Method Article

Seguimiento de ratas en cámaras de acondicionamiento de operantes utilizando una cámara de vídeo casera versátil y DeepLabCut

DOI:

10.3791/61409

⸱

June 15th, 2020

 ,  ,  ,  , 
1Basal Ganglia Pathophysiology Unit, Dept. Experimental Medical Science, Lund University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este protocolo describe cómo construir una cámara de video pequeña y versátil, y cómo utilizar los videos obtenidos de ella para entrenar una red neuronal para rastrear la posición de un animal dentro de las cámaras de acondicionamiento de operandos. Este es un valioso complemento a los análisis estándar de los registros de datos obtenidos de las pruebas de acondicionamiento de operandos.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Las cámaras de acondicionamiento de operantes se utilizan para realizar una amplia gama de pruebas de comportamiento en el campo de la neurociencia. Los datos registrados se basan típicamente en la activación de los sensores de palanca y nariz-poke presentes dentro de las cámaras. Si bien esto proporciona una vista detallada de cuándo y cómo los animales realizan ciertas respuestas, no se puede utilizar para evaluar comportamientos que no activan ningún sensor. Como tal, evaluar cómo los animales se posicionan y se mueven dentro de la cámara rara vez es posible. Para obtener esta información, los investigadores generalmente tienen que grabar y analizar videos. Los fabricantes de cámaras de acondicionamiento de operandos normalmente pueden suministrar a sus clientes configuraciones de cámara de alta calidad. Sin embargo, estos pueden ser muy costosos y no necesariamente se ajustan a cámaras de otros fabricantes u otras configuraciones de pruebas de comportamiento. El protocolo actual describe cómo construir una cámara de video barata y versátil utilizando componentes electrónicos de hobby. Describe además cómo utilizar el paquete de software de análisis de imágenes DeepLabCut para realizar un seguimiento del estado de una señal de luz fuerte, así como la posición de una rata, en vídeos recopilados de una cámara de acondicionamiento de operando. El primero es una gran ayuda a la hora de seleccionar segmentos cortos de interés en vídeos que cubren sesiones de prueba completas, y el segundo permite el análisis de parámetros que no se pueden obtener de los registros de datos producidos por las cámaras operantes.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

En el campo de la neurociencia conductual, los investigadores suelen utilizar cámaras de acondicionamiento de operandos para evaluar una amplia gama de diferentes características cognitivas y psiquiátricas en roedores. Si bien hay varios fabricantes diferentes de estos sistemas, por lo general comparten ciertos atributos y tienen un diseño casi estandarizado1,,2,3. Las cámaras son generalmente cuadradas o rectangulares, con una pared que se puede abrir para colocar animales en el interior, y una o dos de las paredes restantes que contienen componentes tales como palancas, aberturas de golpe de nariz, bandejas de recompensa, ruedas de respuesta y luces de varios tipos1,,2,,3. Las luces y sensores presentes en las cámaras se utilizan tanto para controlar el protocolo de ensayo como para realizar un seguimiento de los comportamientos de los animales1,2,3,4,5. Los sistemas típicos de acondicionamiento de operandos permiten un análisis muy detallado de cómo los animales interactúan con las diferentes operandodas y aberturas presentes en las cámaras. En general, cualquier ocasión en que se activen sensores puede ser grabada por el sistema, y a partir de estos datos los usuarios pueden obtener archivos de registro detallados que describen lo que el animal hizo durante pasos específicos de la prueba4,,5. Si bien esto proporciona una representación extensa del rendimiento de un animal, sólo se puede utilizar para describir comportamientos que activan directamente uno o más sensores4,5. Como tal, los aspectos relacionados con cómo el animal se posiciona y se mueve dentro de la cámara durante las diferentes fases de la prueba no están bien descritos6,7,8,9,10. Esto es desafortunado, ya que tal información puede ser valiosa para entender completamente el comportamiento del animal. Por ejemplo, se puede utilizar para aclarar por qué ciertos animales tienen un rendimiento deficiente en una prueba dada6,para describir las estrategias que los animales podrían desarrollar para manejar tareas difíciles6,,7,8,9,10, o para apreciar la verdadera complejidad de los comportamientos supuestamente simples11,12. Para obtener dicha información articulada, los investigadores suelen recurrir al análisis manual de los vídeos6,7,8,9,10,11.

