Tarih: 2026-05-11
Branch: develop
Pipeline kodu: src/anxiety/, scripts/predict_anxiety_v{2,3}*.py, analysis/open_field/
Önceki sürümler (tarihsel kayıt): anxiety_findings_report.md (2026-05-10) · anxiety_progress_2026-05-10.md
Bu doküman iki eski raporu birleştirip 2026-05-11 bulgularıyla (config mismatch incident, retrain helper, Streamlit GUI, modelin karar matematiği) genişletir. Eski raporlar geçmiş kayıt; bu doküman tek otoritatif kaynak.
"29 hayvan üzerinde DeepLabCut tabanlı uçtan uca yeniden üretilebilir bir davranış-analizi pipeline'ı geliştirildi; pipeline, rearing davranışının mekansal dağılımı (center vs wall) üzerinden Control vs Treated için LOOCV AUC = 0.683 (balanced accuracy = 0.738) elde etti ve uncorrected anlamlılıkta (
rear_center_fracMW p=0.030, Cohen's d=−0.92) pilot kanıt sağladı."
- Pipeline: Video → DLC → rule-based bouts → OFT metrics → spatial rearing → 12-feature → LR / RF / SVM (LOOCV). CLI (
predict_anxiety_v2.py) ve Streamlit GUI (predict_anxiety_v3_gui.py). - Empirik bulgu: Spatial rearing (center vs wall) en güçlü univariate grup-ayırıcı sinyal (
rear_center_fracMW p=0.030, d=−0.92). Treated grup merkezde rearing fraksiyonunu ~yarıya düşürmüş. (Not: bu özellikler final modele girmedi — bkz. §3.4 ve §12.) - Model: Logistic regression rear-only (12 feature, LOOCV AUC = 0.683). RF zayıf (0.525). SVM dar feature setiyle bozuluyor (0.358).
Model bir "anksiyete dedektörü" değil, "davranışsal sapma dedektörü" — Treated etiketi hem aspartamı (anksiyogenik) hem grapefruit'i (anksiyolitik) içeriyor. Modelin tespit ettiği şey "tedavi-kaynaklı baseline'dan sapma"dır; yön (anksiyogenik / anksiyolitik) feature-level analizdedir (§3.4, §4.3).
| Grup | Kohortlar | n | Tedavi | Beklenen yön (literatür) |
|---|---|---|---|---|
| Control | MA1, MA2 | 5 | Vehicle | baseline |
| Aspartame | MA3, MA4 | 8 | Aspartam | Anksiyogenik (fenilalanin metaboliti) |
| Grapefruit | MA5, MA6 | 8 | Grapefruit | Anksiyolitik (flavonoid antioksidanlar) |
| Aspartame+Grapefruit | MA7, MA8 | 8 | Kombine | Etkileşim / kısmi geri çevirme |
Control / Treated oranı 5 / 24 → class_weight="balanced" zorunlu, outlier sensitivity yüksek.
Raw video (30 fps, ~178 s)
↓ DLC OFT 9-keypoint model (src/dlc/)
Filtered pose CSV (data/DLCfiltered/<group>/<subject>/<subject>.csv)
↓ Rule-based detector (src/behavior_detection.py)
Rearing + grooming bouts
↓ OFT metrics (analysis/open_field/oft_metrics.py)
Locomotion · thigmotaxis · freeze · entropy
↓ Spatial rearing (src/anxiety/spatial_rearing.py)
Her bout center / wall (univariate analiz — final modele girmiyor)
↓ Feature matrix builder (src/anxiety/profile.py)
12 rear-only feature
↓ LOOCV classifier (LR / RF / SVM) (src/anxiety/classifier.py)
models/anxiety_classifier/{lr,rf,svm}_rearonly.pkl + scaler
Inference (single subject):
scripts/predict_anxiety_v2.py <csv> (CLI)
streamlit run scripts/predict_anxiety_v3_gui.py (Tarayıcı GUI)
Regex rear|pct_periphery|pct_freeze|spatial_entropy|comfort ile filtrelenmiş; final konfigürasyonda 6 spatial-rearing varyantı (center/wall split) çıkarılmış — bkz. §3.4 ve §12 (LOOCV varyansı + multicollinearity gerekçesi).
Davranışsal — rearing (8): rear_count, rear_total_s, rear_pct, rear_mean_bout_s, rear_rate_per_min, rear_early_frac, rear_groom_ratio, rear_per_100px
Mekansal (3): pct_periphery, pct_freeze, spatial_entropy
Türetilmiş (1): comfort_ratio = groom_total_s / pct_center
Eski sürümdeki 6 spatial-rearing özelliği — final modele girmedi: rear_count_center, rear_count_wall, rear_total_s_center, rear_total_s_wall, rear_center_frac, rear_center_minus_wall. Bu özellikler univariate analizde (§3.2) en güçlü pilot bulguyu sağladı; ancak LOOCV (n=29) içinde yüksek korelasyonlu 6 varyantın hepsini birlikte taşımak modeli istikrarsızlaştırdı (18-feat AUC 0.733 → 0.617, aynı konfigte tek günlük yeniden eğitim). Final 12-feature seti spatial rearing'i univariate kanıt katmanında bırakıp classifier'a daha düşük varyanslı genel-rearing + spatial context veriyor.
