Integration von Verhaltensbewertung bei Tieren und Convolutional Neural Network zur Untersuchung der Geschmacks-Geruchs-Interaktion zwischen Wasabi und Alkohol

Wir wollen sehen, ob der Geruch von alkoholischen Getränken die Verbrennung von Wasabi lindern kann. Also haben wir eine Methode entwickelt, die Tierverhaltensstudien und tiefes Lernen umfasst, um diese Geschmacks-Geruchs-Interaktion zu erforschen. Durch die Verwendung unseres speziellen Käfigdesigns für die Verhaltensdatenerfassung und eines robusten Deep-Learning-Modells fanden wir heraus, dass 29 % der Bilder, die die gleichzeitige Behandlung von Wasabi und Alkohol darstellten, als Wasabi-negativ, flüssig-positiv eingestuft wurden, was darauf hindeutet, dass Alkohol den Auswirkungen von Wasabi entgegenwirken kann.

Unsere Studie wirft die Frage auf, warum Alkohol die durch Wasabi verursachten Beschwerden unterdrücken kann. Das Verständnis des zugrundeliegenden physiologischen Mechanismus, der diese Interaktion antreibt, wird ein Schwerpunkt zukünftiger Forschung sein. Bauen Sie zunächst zwei undurchsichtige Seitenwände, indem Sie Ziegel auf eine Höhe von 54 Millimetern stapeln.

Betten Sie die Acrylplatten in den Käfig auf Acrylnitril-Butadien-Styrolbasis ein. Bereiten Sie eine Chows-Kammer vor, die aus fünf 90 Millimeter x 50 Millimeter großen transparenten Acrylplatten mit einer Dicke von zwei Millimetern besteht. Bereiten Sie als nächstes eine transparente Acrylplatte als Chow-Einführungsplatte vor und legen Sie sie in die Chows-Kammer.

Nachdem Sie Verhaltensexperimente mit einem neun bis 10 Wochen alten Mausmodell durchgeführt haben, zerlegen Sie alle Acryl- und Acrylnitril-Butadien-Styrolplatten. Spülen Sie die Platten mindestens dreimal mit Reinstwasser ab. Und trocknen Sie sie dann mit Papiertüchern ab.

Besprühen Sie sie anschließend mit 75% Ethanol und reinigen Sie sie anschließend mit Linsenpapier. Zum Schluss mindestens 15 Minuten an der Luft trocknen lassen. Wiegen Sie nun die Mäuse und notieren Sie ihr Körpergewicht vor jeder Wiederholung des Verhaltensexperiments.

Um eine Mischung aus Wasabi und Erdnussbutter zuzubereiten, wiegen Sie ein Gramm handelsübliches Wasabi und 4,5 Gramm Erdnussbutter. Mischen Sie sie in einer Plastiktüte mit Reißverschluss. Wiegen Sie ab und geben Sie entweder zwei 0,5-Gramm-Pasten Erdnussbutter oder eine Mischung aus Wasabi und Erdnussbutter auf den Einführungsteller.

Legen Sie die vorbereitete Chow-Einführungsplatte in die Chows-Kammer. Füllen Sie dann die darunter liegende Rille mit 30 Millilitern Flüssigkeit, entweder reinem Wasser oder Spirituosen, um die gleichzeitige Inhalation zu erleichtern. Beginnen Sie die Aufnahme mit den Kameras von zwei Smartphones, die auf den Telefonständern an jedem Terminal platziert sind.

Setzen Sie vorsichtig zwei trainierte Maus-Wurfgeschwister von oben in die dafür vorgesehene Plattform für Tierverhaltensstudien ein und sichern Sie den Käfig umgehend mit der oberen Platte. Zeichnen Sie zunächst das Verhalten von Mäusen während der Erfahrung der Wasabi-induzierten Nozizeption auf, während sie in einem speziell entwickelten Käfig Alkohol schnüffeln. Verwenden Sie das bereitgestellte Jupyter Notebook mit dem Namen Step1_ExtractingAndSavingVideoFrameImages.

ipynb, exportieren Sie eine Reihe von Video-Frame-Bildern aus den gesammelten Videoclips, um ein Dataset für das Modelltraining zu generieren. Markieren Sie die Bilder nur mit mindestens einer Maus, die die bereitgestellte Paste verwendet. Um die Datenerweiterung durchzuführen, implementieren Sie das Skript, das im Jupyter Notebook mit dem Namen Step2_DataAugmentation bereitgestellt wird.

ipynb zum horizontalen Spiegeln der generierten Bilder. Reservieren Sie die Bilddaten von jedem zweiten Replikat für die externe, unabhängige CNN-Modellvalidierung. Verwenden Sie die Images aus jeder ersten und dritten Replizierung für internes Modelltraining und Tests.

Um die in der CNN-Modellierung verwendeten Bilddaten vorzuverarbeiten, führen Sie das Skript im Jupyter Notebook mit dem Namen Step3_CNNmodeling_TrainTest aus. ipynb, einschließlich Bildgrößenänderung, Schwarzfarbkonvertierung und Normalisierung von Bildsignalen. Teilen Sie die Schulungsunterlagen nach dem Zufallsprinzip in interne Schulungs- und Testdatensätze auf.

Initialisieren Sie dann die CNN-Architektur. Entwerfen Sie die Anzahl der CNN-Ausgaben basierend auf der Anzahl der zu untersuchenden Szenarien. Übernehmen Sie die optimale Hyperparameterkombination für die Erstellung der CNN-Architektur.

Öffnen Sie als Nächstes das bereitgestellte Jupyter Notebooks-Step4_CNNmodel_ExternalValOriginal. ipynb und Step5_CNNmodel_ExternalValFlipped.ipynb. Validieren Sie das erreichte Modell anhand der unabhängigen Bilder aus der zweiten Replik des Tierverhaltensexperiments.

Stellen Sie das erreichte und validierte Modell zum Klassifizieren der Videoframebilder bereit, die aus der experimentellen Gruppe mit Jupyter Notebook Step6_CNNmodel_Application.ipynb generiert wurden. Der MGS-Score stieg bei Mäusen, die eine Mischung aus Wasabi und Erdnussbutter erhielten, signifikant an, verglichen mit solchen, die nur Erdnussbutter erhielten. Der MGS-Score zeigte keinen signifikanten Unterschied zwischen der Kontrollgruppe und Mäusen, die Alkoholdampf ausgesetzt waren.

Der MGS-Score von Mäusen, die mit Wasabi und Erdnussbutter versorgt wurden, nahm signifikant ab, wenn sie Alkoholdampf ausgesetzt waren, verglichen mit solchen, die nicht exponiert waren.