自动化大鼠单颗粒抓取任务结合爪和指轨迹的三维重建

摘要

啮齿类动物的熟练抓取任务常用于研究灵巧技能，但该任务的实施和行为分析通常需要耗费大量时间和精力。本文介绍了一种自动化熟练抓取方法，结合运动追踪与抓取轨迹的三维重建技术。

摘要

啮齿类动物熟练抓取任务常用于研究灵巧技能，但实施该任务并分析行为通常需要耗费大量时间和精力。近年来已开发出若干种自动化的熟练抓取系统。本文介绍一种可自动向大鼠呈现食物颗粒，并以高帧率（300 fps）从多个角度同步记录高清视频的系统。系统采用深度学习姿态估计算法 DeepLabCut，对动物的前爪及各个脚趾进行无标记追踪。该系统还可与生理信号记录设备同步，或用于触发生理干预措施（如电刺激或光刺激）。

引言

人类高度依赖灵巧技能，即需要精确协调多个关节和手指运动的动作。这些技能会受到多种常见中枢神经系统病理状况的影响，包括结构性病变（例如中风、肿瘤、脱髓鞘病变）、神经退行性疾病（例如帕金森病）以及运动环路的功能异常（例如肌张力障碍）。因此，理解灵巧技能如何由中枢运动环路学习和执行，有望改善大量人群的生活质量。此外，这种理解还可能通过优化训练和康复策略，提高健康个体的运动表现。

由于技术和伦理方面的限制，解析人类灵巧技能背后的神经环路研究不得不依赖动物模型。非人灵长类动物因其运动系统和行为模式与人类相似，常被用于研究灵巧的肢体运动¹。然而，非人灵长类动物饲养成本高且世代周期长，限制了研究对象的数量以及基因干预的可能性。此外，尽管适用于非人灵长类动物的神经科学研究工具比人类更多，但许多近年来的技术进展在灵长类动物中要么不可用，要么应用受到显著限制。

啮齿类动物的熟练抓取是一种研究灵巧运动控制的补充方法。大鼠和小鼠可被训练以固定的动作序列抓取、握持并取回糖丸，这些动作序列与人类的抓取模式同源²。由于其相对较短的繁殖周期、较低的饲养成本，以及在数天至数周内即可掌握熟练抓取能力的特点，研究者可在学习和技能巩固阶段对大量受试动物进行观察。使用啮齿类动物（尤其是小鼠）还有助于结合现代神经科学的强大工具（例如光遗传学、钙成像、疾病遗传模型）来研究灵巧技能的神经机制。

多年来，啮齿类动物的熟练抓取行为被用于研究正常的运动控制及其在中风和帕金森病等特定病理状态下的变化³。然而，该任务的大多数版本均耗时且劳动强度大，限制了啮齿类动物研究的优势。典型的实验方法是将啮齿类动物置于一个抓取装置中，装置前方设有一个狭窄的狭缝，动物必须通过该狭缝进行抓取。研究人员手动将糖丸放置在平台之上，等待动物完成抓取动作后，再放置下一个糖丸。抓取动作的成功或失败通常通过实时观察或回看视频的方式进行评分⁴。然而，仅以成功或失败来评分会忽略丰富的运动学数据，而这些数据能够揭示抓取功能受损的具体方式（而不仅仅是判断是否受损）。为解决这一问题，已有研究通过对抓取视频进行详细回放，识别并半定量评分抓取过程中的子运动阶段⁵。尽管这种方法增加了部分运动学信息，但也显著增加了实验人员的时间和工作负担。此外，实验过程中高度依赖人工操作可能导致方法学和数据分析上的不一致性，即使在同一实验室内部亦然。

近年来，已开发出多种自动化的熟练抓取装置。其中一些装置可直接连接至动物的饲养笼^6,7，从而无需转移动物。这不仅减少了动物的应激反应，也避免了让其适应专用抓取装置的需要。其他版本则具备爪子追踪功能，可用于研究特定干预措施下的运动学变化^8,9,10，或配备自动检测机制以判断颗粒是否被从支架上击落¹¹。自动化熟练抓取任务特别适用于高强度训练，例如损伤后康复过程中所需的情况¹²。自动化系统使动物能够在较长时间内完成大量抓取动作，而无需研究人员大量参与。此外，具备爪子追踪和自动结果评分功能的系统可显著减少研究人员在数据分析上所花费的时间。