# src/anxiety/config.py
ARENA = (397.0, 777.0, 156.0, 535.0) # manually annotated
INNER_MARGIN = 0.20 # literature-standard
INNER_ZONE = _derive_inner(ARENA, 0.20)
# → (473, 701, 232, 459); inner ≈ %36 of arenaNeden %20 margin? Klasik OFT (Open Field Test) literatüründe inner zone arenanın %25–50'si olarak tanımlanır. %20 margin (inner ≈ %36 of arena) bu aralığa girer ve biyolojik olarak thigmotaksis halkası ile center'ı net ayırır.
Sensitivity analizi: Önceden kullanılan manuel zone (422, 748, 182, 506 — ~%7 margin, inner ≈ %85 of arena) ile karşılaştırma:
| Metrik | %20 margin (final) | ~%7 margin (eski manuel) |
|---|---|---|
rear_center_frac MW p |
0.030 | 0.281 |
rear_center_frac Cohen's d |
−0.92 | +0.31 (yön TERS) |
rear_count_wall (Treated medyan) |
18 | 1 |
| LR LOOCV AUC (18-feat, hist.) | 0.73 | 0.62 |
| LR LOOCV AUC (12-feat, final) | 0.683 | — (re-run yapılmadı) |
Manuel zone'da neredeyse tüm rear bout'ları "center" sınıfına düşüyor → sınıf sabit → grup ayrımcı sinyal yok. Final karar: arena ve inner zone artık tek bir kaynaktan (src/anxiety/config.py) gelir, %20 margin standardı kilitlendi (commit dd5943b). Manuel-zone sensitivity satırı 18-feature dönemindendir; 12-feature konfigte tekrarlanmadı çünkü sonuç çıkarımı (manuel zone sinyali çökertir) feature sayısından bağımsız.
"Spatial rearing classification was performed using the literature-standard 20% margin from the arena edge (Choleris et al. 2001 OFT convention; Carter & Shieh 2010). A sensitivity analysis with a wider center definition (~7% margin, ~85% of arena classified as center) showed the spatial signal collapses, confirming that the metric measures the thigmotaxis-ring versus inner-area distinction rather than wall contact per se."
reports/anxiety_stats.csv — top 6 sinyal:
| Özellik | H | p | η² | Yorum |
|---|---|---|---|---|
rear_count |
8.03 | 0.045 | 0.201 | Large effect, uncorrected p<0.05 |
rear_rate_per_min |
6.86 | 0.076 | 0.155 | Medium-large, marjinal |
rear_early_frac |
6.25 | 0.100 | 0.130 | Medium, signal var |
total_distance_px |
5.34 | 0.148 | 0.094 | Small-medium |
rear_total_s |
5.21 | 0.157 | 0.088 | Small-medium |
rear_pct |
4.93 | 0.177 | 0.077 | Small |
Top 6'nın 5'i rearing → sinyal rearing davranışında yoğunlaşmış. BH-FDR sonrası anlamlılığa ulaşmıyor.
reports/spatial_rearing_stats.csv:
| Metrik | Control medyan | Treated medyan | MW U p | Cohen's d | Yön |
|---|---|---|---|---|---|
rear_center_frac |
0.133 | 0.075 | 0.030 | −0.92 | Treated merkezde daha az rearing |
rear_total_s_center |
3.84 s | 0.68 s | 0.045 | −0.66 | Treated merkez-rearing süresi ~5× düşük |
rear_center_minus_wall |
−11 | −15 | 0.049 | −0.87 | (yukarıdakinin başka parametrizasyonu) |
rear_count_wall (4-grup KW) |
13 | 18 | KW p=0.043, η²=0.21 | +0.76 | Treated daha çok duvar-rearing |
Yorum: Toplam rearing sayısı eşit olsa bile, nerede şahlandığı kalitatif olarak güçlü ayırıcı. Treated hayvanlar duvar tarafına kayıyor (anksiyete benzeri kaçış-yolu arama). En güçlü pilot bulgu — Bonferroni öncesi anlamlı, n=20-22/grup ile %80 power'da replike edilebilir.
