מאמר שיטה

שילוב של הערכה התנהגותית של בעלי חיים ורשת עצבית קונבולוציונית לחקר אינטראקציה בין טעם וריח לאלכוהול ווסאבי

DOI:

10.3791/66981

⸱

16 באוגוסט 2024

 ,  ,  ,  ,  , 
1State Key Laboratory of Environmental and Biological Analysis, Department of Chemistry, Hong Kong Baptist University, 2Guangdong-Hong Kong-Macao Joint Laboratory for Contaminants Exposure and Health, School of Environmental Science and Engineering, Institute of Environmental Health and Pollution Control, Guangdong University of Technology, 3Guangdong Provincial Key Laboratory of Research and Development of Natural Drugs, and School of Pharmacy, Guangdong Medical University

במאמר זה

סיכום

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

מאמר זה מתאר סדרה של שיטות למדידת יכולת הדיכוי של רחרוח משקאות אלכוהוליים על תחושת הצריבה המעוררת ווסאבי.

תקציר

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

משחות הווסאבי המסחריות המשמשות בדרך כלל להכנת מזון מכילות תרכובת הומולוגית של איזותיוציאנטים כימו-סנסוריים (ITC) המעוררים תחושה מגרה בעת צריכתם. ההשפעה של רחרוח משקאות אלכוהוליים דיאטטיים על תחושת חריפות הווסאבי מעולם לא נחקרה. בעוד שרוב מחקרי ההערכה החושית מתמקדים במזון ומשקאות בודדים בנפרד, חסרים מחקרים על מחקר חוש הריח של רחרוח משקאות חריפים בזמן צריכת ווסאבי. כאן פותחה מתודולוגיה המשלבת שימוש במחקר התנהגותי של בעלי חיים ורשת עצבית קונבולוציונית לניתוח הבעות הפנים של עכברים כאשר הם מרחרחים בו זמנית משקאות חריפים וצורכים ווסאבי. התוצאות מראות כי מודל הלמידה העמוקה המיומן והמתוקף מזהה 29% מהתמונות המתארות טיפול משותף בווסאבי ובאלכוהול השייכים לקבוצת הוואסבי-שלילי למשקאות חריפים-חיוביים ללא צורך בסינון חומרי הדרכה מקדים. ניתוח סטטיסטי של ציוני סולם עווית עכברים המתקבלים מתמונות מסגרת הווידאו שנבחרו מגלה הבדל משמעותי (P < 0.01) בין נוכחות והיעדר משקאות חריפים. ממצא זה מצביע על כך שלמשקאות אלכוהוליים תזונתיים עשויה להיות השפעה פוחתת על תגובות הוואסבי בעכברים. מתודולוגיה קומבינטורית זו טומנת בחובה פוטנציאל לסינון תרכובת ITC פרטנית ולניתוחים חושיים של מרכיבי הרוח בעתיד. עם זאת, מחקר נוסף נדרש כדי לחקור את המנגנון הבסיסי של דיכוי אלכוהול של חריפות ווסאבי.

מבוא

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

Wasabia japonica, הידוע בכינויו ווסאבי, זכה להכרה בהכנת מזון 1,2. החוויה החושית האינטנסיבית שהיא מעוררת בעת הצריכה, המאופיינת בדמעות, התעטשויות או שיעול, ידועה היטב. ניתן לייחס את החריפות הייחודית הזו של ווסאבי לתרכובת הומולוגית של איזותיוציאנטים כימו-סנסוריים (ITC). הם פיטוכימיקלים נדיפים של אורגנו-גופרית שניתן לסווג ל-ω-alkenyl ו-ω-methylthioalkyl isothiocyanates3. מבין תרכובות אלה, אליל איזותיוציאנט (AITC) הוא מוצר ITC הטבעי הנפוץ ביותר שנמצא בצמחים השייכים למשפחת המצליבים, כגון חזרת וחרדל4. משחות ווסאבי מסחריות מוכנות בדרך כלל מחזרת, מה שהופך את AITC לסמן כימי המשמש לבקרת איכות של מוצרים מסחריים אלה5.

