我们介绍一种基于DeepLabCut的低成本、无标记物工作流程，用于量化自由活动小鼠的自发步态和运动行为。该方案结合单摄像头视频采集、解剖学标志点的无标记追踪以及时空运动参数的提取，提供了一种无需特殊设备的非侵入性且易于实施的运动行为分析框架。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
方法文章
一种基于低成本无标记DeepLabCut的小鼠自由运动自发步态与运动分析工作流程
* These authors contributed equally
本文内容
摘要
摘要
步态是一种广泛使用的功能性生物标志物，可用于检测多种疾病和状态下运动功能的改变，因为它能够反映协调性、力量、平衡以及感觉运动整合的变化。然而，传统分析动物模型步态的方法通常需要昂贵的设备、复杂的装置或侵入性操作，这些都可能改变动物的自然行为。本文介绍一种基于DeepLabCut（一种开源姿态估计算法）的低成本、无标记流程，用于对自由活动小鼠的步态和自发运动进行定量分析。该方法依赖单摄像头视频采集、解剖标志点的无标记追踪以及时空运动参数的提取，无需使用物理标记物或专用硬件。为展示该方案的适用性，本研究以阿尔茨海默病三重转基因小鼠模型（3xTg-AD）作为典型应用示例进行了验证。该方法可保持动物自由活动，最大限度减少操作相关应激，实现对运动行为的非侵入性评估。该方案适用于标准的行为学测试环境。总体而言，该方法为临床前研究中步态与运动行为的定量分析提供了一种易于获取且非侵入性的技术框架。
引言
步态是一种复杂的运动过程，源于运动、感觉和认知系统之间的实时相互作用，需要对感觉反馈、姿势控制、运动规划和肌肉激活进行协调处理，以产生稳定且适应性的运动1。由于其整合特性，步态改变在临床实践和实验研究中 increasingly 被视为神经系统功能障碍的功能性指标。在人类和动物模型中，步态分析能够检测活动能力、跌倒风险、虚弱程度和功能状态的变化，并已被提出作为多种疾病进展和干预效果的生物标志物2,3,4。
在基础研究中，特别是在小鼠模型中，评估自发步态和运动活动是一种广泛使用的方法，用于表征运动表型，并评价生理干扰和治疗干预的影响。对运动参数进行客观量化，能够检测出仅靠肉眼观察难以可靠识别的细微运动变化，这一局限性在针对早期或轻度表型的临床前研究中尤为突出5。在此背景下，步态分析已成为研究运动行为改变、识别不同实验条件下（如神经系统疾病和神经退行性疾病）相关功能变化的重要工具6。
对小鼠模型运动行为和步态的分析传统上依赖于专门的技术平台，用于量化空间和时间运动学变量。常用系统包括 illuminated walkways、instrumented platforms 以及商业化的运动追踪软件；然而，这些系统对昂贵硬件和专用基础设施的依赖显著限制了许多实验室的可及性7,8,9,10。除经济因素外，这些方法还引入了额外的实验限制。一些系统要求动物穿越狭窄的通道或高度照明的路径，导致强制性的运动模式，从而减少自发行为；而另一些系统则依赖于物理标记、颜料斑点或附着在肢体上的粘性标签。此类干预可能引发应激反应，改变步态力学，并干扰对运动结果的生理学解释11,12,13,14。总体而言，这些局限性凸显了亟需发展能够在自然、自由活动条件下捕捉步态的方法，且无需依赖侵入性操作或昂贵的基础设施。
在无约束运动过程中评估步态能够观察到更为自然的运动模式，避免了人为调节速度、轨迹或姿势的外部限制。该方法有助于在最小约束条件下表征运动行为。DeepLabCut 是一个基于深度学习的开源姿态估计算法框架，利用卷积神经网络追踪用户自定义的解剖学标志点，无需使用物理标记物。通过从标准视频记录中实现解剖点的追踪，DeepLabCut 能够提取运动学参数，同时显著降低实验成本与复杂性15,16,17,18。重要的是，无标记追踪最大限度地减少了实验干扰，适用于自发行为的研究。这种单摄像头无标记方法最适合在自由活动条件下，对自发运动活动及二维步态相关特征进行简便、非侵入性的量化研究。然而，当需要获取直接的生物力学变量（如地面反作用力、足底压力、关节角度或完整的三维肢体运动学）时，则需使用仪器化步态平台或三维运动捕捉系统。
