Mapeamento da dinâmica de voo de mosquitos e respostas direcionais: um modelo escalável de aprendizado profundo para pesquisa comportamental

Os mosquitos são vetores importantes de patógenos que afetam milhões de pessoas em todo o mundo. Compreender seus padrões de voo e comportamentos é crucial para o desenvolvimento de novas ferramentas de controle e vigilância. A análise de trajetórias de voo de mosquitos usando métodos manuais tradicionais pode ser demorada e trabalhosa. Neste estudo, empregamos técnicas avançadas de processamento de imagem e aprendizado profundo, especificamente utilizando um modelo GRU, para analisar gravações em vídeo 2D de três espécies de mosquitos vetores medicamente importantes. Os vídeos foram gravados em ambientes laboratoriais controlados usando equipamentos simples e de baixa tecnologia. Nosso modelo integra subtração de fundo, detecção YOLOv5 e a estratégia de correspondência DeepSORT para detectar e rastrear mosquitos com alta precisão, alcançando taxas de detecção entre 99,7% e 99,9% dependendo da espécie de mosquito, mitigando efetivamente os desafios impostos pelo ruído de fundo, obstruções e inconsistências nas etiquetas de rastreamento. Além disso, um modelo de Unidade Recorrente Gated (GRU) foi empregado para classificar as direções de movimento dos mosquitos com ∼97,6% de precisão. O sistema também gera saídas visuais, incluindo mapas de calor e vídeos que ilustram as trajetórias de voo dos mosquitos, facilitando a interpretação das respostas comportamentais dos mosquitos em condições experimentais. Essas descobertas demonstram que a integração da visão computacional com técnicas de aprendizado profundo proporciona um método eficaz para rastrear caminhos de voo de mosquitos, classificar padrões de movimento e avaliar respostas comportamentais. Essa abordagem oferece uma avenida promissora para automatizar a análise de vídeos em pesquisas sobre mosquitos e pode ser adaptada para o estudo de outras espécies de insetos voadores pequenos.