Video tracking을 이용한 스트레스 조건에 노출된 엔젤피쉬(Pterophyllum scalare)의 행동 변화 분석

Abstract

In recent years, there are many studies on changes in animal behavior using video tracking technology that tracks motion. However, studies and information on changes in behavior of fish exposed to stressful condition are very limited. In this study, therefore, behavior of angelfish exposed to bacterial pathogens and temperature increase or decrease was monitored by video tracking using two cameras, and the data were statistically analyzed based on data derived from fish speed and changes in speed, and locations in the tank. For water temperature, it was raised from 26°C to 36°C or lowered from 26°C to 16°C for 4h, respectively. For bacterial infection, one individual angelfish was intraperitoneally injected with approximately 106CFU ml-1 of A. hydrophila or E. piscicida. The experiment was carried out five times for each group. For machine learning analysis, LSTM model was used to train and test behavioral data (80s) after pre-processing. As a result, when the water temperature changed, fish showed that their average speed, changes in speed, and fractal dimension were significantly lower than fish in the control group. Fish infected with the bacterial pathogens exhibited their average speed and changes in speed were increased, and spent more time in the upper part just before death. From machine learning analysis, training and test accuracy of 80 seconds of video footage data were 87.66% and 85.35%, respectively. Machine learning obtained in this study could distinguish normal and abnormal status of fish with accuracy rate at 80.12-85.35%. Therefore, the results presented in this study demonstrate that video tracking technology can detect fish abnormal behavior, indicating that it can be used as an early warning system in fish health management of aquarium and farms.

최근 움직임을 추적하는 video tracking을 사용한 동물 행동 변화 연구가 진행되고 있다. 그러나 스트레스에 노출된 어류에 대한 행동 변화 연구는 매우 적은 실정이다. 따라서 본 연구에서는 세균 감염에 노출되거나 수온 상승 또는 하강의 환경에서의 엔젤피쉬 행동을 2대의 카메라를 이용한 video tracking으로 모니터링 하였으며, 속력 및 위치 데이터를 기반으로 행동을 분석하였다. 수온 변화 스트레스를 유발하기 위해 26℃에서 36℃로 4시간 동안 수온을 상승시키거나 26℃에서 16℃로 4시간 동안 하강시켰다. 세균 감염을 유도하기 위해 A. hydrophila 또는 E. piscicida를 106CFU ml-1 농도로 엔젤피쉬에 복강주사하였다. Video tracking은 각 실험 조건에 대해 5회 반복하여 실시하였다. Machine learning 분석을 위해 video tracking으로 출력된 데이터를 전처리 후 LSTM model을 사용하여 행동분석을 실시하였다. 실험 결과, 수온이 상승하거나 하강할 때, 평균 속력, 속력 변화량 그리고 fractal dimention이 대조군과 비교하여 유의적으로 낮았다. 세균 감염 그룹에서는 폐사하기 전 평균 속력과 속력 변화량이 증가하였으며, 상층부에서 많은 시간을 보냈다. 폐사 당일에는 평균 속력이 유의적으로 낮았으며, 하층부에서의 분포 시간이 증가하고 수조 공간 활용의 감소와 낮은 FD value를 나타내었다. Machine learning 결과, 80초의 위치 데이터를 학습하였을 때 87.66%와 85.35%의 training accuracy 및 test accuracy를 나타내었다. 정상 및 스트레스 환경의 데이터를 test 하였을 때 정상과 비정상을 구분할 수 있었으며, 80.12-85.35%의 accuracy를 나타내었다. 따라서 본 연구는 video tracking을 이용하여 엔젤피쉬의 이상행동을 구분할 수 있었으며, 짧은 시간의 데이터로 정상과 비정상을 구분할 수 있었다. 이는 어류 관리 시 조기 경보 시스템으로 활용하여 문제 발생에 대해 대처할 수 있는 가능성을 보여준 기초 연구 자료가 될 것이다.