Name: 在全脑成像过程中分析母体行为反应 (视频) | JoVE Journal
Uploaded: 2025-01-24T12:50:00.000+00:00
Duration: 7 min 12 s
Description: 了解如何使用MATLAB视频分析流程在清醒小鼠功能性磁共振成像环境中监测自发行为反应。该方法通过光流分析量化母体与未交配雌性小鼠对幼崽叫声的运动反应差异，为研究母婴行为的神经基础提供全脑活动与行为关联的新工具。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

我们感谢Marlin实验室和Kahn实验室对本研究的支持。我们还要感谢Kevin Cury博士就我们的视频数据所进行的富有洞见的讨论。本出版物中报道的研究工作得到了尤妮斯·肯尼迪·施莱弗国立儿童健康与人类发育研究所的资助 &amp;美国国立卫生研究院人类发展研究所资助编号F31HD114466（BRM）、霍华德·休斯医学研究所（BJM）、联合大学基金会E.E. Just奖学金CU20-1071（BJM）、BBRF NARSAD青年研究者奖30380（BJM）以及怀特霍尔基金会（BJM）提供支持。本内容仅由作者负责，不代表美国国立卫生研究院的官方观点。

所有动物实验均按照哥伦比亚大学机构动物护理和使用委员会（IACUC）批准的方案进行，所有方法均遵循相关指南、法规和建议。所用设备和软件的详细信息列于下文 材料表.
1. 软件
<ol>
	<li>下载 MATLAB 来自 Mathworks 网站。 
	注意：本分析流程所包含的代码仅可通过 MATLAB 执行，且专门编写为与 MATLAB 2023a 版本兼容。</li>
	<li>此流程需要 MATLAB 中的 Computer Vision Toolbox 和 Image Processing Toolbox。通过点击 MATLAB 附加功能中的按钮，将这些工具箱添加到 MATLAB 中 管理附加组件，获取附加组件，然后搜索并添加它们。 
	注意：提供了五个 MATLAB 脚本作为补充文件，文件名如下：script1_videocoreg.m（补充编码文件 1），script2_optflow_roiselect.m（补充编码文件 2），script3_optflow_analysis.m（补充编码文件 3），script4_optflow_pca.m（补充编码文件 4）和 script5_optflow_pca_analysis.m（补充编码文件 5）。两个示例视频（视频 1 和 视频 2）及其对应事件时间文件（补充文件 1 和 补充文件 2) 也一并提供。建议首先使用示例数据运行整个流程。 
	警告：请注意代码中包含感叹号的注释，这些部分在执行前需要进行操作。例如，存在如下注释 &#34;编辑下方的代码块！&#34; 以突出显示为适应文件结构、实验细节或分析需求而必须修改的位置。这些选项默认设置为适配所提供的两个示例视频，但在用户开始使用自身数据运行流程时，需要进行相应调整。</li>
	<li>要运行每个脚本的每个部分，请单击 运行与推进 在 编辑 菜单</li>
</ol>
2. 视频共配准
注意：本分析流程中提供的第一个脚本是 script1_videocoreg.m（补充代码文件 1），该脚本通过配准实现所有视频之间的空间对齐。via 配准。该脚本的输入为原始视频，主要输出为经过变换的视频。
<ol>
	<li>根据数据结构，在脚本中标注的位置编辑 第1、2、3、4、5 和 6 节。</li>
	<li>运行 第1节。</li>