本文的目的是介绍一种基于 DeepLabCut 的低成本、无需标记物的工作流程，用于对自由活动小鼠的步态和自发运动进行无创量化。该流程整合了单摄像头视频采集、解剖标志点追踪以及时空运动参数提取，操作简便，无需专用硬件或侵入性操作。本方案重点介绍该工作流程的方法学实施过程及典型的输出结果。
访问受限。请登录或开始试用以查看此内容。
方案
所有动物实验均遵循美国国立卫生研究院（NIH）《实验动物护理与使用指南》进行，并经墨西哥国立自治大学神经生物学研究所生物伦理委员会批准，批准协议号为117。
1. 研究背景
- 在研究所需的实验条件下使用小鼠。在本实验方案文章中，以三重转基因阿尔茨海默病小鼠模型（3xTg-AD）为例，该模型在PS1M146V基因敲入背景下携带APPSwe和tauP301L转基因，同时使用非转基因小鼠作为对照，以展示工作流程的实施过程。
- 在研究开始前对所有动物进行基因型鉴定。
- 在兽医监督下，将小鼠饲养于受控环境中，自由获取食物和饮水，环境条件包括12:12小时光照-黑暗循环、温度22 °C ± 2 °C、相对湿度60% ± 5%。
- 在光照期进行记录，每只动物仅进行一次开放场实验，记录前需经过60分钟的适应期，以保持其自发探索行为，并避免因多次进入实验区域导致活动量下降。
注意：在本实验方案文章中，所展示的记录数据仅为说明工作流程以及该方法所产生的运动和步态输出类型，而非用于支持组间生物学差异的比较。
2. 材料
- 我们e 所列材料与设备 材料清单 用于记录和分析自发运动及步态的设备。参见 图1 用于实验装置的整体组装。
3. 自发运动的适应与记录
- 动物准备与适应
- 至少在实验前60分钟，将小鼠从饲养室小心转移至行为测试室，以使其适应环境。
- 在行为测试室内维持受控的环境条件，包括恒定的温度 20 °C–22 °C，标准化的光照强度（在实验区域水平测量为120–150勒克斯）以及持续的白噪声，以尽量减少外部听觉刺激。
- 在适应期期间，将动物置于其饲养笼内，不要引入额外的刺激或环境丰富化物品。应按照机构的动物福利指南对动物进行操作，以尽量减少由应激引起的行为变异性。
- 使用洁净的手套并以缓慢、 deliberate 的动作抓取动物。轻轻提起动物，托住其身体，将其放入开放旷场实验装置中。
注意：关键步骤：操作不一致或适应时间不足可能会增加与焦虑相关的行为，并导致运动参数的变异性。务必确保所有动物和实验阶段采用相同的适应程序。
- 开放场实验装置与相机准备
- 每次记录前，用70%（v/v）乙醇彻底清洁亚克力开放场地，以去除残留气味和先前的气味线索。待表面完全干燥后方可使用。
- 在通风良好的区域操作70%乙醇，远离热源或点火源，并在使用前确保场地完全干燥。
- 将开放场装置牢固地放置在木制平台上，确保结构稳定且无振动。
- 检查透明亚克力壁和哑光地面，确认其无灰尘、湿气或反光残留物，以免干扰视频追踪。
- 将外部侧向白光灯置于竞技场两侧，角度约为 30–45° 相对于实验区域平面调整光源位置，以确保记录区域内的光照均匀，并减少阴影、反射或过亮现象。每次实验前应调节灯具位置，并确认实验区域的光照强度维持在120–150勒克斯的目标范围内。
- 将相机置于实验区域下方，采用底部视角配置，距离实验区域平面约80 cm的固定距离，确保记录区域完全可见。需注意，该最佳距离可能需根据具体相机的镜头光圈和视场角（FOV）进行调整，以保持对整个实验区域的完整覆盖。
- 将相机连接至计算机系统，并在引入动物之前启动视频采集软件。
- 调整相机焦距和视野，确保整个实验区域表面均清晰可见。
- 在竞技场平面上放置已知尺寸的棋盘格或校准图案，以获取用于空间校准的参考图像。
注意：关键步骤：准确的相机校准、固定的相机距离以及一致的光照条件对于可靠的无标记姿态估计至关重要。几何角度或光照条件的偏差可能降低追踪精度，并影响不同实验间数据的可比性。
注意：可使用不锈钢等替代材料制作外部支撑结构，前提是装置保持稳定且记录对齐得以维持。
注意：当需要进一步控制外部视觉输入时，也可使用不透明的实验区域或替代的壁材，前提是记录装置保持稳定且外部视觉干扰被降至最低。
