Method Article

تتبع متزامن متعدد المفاصل قائم على التعلم العميق لقياس حركية الأطراف الخلفية في الجرذان بشكل موضوعي

DOI:

10.3791/69798

⸱

April 3rd, 2026

 ,  ,  ,  ,  ,  ,  ,  , 
1Department of Neurosurgery, Xuanwu Hospital, Capital Medical University, 2Lab of Spinal Cord Injury and Functional Reconstruction, China International Neuroscience Institute (CHNA-INI), 3Wuxi Touch Spring Technology Co., Ltd.

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يؤسس هذا البروتوكول خط تقييم حركي للطرف الخلفي للفئران باستخدام اختبار جهاز المشي بدون علامات مع وسم ذاتي متعدد المفاصل مدفوع بالتعلم العميق، مما يتيح إعادة تكرار قياس الحركة.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

التقييم الدقيق والموضوعي لمشية الفئران ضروري في مجالات أبحاث علم الأعصاب وعلم الحركة. تعتمد الأنظمة التقليدية غالبا على تصوير البصمة لاستنتاج المشي غير المباشر، والذي لا يمكنه التقاط حركية الأطراف الخلفية متعددة المفاصل بالكامل. تؤسس هذه الدراسة نظام تحليل مشية قائم على جهاز المشي بدون علامات للقوارض، حيث يدمج خوارزميات التعلم العميق المخصصة مع جهاز مشي يدعم الوزن القابل للبرمجة لتمكين تتبع عدة مفاصل في الأطراف السفلية في الوقت الحقيقي وقياس حركية متعددة الأبعاد. يستخرج النظام تلقائيا معايير دورة المشي، ومسارات المفاصل، وأنماط توزيع القوة، ونعومة الحركة تحت ظروف السرعة المعدلة (0-300 مم/ث)، والميل (تدرج ±30°)، ودعم الوزن الدرج (0-500 جم)، مما يوفر أداة تقييم موضوعية لأبحاث السلوك العصبي العضلي. باستخدام نماذج إصابات الحبل الشوكي (SCI)، تظهر النتائج حساسية النظام في اكتشاف الفروقات متعددة الأبعاد في مدى حركة المفاصل، واستمرارية المسار، وقوة الدفع الخارجة، ونعومة الحركة بين القوارض السليمة والمصابة، مما يؤكد تمييزه المرضي وقدراته على التصنيف. مقارنة بالطرق التقليدية للدرجات الذاتية أو البصمة، تلغي هذه المنصة التحيز الشخصي وقيود البيانات منخفضة الأبعاد مع دمج بنية التعلم العميق ومزايا جمع البيانات عالية الإنتاجية. ينطبق على الأبحاث المتعلقة بإصابات الأعصاب المركزية أو الطرفية، والأمراض التنكسية العصبية، واضطرابات الجهاز العضلي الهيكلي، وعمليات الشيخوخة. من خلال التكامل المتزامن لوحدات الفيزيولوجيا الكهربائية العصبية، يمكن النظام أيضا من الترابط الزمني بين المشي والإشارات العصبية، مما يؤسس إطارا منهجيا لتحليل آليات التحكم المركزية والطرفية وتطوير استراتيجيات تعديل الأعصاب.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

في علم الأعصاب المعاصر وأبحاث الحركة، أصبح القياس الموضوعي للمشي أمرا ضروريا لتشريح الوظائف العصبية والعضلية، وتوضيح آليات الأمراض، وتقييم استراتيجيات إعادة التأهيل1. تمكن دقتها العالية في الزمان المكاني من التقاط الاختلافات الدقيقة في التآزر بين الأوامر العصبية، وملفات تنشيط العضلات، وميكانيكا الهيكل العظمي، مما يؤسس أساسا تجريبيا للتحقيق في تنسيق المسارات فوق النخاكية، والتغذية الراجعة الطرفية، والسياقات الميكانيكية. تعزز مقاييس الحركة القابلة للتكرار حساسية الكشف عن الآفات، والتغيرات التنكسية، والتأثيرات العلاجية، مما يسرع من تطوير الأدوية والأجهزة2.

