Loading [MathJax]/extensions/tex2jax.js

3

5
3

文字

分享

3
5
3

貓的痛,AI懂?——貓臉疼痛辨識技術

胡中行_96
・2022/07/18 ・3111字 ・閱讀時間約 6 分鐘

人類必恭必敬稱家貓為「主子」,並自貶為「奴才」。陛下身體微恙,一團絨毛癱軟,表情內斂,叫貓奴如何揣測上意?懷疑牠受苦,便心急如焚。幾乎上演《還珠格格》裡,人家紫薇說沒事,爾康卻捨不得的虐心互動。貓咪說不定覺得:「……有這麼多人關心我,我已經不痛了……」人類仍在一邊:「可是,我好痛!」[1]

給人類用的「視覺類比量表」(上)和「臉譜疼痛量表」(下)。圖/Yale University

在治療人類時,醫護人員會用視覺類比量表(Visual Analogue Scale)、臉譜疼痛量表(Wong-Baker faces pain scale)或 FLACC 量表[註] 等工具,來評估患者疼痛的狀況。前二者靠病人自我評估,以數字或表情,象徵由舒適無恙,漸進到痛徹心扉的程度差異。 FLACC 則是醫護觀察嬰幼兒或無法言語溝通者,就其身體不適產生的行為變化來計分。[2] 儘管每個人敏感的程度不同,至少單一病患前後的得分,能相互對照出疼痛是否得到緩解,或者更加惡化。因此,這些量表均可視為有效測量疼痛的方法。

問題是有口難言,又行徑鬼祟的貓咪怎麼辦?人貓猜心的瓊瑤戲碼,自古不斷重演,沒完沒了。

直到有天,獸醫們看不下去了…

  

「貓咪苦臉量表」介紹影片。來源:Research Square on YouTube

  

-----廣告,請繼續往下閱讀-----

貓咪苦臉量表

2017 年的時候,加拿大蒙特婁大學 Paulo Steagall 副教授以及他的團隊,招募了一票被送急診的病貓。在得到飼主同意後,他們比較疼痛的病貓、服用止痛藥的病貓,還有健康貓咪的表情舉止,研發出「貓咪苦臉量表」(Feline Grimace Scale),並將結果發表於 2019 年的《科學報告》(Scientific Reports)。[3, 4] 其中列出幾個徵兆,可依級別給分,就此將貓咪的疼痛量化:

耳朵姿態(ear position):貓耳的尖角向外分開,並略為朝後旋轉。[3, 5]

圖/參考資料 5

瞇眼程度(orbital tightening):上下眼瞼之間的空隙,小於眼睛的寬度,或是完全緊閉。[3, 5]

圖/參考資料 5

口鼻緊繃(muzzle tension):口鼻(即臺語所謂「喙管」的部位)由圓轉扁,而呈橢圓形。[3, 5]

圖/參考資料 5

觸鬚變化(whiskers change):觸鬚從平常放鬆的圓弧,撐直且稍微向前。[3, 5]

圖/參考資料 5

頭部位置(head position):原本處於全身最高處的貓頭,降至低於肩膀,並往下垂。[3, 5]

圖/參考資料 5

  

貓臉疼痛辨識技術

目前受惠於物種專屬苦臉量表的,除了貓,還有鼠、兔、馬、羊、豬和貂等動物。受過訓練的獸醫,能精準判讀牠們的表情,用這些工具,來評估牠們的疼痛指數。隨著科技的進步,到了 2022 年《科學報告》期刊再次關懷貓咪的痛楚時,另一群科學家拿出「貓臉辨識技術」,試圖取代專業的肉眼觀察。[6]

  

-----廣告,請繼續往下閱讀-----
臉部辨識技術:照片>以眼睛為基準,進行臉部校正>調整尺寸。
圖/Serhan YH, HAKAN Ç, and RİFAT E. (2016) ’A comprehensive comparison of features and embedding methods for face recognition.’ Turkish Journal of Electrical Engineering and Computer Sciences, 24, 1, 24.