注意：本方案中使用的实验区域尺寸对应于记录自由活动小鼠时所采用的配置。可根据所使用的啮齿类动物及采用的旷场实验方案调整尺寸，但需确保动物全身可见、空间校准准确以及采集条件一致。
- 自发运动行为记录
- 在将小鼠放入实验区域之前，先在视频画面中短暂显示动物编号，以确保记录与相应实验会话之间建立直接的视觉关联。
- 在将小鼠放置于开放旷场中央之前，启动视频录制，以确保从实验开始时即完整记录初始的探索行为。
- 将小鼠轻轻放置于开放旷场 arena 的中央。
- 连续记录自发性运动3分钟，期间不引入任何视觉、听觉或触觉干扰。在本实验方案中，每只小鼠仅进行一次记录。
- 在计算机屏幕上监控实时视频画面，以确认录制过程持续进行，并准确捕捉动物的运动。
- 定期验证摄像机对准情况和各次实验间的照明均匀性，以确保不同动物间的记录条件一致。
- 记录期结束时，停止视频采集，并按照上述相同的操作步骤小心地将动物从实验区域移出。
- 将动物放回其饲养笼中，并在进行任何后续操作前让其休息。
注意: 记录过程中避免移动动物，因为外部干扰可能改变其自发步态模式，影响后续分析。
- 清洁、数据存储与实验结束
- 每次实验结束后，用70%（v/v）乙醇再次清洁旷场实验箱，并在放入下一只动物前使其完全干燥。
- 确保在引入下一只动物之前，实验区域表面无残留乙醇或气味。
- 每次记录后，立即记录动物编号、会话日期和时间、实验条件以及操作者姓名。
- 若需测试更多动物，需在相同的环境和实验条件下，从3.1.1步骤开始重复该操作流程。
- 将每个视频文件使用标准化的命名方式保存在独立的文件夹中（例如，AnimalID_SessionDate_Trial1.mp4）。
- 实验结束时，关闭相机系统和照明设备，以防止不同实验阶段间光照设置发生漂移。
注意：尽管本实验方案中使用了70%乙醇，因为其在此类操作中是一种常用的消毒剂，但也可使用与丙烯酸材料兼容的消毒剂，以避免表面逐渐损坏，前提是下次记录前迷宫必须完全干燥且无残留气味。
注意：在条件允许的情况下，可准备多个实验区域，以便在不同实验阶段之间立即切换，并促进在不同动物间持续进行实验。
参见 图1 用于实验装置的材料与组装，包括木制平台（图1A），丙烯酸实验区域（图1B），侧向照明系统（图1C），底部摄像头定位（图 1D），以及完整的实验装置（图1E).
图1： 在开阔场地实验装置中对运动行为进行视频记录的实验设置。 （A）场地的支撑结构；（B）放置在平台上的亚克力材质开阔场地实验装置；（C）侧面照明，以确保光照均匀；（D）摄像机从下方记录运动的定位方式；（E）完整的实验装置。白色箭头指示了图1C中光源的方向以及图1D中摄像机的方向。请点击此处查看该图的放大版本。
4. 视频处理与运动学分析
- 视频制备与质量控制
- 以 .MOV 格式采集原始视频，并转换为 .avi 格式，以兼容 DeepLabCut，同时保持恒定的帧率和分辨率参数。
- B采集后立即备份所有原始视频文件至分析计算机上的专用文件夹，并采用标准化的命名规则（例如，AnimalID_Session_Date）。
- 完整观看每段视频，以确认录制内容完整，且无中断、丢帧或损坏现象。存在采集错误的视频应排除在分析之外。
- 如果原始格式与 DeepLabCut 不兼容，请将视频转换为 MP4（H.264）或未压缩的 AVI 格式。
- 可选择对视频片段进行时间裁剪，以去除实验开始前和结束后的非实验时段（例如，动物被放入或移出实验区域的时间段）。
- 确认分辨率和帧率与录制期间使用的采集参数一致，并确保所有实验环节中的设置保持统一。
- 确认整个实验区域表面均在视频帧内可见，且动物在运动过程中身体各部位无持续遮挡。
- P将所有已验证和处理的视频放入指定的项目目录，用于 DeepLabCut 分析。
注意：关键步骤：帧率不一致、实验区域部分不可见或运动模糊会直接影响追踪准确性。不符合质量标准的视频不应用于模型训练或推理。
- 项目创建与配置
- 为项目指定一个视频库，可使用拟用于分析的相同视频，或用于网络训练的代表性子集。
- 启动 Python 环境并导入 DeepLabCut 软件包。