Al grabar vídeos de cámaras de acondicionamiento de operandos, la elección de la cámara es fundamental. Las cámaras se encuentran comúnmente en cubículos de aislamiento, con protocolos que suelen hacer uso de pasos donde no hay luz visiblebrilla 3,6,7,8,9. Por lo tanto, el uso de iluminación infrarroja (IR) en combinación con una cámara sensible a infrarrojos es necesario, ya que permite la visibilidad incluso en completa oscuridad. Además, el espacio disponible para colocar una cámara dentro del cubículo de aislamiento es a menudo muy limitado, lo que significa que uno se beneficia fuertemente de tener cámaras pequeñas que utilizan lentes con un amplio campo de visión (por ejemplo, lentes de ojo de pez)9. Mientras que los fabricantes de sistemas de acondicionamiento de operandos a menudo pueden suministrar configuraciones de cámara de alta calidad a sus clientes, estos sistemas pueden ser costosos y no necesariamente se adaptan a cámaras de otros fabricantes o configuraciones para otras pruebas de comportamiento. Sin embargo, una ventaja notable sobre el uso de cámaras de vídeo independientes es que estas configuraciones a menudo pueden interactuar directamente con los sistemas de acondicionamiento deoperandos 13,14. A través de esto, se pueden configurar para registrar sólo eventos específicos en lugar de sesiones de prueba completas, lo que puede ayudar en gran medida en el análisis que sigue.

El protocolo actual describe cómo construir una cámara de video barata y versátil utilizando componentes electrónicos de hobby. La cámara utiliza una lente ojo de pez, es sensible a la iluminación IR y tiene un conjunto de diodos emisores de luz IR (LED IR) conectados a ella. Además, está construido para tener un perfil plano y delgado. Juntos, estos aspectos lo hacen ideal para grabar videos de la mayoría de las cámaras de acondicionamiento de operandos disponibles comercialmente, así como otras configuraciones de pruebas de comportamiento. El protocolo describe además cómo procesar los vídeos obtenidos con la cámara y cómo utilizar el paquete de software DeepLabCut15,16 para ayudar en la extracción de secuencias de vídeo de interés, así como el seguimiento de los movimientos de un animal en el mismo. Esto evita parcialmente el uso de una cámara independiente sobre las soluciones integradas proporcionadas por los fabricantes de operantes de sistemas de acondicionamiento, y ofrece un complemento a la puntuación manual de comportamientos.

Se han hecho esfuerzos para escribir el protocolo en un formato general para destacar que el proceso general se puede adaptar a los videos de diferentes pruebas de acondicionamiento de operandos. Para ilustrar ciertos conceptos clave, los videos de ratas que realizan la prueba de tiempo de reacción en serie de 5 opciones (5CSRTT)17 se utilizan como ejemplos.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Todos los procedimientos que incluyen el manejo de animales han sido aprobados por el Comité ético malmo-Lund para la investigación animal.

1. Construcción de la cámara de vídeo

NOTA: En la Tabla de materialesse proporciona una lista de los componentes necesarios para construir la cámara. Refiera también al cuadro 1, al cuadro 2, al cuadro 3, al cuadro 4, al cuadro 5.