我们开发了一套具有多种专门特性的自动化大鼠熟练抓取系统。首先，通过使用可移动的基座从下方将食物丸送至“抓取位置”，我们获得了前肢近乎无遮挡的视野。其次，利用镜面系统结合单个相机实现抓取动作的多角度同步成像，从而可使用高分辨率、高速（300帧/秒）相机对抓取轨迹进行三维（3-D）重建。随着近年来无标记运动追踪机器学习算法的成熟¹³，我们现在不仅能追踪 paw（爪部），还能追踪各个指节，以提取详细的抓取和握持运动学参数。第三，系统配备的图像采集卡可执行简单的视频处理，实现实时识别抓取过程中的不同阶段。该信息可用于触发视频记录（由于文件体积限制，连续视频记录不切实际），也可用于在精确时间点触发干预操作（例如光遗传学刺激）。最后，单个视频帧由晶体管-晶体管逻辑（TTL）脉冲触发，从而实现视频与神经信号记录（例如电生理或光度记录）的精确同步。本文将详细介绍该系统的搭建方法、大鼠任务训练流程、设备与外部系统的同步方式，以及三维抓取轨迹的重建过程。

方案

本文所述所有涉及动物使用的实验方法均已获得密歇根大学机构动物护理和使用委员会（IACUC）的批准。

1. 设置取食箱

注意：有关仪器的详细信息和示意图，请参见 Ellens 等人¹⁴。零件编号参考图 1。

1. 使用丙烯酸胶水将透明聚碳酸酯板粘合，构建取食箱（15 cm 宽 × 40 cm 长 × 40 cm 高）（部件 #1）。其中一侧板（部件 #2）设有带锁的铰链门（18 cm 宽 × 15 cm 高）。若大鼠需连接电缆，应在箱顶开一条缝隙（5 cm 宽 × 36 cm 长）以容纳电缆（部件 #12）。底板上钻有18个孔（直径 1.75 cm）（部件 #13），且不与箱体其余部分粘合。
2. 将红外传感器（部件 #3）安装在侧板上，距箱体后端 4.5 cm，距地面 3.8 cm 处，并进行对齐。行为学软件中设有指示灯（“IR Back”），当红外光束未被阻断时显示绿色，阻断时显示红色。软件设置完成后，可用此功能检查传感器的对准情况。
3. 在取食槽上方 10 cm 处安装一面镜子（15 cm × 5 cm，部件 #4），调整镜面角度，使摄像机能观察到食丸递送杆。
4. 将取食箱放置在一个可消毒的支撑箱（59 cm 宽 × 67.3 cm 长 × 30.5 cm 高，部件 #5）上。支撑箱顶部开有一个孔（12 cm 宽 × 25 cm 长），使箱内垫料可通过底板孔（部件 #13）掉落并离开取食箱。在取食槽前方的支撑箱上另开一个孔（7 cm 宽 × 6 cm 长，部件 #15），用于容纳食丸递送杆将食丸送至取食槽。
5. 使用磁铁将两面镜子（8.5 cm 宽 × 18.5 cm 高，部件 #6）固定在底板上，分别置于箱体两侧，使镜子长边紧贴侧板，距取食箱前端 3 cm。调整镜面角度，使摄像机能观察到箱内及取食槽前方食丸递送区域。
6. 将高清摄像机（部件 #7）安装在距取食槽 17 cm 处，正对箱体。
7. 在摄像机两侧安装黑色纸张（部件 #18），使侧镜中的背景呈深色，以增强对比度，提高实时和离线爪部检测的准确性。
8. 使用螺丝将线性执行器（部件 #16）安装在可消毒的支架（25 cm 宽 × 55 cm 长 × 24 cm 高，部件 #8）上。执行器倒置安装，以防止食丸粉尘进入其位置传感电位计内部。
9. 在食丸储存器（漏斗）颈部插入泡沫O形圈（部件 #9），防止粉尘在组件内积聚。通过将漏斗边缘套在支架顶部下方的三颗螺丝上，将漏斗安装在支架顶部的孔（约 6 cm 直径，部件 #17）下方。将导管（部件 #10）插入漏斗颈部。
10. 将塑料T型接头连接至执行器钢杆末端。将食丸递送杆的锥形端插入接头上部，杯状端穿过导管进入食丸储存器。
11. 将线性执行器组件置于熟练取食箱下方，使食丸递送杆可穿过取食槽前方的孔（部件 #15）。
12. 将整个取食装置放入带轮柜（121 cm × 119 cm × 50 cm）中，柜内配备计算机风扇通风（强光照射下内部易升温），内壁贴附吸音泡沫。
13. 通过将LED灯条粘贴在 20.3 cm × 25.4 cm 的支撑板上，制作五块照明板（部件 #11）。在灯条上方覆盖漫射膜。在取食槽上方箱顶安装一块照明板，其余四块沿柜体侧面围绕取食箱安装。
    注：为实现实时爪部识别，必须充分照亮取食槽及食丸递送杆周围区域。

