Article de méthode

Suivi des rats dans les chambres de conditionnement Operant à l’aide d’une caméra vidéo maison polyvalente et DeepLabCut

DOI :

10.3791/61409

⸱

15 juin 2020

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

Dans cet article

Résumé

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

Ce protocole décrit comment construire une petite caméra vidéo polyvalente, et comment utiliser les vidéos obtenues à partir de celui-ci pour former un réseau neuronal pour suivre la position d’un animal à l’intérieur des chambres de conditionnement opérant. Il s’agit d’un complément précieux aux analyses standard des journaux de données obtenus à partir de tests de conditionnement opérant.

Résumé

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

Les chambres de conditionnement d’opéra sont utilisées pour effectuer un large éventail de tests comportementaux dans le domaine des neurosciences. Les données enregistrées sont généralement basées sur le déclenchement de capteurs de levier et de nez-poke présents à l’intérieur des chambres. Bien que cela fournisse une vue détaillée du moment et de la façon dont les animaux effectuent certaines réponses, il ne peut pas être utilisé pour évaluer les comportements qui ne déclenchent aucun capteur. En tant que tel, il est rarement possible d’évaluer comment les animaux se positionnent et se déplacent à l’intérieur de la chambre. Pour obtenir cette information, les chercheurs doivent généralement enregistrer et analyser des vidéos. Les fabricants de chambres de conditionnement opérant peuvent généralement fournir à leurs clients des configurations d’appareils photo de haute qualité. Cependant, ceux-ci peuvent être très coûteux et ne correspondent pas nécessairement chambres d’autres fabricants ou d’autres configurations de test comportemental. Le protocole actuel décrit comment construire une caméra vidéo peu coûteuse et polyvalente à l’aide de composants électroniques de passe-temps. Il décrit en outre comment utiliser le logiciel d’analyse d’images DeepLabCut pour suivre l’état d’un signal lumineux fort, ainsi que la position d’un rat, dans des vidéos recueillies à partir d’une chambre de conditionnement opérant. Le premier est une grande aide lors de la sélection de courts segments d’intérêt pour les vidéos qui couvrent des sessions d’essai entières, et le second permet l’analyse des paramètres qui ne peuvent pas être obtenus à partir des journaux de données produits par les chambres opérant.

Introduction

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

Dans le domaine des neurosciences comportementales, les chercheurs utilisent généralement des chambres de conditionnement opérant pour évaluer un large éventail de caractéristiques cognitives et psychiatriques différentes chez les rongeurs. Bien qu’il existe plusieurs fabricants différents de ces systèmes, ils partagent généralement certains attributs et ont une conception presque normalisée1,2,3. Les chambres sont généralement carrées ou rectangulaires, avec un mur qui peut être ouvert pour placer les animaux à l’intérieur, et un ou deux des murs restants contenant des composants tels que des leviers, des ouvertures de nez-poke, plateaux de récompense, roues de réponse et des lumières de différents types1,2,3. Les lumières et les capteurs présents dans les chambres sont utilisés à la fois pour contrôler le protocole d’essai et suivre les comportements des animaux1,2,3,4,5. Les systèmes de conditionnement opérents typiques permettent une analyse très détaillée de la façon dont les animaux interagissent avec les différents opéranda et les ouvertures présentes dans les chambres. En général, toutes les occasions où des capteurs sont déclenchés peuvent être enregistrées par le système, et à partir de ces données, les utilisateurs peuvent obtenir des fichiers journaux détaillés décrivant ce que l’animal a fait au cours d’étapes spécifiques de l’essai4,5. Bien que cela fournit une représentation étendue de la performance d’un animal, il ne peut être utilisé que pour décrire les comportements qui déclenchent directement un ou plusieurs capteurs4,5. En tant que tel, les aspects liés à la façon dont l’animal se positionne et se déplace à l’intérieur de la chambre au cours des différentes phases de l’essai ne sont pas bien décrits6,7,8,9,10. C’est regrettable, car une telle information peut être utile pour bien comprendre le comportement de l’animal. Par exemple, il peut être utilisé pour clarifier pourquoi certains animaux effectuent mal sur un test donné6, pour décrire les stratégies que les animaux pourraient développer pour gérer les tâches difficiles6,7,8,9,10, ou pour apprécier la vraie complexité des comportements soi-disant simples11,12. Pour obtenir de telles informations articulées, les chercheurs se tournent généralement vers l’analyse manuelle des vidéos6,7,8,9,10,11.