تستنتج منصات التقييم التقليدية مثل CatWalk أو DigiGait أو تحليلات البصمة المبسطة بشكل غير مباشر حركية المفاصل بناء على أنماط التلامس الأخمصي. تنتج هذه الأساليب مقاييس منخفضة الدقة وغير متسقة تفشل في التقاط تعقيد الحركة متعدد الأطراف الخلفية 3,4. الهدف العام من طريقتنا هو إنشاء نظام تحليل مشية عالي الدقة، بدون علامات، ومدعوم بالوزن، مصمم خصيصا لنماذج القوارض. لذلك، نضع إطارا جديدا يقول: (1) يحافظ على القوارض في وضعية مستقيمة تحت حمل محوري متحكم فيه (0-100٪ وزن الجسم) أثناء التصوير متعدد المفاصل المستمر، (2) يحدد مباشرة المعالم التشريحية لمستوى السهمية من تحليل الرؤية الجانبية عبر التعلم العميق لتوليد مسارات مكانية ثنائية الأبعاد، (3) يصدر زوايا المفاصل المحسولة زمنيا والحركية القطاعية للنمذجة الإحصائية5. في الأساس، يستند هذا الإطار إلى تطبيق التعلم العميق في مهام رؤية الحاسوب، مما يتيح استخراج ميزات مشتركة قوية من بيانات الفيديو.

مقارنة بالأنظمة الحالية، توفر هذه المنصة أربع مزايا رئيسية. تعمل بدون علامات على إزالة العلامات العاكسة أو المزروعة مع تقليل تعقيد الإجراءات وتأثيرات الحركةبشكل كبير 6. يتيح نظام التعليق المتكامل بقوة التغذية الراجعة دعما دقيقا لوزن الجسم (0-100٪)، مما يسهل تقييما شاملا للمشي عبر كامل فترة التحميل والتفريغ، وهو ما لا يوجد في أجهزة المشي التجارية7. تسمح بنية التعلم العميق بإعادة التدريب السريع على سلالات أو أعمار أو حالات مرضية جديدة، متفوقة على التتبع اليدوي في قابلية التوسع8. كما أن الإحداثيات المكانية متعددة المفاصل عالية الدقة تتيح تحليلا دقيقا للحركيات بين المفاصل مع التحليل الكمي لأنماط المشي الشاذة.

هذا البروتوكول قابل للتطبيق على نطاق واسع. يتيح دراسة التحكم فوق الشوكي، وحلقات التغذية الراجعة الحسية الحسية، وتآزر العضلات تحت متطلبات ميكانيكية معدلة9. من الناحية الفيزيولوجية المرضية، يوفر مؤشرات حيوية حساسة للحركة لإصابة الحبل الشوكي (SCI)، والسكتة الدماغية، والتنكس العصبي، والاعتلالات العصبية الطرفية، والاضطرابات العصبية العضلية 8,10. علاجيا، يدعم التقييم الطولي للتدخلات الدوائية أو الأجهزة بقوة إحصائية معززة من خلال حركيات عالية الدقة11. تسمح البنية المعيارية بالتكامل السلس مع المنصات المكملة، مثل تخطيط العضلات الكهربائي (EMG) أو إشارات الدماغ، مما يسهل فك التشفير الميكانيكي للارتباطات العصبية في حركة الأطراف السفلية.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تمت الموافقة على جميع إجراءات الحيوانات من قبل لجنة رعاية واستخدام الحيوانات المؤسسية في معهد بكين لأبحاث الدماغ وامتثلت لإرشادات العناية واستخدام الحيوانات المختبرية. لم تلاحظ أي أحداث جانبية مرتبطة بالإجراءات.

