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

En suivant les méthodes décrites dans ce protocole, les chercheurs seront en mesure d’enregistrer et d’analyser des vidéos de rongeurs effectuant des tests comportementaux complexes dans des chambres de conditionnement opérantes. Le protocole décrit comment construire une caméra vidéo peu coûteuse et l’utiliser avec un logiciel de suivi open source. Il s’agit d’une approche attrayante pour les laboratoires avec un budget.

La méthode est précieuse pour les projets de recherche qui impliquent le conditionnement opérant chez les rongeurs. Comme l’analyse vidéo peut grandement améliorer la compréhension des comportements observés dans ce type de tests. Commencez par attacher l’anneau métallique autour de l’ouverture du support de la caméra.

Fixez ensuite le module de la caméra sur le support à l’aide des écrous et des boulons qui accompagnent le kit. Ouvrez les ports de câble de ruban sur le module de caméra et le microordinateur en mettant doucement en commun sur les bords de leurs lèvres en plastique. Flamber le câble ruban dans le port ouvert sur le module de caméra de sorte que les câbles connecteurs argent face au circuit imprimé.

Ensuite, verrouillez-le en place en poussant dans le clip en plastique. Répétez le processus avec un port sur le microordinateur. Attachez ensuite l’objectif fisheye à l’anneau métallique sur le support de la caméra.

Placez le microordinateur dans le boîtier en plastique et insérez la carte micro SD répertoriée. Connectez ensuite un moniteur, un clavier et une souris au microordinateur et démarré par la connexion de son alimentation électrique. Ouvrez une fenêtre terminale et tapez sudo apt hyphen, obtenez mise à jour.

Appuyez ensuite sur la clé d’entrée. Prochain type sudo apt pleine mise à niveau hyphen et appuyez sur entrer. Dans le menu de départ, sélectionnez les préférences et les configurations PI framboise.

Lorsque la fenêtre s’ouvre, allez à l’onglet interfaces et activer la caméra et I2C Puis cliquez bien. Copiez le fichier supplémentaire un sur une clé USB. Ensuite, transférez-le dans le dossier PI à domicile des microordinateurs et renommez-le.

Ouvrez une fenêtre terminale type pseudo nano slash etc, slash RC dot local et appuyez sur entrer. Utilisez les touches fléchées claviers pour déplacer le curseur vers le bas à l’espace entre fi et sortie zéro. Ajoutez ensuite du texte pour que l’ordinateur démarre le script copié.

Et les LED infrarouges, chaque fois qu’il démarre. Enregistrez les modifications en appuyant sur le contrôle et X suivi de Y et entrez. Résistances à la soudeuse suivante et câbles de pull féminins sur les jambes de deux LED colorées.

Câbles féminins de cavalier de soudeur sur deux commutateurs de bouton. Ensuite, connectez les commutateurs de couleur LED et le module led infrarouge énuméré aux ordinateurs GPI cerceau se termine. Lorsqu’il est connecté correctement, une led indique que la caméra est allumée et prête à être utilisée.

Tandis que l’autre indique que la caméra enregistre une vidéo. Le bouton avec les longs câbles est utilisé pour démarrer et arrêter les enregistrements vidéo. Alors que le bouton avec ces câbles courts est utilisé pour éteindre la caméra.

Définissez le protocole pour utiliser la lumière de la maison des chambres d’opéra comme indicateur d’une étape spécifique du protocole. Ensuite, définissez le protocole pour enregistrer tous les événements d’intérêt avec timestamps par rapport au moment où cet indicateur d’étape de protocole devient actif. Placez la caméra sur les chambres d’opéra et commencer par la connecter à une prise électrique via le câble d’alimentation.

Utilisez le bouton précédemment connecté pour démarrer et arrêter les enregistrements vidéo. Lorsque les enregistrements vidéo sont terminés, connectez la caméra à un moniteur, une souris de clavier et un périphérique de stockage USB et récupérez les fichiers vidéo de son bureau. Utilisez deeplabcuts framegrabbing fonction pour extraire 700 à 900 images vidéo d’une ou plusieurs des vidéos enregistrées.