  

臉部校正

臉部校正是建立辨識系統的要務。先調整貓臉的特徵(landmarks,即照片上標有號碼的黑點),讓它們在空間中對齊,減少幾何上的變異,方便接下來的步驟進行。原則上,校正後的貓臉必須:[6]

  1. 在畫面正中央;
  2. 旋轉直到雙眼的連線呈水平;
  3. 尺寸都約略相同。

圖/參考資料 6 ,figure 1

  

模型1:特徵基準(landmark-based)

在找到貓臉的特徵後,依據「貓咪苦臉量表」的觀察部位,將貓臉特徵(黑點)分為:左眼右眼額頭與耳朵,以及口鼻和觸鬚,四個區塊向量。然後,多加一些貓鼻子的照片,進行「資料擴增」(data augmentation),[6] 彌補原始資料的不足,以強化機器學習。[7] 不過,團隊事後發現,這次的資料擴增,成效不彰。[6]

圖/參考資料 6 ,figure 3

處理這些照片的計算模型,是一種叫做「多層感知器」(Multi-Layer Perceptron)的人工神經網路(artificial neural network)。[6] 就像人的神經系統,有好多神經元相互連結,將輸入的資料從上一層送到下一層,經過多層運算後再輸出。[8, 9]

  

-----廣告,請繼續往下閱讀-----

模型2:深度學習(deep learning)

研究團隊把大量沒有標註特徵的貓照,在校正角度和尺寸後,餵給 ResNet50[6] 這是一種有五十層的深度學習模型,早已預先訓練好怎麼逐層辨識貓咪的輪廓、曲線及其它識別特徵。[10] 套用該模型的同時,還要進行實驗需要的特定調整,例如:加上「痛」與「不痛」的分類標籤。[6]

  

貓的痛,AI 有多懂?

上述兩個模型的實測,在判讀貓咪是否疼痛時,都有超過 72% 的準確率,算是相當不錯的成果。不過,在完全替代人工判讀之前,可能還要擴建訓練辨識系統的資料庫。因為當初請來的照片模特兒,是 29 隻準備接受卵巢子宮切除術的短毛母貓,年紀約幾個月到一歲多。拿牠們術前、術後,以及使用止痛劑前後的照片來訓練 AI ,雖然是個不錯的點子,但無法代表多元的貓咪社群。[6] 將來的實驗,若能涵蓋其他性別、年齡和品種,相信貓咪們會覺得更加窩心。

  

-----廣告,請繼續往下閱讀-----

備註

FLACC 量表: FLACC 是臉(face)、腿(legs)、活動(activity)、哭(cry)與  安撫(consolability)的縮寫。每個項目依觀察到的狀態,給 0 到 2 分,總分最高 10 分。[2]

  

  1. 瓊瑤經典台詞》小時候看超感動,長大看卻啼笑皆非的 7 大經典場景(風傳媒,2020)
  2. Pain assessment and measurement (The Royal Children’s Hospital Melbourne, 2019)
  3. Evangelista MC, Watanabe R, Leung VSY, et al. (2019) ‘Facial expressions of pain in cats: the development and validation of a Feline Grimace Scale’. Scientific Reports, 9, 19128.
  4. Me-owch — could resting cat face tell us about kitty’s pain? (CBC, 2020)
  5. Feline Grimace Scale – Practice your pain assessment skills using the FGS! (Université de Montréal, 2019)
  6. Feighelstein M, Shimshoni I, Finka LR, et al. (2022) ‘Automated recognition of pain in cats’. Scientific Reports, 12: 9575.
  7. 2021 iThome 鐵人賽-DAY21 資料正規化與資料增強(Data Normalization & Data Augmentation)(IT邦幫忙,2021)
  8. 2019 iT 邦幫忙鐵人賽-06. 深度學習的架構分析:多層感知器(IT邦幫忙,2019)
  9. 神經網路(IBM,2020)
  10. 何謂遷移學習?(NVIDIA,2019)
-----廣告,請繼續往下閱讀-----
文章難易度
所有討論 3
胡中行_96
169 篇文章 ・ 67 位粉絲
曾任澳洲臨床試驗研究護理師,以及臺、澳劇場工作者。 西澳大學護理碩士、國立台北藝術大學戲劇學士(主修編劇)。邀稿請洽臉書「荒誕遊牧」,謝謝。