2. 设置计算机和硬件

1. 根据制造商的说明安装 FPGA 图像采集卡和数字扩展卡（参见材料表）。
   注意：我们建议至少配备 16 GB 内存和内置固态硬盘用于数据存储，因为高速视频的流式传输需要较大的缓冲容量。
2. 安装高清相机的驱动程序，并将其连接至 FPGA 图像采集卡。行为学软件必须处于运行状态并与相机进行通信，才能使用与相机相关的软件功能。
   注意：所提供的代码（见补充文件）会访问相机中的可编程寄存器，可能与其他品牌不兼容。我们建议录制帧率至少为 300 帧每秒（fps）；在 150 fps 时，我们发现常会遗漏爪子姿势的关键变化。
3. 将“SR Automation_dig_ext_card_64bit”中的所提供代码（项目）复制到计算机中。

3. 行为训练

1. 训练前准备大鼠。
   1. 将Long-Evans大鼠（雄性或雌性，年龄10–20周）以每笼2–3只的密度群养于反向光/暗循环环境中。训练前3天开始进行食物限制，使大鼠体重维持在基础体重以下10–20%。
   2. 每天对大鼠进行数分钟的人工接触，持续至少5天。接触后，在每只大鼠的饲养笼中放置4–5粒糖丸，以使其适应这种新食物。
2. 使大鼠适应取食装置（1–3天）
   1. 打开LED灯，并在装置的前部和后部各放置3粒糖丸。
   2. 将大鼠放入装置中，允许其自由探索15分钟。观察其是否食用糖丸。重复此阶段，直至大鼠能够吃掉地面上的所有糖丸。
   3. 在不同大鼠之间使用乙醇清洁装置。
      注：训练和测试应在暗期进行。每天在相同时间训练大鼠。
3. 训练大鼠进行取食动作并观察其利爪偏好（1–3天）。
   1. 打开灯光，将大鼠放入精细取食装置中。
   2. 使用镊子通过箱体前端的取食狭缝持住一粒糖丸（图1，图2）。允许大鼠从镊子中取食3粒糖丸。
   3. 当下一次大鼠试图从镊子中取食糖丸时，将糖丸向后撤回。最终，大鼠会尝试用其爪子去抓取糖丸。
   4. 重复此过程11次。在11次尝试中，大鼠使用次数最多的爪子即为其“利爪偏好”。
      注：一次尝试定义为爪子伸出超过取食狭缝。大鼠无需成功获取并吃掉糖丸也算一次尝试。
4. 训练大鼠向糖丸递送杆取食（1–3天）
   1. 将糖丸递送杆对准大鼠利爪对侧的取食狭缝一侧（使用定位导板确保递送杆位置一致，距离取食装置前端1.5 cm）。递送杆顶端应与取食狭缝底端对齐（图2B）。在递送杆上放置一粒糖丸。
      注：将递送杆置于大鼠利爪对侧，可使其难以用非利爪获取糖丸。我们尚未发现大鼠使用非利爪的问题。但在某些模型（如脑卒中模型）中仍可能发生，此时可增加对非利爪取食肢体的限制。
   2. 用镊子持糖丸引诱大鼠，但引导其向递送杆方向移动，使其爪子触碰到杆上的糖丸。若大鼠将糖丸从杆上击落，则重新放置。部分大鼠初始时伸出距离不足，此时可将递送杆移近取食狭缝，随着大鼠表现改善再逐渐将其移远。
   3. 经过约5–15次引诱性取食后，大鼠将开始自发地向递送杆上的糖丸取食。当大鼠在无引诱情况下连续尝试10次向递送杆取食后，即可进入下一阶段。
5. 训练大鼠主动请求糖丸（2–8天）。
   注：尽管我们训练大鼠取食糖丸的成功率为100%，但约有10%的大鼠无法学会通过移动到装置后部来请求糖丸。
   1. 根据大鼠的利爪偏好定位糖丸递送杆，并将其设置在位置2（图2A）。使用驱动器遥控器调节递送杆的高度。同时按住按钮1和2可使递送杆上升，同时按住按钮3和2可使其下降。当递送杆达到合适高度后，长按目标数字直至指示灯红闪，以完成设定。
   2. 将大鼠放入装置中，并用糖丸引诱其向后移动。当大鼠向后移动足够远，足以触发红外光束（如同自动模式运行时的情况），即将递送杆移至位置3（图2B）。
   3. 等待大鼠伸手取食糖丸后，再将递送杆移回位置2（图2A）。若糖丸被击落，则重新放置一粒新糖丸。
   4. 重复上述步骤，逐渐减少引诱次数，直至大鼠能够：（i）在无引诱情况下主动移动到后部请求糖丸；（ii）在后部请求糖丸后立即返回前部。当大鼠连续完成该行为10次后，即可进入自动化任务训练阶段。