  1. Coloque el anillo metálico magnético (que acompaña al paquete de lentes ojo de pez) alrededor de la abertura del soporte de la cámara(Figura 2A). Esto permitirá que la lente ojo de pez se coloque delante de la cámara.
  2. Conecte el módulo de la cámara al soporte de la cámara(Figura 2B). Esto dará cierta estabilidad al módulo de la cámara y ofrecerá cierta protección a los circuitos electrónicos.
  3. Abra los puertos de la cámara en el módulo de la cámara y el microordenador (Figura 1) tirando suavemente de los bordes de sus clips de plástico (Figura 2C).
  4. Coloque el cable de cinta en los puertos de la cámara, de modo que los conectores plateados se enfrenten a las placas de circuito (Figure2C). Bloquee el cable en su lugar empujando los clips de plástico de los puertos de la cámara.
  5. Coloque el microordenador en la caja de plástico e inserte la tarjeta micro SD listada(Figura 2D).
    NOTA: La tarjeta micro SD funcionará como el disco duro del microordenador y contiene un sistema operativo completo. La tarjeta micro SD listada viene con un gestor de instalación preinstalado en ella (nuevo software fuera de caja (NOOBS). Como alternativa, se puede escribir una imagen de la última versión del sistema operativo del microordenador (Raspbian o Rasberry Pi OS) en una tarjeta micro SD genérica. Para obtener ayuda con esto, consulte los recursos oficiales de la web18. Es preferible utilizar una tarjeta micro SD de clase 10 con 32 Gb de espacio de almacenamiento. Es posible que las tarjetas SD más grandes no sean totalmente compatibles con el microordenador indicado.
  6. Conecte un monitor, un teclado y un ratón al microordenador y, a continuación, conecte su fuente de alimentación.
  7. Siga los pasos que indica la guía de instalación para realizar una instalación completa del sistema operativo del microordenador (Raspbian o Rasberry Pi OS). Cuando el microordenador haya arrancado, asegúrese de que esté conectado a Internet a través de un cable Ethernet o Wi-Fi.
  8. Siga los pasos descritos a continuación para actualizar los paquetes de software preinstalados del microordenador.
    1. Abra una ventana de terminal (Figura 3A).
    2. Escriba "sudo apt-get update" (excluyendo comillas) y pulse la tecla Intro(Figura 3B). Espere a que finalice el proceso.
    3. Escriba "sudo apt full-upgrade" (excluyendo comillas) y pulse Intro. Realice respuestas de botón cuando se le solicite y espere a que finalice el proceso.
  9. En el menú Inicio, seleccione Preferencias y configuraciones de Raspberry Pi (Figura 3C). En la ventana abierta, vaya a la pestaña Interfaces y haga clic en Enable the Camera and I2C. Esto es necesario para que el microordenador funcione con la cámara y los módulos LED IR.
  10. Cambie el nombre del archivo suplementario 1 a "Pi_video_camera_Clemensson_2019.py". Cópielo en una memoria USB y, posteriormente, en la carpeta /home/pi del microordenador (Figura 3D). Este archivo es una secuencia de comandos de Python, que permite realizar grabaciones de vídeo con los interruptores de botón que se adjuntan en el paso 1.13.
  11. Siga los pasos descritos a continuación para editar el archivo rc.local del microordenador. Esto hace que el equipo inicie el script copiado en el paso 1.10 e inicie los LED IR conectados en el paso 1.13 cuando se inicia.
    ADVERTENCIA: Esta función de inicio automático no funciona de forma fiable con placas de microordenador que no sean el modelo indicado.
    1. Abra una ventana de terminal, escriba "sudo nano /etc/rc.local" (excluyendo comillas) y pulse Intro. Esto abre un archivo de texto (Figura 4A).
    2. Utilice las teclas de flecha del teclado para mover el cursor hacia abajo hasta el espacio entre "fi" y "exit 0"(Figura 4A).
    3. Agregue el texto siguiente como se muestra en la Figura 4B, escribiendo cada cadena de texto en una nueva línea:
      sudo i2cset -y 1 0x70 0x00 0xa5 &
      sudo i2cset -y 1 0x70 0x09 0x0f &
      sudo i2cset -y 1 0x70 0x01 0x32 &
      sudo i2cset -y 1 0x70 0x03 0x32 &
      sudo i2cset -y 1 0x70 0x06 0x32 &
      sudo i2cset -y 1 0x70 0x08 0x32 &
      sudo python /home/pi/Pi_video_camera_Clemensson_2019.py &
    4. Guarde los cambios pulsando Ctrl + x seguido de y y Enter.
  12. Soldar los componentes necesarios como se indica en la Figura 5A,y como se describe a continuación.
    1. Para los dos LED de colores, conecte una resistencia y un cable de puente hembra a una pierna, y un cable de puente hembra a la otra(Figura 5A). Trate de mantener los cables lo más cortos posible. Tome nota de cuál de los electrodos del LED es el negativo (normalmente el corto), ya que esto necesita ser conectado a tierra en los pines de entrada/salida de propósito general (GPIO) del microordenador.
    2. Para los dos interruptores de botón, conecte un cable de puente hembra a cada pierna(Figura 5A). Haga que los cables sean largos para uno de los interruptores y cortos para el otro.
    3. Para montar el módulo LED IR, siga las instrucciones disponibles en sus recursos web oficiales19.
    4. Cubra las juntas soldadas con tubos retráctiles para limitar el riesgo de cortocircuito de los componentes.
  13. Apague el microordenador y conecte los interruptores y LEDs a sus pines GPIO como se indica en la Figura 5B,y se describe a continuación.
    ADVERTENCIA: El cableado de los componentes a los pines GPIO incorrectos podría dañarlos y/o el microordenador cuando la cámara está encendida.
    1. Conecte un LED para que su extremo negativo se conecte al pin #14 y su extremo positivo se conecte a #12 de pines. Este LED brillará cuando el microordenador haya arrancado y la cámara esté lista para ser utilizada.
    2. Conecte el interruptor de botón con cables largos para que un cable se conecte al #9 de pasador y el otro para anclar #11. Este botón se utiliza para iniciar y detener las grabaciones de vídeo.
      NOTA: El script que controla la cámara se ha escrito para que este botón no responda durante unos segundos justo después de iniciar o detener una grabación de vídeo.
    3. Conecte un LED para que su extremo negativo se conecte al pin #20 y su extremo positivo se conecte a #13 de pines. Este LED brillará cuando la cámara esté grabando un vídeo.
    4. Conecte el interruptor de botón con los cables cortos para que un cable se conecte al pin #37 y el otro para anclar #39. Este interruptor se utiliza para apagar la cámara.
    5. Conecte el módulo LED IR como se describe en sus recursos web oficiales19.