Sınırlılık: Üç spatial metrik birbiriyle korelasyonlu (aynı bulgunun üç parametrizasyonu). Bonferroni 7-test düzeltmesi (0.030 × 7 = 0.21) eşiği geçmiyor → uncorrected pilot evidence.
reports/anxiety_classifier_metrics_rearonly.csv — rear-only 12-feature LOOCV (n=29, class_weight=balanced):
| Model | Accuracy | Bal-Acc | F1_treated | F1_control | AUC | Tag |
|---|---|---|---|---|---|---|
| Logistic Regression L2 | 0.83 | 0.74 | 0.89 | 0.55 | 0.683 | rearonly |
| Random Forest | 0.76 | 0.46 | 0.86 | 0.00 | 0.525 | rearonly |
| SVM-RBF | 0.76 | 0.46 | 0.86 | 0.00 | 0.358 | rearonly |
| LR L2 (24-feature baseline, hist.) | 0.72 | 0.60 | 0.83 | 0.33 | 0.57 | — |
Rear-only LR iterasyon eğrisi: 24-feat 0.57 → 18-feat 0.73 → (config bug fix, 18-feat retrain) 0.617 → 12-feat (spatial-rearing variantları kaldırıldı) 0.683 (final). LR balanced accuracy 0.738 ile sınıf-dengesiz n=29'da en güvenilir metrik; sadece 5 Control varken AUC ±0.10 LOOCV varyansı normal. RF / SVM minority sınıfı (Control) düşürdü (F1_control = 0); LR doğru metrikte yegane sağlam model.
Baseline kontroller:
- Trivial "her zaman Treated": accuracy = 24/29 = 0.83 → ham accuracy yanıltıcı.
- Doğru metrik: balanced accuracy + AUC.
reports/anxiety_classifier_importance_rearonly.csv (RF, final 12-feature):
| Sıra | Feature | RF importance |
|---|---|---|
| 1 | rear_early_frac |
0.219 |
| 2 | pct_periphery |
0.164 |
| 3 | spatial_entropy |
0.123 |
| 4 | pct_freeze |
0.087 |
| 5 | rear_rate_per_min |
0.069 |
| ... | ||
| 12 | rear_count |
0.028 |
Narrative shift (12-feature retrain): önceki 18-feature konfigte top-5'in üçü spatial rearing varyantıydı (rear_center_frac, rear_total_s_center, rear_center_minus_wall). Bu özellikler güçlü univariate sinyal verirken (§3.2) LOOCV'de yüksek korelasyonlu 6 varyantın hepsini taşımak modeli istikrarsızlaştırıyordu (18-feat AUC 0.733 → 0.617, aynı konfigte tek günlük yeniden eğitim). 12-feature retrain spatial rearing'i univariate kanıt katmanında bıraktı; classifier şimdi keşif zamanlaması (rear_early_frac), periferik bağlanma (pct_periphery), uzaysal dağılım (spatial_entropy) ve donma (pct_freeze) bileşimini kullanıyor. Genel-rearing temposu (rear_count, sıra #12) hâlâ en zayıf discriminator.
Üç birleşik skor src/anxiety/composite_index.py:
| Skor | Formül | KW p | MW p | Cohen's d |
|---|---|---|---|---|
rear_count (baz) |
— | 0.045 | 0.247 | +0.57 |
pct_periphery (baz) |
— | 0.290 | 0.201 | +1.07 |
AI_v1_thigmo_per_rear |
pct_periphery / (rear_count + 1) |
0.064 | 0.482 | +0.46 |
AI_v2_passive_per_rear |
(pct_periphery + pct_freeze) / (rear_count + 1) |
0.060 | 0.845 | +0.00 |
AI_v3_thigmo_x_low_rear |
pct_periphery × (1 − rear_pct/100) |
0.394 | 0.145 | +0.87 |
Hiçbir kompozit rear_count'u geçemedi. Pay/payda zaten feature setinde → lineer ratio yeni varyans katmıyor. Negative finding olarak tezde raporlanır — "test edildi, mekansal analiz daha verimli yol oldu".
PCA yönelimsel sıralama (PC1 işaret çapası pct_periphery+):
| Grup | n | PC1 ortalama | %95 CI |
|---|---|---|---|
| Control | 5 | +2.11 | [−0.76, +5.22] |
| Aspartame | 8 | −0.23 | [−1.56, +1.15] |
| ASP+GF | 8 | −0.51 | [−1.44, +0.40] |
| Grapefruit | 8 | −0.58 | [−2.45, +2.33] |
Tüm CI'lar sıfırı içeriyor → grup ayrımı PC1 üzerinde anlamlı değil. Ridge regression R²=1.00 trivial (PC1 zaten feature lineer kombinasyonu → circular). RF R²=0.84 daha gerçekçi ama yine de circular. Bilimsel iddia regresyon R²'sinde değil §3.2'deki yön / sıralamadadır.
Bu bölüm jüri sorusu "modeliniz neye bakarak karar veriyor" için hazır cevap.
