在神经科学及临床研究中，基于视频的动作识别方法日益成为神经疾病检测和预测的重要工具。然而，非人灵长类动物研究的动作识别目前仍依赖高强度的人工操作，并且缺乏标准化的评估方法，极大地影响研究效率及识别准确性。因此，肖晓团队建立了在实验室环境下的两个非人灵长类动物基准数据集：MonkeyinLab (MiL) 数据集（包括13 类动作和姿态）和MiL2D数据集（包括15个2D 骨骼特征点），这两个标准数据集覆盖了食蟹猴的日常表型行为。此外，还提出了一个基于深度学习的工具箱MonkeyMonitorKit (MonKit)，MonKit采用TSSA网络识别猴子动作（准确度98.99%）和HRNet网络识别猴子的骨骼特征点（准确度98.8%），并结合动作姿势估计建立了精细动作的评估模型和行为分析方法，可评估疾病状态下的低头行为（抑郁症样表型）、刻板行为（自闭症样表型）等。MonKit工具箱能够量化比较了作为 Rett 综合征疾病模型的MECP2 基因突变食蟹猴与野生型食蟹猴的日常行为分类和精细动作评估，并与人工识别进行对比。MonKit工具箱具备自动化、高效、标准统一、高准确率、高敏感性和低误差等优势，为非人灵长类的表型行为分类和评估提供了一种新颖而全面的研究手段。

研究成果《Deep learning-based activity recognition and fine motoridentification with 2D skeleton in cynomolgus monkeys》于2023年4月在Zoological Research接收。