1. تجهيز المعدات

  1. شغل مزود الطاقة في جهاز المشي واختر زر التحكم في السرعة على شاشة اللمس.
  2. دع الحزام يعمل بسرعة منخفضة لمدة 30 ثانية لمراقبة ما إذا كان حزام جهاز المشي ينحرف أم لا.
  3. اختر زر التحكم في الميل ، ثم اضبط الميل على 0°، اضغط على الصفر، وتأكد من أن القيمة المعروضة تتطابق مع فقاعة المستوى.
  4. ادخل واجهة التعليق ، علق وزنا بوزن 10 جرام، وتحقق مما إذا كانت قراءة الشد قريبة من 0.10 نيوتن.
  5. شغل الحاسوب الصناعي (IPC) وادخل برنامج التقاط وتحليل الفيديو.
  6. أنشئ دليلا لتجربة اليوم، يتضمن معلومات مثل اسم التجربة، هوية الحيوان، مجموعة التجربة، السرعة، الانحدار، ونسبة تقليل الوزن.
  7. أصلح الكاميرا الصناعية عالية السرعة (UC70، الدقة: 1280X1024، معدل الإطارات: 60 إطار في الثانية)، المجهزة بعدسة تركيز يدوية (f = 12 مم)، على حامل من الألمنيوم. ضع عدسة الكاميرا عموديا على المحور الطولي لجهاز المشي لالتقاط رؤية جانبية صارمة، مع الحفاظ على مسافة عمل أفقية تبلغ 15 سم من مستوى حزام جهاز المشي.
  8. ضع العدسة أفقيا باستخدام مستوى الفقاعة وتأكد من أن جذع الفأر يشغل ثلثي الإطار المركزي. اضبط التركيز والفتحة حتى تصبح خطوط السلم على المسطرة الخلفية (شبكة 1 سم) واضحة جدا.
  9. انقر على المعاينة للتأكد من عدم وجود خط تتبع وأن سطوع الخلفية موحد. إذا كانت الصورة مظلمة جدا، استخدم ضوء خلفية لصمام ثنائي يصدر الضوء (LED) لزيادة السطوع؛ إذا كان التعرض مفرطا، قلل الكسب وضيق الفتحة بشكل مناسب.
  10. انقر على بدء التسجيل لاختبار جودة تسجيل البيانات. انقر على إيقاف التسجيل وحدد مسار تخزين البيانات. بعد إكمال اختبارات المعدات السابقة، ابدأ الاختبارات على الحيوانات.

2. اختبار تحضير الحيوانات والجري

  1. انقل الفأر مع قفصه الأصلي إلى غرفة التجارب ودعه يرتاح لمدة 10 دقائق. خلال هذه الفترة، يسمح بالوصول المجاني إلى الطعام والماء.
  2. سجل وزن الجسم باستخدام ميزان إلكتروني (دقيق حتى 0.1 جرام). أضف فئران ذات أوزان جسم متطابقة (±10 جرام) لتقليل التأثيرات المربكة لحجم الجسم.
  3. إذا لم يتباين لون فرو الأطراف الخلفية بشكل كاف مع الخلفية، استخدم ماكينة حلاقة كهربائية لإزالة شريط فرو بعرض 1 سم بلطف على الجانب الخارجي للفخذ وخلف الساق السفلية لتحسين دقة التعرف على المفاصل.
  4. ثم استخدم شريطا ناعما لقياس المسافة المستقيمة من الورك إلى الكاحل (مم)، والذي سيكون أساسا لتطبيع الخطوات اللاحقة.
  5. ارتد القفازات، أمسك الجرذ، ولف حزام الصدر المطاطي حول الإبط الأمامي، وربطه بسكة الانزلاق القابلة للتعديل. تأكد من أن الحزام فضفاض بما يكفي لإدخال إصبع واحد دون التأثير على تنفس الحيوان.
  6. قم بتدوير مقبض ذراع التعليق ببطء مع مراقبة قيمة الشد على الشاشة، مع زيادة تدريجيا إلى نسبة تقليل الوزن المستهدفة. تأكد من أن أطراف الجرذ الخلفية لا تزال تلامس الأرض بالكامل.
  7. اضبط ارتفاع قضيب القبضة. فك المقبض العلوي ووضع قضيب القبضة الأمامي قليلا أسفل طرف أنف الفأر عند الوقوف منتصبا، لضمان قدرة الحيوان على الإمساك به بسهولة دون الحاجة إلى إمالة رأسه للخلف بشكل مفرط أو الانحناء.
  8. على شاشة التحكم باللمس، اضبط السرعة على 150 مم/ثانية والميل على 0°. أجر جلسة تأقلم لمدة 10 دقائق لتكييف الحيوان مع مستوى الدعم المناسب لوزن الجسم. راقب الفأر بحثا عن علامات التوتر مثل التجمد، التبرز.
    1. إذا بقي المشي غير منتظم (معرف ب [>3 انقطاعات/دقيقة])، قم بتمديد المدة بزيادات مدتها دقيقتان، حتى حد أقصى 20 دقيقة.
  9. يعتبر التكيف ناجحا عندما يحافظ الفأر على خطوة مستمرة وموحدة لمدة لا تقل عن 60 ثانية دون سحب كفوف، ويتدلى الذيل بشكل طبيعي دون صلابة. استبعد الحيوانات التي لا تستوفي هذه المعايير بعد فترة التكيف القصوى.
  10. هنا تدخل المعايير المطلوبة للتجربة الرسمية. أدخل السرعة المطلوبة بشكل تسلسلي (أي قيمة بين 0-300 مم/ث) والميل (−30° إلى +30°) على شاشة اللمس، واختر اتجاه حزام جهاز المشي.
  11. بعد بدء جهاز المشي، راقب وضعية المشي للفأر. إذا انحرف عن المنطقة المركزية الثلثية، اضغط بلطف على الجدار الأيمن مرة واحدة بالمفتاح. معظم الحيوانات تصحح وضعها بنفسها. إذا لم تكن تصحيحان متتاليان غير فعالين، أعد وضع الفأر وأعد تسجيل التجربة.
  12. بعد التثبيت، اضغط على بدء التسجيل واستمر في التقاط خمس دورات مشية كاملة على الأقل.
  13. في نهاية كل تجربة، قم بتقليل السرعة فورا إلى 0، وفك حزام الصدر، وأعد الفأر إلى قفصه المناسب.
  14. أعط الماء خلال فترة الراحة، مع الفارق بين التجارب على الأقل 3 دقائق.
  15. سجل على الأقل ثلاث تجارب تحت نفس الظروف. إذا ركض الحيوان بشكل متواصل لأكثر من ست محاولات، أضف دقيقتين إضافيتين للراحة لمنع التعب التراكمي.
  16. قم بإجراء تدريب مسبق لمدة خمسة أيام متتالية قبل التجربة الرسمية: المشي لمدة 10 دقائق يوميا بسرعة 150 مم/ثانية، مع ميل 0°، وعدم تقليل الوزن بدون أي تغيير، مع مراقبة المشي.

