动物行为多维度张量分析：矩阵化与特征选择策略及其在神经行为学研究中的应用价值

　　本综述系统探讨了多维度张量（MDT）行为数据的矩阵化处理（包括索引构建与特征拼接）与特征筛选（过滤法/嵌入法）策略，通过斑马鱼视觉运动反应模型验证了特征拼接结合嵌入法优选特征可显著提升多变量分析（如MANOVA、PCA）性能，为神经行为学中高维数据解析提供了可解释性强的标准化框架。

　　

Highlights

本研究通过矩阵化与特征选择方法系统解析多维度张力（MDT）行为数据，揭示了特征拼接（Feature Concatenation）结合嵌入法特征筛选能最优提升分类器性能，并在斑马鱼视觉缺陷突变体中识别出传统方法未发现的行为表型差异。

Multi-dimensional tensor

在本研究中，多维度张量（MDT）被定义为维度数超过2的张量。例如，图1B所示的3维张量（3DT）A可表示为$A?R^{N\times M\times S}$，其中N代表样本数量，M为行为测量类型数，S为时间点数。该3DT可通过矩阵化转换为2维张量（2DT）或矩阵。

Zebrafish husbandry and breeding

本研究使用的斑马鱼为AB品系（源自斑马鱼国际资源中心），视觉缺陷转基因线Tg(rho:Hsa.RH1_Q344X)（简称Q344X）由既往研究构建。所有动物均按标准流程繁育与维护，繁殖前夜按性别分笼并于次日混合交配。

The 3DT VMR dataset

本研究使用的3DT行为数据集包含光开启（light-on）与光关闭（light-off）视觉运动反应（VMR）数据，每组均含24只野生型与24只Q344X幼虫在7日龄时的9次生物学重复VMR记录。分析聚焦于触发VMR的5分钟（300秒）光刺激阶段，数据结构符合图2A框架并涵盖9类行为指标。

Discussions

现代神经行为研究常需分析跨时间、多样本、多行为指标的多维度张量（MDT）数据，这类数据难以直接用经典多变量分析（如MANOVA）处理。尽管CP张量分解可分析MDT，但其数学表征难以生物学解读。本研究通过矩阵化（索引构建/特征拼接）将MDT转化为可解释的2DT数据，并结合特征选择优化下游分析性能，为行为学研究提供了实用框架。

Conclusions

本研究证实了矩阵化与特征选择在MDT行为数据分析中的有效性。该策略可推广至其他MDT结构数据（如斑马鱼钙成像神经环路数据），为多维度行为表征与神经机制解析提供方法论支持。