מאמר שיטה

SwarmSight: מעקב בזמן אמת של האנטנה חרקים תנועות רפלקס הרחבת חוטם באמצעות הכנה משותפת חומרה קונבנציונלי

10.8K צפיות

⸱

DOI:

10.3791/56803

⸱

25 בדצמבר 2017

 ,  ,  ,  , 
1School of Life Sciences, Arizona State University, 2School of Mathematical and Statistical Sciences, Arizona State University

במאמר זה

סיכום

פרוטוקול זה מתאר את השלבים עבור שימוש בתוכנה הרומן, SwarmSight, עבור מסגרת מעקב של עמדות אנטנה, חוטם חרקים מן האינטרנט המקובלת מצלמת וידאו באמצעות מחשבים קונבנציונלי. התוכנה בחינם, קוד פתוח מעבד מסגרות כ 120 פעמים מהר יותר מאשר בני אדם, מבצעת יותר דיוק אנושי.

תקציר

חרקים מדעית, בחקלאות חשובים רבים להשתמש אנטנות כדי לזהות הנוכחות של תרכובות כימיות נדיפות, להרחיב את חוטם שלהם בזמן האכלה. היכולת במהירות לקבל מדידות ברזולוציה גבוהה של האנטנה טבעי ותנועות חוטם, להעריך כיצד הם לשנות בתגובה כימית, התפתחותית, מניפולציות גנטיות יכול לסייע להבנת התנהגות חרקים. על-ידי הרחבת העבודות הקודמות שלנו על הערכת צבירה נחיל חרקים או תנועות קבוצת בעלי חיים טבעי, מעבדה וידאו באמצעות תוכנת ניתוח וידאו SwarmSight, פיתחנו מודול תוכנה חדשניים חינם, קוד פתוח, גפה SwarmSight לעקוב (SwarmSight.org) עבור מסגרת מעקב של חרקים אנטנה, חוטם עמדות אינטרנט רגיל מצלמת וידאו באמצעות מחשבים קונבנציונלי. תוכנת מעבד מסגרות כ 120 פעמים מהר יותר מאשר בני אדם מבצעת יותר דיוק אנושי, באמצעות 30 מסגרות לכל השני (fps) קטעי וידאו, באפשרותך ללכוד דינמיקה antennal עד 15 הרץ. התוכנה שימשה כדי לאתר את התגובה antennal של דבש דבורים ריחות שני ומצא משמעותית retractions antennal רעה מן המקור ריח על 1 s לאחר המצגת ריח. . הבחנו אנטנה חום של צפיפות עמדה מפת היווצרות אשכולות, אשכול, מתכוון זווית התלות ריכוז הריח...

מבוא

פרוקי רגליים רוב להזיז אנטנה או החצי השני כדי לדגום רמזים סביבתיים, אותות בזמן ובמרחב. בעלי החיים ניתן להשתמש מחושיהם כדי לנווט את הסביבה שלהם על-ידי זיהוי רמזים חושיים כגון שיכללו חומרים כימיים נדיפים, גירויים הטעם ועל מכניים1,2,3,4. חרקים, מחושיהם מכילים קולטנים חושיים לאגד שיכללו חומרים כימיים נדיפים4,5,6 , לשדר את האות הזה באמצעות חוש הריח החישה הניריונים המוח המרכזי אזורים1,7 8, ,9. החרקים ניתן להתאים אנטנות עמדות כדי לווסת את מידע אודות נכנסות ריחות4,10,11. אפנון זו מקלה על תגובות התנהגותיות פעיל מושכלת ריחות,12,שלהם נוצות13.

חרקים רבים, כולל Hymenopterans (למשל, דבש דבורים, דבורת הבומבוס), Lepidopterans (למשל, פרפרים) ו Dipterans (למשל, זבובים ויתושים), בין היתר, הזנה על-ידי הרחבת שלהם חוטם14 , 15 , 16 , 17 , 18 , 19 , 20 , 21. חוטם הסיומת אמין שימש בעבר עבור מגוון רחב של למידה וזיכרון משימות22,23,24,25,26, 27,28,29,30,31. באופן דומה, הערכה כמותית של אנטנות תנועה עם רזולוציה טמפורלית, מרחבית גבוהה עשויה להניב את היחסים בין הגירוי, התנהגות, לבין מצב פנימי של החיה. העבודות הקודמות אכן הראו איך התנועות antennal מכילים כמות עשירה של מידע על דבש דבורים מעקב של הסביבה, כיצד לשנות התנועות עם לימוד32,33,34, 35,-36,-37,-38.

בעשור האחרון, שיטות בהתנהגות בעלי חיים יש כבר באופן משמעותי מואצת של ההתקדמות מצלמות וידאו ברזולוציה גבוהה, למחשב עיבוד מהירות, ו מכונת ראייה אלגוריתמים. משימות כגון זיהוי בעלי חיים, סופר, מעקב, וניתוחים המקום העדפה יש בגילויים עם תוכנה מתוחכמת שבאפשרותה לעבד קטעי וידאו של התנהגות בעלי חיים, תמצית רלוונטית מודד39,40, 41,42,43,44,45,46,47.

טכנולוגיות אלה סייעו גם מעקב של האנטנה חרקים ותנועות חוטם. זה אפשרי עבור בוחנים אדם להשתמש את סמן העכבר לעקוב באופן ידני את המיקום של מחושיהם. עם זאת, בשיטה זו יכול להיות מדויק, המשימה היא זמן רב, חוסר תשומת לב אנושי ועייפות עלולה לגרום לתוצאות לא אמין. ציוד והכנות יכול לשמש כדי להפחית את הצורך תוכנה מורכבים. לדוגמה, מלכודת אחת מצלמה במהירות גבוהה, נצבע את קצות מחושיהם כדי לעקוב אחר התנועה אנטנה48. משתמשים יכולים גם שתתבקש לבחור מפתח-מסגרות של קטעי וידאו כדי לסייע התוכנה מזהה את האנטנה, חוטם מיקום49. גישה אחרת זיהה שני האשכולות תנועה הגדול ביותר לזהות את האנטנה, אך זה אינו מזהה את מיקום חוטם50. חבילת תוכנה אחרת תוכל לאתר את האנטנה ומיקומי חוטם, אך דורש כ 7.5 s של זמן עיבוד לכל מסגרת51, אשר יכולים להיות אוסרני עבור מחקרי תצפית בזמן אמת או לטווח ארוך. בסופו של דבר, זה אפשרי לבצע התאמה אישית של חבילות תוכנה מסחרית (למשל, EthoVision) כדי לבצע את המשימות46, אך עלויות רישוי ואימון שלהם יכול להיות אסורה.

עם השיטה המתוארת כאן, הרחבנו את העבודות הקודמות שלנו על תנועה ניתוח תוכנה41 לאתר את מיקומם של אנטנות חרקים, חוטם עם היעדים הבאים: (1) אין דרישה עבור חומרה מיוחדת או הכנת בעלי חיים מורכבים, (2). מסגרת עיבוד בבזמן אמת (30 fps או מהיר יותר) במחשב רגיל, (3) קלות להשתמש, ו- (4) פתוח, קוד בקלות להארכה.