- 使用以下命令创建一个新的 DeepLabCut 项目：
- deeplabcut.create_new_project('项目名称', '作者', '视频路径')
- 在 config.yaml 文件中定义感兴趣的解剖学标志（身体部位），确保定义清晰且符合解剖学一致性。
- 身体部位的定义应根据实验问题进行优化，并在所有动物和实验过程中保持一致。
- 帧提取与身体部位标注
- 根据视频长度和空间布局，在 config.yaml 文件中设置 start、stop、numframes2extract 和 cropping_parameters。
- 使用以下命令提取代表性帧：deeplabcut.extract_frames(config_path, 'automatic', 'kmeans'/'uniform')。
- 检查提取的帧，以确认是否涵盖了记录中身体姿势、朝向、肢体位置及步态相位的变化。若某些特定姿势、肢体构型或运动相位表征不足，应提取更多帧以更好地代表这些情况。
- 当需要特定步态周期阶段时，使用以下命令手动提取帧：deeplabcut.extract_frames(config_path, 'manual')。
- 使用以下命令启动图形化标注界面：deeplabcut.label_frames(config_path)。
- 标记所有显示的预定义解剖标志 图2，包括采集过程中的代表性视频帧（图 2A），自动化的身体点检测结果叠加在原始帧上（图2B)，以及用于分析的定义身体标志点和场地参考点的示意图图2C）。遵循一致的解剖学标准（例如，鼻部：吻部最前端；尾基：脊柱与尾部的连接处）
- 在四肢上一致地标记，将每个解剖标志置于足底垫与地面接触处的中心位置。
- 使用 deeplabcut.check_labels(config_path) 保存并检查标签，如有不准确的标注，请进行修正。
- 在可行的情况下，请第二位经过培训的评估人员对部分帧进行标注，以评估评分者间的一致性。
注意：关键步骤：不一致或解剖位置不准确的标记是导致后续追踪错误的主要原因. 确保在所有帧中严格遵守标志点的定义。
- 神经网络训练
- 对姿态估计模型训练 200 个轮次，获得最终平均训练误差（RMSE）为 3.27 像素，平均测试误差为 3.59 像素，表明在所述采集条件下具有稳定的追踪性能。
- 使用以下命令创建训练和评估数据集：deeplabcut.create_training_dataset(config_path)。
- 在 config.yaml 中调整 Training Fraction 参数，以定义用于训练的图像比例。
- 通过运行以下命令验证 GPU 可用性：nvidia-smi。
- 使用以下命令开始网络训练：deeplabcut.train_network(config_path, save_epochs=5, epochs=200)。
- 监测训练损失，当损失值趋于稳定且未观察到进一步改善时，停止训练。
- 如果训练中断，请从最后一个保存的检查点继续。
- 使用以下命令评估训练好的模型：deeplabcut.evaluate_network(config_path)，并记录平均像素误差。
- 如果误差超过实验设置的可接受阈值，则增加更多带标签的帧，或优化标注并重新训练。
注意: 可接受的像素误差阈值可能因相机分辨率和实验区域大小而异，但在不同实验间应保持一致。
- 视频分析与步态量化
- 将似然值低于 0.3 的点视为缺失。
- 仅当缺失数据点的间隙不超过连续3帧时，进行线性插值；间隙超过3帧的数据段应从分析中剔除。
- 使用10 cm/s的身体中心速度阈值来定义运动片段。
- 排除低于该阈值以及持续时间短于3帧的瞬时事件。
- 使用以下命令对实验视频进行推理：deeplabcut.analyze_videos(config_path, [video_path], save_as_csv=True)。
- 使用 deeplabcut.create_labeled游戏副本(config_path, [video_path]) 生成带标签的视频，以直观验证追踪质量（图2).