2. Diseñar el protocolo de acondicionamiento de operandos de interés

NOTA: Para utilizar DeepLabCut para realizar un seguimiento de la progresión del protocolo en vídeos grabados desde cámaras operantes, los protocolos de comportamiento deben estructurarse de maneras específicas, como se explica a continuación.

  1. Establezca el protocolo para utilizar la luz de la casa de la cámara, u otra señal de luz fuerte, como indicador de un paso específico en el protocolo (como el inicio de ensayos individuales, o la sesión de prueba) (Figura 6A). Esta señal se denominará "indicador de paso de protocolo" en el resto de este protocolo. La presencia de esta señal permitirá rastrear la progresión del protocolo en los vídeos grabados.
  2. Establezca el protocolo para registrar todas las respuestas de interés con marcas de tiempo individuales en relación con cuando el indicador de paso de protocolo se active.

3. Grabación de vídeos de animales realizando la prueba conductual de interés

  1. Coloque la cámara en la parte superior de las cámaras de operación, de modo que registre una vista superior del área interior (Figura 7).
    NOTA: Esto es especialmente adecuado para capturar la posición general y la postura de un animal dentro de la cámara. Evite colocar las luces indicadoras de la cámara y el módulo LED IR cerca de la lente de la cámara.
  2. Encienda la cámara conectándola a una toma de corriente a través del cable de alimentación.
    NOTA: Antes del primer uso, es beneficioso ajustar el enfoque de la cámara, utilizando la pequeña herramienta que acompaña al módulo de la cámara.
  3. Utilice el botón conectado en el paso 1.13.2 para iniciar y detener grabaciones de vídeo.
  4. Apague la cámara siguiendo estos pasos.
    1. Mantenga pulsado el botón conectado en el paso 1.13.4 hasta que el LED conectado en el paso 1.13.1 se apague. Esto inicia el proceso de apagado de la cámara.
    2. Espere hasta que el LED verde visible en la parte superior del microordenador (Figura 1) haya dejado de parpadear.
    3. Retire la fuente de alimentación de la cámara.
      ADVERTENCIA: Desenchufar la fuente de alimentación mientras el microordenador sigue funcionando puede causar daños en los datos de la tarjeta micro SD.
  5. Conecte la cámara a un monitor, teclado, ratón y dispositivo de almacenamiento USB y recupere los archivos de vídeo de su escritorio.
    NOTA: Los archivos se nombran según la fecha y la hora en que se inició la grabación de vídeo. Sin embargo, el microordenador no tiene un reloj interno y sólo actualiza su configuración de tiempo cuando está conectado a Internet.
  6. Convierte los vídeos grabados de .h264 a . MP4, ya que este último funciona bien con DeepLabCut y la mayoría de los reproductores multimedia.
    NOTA: Hay varias maneras de lograrlo. Uno se describe en el archivo suplementario 2.

4. Análisis de vídeos con DeepLabCut

NOTA: DeepLabCut es un paquete de software que permite a los usuarios definir cualquier objeto de interés en un conjunto de fotogramas de vídeo, y posteriormente utilizarlos para entrenar una red neuronal en el seguimiento de las posiciones de los objetos en vídeos de longitud completa15,,16. Esta sección proporciona un esquema aproximado de cómo utilizar DeepLabCut para realizar un seguimiento del estado del indicador de paso de protocolo y la posición de la cabeza de una rata. La instalación y el uso de DeepLabCut está bien descrito en otros protocolos publicados15,,16. Cada paso se puede hacer a través de comandos específicos de Python o la interfaz gráfica de usuario de DeepLabCut, como se describe en otros lugares15,,16.