וכתוצאה מכך שיטה הרומן של תוכנות קוד פתוח, SwarmSight גפה מעקב, אינה דורשת ציור טיפים אנטנות, באפשרותך להשתמש מצלמת אינטרנט לצרכן כדי ללכוד, וסרטי תהליכים מסגרות וידאו ב 30-60 fps ב (מחשוב קונבנציונליות איור 1). התוכנה לוקח קבצי וידאו כקלט. המשתמש איתור מיקומו של הראש חרקים וידאו של, לאחר עיבוד, מופק קובץ ערכים מופרדים (בפסיקים csv) פסיק עם המיקומים של אנטנות, חוטם. התוכנה היא יכולה לקרוא מאות וידאו בפורמטים שונים (כולל תבניות המיוצר על ידי רוב המצלמות הדיגיטליות) באמצעות ספריית FFmpeg52.

figure-introduction-1
איור 1: בעלי חיים פלט התוכנה וההתקנה. (א) A דבש דבורה אתמול עם הראש שלה גוף מרוסנת רתמה. ריח (B) מקור ממוקמת מול החיה, מצלמת וידאו ממוקם מעל, מקור ואקום ממוקמת מאחורי החיה. (ג) האנטנה עצה משתני וחוטם שזיהה את התוכנה SwarmSight מווידאו. (ד) המשתמש ממקם את החיישן אנטנה מעל החיה ומתאים את הפרמטרים מסנן. התוכנה מזהה את מיקומי אנטנות, חוטם (טבעות צהוב).אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

ראשית, הגוף של חרק וראשו מאופקים רתמה כך האנטנה ותנועות חוטם בקלות שנצפו (איור 1 א'). מקור הריח ממוקמת מול החרק, עם מקור ואקום ממוקם מאחור, כדי להסיר את ריחות מן האוויר ולצמצם את ההשפעות האפשריות של עיבוד חושי (איור 1B). מצלמת אינטרנט קונבנציונאלי ממוקמת מעל הראש החרק על חצובה. LED יכול להיות ממוקם בתוך הנוף של המצלמה כדי לציין כאשר הריח זה מוצג.

figure-introduction-2
איור 2: אנטנה קואורדינטות. X, ערכי Y השתמש מערכת הקואורדינטות וידאו, כאשר בפינה השמאלית העליונה הוא מקור ועלייה ערכי X ו- Y כאשר נע לכיוון הפינה הימנית התחתונה. זוויות מבוטאים מעלות ביחס הקדמי של הראש (בדרך כלל המקור ריח). ערך "0" מרמז על הקו שהקים את האנטנה שוטון. מכוון ישירות מול החיה. כל הזוויות הן חיוביות, למעט כאשר נקודות האנטנה לכיוון היריב (למשל, נקודות שוטון ימינה שמאלה). אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

לאחר הצילומים, נפתח את קובץ הווידאו עם התוכנה SwarmSight, שבו המשתמש ממקם יישומון אנטנת החיישן (איור 1D, ריבוע שחור) מעל ראשו של החרק, מתחיל את הווידיאו. כאשר התוצאות נשמרות, הקובץ. csv יכיל את X, Y עמדות של האנטנה טיפים, הזוויות אנטנה ביחס הקדמי של הראש (איור 2), ואת החדק במיקום X, Y. בנוסף, מדד מגזר הדומיננטי של מחושב עבור כל אנטנה. מציג מדד אשר אחד מהמגזרים 36 מעלות חמש שמסביב כל אנטנה הכיל את רוב הנקודות ייחשב עשוי להיות מחושיהם, יכולה להיות שימושית אם האנטנה עמדה/זווית מדדים אינם אמינים בשל סרטונים מרעישים או בעייתית אחרת.

בקצרה, התוכנה פועלת באמצעות ערכת מסננים תנועה53 ושל אלגוריתם מילוי המבול רגועה54. כדי למצוא נקודות אנטנה סביר, משמשים שני מסננים:41,מסנן 3-רצופים-מסגרת ההבדל55 ומסנן56 חיסור חציון-ברקע. מסנן צבע מרחק סף משמש לזיהוי נקודת חוטם. -10% העליונים של הנקודות של כל מסנן משולבים, באלגוריתם מילוי המבול כי בוחן נקודות רציף עם פערים עד 2 פיקסלים (px) מאתרת נקודות קיצוניות. מקבילי מסגרת פענוח, עיבוד, ואת צינורות עיבוד וזיכרון ממוטבת הקצאה של זרימת נתונים מסנן משיגה ביצועים גבוהים. Raw x ו- y ערכי קואורדינטות המיוצר על ידי התוכנה הם פוסט-מעובד עם 3-מסגרת מתגלגל המסנן ' חציון '57 (ראה דיון). ההוראות כדי להוריד את קוד המקור המלא ניתן למצוא באינטרנט58.

להלן הוא פרוטוקול כדי להתכונן באיסוף דבורה דבש אנטנה מעקב. פרוטוקול דומה יכול לשמש כדי לעקוב אחר תנועות אנטנה/חוטם כל חרק אחר. במקטע ' תוצאות ', אנו מתארים את האנטנה בדוגמת פלט המעקב שמזוהה על-ידי התוכנה, השוואת פלט התוכנה על מעקב שבוצעה על-ידי בוחנים אנושי, והערכה של אנטנות התנועה בתגובה odorants 5.

פרוטוקול

1. לתפוס ולרתום דבש דבורים

  1. בצע את השלבים פרוטוקול 1 עד 3.1.1 של סמית, נטל59.

2. הכנת את הרתמה בעלי חיים ואת מצלמת הווידאו

  1. להסתיר את הרגליים על-ידי החלת הקלטת מעל החלק העליון של הצינור הרתמה, בודק באופן חזותי את הרגליים תואריהל נע מלמעלה.
  2. לרסן את הראש על-ידי החלת שעווה מחוממת לחלק האחורי של הראש חרקים. מבחינה ויזואלית לבדוק כי הראש הוא קבוע, לא זזים. בשלב זה, מחושיהם ו את הלסת צריכה להיות תוספות היחידה לנוע בחופשיות.
  3. למקסם את הניגוד בין מחושיהם ברקע וידאו על-ידי הצבת פיסת נייר מתחת הרתמה חרקים לבנים. כדי למזער את הצורך מאוחר יותר להתאים את המצלמה, סמן את המיקום של הרתמה חרקים על הנייר, ולאחר מכן מקם יחידים חדש באותו מיקום.
  4. לתקן את מיקום המצלמה באמצעות חצובה או בעל מצלמת אינטרנט כדי למקם את המצלמה מעל הראש של החרק. באמצעות תוכנה המצלמה, תצוגה מקדימה של הווידאו, להגדיל תצוגה כדי להגדיל את התמונה בראש, מתן אישור ~ 20-30% מכל צדדיו של הוידאו.
    1. ודא האובייקטים הנעים היחידה בנקודת המבט של המצלמה מחושיהם או את חוטם/הלסת למקם מחדש את המצלמה או את בעל החיים במידת הצורך.
      הערה: SwarmSight בודק לתנועה בפיקסלים סביב הראש. תנועה חיצוניים בסביבה הקרובה של הראש נגרם על-ידי אובייקטים כגון הרגליים, צללים, מאווררים או בני אדם עשוי לבלבל את התוכנה, להציג את רעש נוסף.
  5. מזער את האנטנה צללים על-ידי התאמת תאורה עמומה.
    הערה: התוכנה יכול לסבול כמה הצללים, אך לתוצאות הטובות ביותר, הם צריכים להישמר עד למינימום.
  6. למנוע התאמות חשיפה אוטומטי המצלמה באמצעות תוכנת מהירות תריס המצלמה כדי לשמור את זמן החשיפה של מצלמה קבועה לאורך כל הוידאו. באמצעות התוכנה, לכוונן את מהירות תריס להגדיל את החדות (קטע וידאו לא מדי בהיר או כהה מדי), על-ידי התאמת המחוון '' חשיפה '' תחת 'הגדרות מצלמת אינטרנט'.
    הערה: ההוראות שלעיל הספציפיים מצלמת האינטרנט והתוכנה בשימוש. אלה יצטרכו להתאים אם נעשה שימוש במצלמות אינטרנט אחרים.
  7. מקום המקור משלוח ריח ולהבטיח כי זה לא להפריע. נקודת המבט של המצלמה על-ידי בדיקה את שידור הוידיאו של המצלמה. ודא כי מקור ואקום מושם על הצד הנגדי כדי להסיר את ריחות הגירוי.
  8. מקם LED, או כמה אחרים מחוון חזותי שמשתנה בהירות לציון משלוח ריח, בתוך נקודת המבט של המצלמה.
    הערה: ערך הבהירות LED נשמר על ידי תוכנת והוא יכול לשמש כדי לקבוע את המסגרות המדויק מתי המשלוח ריח מתחיל ונגמר.