Lors de l’enregistrement de vidéos à partir de chambres de conditionnement opérant, le choix de la caméra est critique. Les chambres sont généralement situées dans des cabines d’isolement, avec des protocoles faisant fréquemment usage des étapes où aucune lumière visible ne brille3,6,7,8,9. Par conséquent, l’utilisation de l’éclairage infrarouge (IR) en combinaison avec une caméra sensible à l’IR est nécessaire, car elle permet une visibilité même dans l’obscurité totale. En outre, l’espace disponible pour placer une caméra à l’intérieur de la cabine d’isolement est souvent très limité, ce qui signifie que l’on bénéficie fortement d’avoir de petites caméras qui utilisent des lentilles avec un large champ de vision (par exemple, lentilles fish-eye)9. Alors que les fabricants de systèmes de conditionnement opérant peuvent souvent fournir des configurations d’appareils photo de haute qualité à leurs clients, ces systèmes peuvent être coûteux et ne sont pas nécessairement adapter chambres d’autres fabricants ou des configurations pour d’autres tests comportementaux. Cependant, un avantage notable sur l’utilisation de caméras vidéo autonomes est que ces configurations peuvent souvent interfacer directement avec les systèmes de conditionnement opérant13,14. Grâce à cela, ils peuvent être mis en place pour enregistrer uniquement des événements spécifiques plutôt que des sessions de test complètes, ce qui peut grandement aider à l’analyse qui suit.

Le protocole actuel décrit comment construire une caméra vidéo peu coûteuse et polyvalente à l’aide de composants électroniques de passe-temps. La caméra utilise une lentille fisheye, est sensible à l’éclairage IR et a un ensemble de diodes électroluminescentes IR (IR LED) attachés à elle. En outre, il est construit pour avoir un profil plat et mince. Ensemble, ces aspects le rendent idéal pour enregistrer des vidéos de la plupart des chambres de conditionnement opérant disponibles dans le commerce ainsi que d’autres configurations de test comportemental. Le protocole décrit en outre comment traiter les vidéos obtenues avec la caméra et comment utiliser le logiciel DeepLabCut15,16 pour aider à extraire des séquences vidéo d’intérêt ainsi que le suivi des mouvements d’un animal dans ce pays. Cela contourne partiellement le recul de l’utilisation d’une caméra autonome sur les solutions intégrées fournies par les fabricants d’opérants de systèmes de conditionnement, et offre un complément à la notation manuelle des comportements.

Des efforts ont été faits pour écrire le protocole dans un format général pour souligner que le processus global peut être adapté aux vidéos de différents tests de conditionnement opérant. Pour illustrer certains concepts clés, les vidéos de rats effectuant le test de temps de réaction en série à 5 choix (5CSRTT)17 sont utilisées comme exemples.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

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

Toutes les procédures qui incluent la manipulation des animaux ont été approuvées par le comité d’éthique de Malmö-Lund pour la recherche sur les animaux.

1. Construction de la caméra vidéo

REMARQUE : Une liste des composants nécessaires à la construction de la caméra est fournie dans le tableau des matériaux. Se référer également à la figure 1, figure 2, figure 3, figure 4, figure 5.