  1. Cree y configure un nuevo proyecto DeepLabCut siguiendo los pasos descritos en16.
  2. Utilice la función de captura de fotogramas de DeepLabCut para extraer fotogramas de vídeo de 700 o 2012900 de uno o más de los vídeos grabados en la sección 3.
    NOTA: Si los animales difieren considerablemente en la pigmentación del pelaje u otras características visuales, es aconsejable que los fotogramas de vídeo extraídos 700-u2012900 se dividan entre videos de diferentes animales. A través de esto, una red entrenada se puede utilizar para rastrear a diferentes individuos.
    1. Asegúrese de incluir fotogramas de vídeo que muestren el estado activo (Figura 8A) e inactivo (Figura 8B) del indicador de paso de protocolo.
    2. Asegúrese de incluir fotogramas de vídeo que cubran el rango de diferentes posiciones, posturas y movimientos de la cabeza que la rata puede mostrar durante la prueba. Esto debe incluir fotogramas de vídeo donde la rata está parada en diferentes áreas de la cámara, con su cabeza apuntando en diferentes direcciones, así como fotogramas de vídeo donde la rata se está moviendo activamente, entrando en aberturas de golpe de nariz y entrando en la vaguada de pellets.
  3. Utilice DeepLabCut's Labeling Toolbox para marcar manualmente la posición de la cabeza de la rata en cada fotograma de vídeo extraído en el paso 4.2. Utilice el cursor del ratón para colocar una etiqueta de "cabeza" en una posición central entre las orejas de la rata (Figura 8A, B). Además, marque la posición de la luz de la casa de la cámara (u otro indicador de paso de protocolo) en cada fotograma de vídeo donde está brillando activamente (Figura 8A). Deje la luz de la casa sin etiquetar en marcos donde esté inactiva (Figura 8B).
  4. Utilice las funciones "crear conjunto de datos de entrenamiento" y "red de entrenamiento" de DeepLabCut para crear un conjunto de datos de entrenamiento a partir de los fotogramas de vídeo etiquetados en el paso 4.3 e iniciar el entrenamiento de una red neuronal. Asegúrese de seleccionar "resnet_101" para el tipo de red elegido.
  5. Detenga el entrenamiento de la red cuando la pérdida de entrenamiento se haya estanado por debajo de 0.01. Esto puede tardar hasta 500.000 iteraciones de entrenamiento.
    NOTA: Cuando se utiliza una máquina GPU con aproximadamente 8 GB de memoria y un conjunto de entrenamiento de unos 900 fotogramas de vídeo (resolución: 1640 x 1232 píxeles), se ha encontrado que el proceso de entrenamiento tarda aproximadamente 72 h.
  6. Utilice la función de análisis de vídeo de DeepLabCut para analizar los vídeos recopilados en el paso 3, utilizando la red neuronal entrenada en el paso 4.4. Esto proporcionará un archivo .csv que enumera las posiciones rastreadas de la cabeza de la rata y el indicador de paso de protocolo en cada fotograma de vídeo de los videos analizados. Además, creará archivos de vídeo marcados donde las posiciones rastreadas se muestran visualmente (Videos 1-8).
  7. Evalúe la precisión del seguimiento siguiendo los pasos descritos a continuación.
    1. Utilice la función de evaluación integrada de DeepLabCut para obtener una evaluación automatizada de la precisión de seguimiento de la red. Esto se basa en los fotogramas de vídeo que se etiquetaron en el paso 4.3 y describe cuán lejos, en promedio, la posición rastreada por la red está de la etiqueta colocada manualmente.
    2. Seleccione una o más secuencias de vídeo breves (de aproximadamente 100 fotogramas de vídeo de 100 u2012200 cada una) en los vídeos marcados obtenidos en el paso 4.6. Ir a través de las secuencias de vídeo, fotograma a fotograma, y tenga en cuenta en cuántos fotogramas las etiquetas indican correctamente las posiciones de la cabeza de la rata, la cola, etc., y en cuántos fotogramas las etiquetas se colocan en posiciones erróneas o no se muestran.
      1. Si la etiqueta de una parte u objeto del cuerpo se pierde con frecuencia o se coloca en una posición errónea, identifique las situaciones en las que se produce un error en el seguimiento. Extraiga y añada marcos etiquetados de estas ocasiones repitiendo los pasos 4.2. y 4.3. A continuación, vuelva a entrenar la red y vuelva a analizar los vídeos repitiendo los pasos 4.4-4.7. En última instancia, se debe lograr una precisión de seguimiento de >90%.