3. סרט לכל אדם בתנאים ניסיוני

  1. כל תנאי חרק ובדיקה בודדים בווידאו נפרד קבצים באמצעות הקלטה בנפרד לכל שילוב בדיקה אישית או באמצעות וידאו עריכה תוכנה לפצל קובץ וידאו זמן לקבצים קטנים יותר.
    הערה: התוכנה דורשת מהמשתמש לאתר את המיקום של הראש כל וידאו, ועל הראש יישאר קבוע. אם הראש זז, רעש נוספים יוכנסו. התכונה ' עיבוד אצווה ' של SwarmSight מאפשר למשתמש להגדיר במהירות את המיקום של הראש עבור קטעי וידאו מרובים, ועל ההנחה כי בראש חרקים נשאר קבוע עבור משך הזמן של כל קובץ וידאו. ניתן למצוא הוראות כיצד לפצל קבצי זמן וידאו מקוון60.

4. ניתוח וידאו

  1. הורד והתקן את המודול 'אנטנה מעקב' על-ידי ביצוע השלבים הבאים מסופקים באינטרנט58.
    הערה: הדרכות וידאו המתארות כיצד להשתמש בתוכנה זמינים באתר גם כן.
  2. פתח קובץ וידאו מציג חיה שצולמו באמצעות לחצן 'עיון'.
  3. מיקום חיישן האנטנה של טיפול חיישן
    1. ברגע הוידאו נטען, מקם יישומון "אנטנה חיישן" מלבני מעל הראש של החיה, באמצעות סיבוב, שינוי גודל הסמלים כדי ליישר את יישומון עם הראש (ראה איור 1D לדוגמה).
    2. מקמו את יישומון "טיפול חיישן" מעגלי ה-LED המציינת מתי ריח או גירוי זה מוצג.
      הערה: החיישן טיפול יתעד את ערך הבהירות של הפיקסל במרכז של יישומון עבור כל מסגרת.
  4. החל עיבוד וידאו
    1. לחץ על לחצן "הפעל" (משולש שחור) בפינה השמאלית התחתונה כדי להפעיל הניתוח של המסגרות.
      הערה: הנקודות אנטנה, חוטם סביר שזוהו יהיה צהוב מסומנים. הטבעות צהוב יציג את המיקום של קצות תוספות. הזוויות (כאשר 0 הוא ישירות מול החיה) של האנטנה ואורך הסיומת חוטם יוצג יישומון "מודל" בפינה השמאלית התחתונה (ראה איור 1D). רכיב widget מסוג "מגזרים דומיננטי" בפינה הימנית התחתונה יראה שהבוטות היחסית של 36 מעלות לחמישה תחומים עיקריים בו רוב הנקודות אנטנה זוהו. המגזרים האפלים להכיל את רוב הנקודות, בעוד הקל יש הנמוך ביותר. המספר מגזר (1-5) עם הכי הרבה הנקודות יוצג בפינות התחתון של יישומון (ראה איור 1D).
  5. התאמת המסנן ספי והוספת אזורי
    1. כדי לשנות את רגישותן של המסננים, להתאים את המחוונים בסעיף "מסננים", בלוח השמאלי.
      הערה: בהתאם לתאורה מהירות התנועה הכללית של תוספות, סינון שונות רגישויות תהיה אופטימלית. המשתמש יכול למצוא את הערכים אופטימלית על ידי התאמת הערכים והתבוננות האזורים המסומנים יישומון אנטנת החיישן. כאשר ערכה אידיאלית של רגישויות, רק תוספות יסומן. מומלץ מהר קדימה אל חלקים אחרים של הווידאו כדי להבטיח שהיא התכוונה מסנן אופטימלי גם נמצאים שם.
    2. באופן אופציונלי, להתעלם אובייקטים חיצוניים, בלוח השמאלי, להרחיב את המקטע "אנטנה חיישן", לחץ על "הוסף אזור הדרה" לחצן (ראה איור 1D), ולחץ על קבוצת נקודות לטופס מצולע אדום, תוכנו תתעלם מאת תוכנה.
      הערה: אם הווידאו מכיל תנועה מיותר, התנועה הינה רכיב widget אנטנת החיישן באזור (למשל, הזזת הרגליים, צללים חזקים, ציוד מעבדה, וכו '), התוכנה עלול בטעות זה לתנועה גפה.
ניתן להתעלם את האובייקטים שאינם שייכים על ידי ציור מצולעים אדום או "אי-הכללה של אזורי." משהו בפנים מצולע אדום לא ישמש לצורך מעקב.
  • שמירת תוצאות
    1. ברגע המסננים ואת ווידג'טים הוגדרו, לעצור את הוידאו, מחדש את זה מההתחלה, לשחק את זה עד הסוף.
      הערה: לאחר הווידאו מילא, העמדות של תוספות עבור כל מסגרות וידאו יאוחסנו בזיכרון.
    2. כדי לשמור את נתוני המיקום גפה לקובץ, להרחיב את המקטע "שמור" בצד הימין ולחץ על "שמור כדי. CSV"לחצן. לאחר מכן בחר תיקיה כדי לשמור את הקובץ.
      הערה: "שמור על. לחצן CSV"ישמור את תוצאות העיבוד כקובץ csv. כברירת מחדל, המשתמש תוצע כדי לשמור את הקובץ. csv באותה תיקיה שבה מאוחסן קובץ הווידאו ואת יהיה תאריך ושעה כחלק של שם הקובץ. קובץ ה-. csv שנוצר יכיל קבוצת עמודות המכילות מידע אודות המיקום של תוספות, כולל את זוויות האנטנה מגזרים דומיננטי, וכן הכיוון והמיקום של הראש. התיאור של כל עמודה מסופק מקוון61.
    3. לחלופין, להשתמש את העמודות (s) והשדות (ים) בסעיף שמור כדי ליצור עמודה בעלת תוספת (או יותר אם מופרדים באמצעות פסיקים) בקובץ. csv כדי לתעד פרטים, כגון זיהוי הנושא או השם של תנאי הניסוי.
      הערה: הערך בתיבת עמודות יופיע בכותרת העליונה של העמודה הראשונה, הערך בתיבה ערך (ים) לחזור על שורות כל העמודה הראשונה.
  • עיבוד באצווה
    הערה: התוכנה יכול לעבד קבצי וידאו מרובים באצווה. עם זאת, על המשתמש לספק את המידע מיקום הראש עבור כל קליפ לפני הפעלת האצווה.
    1. שבחלונית הימנית, במקטע 'קבצי וידאו', לחץ על לחצן 'עיבוד אצווה' כדי לפתוח חלון המאפשר יצירת רשימה של קבצי וידאו להיות מעובד באופן רציף על ידי התוכנה.
    2. השתמש "להוסיף עוד הסרטונים קבצים כדי אצווה" הכפתור כדי לבחור אחד או יותר קבצי וידאו כדי להיכלל ברשימת אצווה.
    3. לחלופין, השתמש במקשי "CTRL" או "מפנה" לבחור מספר סרטונים בהם ישתמש באותה קבוצת הפרמטרים יישומון.
      הערה: מועמדים טובים לשימוש חוזר פרמטר הן ערכות של קטעי וידאו של אותה חיה זה לא הועבר בין תנאים ניסויים שונים.
    4. נתחיל הגדרת הפרמטרים יישומון שישמש עבור קטעי וידאו נבחרים על-ידי לחיצה על לחצן "הגדרת חיישן תפקידים עבור נבחרת".
    5. להתאים את הפרמטרים אנטנת החיישן, טיפול חיישן, מסננים, או להציל את המקטעים ולחץ על "שמור פרמטרים כדי אצווה" בסיום.
    6. ברגע הפרמטרים עבור כל קליפ נבחרו, להתחיל תהליך אצווה על-ידי לחיצה על לחצן "הפעל עיבוד".
      הערה: התוכנה יטען את קבצי הווידאו לפי הסדר שבו הם מופיעים ברשימת אצווה, לעבד אותם ולשמור את קבצי ה-. csv המקביל שלהם לאותה תיקייה שבה ממוקמים קבצי וידאו. מד התקדמות בחלק העליון תספק מועד סיום משוער אחרי הסרט הראשון הושלם.