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

1
0

文字

分享

0
1
0
貓咪真的不愛你嗎?讀懂高冷主子的傲嬌告白
F 編_96
・2024/12/28 ・2729字 ・閱讀時間約 5 分鐘

-----廣告,請繼續往下閱讀-----

F 編按:本文編譯自 Live Science

身為貓奴應該都思考過這個問題:「我家貓到底愛不愛我?」(尤其是你怎麼叫牠都不理你的時候)

比起狗狗總是搖尾示好、恨不得時時刻刻陪伴主人,貓咪反而顯得疏離。這些獨立、冷淡的態度,是否代表牠們根本「不愛人類」?還是只是與我們表達情感的方式不同?現有的研究並未能給出單一「是」或「否」的答案,但科學界逐漸認為:貓的性格並非冷漠,而是有著自己獨特又多變的互動模式。

為何貓比狗看起來更不「熱情」?

談到「人與動物的愛」,第一個被拿來對照的對象往往就是狗。狗傾向於把人視為社群領袖或保護者,牠們會展現出明顯的依附行為,例如跟隨、舔舐、撒嬌等。這背後牽涉到狗的馴化史,科學家普遍認為,狗至少在 2.3 萬年前(亦有其他研究推至 3 萬年以上)就已開始與人類共同生活。人類在漫長世代裡,選擇性繁殖更順從、更依賴的犬隻,讓牠們不斷強化對主人的服從與感情表達。

相較之下,貓的馴化歷史要晚得多。大約在 1 萬年前,農耕社會出現,儲藏穀物吸引老鼠,貓因捕鼠能力而漸與人共生。牠們「半自願」式的走近人類聚落,並未經過大規模的繁殖選擇,以致貓咪的野性特質與獨立性一直保存到今天。

-----廣告,請繼續往下閱讀-----

由此可見,狗對人的依附,是經過長時間精心培育的結果,而貓雖然與人類同住,也享受人類提供的食物與安全環境,但牠們在某種程度上仍維持了更高的自主意識與獨立特質。

貓咪與狗狗的馴化過程不同,這也導致兩者在與人類互動上的不同。圖/envato

如何判斷貓咪是愛或不愛?

每個人對於「愛」的表現,判斷上還是很主觀的。因此有些研究嘗試用「科學指標」來測試貓對人的情感,如觀察荷爾蒙水平、或偵測貓在不同情境下的行為模式。

催產素俗稱「愛的荷爾蒙」,常在親密互動或撫摸時分泌。根據 2015 年的一項實驗(收錄於 BBC節目「Cats v Dogs」):在貓與狗都受到撫摸後,狗的催產素水平平均提升約 57.2%,但貓僅提升12%。這被部分人解讀為「貓對我們沒有那麼有愛」,但也要注意,這只是「平均值」,樣本量也僅 10 隻狗與貓,並不代表所有貓都只有「12%」的情感。此外,催產素本身也容易受其他因素干擾,例如環境壓力、個體差異等。

另外在 2021 年,英國林肯大學的研究團隊針對 3,994 位貓主做問卷調查,藉由「開放式關係、疏離關係、一般交情、相依關係、友誼」等五大類型,歸納出貓與主人的情感連結。結果顯示,約有一半的貓跟主人間呈現較緊密的情感投射,另一半則較疏離。由此可知,貓與人之間的情感並非「一面倒」的冷漠,也不見得如狗那樣強烈依附;而是要看飼主的參與度、貓的個性以及如何尊重牠們的獨立空間。

-----廣告,請繼續往下閱讀-----

有一項早期(2008年)的一項研究則觀察到,當貓遇到自己熟悉的人類時,血壓和心率會出現上升,顯示牠們對人產生情緒波動,可能是期待食物或獎勵,也可能是情緒上的激動。這說明貓對特定人確實有「在意」的表徵,只是表達方式或目的不一定和狗相同。

你越近,貓越逃?貓咪喜歡怎麼樣的互動?