12 raw feature (per subject)
↓ SimpleImputer(median) fold-içi fit
↓ StandardScaler(z-score) fold-içi fit
↓ LogisticRegression(L2, C=1.0, class_weight=balanced)
↓ logit = intercept + Σᵢ coefᵢ × zᵢ
↓ P(Treated) = sigmoid(logit)
↓ predict = 1 if P > 0.5 else 0
Karar ham özelliklerin ham değerlerine değil z-skorlarına dayanır: bir feature'ın katkısı coefᵢ × zᵢ — yani modelin o feature'a verdiği önem (coef) çarpı bu hayvanın eğitim ortalamasından ne kadar saptığı (z).
Raporlarda her feature için push = coefᵢ × zᵢ. İşaret:
push > 0→ Treated yönüne çekişpush < 0→ Control yönüne çekiş
Output'taki top-5 push (mutlak değerce sıralı) görsel kolaylık için; geri kalan 7 + intercept de toplama dahildir.
Karar oy çokluğu değil, ağırlıklı toplam. Üç feature Treated derken iki Control derse, magnitude (büyük |coef|×|z|) ne tarafta ise kazanan o olur.
reports/anxiety_classifier_importance_rearonly.csv:
| Feature | LR coef | Anlam |
|---|---|---|
rear_early_frac |
−1.50 | Yüksek erken rearing = sağlıklı keşif = Control |
pct_periphery |
+1.09 | Çok periferde kalmak = anksiyete-benzeri = Treated |
spatial_entropy |
+0.79 | Dağınık keşif = Treated |
pct_freeze |
+0.48 | Çok donakalma = Treated |
comfort_ratio |
+0.41 | Grooming / center yüksek = Treated (rahatlama davranışı) |
Yön literatürle uyumlu — özellikle yüksek pct_periphery → anksiyete benzeri.
Tarihsel not (2026-05-11): Aşağıdaki push değerleri 18-feature modelden alınmıştır; final 12-feature modelde top-5 ve push büyüklükleri biraz farklıdır (spatial-rearing varyantları artık feature setinde yok, dolayısıyla
rear_center_fracbenzeri uç z-skor uyarıları da kaybolur). Sonuç (doğru sınıflandırma, P_treated ≈ 0.78) korunmuştur. 12-feature push örneği içinpython scripts/predict_anxiety_v2.py data/DLCfiltered/Aspartame/MA4_1/MA4_1.csvile güncel çıktıyı üretebilirsiniz.
v3 GUI output (retrain sonrası, 2026-05-11):
🟧 TAHMİN: Treated-benzeri (P(Treated)=0.78, %78 güven)
GERÇEK GRUP: Aspartame ✓ doğru sınıflandı
Anahtar metrikler:
pct_periphery = 87.4% (yüksek — duvar-tutuş)
pct_freeze = 4.4%
rear_count = 20
rear_center_frac = 0.000 (hepsi duvarda)
Top-5 push:
rear_early_frac z=+0.77 push=−1.16 → Control
spatial_entropy z=+0.66 push=+0.52 → Treated
pct_periphery z=+0.48 push=+0.52 → Treated
rear_mean_bout_s z=+1.67 push=+0.50 → Treated
rear_groom_ratio z=+0.86 push=+0.35 → Treated
Top-5 toplam: +0.73 (Treated yönü)
+ kalan 13 feature + intercept: ≈ +0.5
= logit: ≈ +1.27
P(Treated) = sigmoid(1.27) = 0.78 ✓
Yorum: 4 feature Treated, 1 Control diyor — ama tek başına rear_early_frac'in push'u (−1.16) diğer 4'ün toplam push'una (+1.89) yakın. Sonuç dar bir Treated kazancı, %78 güven (çok güçlü değil ama net).
Pratik kural — uç z-skor uyarısı: Eğer top-5 içinde herhangi bir feature'ın |z| > 3 ise → feature training dağılımının dışında. Bu işaret ya outlier hayvanı ya da feature-shift bug'ı düşündürür. MA4_1'de max |z| = 1.67 → sağlıklı tahmin.
python scripts/predict_anxiety_v2.py path/to/Subject.csv
# → reports/anxiety_predictions_v2/<subject>_anxiety_v2_report.{txt,json}
# → reports/anxiety_predictions_v2/<subject>_anxiety_v2_overview.png
# → reports/anxiety_predictions_v2/<subject>_behavior_bouts.csvModüler saf fonksiyonlar — detect_bouts, compute_oft_metrics, compute_spatial_rearing, build_feature_dict, load_model, predict, render_summary, plot_overview. Import edilebilir; GUI ve testlerde yeniden kullanılır.
