基于深度学习的多关节同步追踪用于大鼠后肢运动学的客观量化

摘要

本方案建立了一种利用无标记跑台实验结合深度学习驱动的多关节轨迹自动标注技术的大鼠后肢运动学评估流程，可实现可重复的运动量化分析。

摘要

大鼠步态的准确且客观评估对于神经科学和运动学研究领域至关重要。传统系统通常依赖足印成像来间接推断步态，无法全面捕捉后肢多关节的运动学特征。本研究建立了一种基于无标记跑台的啮齿类动物步态分析系统，通过将定制的深度学习算法与可编程承重跑台相结合，实现对多个下肢关节的实时追踪及多维运动学量化。该系统可在调节速度（0–300 mm/s）、坡度（±30°梯度）和分级承重（0–500 g）条件下，自动提取步态周期参数、关节轨迹、受力分布模式和运动平滑性，为神经肌肉行为研究提供一种客观的评估工具。利用脊髓损伤（SCI）模型，结果表明该系统在检测健康与损伤啮齿动物之间关节活动范围、轨迹连续性、推进力输出及运动平滑性等多维度差异方面具有高敏感性，验证了其疾病识别与分级能力。与传统的主观评分或足印方法相比，该平台消除了人为偏差和低维度数据的局限性，同时结合了深度学习驱动架构与高通量数据采集的优势。该系统适用于中枢或外周神经损伤、神经退行性疾病、肌肉骨骼疾病以及衰老过程的相关研究。通过同步整合神经电生理模块，该系统还可实现步态与神经信号的时间耦合，为解析中枢-外周控制机制及开发神经调节策略建立方法学框架。

引言

在当代神经科学和运动功能研究中，客观的步态量化对于解析神经-肌肉功能、阐明疾病机制以及评估康复策略至关重要¹。其高时空分辨率能够捕捉神经指令、肌肉激活模式与骨骼力学之间协同作用的细微变化，从而为研究脑脊髓上通路、外周反馈与机械环境之间的协调机制建立实证基础。可重复的运动学指标提高了对损伤、退行性改变及治疗效应的检测敏感性，进而加速药物和医疗器械的研发进程²。

传统的评估平台（如 CatWalk、DigiGait 或简化的足迹分析）基于足底接触模式间接推断关节运动学。这些方法产生的指标分辨率低且不一致，难以捕捉后肢多关节运动学的复杂性^3,4。本方法的总体目标是建立一种高精度、无标记点且具备体重支撑功能的步态分析系统，专为啮齿类动物模型设计。因此，我们提出一种新框架，该框架：（i）在连续多关节成像过程中，使啮齿类动物在可控轴向负荷（0–100% 体重）下保持直立姿势；（ii）通过深度学习对侧视图像进行分析，直接定位矢状面解剖标志点，生成二维空间轨迹；（iii）导出时间分辨的关节角度和节段性运动学参数，用于统计建模⁵。从根本上讲，该框架基于将深度学习应用于计算机视觉任务，从而实现从视频数据中稳健地提取关节特征。

方案

所有动物实验均经北京脑科学与类脑研究中心机构动物护理和使用委员会批准，并符合《实验动物护理和使用指南》的要求。未观察到与实验操作相关的不良事件。

1. 仪器设备准备

1. 打开跑步机系统的电源，然后在触摸屏上选择速度控制按钮。
2. 让跑带以低速运行30秒，观察跑步机跑带是否发生偏移。
3. 选择坡度控制按钮，将坡度设置为0°，点击“归零”，并确认显示数值与水平气泡管一致。
4. 进入悬挂界面，挂上10 g的砝码，检查张力读数是否接近0.10 N。
5. 开启工业个人计算机（IPC），并进入视频采集与分析软件。
6. 为当天的实验创建一个目录，包含实验名称、动物编号、实验分组、速度、坡度和减重百分比等信息。
7. 将配备手动对焦镜头（f = 12 mm）的高速工业相机（UC70，分辨率：1280×1024，帧率：60 fps）固定在铝型材支架上。将相机镜头垂直于跑步机的纵向轴线放置，以获取严格的侧视图像，并保持与跑带平面15 cm的水平工作距离。
8. 使用水平气泡管将镜头调至水平，确保大鼠躯干占据画面中央的2/3区域。调节焦距和光圈，直至背侧标尺上的刻度线（1 cm网格）清晰可见。
9. 点击预览....