שילוב משקאות אלכוהוליים דיאטטיים עם מנות עם ווסאבי יכול להיחשב דוגמה לנטייה תרבותית6. מבחינה סובייקטיבית, שילוב זה עשוי להשלים את החריפות והחום שבין הוואסבי לרוח, ולהעצים את החוויה הקולינרית הכוללת. הערכה התנהגותית איכותנית של בעלי חיים (QBA) היא גישה מתודולוגית מקיפה של בעלי חיים שלמים הבוחנת שינויים התנהגותיים בנבדקים בתגובה לגירויים חיצוניים קצרי טווח או ארוכי טווח באמצעות מונחים מספריים7. שיטה זו כוללת מבחני כאב, מבחנים מוטוריים, מבחני למידה וזיכרון, וכן מבחני רגש שתוכננו במיוחד עבור דגמי מכרסמים8. עם זאת, מחקרים שבדקו את ההערכה החושית הסינרגטית של חוש הריח יחד עם חוש הריח נותרו נדירים בספרות עד כה 9,10. רוב המחקרים על תחושה כימיתטית מוגבלים לבחינת צריכת מזון ומשקאות בודדיםבנפרד 11. כתוצאה מכך, קיים מחסור במחקר על האינטראקציה טעם-ריח הכרוכה בפעולת הרחרוח של משקאות חריפים בזמן צריכת ווסאבי.

מכיוון שתחושת הצריבה הנגרמת על ידי ווסאבי נחשבת לצורה של nociception12, הערכות התנהגותיות של בעלי חיים מתאימות היטב להערכת התגובות החושיות הנוסיספטיביות בחיות מכרסמים 8,13,14. שיטה להערכת nociception בעכברים, הידועה בשם ניקוד סולם עווית עכבר (MGS) פותחה על ידי Langford et al.15,16. שיטת מחקר התנהגותית זו היא גישת הערכה הקשורה לכאב, המסתמכת על ניתוח הבעות הפנים המוצגות על ידי עכברי הניסוי. מערך הניסוי פשוט, וכולל כלוב שקוף ו-2 מצלמות להקלטת וידאו. על ידי שילוב טכנולוגיות מתקדמות 17,18,19 ללכידת נתונים אוטומטית, ניתן להשיג מדדים התנהגותיים כמותיים ואיכותיים, המשפרים את רווחת בעלי החיים במהלך ניטור התנהגותי 20. כתוצאה מכך, ל- MGS יש פוטנציאל להיות מיושם בחקר ההשפעות של גירויים חיצוניים שונים על בעלי חיים באופן רצוף ואד ליביטום. עם זאת, תהליך הניקוד כולל רק כמה (פחות מ -10) תמונות מסגרת וידאו להערכה על ידי חברי הפאנל, ויש צורך בהכשרה מוקדמת. ניקוד מספר רב של תמונות לדוגמה יכול להיות עבודה רבה. כדי להתגבר על אתגר גוזל זמן זה, מספר מחקרים השתמשו בטכניקות למידת מכונה לחיזוי ציון MGS21,22. עם זאת, חשוב לציין כי MGS הוא מדד מתמשך. לכן, מודל סיווג רב-מעמדי יתאים יותר להערכת בעיה לוגית וקטגורית, כגון קביעה אם התמונות של עכברים בולעים ווסאבי ומרחרחים בו זמנית דומים לאלה של עכברים רגילים.

במחקר זה הוצעה מתודולוגיה לחקר האינטראקציה בין טעם לריח בעכברים. מתודולוגיה זו משלבת מחקרים התנהגותיים בבעלי חיים עם רשת עצבית קונבולוציונית (CNN) כדי לנתח את הבעות הפנים של נבדקי העכבר. שני עכברים נצפו שלוש פעמים בתנאי התנהגות רגילים, במהלך החוויה של נוסיספטציה הנגרמת על ידי ווסאבי ובזמן שרחרח משקאות חריפים בכלוב שתוכנן במיוחד. הבעות הפנים של העכברים הוקלטו בווידיאו, ותמונות המסגרת שנוצרו שימשו לאופטימיזציה של הארכיטקטורה של מודל למידה עמוקה (DL). לאחר מכן המודל אומת באמצעות מערך נתונים עצמאי של תמונות ונפרס כדי לסווג את התמונות שנרכשו מקבוצת הניסוי. כדי לקבוע את מידת דיכוי חריפות הוואסבי כאשר העכברים רחרחו בו זמנית משקאות חריפים במהלך צריכת הווסאבי, התובנות שסופקו על ידי בינה מלאכותית אוששו עוד יותר באמצעות אימות צולב עם שיטת ניתוח נתונים אחרת, ה- MGS קיבל ציון16.