4. 使用自动化系统训练大鼠

1. 设置自动化系统。
   1. 打开操作箱内的照明灯，并在需要时补充颗粒饲料储槽。
   2. 根据大鼠前肢偏好调整颗粒投送杆的位置。检查执行器的位置是否已正确设置（如 图2A 所示）。
   3. 打开计算机并启动“熟练抓取程序”（SR_dig_extension_card_64bit_(HOST)_3.vi）。在 Subject 栏下输入大鼠编号，并从 Hand 下拉菜单中选择前肢偏好。指定视频的 Save Path。
   4. 设置 Session Time 和 Max Videos（达到该视频数量后会结束实验）。程序将在任一条件先达到时停止运行。
   5. 设置 Pellet Lift Duration（大鼠请求颗粒后，投送杆保持在位置“3”的持续时间）。启用或禁用 Early Reach Penalty（若大鼠在未请求颗粒前即进行抓取动作，投送杆将重置回位置“1”，再返回位置“2”）。
2. 采集校准图像。三维轨迹重建使用计算机视觉工具箱确定合适的变换矩阵，这需要识别各视角中的匹配点。为此，请使用一个各面贴有棋盘格图案的小立方体（图3）。
   1. 将辅助夹具放入抓取操作箱内，将鳄鱼夹穿过抓取狭缝，并用鳄鱼夹夹住立方体，使其位于抓取狭缝前方。
   2. 调整立方体位置，使红色面出现在上方反射镜中，绿色面出现在左侧反射镜中，蓝色面出现在右侧反射镜中。三个面的整个表面均应在对应反射镜中清晰可见（图3）。
   3. 在行为程序中，确保 ROI Threshold 设置为一个极大值（例如 60000）。点击运行按钮（白色箭头）。当 Camera Initialized 按钮变为绿色后，按下 START。注意此时正在采集视频。
   4. 点击 Cal Mode，然后点击 Take Cal Image 采集图像。图像保存路径将显示在“.png path”下方，文件名格式为“GridCalibration_YYYYMMDD_img#.png”。
   5. 轻微移动立方体，再次采集图像。重复此过程，共采集 3 张图像。
   6. 点击 STOP，然后点击停止按钮以结束程序。从箱体内移除辅助夹具和立方体。
   7. 当天完成校准图像采集后，务必避免触碰行为箱内的任何部件。若任何部件发生移动，则需重新采集新的校准图像。
3. 运行自动化系统。
   注意：在正式采集数据前，需先为每面反射镜确定“ROI Threshold”参数（如下所述）。确定参数后，可在程序启动前预设这些值，并在采集过程中根据需要进行调整。
   1. 将大鼠放入熟练抓取操作箱。点击白色箭头运行程序。
   2. 在点击 START 前，通过调整 x-Offset（ROI矩形左上角的x坐标）、y-Offset（ROI矩形左上角的y坐标）、ROI Width 和 ROI Height，设定用于检测前肢的ROI区域位置。
   3. 将ROI区域置于显示前肢背侧的侧向反射镜中，正对抓取狭缝（图2C）。确保颗粒投送杆不会进入ROI区域，且ROI不延伸至箱体内，以防止颗粒或大鼠毛发在非抓取状态下触发视频记录。
   4. 点击 START 开始程序运行。
   5. 调节“Low ROI Threshold”值，使“Live ROI Trigger Value”在大鼠未抓取时在“0”和“1”之间波动。该值表示ROI区域内处于阈值范围内的像素数量。
   6. 设置 ROI Threshold。观察大鼠将鼻部探入ROI区域以及抓取颗粒时的 Live ROI Trigger Value。设定ROI阈值，使其显著高于鼻部探入时的“Live ROI Trigger Value”，但低于抓取时的“Live ROI Trigger Value”，以确保仅在大鼠抓取时稳定触发视频记录，而鼻部探入时不触发。
      注意：此设定假设前肢颜色比鼻部浅；若前肢颜色更深，则调节方式相反。
   7. 监控前几次试验，确保系统正常运行。当大鼠在未请求颗粒前（投送杆位于位置“2”）即进行抓取时，“Early Reaches”计数增加；当大鼠在请求颗粒后（投送杆位于位置“3”）进行抓取时，“Videos”计数增加，并以“RXXXX_YYYYMMDD_HH_MM_SS_trial#”命名保存一个.bin格式的视频文件。
      注意：默认设置为触发事件前记录300帧（即1秒），触发事件后记录1000帧（可在软件中配置），该时长足以包含完整的抓取-握持动作，包括前肢回缩过程。
   8. 当达到设定的实验时长或最大视频数量时，程序自动停止。按下停止按钮结束运行。
   9. 用乙醇清洁操作箱，然后进行下一只大鼠的实验；若当日实验结束，则进入视频转换步骤。
4. 将.bin文件转换为.avi文件。
   注意：采集过程中压缩视频会导致丢帧，因此采集时以二进制文件形式直接流式写入磁盘（由于数据传输速率高，建议使用固态硬盘）。这些二进制文件必须在离线状态下进行压缩，否则存储需求将极为庞大。
   1. 打开“bin2avi-color_1473R_noEncode.vi”程序。
   2. 在“File Path Control”下点击文件夹按钮，选择要转换的实验会话（例如 R0235_20180119a）。可依次选择最多六个会话。
   3. 点击白色箭头（运行）后点击“START”开始转换。可通过“Overall Progress (%)”进度条监控视频压缩过程。程序需整夜运行。
   4. 次日开始动物训练前，检查视频是否已完成转换，并删除原始.bin文件，以腾出空间用于采集新数据。