    • תוצאות

    בסעיפים שלהלן הם דוגמה מגרש של זוויות האנטנה המופק הנתונים של התוכנה, השוואה של מהירות עם בוחנים האנושית, ואת התוצאות של ניסוי שבו דבש דבורים אנטנה תנועה מושפע המצגת של והדיוק תוכנה ריחות שונים. R-תוכנה-62,-63 שימש כדי לבצע את הניתוח ולהפיק את הדמויות. R קוד עבור ניתוח ודמות הדור, כמו גם הדרכות וידאו ניתן למצוא באינטרנט58.

    פלט התוכנה:

    איור 3 מראה סימני שנבחרו באקראי 5 זוויות האנטנה שזיהה את התוכנה מתוך סרטי וידאו של דבש דבורים הציג לגירסאות שמן מינרלי מדולל x 35 וטהור של heptanal, heptanol, כמו גם אוויר נקי.

    figure-results-1
    איור 3: חמש לטעום עקבות של זוויות האנטנה שזיהה SwarmSight. ציר ה-y מציגה את האנטנה זווית במעלות, "0" איפה ישירות מול החיה, לכיוון מקור הריח, עם ערכים גדולים יותר המצביעים בכיוונים מקור הריח. Heptanol, heptanal, ו-35 שלהם x שמן מינרלי מדולל גרסאות, כמו גם אוויר נקי, הוחלו במהלך האפור 0 - 3,600 ms windows יחיד דבש דבורים איוראו. אנטנה שמאלה מסומנת אדום, נכון המסומנת כחול. חמש דבורים אקראי, אחד מן כל תנאי, מתוארים ב חמש החלקות. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

    אימות תוכנה:

    לאימות שהתוכנה תוכל לזהות בצורה אמינה את המיקומים של מחושיהם, עמדות אנטנה ממוקם על ידי בני אדם הושוו עם עמדות ממוקם על ידי התוכנה. שני בוחנים אדם נשאלו כדי לאתר את הטיפים אנטנה, חוטם של מסגרות וידאו 425 (~ 14 s וידאו). מודול תוכנה מותאמת אישית הקליט את מיקומי גפה מסומן על ידי בוחנים, באופן אוטומטי מתקדם מסגרות וידאו, והקליט את כמות הזמן המושקע בפעילות. כמו דוגמה של התכתבות בין האדם-תוכנה-הממוקם ערכים, נקודות המגע המוצגים אנכית תיאום עקבות של אנטנה אחד עבור התוכנה, שני המיקומים שזוהו האנושי מוצגים באיור 4A. המרחק בין עמדות אנטנה מסומן בוחנים שני היה מחושב, בשם "מרחק בין האנושי." המרחק בין מיקום האנטנה שזיהה את התוכנה ואת המיקום הקרוב שזיהה את בוחנים אדם שחושב, בשם "תוכנה-קרוב מרחק האנושית" (איור 4B).

    figure-results-2
    איור 4: השוואה עם בוחנים אנושי. (א) שני בוחנים אדם ועצות SwarmSight ממוקם אנטנה ב 425 מסגרות וידאו. הקואורדינטות עצה Y אנטנה השמאלי של מסגרת על ידי בוחנים האדם והיא התוכנה הן נקודות המגע המוצגים. (B) נקודות המגע המוצגים מסגרת חילוקי דעות (מרחק בפיקסלים וידאו) לבין האדם בוחנים (כתום) חילוקי דעות בין תוכנה הערך מדרג האדם הקרוב ביותר (שחור). (ג) אדם לעומת האדם עצה תוחיש (כתום) ותוכנה לעומת האדם מיקומים (שחור). (ד) היסטוגרמות, הפצות מצטברת (מקווקו) של האדם לעומת אדם ותוכנה לעומת מחלוקת מסגרת אנושית מרחקים. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

    המרחק בין האדם היה 10.9 px בממוצע, בתוך 55.2 px ב-95% מן המסגרות, והיה ערך מרבי של 81.6 px. המרחק האדם הקרוב ביותר-תוכנה היה 8.0 px בממוצע, בתוך 18.3 px ב-95% מן המסגרות, והיה ערך מרבי של 49.0 px (ראה מרחק היסטוגרמות בתוך 4D איור, איור 4C). 5 px היה בקירוב הרוחב של אנטנה. בסך הכל, המרחק בין האדם היה קטן עבור המסגרות בתחילת הפעילות, והוא גדל במחצית השנייה של הפעילות. אנחנו חושדים שזה עקב עייפות מדרג. בינתיים, רמות מרחק האדם הקרוב ביותר-תוכנה נשאר קבוע לאורך כל הפעילות.

    תוכנה מהירות, דיוק השוואה עם בוחנים האנושי:

    בני האדם מדורג עצה, חוטם תוחיש במהירות ממוצעת של 0.52 מסגרות לשנייה (fps). להעריך fps אנושי, המספר הכולל של מסגרות מדורג על ידי בני אדם (425 כל) הייתה מחולקת על ידי הזמן הכולל הם בילו על הפעילות (873 s ו- 761 s). התוכנה מדורג המסגרות ב 65 fps בממוצע ב- Dual-Core Windows 7 מחשב. יחד עם מהירות עיבוד גבוהה ודיוק דומה או טוב יותר בוחנים האנושית, ניתן לצפות את התוכנה לבצע העבודה של-125 בוחנים האנושי בכל יחידת זמן.

    זיהוי של אנטנה בתגובה ריחות:

    כדי להדגים כי הפרוטוקול יכול לשמש כדי לזהות הבדלים התנהגותיים משמעותיים בתנועה חרקים, אנחנו נתון 23 נשית דבש דבורים שני ריחות שונים. טהור heptanal ו heptanol, 35 x דילולים שמן מינרלי של שני ריחות, וכן אוויר נקי של הפקד, הוצגו כל 4 s (חמישה תנאי בסך הכל). סרטונים, כמתואר לעיל, הפרוטוקול עובדו עם תוכנת SwarmSight, וניתח זוויות האנטנה (איור 5).

    figure-results-3
    איור 5: אנטנה זווית אמצעי וצפיפות חום מפות עבור חמישה תנאים ריח. חום (A) מפות צפיפות זווית אנטנה בסה כ מציג לפני, במהלך (אזור באמצע הכהים), ואחרי מינהל heptanol, אוויר, וריחנים heptanal כדי הנשי דבש דבורים (n = 23). עקומות שחור הן אנטנה הממוצע לכל מסגרת זוויות (הן אנטנה). קווים אופקיים הן זוויות אומר ריח מראש (בסיסית). הערה האשכול של מועדף תוחיש (אדום מקבץ בחלקה התחתון) מן המקור ריח ריח הטהור ועל השינויים המתאימים לזווית אנטנה מרושע.שים לב גם של האשכול "ריבאונד" לאחר מסקנה ריח והתלות שלו לכאורה תחילת ריכוז ריח (ראה באשכול במיקום העלילות ארבעה אחרים). צפיפות חום מפת מרחב צבע הוא שרירותי אלא אחיד על פני כל התנאים. (B) שינוי בזווית רשע מהממוצע ריח מראש (שגיאה ברים S.E.M). למעט אוויר, אבל השינויים היו משמעותיים (t-מבחן p < 0.05). אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

    מסגרות וידאו מ- s 9, חלקי וידאו בהיקף של 3 s לפני התחלתה ריח, 3.6 s של המצגת ריח, ו- 2.4 s לאחר סיום ריח היו מיושרים על פני כל יחידים ותנאים (300 מסגרות מקטע). האמצעי לכל מסגרת של שתי זוויות האנטנה של כל האנשים היו שחושב עבור כל תנאי וקרא "מתכוון זוויות" (איור 5A, עקומות שחור). הזוויות מתכוון לאנטנה של מסגרות לפני התחלתה ריח על פני אנשים בגין כל תנאי היו מחושבים וקרא "ריח קדם בסיסיות" (איור 5A, קווים אופקיים דקים).