pip install streamlit
streamlit run scripts/predict_anxiety_v3_gui.pyv2'nin saf fonksiyonlarını çağıran tarayıcı arayüzü:
- Sol panel: FPS, model tag, "çıktıları reports/ altına yaz" toggle
- Üst: dosya yükleme + ▶ Çalıştır + 4-aşama progress bar
- Üç sütun output: overview PNG · tahmin metrikleri (P_control / P_treated / güven) · anahtar metrikler
- Türkçe rapor inline + 3 indirme butonu (PNG / TXT / JSON)
bash scripts/retrain_anxiety_rearonly.shİki adımlı pipeline:
python -m src.anxiety.spatial_rearing→data/spatial_rearing.csv+data/anxiety_features_extended.csvmevcutINNER_ZONEile yeniden üretirpython -m src.anxiety.classifier --csv ... --features '...' --tag rearonly→models/anxiety_classifier/{lr,rf,svm,scaler}_rearonly.pklyeniden eğitir
HER ZAMAN çalıştır when:
INNER_ZONE/ARENA/FPSdeğişti- Yeni subject eklendi
spatial_rearingveya OFT metrik kodu değişti
Neden zorunlu — §6 incident raporu.
docs/REPO_MAP.md — aktif anxiety hot path, planlanmış (window classifier, T-maze) ve arşivlenmiş (eski 4-target baseline) ayrımı.
archive/ altındaki dosyalar artık anxiety hot path'inde değil:
archive/scripts/predict_anxiety.py(v1,_v2ile değişti)archive/src/{train_baseline,features,_metrics_minimal,visualize_reports,train_anxiety_demo}.pyarchive/models/classifier/(25 .pkl eski 4-target baseline)
Bu rapor öncesi yakalanıp düzeltilen kritik bug. Future-proofing için tam belgelendi.
Bilinen Control hayvanı (MA1_1) için v2 inference output:
rear_center_frac : 0.143 (1 center / 7 bout)
Tahmin : Control-benzeri (P_control = 1.000)
Top push (BEFORE retrain):
pct_periphery z=-4.04 push=−4.37 → Control
rear_early_frac z=+2.02 push=−3.02 → Control
rear_center_frac z=-8.36 push=−3.00 → Control
rear_center_frac için z = −8 ile −10 → training dağılımının çok dışında. Bu büyüklük "feature-shift" işaretiydi.
Commit dd5943b (2026-05-10): INNER_ZONE ~%7 margin (inner ≈ %85 of arena) → 20% margin (inner ≈ %36 of arena). Bu commit'ten ÖNCE eğitilen model:
- Training data
rear_center_frac0.85-1.0 aralığında (geniş center → her şey center sayıldı) - Model "rear_center_frac ≈ 1 → Treated" öğrendi (Treated'in tavanda kümelendiği patolojik dağılımda)
v2 inference YENİ config kullanıyor:
- Aynı hayvanlar için değerler artık 0.0-0.2 aralığında (dar center → çoğu bout wall)
- Model "bu değer training'deki hiçbir Treated örneğine benzemiyor" diyerek tüm hayvanları Control'a itiyor
Sonuç: bilinen-Treated hayvanlar Control olarak sınıflanıyordu.
scripts/retrain_anxiety_rearonly.sh ile:
data/spatial_rearing.csvyenilendi (yeni narrow center ile)data/anxiety_features_extended.csvgüncellendi (rear_center_frac değerleri artık 0.0-0.2 aralığında)- LR / RF / SVM modelleri yeniden eğitildi
reports/anxiety_classifier_importance_rearonly.csvyeni coefficient'larla yazıldı
MA4_1 sanity check (Aspartame, retrain sonrası): doğru sınıflandı (P_treated=0.78, top-5'te rear_center_frac yok → narrow-zone calibrated, sağlıklı z-skorlar, §4.4).
predict_anxiety_v2.render_summary içindeki hardcoded satır:
# ÖNCEKI:
print(f" rear_center_frac : {rcf:.3f} "
f"(referans: Control medyan 0.133, Treated medyan 0.075)")
# SONRA:
print(f" rear_center_frac : {rcf:.3f} "
f"(eğitim datası grup medianları için: reports/spatial_rearing_stats.csv)")Eski hardcoded "0.133 / 0.075" değerleri yeni-zone medianlarını gösteriyordu ama model eski-zone'la eğitilmişti → kullanıcıya yanlış sezgi veriyordu. Yeni satır reports/spatial_rearing_stats.csv'ye yönlendiriyor; retrain sonrası bu CSV otomatik güncel.
Ders: Config sabitleri (zone, margin, arena) feature sürümünün parçası. Değiştirirken training data + model + reports'un hepsi senkron yenilenmeli; aksi halde inference distribution ile training distribution çelişir.
Önlem 1 (uygulanan): scripts/retrain_anxiety_rearonly.sh helper — config değişikliği sonrası tek komutluk regenerate pipeline.
Önlem 2 (uygulanan): v2'deki yanıltıcı hardcoded medianlar kaldırıldı.