	<li>在每个视频中选择三个&#160;点进行标记，如 图1A 所示。这三个&#160;点将用于将所有帧彼此配准。运行脚本的 第2节 以调出每个视频的第一帧&#160;，然后使用鼠标在 前两个点 上单击一次，在 第三个点 上双击。在选择完最后一个视频的点后，按下 Enter 键。</li>
	<li>运行 第3节 和 第4节。</li>
	<li>将标志 aligned 设为 0 ，然后运行 第5节。接着，将标志 aligned 设为 1，再次运行 第5节。</li>
	<li>运行 第6节，并将生成的并排图像与 图1B 进行比较。左侧未对齐的平均图像中观察到的任何异常现象，在右侧对齐后的平均图像中应有所减轻。</li>
</ol>
3. 光流估计：全视场
注意：为了评估扫描视频中的运动情况，需要对每个转换后的视频估算光流。此操作可通过提供的脚本 script2_optflow_roiselect.m 对每个视频的整个视野（FOV）完成（补充代码文件 2）。该脚本的输入为转换后的视频，输出为三维矩阵，表示每个视频中各像素随时间变化的光流强度。图 2A 展示了一个示例帧，其中以蓝色叠加了光流矢量，每个矢量的长度代表对应像素的相对光流强度。将输出结果保存为视频比保存为三维矩阵更高效。
<ol>
	<li>根据数据结构，在脚本中标注的位置编辑第1节。</li>
	<li>运行第1节。</li>
</ol>
4. ROI 选择
注意：通过在完整视场（FOV）内选择一个感兴趣的区域（ROI）作为分析重点，可显著降低后续分析步骤的计算负载和数据存储需求。ROI 可根据实验设计和关注的行为特征进行选择，也可采用更偏向数据驱动的方法确定。本文展示的代表性结果中，使用脚本 script2_optflow_roiselect.m 的第 2 节（补充代码文件 2）计算了完整 FOV 中每个像素的光流幅值的标准差。该部分脚本的输入为第 1 节的输出结果，主要输出为所有视频中各像素光流幅值标准差的可视化图像。在所展示的代表性结果中，镜像 FOV 显示出相对较高的光流标准差，这为示例中 ROI 的选择提供了依据。
<ol>
	<li>根据指示编辑脚本中的第2节，以适配数据结构。</li>
	<li>运行第2节，并利用生成的图像观察所分析视频中光流变化最显著的区域。该图像示例如图2B所示。</li>
</ol>
5. 光流定量分析：ROI
注意：脚本 script2_optflow_roiselect.m 的第 3 节（补充代码文件 2）允许用户使用绘图工具选择感兴趣区域（ROI）并保存边界坐标。该部分脚本的输入为第 1 节的输出，输出为一维向量，表示每个视频中 ROI 随时间变化的平均光流幅值。
<ol>
	<li>根据数据结构和分析需求，编辑脚本中指定的第3节。 
	注意：关于如何进行ROI选择，有几种可选方案。请选择其中一种：
	<ol>
		<li>选项1：分析整个视频的视场（FOV）。
		<ol>
			<li>将标志selectROI 设置为0&#160;，并将provideROI 设置为0。</li>
		</ol>
		</li>
		<li>选项2：分析一个新的ROI区域。
		<ol>
			<li>将标志selectROI 设置为1&#160;，并将provideROI设置为0。然后编辑newCoordsName。</li>
		</ol>
		</li>
		<li>选项3：分析先前绘制的ROI区域。 
		注意：仅当之前已运行过此代码并创建了ROI时，才可选择此选项。
		<ol>
			<li>将标志selectROI&#160;设置为0&#160;，并将provideROI 设置为1。然后编辑inputCoords ，以提供一组预定义的坐标。</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>运行第3节。</li>
</ol>
6. 光流幅值比较