  1. Attachez l’anneau métallique magnétique (qui accompagne l’ensemble de lentilles fisheye) autour de l’ouverture du support de la caméra (Figure 2A). Cela permettra à l’objectif fisheye d’être placé devant la caméra.
  2. Attachez le module de caméra au support de la caméra (Figure 2B). Cela donnera une certaine stabilité au module de caméra et offrira une certaine protection aux circuits électroniques.
  3. Ouvrez les ports de la caméra sur le module de caméra et le micro-ordinateur (Figure 1) en tirant doucement sur les bords de leurs clips en plastique (Figure 2C).
  4. Placez le câble du ruban dans les ports de la caméra, de sorte que les connecteurs argentés font face aux circuits (Figure2C). Verrouillez le câble en place en poussant dans les clips en plastique des ports de la caméra.
  5. Placez le micro-ordinateur dans le boîtier en plastique et insérez la carte micro SD répertoriée (Figure 2D).
    REMARQUE : La carte micro SD fonctionnera comme le disque dur du micro-ordinateur et contient un système d’exploitation complet. La carte micro SD répertoriée est livré avec un gestionnaire d’installation préinstallé sur elle (New Out Of Box Software (NOOBS). Comme alternative, on peut écrire une image de la dernière version du système d’exploitation du micro-ordinateur (Raspbian ou Rasberry Pi OS) à une carte générique micro SD. Pour obtenir de l’aide, veuillez consulter les ressources web officielles18. Il est préférable d’utiliser une carte de classe 10 micro SD avec 32 Go d’espace de stockage. Les cartes SD plus grandes peuvent ne pas être entièrement compatibles avec le micro-ordinateur répertorié.
  6. Connectez un moniteur, un clavier et une souris au micro-ordinateur, puis connectez son alimentation.
  7. Suivez les étapes, comme l’indique le guide d’installation pour effectuer une installation complète du système d’exploitation du micro-ordinateur (Raspbian ou Rasberry Pi OS). Lorsque le micro-ordinateur a démarré, assurez-vous qu’il est connecté à Internet soit par un câble ethernet ou Wi-Fi.
  8. Suivez les étapes décrites ci-dessous pour mettre à jour les packages logiciels préinstallés du micro-ordinateur.
    1. Ouvrir une fenêtre terminale (figure 3A).
    2. Tapez « sudo apt-get update » (à l’exclusion des guillemets) et appuyez sur la touche Entrée (Figure 3B). Attendez que le processus se termine.
    3. Tapez « sudo apt full-upgrade » (à l’exclusion des guillemets) et appuyez sur entrer. Effectuez des réponses de bouton s’il vous y est demandé et attendez que le processus se termine.
  9. Sous le menu Démarrer, sélectionnez Préférences et configurations Raspberry Pi (Figure 3C). Dans la fenêtre ouverte, accédez à l’onglet Interfaces et cliquez pour activer la caméra et i2C. Ceci est nécessaire pour avoir le micro-ordinateur de travail avec la caméra et les modules LED IR.
  10. Renommez le fichier supplémentaire 1 en « Pi_video_camera_Clemensson_2019.py ». Copiez-le sur une clé USB, puis dans le dossier /home/pi du micro-ordinateur (Figure 3D). Ce fichier est un script Python, qui permet de faire des enregistrements vidéo avec les commutateurs de boutons qui sont attachés à l’étape 1.13.
  11. Suivez les étapes décrites ci-dessous pour modifier le fichier rc.local du micro-ordinateur. Cela fait que l’ordinateur démarre le script copié à l’étape 1.10 et démarre les LED IR attachées à l’étape 1.13 lorsqu’il démarre.
    ATTENTION : Cette fonction de démarrage automatique ne fonctionne pas de manière fiable avec des panneaux de micro-ordinateurs autres que le modèle répertorié.
    1. Ouvrez une fenêtre terminale, tapez « uo nano /etc/rc.loca » (à l’exclusion des guillemets) et appuyez sur entrer. Cela ouvre un fichier texte (Figure 4A).
    2. Utilisez les touches fléchées du clavier pour déplacer le curseur vers l’espace entre « » et « ort » (Figure 4A).
    3. Ajoutez le texte suivant comme indiqué dans la figure 4B, en écrivant chaque chaîne de texte sur une nouvelle ligne :
      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. Enregistrez les modifications en appuyant sur Ctrl + x suivi de y et Enter.
  12. Souder ensemble les composants nécessaires comme indiqué à la figure 5A, et comme décrit ci-dessous.
    1. Pour les deux LED colorées, attachez une résistance et un câble de cavalier femelle à une jambe, et un câble de cavalier féminin à l’autre (figure 5A). Essayez de garder les câbles aussi courts que possible. Prenez note de laquelle des électrodes de la LED est la négative (généralement la courte), car cela doit être connecté au sol sur les broches d’entrée/sortie générale (GPIO) du micro-ordinateur.
    2. Pour les deux commutateurs de bouton, attachez un câble de cavalier femelle à chaque jambe (Figure 5A). Rendre les câbles longs pour l’un des commutateurs, et court pour l’autre.
    3. Pour assembler le module IR LED, suivez les instructions disponibles sur ses ressources web officielles19.
    4. Couvrir les joints soudés d’un tube rétrécissant pour limiter le risque de court-circuiter les composants.
  13. Éteignez le micro-ordinateur et connectez les commutateurs et les LED à ses broches GPIO comme indiqué à la figure 5B, et décrit ci-dessous.
    ATTENTION : Le câblage des composants aux mauvaises broches GPIO pourrait les endommager et/ou le micro-ordinateur lorsque la caméra est allumée.
    1. Connectez une LED de sorte que son extrémité négative se connecte à la goupille #14 et son extrémité positive se connecte à la broche #12. Cette LED brillera lorsque le micro-ordinateur a démarré et que la caméra est prête à être utilisée.
    2. Connectez l’interrupteur de bouton avec de longs câbles de sorte qu’un câble se connecte à la broche #9 et l’autre pour épingler #11. Ce bouton est utilisé pour démarrer et arrêter les enregistrements vidéo.
      REMARQUE : Le script qui contrôle la caméra a été écrit de sorte que ce bouton ne répond pas pendant quelques secondes juste après le démarrage ou l’arrêt d’un enregistrement vidéo.
    3. Connectez une LED de sorte que son extrémité négative se connecte à la goupille #20 et son extrémité positive se connecte à la broche #13. Cette LED brillera lorsque la caméra enregistre une vidéo.
    4. Connectez l’interrupteur de bouton avec les câbles courts de sorte qu’un câble se connecte à la broche #37 et l’autre pour épingler #39. Ce commutateur est utilisé pour éteindre la caméra.
    5. Connectez le module LED IR tel que décrit dans ses ressources web officielles19.