Önlem 3 (öneri, gelecek): v2/v3'e güvenilirlik kontrolü ekle — eğer top contributor'lardan birinin |z| > 3 ise output'a "DİKKAT: feature dağılımı dışında" uyarısı eklemek. Pseudocode:
extreme = [c for c in pred_info["top_contributors"] if abs(c["z"]) > 3]
if extreme:
warn("Aşırı uç z-skor: " + ", ".join(c["feature"] for c in extreme) +
" → tahmin güvenilirliği düşük olabilir, retrain veya outlier kontrolü gerekebilir.")- Örneklem (n=29). Davranışsal nörobilim alt-sınırının altında. Power ~%30-40 — gerçek orta-büyük etki bile %60 olasılıkla anlamlılığa ulaşmayabilir.
- Control / Treated dengesizliği. 5 / 24 → her binary classifier için zorlu setting.
class_weight=balancedzorunlu, ama outlier sensitivity yüksek (Control grubu skoru 2 hayvan tarafından sürükleniyor). - Treated etiketi heterojen. Aspartam (anksiyogenik) + Grapefruit (anksiyolitik) + Aspartame+Grapefruit (etkileşim) birlikte etiketlenmiş. Model "anksiyete" değil "tedavi-kaynaklı davranışsal sapma" tespit ediyor. Yön ayrımı feature-level analizdedir.
- Davranış tespiti kural-bazlı. Rearing / grooming detector'ı 9 keypoint posture eşiklerine dayanır. Pre-validated sensitivity / specificity yok.
GROUND_TRUTH_BY_SUBJECT(src/behavior_detection.py) sadece bazı seans-aralıkları kapsıyor. - Tek seans / arena. Test-retest tekrarlanabilirliği ölçülmedi; bireysel varyans ile gerçek tedavi etkisi ayrıştırılamıyor.
predict_probakalibre değil. LRclass_weight=balancedile eğitildi; mutlak olasılık değerleri (örn. 0.78 vs 0.85) sıralama amaçlı kullanılmalı, mutlak risk skoru olarak değil.- PC1 yorumlaması circular. PC1 işaret çapası
pct_periphery+ile sabitlendi ama loading'lere bağlı olarak "rearing / keşif" vs "thigmotaxis / donma" varyansını yakalıyor olabilir. - Held-out test seti yok. n=29 kısıtlı olduğu için tüm değerlendirme LOOCV içinde. Out-of-distribution genelleme bilinmiyor.
| Analiz | Etki büyüklüğü | Power tahmini (n=6/grup) |
|---|---|---|
rear_center_frac MW (Control vs Treated) |
d = −0.92 | ~%60 |
rear_count_wall 4-grup KW |
η² = 0.21 | ~%50 |
rear_count 4-grup KW |
η² = 0.20 | ~%45 |
rear_early_frac 4-grup KW |
η² = 0.13 | ~%30 |
| Hedef etki | Grup başına n | Toplam |
|---|---|---|
| d = 0.92 (rear_center_frac) | ~22 | ~88 |
| η² = 0.20 (rear_count) | ~14 | ~56 |
| η² = 0.13 (rear_early_frac) | ~22 | ~88 |
| η² = 0.06 (orta-küçük) | ~52 | ~210 |
- n ≥ 20-22 / grup (toplam ~80-90) — mevcut etki büyüklüklerini %80 güçte doğrulamak için.
- Doz-yanıt tasarımı → tek doz yerine 3 doz × kontrol → "etki var mı" yerine "doz-yanıt eğrisi nedir".
- Within-subject baseline → her hayvanın pre-treatment baseline'ı; varyansı yarıdan fazla düşürür, aynı n ile çok daha yüksek power.