注意：所提供的脚本 script3_optflow_analysis.m（补充代码文件 3）需要最大程度的定制化以适配用户的数据。主要输入为一维向量，表示每个视频中感兴趣区域（ROI）随时间变化的平均光流幅值；当这些向量与事件起始时间以及分组/条件信息适当地结合后，主要输出为可根据分析需求定制的统计比较结果。
<ol>
	<li>根据数据结构和分析需求，编辑脚本的第1-3节。</li>
	<li>在第1节中，将分析选项标志zsc, blrm, blzsc, demeanPerTrial和applyLPfilter按需设置为0或1。在所展示的代表性结果中，zsc, blrm和applyLPfilter被设为1，其余选项均设为0。</li>
	<li>将LPfilter设置为一个数值，表示所需低通滤波器的频率（单位：赫兹，Hz）。在所展示的代表性结果中，应用了5 Hz的低通滤波器，因为行为反应预期不会以超过5 Hz的频率波动。</li>
	<li>运行第1-3节。第3节应生成群体平均光流时间序列、群体平均累积光流以及汇总的累积光流图，包括如图3所示的图表。第3节可用于任意组合的组别/条件比较。</li>
</ol>
7. 光流PCA
注意：在光流幅度估算的基础上，脚本 script2_optflow_roiselect.m（补充代码文件 2）的输出结果还包含每个视频逐帧光流的空间分布信息。为了降低该空间信息的维度，所提供的脚本 script4_optflow_pca.m（补充代码文件 4）&#160;对估算的光流进行主成分分析（PCA）。主要输入为此前按每个行为视频保存的三维光流矩阵，主要输出为每个视频对应的一个 .mat 文件，其中包含主成分（PC）及解释方差信息。
<ol>
	<li>根据数据结构和分析需求编辑脚本的第1节。</li>
	<li>在第1节中，按需设置分析选项标志stimnum、dsfactor和fnfactor。在本文展示的代表性结果中，每种刺激类型被单独分析，dsfactor和fnfactor保持默认值1，从而在空间和时间上均未进行下采样。</li>
	<li>运行第1节。</li>
</ol>
8. 光流 PCA 比较
注意：提供的脚本 script5_optflow_pca_analysis.m（补充代码文件 5）将对不同组之间的主成分分析（PCA）结果进行探索性比较。主要输入为从脚本 script4_optflow_pca.m（补充代码文件 4）获得的特定刺激的主成分（PC）及其解释方差信息，主要输出为经过统计阈值处理的热图，用以展示第一主成分的载荷情况，但该脚本也可用于分析其他主成分。
<ol>
	<li>编辑脚本中的第1节，以适配数据结构和分析需求。</li>
	<li>运行第1节和第2节。</li>
	<li>编辑第3节的输入参数，特别是group和myTitle变量，以反映所需的组分析内容，以及threshT。threshT表示T统计量的阈值，高于该阈值的结果将被视为具有显著性，可根据公开的T统计量转p值对照表及自由度进行计算。</li>
	<li>对每个感兴趣的组运行第3节。代码应生成一个组汇总统计图，如图4左侧面板和中心面板所示。可根据可视化需要调整caxis范围，从而调整颜色条的显示界限。</li>
	<li>编辑第4节的输入参数，特别是mag和myTitle变量，以反映所需的组间比较内容，以及threshT。threshT表示T统计量的阈值，高于该阈值的结果将被视为具有显著性，可根据公开的T统计量转p值对照表及自由度进行计算。</li>
	<li>对每个感兴趣的组间比较运行第4节。代码应生成一个组间比较的统计图，&#160;如图4右侧面板所示。可根据可视化需要调整caxis范围，从而调整颜色条的显示界限。</li>
</ol>

