I denna rapport visar vi hur estimering av dolda Markov-modeller kan användas för att konstruera modeller för beteenden hos möss. Vi använde ett neuralt nätverk för att extrahera positionsdata för olika kroppsdelar i videoinspelningar av enskilda möss i en inhängnad. Därefter beräknade vi egenskaper såsom hastighet och kroppslängd ur positionsdatan och använde en implementation av Baum-Welch-algoritmen för att passa dolda Markov-modeller till egenskapsdatan. Vi kunde identifiera återkommande beteenden såsom "springer längs med väggen" och "undersöker väggen" som estimerade tillstånd hos flera möss, vilket överenstämmer med vad vi kunde iakta i videomaterialet. Därigenom visar vi att estimering av dolda Markov-modeller med hjälp av Baum-Welch-algoritmen kan användas för att automatiskt hitta modeller av beteenden hos möss.

In this report we demonstrate the usefulness of hidden Markov model estimation as a method to construct models of mouse behavior. We used a neural network to retrieve positional data of different body parts from overhead video recordings of lone mice in an enclosure. We then extracted features such as velocity and elongation from the positional data and used an implementation of the Baum-Welch algorithm to fit hidden Markov models to the feature data. We could identify recurring behaviors such as "running next to wall" and "investigating wall" among the estimated states in several different mice, which was consistent with what we could see in the actual videos. We thereby demonstrate that hidden Markov model estimation by the Baum-Welch algorithm can be utilized to automatically find models of mouse behavior.