פרוטוקול

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

במחקר זה, שני עכברי ICR זכרים בני 7 שבועות במשקל של בין 17-25 גרם שימשו להערכה התנהגותית של בעלי חיים. כל הליכי הדיור והניסויים אושרו על ידי ועדת האוניברסיטה הבפטיסטית של הונג קונג לשימוש בבני אדם ובבעלי חיים בהוראה ובמחקר. חדר החיות נשמר בטמפרטורה של 25 מעלות צלזיוס ולחות בחדר של 40%-70% במחזור אור-חושך של 12 שעות.

1. עיצוב כלוב

  1. הכינו לבני סטירן אקרילוניטריל בוטאדיאן ב-3 מידות שונות לבניית כלובים: 8 מ"מ x 8 מ"מ x 2 מ"מ, 16 מ"מ x 16 מ"מ x 6 מ"מ, ו- 32 מ"מ x 16 מ"מ x 6 מ"מ.
  2. הכינו צלחת סטירן אקרילוניטריל בוטאדיאן (312 מ"מ x 147 מ"מ x 2 מ"מ) כבסיס הכלוב.
  3. הכינו צלחת אקרילית לא שקופה בגודל 239 מ"מ x 107 מ"מ בעובי של 2 מ"מ שתשמש כצלחת התחתונה.
  4. הכינו צלחת אקרילית שקופה בגודל 239 מ"מ x 107 מ"מ בעובי של 5 מ"מ שתשמש כצלחת העליונה.
  5. הכינו לוח אקרילי שקוף בגודל 107 מ"מ x 50 מ"מ בעובי של 7 מ"מ שישמש כלוח הדקים.
  6. בניית 2 קירות צד אטומים על ידי ערימת לבנים לגובה של 54 מ"מ.
  7. הטמיעו את לוחות האקריליק בכלוב מבוסס אקרילוניטריל בוטאדיאן על בסיס סטירן, כפי שמודגם באיור 1A.
  8. הכינו תא צ'וס שנבנה מחמישה לוחות אקריליק שקופים בגודל 90X50 מ"מ בעובי של 2 מ"מ, כפי שמודגם באיור 1B. בין 5 לוחות אקריליק שקופים, להשתמש 2 צלחות עבור הצדדים, צלחת אחת עבור העליון, צלחת אחת עבור התחתון, ו 1 צלחת עבור הטרמינל.
  9. הכינו צלחת אקריליק שקופה בגודל 60 מ"מ על 50 מ"מ בקוטר 2 מ"מ כצלחת מבוא לצ'או, והניחו אותה בתא הצ'או.