Pipeline for Analyzing Behavioral Responses to External Cues in MRI Environments

<ol><li>Musall, S., Kaufman, M. T., Juavinett, A. L., Gluf, S., Churchland, A. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Single-trial+neural+dynamics+are+dominated+by+richly+varied+movements%5BTitle%5D)+AND+%22Nat+Neurosci%22%5BJournal%5D)">Single-trial neural dynamics are dominated by richly varied movements.</a> Nat Neurosci. 22 (10), 1677-1686 (2019).</li>
<li>Dolensek, N., Gehrlach, D. A., Klein, A. S., Gogolla, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Facial+expressions+of+emotion+states+and+their+neuronal+correlates+in+mice%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Facial expressions of emotion states and their neuronal correlates in mice.</a> Science. 368 (6486), 89-94 (2020).</li>
<li>Kepecs, A., Uchida, N., Mainen, Z. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+sniff+as+a+unit+of+olfactory+processing%5BTitle%5D)+AND+%22Chemical+Senses%22%5BJournal%5D)">The sniff as a unit of olfactory processing.</a> Chemical Senses. 31 (2), 167-179 (2006).</li>
<li>Shusterman, R., Smear, M. C., Koulakov, A. A., Rinberg, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Precise+olfactory+responses+tile+the+sniff+cycle%5BTitle%5D)+AND+%22Nat+Neurosci%22%5BJournal%5D)">Precise olfactory responses tile the sniff cycle.</a> Nat Neurosci. 14 (8), 1039-1044 (2011).</li>
<li>Han, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Awake+and+behaving+mouse+fMRI+during+Go%2FNo-Go+task%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Awake and behaving mouse fMRI during Go/No-Go task.</a> NeuroImage. 188, 733-742 (2019).</li>
<li>Mathis, A., Mamidanna, P., Cury, K. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DeepLabCut%3A+Markerless+pose+estimation+of+user-defined+body+parts+with+deep+learning%5BTitle%5D)+AND+%22Nature+Neurosci%22%5BJournal%5D)">DeepLabCut: Markerless pose estimation of user-defined body parts with deep learning.</a> Nature Neurosci. 21 (9), 1281-1289 (2018).</li>
<li>Krakauer, J. W., Ghazanfar, A. A., Gomez-Marin, A., MacIver, M. A., Poeppel, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuroscience+needs+behavior%3A+Correcting+a+reductionist+bias%5BTitle%5D)+AND+%22Neuron%22%5BJournal%5D)">Neuroscience needs behavior: Correcting a reductionist bias.</a> Neuron. 93 (3), 480-490 (2017).</li>
<li>Wiltschko, A. B., Tsukahara, T., Zeine, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Revealing+the+structure+of+pharmacobehavioral+space+through+motion+sequencing%5BTitle%5D)+AND+%22Nat+Neurosci%22%5BJournal%5D)">Revealing the structure of pharmacobehavioral space through motion sequencing.</a> Nat Neurosci. 23 (11), 1433-1443 (2020).</li>
<li>Moëne, O. L., Larsson, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+tool+for+quantifying+mouse+facial+expressions%5BTitle%5D)+AND+%22eNeuro%22%5BJournal%5D)">A new tool for quantifying mouse facial expressions.</a> eNeuro. 10 (2), (2023).</li>
<li>Paasonen, J., Stenroos, P., Laakso, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Whole-brain+studies+of+spontaneous+behavior+in+head-fixed+rats+enabled+by+zero+echo+time+MB-SWIFT+fMRI%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Whole-brain studies of spontaneous behavior in head-fixed rats enabled by zero echo time MB-SWIFT fMRI.</a> NeuroImage. 250, 118924(2022).</li>
<li>Ehret, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Infant+rodent+ultrasounds%3A+A+Gate+to+the+understanding+of+sound+communication%5BTitle%5D)+AND+%22Behav+Genet%22%5BJournal%5D)">Infant rodent ultrasounds: A Gate to the understanding of sound communication.</a> Behav Genet. 35 (1), 19-29 (2005).</li>
<li>Marlin, B. J., Mitre, M., D'amour, J. A., Chao, M. V., Froemke, R. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Oxytocin+enables+maternal+behavior+by+balancing+cortical+inhibition%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Oxytocin enables maternal behavior by balancing cortical inhibition.</a> Nature. 520 (7548), 499-504 (2015).</li>
<li>Optical Flow. , 
 <a target="_blank" href="https://www.mathworks.com/discovery/optical-flow.html">https://www.mathworks.com/discovery/optical-flow.html</a> (2024).</li>
<li>Horn, B. K. P., Schunck, B. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Determining+optical+flow%5BTitle%5D)+AND+%22Artif+Intell%22%5BJournal%5D)">Determining optical flow.</a> Artif Intell. 17 (1), 185-203 (1981).</li>
<li>Szeliski, R. Dense motion estimation. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSzeliski%2C+R+%22Computer+Vision%3A+Algorithms+and+Applications%22">Computer Vision: Algorithms and Applications</a>. Szeliski, R. , Springer. 335-374 (2011).</li>
<li>Beauchemin, S. S., Barron, J. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+computation+of+optical+flow%5BTitle%5D)+AND+%22ACM+Comput+Surv%22%5BJournal%5D)">The computation of optical flow.</a> ACM Comput Surv. 27 (3), 433-466 (1995).</li>
<li>McRae, B. R., Andreu, V., Marlin, B. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Integration+of+olfactory+and+auditory+cues+eliciting+parental+behavior%5BTitle%5D)+AND+%22J+Neuroendocrin%22%5BJournal%5D)">Integration of olfactory and auditory cues eliciting parental behavior.</a> J Neuroendocrin. 35 (7), e13307(2023).</li>
</ol>