2. Concevoir le protocole de conditionnement opérant d’intérêt

REMARQUE : Pour utiliser DeepLabCut pour suivre la progression du protocole dans les vidéos enregistrées à partir de chambres d’opéra, les protocoles comportementaux doivent être structurés de manière spécifique, comme expliqué ci-dessous.

  1. Définissez le protocole pour utiliser la lumière de la maison de la chambre, ou un autre signal lumineux fort, comme indicateur d’une étape spécifique du protocole (comme le début des essais individuels, ou la session d’essai) (figure 6A). Ce signal sera appelé « indicateur d’étape de protocole » dans le reste du présent protocole. La présence de ce signal permettra de suivre la progression du protocole dans les vidéos enregistrées.
  2. Définissez le protocole pour enregistrer toutes les réponses d’intérêt avec des timestamps individuels par rapport au moment où l’indicateur d’étape du protocole devient actif.

3. Enregistrement de vidéos d’animaux effectuant le test comportemental d’intérêt

  1. Placez la caméra au-dessus des chambres d’opéra, de sorte qu’elle enregistre une vue supérieure de la zone à l’intérieur (Figure 7).
    REMARQUE : Ceci convient particulièrement à la capture de la position générale et de la posture d’un animal à l’intérieur de la chambre. Évitez de placer les voyants de la caméra et le module IR LED près de l’objectif de la caméra.
  2. Démarrez la caméra en la connectant à une prise électrique via le câble d’alimentation.
    REMARQUE : Avant la première utilisation, il est avantageux de mettre l’accent sur la caméra, à l’aide du petit outil qui accompagne le module de la caméra.
  3. Utilisez le bouton connecté à l’étape 1.13.2 pour démarrer et arrêter les enregistrements vidéo.
  4. Éteignez la caméra en suivant ces étapes.
    1. Appuyez et maintenez le bouton connecté à l’étape 1.13.4 jusqu’à ce que la LED connectée à l’étape 1.13.1 s’éteigne. Cela initie le processus d’arrêt de la caméra.
    2. Attendez que la LED verte visible sur le micro-ordinateur (figure 1) ait cessé de clignoter.
    3. Retirez l’alimentation de l’appareil.
      ATTENTION : Débrancher l’alimentation pendant que le micro-ordinateur est toujours en cours d’exécution peut causer la corruption des données sur la carte micro SD.
  5. Connectez l’appareil photo à un moniteur, un clavier, une souris et un périphérique de stockage USB et récupérez les fichiers vidéo à partir de son bureau.
    REMARQUE : Les fichiers sont nommés en fonction de la date et de l’heure à laquelle l’enregistrement vidéo a été démarré. Cependant, le micro-ordinateur n’a pas d’horloge interne et ne met à jour son réglage de l’heure lorsqu’il est connecté à Internet.
  6. Convertir les vidéos enregistrées de .h264 en . MP4, comme ce dernier fonctionne bien avec DeepLabCut et la plupart des joueurs de médias.
    REMARQUE : Il existe plusieurs façons d’y parvenir. L’un d’eux est décrit dans le fichier supplémentaire 2.