5. Obtención de coordenadas para los puntos de interés en las cámaras de operación

  1. Utilice DeepLabCut como se describe en el paso 4.3 para marcar manualmente los puntos de interés en las cámaras de operación (como aberturas de golpes de nariz, palancas, etc.) en un solo fotograma de vídeo (Figura 8C). Estos se eligen manualmente en función de los intereses específicos del estudio, aunque siempre se debe incluir la posición del indicador de paso de protocolo.
  2. Recupere las coordenadas de los puntos de interés marcados del archivo .csv que DeepLabCut almacena automáticamente en "datos etiquetados" en la carpeta del proyecto.

6. Identificación de segmentos de vídeo donde el indicador de paso de protocolo está activo

  1. Cargue los archivos .csv obtenidos del análisis de vídeo DeepLabCut en el paso 4.6 en un software de gestión de datos de su elección.
    NOTA: Debido a la cantidad y complejidad de los datos obtenidos de DeepLabCut y los sistemas de acondicionamiento de operantes, la gestión de datos se realiza mejor a través de scripts de análisis automatizados. Para empezar a trabajar con esto, consulte las guías de nivel de entrada disponibles en otros lugares20,21,22.
  2. Tenga en cuenta en qué segmentos de vídeo se realiza un seguimiento del indicador de paso de protocolo dentro de 60 píxeles de la posición obtenida en la sección 5. Estos serán períodos en los que el indicador del paso del protocolo está activo (Figura 6B).
    NOTA: Durante los segmentos de vídeo en los que el indicador de paso de protocolo no está brillante, el vídeo marcado puede parecer indicar que DeepLabCut no lo está rastreando a ninguna posición. Sin embargo, esto rara vez es el caso, y en su lugar se realiza un seguimiento normalmente a varias ubicaciones dispersas.
  3. Extraiga el punto de partida exacto para cada período en el que el indicador de paso de protocolo está activo (Figura 6C: 1).

7. Identificación de segmentos de interés de vídeo

  1. Considere los puntos donde el indicador del paso del protocolo se activa(Figura 6C: 1) y las marcas de tiempo de las respuestas grabadas por las cámaras de operación (sección 2, Figura 6C: 2).
  2. Utilice esta información para determinar qué segmentos de vídeo cubren eventos interesantes específicos, como intervalos entre pruebas, respuestas, recuperaciones de recompensas, etc. (Figura 6C: 3, Figura 6D).
    NOTA: Para ello, tenga en cuenta que la cámara descrita aquí graba vídeos a 30 fps.
  3. Tenga en cuenta los fotogramas de vídeo específicos que cubren estos eventos de interés.
  4. (Opcional) Edite archivos de vídeo de sesiones de prueba completas para incluir solo los segmentos de interés específicos.
    NOTA: Hay varias maneras de lograrlo. Uno se describe en el archivo suplementario 2 y 3. Esto ayuda en gran medida al almacenar un gran número de videos y también puede hacer que revisar y presentar resultados sea más conveniente.

8. Analizar la posición y los movimientos de un animal durante segmentos de vídeo específicos

  1. Subconjunto de los datos de seguimiento completos de la posición del cabezal obtenidos de DeepLabCut en el paso 4.6 para incluir solo los segmentos de vídeo que se incluyen en la sección 7.
  2. Calcular la posición de la cabeza del animal en relación con uno o más de los puntos de referencia seleccionados en la sección 5 (Figura 8C). Esto permite comparaciones de seguimiento y posición entre diferentes vídeos.
  3. Realizar un análisis en profundidad relevante de la posición y los movimientos del animal.
    NOTA: El análisis específico realizado será muy específico del estudio. A continuación se muestran algunos ejemplos de parámetros que se pueden analizar.
    1. Visualice los trazados de ruta trazando todas las coordenadas detectadas durante un período seleccionado dentro de un gráfico.
    2. Analice la proximidad a un punto de interés determinado utilizando la siguiente fórmula:
      figure-protocol-1
    3. Analice los cambios de velocidad durante un movimiento calculando la distancia entre las coordenadas rastreadas en fotogramas consecutivos y divida entre 1/fps de la cámara.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Rendimiento de la cámara de vídeo