要怎麼做才能獲得貓咪的抱抱?圖/envato

貓咪多半不喜歡被強迫互動,若人類持續不斷地撫摸、抱起貓而不顧牠們的意願,往往得到的反應是掙扎、攻擊或逃走。對貓來說,「選擇權」至關重要。若牠們能自在地決定互動距離、持續時間,以及撫摸的部位,牠們更可能接受、甚至主動親近主人。

2021 年的研究指出,若飼主能理解貓在肢體語言上的細微表達,例如耳朵朝後、尾巴抖動、身體僵硬或發出低鳴,代表牠們已有不適或抗拒;這時「收手」是上策。相反地,那些忽視貓表示不要的信號,堅持要撫摸或抱住貓的人,更容易被貓認定為「壓迫者」,長期下來貓會選擇逃避或變得易怒。

與狗一樣,每隻貓的個性也不盡相同。有些貓喜歡頻繁親密互動,也有貓更向往安靜獨處;基因、社交化過程、早期經驗都可能影響牠們長大後對人的友善度。此外,若飼主從貓幼齡期就常常輕柔地接觸牠們,並在牠們想脫離時尊重牠們,長大後通常會更願意與人類培養信任感。

-----廣告,請繼續往下閱讀-----

如何與貓建立更深的情感連結?

既然科學研究顯示貓的「情感投放」需要更精細的方式,那麼身為飼主或愛貓人士,該如何做才能拉近與主子的距離呢?

  1. 給予空間與選擇
    • 不要隨意抱起或撫摸正在休息、清潔毛髮、或顯露抗拒姿勢的貓。讓貓可以自由進出房間、躲進安全的角落,也能確保牠們在緊張或害怕時有地方可退。
  2. 正向回饋與獎勵
    • 若貓主動靠近、蹭你或發出呼嚕聲,這是牠願意互動的信號,可在牠舒服的情況下溫柔撫摸。可以搭配口頭稱讚或小零食,使貓把你聯想到「好事」。
    • 但記住,貓咪不喜歡被「過度餵食」,適度才是關鍵,否則容易讓牠們失去對零食的興趣或導致肥胖。
  3. 學習貓的身體語言
    • 觀察耳朵、尾巴與瞳孔的變化,若耳朵緊貼腦後、尾巴劇烈擺動或瞳孔放大並伴隨低鳴,表示貓正處於緊張或警戒狀態。此時停止撫摸、後退,給牠時間冷靜。
    • 如果貓慢慢走近你,尾巴微翹、耳朵稍微前傾,代表牠感到放鬆,可能願意互動。
  4. 尊重貓的作息特質
    • 貓是夜行性動物,白天或許大部分時間都在睡覺或懶洋洋地活動;若你在白天想和貓「猛玩」,牠可能沒有興趣。選在牠清醒或精神較好的時段進行互動或遊戲,更能提升彼此感受。

貓與人的緣分,在於理解與尊重

貓咪歷經數千年從田間捕鼠者,逐漸成為受全球喜愛的寵物,卻依然保留高度獨立、選擇權至上的「個人主義」風範。許多科學研究指出,貓雖沒有狗般明顯的熱情與依賴,但仍能與人產生深厚羈絆──關鍵就在於飼主是否願意花時間、心力,並遵循「了解貓貓、尊重貓貓」的原則與牠們相處。從理解貓的生活形態、情緒信號,到給予牠們適度的獨處與自由,若能做到這些,或許某天牠就會主動跳到你的腿上呼嚕,用專屬的方式告訴你:「莎朗嘿(사랑해)~

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

0

1
0

文字

分享

0
1
0
為期刊拍張封面 顯微鏡下的科學魔法
顯微觀點_96
・2024/05/27 ・3010字 ・閱讀時間約 6 分鐘

-----廣告,請繼續往下閱讀-----

本文轉載自顯微觀點

希爾思使用VS120拍攝,小鼠大腦矢狀切口上的染色圖像。圖片來源:EVIDENT|Olympus官網

「我開始拍攝美麗的影像是出於興趣,因為我喜歡神經科學圖像藝術性的一面。」

史蒂芬妮.希爾思(Stephanie Shiers)是美國德州達拉斯大學的認知神經科學家,她拍攝的顯微鏡影像曾被選作多本期刊的封面,包括《神經科學雜誌》 (The Journal of Neuroscience)、《科學轉化醫學》 (Science Translational Medicine)等。要怎麼做才能讓自己拍攝的作品登上期刊封面呢?

