷宫和行为模式之间的复杂性和相似性进行定量表征。我们提供了此计算框架的示例用法，展示了如何将其用于识别迷宫复杂性的行为影响，分析刻板行为，对行为选择进行分类以及预测在新环境中的位置和网格单元位移。行为科学家和神经科学家可以将此处介绍的框架用作行为和神经数据分析的辅助工具。确实，提取的运动原语能够对多种试验（即习惯养成）中不同迷宫和行为模式之间的复杂性和相似性进行定量表征。我们提供了此计算框架的示例用法，展示了如何将其用于识别迷宫复杂性的行为影响，分析刻板行为，对行为选择进行分类以及预测在新环境中的位置和网格单元位移。习惯形成）。我们提供了此计算框架的示例用法，展示了如何将其用于识别迷宫复杂性的行为影响，分析刻板行为，对行为选择进行分类以及预测在新环境中的位置和网格单元位移。习惯形成）。我们提供了此计算框架的示例用法，展示了如何将其用于识别迷宫复杂性的行为影响，分析刻板行为，对行为选择进行分类以及预测在新环境中的位置和网格单元位移。