Los resultados representativos se reunieron en cámaras de acondicionamiento de operantes para ratas con superficies de 28,5 cm x 25,5 cm, y alturas de 28,5 cm. Con la lente ojo de pez conectada, la cámara captura el área completa del suelo y grandes partes de las paredes circundantes, cuando se coloca por encima de la cámara (Figura 7A). Como tal, se puede obtener una buena vista, incluso si la cámara se coloca de...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este protocolo describe cómo construir una cámara de video económica y flexible que se puede utilizar para grabar videos de cámaras de acondicionamiento de operandos y otras configuraciones de pruebas de comportamiento. Además, demuestra cómo utilizar DeepLabCut para rastrear una señal de luz fuerte dentro de estos videos, y cómo se puede utilizar para ayudar a identificar segmentos de vídeo breves de interés en archivos de vídeo que cubren sesiones de prueba completas. Por último, describe cómo utilizar el seguimiento d...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Si bien los materiales y recursos de la fundación Raspberry Pi han sido utilizados y citados en este manuscrito, la fundación no participó activamente en la preparación o uso de equipos y datos en este manuscrito. Lo mismo es cierto para Pi-Supply. Los autores no tienen nada que revelar.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este trabajo fue apoyado por subvenciones de la Fundación Cerebral Sueca, la Fundación Sueca del Parkinson y los Fondos del Gobierno sueco para la Investigación Clínica (M.A.C.), así como las fundaciones Wenner-Gren (M.A.C, E.K.H.C), la Fundación Hlén (M.A.C.) y la fundación Blanceflor Boncompagni Ludovisi, de soltera Bildt (S.F).

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Tarjeta micro SD de 32 Gb con el nuevo software Our Of Box (NOOBS) preinstaladoLa cabaña Pi (https://thpihut.com)Resistencia de 32 GB
y 330 ohmiosLa cabaña Pi (https://thpihut.com)100287Este artículo es para un paquete con resistencias mixtas, donde se incluyen resistencias de 330 ohmios.
Módulo de cámara (cámara Raspberry Pi NoIR v.2)La cabaña Pi (https://thpihut.com)100004
Cable plano de la cámara (Raspberry Pi Zero cable de cámara)La carcasa Pi (https://thpihut.com)MMP-1294Esto solo es necesario si se usa una Raspberry Pi cero. Si se utiliza otra placa Raspberry Pi, un cable plano de cámara adecuado acompaña al componente de la cámara
LED de coloresLa cabaña Pi (https://thpihut.com)ADA4203Este artículo es para un paquete con colores mezclados de LED. Se puede utilizar cualquier color.
Cables de puente hembra-hembraLa cabaña Pi (https://thpihut.com)ADA266
(Bright Pi)Suministro Pi (https://uk.pi-supply.com)PIS-0027
(placa Raspberry Pi Zero con cabezales presoldados)La cabaña Pi (https://thpihut.com)102373También se pueden utilizar otras placas Raspberry Pi, aunque el método para iniciar automáticamente el script de Python solo funciona con Raspberry Pi zero. Si se utilizan otros modelos, el script de Python debe iniciarse manualmente.
Interruptor pulsadorLa cabaña Pi (https://thpihut.com)ADA367
Raspberry PiLa cabaña Pi (https://thpihut.com)102032
Caja Raspberry Pi ZeroLa cabaña Pi (https://thpihut.com)102118
Raspberry Pi, Mod my pi, soporte de cámara con lente magnética de ojo de pez y accesorio de anillo metálico magnéticoLa cabaña Pi (https://thpihut.com)MMP-0310-KIT
Módulo LED IR Placa base del microordenador Cable de alimentación