    בכל תנאי, מלבד שליטה, הזוויות מרושע עלה מ תוכניות בסיסיות, כל לשיא פעם 750-1,050 ms לאחר תחילתה ריח (איור 5A, עקומות שחור באזור 0 - 3,600 ms). השינויים רעה מכל תוכניות בסיסיות נבדקו מובהקות (איור 5B) על-ידי השוואת האמצעים שני-אנטנה של אנשים בזמן זווית אומר ריח-מצגת שיא כל תנאי כדי הממוצע בסיסית באמצעות סדרה של 1-sample t-בדיקות ( שפירו הנורמליות בדיקות לא משמעותי בכל התנאים). השינוי בזווית רשע מקו היה 26.9° עבור טהור heptanal (אומר לשיאה ב- 750 ms לאחר תחילת ריח), 21.1° heptanal (ב- 990 ms), 0.2 מ' 19.6° עבור heptanol טהור (ב 1,050 ms), 19.3° heptanol 0.2 מ' (ב 780 ms), וכן ° 3.45 לבקרת אוויר (אין פיק). בכל תנאי, מלבד שליטה, השינוי בזווית רשע מקו היה משמעותי (הולם מותאם p < 0.05). נציין כי הזווית כלומר לוקח זמן לחזור לקו בתגובה odorants טהור יותר כדי odorants מדולל (נמוך לעבור אומר המסוננים שהוחזרו בסיסית 3,690 ms לאחר תחילת ריח עבור טהור ו ms 2,940 עבור heptanol מדולל; עבור heptanal, החזרה פעמים היו ms 4,260 עבור ms טהור ו- 3000 עבור גירסאות מדולל).

    הדמיה באמצעות מפות חום:

    כדי להמחיש את תגובות אנטנות, אנטנה זווית צפיפות מפות חום עבור כל תנאי היו שנוצר (איור 5A, רקע כחול-אדום). זוויות האנטנה על פני 10 s מקטעי וידאו עבור כל אדם לכל תנאי היו convolved עם קרנל לפי עקומת גאוס (R חבילת מסה, פונקציה kde2d64). אזורים כחולים מציגים צפיפות נמוכה של זוויות האנטנה, בעוד אזורים אדומים מציגים צפיפות גבוהה של זוויות האנטנה. חום בחלקה התחתון של איור 5A עבור התנאי heptanal טהור ממחיש את אופן הפעולה של האנטנה.

    המפה מראה את זה. לפני לריח מוצג (t < 0), צפיפות זווית אנטנה מופץ יחסית אחיד על פני כל הזוויות. כ 1 s לאחר תחילת ריח (t ms ~ 1000), זוג כחול ואדום אשכולות מופיע. באדום אזורים מוצלים, מחושיהם נמצאו יותר קרובות מאשר אזורים מוצללים כחול. האשכול כחול מציין כי אנטנה נטו כדי למנוע קטן יותר זוויות (מקור הריח היה ממוקם בכיוון של 0 מעלות), ואילו האדום אשכול מציין כי אנטנה העדיפו יותר זוויות (הרחק מקור הריח). האשכול האדום נעלם בהדרגה כמו ריח המצגת נשמרת. מופיע עוד אדום, אם כי פחות אינטנסיבי, אשכול 1 s לאחר סיום ריח. אנחנו שם האשכולות אדום השני "ריבאונד אשכולות". בקנה אחד עם זמני התאוששות זווית רשע לעיל, נציין כי האשכולות ריבאונד מופיעות מוקדם יותר, הם פחות אינטנסיבי על ריחות מדולל יותר עבור ריחות טהור.

    דיון

    השיטה המוצגת כאן מאפשר מעקב בזמן אמת אחר אנטנה חרקים ותנועות חוטם ללא צורך מיוחד תכשירים בעלי חיים או חומרה.

    מגבלות:

    למרות היתרונות הללו, ישנן כמה מגבלות של השיטה. אלה כוללים את הדרישה כי ראש החיה מוגבל התנועה, הצורך למשתמש לבחור את המיקום והכיוון של החיה עבור כל וידאו, הדרישה גישה במחשב עם Windows, וחוסר היכולת של התוכנה כדי לעקוב אחר תנועה בתלת מימד (3D), כמה תנוחות גפה חזותית רב-משמעי המתוארים להלן.

    התוכנה דורשת כי ראש החיה ניצבת במקום, הוא לא זז במהלך הסרטון. זה דומה להערכות קודמות עבודה48,49,50,51. ניתן לשנות את התוכנה כדי לאפשר זיהוי אוטומטי של סיבובים ראש, עם זאת, זה לצרוך זמן עיבוד נוסף, להציג את מקור חדש של שגיאה. אם התוכנה ששונה כדי לזהות את סיבוב הראש באופן שגוי, זה ישפיע הזוויות אנטנות, כמו חישוב שלהם הוא יחסי זווית הסיבוב ראש. כיום, המשתמש בוחר את כיוון הראש פעם אחת בכל הסרטונים. גישה זו, בעוד לא בלי טעויות אנוש, ממזער זווית חישוב שגיאות כאשר הראש אסור להעביר במהלך הסרטון.

    התוכנה דורש גם Windows 7 (או במאוחר) מערכת הפעלה (OS). המטרה היתה להפוך את התוכנה קל להתקין, התקנה ושימוש על ידי משתמשים ללא מיומנויות ניהול מחשב תכנות או מתוחכם. החלטנו היעד Windows כי היא הנפוצה, במקרים בהם גישה מוגבלת, מכונות וירטואליות (למשל, VirtualBox, VMware, מקבילות) עם חלונות ניתן בקלות ליצור. בחירה זו של מערכת ההפעלה מאוד מפשט את התקנת תוכנה באמצעות מתקין קל לשימוש, ללא שורת פקודה ומונעת באגים ספיציפית OSs שונים.

    התוכנה עוקבת אחר רק העמדה של תוספות מרחב 2D. חרקים ידועים כדי להזיז את האנטנה שלהם ב- 3D, אשר אומר כי מידע חשוב אובדת כאשר רק 2D נקודות הציון נמדדות. בעוד השימוש של מצלמות מרובות או מראות יכול לסייע באיסוף המידע הנוסף הנדרש לוקליזציה 3D, זה שניתן לחשב, עם השימוש של יחסי טריגונומטריות, עמדה out-של-plane מוערך על ידי בהנחה מחושיהם הם אחד מקטעי קו אורך קבוע, להעביר רק בצד אחד של המטוס המצלמה. עבור דבש דבורים, הנחה זו תקפה כדי לקבל הערכות קשה עבור המיקום ב- 3D, אבל לא יהיה בהכרח המקרה עבור מינים ומצבים אחרים.