4. Analyser des vidéos avec DeepLabCut

REMARQUE : DeepLabCut est un logiciel qui permet aux utilisateurs de définir n’importe quel objet d’intérêt dans un ensemble de cadres vidéo, puis de les utiliser pour former un réseau neuronal dans le suivi des positions des objets dans des vidéos pleine longueur15,16. Cette section donne un aperçu approximatif de la façon d’utiliser DeepLabCut pour suivre l’état de l’indicateur d’étape du protocole et la position de la tête d’un rat. L’installation et l’utilisation de DeepLabCut sont bien décrites dans d’autres protocoles publiés15,16. Chaque étape peut être effectuée par le biais de commandes Python spécifiques ou de l’interface utilisateur graphique de DeepLabCut, comme décrit ailleurs15,16.

  1. Créez et configurez un nouveau projet DeepLabCut en suivant les étapes décrites dans16.
  2. Utilisez la fonction d’accaparement du cadre de DeepLabCut pour extraire les images vidéo 700\u2012900 d’une ou de plusieurs des vidéos enregistrées à la section 3.
    REMARQUE : Si les animaux diffèrent considérablement en pigmentation de la fourrure ou en d’autres caractéristiques visuelles, il est conseillé que les images vidéo extraites 700\u2012900 soient divisées en vidéos de différents animaux. Grâce à cela, un réseau formé peut être utilisé pour suivre différentes personnes.
    1. Assurez-vous d’inclure les images vidéo qui affichent à la fois l’état actif (figure 8A) et inactif (figure 8B)de l’indicateur d’étape du protocole.
    2. Assurez-vous d’inclure des images vidéo qui couvrent la gamme de différentes positions, postures et mouvements de la tête que le rat peut montrer pendant l’essai. Cela devrait inclure des cadres vidéo où le rat est immobile dans différentes zones de la chambre, avec sa tête pointant dans différentes directions, ainsi que des cadres vidéo où le rat se déplace activement, entrant dans les ouvertures de poke nez et entrant dans le creux de granulés.
  3. Utilisez la boîte à outils d’étiquetage deeplabcut pour marquer manuellement la position de la tête du rat dans chaque image vidéo extraite à l’étape 4.2. Utilisez le curseur de la souris pour placer une étiquette « tête » dans une position centrale entre les oreilles du rat (Figure 8A,B). En outre, marquez la position de la lumière de la maison de la chambre (ou d’un autre indicateur d’étape de protocole) dans chaque cadre vidéo où il brille activement (Figure 8A). Laissez la lumière de la maison non étiquetée dans des cadres où elle est inactive (figure 8B).
  4. Utilisez les fonctions « créer des données de formation » et « réseau de formation » de DeepLabCut pour créer un ensemble de données de formation à partir des images vidéo étiquetées à l’étape 4.3 et commencer la formation d’un réseau neuronal. Assurez-vous de sélectionner « resnet_101 » pour le type de réseau choisi.
  5. Arrêter la formation du réseau lorsque la perte de formation a plafonné en dessous de 0,01. Cela peut prendre jusqu’à 500 000 itérations de formation.
    REMARQUE : Lors de l’utilisation d’une machine GPU avec environ 8 Go de mémoire et un ensemble de formation d’environ 900 images vidéo (résolution : 1640 x 1232 pixels), le processus de formation a pris environ 72 h.
  6. Utilisez la fonction d’analyse vidéo de DeepLabCut pour analyser les vidéos recueillies à l’étape 3, à l’aide du réseau neuronal formé à l’étape 4.4. Cela fournira un fichier .csv répertoriant les positions suivies de la tête du rat et l’indicateur d’étape de protocole dans chaque image vidéo des vidéos analysées. En outre, il créera des fichiers vidéo marqués où les positions suivies sont affichées visuellement (Vidéos 1-8).
  7. Évaluez l’exactitude du suivi en suivant les étapes décrites ci-dessous.
    1. Utilisez la fonction d’évaluation intégrée de DeepLabCut pour obtenir une évaluation automatisée de l’exactitude du suivi du réseau. Ceci est basé sur les images vidéo qui ont été étiquetées à l’étape 4.3 et décrit à quelle distance en moyenne la position suivie par le réseau est de l’étiquette placée manuellement.
    2. Sélectionnez une ou plusieurs brèves séquences vidéo (d’environ 100\u2012200 images vidéo chacune) dans les vidéos marquées obtenues à l’étape 4.6. Passez en revue les séquences vidéo, image par image, et notez dans combien d’images les étiquettes indiquent correctement les positions de la tête du rat, la queue, etc., et dans combien d’images les étiquettes sont placées dans des positions erronées ou non montrées.
      1. Si l’étiquette d’une partie ou d’un objet corporel est fréquemment perdue ou placée dans une position erronée, identifiez les situations où le suivi échoue. Extraire et ajouter des images étiquetées de ces occasions en répétant les étapes 4.2. et 4.3. Puis reformer le réseau et réanalyser les vidéos en répétant les étapes 4.4-4.7. En fin de compte, l’exactitude de suivi de >90% de précision devrait être atteint.