Assurez-vous que les cadres vidéo que vous sélectionnez affichent l’animal dans différentes postures, à la fois stationnaire avec la tête à l’extérieur et à l’intérieur des ouvertures et se déplaçant dans des directions différentes. Utilisez la boîte à outils d’étiquetage pour marquer manuellement la position de la tête du rat dans chaque cadre vidéo en plaçant une étiquette de tête en position centrale entre les oreilles du rat. Étiquetez également d’autres parties du corps qui peuvent être d’intérêt.

En outre, marquez une position de l’indicateur d’étape de protocole dans chaque image vidéo où il brille activement. Ensuite, utilisez l’ensemble de données de formation créer et former des fonctions réseau pour créer un ensemble de données de formation à partir des images vidéo étiquetées et commencer la formation d’un réseau neuronal. Lorsqu’un réseau neuronal a été formé, utilisez-le pour analyser les vidéos recueillies.

Cela créera un fichier CSV énumérant les positions de la voie de la tête du rat, d’autres parties du corps d’intérêt et l’indicateur d’étape de protocole dans chaque image vidéo. En outre, il créera des fichiers vidéo marqués où les positions de la piste sont affichées visuellement. Pour obtenir les coordonnées de points d’intérêt spécifiques à l’intérieur des chambres d’opéra, marquez-les manuellement comme décrit précédemment et récupérez les coordonnées du fichier CSV qui est automatiquement stocké sous des données étiquetées dans le dossier du projet.

Remarque, dans laquelle la vidéo segmente l’indicateur d’étape du protocole est suivi dans les 60 pixels de la position obtenue manuellement dans la section précédente et extrait le point de départ exact pour chaque période où l’indicateur est actif. Utilisez les points où l’indicateur d’étape du protocole devient actif et les timestamps enregistrés par les chambres d’opéra. Déterminer quels segments vidéo couvrent des événements spécifiques du protocole de test tels que des intervalles inter-essais, des réponses ou des récupérations de récompenses.

Notez les images vidéo qu’ils couvrent tous les événements qui sont d’intérêt spécifique. Enfin effectuer une analyse approfondie pertinente de la position et des mouvements de l’animal, au cours de ces événements. L’objectif de l’œil de poisson de la caméra devrait lui permettre de capturer une vue complète de l’intérieur de la plupart des chambres de conditionnement opérant rongeur.

En utilisant une source appropriée d’éclairage infrarouge, la caméra permettra également la capture vidéo dans l’obscurité totale. Un réseau bien formé devrait permettre une précision de plus de 90 % lors du suivi de la tête d’un animal. Un suivi précis est clairement identifiable par des marqueurs suivant un animal tout au long de ses mouvements et des chemins tracés apparaissant lisses.

En revanche, le suivi inexact se caractérise par des marqueurs qui ne restent pas fiables sur la cible et par des chemins tracés déchiquetés. À la suite de ce suivi inexact provoque généralement des changements soudains dans les vitesses de mouvements calculées. En suivant l’endroit où se trouve un animal tout au long d’une séance d’essai, on peut évaluer comment les modèles de mouvement distincts se rapportent à la performance.

À titre d’exemple, dans le test de temps de réaction en série à cinq choix, les mouvements de la tête pendant l’intervalle inter-essais peuvent être utilisés pour séparer les essais d’émission où l’animal montre un intérêt limité pour l’exécution d’une réponse. D’un essai de mission où l’animal ne remarque tout simplement pas le bref signal lumineux. En outre, l’étude des mouvements de la tête peut permettre la détection et la caractérisation de différentes stratégies d’attention.

Lorsque vous essayez ces procédures, il est important que l’indicateur d’étape du protocole soit fiable. Et que le réseau neuronal est formé avec une plongée ert de cadres vidéo. Pour assurer un suivi précis.