Skip to content

Latest commit

 

History

History
606 lines (423 loc) · 34.9 KB

anxiety_report.md

File metadata and controls

606 lines (423 loc) · 34.9 KB

Anksiyete Analizi — Konsolide Rapor

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.


1. Yönetici özeti

1.1. Bir cümlede iddia

"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_frac MW p=0.030, Cohen's d=−0.92) pilot kanıt sağladı."

1.2. Üç ana çıktı

  1. 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).
  2. Empirik bulgu: Spatial rearing (center vs wall) en güçlü univariate grup-ayırıcı sinyal (rear_center_frac MW p=0.030, d=−0.92). Treated grup merkezde rearing fraksiyonunu ~yarıya düşürmüş. (Not: bu özellikler final modele girmedi — bkz. §3.4 ve §12.)
  3. Model: Logistic regression rear-only (12 feature, LOOCV AUC = 0.683). RF zayıf (0.525). SVM dar feature setiyle bozuluyor (0.358).

1.3. Doğru çerçeveleme

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).


2. Veri ve yöntem

2.1. Hayvan dağılımı (n = 29)

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.

2.2. Pipeline akışı

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)

2.3. Feature seti (rear-only, 12 sütun)

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.

2.4. Inner zone tanımı (kritik metodolojik karar)

# 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 arena

Neden %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."


3. Bulgular

3.1. Univariate (Kruskal-Wallis, 4 grup, n = 29)

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.

3.2. Spatial rearing — ana bulgu

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.

3.3. Binary classifier — Control vs Treated

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.

3.4. Feature importance — spatial özellikler dominant

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.

3.5. Composite anxiety index — negatif bulgu

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".

3.6. PC1 ekseni — circularity uyarısı

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.


4. Modelin karar mekanizması

Bu bölüm jüri sorusu "modeliniz neye bakarak karar veriyor" için hazır cevap.

4.1. Mimari: lojistik regresyon

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).

4.2. "Push" kavramı

Raporlarda her feature için push = coefᵢ × zᵢ. İşaret:

  • push > 0 → Treated yönüne çekiş
  • push < 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.

4.3. Modelin biyolojik olarak öğrendiği (en güçlü 5 katsayı)

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.

4.4. Vaka çalışması: MA4_1 (gerçek grup: Aspartame)

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_frac benzeri uç z-skor uyarıları da kaybolur). Sonuç (doğru sınıflandırma, P_treated ≈ 0.78) korunmuştur. 12-feature push örneği için python scripts/predict_anxiety_v2.py data/DLCfiltered/Aspartame/MA4_1/MA4_1.csv ile 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.


5. Pipeline ve araçlar

5.1. CLI — v2

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.csv

Modüler 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.

5.2. Streamlit GUI — v3

pip install streamlit
streamlit run scripts/predict_anxiety_v3_gui.py

v2'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)

5.3. Retrain helper

bash scripts/retrain_anxiety_rearonly.sh

İki adımlı pipeline:

  1. python -m src.anxiety.spatial_rearing → data/spatial_rearing.csv + data/anxiety_features_extended.csv mevcut INNER_ZONE ile yeniden üretir
  2. python -m src.anxiety.classifier --csv ... --features '...' --tag rearonly → models/anxiety_classifier/{lr,rf,svm,scaler}_rearonly.pkl yeniden eğitir

HER ZAMAN çalıştır when:

  • INNER_ZONE / ARENA / FPS değişti
  • Yeni subject eklendi
  • spatial_rearing veya OFT metrik kodu değişti

Neden zorunlu — §6 incident raporu.

5.4. Repository organization

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, _v2 ile değişti)
  • archive/src/{train_baseline,features,_metrics_minimal,visualize_reports,train_anxiety_demo}.py
  • archive/models/classifier/ (25 .pkl eski 4-target baseline)

6. Config mismatch incident — 2026-05-11

Bu rapor öncesi yakalanıp düzeltilen kritik bug. Future-proofing için tam belgelendi.

6.1. Belirti

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.

6.2. Kök neden

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_frac 0.85-1.0 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.

6.3. Düzeltme

scripts/retrain_anxiety_rearonly.sh ile:

  • data/spatial_rearing.csv yenilendi (yeni narrow center ile)
  • data/anxiety_features_extended.csv güncellendi (rear_center_frac değerleri artık 0.0-0.2 aralığında)
  • LR / RF / SVM modelleri yeniden eğitildi
  • reports/anxiety_classifier_importance_rearonly.csv yeni 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).

6.4. Yardımcı düzeltme: v2 hardcoded reference

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.

6.5. Ders ve önlem

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.")

7. Sınırlılıklar

  1. Örneklem (n=29). Davranışsal nörobilim alt-sınırının altında. Power ~%30-40 — gerçek orta-büyük etki bile %60 olasılıkla anlamlılığa ulaşmayabilir.
  2. Control / Treated dengesizliği. 5 / 24 → her binary classifier için zorlu setting. class_weight=balanced zorunlu, ama outlier sensitivity yüksek (Control grubu skoru 2 hayvan tarafından sürükleniyor).
  3. 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.
  4. 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.
  5. Tek seans / arena. Test-retest tekrarlanabilirliği ölçülmedi; bireysel varyans ile gerçek tedavi etkisi ayrıştırılamıyor.
  6. predict_proba kalibre değil. LR class_weight=balanced ile eğitildi; mutlak olasılık değerleri (örn. 0.78 vs 0.85) sıralama amaçlı kullanılmalı, mutlak risk skoru olarak değil.
  7. PC1 yorumlaması circular. PC1 işaret çapası pct_periphery+ ile sabitlendi ama loading'lere bağlı olarak "rearing / keşif" vs "thigmotaxis / donma" varyansını yakalıyor olabilir.
  8. Held-out test seti yok. n=29 kısıtlı olduğu için tüm değerlendirme LOOCV içinde. Out-of-distribution genelleme bilinmiyor.

8. Power analizi ve replikasyon planı

8.1. Gözlenen etki büyüklükleri

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

8.2. %80 power için gereken n

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

8.3. Replikasyon protokolü

  1. n ≥ 20-22 / grup (toplam ~80-90) — mevcut etki büyüklüklerini %80 güçte doğrulamak için.
  2. Doz-yanıt tasarımı → tek doz yerine 3 doz × kontrol → "etki var mı" yerine "doz-yanıt eğrisi nedir".
  3. Within-subject baseline → her hayvanın pre-treatment baseline'ı; varyansı yarıdan fazla düşürür, aynı n ile çok daha yüksek power.

9. Reproducibility

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.py

Çıktı 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/

10. Methods bölümü için hazır cümleler

10.1. Pipeline (Methods §X.1)

"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."

10.2. Model (Methods §X.2)

"A logistic regression classifier (L2, C=1.0, class_weight='balanced') was trained on 12 rearing-focused features (regex pattern rear|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."

10.3. Inference (Methods §X.3)

"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."

10.4. Sınırlılıklar (Discussion §X)

"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."


11. Tezdeki tek-cümle mesaj

"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_frac MW 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

12. Modelin yaşam döngüsü — training mı, fine-tuning mı?

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."


Appendix A. Sürüm geçmişi

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):


Appendix B. Hızlı referans

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