Sıfırdan tam pipeline:
# 1. DLC pose CSV'leri data/DLCfiltered/<group>/<subject>/<subject>.csv altında olmalı
# 2. Davranış tespiti — her hayvan için
python -m src.behavior_detection
# 3. OFT metrikleri ve trajectory görselleri
python analysis/open_field/run_analysis.py --arena 397 777 156 535
# veya batch (tüm subjects):
python analysis/open_field/run_kare_batch.py
# 4. Anxiety feature matrix + PCA + univariate KW
python -m src.anxiety.profile
# → data/anxiety_features.csv
# → reports/anxiety_pca.png + anxiety_boxplots.png + anxiety_stats.csv
# 5. Composite index (negatif bulgu, dürüstlük için)
python -m src.anxiety.composite_index
# → reports/composite_anxiety_*.csv
# → reports/figures/composite_anxiety_boxplot.png
# 6 + 7. Spatial rearing + retrain (tek komut):
bash scripts/retrain_anxiety_rearonly.sh
# Veya manuel:
# 6. Spatial rearing + extended CSV
python -m src.anxiety.spatial_rearing
# → data/spatial_rearing.csv, spatial_rearing_bouts.csv, anxiety_features_extended.csv
# → reports/spatial_rearing_stats.csv
# → reports/figures/spatial_rearing_{boxplot,arena}.png
# 7. Rear-only LOOCV classifier
python -m src.anxiety.classifier \
--csv data/anxiety_features_extended.csv \
--features 'rear|pct_periphery|pct_freeze|spatial_entropy|comfort' \
--tag rearonly
# → reports/anxiety_classifier_{metrics,predictions,importance}_rearonly.csv
# → reports/figures/anxiety_classifier_{cm,roc}_rearonly.png
# → models/anxiety_classifier/{lr,rf,svm,scaler}_rearonly.pkl
# 8. PC1-axis regression
python -m src.anxiety.regression
# 9. Tek subject end-to-end inference (CLI)
python scripts/predict_anxiety_v2.py data/DLCfiltered/<group>/<subject>/<subject>.csv
# 10. Tarayıcı GUI
pip install streamlit
streamlit run scripts/predict_anxiety_v3_gui.pyÇıktı yolları:
- Per-subject artefacts:
reports/anxiety_predictions_v2/ - Cross-subject stats:
reports/anxiety_*.csv,reports/spatial_rearing_*.csv,reports/composite_anxiety_*.csv - Figures:
reports/figures/anxiety_*.png,reports/figures/spatial_rearing_*.png - Models:
models/anxiety_classifier/,models/anxiety_regression/
"Pose was estimated using a top-down 9-keypoint DeepLabCut model (PyTorch backend, RTX 3060). Rearing and grooming bouts were detected from filtered pose CSVs using a rule-based classifier (postural thresholds on inter-paw distance, paw-vertical offset, and body velocity; merge gap ≤ 15 frames, minimum bout duration ≥ 10 frames). OFT metrics (thigmotaxis, locomotion, freeze, spatial entropy) and spatial rearing classification (center vs wall, using arena 397–777 × 156–535 px and a literature-standard 20% margin inner zone, ≈36% of arena area) were computed downstream. A sensitivity analysis with a wider center definition (~7% margin, ~85% of arena classified as center) confirmed that the metric measures the thigmotaxis-ring versus inner-area distinction rather than wall contact per se."
"A logistic regression classifier (L2, C=1.0,
class_weight='balanced') was trained on 12 rearing-focused features (regex patternrear|pct_periphery|pct_freeze|spatial_entropy|comfort, after dropping six highly correlated spatial-rearing center/wall variants identified as a source of LOOCV variance during iterative refinement) to discriminate Control (n=5) vs Treated (n=24, pooling Aspartame / Grapefruit / Aspartame+Grapefruit). Leave-one-out cross-validation was used owing to sample size constraints; no held-out test set was retained. Feature space and zone definition were iteratively refined through LOOCV; the final configuration corresponds to LR LOOCV AUC = 0.683 (balanced accuracy = 0.738; RF AUC = 0.525, SVM-RBF AUC = 0.358). The 'Treated' label is heterogeneous, pooling anxiogenic (aspartame) and anxiolytic (grapefruit) interventions; the model is therefore best interpreted as a treatment-induced behavioral shift detector rather than an anxiety classifier."
"The final classifier is deployed via two equivalent interfaces: a command-line tool (
scripts/predict_anxiety_v2.py) and a Streamlit web GUI (scripts/predict_anxiety_v3_gui.py). Both compute the 12-feature vector from a single DLC pose CSV, apply the saved median imputer + standard scaler + LR pickle, and report (a) predicted class with probability, (b) top-5 contributing features with their standardized z-values and coefficient-weighted contributions (push = coef × z), (c) an arena overlay PNG showing trajectory and per-bout rearing locations colored by center / wall classification."
"Effect sizes for spatial rearing (Cohen's d = −0.92 for
rear_center_frac, Treated vs Control) reach uncorrected significance (Mann-Whitney U p = 0.030) but do not survive Bonferroni correction across the seven spatial metrics tested (corrected p = 0.21). Power analysis indicates ≥20–22 animals per group are required to detect this effect size at 80% power; the present n = 29 study should therefore be interpreted as pilot evidence, not a definitive treatment effect."
"29 hayvan üzerinde DeepLabCut tabanlı uçtan uca yeniden üretilebilir bir davranış-analizi pipeline'ı geliştirildi; pipeline, rearing davranışının mekansal dağılımı (center vs wall) üzerinden Control vs Treated için LOOCV AUC=0.683 (balanced accuracy=0.738) elde etti ve uncorrected anlamlılıkta (
rear_center_fracMW p=0.030, Cohen's d=−0.92) pilot kanıt sağladı; Bonferroni sonrası bu eşik geçilmemekle birlikte, etki büyüklüğü ve yön literatürdeki aspartam-anksiyojenik / flavonoid-anksiyolitik hipoteziyle uyumludur ve ≥20 hayvan/grup ile %80 güçte replikasyon için a-priori temel oluşturmaktadır."