作者无任何利益冲突需要披露。

本研究所展示的行为分析流程能够从动物对被动呈现的刺激产生非指令性行为的视频中提取有价值的信息。这些代表性行为视频是在获取全脑功能磁共振成像（fMRI）数据的同时采集的，研究过程中克服了多种限制，以在磁共振成像环境中成功捕捉行为反应。通过光流估计方法，揭示了母鼠与处女鼠对幼崽叫声（而非纯音）的反应差异，支持了最初的假设13,14,15,16。通过利用光流信息的降维处理，该发现进一步拓展至对这些行为空间分布的探索性分析。
该分析流程适用于多种实验范式。它对所获取的神经数据类型完全无依赖性，且不需要过高的计算能力或专用设备。主要的实验要求是，录像数据必须记录与刺激呈现起始时间相对应的时间戳。此外，通过提供用于执行示例分析的 MATLAB 脚本，即使对于 MATLAB 使用经验较少的研究人员，该流程的实施也相对简便。如实验方案所述，总体步骤包括视频共定位、光流估计、感兴趣区域（ROI）选择、针对特定 ROI 的光流量化、光流幅度比较、主成分分析（PCA）以及 PCA 结果比较。在每个步骤中，均可根据实验和分析需求对流程进行修改，具体方法已在方案中说明，并在代码中通过注释明确标出&#160;并&#160;强调。
在使用本文所述的视频分析流程时，需注意以下几个局限性。首先，行为实验装置的设计应经过仔细考量。如果尚不明确可能产生的行为反应类型，则在后续分析中尽可能多地获取动物的不同视角图像将更有利。因此，建议安装一个或多个镜子，以同时捕捉动物的正面和侧面视角，如示例视频帧所示。 图1A其次，建议用于视频采集的照明亮度应足以清晰观察视野（FOV）中的所有相关特征，但又不应过亮以致达到饱和。 图1A可以观察到，小鼠鼻部的正面视图处于接近饱和的状态，难以捕捉到能够指示运动的亮度波动。这可能导致了在该视野区域中观察到的光流变化不明显，如图所示。 图2B幸运的是，鼻部的侧面轮廓未出现此问题，从而允许对镜像感兴趣区域（ROI）进行分析。此外，若实验中涉及视觉刺激，则还应考虑饱和的可能性。在验证数据集实验中，用于提示给予水奖励的光线索在采集的视频中引入了短暂的饱和现象，导致光流估计中出现暂时性伪影。该伪影可在 图 5A，其中在两种奖励条件下的光流轨迹中，两个尖锐的峰值恰好与光线索开启和关闭的时间完全对齐。该伪影使得这些短暂时间窗口难以使用本文所述的分析流程进行处理；若该伪影不存在，所呈现的结果将 图5B 可能更为重要。对于大多数光流算法而言，场景光照恒定是一个必要的假设。14,16因此，不建议在光照环境发生剧烈变化的实验中使用本视频分析流程，无论这种变化发生在单次实验过程中还是不同实验之间。第三，也是最后一点，动物对记录环境的充分适应是任何利用该流程的实验中的关键环节。如果动物未得到充分适应，可能会表现出显著的应激反应，从而掩盖原本可被解析出的细微刺激驱动效应 通过 视频分析
未来，该行为分析流程可用于促进对同步记录的行为和神经反应进行协调评估。如前所述，对非指令性行为进行定量评估，有助于评价在复杂记录环境中刺激的显著性，以及检验不同实验组别和条件下的行为反应差异。还可进一步开展分析，以探究行为反应的个体差异或单次试验间的趋势，从而考察相应的神经活动。此外，通过引入主成分分析（PCA）获取刺激诱发运动的空间信息，可进一步研究在刺激呈现期间观察到的特定类型行为序列在不同组别和条件下是否存在差异。该分析流程可轻松扩展至多种神经记录方法，从而在受限环境中实现多功能的行为监测。通过探究外部刺激在大脑和行为中的表征方式，研究人员有望更全面地理解刺激感知如何影响内在状态及其外在表现。