希爾思在 2019 年取得認知和神經科學博士學位,目前從事疼痛研究,以移植捐贈者的神經組織探索慢性疼痛的臨床前機制和治療方法。

最驕傲的時刻——影像獲選期刊封面

希爾思攻讀博士期間,當第一篇論文獲得刊登且拍攝的照片一同被選為封面發表時,是她最引以為傲的時刻。她表示,第一篇論文被發表本身已經很令人興奮,當時並未預期會獲選封面,「因為我只是基於我對神經科學藝術的熱愛,而拍攝漂亮的圖片」。

-----廣告,請繼續往下閱讀-----

事實上,論文中所有影像都使用 40 倍物鏡拍攝,但她後來決定使用 100 倍物鏡拍攝,以捕捉一些漂亮的影像,加以觀察。

「我能看到所有的樹突和軸突初始段,這看起來令人震撼!」當希爾思與她的指導教授分享時,教授鼓勵她投稿期刊封面,同時提交論文。

希爾思表示,在攻讀博士學位時,面對周遭的同行都非常專業,自己曾感到無所適從。然而,當成功的數據和封面影像出現時,過去辛勤的工作和壓力都值得了。

歷經徬徨 受科學魔法吸引踏上研究路

對於自己選擇踏入神經科學研究,並繼續攻讀博士、成為科學家,希爾思坦承自己也曾經歷徬徨。「因為不知道自己想做什麼」,希爾思大學時曾選了三個主修、一個副修。

-----廣告,請繼續往下閱讀-----

原想攻讀醫學院的希爾思,在接受緊急救護技術(EMT)訓練時,意識到自己不想當醫師。因此她又選了神經科學和歷史專業,因為她自認可能喜歡人文學科、可能想成為律師。

直到完成學士學位後希爾思仍不清楚自己的職涯方向。但當她加入校內實驗室時,發現自己「真的很喜歡」,進而申請進入加州大學戴維斯分校的 NeuroMab 研究機構(UC Davis/NIH NeuroMab facility),從事免疫組織化學的工作。

在這份工作中,希爾思研究進行免疫組織化學染色、抗體驗證,在顯微鏡下觀察「肉眼」看不見的東西。這時她意識到「科學是最我們所擁有,最接近魔法的東西」,也因此確認了職業道路——走上學術研究之路。

而現在對希爾思來說,最難忘的時刻莫過於帶領在實驗室掙扎的學生領略科學的奇妙。

-----廣告,請繼續往下閱讀-----

曾經有一名學生未受太多訓練,因此希爾思帶著她完成染色工作、教她操作共軛焦顯微鏡;而當學生第一次看到顯微鏡下的影像時,露出驚訝的表情。 「看到別人也能體驗到科學的神奇,真是太好了!」希爾思這麼說道。

Science Trans 1
圖片來源:擷自《Science Translational Medicine vol. 13, issue 595》封面

超敏通道

圖像顯示小鼠背根神經節表現瞬態受體蛋白 5 (TRPC5,紅色)編碼瞬時受體電位規範 5(TRPC5,紅色)、抑鈣基因相關胜肽(CGRP,綠色)、P2X3 受體(藍色)和神經絲蛋白 200(青色)的基因。

希爾思為〈Transient Receptor Potential Canonical 5 Mediates Inflammatory Mechanical and Spontaneous Pain in Mice.〉的共同作者。