- 在 config.yaml 中将 pcutoff 参数设置为 0.6，以便在追踪可视化和评估过程中应用置信度阈值。
- 将输出的 CSV 文件导入统计计算环境中所列的 材料表，以及提供的相应分析软件包和自定义脚本 补充材料 1 用于行为学量化。
- 使用原始视频采样率将帧索引转换为时间。
- 使用已知的实验区域尺寸和追踪到的区域角落标志点，将像素坐标转换为物理单位，以校准空间维度。
- 在提取度量指标之前，对追踪得到的坐标进行质量控制。
- 将似然值低于0.3的点视为缺失，并在适当情况下用线性插值法进行替换。
- 在目视检查过程中识别异常轨迹，并在必要时进行校正或剔除。
- 根据身体重心位移和后肢运动的同步运动学标准定义步态阶段。
- 排除直立、转身和理毛等非运动行为。
- 根据实验条件和动物模型，手动校准并优化定义阈值，仅保留用于分析的稳定、连续的运动片段。
- 利用经过滤的连续运动片段，计算从追踪标记点之间的几何和时间关系中导出的步态参数表1步长、步长、步宽、步频、步态周期时长、步时长、支撑时相、摆动时相、同侧振幅以及特定肢体的位移测量指标。
- 使用相同的追踪数据从完整录像中提取旷场实验指标表1总移动距离、平均速度、移动时间、移动时间百分比、行走片段的次数与持续时间，以及在中心区、边缘区和角落区的累计移动距离。
- 将所有输出结果整合为一个结构化的主文件，用于后续的统计分析。
- 使用所列计算环境生成可视化表示（例如轨迹图、热图、基于时间的位移图、步态模式图以及肢体间协调性图） 材料清单 以及上述绘图脚本。
- 点置信度、步态片段检测、探索区域分类及肢体间协调性的代表性同步可视化结果如下所示 补充视频 1 和 补充视频 2 以促进对分析工作流程的解读。
- 质量控制与数据备份
- 随机抽查部分已标注的视频，以确认不同帧间和不同实验会话间的解剖结构一致性。
- 将预测的标志点位置与标注标签进行比较，以验证模型的稳定性和泛化能力。
- 保存项目的完整副本，包括 config.yaml、原始标签、训练好的网络权重和输出文件。
- 记录工作流程中使用的软件版本，包括 DeepLabCut、Python、PyTorch、CUDA 和统计计算环境，同时记录 GPU 规格及分析日期。
- 从 evaluation-results.csv 生成平均误差和处理时间的汇总报告。
- 将整个项目备份至本地存档，并同时备份至机构服务器或安全的云存储。
- 计算环境与可重复性资源
- 以 1080 × 1920 像素分辨率和约 60 FPS 的帧率，将原始视频录制成 .MOV 格式。
- 将视频预处理并转码为 .avi 格式。
- 在此转换步骤中，裁剪出感兴趣区域，将其调整为 720 × 720 像素的方形分辨率，并将帧率标准化为恒定的 60 FPS，以确保后续运动学分析中的准确时间量化。
- 在配置了 Python 3.12.12、PyTorch 2.5.1 和 CUDA 11.8 的 Python 环境中，使用 DeepLabCut 3.0.0rc13 实现无标记追踪工作流程。
- 对姿态估计模型进行 200 轮训练，得到最终的平均训练误差（RMSE）为 3.27 像素，平均测试误差为 3.59 像素。
- 使用提供的统计计算环境和自定义脚本进行追踪后分析 补充材料 1 用于步态和开放场定量分析。
- 使用10 cm/s的身体中心速度阈值来识别行走片段。填补运动时段之间最多3帧的间隙，并排除短于3帧的瞬时运动，以保留用于分析的连续步态片段。
- 在 config.yaml 中提供相关设置、代表性分析脚本、示例视频和追踪文件，以及模型权重 补充材料 1.