5. 使用 DeepLabCut 分析视频

注意：每种前爪偏好（右前爪和左前爪）及每种视角（右利手大鼠的直接视角和左侧镜像视角，左利手大鼠的直接视角和右侧镜像视角）均需训练不同的网络。顶部镜像视角不用于三维重建，仅用于检测鼻部何时进入槽口，该信息可用于触发干预操作（例如光遗传学干预）。随后，每个网络用于分析针对相应前爪和视角裁剪后的视频集合。

1. 训练 DeepLabCut 网络（详细说明请参见 https://github.com/AlexEMG/DeepLabCut 上的 DeepLabCut 文档）。
   1. 在 DeepLabCut 中创建并配置一个新项目，DeepLabCut 是一种用于无标记姿态估计的机器学习算法¹³。
   2. 使用该程序从熟练抓取视频中提取帧，并在程序界面中裁剪图像以包含所需视图（直接视图或镜像视图）。裁剪的帧应足够大，以确保大鼠和两只前爪均可见。
      注意：网络通常需要 100–150 个训练帧。当爪子位于腔内时，相比腔外情况需要更多的训练帧，这是由于光照条件所致。更紧凑的裁剪可减少处理时间，但需确保裁剪区域足够大，以检测每只大鼠爪子的完整运动轨迹。裁剪区域应足够宽，以便在直接视图中容纳大鼠整个身体，在镜像视图中尽可能深入地看到腔内，并看到递送杆前方区域。
   3. 使用程序的图形用户界面（GUI）标注身体部位。在每一帧中标注 16 个点：4 个掌指关节（MCP 关节）、4 个近端指间关节（PIP 关节）、4 个指尖、抓取侧前爪背侧、鼻尖、非抓取侧前爪背侧以及食物丸（图 4）。
   4. 按照 DeepLabCut（以下简称 DLC）的说明创建训练数据集、训练网络并评估训练后的网络。
2. 分析视频并优化网络。
   1. 在使用新训练的网络分析所有视频之前，先分析 10 个视频以评估网络性能。如果某些姿态存在持续性错误，则提取包含这些姿态的额外训练帧，并重新训练网络。
   2. 分析视频时，务必输出 .csv 文件，这些文件将作为三维轨迹重建代码的输入。