结果

跑步机系统结构的示意图和实际照片分别如图1A、B所示。该设备能够在无需标记物的情况下获取高对比度的侧向图像。跑步机支持速度、坡度、方向和减重的调节，并配备有数控面板。配套软件界面包含实时监控与数据采集界面，以及视频上传与步态提取分析界面。系统内嵌深度学习模块，可实现自动步态标注，无需人工标注即可以高帧率和高精度获取后肢髂嵴、髋关节、膝关节、踝关节和趾关节的连续运动数据（图1C）。

在健康大鼠与脊髓损伤（SCI）大鼠的比较中，通过视频提取并对同一视野内的关键身体点进行自动标注，可揭示出不同的运动学表型。重度脊髓损伤大鼠按照标准方案构建：在T9椎板切除术后，以2.0 m/s的速度和2.0 mm的深度施加可控的机械冲击。SCI个体表现出明显的摆动相丧失、不规则且无节律的髂嵴位移曲线、关节角度波动增加以及站立相与摆动相的紊乱。摆动相的持续时间及其所占比例显著减少，而这些指标在健康个体中基本保持稳定的周期性（见

讨论

本方案阐述了一种基于跑台的大鼠步态分析系统及其操作流程，为神经肌肉行为学研究提供了一种多维度、客观的评估工具。如示例研究中脊髓损伤（SCI）大鼠与健康大鼠之间的组间步态参数比较所示，该系统通过连续高帧率步态视频记录结合人工智能驱动的自动化多关节标注算法，获取受试动物后肢的空间运动坐标原始数据。由此可实现全面的定量分析与图形化呈现，包括步态轨迹、时相分割以及力指数分布模式等。除脊髓损伤研究外，该系统还可用于中枢神经系统损伤（如脑卒中、脑出血）、神经退行性疾病（如阿尔茨海默病、帕金森病）、周围神经肌肉病变（如坐骨神经损伤、肌营养不良）以及衰老相关步态改变的研究¹³。

成功实施本方案依赖于若干关键步骤。首先，动物的适应性至关重要，若在跑台上缺乏充分的预训练，常会导致步态模式异常，从而干扰运动学分析。我们建议严格按照本方案所述进行10分钟的适应性训练。其次，光照的均匀性直接影响深度学习算法的稳定性，阴影或过曝可能导致关键点抖动。第三，确保受试对象之间的可比性是进行有效组间分析的决定性因素。在比较绝对动力学指标时，我们强调必须严格匹配受试对象（.......

材料

本文使用的材料清单

姓名	公司	目录编号	评论
步态AI标注 &与采集软件	上海ClinAITrial科技有限公司	MouseAI	MouseAI是集成分析 用于MOVEMETRICS跑带的软件，将视频录制、元数据记录和自动化步态分析整合到单一工作流程中。
机械冲击	RWD Life Science，中国深圳
多通道电生理记录系统	科都（苏州）脑机技术有限公司	KedouBC RHD128A	KedouBC RHD128A 是一款紧凑型、128通道 适用于小型至大型实验动物的高分辨率神经记录在体电生理采集系统，集成了轻量化即插即用式前置放大器头级≤ 1.3 克）、16 位 A/D 转换和可编程放大器，可采集频率范围为 0.1 Hz 至 30 kHz 的 EEG、ECoG、LFP、锋电位、EMG 和 ECG 信号 ≤ 2.4 µV系统噪声和 > 10 GΩ 输入阻抗。RHD128A 提供稳定且用户可扩展的神经数据，以加速脑机接口领域的研究， 神经退行性疾病与康复
跑步机	上海ClinAITrial科技有限公司	MOVEMETRICS	MOVEMETRICS 是一个高精度 用于高级啮齿类动物步态分析的仪器化跑台