Bu cümle:
- Anlamlılık iddia etmiyor (Bonferroni sonrası eşiği geçmediği belirtildi)
- Pipeline'ı asıl katkı olarak öne çıkarıyor
- Empirik bulgu için somut effect size + yön + replikasyon planı sunuyor
- Jüri sorularına savunulabilir cevaplar içeriyor
İleride bu raporu okuyan kişiye: python -m src.anxiety.classifier her çalıştırıldığında model sıfırdan eğitilir (imputer.fit, scaler.fit, LR.fit). Bu fine-tuning DEĞİL — sklearn LR / RF / SVM'lerinde pre-trained ağırlıkları başlangıç noktası alıp devam etme paradigması yoktur (LR'de warm_start=True ile kabaca yapılabilir, pratik kazanç yok).
Bizim yaptığımız: iteratif feature engineering ve hyperparameter tuning:
| İterasyon | Değişen | LR AUC |
|---|---|---|
| 1 | Full 24 feature, default zone | 0.57 |
| 2 | Rear-only 18 feature, %20 zone (ilk eğitim) | 0.73 |
| 3 | Manuel zone (sensitivity test) | 0.62 |
| 4 | %20 margin lock + retrain (config bug fix, 18 feat) | 0.617 |
| 5 | 12 feature (6 spatial-rearing varyantı kaldırıldı — multicollinearity / LOOCV varyans) | 0.683 (final) |
Her iterasyonda konfigürasyon kararı öğreniliyor, ağırlıklar değil.
Methods bölümü için doğru ifade:
"Feature space and zone definition were iteratively refined through leave-one-out cross-validation on n=29 subjects; the final configuration consists of (a) feature pattern matching
rear|pct_periphery|pct_freeze|spatial_entropy|comfort(12 features, after dropping six highly correlated spatial-rearing center/wall variants whose joint inclusion produced unstable LOOCV AUC estimates; e.g., the 18-feature configuration produced AUC 0.733 on the first fit and 0.617 on a same-config retrain), (b) center zone defined as 20% margin from arena bounds. Reported AUC values are from LOOCV on the final configuration; no held-out test set was retained owing to sample size constraints. No pre-trained weights were carried across iterations; each LOOCV run is a fresh fit."
| Tarih | Sürüm | Değişiklik |
|---|---|---|
| 2026-05-09 | v0 | İlk çalışmalar — src/features.py + src/train_baseline.py (4-target LOOCV) |
| 2026-05-10 morning | v1 | Anxiety pivot — src/anxiety/{profile,classifier,regression}.py |
| 2026-05-10 noon | v1.5 | Composite index (negatif bulgu) eklendi |
| 2026-05-10 afternoon | v2-prep | Spatial rearing eklendi, ana bulgu (rear_center_frac d=−0.92) yakalandı |
| 2026-05-10 evening | v2 | predict_anxiety_v2.py end-to-end inference |
| 2026-05-11 | v2.5 | archive/ reorganization, docs/REPO_MAP.md, README anxiety pipeline'ı yansıtacak şekilde yenilendi |
| 2026-05-11 | v3 | Streamlit GUI (predict_anxiety_v3_gui.py) |
| 2026-05-11 | v3.1 | Config mismatch bug yakalandı, retrain helper eklendi, v2 hardcoded reference temizlendi |
| 2026-05-11 | v3.2 | Feature seti 18 → 12 (6 spatial-rearing varyantı kaldırıldı — LOOCV varyans / multicollinearity). LR AUC 0.617 → 0.683, balanced acc 0.617 → 0.738, F1_control 0.364 → 0.545 |
Eski rapor dosyaları artık tarihsel kayıt (bu doküman ikisini birleştirir):
docs/anxiety_findings_report.md— 2026-05-10 baseline + 9 numaralı follow-updocs/anxiety_progress_2026-05-10.md— 2026-05-10 spatial rearing + inference + config birleşmesi
Anxiety üzerinde çalışırken bakılacak yerler:
src/anxiety/ # tüm anxiety modülleri
src/behavior_detection.py # rule-based detector
analysis/open_field/oft_metrics.py # OFT metrik hesabı (anxiety'nin import ettiği)
scripts/predict_anxiety_v2.py # CLI inference
scripts/predict_anxiety_v3_gui.py # Streamlit GUI
scripts/retrain_anxiety_rearonly.sh # config sonrası tek-komut retrain
models/anxiety_classifier/ # eğitilmiş modeller
reports/anxiety_predictions_v2/ # per-subject inference output
reports/figures/ # CM, ROC, spatial rearing PNG'leri
data/anxiety_features.csv # ham 24-feature matrix
data/anxiety_features_extended.csv # + 6 spatial sütun (classifier'ın input'u)
docs/anxiety_report.md # bu doküman
docs/REPO_MAP.md # repo organization