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Pritchett, K., Mulder, G. B. Operant conditioning. Contemporary Topics in Laboratory Animal Science. 43 (4), (2004).
  2. Clemensson, E. K. H., Novati, A., Clemensson, L. E., Riess, O., Nguyen, H. P. The BACHD rat model of Huntington disease shows slowed learning in a Go/No-Go-like test of visual discrimination. Behavioural Brain Research. 359, 116-126 (2019).
  3. Asinof, S. K., Paine, T. A. The 5-choice serial reaction time task: a task of attention and impulse control for rodents. Journal of Visualized Experiments. (90), e51574(2014).
  4. Coulbourn instruments. Graphic State: Graphic State 4 user's manual. Coulbourn instruments. , Holliston, Massachusetts. 12-17 (2013).
  5. Med Associates Inc. Med-PC IV: Med-PC IV programmer's manual. Med Associates Inc. , St. Albans, Vermont. 21-44 (2006).
  6. Clemensson, E. K. H., Clemensson, L. E., Riess, O., Nguyen, H. P. The BACHD rat model of Huntingon disease shows signs of fronto-striatal dysfunction in two operant conditioning tests of short-term memory. PloS One. 12 (1), (2017).
  7. Herremans, A. H. J., Hijzen, T. H., Welborn, P. F. E., Olivier, B., Slangen, J. L. Effect of infusion of cholinergic drugs into the prefrontal cortex area on delayed matching to position performance in the rat. Brain Research. 711 (1-2), 102-111 (1996).
  8. Chudasama, Y., Muir, J. L. A behavioral analysis of the delayed non-matching to position task: the effects of scopolamine, lesions of the fornix and of the prelimbic region on mediating behaviours by rats. Psychopharmacology. 134 (1), 73-82 (1997).
  9. Talpos, J. C., McTighe, S. M., Dias, R., Saksida, L. M., Bussey, T. J. Trial-unique, delayed nonmatching-to-location (TUNL): A novel, highly hippocampus-dependent automated touchscreen test of location memory and pattern separation. Neurobiology of Learning and Memory. 94 (3), 341(2010).
  10. Rayburn-Reeves, R. M., Moore, M. K., Smith, T. E., Crafton, D. A., Marden, K. L. Spatial midsession reversal learning in rats: Effects of egocentric cue use and memory. Behavioural Processes. 152, 10-17 (2018).
  11. Gallo, A., Duchatelle, E., Elkhessaimi, A., Le Pape, G., Desportes, J. Topographic analysis of the rat's behavior in the Skinner box. Behavioural Processes. 33 (3), 318-328 (1995).
  12. Iversen, I. H. Response-initiated imaging of operant behavior using a digital camera. Journal of the Experimental Analysis of Behavior. 77 (3), 283-300 (2002).
  13. Med Associates Inc. Video monitor: Video monitor SOF-842 user's manual. Med Associates Inc. , St. Albans, Vermont. 26-30 (2004).
  14. Coulbourn Instruments. Coulbourn Instruments. , Available from: https://www.coulbourn.com/product_p/h39-16.htm (2020).
  15. Mathis, A., et al. DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nature Neuroscience. 21 (9), 1281-1289 (2018).
  16. Nath, T., Mathis, A., Chen, A. C., Patel, A., Bethge, M., Mathis, M. W. Using DeepLabCut for 3D markerless pose estimation across species and behaviors. Nature Protocols. 14 (7), 2152-2176 (2019).
  17. Bari, A., Dalley, J. W., Robbins, T. W. The application of the 5-chopice serial reaction time task for the assessment of visual attentional processes and impulse control in rats. Nature Protocols. 3 (5), 759-767 (2008).
  18. Raspberry Pi foundation. Raspberry Pi foundation. , Available from: https://thepi.io/how-to-install-raspbian-on-the-raspberry-pi/ (2020).
  19. Pi-supply. Pi-supply. , Available from: https://learn.pi-supply.com/make/bright-pi-quickstart-faq/ (2018).
  20. Python. Python. , Available from: https://wiki.python.org/moin/BeginnersGuide/NonProgrammers (2020).
  21. MathWorks. MathWorks. , Available from: https://mathworks.com/academia/highschool/ (2020).
  22. Cran.R-Project.org. Cran.R-Project.org. , Available from: https://cran.r-project.org/manuals.html (2020).
  23. Liu, Y., Tian, C., Huang, Y. Critical assessment of correction methods for fisheye lens distortion. The international archives of the photogrammetry, remote sensing and spatial information sciences. , (2016).
  24. Pereira, T. D., et al. Fast animal pose estimation using deep neural networks. Nature Methods. 16 (1), 117-125 (2019).
  25. Graving, J. M., et al. DeepPoseKit, a software toolkit for fast and robust animal pose estimation using deep learning. Elife. 8 (47994), (2019).
  26. Geuther, B. Q., et al. Robust mouse tracking in complex environments using neural networks. Communications Biology. 2 (124), (2019).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Operant Conditioning ChambersVideo Camera SetupDeepLabCut TrackingRat Head TrackingVideo Frame AnalysisInfrared IlluminationProtocol Step IndicatorNeural Network TrainingCSV File OutputBehavioral Test Analysis

Related Articles