5. Obtention de coordonnées pour les points d’intérêt dans les chambres d’opéra

  1. Utilisez DeepLabCut tel que décrit à l’étape 4.3 pour marquer manuellement les points d’intérêt dans les chambres d’opéra (comme les ouvertures de poke nez, leviers, etc.) dans un seul cadre vidéo (Figure 8C). Ceux-ci sont choisis manuellement en fonction des intérêts spécifiques à l’étude, bien que la position de l’indicateur d’étape du protocole devrait toujours être incluse.
  2. Récupérez les coordonnées des points d’intérêt marqués à partir du fichier .csv que DeepLabCut stocke automatiquement sous « données étiquetées » dans le dossier de projet.

6. Identification des segments vidéo où l’indicateur d’étape du protocole est actif

  1. Chargez les fichiers .csv obtenus à partir de l’analyse vidéo DeepLabCut à l’étape 4.6 dans un logiciel de gestion des données de choix.
    REMARQUE : En raison de la quantité et de la complexité des données obtenues à partir des systèmes de conditionnement DeepLabCut et operant, la gestion des données est mieux effectuée par le biais de scripts d’analyse automatisés. Pour commencer, veuillez consulter les guides d’entrée de gamme disponibles ailleurs20,21,22.
  2. Remarque dans laquelle les segments vidéo, l’indicateur d’étape du protocole est suivi à moins de 60 pixels de la position obtenue à la section 5. Il s’agira de périodes où l’indicateur d’étape du protocole est actif (figure 6B).
    REMARQUE : Pendant les segments vidéo où l’indicateur d’étape du protocole ne brille pas, la vidéo marquée peut sembler indiquer que DeepLabCut ne le suit à aucune position. Cependant, c’est rarement le cas, et il est plutôt généralement suivi à plusieurs endroits dispersés.
  3. Extraire le point de départ exact pour chaque période où l’indicateur d’étape du protocole est actif (Figure 6C : 1).

7. Identifier les segments vidéo d’intérêt

  1. Considérez les points où l’indicateur d’étape du protocole devient actif (Figure 6C: 1) et les temps de réponses enregistrés par les chambres d’opéra (section 2, figure 6C: 2).
  2. Utilisez ces informations pour déterminer quels segments vidéo couvrent des événements intéressants spécifiques, tels que les intervalles inter-essais, les réponses, les récupérations de récompenses, etc. (Figure 6C: 3, Figure 6D).
    NOTE: Pour cela, gardez à l’esprit que la caméra décrite ci-après enregistre des vidéos à 30 fps.
  3. Notez les images vidéo spécifiques qui couvrent ces événements d’intérêt.
  4. (Facultatif) Modifiez les fichiers vidéo des sessions de test complètes pour inclure uniquement les segments spécifiques d’intérêt.
    REMARQUE : Il existe plusieurs façons d’y parvenir. L’un d’eux est décrit dans les dossiers supplémentaires 2 et 3. Cela aide grandement lors du stockage d’un grand nombre de vidéos et peut également rendre l’examen et la présentation des résultats plus pratique.