6. 盒子校准

注意：这些说明用于确定将直接视图和镜像视图中识别的点转换为三维坐标的变换矩阵。有关最新版本以及如何使用 boxCalibration 软件包的更多详细信息，请参见 Leventhal 实验室 GitHub 页面：https://github.com/LeventhalLab/boxCalibration，其中包含其使用的分步说明。

1. 将所有校准图像收集到同一个文件夹中。
2. 使用 ImageJ/Fiji 软件，手动标记每张校准图像中的棋盘格点。将该图像保存为“GridCalibration_YYYYMMDD_#.tif”格式，其中“YYYYMMDD”对应校准图像的日期，“#”为该日期下的图像编号。
   1. 使用 ImageJ 中的测量功能（在工具栏中选择 分析 | 测量），将显示一个包含所有已标记点坐标的表格。将此文件保存为“GridCalibration_YYYYMMDD_#.csv”格式，其中日期和图像编号需与对应的 .tif 文件一致。
3. 从 boxCalibration 软件包中打开“setParams.m”文件。该文件包含所有必需变量及其说明。根据项目的具体要求，修改相应变量。
4. 运行 calibrateBoxes 函数。命令窗口中将出现多个提示。第一个提示询问是否分析文件夹中的所有图像。输入 Y 将结束后续提示，并对所有日期的所有图像进行分析；输入 N 则会提示用户输入需要分析的日期。
   注意：将在校准图像文件夹中创建两个新目录：“markedImages”目录包含带有用户定义棋盘格标记的校准图像的 .png 文件；“boxCalibration”目录包含含有盒式校准参数的 .mat 文件。
5. 运行 checkBoxCalibration 函数。这将在“boxCalibration”文件夹中创建一个名为“checkCalibration”的新文件夹。每个日期对应一个子文件夹，其中包含图像和多个 .fig 文件，用于验证盒式校准是否准确完成。

7. 重建三维轨迹

1. 将包含学习程序输出的 .csv 文件按照 reconstruct3Dtrajectories 脚本中描述的目录结构进行整理。
2. 运行 reconstruct3Dtrajectories。该脚本将搜索目录结构，并根据学习程序中的名称匹配直接视图与镜像视图的对应点（在两个视角中使用相同的身体部位名称非常重要）。
3. 运行 calculateKinematics。该脚本从三维轨迹重建结果中提取简单的运动学特征，可根据具体需求进行定制。
   注意：软件会基于相邻身体部位及其在互补视角中的位置来估计被遮挡身体部位的位置（例如，直接相机视角中某身体部位的位置会限制其在镜像视角中的可能位置）。当爪子在穿过狭缝时在镜像视图中被遮挡，其坐标将根据相邻帧进行插值估算。

结果

大鼠在适应装置后能够快速掌握熟练抓取任务，抓取次数和准确率在1–2周内即达到稳定状态（图5）。图6展示了由DeepLabCut识别出的结构的视频帧示例，图7展示了一次实验中单次抓取动作的叠加轨迹。最后，图8说明了当爪子检测触发设置不准确时（步骤4.3.4–4.3.6）可能出现的情况：爪子进入抓取狭缝时对应的帧数存在显著变异。这在分析抓取运动学时并非主要问题，但可能导致在抓取动作过程中触发干预措施（如光遗传学刺激）的时间出现变异。

讨论

啮齿类动物的熟练抓取已成为研究运动系统生理学和病理生理学的标准工具。我们已阐述如何实施一种自动化的大鼠熟练抓取任务，该任务可实现：在几乎无需人工监督的情况下进行训练与测试，对前爪及指头在抓取、握持及前爪回缩过程中的三维运动轨迹进行重建，实时识别抓取过程中的前爪，并与外部电子设备同步。该方法非常适合将前肢运动学与生理学数据进行关联分析，或在抓取动作过程中实施精确时间控制的干预。