2. הערכה התנהגותית של בעלי חיים

  1. המלטות בית של 2 עכברי ICR זכרים בני 7 שבועות יחד בכלוב רגיל.
  2. ספקו להמלטות של 2 עכברים גישה חופשית לכדורי מזון ומי ברז לתקופת הסתגלות של שבוע.
  3. לאחר שבוע, להציג את littermates של 2 עכברים עם בקבוק אתנול (~ 40% v/v).
    הערה: ודא שהם מורשים רק לרחרח או לשאוף את האתנול המימי שסופק על בסיס אד ליביטום , בזמן שהשתייה מוגבלת.
  4. ערכו ניסויים התנהגותיים באמצעות מודל העכבר בן 9-10 השבועות וכלוב התא השקוף שמתואר באיור 1A.
  5. יש לפרק את כל לוחות האקריליק וצלחות הסטירן אקרילוניטריל בוטאדיאן ולנקות אותם היטב. התחל על ידי שטיפתם עם מים טהורים במיוחד לפחות 3 פעמים ולאחר מכן יבש אותם באמצעות מגבות נייר. לאחר מכן, רססו אותם עם 75% אתנול, ולאחר מכן נקו אותם עם נייר עדשה. לבסוף, הניחו להם להתייבש באוויר למשך 15 דקות לפחות.
  6. שקלו את העכברים ורשמו את משקל גופם לפני כל שכפול של הניסוי ההתנהגותי.
  7. מכינים תערובת טרייה של ווסאבי וחמאת בוטנים במשקל 1 גרם ווסאבי מסחרי ו-4.5 גרם חמאת בוטנים. מערבבים אותם בשקית ניילון עם רוכסן.
    הערה: בשל התנודתיות של האיזותיוציאנטים בוואסאבי, חשוב לאחסן את הווסאבי המסחרי במקפיא של -20 מעלות צלזיוס.
  8. שקלו וספקו שתי משחות של 0.5 גרם חמאת בוטנים או תערובת של ווסאבי וחמאת בוטנים על צלחת המבוא לצ'או, כפי שמודגם באיור 1B, C.
  9. הניחו את צלחת הכנסת הצ'או המוכנה בתא הצ'או, כפי שמודגם באיור 1B, C, כדי לאפשר לשני העכברים גישה למזון במהלך כל הקלטת וידאו.
  10. מלאו את החריץ שמתחתיו ב-30 מ"ל של נוזל, מים טהורים או משקאות חריפים (~42% אתנול v/v), כדי להקל על שאיפה בו-זמנית, כפי שמצוין באיור 1B, C.
  11. התחל להקליט באמצעות המצלמות על 2 טלפונים חכמים להציב על עמדות הטלפון בכל מסוף.
    הערה: מפרטי הסרטונים הם כדלקמן: רוחב מסגרת, 1920; גובה מסגרת, 1080; קצב נתונים, 20745 kbps; קצב פריימים, 30.00 מסגרות לשנייה (FPS).
  12. הניחו בזהירות את 2 העכברים המאומנים בפלטפורמת המחקר ההתנהגותית המעוצבת של בעלי חיים מלמעלה ואבטחו מיד את הכלוב עם הצלחת העליונה.
    הערה: ודא ששלב זה הושלם תוך 15 שניות.
  13. הקלט כל סרטון במשך 2-3 דקות.
    הערה: יש לוודא שכל משך הניסוי, מהכנת תערובת חמאת בוטנים-ווסאבי ועד להשלמת הקלטת הווידאו, מוגבל ל-5 דקות.
  14. חזור על כל הניסוי 3 פעמים.
    הערה: ודא שכל העתק של הניסוי מופרד במשך 6 שעות לפחות.
  15. חיקוי תרחישים שונים.
    הערה: לדוגמה, בעבודה זו, נעשה שימוש בזוג עכברים ב-4 קבוצות עם 4 תרחישים שונים שחיקו באמצעות הגדרת הניסוי שתוארה לעיל. תרחישים אלה כוללים תרחיש א' למחקר הרקע, תרחיש ב' למחקר הבקרה החיובית, תרחיש ג' למחקר האינטראקציה בין טעם וריח לאלכוהול ווסאבי, ותרחיש ד' למחקר הבקרה השלילית. טבלה 1 מספקת סיכום של תרחישים אלה.

3. זיהוי תמונה

בדומה למחקרים רבים על עיבוד תמונה 23,24,25, מודל סיווג הושג על ידי אימון CNN. הסקריפט לפעולות DL נכתב בפייתון v.3.10 על Jupyter Notebook (אנקונדה3). הוא זמין במאגר GitHub הבא: git@github.com:TommyNHL/imageRecognitionJove.git. כדי לבנות ולאמן את CNN, נעשה שימוש בספריות קוד פתוח, כולל, numpy v.1.21.5, seaborn v.0.11.2, matplotlib v.3.5.2, cv2 v.4.6.0, sklearn v.1.0.2, tensorflow v.2.11.0 ו-keras v.2.11.0. ספריות אלה סיפקו את הכלים והפונקציונליות הדרושים כדי לפתח ולהכשיר את CNN לזיהוי תמונות.