在神经记录过程中监测行为反应对于理解全脑范围内由刺激引发的协调性活动至关重要&#160;。当动物对刺激的反应无法预期为特定且目标导向的行为时，观察其自发行为可为外界线索如何影响其内在状态提供重要线索1,2。近年来，神经成像技术的进步（如大视野钙成像和功能磁共振成像（fMRI））使神经科学家能够将研究范围扩展至单一脑区之外。然而，为了更全面地理解此类高维神经数据，也必须同步提升对这些复杂神经活动模式所对应行为输出的评估能力。
目前，用于表征任务指导行为的先进技术已广泛应用于神经科学研究中，包括使用温度和压力传感器检测嗅闻行为3,4、利用光束检测舔舐行为5，以及采用无标记姿态估计算法追踪预设的身体部位6。然而，对非指令性行为模式进行数据驱动评估仍是该领域面临的一项挑战7。尽管数据驱动行为分析方法正在快速发展，但现有方法通常需要强大的计算资源、专用设备，或对动物具有特别清晰的视野2,6,8,9。&#160;本文介绍了一种行为视频分析流程，该流程可轻松适用于任何视频数据，并能够从被动刺激期间获取的视频中提取有价值的行为指标。
该行为分析流程旨在与固定头部动物在多种外部刺激和记录环境下同步采集神经信号和视频数据的需求相兼容，即使在存在较大限制的条件下也能适用。例如，磁共振成像（MRI）环境对行为监测提出了特殊挑战，包括视野受限以及无法使用含铁磁性成分的设备。这些限制使得常用方法难以应用，导致诸如头部运动（即大脑在体积扫描间期的移动情况）等指标成为最易获取且仍具价值的测量参数之一&#160;有限的&#160;评估扫描期间身体反应的方法10。通过&#160;克服这些局限性，本方案促进了对磁共振兼容视频数据的分析，表明&#160;雌性小鼠与&#160;不同的母体经历对听觉刺激表现出不同的行为反应。在进行fMRI扫描期间，向母亲个体与未产个体呈现听觉刺激，包括幼崽痛苦的叫声（&#34;幼鼠叫声&#34;）和纯音。这些刺激以被动方式呈现，即不涉及任何指令性的行为反应。尽管预测母亲个体对幼崽叫声的反应会比未产仔个体更强，但关于这方面的文献还很少。&#160;雌性小鼠在头部固定环境中对幼崽线索的反应。因此，没有特定的行为输出可供追踪 先验的，使本实验成为检验所提出的数据驱动行为分析方法的理想测试。通过采用光流估计和降维等方法，检测到了行为反应在强度和空间表现上的组间差异。
未来，通过协调评估行为反应和神经反应，可更全面地理解外部刺激如何改变内在状态并影响复杂的行为输出。这种理解应扩展到在无强制任务和无指导行为的情况下呈现的刺激。本文介绍的分析流程可推广至多种神经记录技术，即使在受限环境中也能实现灵活的行为监测。

<table><tbody><tr><td>MATLAB 计算机视觉工具箱</td><td>MathWorks</td><td></td><td>https://www.mathworks.com/products/computer-vision.html</td></tr><tr><td>MATLAB 图像处理工具箱</td><td>MathWorks</td><td></td><td>https://www.mathworks.com/products/image-processing.html</td></tr><tr><td>MATLAB 软件</td><td>MathWorks</td><td></td><td>https://www.mathworks.com/products/matlab.html</td></tr><tr><td>磁共振兼容相机 &amp;ldquo;12M-i&amp;rdquo;，带集成 LED 光源</td><td>MRC Systems GmbH</td><td>12M-i</td><td>https://www.mrc-systems.de/downloads/en/mri-compatible-cameras/manual_mrcam_12m-i.pdf</td></tr></tbody></table>

全脑成像期间母性行为反应的表征

Profiling Maternal Behavior Responses During Whole-Brain Imaging

全脑成像技术的最新进展使神经科学家能够研究协调性的脑活动如何处理外部线索，进而影响内部状态变化并引发行为反应。例如，功能磁共振成像（fMRI）是一种非侵入性技术，可通过血氧水平依赖（BOLD）反应，在清醒且能自由活动的小鼠中测量全脑活动。然而，要全面理解由外部刺激引发的BOLD反应，实验人员在扫描过程中同步评估行为反应至关重要。MRI环境为此目标带来了挑战，导致常用的行为监测方法无法适用。这些挑战包括：（1）视野受限；（2）缺乏不含铁磁性组件的可用设备。本文介绍了一种行为视频分析流程，该流程通过从受上述环境限制所采集的视频中提取有价值的信息，克服了这些局限性，从而实现在获取全脑神经数据的同时对行为进行评估。通过采用光流估计和降维等方法，可检测到fMRI扫描期间不同刺激所引发的行为反应中的显著差异。例如，代表性结果表明，在母鼠与未交配雌鼠中，幼鼠发声（而非纯音）会引发显著不同的行为反应。未来，这一行为分析流程——最初为解决fMRI实验中的挑战而设计——可拓展应用于多种神经记录方法，为受限环境下的行为监测提供广泛适用的解决方案。对行为反应与神经反应的协同评估，将有助于更全面地理解刺激感知如何导致复杂行为输出的协调过程。