- 在实施细节、模型评估指标、硬件规格以及特定案例分析参数方面提供补充说明 补充材料 1（如适用）。
注意： 根据每个实验所使用的采集条件调整这些参数。
图 2： 基于视频记录的无标记身体关键点追踪与步态分析代表性工作流程。 （A）采集过程中，小鼠在开放场实验装置内自由移动的代表性视频帧。（B）姿态估计后，自动识别的身体关键点叠加于原始视频帧的示例，展示了用于分析的解剖学标志点。（C）用于步态重建、空间校准和定量运动分析的定义身体标志点及实验装置参考点的示意图。标志点与参考点包括：鼻尖、喉部、身体中心、身体中心左侧（bcl）、身体中心右侧（bcr）、左髋（hipl）、右髋（hipr）、尾基部、尾中部、尾尖、左前爪（lfp）、左后爪（lhp）、右前爪（rfp）、右后爪（rhp）、左上（tl）、右上（tr）、左下（bl）和右下（br）。请点击此处查看该图的放大版本。
访问受限。请登录或开始试用以查看此内容。
结果
在应用追踪与分析工作流程后，自动化处理利用定义的身体中心标记点重建了动物在开放场中的自发运动，并生成了适用于下游分析的定量输出结果。代表性轨迹图展示了该方案如何捕捉动物在整个实验区域内的空间位移、时间分布以及自由探索过程中的运动速度动态变化。本节所示的开放场变量均基于完整录像记录计算得出，同时提供了代表性录像示例，以说明该工作流程及由此方案生成的运动行为与步态输出类型。
在一次典型的非转基因（Non-Tg）记录中，重建的身体中心轨迹显示在整个实验区域内持续移动（图 3A），而时间密度图和速度编码可视化图像则突出了探索过程中长时间停留的区域以及运动速度的波动情况（图 3B）。一次典型的 3xTg-AD 记录显示出不同的输出模式，其轨迹在空间上更为受限，且对实验区域的覆盖范围减小（图 3C），同时伴随更局部化的停留分布以及更长时间的低速运动状态（图 3D
访问受限。请登录或开始试用以查看此内容。
讨论
本研究提出了一种低成本、无标记的方法，通过标准视频采集和基于 DeepLabCut 的姿态估计算法，在可及的工作流程中分析自由活动小鼠的自发运动和步态。该工作流程能够从视频记录中提取运动和步态相关变量，同时保留自然的运动行为并减少实验干扰。因此，该方案为运动行为的临床前研究提供了一种实用且易于实施的替代方法。
本方案以阿尔茨海默病的转基因小鼠模型为例，展示了该工作流程的代表性应用。所生成的结果展示了利用此方法可获得的运动行为和步态参数类型19,20,21,22。重要的是，本文所述方法强调在无约束条件下进行记录，从而有助于在最小限制下对运动行为进行表征。因此，该方法可作为补充手段，适用于那些不希望进行过度操作、侵入性操作或依赖特殊基础设施的研究。
基于深度学习的姿态估计算法的...
访问受限。请登录或开始试用以查看此内容。
披露
作者声明，本研究是在不存在任何可能被解释为潜在利益冲突的商业或财务关系的情况下进行的。
致谢
J.J.A.-G 是墨西哥国立自治大学（UNAM）生物医学科学博士项目的一名博士生，并获得了 SECIHTI 奖学金（编号：1145816）。此外，作者谨向 A. R. Aguilar Vázquez、E.A. De los Ríos Arellano 和 D. Gasca Martínez 表示感谢，感谢他们提供的技术支持。
基金支持：本研究由联合国大学-帕皮特（UNAM-PAPIIT，项目编号209325、IN227026）以及基础与前沿科学基金（Ciencia básica y de Frontera）资助，项目编号CBF-2025-G-35。
访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 70% 乙醇 | 通用 | 不适用 | 实验间隔期间清洁实验区域 |
| 可调白光灯 | 通用 | 不适用 | 维持恒定照明（100–150 lx） |
| 黑色窗帘/防眩光装置 | 通用 | 不适用 | 减少外部光线/反射 |
| 棋盘格网格模板 | 通用 | 不适用 | 空间校准参考图像 |
| DeepLabCut (v3.0.0rc13) | 开源 | 不适用 | 姿态估计算法软件 |
| 数字摄像机（高清，16:9；≥60 fps） | 通用 | 不适用 | 各次实验中保持固定设置 |
| Nvidia GPU 工作站 | 定制组装 | 不适用 | 模型训练与推理所需硬件 |
| 照度计 | 通用 | 不适用 | 验证实验区域水平的光照强度 |
| PyTorch | Pytorch 基金会 | 不适用 | DeepLabCut 所需的框架 |
| 透明亚克力开放场实验箱（42 × 42 × 42 cm） | 自制 / 实验室内部制备 | 不适用 | 开放场实验装置 |
| 实验箱底部摄像机支架（90°视角） | 自制 / 实验室内部制备 | 不适用 | 用于底部录像的稳定支架 |
| CUDA | Nvidia 公司 | 不适用 | GPU 加速的并行处理技术 |
| R 编程语言 | R 基金会 | 不适用 | 用于数据分析的编程语言 |
参考文献
- Takakusaki, K. Functional neuroanatomy for posture and gait control. J Mov Disord. 10 (1), 1-17 (2017).