3. استخراج بيانات المشي

  1. أولا، استخرج المقاطع التي تحتوي على المشي المستهدف، عادة حوالي 10 ثوان، والتي يجب أن تتضمن على الأقل 10 دورات مشية مستقرة قابلة للتحليل.
  2. استيراد ملف .mov إلى برنامج التحليل وتسجيل المعلومات الفردية للفئران، بما في ذلك رقم المعرف، والمجموعة، وظروف التجريب.
    ملاحظة: يستخدم النظام بنية YOLO-NAS Pos، وهي شبكة عصبية متطورة مصممة لتقدير الوضعيات عالية الأداء.
    بناء مجموعة البيانات: تم تدريب النموذج على مجموعة بيانات قوية تضم 6000 إطار فيديو. تم توضيح هذه الإطارات يدويا بإحداثيات خمسة مفاصل رئيسية للطرف الخلفي (القمة الحرقية، الورك، الركبة، الكاحل، والإصبع) باستخدام واجهة المستخدم الرسومية DeepLabCut لضمان دقة الحقيقة الأرضية.
    التدريب: خضعت الشبكة لتعلم النقل على وحدة معالجة رسومات NVIDIA RTX 3080 لتكييف أوزان وضعية YOLO-NAS مع الميزات المحددة للطرف الخلفي للجرذ.
    التهيئة الصحيحة: في البرنامج، اختر نموذج 'Rat_Hindlimb_YOLO_v1' المدرب مسبقا واضبط عتبة الثقة على 0.8 لاستبعاد نقاط المفتاح منخفضة اليقين.
    خلال مرحلة التحليل، يعالج نموذج YOLO-NAS Pose تدفق الفيديو إطارا بإطار. على عكس طرق الرؤية الحاسوبية التقليدية التي تعتمد على طرح الخلفية، فإن هذه البنية العميقة للتعلم العميق تقوم بتحديد موقع الفأر مباشرة وتتنبأ بالإحداثيات المشتركة داخل صندوق الإحداد.
    المعالجة اللاحقة: تستخرج الخوارزمية إحداثيات x و y من خرائط الاحتمالات. لتقليل التذبذب عالي التردد، يتم تطبيق مرشح وسيط (حجم النافذة: 3 إطارات) على المسارات الخام.
    المخرج: ينجح النظام في تثبيت الوصلات الخمسة المستهدفة داخل إطار الفيديو، مولدا إحداثيات مكانية محددة زمنيا لتسلسل المشي بأكمله. يتم تصدير هذه البيانات تلقائيا كملفات .csv للحساب الحركي. باستخدام مسطرة اللوحة الخلفية (شبكة 1 سم) التي تم التقاطها في نفس الوقت، ينشئ النظام علاقة تحويل، ويحسب عامل التحجيم تلقائيا، ويحول إحداثيات البكسل دفعة واحدة إلى مليمترات.
  3. تصدير إحداثيات الموقع المكاني لكل مفصل مع مرور الوقت كملف .csv لحساب المؤشر لاحقا.
    ملاحظة: يقوم البرنامج بحساب طول الخطوة، وتكرار الخطوات، وارتفاع القدم، ويصدر التغيرات في الموضع المكاني وزوايا المفاصل الخمسة للطرف السفلي مع مرور الوقت. استنادا إلى ارتفاع إصبع القدم، يقوم البرنامج تلقائيا بتقسيم كل خطوة إلى طور التأرجح وطور الوقفة، ويحسب نسبة طور التأرجح وطور الوقفة ضمن كل دورة مشية.