自从我们首次报道该设计以来¹⁴，我们的训练效率已显著提高，几乎100%的大鼠能够掌握该任务。我们已确定了若干导致训练持续成功的关键因素。与许多以饥饿为动机的任务一样，在限制热量摄入期间应密切监测大鼠，使其体重维持在预期体重的80–90%。在训练前每日对大鼠进行抓握操作至关重要，有助于使其适应人类接触。应先训练大鼠学会伸手动作，再学习返回箱体后部以索取食物颗粒——这将显著缩短训练时间，并提高大鼠掌握任务的可能性。最后，当大鼠在看似完全相同的箱体之间转移时，其伸手次数常会减少。这一现象在首次使用箱体时尤为明显。我们推测这可能是由于不同箱体间气味差异所致。无论原因如何...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
透明聚碳酸酯板	TAP Plastics		按需裁剪（参见盒装设计）
红外光源/探测器	Med Associates	ENV-253SD	30" 范围
相机	巴斯勒	acA2000-340kc	2046 x 1086 CMV2000 340 帧/秒 彩色相机连接
相机镜头	百万像素（computar）	M0814-MP2	2/3" 8mm f1.4 带锁紧光圈 &和；聚焦
相机线缆	巴斯勒	#2000031083	Cable PoCL Camera Link SDR/MDR 全型，5 米 - 数据线缆
镜子	亚马逊
线性执行器	同心圆	LACT6P	线性执行器 6" 行程（标称值）、110磅力、12伏直流电，带电位计
沉淀物储液槽/漏斗	阿米科（亚马逊）	a12073000ux0890	6" 漏斗
导管	ePlastics	ACREXT.500X.250	1/2" 光密度 × 1/4" ID 透明。挤压成型亚克力管 x 6 英尺长
沉淀物递送杆	ePlastics	ACRCAR.250	0.250" DIA. 浇铸亚克力棒（2英尺长）
塑料T型连接头	美国塑料公司	#62065	3/8" x 3/8" x 3/8" 黑色高密度聚乙烯软管三通接头
LED 灯	照明 EVER	4100066-DW-F	12V 柔性防水 LED 灯带，LED 胶带，日光白色，超亮 300 个 5050 LED，16.4 英尺 5 米整卷
浅色衬底	ePlastics	ACTLNAT0.125X12X36	0.125" × 12" × 36" 天然乙醛酸酯板
光扩散膜	可发明物	23114-01	.007×8.5×11"，双面哑光
柜体与定制框架材料	各种（Home Depot 等）		3/4" 纤维板（各结构尺寸见实验方案）
吸音泡沫	声学优先		FireFlex Wedge 吸音泡沫（2" 厚
通风风扇	酷冷至尊（Amazon）	B002R9RBO0	适用于计算机机箱和CPU散热器的80毫米静音冷却风扇
柜门铰链	Everbilt（家得宝）	#14609	连续钢铰链（1.4" × 48")
柜子轮子	Everbilt（家得宝）	#49509	带侧边刹车、承重90磅的软橡胶旋转轮脚轮
柜门把手	Everbilt（家得宝）	#15094	白光轻型门拉手（4.5")
计算机	惠普	Z620	HP Z620 台式工作站
Camera Link图像采集卡	国家仪器公司	#781585-01	PCIe-1473 Virtex-5 LX50 Camera Link - 全幅
多功能 RIO 板	国家仪器公司	#781100-01	PCIe-17841R
模拟 RIO 板电缆	国家仪器公司	SCH68M-68F-RMIO	多功能电缆
数字 RIO 板电缆	国家仪器公司	#191667-01	SHC68-68-RDIO R系列数字电缆
模拟端子排	国家仪器公司	#782536-01	SCB-68A 抗噪声屏蔽式I/O连接器模块
数字端子排	国家仪器公司	#782536-01	SCB-68A 抗噪声屏蔽型 I/O 连接器模块
24位继电器机架	Measurement Computing Corp.	SSR-RACK24	固态继电器背板（Gordos/OPTO-22型继电器），24通道
直流开关	Measurement Computing Corp.	SSR-ODC-05	固态继电器模块，单路，直流开关，3 至 60 VDC @ 3.5 A
DC感应	Measurement Computing Corp.	SSR-IDC-05	固态继电器模块，单路，直流感应，3 至 32 VDC
直流电源	BK Precision	1671A	三输出30V，5A数字显示直流电源
糖丸	Bio Serv	F0023	无尘精密颗粒，45 mg，蔗糖（无味）
LabVIEW	国家仪器公司	LabVIEW 2014 SP1，64 位和 32 位版本	需要使用 64 位 LabVIEW 以访问足够的内存来传输视频，但 FPGA 编程必须在 32 位 LabVIEW 中进行
MATLAB	Mathworks	Matlab R2019a	盒子校准与轨迹重建软件使用 Matlab 编写，需要计算机视觉工具箱