本文展示了一种视频分析流程，可克服在磁共振成像（MRI）环境中进行行为监测所面临的挑战，从而实现对外部刺激引发的非指令性行为反应的检测。该分析方法将有助于更全面地理解诱发的内在状态变化及全脑范围的活动模式。

近年来，全脑成像技术的进步使神经科学家能够研究大脑如何协调神经活动以处理外界刺激……

照护者如何感知并回应婴儿的信号，将决定婴儿能否获得生存所必需的照料。在小鼠中，幼崽的发声会引发复杂的行为反应，因此很可能在多个脑区组成的神经网络中引发协调活动。我们希望在具有不同母性经验背景的小鼠中识别出这一神经网络，而清醒小鼠功能磁共振成像（fMRI）是实现这一目标的理想工具。随着清醒小鼠功能磁共振成像（fMRI）技术的广泛应用，越来越多的研究开始探索目标导向行为的神经关联机制。这些行为通常通过光束中断装置检测泄漏以及压力传感器检测运动等工具进行评估。我们的实验方案使我们能够在技术上具有挑战性的MRI环境中，评估自发的行为反应。我们的目标是最终利用自发行为的测量指标，更深入地理解通过功能性磁共振成像（FMRI）获取的全脑活动。我们先前的研究发现，母鼠与未产雌性动物的听觉皮层对幼崽叫声的反应存在差异。在母鼠中，其神经反应与幼崽的叫声在时间上是同步锁定的。在处女个体中，这些特征并不存在。然而，随着处女个体逐渐学会表现出母性行为，其听觉中枢也会随之改变，以反映这一新获得的技能。我们之前的研究主要集中在麻醉小鼠的听觉皮层。本研究突破了听觉皮层的界限，探究动物在学习成为母亲的过程中，清醒活动状态下的小鼠全脑及行为发生的变化。首先，从 MathWorks 网站下载 MATLAB。要将图像处理工具箱添加到 MATLAB 附加功能中，请点击管理附加功能，获取附加功能，然后搜索并添加该工具箱。类似地，将计算机视觉工具箱添加到 MATLAB 附加功能中。打开分析流程的第一个脚本后，根据提示编辑脚本中的第一、二、三、四、五和第六部分，以适配相应的数据结构。运行第一部分。运行脚本的第二部分以调出每个视频的第一帧。使用鼠标依次单击前两个点，然后双击第三个点。选择完视频的最后一点后，按回车键。运行第三节和第四节。将标志位设为零，然后运行第五节。接着将标志位设为一，再次运行第五节。现在运行第六部分，并将结果并排比较。接下来，打开脚本二，编辑该脚本的第一部分以适配数据结构，然后运行第一部分。修改脚本的第二部分以适配数据结构，并运行第二部分。利用生成的图像观察在分析的视频中光流变化最显著的区域。修改脚本的第三部分以适配数据结构和分析需求。要分析完整的视频视野（FOV），请将 select ROI 标志设为零，并将 ROI 设为零，然后运行第三节。要分析新的感兴趣区域（ROI），请将 select ROI 标志设为一，并将 ROI 设为零。然后编辑 newCoordsName 并运行第三节。通过点击并拖动在显示的示例帧中选择新的感兴趣区域（ROI）。若要分析先前绘制的 ROI，请将 select ROI 标志设为零，并将 ROI 设为一。然后编辑 inputCoords，提供一组预设的坐标，并运行第三节。打开脚本三，编辑该脚本的第一至第三节，以符合数据结构和分析需求。在第一节中，将分析选项标志 ZSC、BLRM、BLZSC、demeanPerTrial 和 applyLPfilter 设置为 0 或 1。将LPfilter设置为一个数值，表示所需低通滤波器的赫兹值。然后运行第一至第三部分。打开脚本四，并编辑该脚本的第一部分以适配数据结构和分析需求。运行第一部分。打开脚本五，编辑其中的第一部分以适配数据结构和分析。然后运行第一部分和第二部分。在第三节输入部分，修改 group、myTitle 和 threshT 变量，以反映所需的组分析设置。对每个感兴趣的组运行第三节。然后根据可视化需求，调整 C 轴的范围和颜色条的显示界限。在第四部分的输入中，更改 mag、myTitle 和 threshT 变量，以反映所需的组间比较。对每个感兴趣的组间比较运行第四部分，然后根据需要调整 Z 轴范围和颜色条的显示极限。光流矢量指示了动物运动的区域，尤其是吻部和足部周围。光流幅值的标准差识别出运动波动较高和较低的区域。与未生育雌鼠相比，产母鼠对幼崽叫声的运动反应更强，但对纯音则无此差异。主成分分析显示，在呈现两种刺激期间，与未生育雌鼠相比，产母鼠在鼻部区域的运动更多。对验证数据集进行光学流量化分析，揭示了动物对高水量与低水量奖励的行为反应存在显著差异。这些结果进一步表明，所介绍的视频分析流程可用于捕捉不同条件下动物行为的有意义差异。