4. المقارنات الحركية بين المجموعات

  1. تطبيع كل دورة مشية داخل المجموعة من 0٪ (تلامس القدم) إلى 100٪ (نفس التلامس مع القدم مرة أخرى) لتوحيد أطوال الدورات المختلفة، مما يسهل متوسط المجموعات ومقارنتها. أنواع الصور التي يمكن إنشاؤها لتوضيح ديناميكيات المشي مقدمة في الملف التكميلي 1.

5. التحليل الإحصائي

  1. قم بإجراء جميع التحليلات الإحصائية باستخدام برنامج GraphPad Prism.
  2. تحقق من طبيعية توزيع البيانات باستخدام اختبار شابيرو-ويلك.
  3. للمقارنات التوضيحية للتحقق الحركي ومؤشر كتلة الجسم (BMI)، قدم البيانات كمتوسط ± SEM.
  4. تقييم الفروق بين الشرطين التجريبيين باستخدام اختبار t غير مقترن.
  5. عرف عتبات الدلالة الإحصائية بأنها *p < 0.05، **p < 0.01، و ***p < 0.005. لاحظ أن ما مجموعه n = 3 فئران تم تضمينها في هذه الدراسة التجريبية للتحقق من الصحة.

6. تضمين وحدة الفيزيولوجيا الكهربائية

  1. بعد الانتهاء من نمذجة الحيوان، قم بزرع جهاز التسجيل الكهربائي الفيزيولوجي.
  2. للتسجيل العصبي، ضع الأقطاب الكهربائية على سطح الجمجمة، أو المساحة فوق الجافية، أو القشرة الدماغية لتسجيل إشارات الدماغ.
  3. لتسجيل الحبل الشوكي، أدخل أقطاب تسجيل في الفضاء فوق الجافية للثقبة بين الفقرات.
  4. لتسجيل تخطيط العضلات، دفن أسلاك فضية ثنائية القطب في العضلات لتسجيل النشاط الكهربائي للعضلات.
  5. بعد الزرع، اترك الحيوان يتعافى لمدة 5-7 أيام، مع فحص الجرح والمشي يوميا للتأكد من عدم وجود علامات عدوى أو ألم قبل الانتقال إلى تجربة جهاز المشي.
  6. أكمل المعدات وتحضيرات الحيوانات كما هو موضح أعلاه.
  7. مزامنة مجموعة المعايير الكهربائية الفيزيولوجية وفيديوهات الحركة، لضمان مشاركة بيانات الفيزيولوجيا الكهربائية والفيديو في نفس الطابع الزمني.
  8. بعد جمع البيانات، قم بمحاذاة الإشارات العصبية مع إطارات الفيديو أثناء التحليل لمراقبة الأنماط الكهربائية الفيزيولوجية في مراحل مختلفة من دورة المشي بشكل حدسي، مما يوفر دليلا مباشرا لاستكشاف آلية الاقتران المركزي والمحيطي.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