- Pamoukdjian, F., et al. Measurement of gait speed in older adults to identify complications associated with frailty: a systematic review. J Geriatr Oncol. 6 (6), 484-496 (2015).
- Mukli, P., et al. Gait variability predicts cognitive impairment in older adults with subclinical cerebral small vessel disease. Front Aging Neurosci. 14, 1052451 (2022).
- Mancini, M., et al. Digital gait biomarkers in Parkinson’s disease: susceptibility/risk, progression, response to exercise, and prognosis. NPJ Parkinsons Dis. 11 (1), 51 (2025).
- Lakes, E. H., Allen, K. D. Gait analysis methods for rodent models of arthritic disorders: reviews and recommendations. Osteoarthritis Cartilage. 24 (11), 1837-1849 (2016).
- Wisniewski, T., Masurkar, A. V. Gait dysfunction in Alzheimer disease. Handb Clin Neurol. 196, 267-274 (2023).
- Walter, J., et al. The CatWalk XT is a valid tool for objective assessment of motor function in the acute phase after controlled cortical impact in mice. Behav Brain Res. 392, 112680 (2020).
- Connell, J. W., Allison, R., Reid, E. Quantitative gait analysis using a motorized treadmill system sensitively detects motor abnormalities in mice expressing ATPase defective spastin. PLoS One. 11 (3), e0152413 (2016).
- Rostosky, C. M., Milosevic, I. Gait analysis of age-dependent motor impairments in mice with neurodegeneration. J Vis Exp. (136), e57752 (2018).
- Rastoldo, G., et al. Quantitative evaluation of a new posturo-locomotor phenotype in a rodent model of acute unilateral vestibulopathy. Front Neurol. 11, 505 (2020).
- Carregosa, D., et al. Locomotor and gait changes in the LPS model of neuroinflammation are correlated with inflammatory cytokines in blood and brain. J Inflamm. 21 (1), 39 (2024).
- Sugimoto, H., Kawakami, K. Low-cost protocol of footprint analysis and hanging box test for mice applied to chronic restraint stress. J Vis Exp. (143), e59027 (2019).
- Wong, J., Shah, P. K. 3D kinematic gait analysis for preclinical studies in rodents. J Vis Exp. (150), e59612 (2019).
- Stauch, K. L., et al. Applying the RatWalker system for gait analysis in a genetic rat model of Parkinson’s disease. J Vis Exp. (167), e62002 (2021).
- Mathis, A., et al. DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nat Neurosci. 21 (9), 1281-1289 (2018).
- Nath, T., et al. Using DeepLabCut for 3D markerless pose estimation across species and behaviors. Nat Protoc. 14 (7), 2152-2176 (2019).
- Lauer, J., et al. Multi-animal pose estimation, identification and tracking with DeepLabCut. Nat Methods. 19 (4), 496-504 (2022).
- Sturman, O., et al. Deep learning-based behavioral analysis reaches human accuracy and is capable of outperforming commercial solutions. Neuropsychopharmacology. 45 (11), 1942-1952 (2020).
- Castillo-Mariqueo, L., Pérez-García, M. J., Giménez-Llort, L. Modeling functional limitations, gait impairments, and muscle pathology in Alzheimer’s disease: studies in the 3xTg-AD mice. Biomedicines. 9 (10), 1365 (2021).
- Nyul-Toth, A., et al. Early manifestation of gait alterations in the Tg2576 mouse model of Alzheimer’s disease. Geroscience. 43 (4), 1947-1957 (2021).
- Ni, H., et al. Impairment of theta oscillations in the hippocampal CA1 region may mediate age-dependent movement alterations in the 5xFAD mouse model of Alzheimer’s disease. Sci Rep. 15 (1), 10975 (2025).
- Broberg, D. N., et al. Effects of memantine and high dose vitamin D on gait in male APP/PS1 Alzheimer’s disease mice following vitamin D deprivation. J Alzheimers Dis. 85 (4), 1755-1766 (2022).
访问受限。请登录或开始试用以查看此内容。
重印与许可