本篇論文主要探討,多種原因引起疼痛超敏反應,其中 TRPC5 的活化增加了囓齒動物對疼痛的敏感性,而 TRPC5 通道也在人類感覺神經元中表現,因此研究認為 TRPC5 抑制劑可能可有效減輕患者的疼痛超敏反應。

拍科學藝術照 封面也可以很抽象

對於如何拍出「封面等級」的科學藝術照,希爾思也給出幾點建議。首先,她強調擁有適合的儀器至關重要,以降低信噪比和提升影像品質。

此外,研究者必須接受更多基礎訓練。她表示,過去自己雖操作過很多次顯微鏡,但主要使用明視野照明觀察。直到開始博士課程後學習神經解剖學、蛋白質定位等知識,使用免疫螢光染色最適當的卻是使用暗視野照明。因此持續接受培訓,了解如何正確使用顯微鏡也是非常重要的。

希爾思也建議,在實驗數據收集階段,就可預先規劃影像拍攝;一邊構思論文中需要使用的圖像和材料,如果材料和研究內容一致,就當場拍攝解析度更高的影像。

-----廣告,請繼續往下閱讀-----

她也鼓勵研究者不斷嘗試新事物,例如使用不同染劑(明視野病理染色劑、鈣染色劑等)與顯微鏡搭配,將更容易拍攝出引人注目的影像。

希爾思鼓勵研究者盡可能地投稿封面影像,並強調封面不必與數據收集所用的影像完全相同;甚至許多期刊封面的圖片可以是抽象的、不一定要和照片一樣真實。

物種特異性表達

以原位雜合技術(in situ hybridization,左)和空間轉錄(Spatial Transcriptomics,右)並置的人類背根神經節,用於描述感覺神經元轉錄譜的特徵。

痛覺受器是專門的感覺神經元,存在於背根神經節(DRG)和三叉神經節中,對生成最終疼痛感知的神經元信號至關重要。

希爾思為〈Spatial transcriptomics of dorsal root ganglia identifies molecular signatures of human nociceptors.〉的第二作者。

本篇研究試圖為人類疼痛受器生成等效訊息,利用空間轉錄數據識別痛覺受器的轉錄組特徵,並藉以識別物種間差異和潛在的藥物靶點。

Sciencetrans2022 1
圖片來源:擷自《Science Translational Medicine (vol. 14, issue 632》封面 
Jneurosci 3
圖片來源:擷自《The Journal of Neuroscience vol. 38, issue 33》封面

圖像為患有神經性疼痛的小鼠內側前額皮質神經元,紅色為 PV 陽性細胞小白蛋白陽性中間神經元(紅色)與軸突初始段標記(Ankyrin-G,綠色)和核標記(DAPI,藍色)的共同標記。

希爾思為〈Neuropathic Pain Creates an Enduring Prefrontal Cortex Dysfunction Corrected by the Type II Diabetic Drug Metformin But Not by Gabapentin〉的第一作者。

認知障礙是神經性疼痛的共病。本篇研究使用原治療糖尿病的藥物二甲雙胍,治療神經疼痛 7 天後出現逆轉,包括功能和解剖學出現變化,顯示該藥物或可老藥新用於治療神經性疼痛及其認知合併症。

  1. https://www.olympus-lifescience.com/en/discovery/behind-the-lens-dr-stephanie-shiers-creates-cover-worthy-neuroscience-art/
  2. Sadler, Katelyn E et al. “Transient receptor potential canonical 5 mediates inflammatory mechanical and spontaneous pain in mice.” Science translational medicine vol. 13,595 (2021).
  3. Tavares-Ferreira, Diana et al. “Spatial transcriptomics of dorsal root ganglia identifies molecular signatures of human nociceptors.” Science translational medicine vol. 14,632 (2022).
  4. Shiers, Stephanie et al. “Neuropathic Pain Creates an Enduring Prefrontal Cortex Dysfunction Corrected by the Type II Diabetic Drug Metformin But Not by Gabapentin.” The Journal of neuroscience : the official journal of the Society for Neuroscience vol. 38,33 (2018).

查看原始文章

-----廣告,請繼續往下閱讀-----

討論功能關閉中。