المخطط التخطيطي والصورة الفعلية لبنية نظام جهاز المشي موضحة في الشكل 1A,B على التوالي. يستطيع الجهاز الحصول على صور جانبية عالية التباين بدون علامات. يدعم جهاز المشي تعديلات للسرعة والميل والاتجاه وتقليل الوزن، ومزود بلوحة تحكم رقمية. تشمل واجهة البرمجيات المصاحبة واجهة مراقبة واكتساب في الوقت الحقيقي، بالإضافة إلى واجهة لرفع الفيديو وتحليل استخراج المشي. يدمج مع وحدة تعلم عميق لتعليق المشي التلقائي، والتي يمكنها الحصول على بيانات حركة مستمر...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يحدد هذا البروتوكول نظام تحليل المشي القائم على جهاز المشي للفئران وإجراءاته التشغيلية، مما يوفر أداة تقييم متعددة الأبعاد وموضوعية لأبحاث السلوك العصبي العضلي. كما ظهر في المقارنات بين المجموعات لمعايير المشي بين الشوكي والفئران الصحية ضمن الدراسة النموذجية، يكتسب النظام إحداثيات الحركة المكانية الخام لأطراف السفلية للمشاركين من خلال تصوير فيديو مستمر عالي الإطارات وخوارزمية تعليق آلية متعددة المفاصل مدفوعة بالذكاء الاصطناعي. يتيح ذلك تحليلات كمية شاملة وتمثيلات بيانية، بما في ذلك مسارا...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم تطوير جهاز المشي MOVEMETRICS وخوارزمية البرمجيات MouseAI المستخدمة في هذه الورقة بواسطة شركة شنغهاي لينايان للتكنولوجيا المحدودة. يعلن المؤلفون أنه لا توجد مصالح مالية أخرى بجانب التعاون الفني، وأن الشركة لم تشارك في جمع البيانات أو تحليلها أو تفسير النتائج، وبالتالي لم يؤثر ذلك على موضوعية الدراسة.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

حظي البحث بدعم من المؤسسة الوطنية للعلوم الطبيعية في الصين (المنحة رقم 82501640) والمعاهد الصينية للأبحاث الطبية في بكين (منحة رقم: CX25YQ06).

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
ملاحظة الذكاء الاصطناعي للمشي وتعليقات برنامج الاستحواذشركة شنغهاي كلين أيت ترائيل تكنولوجي المحدودةMouseAIMouseAI هو برنامج التحليل المتكامل
لجهاز المشي MOVEMETRICS، حيث يوحد تسجيل الفيديو، وتسجيل البيانات الوصفية، وتحليل المشي الآلي في سير عمل واحد.
التأثير الميكانيكي عيادة RWD لايف ساينس، شنتشن، الصين
نظام التسجيل المنطقي متعدد القنوات للفيزياء الكهربائيةكيدو (سوشو) الدماغ - شركة تكنولوجيا الحاسوب،  كيدو بي سي RHD128AKedouBC RHD128A هو نظام اكتساب فيزيولوجيا كهربائية مدمجة ب 128 قناة
في الجسم الحي، تم تصميمها لتسجيل عصبي عالي الدقة في الحيوانات المختبرية الصغيرة إلى الكبيرة. يدمج الأنظمة خفيفة الوزن وأنظمة التوصيل والتشغيل (&le 1.3g)، وتحويل A/D بطول 16 بت، ومضخمات قابلة للبرمجة، تلتقط إشارات EEG، ECoG، LFP، المسامير، EMG وECG من 0.1 هرتز إلى 30 كيلوهرتز مع &le؛ 2.4 وميكرو؛ ضوضاء نظام V و> 10 GΩ مقاومة الإدخال. يقدم RHD128A بيانات عصبية قوية وقابلة للتوسع من قبل المستخدم لتسريع الدراسات في واجهات الدماغ والآلة،
التنكس العصبي وإعادة التأهيل.
جهاز المشيشركة شنغهاي كلين أيت ترائيل تكنولوجي المحدودةموفميتريكسMOVEMETRICS هو جهاز مشي عالي الدقة
لتحليل مشي القوارض المتقدم.