8. Analyse de la position et des mouvements d’un animal au cours de segments vidéo spécifiques

  1. Sous-ensemble les données complètes de suivi de la position de la tête obtenues à partir de DeepLabCut à l’étape 4.6 pour inclure uniquement les segments vidéo notés sous la section 7.
  2. Calculer la position de la tête de l’animal par rapport à un ou plusieurs des points de référence sélectionnés en vertu de la section 5 (figure 8C). Cela permet des comparaisons de suivi et de position entre différentes vidéos.
  3. Effectuer une analyse approfondie pertinente de la position et des mouvements de l’animal.
    REMARQUE : L’analyse spécifique effectuée sera fortement spécifique à l’étude. Quelques exemples de paramètres qui peuvent être analysés sont donnés ci-dessous.
    1. Visualisez les traces de chemin en traçant toutes les coordonnées détectées au cours d’une période sélectionnée dans un graphique.
    2. Analyser la proximité d’un point d’intérêt donné en utilisant la formule suivante :
      figure-protocol-1
    3. Analyser les changements de vitesse au cours d’un mouvement en calculant la distance entre les coordonnées suivies dans les images consécutives et divisez par 1/fps de la caméra.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

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

Performance de la caméra vidéo

Les résultats représentatifs ont été recueillis dans des chambres de conditionnement opérant pour les rats avec des surfaces de plancher de 28,5 cm x 25,5 cm, et des hauteurs de 28,5 cm. Avec l’objectif fisheye attaché, la caméra capture la surface du sol complet et de grandes parties des murs environnants, lorsqu’elle est placée au-dessus de la chambre (Figure 7A). En tant que tel, une bonne vue peut être obtenue, m...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

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

Ce protocole décrit comment construire une caméra vidéo peu coûteuse et flexible qui peut être utilisée pour enregistrer des vidéos à partir de chambres de conditionnement opérant et d’autres configurations de test comportemental. Il montre en outre comment utiliser DeepLabCut pour suivre un signal lumineux fort dans ces vidéos, et comment cela peut être utilisé pour aider à identifier de brefs segments vidéo d’intérêt pour les fichiers vidéo qui couvrent des sessions de test complètes. Enfin, il décrit comment utiliser ...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

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

Bien que les matériaux et les ressources de la fondation Raspberry Pi aient été utilisés et cités dans ce manuscrit, la fondation n’a pas participé activement à la préparation ou à l’utilisation de l’équipement et des données de ce manuscrit. Il en va de même pour Pi-Supply. Les auteurs n’ont rien à divulguer.

Remerciements

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

Ce travail a été soutenu par des subventions de la Fondation suédoise du cerveau, de la Fondation suédoise Parkinson et des Fonds du gouvernement suédois pour la recherche clinique (M.A.C.), ainsi que des fondations Wenner-Gren (M.A.C, E.K.H.C), de la Fondation Åhlén (M.A.C) et de la fondation Blanceflor Boncompagni Ludovisi, née Bildt (S.F).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Carte micro SD 32 Gb avec nouveau logiciel Our Of Box (NOOBS) préinstalléThe Pi hut (https://thpihut.com)Résistance 32GB
330-OhmThe Pi hut (https://thpihut.com)100287Cet article est pour un package avec des résistances mixtes, où des résistances de 330 ohms sont incluses.
Module de caméra (Raspberry Pi NoIR camera v.2)The Pi hut (https://thpihut.com)100004
Câble plat de caméra (Raspberry Pi Zero camera cable stub)The Pi hut (https://thpihut.com)MMP-1294Ceci n’est nécessaire que si un Raspberry Pi zero est utilisé. Si une autre carte Raspberry Pi est utilisée, une nappe de caméra appropriée accompagne le composant de la caméra
LED coloréesThe Pi hut (https://thpihut.com)ADA4203Cet article concerne un package avec des couleurs mélangées de LED. N’importe quelle couleur peut être utilisée.
Câbles de démarrage femelle-femelleThe Pi hut (https://thpihut.com)ADA266
(Bright Pi)Pi Supply (https://uk.pi-supply.com)PIS-0027
(carte Raspberry Pi Zero avec en-têtes présoudés)The Pi hut (https://thpihut.com)102373D’autres cartes Raspberry Pi peuvent également être utilisées, bien que la méthode de démarrage automatique du script Python ne fonctionne qu’avec Raspberry Pi zero. Si vous utilisez d’autres modèles, le script python doit être démarré manuellement.
Interrupteur à bouton-poussoirThe Pi hut (https://thpihut.com)ADA367
Raspberry PiThe Pi hut (https://thpihut.com)102032
Boîtier Raspberry Pi ZeroThe Pi hut (https://thpihut.com)102118
Raspberry Pi, Mod my pi, support de caméra avec objectif fisheye magnétique et fixation d’anneau métallique magnétiqueThe Pi hut (https://thpihut.com)MMP-0310-KIT
Module LED IR Carte mère de micro-ordinateur Câble d’alimentation

Références

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

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

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

Articles connexes