    התוכנה לא כראוי יאתר את האנטנה או חוטם עצה מיקומים במצבים מסוימים רב-משמעי. חיה, אם יזוז אנטנה כך, וידאו, שהוא יחפוף חוטם מורחבת של התוכנה סביר יזהה את קצה האנטנה כתיאור של החדק. הזווית אנטנה עם זאת, עדיין סביר תחושב כראוי (מן החלק שאינם חופפים). באופן דומה, אם העצות אנטנה להעביר ישירות מעל הראש של החיה (קרי, לא על הצדדים) אז התוכנה אולי רק לזהות את החלק של האנטנה הגלוי מחוץ לראש, להניח את המיקום הקודם של האנטנה או לזהות כדין רעש וידאו כמיקום האנטנה. בשני המצבים, בוחנים בכלל אנושית יש קושי אניני טעם האנטנה החדק או הראש. כדי להמתיק את הבעיה, אנו ממליצים על החלת 3-מסגרת, סימטרי מתגלגל החציוני57 מסנן raw X ו- Y קואורדינטות המיוצר על ידי התוכנה. מסנן זה מסיר תנודות גדולות-ארעי (יחיד מסגרת) עמדה של משמרת עוד תנועות מיקום האנטנה. מצאנו כי המסנן 3-מסגרת הציגו ביצועים טובים יותר לא מסנן, ואילו מסננים רחב יותר (למשל, 5, 11 או 15 מסגרות) מופחת דיוק. קוד דוגמה R המשתמשת במסנן וכן הדרכה וידאו ניתן למצוא באינטרנט58.

    ערך ככלי מדעי:

    הזמינות של שיטה להשיג במהירות מדויק גפה חרקים תנועות באופן יעיל יש הפוטנציאל לפתוח תחומים חדשים של חקירה.

    רפלקס הרחבת חוטם (פי) היא תגובה התנהגותית נפוץ לחקור למידה וזיכרון מגוון רחב של חרקים59. מחקרים קודמים צריכים בדרך כלל לסמוך על מידת מורחבת או לא בינארי לכל, למרות ניתוחים electromyographic ווידאו הראו הרבה יותר מורכב טופולוגיות חוטם תנועות65,66. השיטה כאן מאפשרת כימות מהירה של תנועות חוטם ברזולוציות גבוהות הגיאופוליטיות והמרחביות טמפורלית.

    אנטנה חרקים תנועות בתגובה ריחות הם הבינו. אחת הסיבות לכך היא כי מחושיהם נוטים לזוז כל כך מהר כי אמצעי חסכונית, אוטומטית כדי לקבל נתונים תנועה האנטנה לא היה זמין. השיטה המוצגת כאן יכול לשמש להשיג במהירות את האנטנה נתוני תנועה עבור מספרים גדולים של חרקים במספר רב של מצבים. זה יכול לסייע, לדוגמה, החוקרים לחקור את המיפוי בין תנועות אנטנה בתגובה לגירויים שונים, ריחות נדיפים בפרט. באמצעות מצלמות לוכד מסגרות ב- 30 הרץ, התוכנה יכול לשמש כדי לאפיין את הדינמיקה התנועה antennal עד 15 הרץ (נייקוויסט מוגבל). אם יש צורך אפיון בתדרים גבוהים יותר, מצלמות עם שיעור גבוה יותר של לכידת (למשל, 60 או 120 fps) יכול להיות מנוצל. עם זאת, מחשב מהיר יותר עשויים להידרש לעיבוד גבוה יותר fps קטעי וידאו בזמן אמת. אנחנו משערים שיש מחלקות של ריחות, וריחות ואולי אפילו קצת בודדים, האופיינית תנועות antennal מולדת. אם מחלקות או תרכובות אלו יכולים להיות שהתגלו, לא ידוע ריחות או המחלקה שלהם יכול להתגלות מן התנועה antennal של חרקים לא מאומן. אם מיפוי כזה קיים, השילוב של האנטנה מספיק תנועה נתונים מכונה משוכללת לימוד אלגוריתמים יש להתחיל לחשוף את זה. כמו כן, מיפוי זה משתנה בתגובה ללמידה, טפסים במהלך הפיתוח, או מופרת עם התערבויות גנטיות יכול להציע תובנה פונקציות של מערכת חוש הריח.לבסוף, עבודה זו יכולה לתת תובנה גילוי מלאכותי של ריחות אם הוא מגלה בשיטות דגימה מיטבי עבור ריחות בסביבות מורכבות.

    עבודה בעתיד:

    כאן, הראינו כי אנטנה תנועה נתונים יכול להיות במהירות שהושג וניתח: התנהגות תגובות יכול להתגלות מן הנתונים שנוצרו על-ידי התוכנה שלנו, וזוהו במספר תחומי לחקירה נוספת.

    הקורסים זמן של האנטנה elicited גירוי זווית לחריגות ושחזור בסיסית, תופעות ריבאונד גירוי-מסקנה והתלות שלו ריכוז הריח יכול ייחקרו וכי המודל מבחינה מתמטית. בנוסף, שינויים כלשהם של האנטנה תנועות שנגזרות התיאבון או מיזוג aversive גם יכול להיות מוערך עם התוכנה.

    ניתן לסייר גם יותר הבידול של ריחות. במחקר זה, ריחות, ב טהור והן 35 x גירסאות מדולל elicited תגובות דומות: מחושיהם, בממוצע, הופיע במהירות לסגת מן המקור ריח ולחזור ריח מראש תוכניות בסיסיות לאחר מספר שניות. אנו משערים כי אפילו את הגירסאות מדולל שייתכן מאוד חזק חוש הריח לגירויים הדבורים דבש. אם true, טווח רחב יותר של ריכוזים יכול לשמש כדי לקבוע אם התגובות antennal להבדיל את ריחות. בנוסף, ניתוח יותר מתוחכם יותר עלול לגלות הבדלים בתנועות antennal בתגובה ריחות שונים. עשינו את קבצי הנתונים המשמש ליצירת דמויות לרשות חוקרים גם האתר SwarmSight67כתב יד זה.

    יתר על כן, בעוד שמחוץ להיקף של כתב יד זה, יכול להאריך את התוכנה לעיבוד סרטונים של חיות ממוקמים בתאי עם מראות כפול בזווית ב 45 מעלות (ראה איור 1D לדוגמה). זה יכול לשמש כדי להתאים לשפה ולעקוב באופן מדויק את תוספות והתנועה שלהם במרחב תלת-ממדי. עם זאת, האלגוריתמים לצורך מעקב 3D יידרשו ביעילות: (א) לחדד בין מספר אנטנות כשהם גלויים באחד המראות צד, (ב) נכונות עבור פגמים זוויות השיקוף, (ג) בחשבון עיוותים בגלל המצלמה מיצוב.

    לבסוף רווחים נוספים ברמת הדיוק המיקום עשוי להתממש באמצעות השימוש קלמן פילטר68, אילו דוגמניות, מנצל את מצבו הגופני מידע כגון גפה מהירות ותאוצה להגבלת מיקומים החזוי. עם זאת, צריך להעריך שום רווחים ברמת הדיוק נגד כל הנחות במהירות בשל חישובים נוספים.

    מסקנה:

    חרקים רבים להשתמש אנטנות באופן פעיל לטעום תרכובות נדיפות בסביבות המקומי שלהם. דפוסי תנועות antennal עשוי לספק תובנה ריח החרקים התפיסה ואת ההשפעה עליו על ידי מיזוג, תרכובות רעילים, שינויים גנטיים. באופן דומה, חוטם תנועות שימשו להערכת ריח תפיסה וויסות שלה. עם זאת, קבלת במהירות כמויות גדולות של נתונים תנועה גפה ברזולוציה גבוהה היה קשה. כאן, פרוטוקול ותוכנות מתואר הממכן משימות כאלה. לסיכום, יש יצר ואנו הדגימו כיצד השילוב של חומרה זולה, הכנה בעלי חיים משותפים, תוכנת קוד פתוח ניתן להשתמש במהירות לקבל נתוני תנועה גפה חרקים ברזולוציה גבוהה. הפלט של התוכנה, איך זה outperforms בוחנים אדם המהירות והדיוק כיצד נתוני הפלט שלה יכול להיות מנותח, דמיינו הוצגו.

    גילויים

    המחברים מצהירים כי יש להם אינטרסים כלכליים אין מתחרים.

