Mouse Lockbox Dataset

Mouse Lockbox Dataset 是一个包含小鼠解决复杂机械谜题的视频数据集。数据集由柏林工业大学、柏林自由大学、德国实验室动物保护中心和德国联邦风险评估研究所的研究人员创建，共包含超过110小时的播放时间，从三个不同的视角记录了小鼠的行为。作为帧级动作分类方法的基准，该数据集提供了两对不同小鼠的所有视频的人类标注标签，占数据集的13%。该数据集旨在促进计算神经科学社区中自动化动作和行为分类的进步。

原始信息汇总

Mouse Lockbox Dataset: Behavior Recognition for Mice Solving Lockboxes

基本信息

• 发布日期: 2025-06-12
• DOI: 10.14279/depositonce-23850
• 相关论文: 10.48550/arXiv.2505.15408

数据集描述

• 内容: 包含小鼠解决复杂机械谜题（锁箱）的视频数据集，总时长超过110小时，从三个不同视角记录。
• 标注数据: 提供两只小鼠视频的人类标注标签，占数据集的13%。
• 应用: 用于帧级动作分类方法的基准测试，支持精细行为（如物体操作）的自动标注研究。

技术背景

• 方法: 使用机器学习和计算机视觉技术分析自然动物行为。
• 挑战: 自动标注精细行为的挑战，特别是物体操作行为。

文件列表

• README.md: 1.33 KB
• 标注数据:
  • mlb-labeled-mouse291.tar: 3.98 GB
  • mlb-labeled-mouse324.tar: 4.61 GB
• 未标注数据:
  • mlb-unlabeled-mouse162.tar: 5.27 GB
  • mlb-unlabeled-mouse258.tar: 5.01 GB
  • mlb-unlabeled-mouse336.tar: 6.39 GB
  • mlb-unlabeled-mouse52.tar: 4.6 GB
  • mlb-unlabeled-mouse70.tar: 5.89 GB
  • mlb-unlabeled-mouse192.tar: 4.91 GB
  • mlb-unlabeled-mouse285.tar: 3.42 GB
  • mlb-unlabeled-mouse389.tar: 4.39 GB
  • mlb-unlabeled-mouse68.tar: 9.12 GB
  • mlb-unlabeled-mouse80.tar: 5.25 GB
• 元数据:
  • mlb-meta.tar: 228 KB

关键词

• dataset, video, action classification, behavior analysis, mouse, machine learning, computer vision, computational neuroscience

搜集汇总

数据集介绍

构建方式

Mouse Lockbox Dataset的构建采用了多视角视频记录技术，通过三台Basler acA1920-40um摄像机以1936×1216px分辨率同步捕捉小鼠解决机械谜题（锁箱）的行为。实验设置包括12只雌性C57BL/6J小鼠在标准化环境中进行自由探索，锁箱装置包含四种独立机制及其组合形式，并采用红外照明确保无干扰观测。数据预处理阶段剔除了机制不完整或实验干扰的片段，最终形成1629段总时长117小时52分钟的多视角视频序列。

特点

该数据集的核心价值在于其任务导向的复杂行为标注体系，包含机制状态、小鼠-机制接近度及交互动作等20类精细标签，由经过严格培训的人类标注员以±100毫秒时间精度完成。其独特之处在于：1) 首次实现单智能体多视角下机械问题解决行为的系统记录；2) 标注数据占比13%（15小时25分钟）并提供了人类-机器标注一致性基准；3) 通过三维关键点追踪框架（DeepLabCut结合卡尔曼滤波）建立了行为分类的技术参照，尤其对接近度识别达到近人类水平。

使用方法

研究者可通过公开访问的DOI链接获取数据集，其多视角视频与配套标注适用于三类典型应用场景：1) 行为识别模型的训练与验证，需注意标注数据仅限于特定小鼠个体以防止信息泄露；2) 三维姿态估计算法开发，可利用未标注视频扩展训练样本；3) 认知机制研究，通过分析不同锁箱机制下的行为模式探索问题解决策略。使用时应考虑摄像机异步（平均1.39帧偏差）和光照条件差异等技术限制，建议结合配套的Kalman滤波姿态追踪框架进行数据预处理。

背景与挑战

背景概述

Mouse Lockbox Dataset由柏林工业大学等机构的研究团队于2025年发布，旨在填补啮齿类动物复杂行为研究的数据空白。作为计算神经行为学领域的重要资源，该数据集记录了12只C57BL/6J小鼠解决机械谜题（锁箱）的117小时多视角视频，突破了传统数据集仅关注简单社交行为的局限。通过设计包含杠杆、木棒、滚珠和滑门四种机制的实验装置，研究者首次系统性地捕捉了目标导向的认知行为过程，为理解动物问题解决机制提供了新型实验范式。其创新性的三维姿态标注框架和严格的人类标注协议，推动了计算神经科学与人工智能在精细行为识别领域的交叉发展。

当前挑战

该数据集面临双重技术挑战：在领域问题层面，需解决复杂操作行为（如咬合、触碰机制）的细粒度分类难题，现有算法对人类标注的F1分数仅达0.17-0.88，反映出空间时序特征提取的不足；在构建层面，多视角视频伪同步导致的1.39±1.50帧异步误差、动态光照条件引起的关键帧丢失，以及啮齿动物快速微小动作的标注一致性（咬合标签的Cohen's kappa仅0.32）构成了主要技术障碍。这些挑战突显了自然智能研究中环境交互行为量化分析的固有复杂性。

常用场景

经典使用场景

Mouse Lockbox Dataset作为计算神经行为学领域的标杆数据集，其经典应用场景聚焦于解析小鼠解决机械谜题（锁盒）时的精细行为模式。通过三视角同步记录的117小时视频数据，研究者能够量化分析小鼠在解锁四种机械装置（杠杆、木棍、球体、滑门）过程中的接近、触碰、啃咬等20类任务导向行为，为理解动物认知决策的时空动态提供了前所未有的多模态观测窗口。

解决学术问题

该数据集突破了传统啮齿类动物行为数据集仅关注简单或社交行为的局限，解决了目标导向行为研究中三大核心问题：一是建立了复杂问题解决行为的标准化标注体系，填补了机械操作类精细动作分类的空白；二是通过多视角三维姿态重建，实现了环境交互行为的量化表征，为认知神经机制研究提供了可计算的行为表型；三是其13%的双人标注基准数据为行为识别算法的跨视角泛化性能评估设立了新的金标准，显著提升了计算行为学的方法论严谨性。

衍生相关工作

基于该数据集衍生的关键工作包括Boon等人提出的三维关键点追踪框架（bioRxiv 2024），首次实现了机械操作行为的自动标注；Hohlbaum团队开发的Lockbox认知 enrichment范式（Open Res Europe 2024）验证了环境复杂度对动物学习能力的影响。后续研究进一步扩展了其在跨物种行为进化分析中的应用，如灵长类工具使用行为的比较研究，推动了计算行为学与比较心理学的学科交叉。