  1. יצא סדרה של תמונות מסגרת וידאו מסרטוני הווידאו שנאספו כדי ליצור ערכת נתונים לאימון מודלים באמצעות מחברת Jupyter שסופקה, בשם Step1_ExtractingAndSavingVideoFrameImages.ipynb.
  2. בחר רק את התמונות עם עכבר אחד לפחות צורך את הדבק שסופק. דוגמאות לתמונות שנבחרו מופיעות באיור משלים 1, איור משלים 2, איור משלים 3, איור משלים 4, איור משלים 5, איור משלים 6 ואיור משלים 7.
  3. בצע הגדלת נתונים על-ידי היפוך אופקי של התמונות שנוצרו על-ידי יישום הסקריפט שסופק במחברת Jupyter, בשם Step2_DataAugmentation.ipynb.
  4. שמור את נתוני התמונה מכל שכפול שנייה לצורך אימות חיצוני עצמאי של מודל CNN. השתמש בתמונות מכל עותק משוכפל ראשון ושלישי לצורך אימון ובדיקה פנימיים של הדגם.
  5. עבד מראש את נתוני התמונה המשמשים במידול CNN על-ידי הפעלת הסקריפט במחברת Jupyter, בשם Step3_CNNmodeling_TrainTest.ipynb, כולל שינוי גודל תמונה, המרת צבע שחור ונורמליזציה של אותות תמונה.
  6. פצלו את חומרי ההדרכה למערכי נתונים פנימיים של הדרכה ובדיקה באופן אקראי ביחס של 8:2.
  7. אתחל את הארכיטקטורה עבור CNN. תכנן את מספר התפוקות של CNN בהתבסס על מספר התרחישים שיש לבחון.
    הערה: לדוגמה, במחקר זה, הרשת העצבית נועדה לסווג 3 כיתות. ודא שהסקריפט לטיפול בחוסר איזון נתונים במשקל הכיתה עבר הידור.
  8. מצא את שילוב היפר-פרמטרים שמניב הפסד מינימלי בדגימות הבדיקה הפנימיות לבניית CNN.
  9. אמץ את שילוב ההיפרפרמטרים האופטימלי לבניית ארכיטקטורת CNN.
  10. פתח את Jupyter Notebooks שסופקו Step4_CNNmodel_ExternalValOriginal.ipynb ו- Step5_CNNmodel_ExternalValFlipped.ipynb. לאמת את המודל שהושג באמצעות התמונות הבלתי תלויות (המקוריות וההפוכות) מההעתק השני של הניסוי ההתנהגותי בבעלי חיים.
  11. פרוס את המודל שהושג ואומת לסיווג תמונות מסגרת הווידאו שנוצרו מקבוצת הניסוי באמצעות Jupyter Notebook Step6_CNNmodel_Application.ipynb.
    הערה: לדוגמה, זהו תרחיש C בעבודה זו.

4. ניקוד סולם עווית עכבר ידני

הערה: כדי לאמת את התובנות שסופקו על ידי חיזוי מודל CNN, שיטה נוספת שפותחה ואומתה בעבר על ידי לנגפורד ואחרים יושמה16. שיטה זו כוללת ניקוד MGS בהתבסס על 5 יחידות פעולה ספציפיות לפנים של עכבר (AUs): הידוק מסלולי, בליטת אף, בליטת לחי, הידוק אוזניים כלפי חוץ ושינוי שפם. לכל AU מוקצה ציון של 0, 1 או 2, המציין את היעדר, נוכחות מתונה או נוכחות ברורה של AU, בהתאמה. מערכת ניקוד זו מאפשרת כימות וקנה מידה של כל AU כדי להעריך את רמת nociception או אי נוחות שחוו העכברים.