    תודות

    JB SMC, קבוצת ריינהולד כהן נתמכו על-ידי NIH R01MH1006674 כדי SMC NIH R01EB021711 על קבוצת ריינהולד כהן. CMJ ו תסמונת הלב השבור נתמכו על ידי ה-NSF רעיונות מעבדה פרויקט על "פיצוח הקוד חוש הריח" כדי תסמונת הלב השבור. אנו מודים קייל שטיינמץ, טרין Oboyle, רייצ'ל Halby לסיוע שלהם בביצוע מחקר זה.

    חומרים

    רשימת החומרים שנעשה בהם שימוש במאמר זה
    שםחברהמספר קטלוגהערות
    רתמת חרקיםN/AN/Aהשתמש בחומרים הדרושים לסעיפים 1-3.1.1 של Smith & Burden (2014)
    מקור אספקת ריחN/AN/Aהשתמש בחומרים הדרושים לפרוטוקול סעיף 3 של Smith & Burden (2014)
    מקור ואקוםN/AN/Aהשתמש בחומרים הדרושים לפרוטוקול סעיף 3 של Smith & נטל (2014)
    LED מחובר למקור אספקת ריחN / AN / Aהשתמש בחומרים הדרושים לפרוטוקול סעיף 3 של Smith & עומס (2014)
    הלחמה במתח נמוךסטנולמתח נמוך מיקרו הלחמה ברזל 12V, ספק כוח 8W
    DCTekpowerHY152A
    חצובהAmazonBasics50 אינץ' חצובה קלת משקלמצלמה אופציונלית
    במצלמהWideCam F100FLIR Flea3 או במצלמה אחרת עם מיקוד ידני.
    תוכנת מצלמהGeniusN/ASoftware מגיעה עם מצלמה. ב-MacOS, ניתן להשתמש באפליקציית Photo Booth להקלטת סרטונים.
    תוכנת מהירות תריס המצלמהGeniusN/Aתוכנת המצלמה Genius מאפשרת הגדרת מהירות תריס. ב-Mac OS, ניתן להשתמש ב-iGlasses של ecamm במקום זאת: http://www.ecamm.com/mac/iglasses/
    מערכת ההפעלה WindowsMicrosoft Windows 7 Professionalגרסאות 7 ואילך תואמות. ניתן להשתמש ב-Oracle VirtualBox, Parallels Desktop או VMWare Fusion ליצירת מכונה וירטואלית של Windows בסביבות MacOS.
    תוכנת SwarmSightSwarmSightנספח מעקב הורדמתוכנת http://SwarmSight.org
    R RProjectR 3.4.0הורד מ: https://cran.r-project.org/bin/windows/base/
    R Studio softwareRStudioRStudio שולחן העבודההורד מ: https://www.rstudio.com/products/rstudio/download/
    ברזל ניתן להשתמש