profiling-maternal-behavior-responses-during-whole-brain-imaging

Research

科研

JoVE Journal

Behavior

行为

在全脑成像过程中分析母体行为反应

本文展示了一种实验设计，该设计结合使用全身动画角色和功能磁共振成像（fMRI）来研究观察虚拟社交互动时的神经相关机制。...

观察虚拟社会互动的神经相关性的脑成像研究

我们介绍了一种利用功能磁共振成像研究回忆情绪性自传体记忆神经相关机制的实验方案。该方案可用于健康个体和临床受试者。...

情绪性自传体记忆的神经相关性脑成像研究

我们提出了一种利用功能磁共振成像研究刻意与自动情绪调节神经相关机制的实验方案。该方案可用于健康受试者（包括年轻人和老年人），也可用于临床患者。...

情绪调节神经机制的脑成像研究

我们介绍了一种利用功能性磁共振成像研究情绪对认知产生不利影响的神经机制的实验方案。该方案可用于健康个体和临床受试者。...

情绪对认知损害效应的脑成像研究

我们研究的目标是将行为与大脑活动相关联。精确的行为测量和成像技术使我们能够阐明脑-行为之间的关系。...

将行为反应与人类前额叶皮层的fMRI信号相关联：通过任务分析检验认知过程

本方案描述了一种在啮齿类动物中同时进行功能性磁共振成像与深部脑刺激的标准方法。结合使用这两种实验工具，可探索几乎任意脑区靶点在接受电刺激后所引发的全脑范围内的下游活动响应。...

啮齿类动物深部脑刺激联合同步功能性磁共振成像

本文介绍了如何使用情绪性偏差任务和功能性磁共振成像（fMRI）来测量精神分裂症家族性高风险（FHR）儿童和青少年的大脑激活情况。 采用fMRI测量在执行情绪性偏差任务过程中前额-纹状体-边缘区域的功能差异。具有FHR的儿童在青春期表现出异常的功能性激活。...

使用情绪性oddball任务测量具有精神分裂症家族高风险儿童的前额-边缘系统活动

这是一项3T磁共振成像研究，旨在探讨大麻诱发的精神病患者与非精神病性慢性大麻使用者之间灰质体积的差异。...

伴有或不伴有精神病的大麻使用者的大脑形态学：一项初步的MRI研究

小波变换相干性（WTC）是功能近红外光谱（fNIRS）超扫描研究中用于评估信号间耦合的常用方法。本文介绍了一种用于评估信号相互作用方向性的工具箱。...

功能近红外光谱（fNIRS）超扫描研究中跨脑相干性理解的新框架

我们介绍了一种利用功能磁共振成像探索认知情绪调节任务（即认知重评）神经相关机制的实验方案。该方案曾用于强迫症患者和健康对照者，但也可应用于其他临床样本。...

利用基于任务的功能性磁共振成像探讨强迫症患者认知重评的神经相关性

了解如何使用MATLAB视频分析流程在清醒小鼠功能性磁共振成像环境中监测自发行为反应。该方法通过光流分析量化母体与未交配雌性小鼠对幼崽叫声的运动反应差异，为研究母婴行为的神经基础提供全脑活动与行为关联的新工具。

全脑成像期间母性行为反应的表征

探索更多视频