  1. צלם 3 תמונות מסגרת וידאו של הליטרמטים בולעים את הדבק עבור כל סרטון וידאו. ודא שכל מסגרת מופרדת ב-3 שניות לפחות.
  2. קוד עיוור וסידור מחדש אקראי של תמונות ממחלקות שונות של תרחישים ברצף באמצעות קובץ התבנית שסופק בשם "shuffleSlides.pptm" (קובץ משלים 1) והפעלת קוד המאקרו המוטבע.
  3. הזמינו לפחות 10 חברי פאנל להבקיע את התמונות לדוגמה.
  4. אמן את משתתפי הפאנל להבקיע דגימות תמונה באמצעות MGS. ספקו לחברי הפאנל חומרי הדרכה הכוללים את המאמר המקורי על MGS ואת המדריך15,16.
  5. חשב את ציון MGS של כל נבדק בעל חיים במסגרת שנלכדה על ידי ממוצע כל נקודות הניקוד של 5 AUs הפנים המתאימים. הצג את ציון MGS כממוצע ± שגיאת תקן של מדידה (SEM).
  6. קבע אם קיימים הבדלים מובהקים סטטיסטית בין סוגים שונים של תרחישים על ידי ניתוח חד-כיווני של שונות (ANOVA) עם מבחן ההשוואה המרובים של Bonferroni לאחר הוק.
    הערה: ערך של P < 0.05 נחשב מובהק סטטיסטית.

תוצאות

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

המטרה העיקרית של מחקר זה היא לבסס מסגרת איתנה לחקר האינטראקציה בין טעם לריח בעכברים. מסגרת זו משלבת שימוש בבינה מלאכותית ו- QBA לפיתוח מודל סיווג חזוי. בנוסף, התובנות המתקבלות מ- DL מאומתות עם הערכת MGS כמותית לצורך ניתוח פנימי בלתי תלוי. היישום העיקרי של מתודולוגיה זו הוא לבחון את מידת הדיכוי של נוסיספטציה המופעלת על ידי ווסאבי כאשר עכברים מרחרחים משקאות אלכוהוליים דיאטטיים.

זיהוי 29% מתמונות הטיפול המשותף בווסאבי אלכוהול השייכות לקבוצת הווסאבי-שלילי למשקאות חריפים חיוביים על ידי מודל הלמידה העמוקה
תגובת יתר של הפנים עלולה להתרחש בבני אדם בעת צריכה מסחרית של משחת ווסאבי. חוויה דומה ניתן היה לראות גם בעכברים (סרטון משלים 1). מכיוון שחושי הנוסספציה מתואמים היטב עם הבעות הפנים אצל מכרסמים, התנהגותם של 2 המלטות נוטרה כדי לקבוע את תגובתם כאשר סופקו להם צ'או המכיל או חסר ווסאבי מסחרי. במחקר זה, CNN אומן באמצעות טכניקות DL. מכיוון שנערכו 3 עותקים משוכפלים עבור כל תרחיש, חומרי התמונה מהמשוכפלים 1ו-3 שימשו לכוונון היפר-פרמטרים של מודל CNN ומידול אימונים ובדיקות פנימיים. האבולוציה של ארכיטקטורת CNN במחקר זה מפורטת בטבלה 2. הארכיטקטורה האופטימלית של CNN כללה שכבת קלט ברזולוציה של 268 x 268 פיקסלים, ואחריה 4 שכבות פיתול דו מימדיות, כל אחת עם 8 מסננים. בנוסף, שולבו 2 שכבות איגום, 2 שכבות נשירה, שכבת שיטוח ו-2 שכבות צפופות למשימת הסיווג בת 3 המחלקות. עיין בקובץ משלים 2 עבור ארכיטקטורת CNN.