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Koch, V., et al. Outcome measures of instrumented gait analysis in hereditary spastic paraplegia: a systematic review. J Neuroeng Rehabil. 22 (1), 129(2025).
  2. Han, X., Guffanti, D., Brunete, A. A comprehensive review of vision-based sensor systems for human gait analysis. Sensors (Basel). 25 (2), 498(2025).
  3. Hamers, F. P., Koopmans, G. C., Joosten, E. A. CatWalk-assisted gait analysis in the assessment of spinal cord injury. J Neurotrauma. 23 (3-4), 537-548 (2006).
  4. Lu, Y., et al. Three-phase enriched environment improves post-stroke gait dysfunction via facilitating neuronal plasticity in the bilateral sensorimotor cortex: a multimodal MRI/PET analysis in rats. Neurosci Bull. 40 (6), 719-731 (2024).
  5. Neckel, N. D. Novel spatiotemporal analysis of gait changes in body weight supported treadmill trained rats following cervical spinal cord injury. J Neuroeng Rehabil. 14 (1), 96(2017).
  6. Dienes, J. A., et al. Analysis and modeling of rat gait biomechanical deficits in response to volumetric muscle loss injury. Front Bioeng Biotechnol. 7 (1), 146(2019).
  7. de Leon, R. D., Dy, C. J. What did we learn from the animal studies of body weight-supported treadmill training and where do we go from here. J Neurotrauma. 34 (9), 1744-1750 (2017).
  8. Li, H., He, Q., Wu, L. Detection of brain abnormalities in Parkinson's rats by combining deep learning and motion tracking. IEEE Trans Neural Syst Rehabil Eng. 31 (1), 1001-1007 (2023).
  9. Takeoka, A., Vollenweider, I., Courtine, G., Arber, S. Muscle spindle feedback directs locomotor recovery and circuit reorganization after spinal cord injury. Cell. 159 (7), 1626-1639 (2014).
  10. Van Criekinge, T., et al. A full-body motion capture gait dataset of 138 able-bodied adults across the life span and 50 stroke survivors. Sci Data. 10 (1), 852(2023).
  11. Datta Gupta, A., Tucker, G., Koblar, S., Visvanathan, R., Cameron, I. D. Spatiotemporal gait analysis and lower limb functioning in foot dystonia treated with botulinum toxin. Toxins (Basel). 10 (12), 532(2018).
  12. Mathis, A., et al. DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nat Neurosci. 21, 1281-1289 (2018).
  13. Cicirelli, G., et al. Human gait analysis in neurodegenerative diseases: a review. IEEE J Biomed Health Inform. 26 (1), 229-242 (2022).
  14. Basso, D. M., Beattie, M. S., Bresnahan, J. C. A sensitive and reliable locomotor rating scale for open field testing in rats. J Neurotrauma. 12 (1), 1-21 (1995).
  15. Bhimani, A. D., et al. Functional gait analysis in a spinal contusion rat model. Neurosci Biobehav Rev. 83 (1), 540-546 (2017).
  16. Dewberry, L. S., Cruz, C. J., Southern, K. M., Otto, K. J., Allen, K. D. Pipeline validation for rodent gait analysis using DeepLabCut. J Biomech Eng. 147 (11), (2025).
  17. Kirkpatrick, N. J., Butera, R. J., Chang, Y. H. DeepLabCut increases markerless tracking efficiency in X-ray video analysis of rodent locomotion. J Exp Biol. 225 (16), (2022).
  18. Moraud, E. M., et al. Mechanisms underlying the neuromodulation of spinal circuits for correcting gait and balance deficits after spinal cord injury. Neuron. 89 (4), 814-828 (2016).
  19. Wenger, N., et al. Spatiotemporal neuromodulation therapies engaging muscle synergies improve motor control after spinal cord injury. Nat Med. 22 (2), 138-145 (2016).
  20. Kathe, C., et al. The neurons that restore walking after paralysis. Nature. 611 (7936), 540-547 (2022).
  21. Skinnider, M. A., et al. Single-cell and spatial atlases of spinal cord injury in the Tabulae Paralytica. Nature. 631 (8019), 150-163 (2024).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Deep Learning TrackingHindlimb KinematicsRat Gait AnalysisMulti Joint TrackingMarkerless Gait SystemSpinal Cord InjuryTreadmill LocomotionElectrophysiological RecordingJoint Trajectory AnalysisMovement Smoothness

Related Articles