    מקורות

    1. Hansson, B. S. Insect Olfaction. , Springer Science & Business Media. New York. (1999).
    2. Masson, C., Mustaparta, H. Chemical information processing in the olfactory system of insects. Physiol Rev. 70 (1), 199-245 (1990).
    3. Firestein, S. How the olfactory system makes sense of scents. Nature. 413 (6852), 211-218 (2001).
    4. Schneider, D. Insect antennae. Annu Rev Entomol. 9 (1), 103-122 (1964).
    5. Kaissling, K. Chemo-electrical transduction in insect olfactory receptors. Annu Rev Neurosci. 9 (1), 121-145 (1986).
    6. Nakagawa, T., Vosshall, L. B. Controversy and consensus: noncanonical signaling mechanisms in the insect olfactory system. Curr Opin Neurobiol. 19 (3), 284-292 (2009).
    7. Heisenberg, M. What do the mushroom bodies do for the insect brain? An introduction. Learn Memory. 5 (1), 1-10 (1998).
    8. Zars, T. Behavioral functions of the insect mushroom bodies. Curr Opin Neurobiol. 10 (6), 790-795 (2000).
    9. Heisenberg, M. Mushroom body memoir: from maps to models. Nature Rev Neurosci. 4 (4), 266-275 (2003).
    10. Pelletier, Y., McLEOD, C. D. Obstacle perception by insect antennae during terrestrial locomotion. Physiol Entomol. 19 (4), 360-362 (1994).
    11. Suzuki, H. Antennal movements induced by odour and central projection of the antennal neurones in the honey-bee. J Insect Physiol. 21 (4), 831-847 (1975).
    12. Wachowiak, M. All in a sniff: olfaction as a model for active sensing. Neuron. 71 (6), 962-973 (2011).
    13. Bruce, T. J., Wadhams, L. J., Woodcock, C. M. Insect host location: a volatile situation. Trends Plant Sci. 10 (6), 269-274 (2005).
    14. Lunau, K., Wacht, S. Optical releasers of the innate proboscis extension in the hoverfly Eristalis tenax L.(Syrphidae, Diptera). J Comp Physiol [A]. 174 (5), 575-579 (1994).
    15. Szucsich, N. U., Krenn, H. W. Morphology and function of the proboscis in Bombyliidae (Diptera, Brachycera) and implications for proboscis evolution in Brachycera. Zoomorphology. 120 (2), 79-90 (2000).
    16. Harder, L. D. Measurement and estimation of functional proboscis length in bumblebees (Hymenoptera: Apidae). Can J Zool. 60 (5), 1073-1079 (1982).
    17. Hobbs, G. A. Further studies on the food-gathering behaviour of bumble bees (Hymenoptera: Apidae). Canadian Entomol. 94 (05), 538-541 (1962).
    18. Krenn, H. W. Functional morphology and movements of the proboscis of Lepidoptera (Insecta). Zoomorphology. 110 (2), 105-114 (1990).
    19. Krenn, H. W. Feeding mechanisms of adult Lepidoptera: structure, function, and evolution of the mouthparts. Annu Rev Entomol. 55, 307-327 (2010).
    20. Hepburn, H. R. Proboscis extension and recoil in Lepidoptera. J Insect Physiol. 17 (4), 637-656 (1971).
    21. Ramírez, G., Fagundez, C., Grosso, J. P., Argibay, P., Arenas, A., Farina, W. M. Odor Experiences during Preimaginal Stages Cause Behavioral and Neural Plasticity in Adult Honeybees. Front Behav Neurosci. 10, (2016).
    22. Takeda, K. Classical conditioned response in the honey bee. J Insect Physiol. 6 (3), 168-179 (1961).
    23. Bitterman, M. E., Menzel, R., Fietz, A., Schäfer, S. Classical conditioning of proboscis extension in honeybees (Apis mellifera). J Comp Psychol. 97 (2), 107(1983).
    24. Lambin, M., Armengaud, C., Raymond, S., Gauthier, M. Imidacloprid-induced facilitation of the proboscis extension reflex habituation in the honeybee. Arch Insect Biochem Physiol. 48 (3), 129-134 (2001).
    25. Masterman, R., Smith, B. H., Spivak, M. Brood odor discrimination abilities in hygienic honey bees (Apis mellifera L.) using proboscis extension reflex conditioning. J Insect Behav. 13 (1), 87-101 (2000).
    26. Rix, R. R., Christopher Cutler, G. Acute Exposure to Worst-Case Concentrations of Amitraz Does Not Affect Honey Bee Learning, Short-Term Memory, or Hemolymph Octopamine Levels. J Econ Entomol. 110 (1), 127-132 (2017).
    27. Urlacher, E., et al. Measurements of Chlorpyrifos Levels in Forager Bees and Comparison with Levels that Disrupt Honey Bee Odor-Mediated Learning Under Laboratory Conditions. J Chem Ecol. 42 (2), 127-138 (2016).
    28. Charbonneau, L. R., Hillier, N. K., Rogers, R. E. L., Williams, G. R., Shutler, D. Effects of Nosema apis, N. ceranae, and coinfections on honey bee (Apis mellifera) learning and memory. Sci Rep. 6, (2016).
    29. Urlacher, E., Devaud, J. -M., Mercer, A. R. C-type allatostatins mimic stress-related effects of alarm pheromone on honey bee learning and memory recall. PLOS ONE. 12 (3), e0174321(2017).
    30. Eiri, D. M., Nieh, J. C. A nicotinic acetylcholine receptor agonist affects honey bee sucrose responsiveness and decreases waggle dancing. J Exp Biol. 215 (12), 2022-2029 (2012).
    31. Liang, C. -H., Chuang, C. -L., Jiang, J. -A., Yang, E. -C. Magnetic Sensing through the Abdomen of the Honey bee. Sci Rep. 6, (2016).
    32. Erber, J., Pribbenow, B., Bauer, A., Kloppenburg, P. Antennal reflexes in the honeybee: tools for studying the nervous system. Apidologie. 24, 283(1993).
    33. Erber, J., Kierzek, S., Sander, E., Grandy, K. Tactile learning in the honeybee. J Comp Physiol [A]. 183 (6), 737-744 (1998).
    34. Erber, J., Pribbenow, B. Antennal Movements in the Honeybee: How Complex Tasks are Solved by a Simple Neuronal System. Prerational Intelligence: Adaptive Behavior and Intelligent Systems Without Symbols and Logic, Volume 1, Volume 2 Prerational Intelligence: Interdisciplinary Perspectives on the Behavior of Natural and Artificial Systems, Volume 3. , 109-121 (2000).
    35. McAfee, A., Collins, T. F., Madilao, L. L., Foster, L. J. Odorant cues linked to social immunity induce lateralized antenna stimulation in honey bees (Apis mellifera L). Sci Rep. 7, (2017).
    36. Dötterl, S., Vater, M., Rupp, T., Held, A. Ozone Differentially Affects Perception of Plant Volatiles in Western Honey Bees. J Chem Ecol. 42 (6), 486-489 (2016).
    37. Wang, Z., et al. Honey Bees Modulate Their Olfactory Learning in the Presence of Hornet Predators and Alarm Component. PLOS ONE. 11 (2), e0150399(2016).
    38. Søvik, E., Plath, J. A., Devaud, J. -M., Barron, A. B. Neuropharmacological Manipulation of Restrained and Free-flying Honey Bees, Apis mellifera. J Vis Exp. (117), e54695(2016).
    39. Fang, Y., Du, S., Abdoola, R., Djouani, K., Richards, C. Motion Based Animal Detection in Aerial Videos. Procedia Computer Science. 92, 13-17 (2016).
    40. Miller, B., Lim, A. N., Heidbreder, A. F., Black, K. J. An Automated Motion Detection and Reward System for Animal Training. Cureus. 7 (12), (2015).
    41. Birgiolas, J., Jernigan, C. M., Smith, B. H., Crook, S. M. SwarmSight: Measuring the temporal progression of animal group activity levels from natural-scene and laboratory videos. Behav Res Methods. , (2016).
    42. Stern, U., Zhu, E. Y., He, R., Yang, C. -H. Long-duration animal tracking in difficult lighting conditions. Sci Rep. 5, 10432(2015).
    43. Macrì, S., Mainetti, L., Patrono, L., Pieretti, S., Secco, A., Sergi, I. A tracking system for laboratory mice to support medical researchers in behavioral analysis. Engineering in Medicine and Biology Society (EMBC), 2015 37th Annual International Conference of the IEEE. , 4946-4949 (2015).
    44. Crall, J. D., Gravish, N., Mountcastle, A. M., Combes, S. A. BEEtag: a low-cost, image-based tracking system for the study of animal behavior and locomotion. PLOS ONE. 10 (9), e0136487(2015).
    45. York, J. M., Blevins, N. A., McNeil, L. K., Freund, G. G. Mouse short-and long-term locomotor activity analyzed by video tracking software. J Vis Exp. (76), e50252(2013).
    46. Noldus, L. P., Spink, A. J., Tegelenbosch, R. A. EthoVision: a versatile video tracking system for automation of behavioral experiments. Behav Res Methods. 33 (3), 398-414 (2001).
    47. Egnor, S. E. R., Branson, K. Computational Analysis of Behavior. Annu Rev Neurosci. 39 (1), 217-236 (2016).
    48. Cholé, H., Junca, P., Sandoz, J. -C. Appetitive but not aversive olfactory conditioning modifies antennal movements in honeybees. Learn Memory. 22 (12), 604-616 (2015).
    49. Shen, M., et al. Interactive tracking of insect posture. Pattern Recognit. 48 (11), 3560-3571 (2015).
    50. Mujagić, S., Würth, S. M., Hellbach, S., Dürr, V. Tactile conditioning and movement analysis of antennal sampling strategies in honey bees (apis mellifera l). J Vis Exp. (70), (2012).
    51. Shen, M., Szyszka, P., Deussen, O., Galizia, C. G., Merhof, D. Automated tracking and analysis of behavior in restrained insects. J Neurosci Methods. 239, 194-205 (2015).
    52. Bellard, F., Niedermayer, M. FFmpeg. , Available from: http://ffmpeg.org (2012).
    53. Cucchiara, R., Grana, C., Piccardi, M., Prati, A. Detecting moving objects, ghosts, and shadows in video streams. IEE Trans Pattern Anal Mach. 25 (10), 1337-1342 (2003).
    54. Shaw, J. R. QuickFill: An efficient flood fill algorithm. The Code Project. , (2004).
    55. Zhang, H., Wu, K. A vehicle detection algorithm based on three-frame differencing and background subtraction. Computational Intelligence and Design (ISCID), 2012 Fifth International Symposium on Computational Intelligence and Design. 1, 148-151 (2012).
    56. Elgammal, A., Harwood, D., Davis, L. Non-parametric Model for Background Subtraction. Computer Vision - ECCV 2000. , 751-767 (2000).
    57. Zeileis, A., Grothendieck, G. zoo: S3 infrastructure for regular and irregular time series. arXiv preprint math/0505527. , (2005).
    58. SwarmSight.org. Swarmsight. , Available from: http://swarmsight.org/ (2017).
    59. Smith, B. H., Burden, C. M. A Proboscis Extension Response Protocol for Investigating Behavioral Plasticity in Insects: Application to Basic, Biomedical, and Agricultural Research. J Vis Exp. (91), e51057(2014).
    60. Abbass, H. How to split a video or audio file with VLC Player. Darktips. , Available from: https://darktips.com/split-video-audio-file/ (2012).
    61. SwarmSight.org. SwarmSight Appendage Tracking CSV File Column Reference. , Available from: http://swarmsight.org/Examples/Appendage%20Tracking/ColumnReference (2017).
    62. R Core Team. R: A Language and Environment for Statistical Computing. , R Foundation for Statistical Computing. Vienna, Austria. Available from: http://www.R-project.org/ (2014).
    63. Team, R. s RStudio: integrated development for R. , RStudio, Inc. Boston, MA. (2015).
    64. Venables, W. N., Ripley, B. D. Modern Applied Statistics with S-PLUS. , Springer Science & Business Media. New York. (2013).
    65. Smith, B. H., Menzel, R. An Analysis of Variability in the Feeding Motor Program of the Honey Bee; the Role of Learning in Releasing a Modal Action Pattern. Ethology. 82 (1), 68-81 (1989).
    66. Smith, B. H. An analysis of blocking in odorant mixtures: an increase but not a decrease in intensity of reinforcement produces unblocking. Behavioral neuroscience. 111 (1), 57(1997).
    67. Birgiolas, J. SwarmSight Antenna Tracking CSV files. , Available from: https://github.com/JustasB/SwarmSight/tree/master/Examples/Appendage%20Tracking/Birgiolas%20et.%20al.%20(2015)%20JOVE%20figures/Figures%204%265/CSVs (2017).
    68. Kalman, R. E. A New Approach to Linear Filtering and Prediction Problems. J Basic Eng. 82 (1), 35-45 (1960).

    הדפסות חוזרות והרשאות

    בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

    בקש הרשאה

    תגיות

    SwarmSight

    מאמרים קשורים