המודל במחקר זה אומן באמצעות מערך נתונים של 35,486 תמונות ונבדק על 8,872 תמונות לאורך 7 תקופות. את ביצועי המודל המאומן במהלך האימון, כולל מדדים כגון אובדן, יחס דיוק-היזכרות, דיוק ורגישות (או היזכרות), במערכי הנתונים הפנימיים של האימונים והבדיקות ניתן לראות באיור המשלים 8A-D. המודל הוכיח את הדיוק, הדיוק והרגישות של 1 הן עבור אימונים פנימיים והן עבור ערכות בדיקה. זה מצביע על כך שתחזיות המודל תאמו את המחלקות בפועל של התמונות הן באימונים פנימיים והן במערכי נתונים של בדיקות. לאחר אימון הדוגמניות, נעשה שימוש בתמונות מהמשוכפלהשני כדי להבטיח ולאמת באופן עצמאי כי התאמת יתר אינה מהווה בעיה עבור מודל CNN שהושג. המודל הציג את עמידות החיזוי שלו על ידי ערכי דיוק, דיוק ורגישות של 1 ל-4,820 תמונות במחקר הרקע (תרחיש A), 3,900 תמונות במחקר הבקרה החיובית (תרחיש B) ו-2,731 תמונות במחקר הבקרה השלילית (תרחיש D). מודל החיזוי שהושג נפרס כדי לסווג את תמונות מסגרת הווידאו של עכברים מרחרחים רוח וצורכים חמאת בוטנים המכילה ווסאבי (תרחיש C) לתרחישי מחקר שונים, כלומר תרחישים A, B ו- D. התוצאות מראות כי 0% ו-29% מהתמונות סווגו למחלקות של מחקר רקע (תרחיש A, מים טהורים וחמאת בוטנים ללא וואסאבי) ומחקר בקרה שלילית (תרחיש D, רוח סינית וחמאת בוטנים ללא ווסאבי), בהתאמה, בעוד 71% מהתמונות סווגו כמחלקות של קבוצת ביקורת חיובית (תרחיש C, שבו היו מים טהורים ותערובת חמאת בוטנים ווסאבי). ממצאים אלה מרמזים כי נוכחות של משקאות חריפים תזונתיים עשויה להפחית את הרעש מעורר ווסאבי בעכברים. כדי להעריך מה המכונה למדה מחומרי ההדרכה שסופקו, נוצרו מפות תכונות עבור כל שכבת פיתול. כפי שמתואר באיור משלים 9A-D, תשומת הלב של המכשיר נצפתה ממוקדת במגוון תווי פנים כגון אורביטלי עיניים, אף, קצוות לחי וגוף, אוזניים, וגם על משטח המגע של הצ'או. בהתבסס על תצפיות אלה, נערכה שיטת ניתוח נתונים נוספת, MGS. ה- MGS מתמקד ב- AUs הפנים של עכברים, ומאפשר הערכה סטטיסטית ותיקוף נוסף של יכולת הדיכוי של הצגת משקאות אלכוהוליים לנוסיספטציה הנגרמת על ידי ווסאבי.

ניקוד ידני של סולם עווית עכבר מאמת סטטיסטית תחזיות של למידת מכונה.
עוצמת הצליל המעורר ווסאבי הוערכה באמצעות ציון MGS, המקצה ציונים הנעים בין 0 ל-2, כאשר ציון 0 מייצג את התגובה הכי פחות חמורה וציון 2 מציין את התגובה החמורה ביותר. במחקר זה, ציוני MGS של 24 עכברים (כלומר, 2 עכברים הוצגו ב-12 התמונות שנבחרו כאיור משלים 10, איור משלים 11, איור משלים 12, איור משלים 13 מוצג) הוערכו על ידי 22 פאנליסטים שהוכשרו. ניתוח של ליטרמט של 2 עכברים, עם ניסויים משולשים, הראה כי הדיוק התוך-אצווה והדיוק הבין-אצווה היו בעלי נגזרות סטנדרטיות יחסיות שנעו בין 0%-25% ו-9%-33%, בהתאמה. זה מצביע על דיוק טוב ועקביות בתהליך הניקוד MGS. הבדל משמעותי נצפה בין ציוני MGS של עכברים שקיבלו משחה של חמאת בוטנים (איור 3A, 0.73 ± 0.04) לבין אלה שסופקו עם תערובת של ווסאבי וחמאת בוטנים (איור 3B, 1.59 ± 0.11). זה מאמת את מערך הניסוי למחקר התנהגותי בבעלי חיים ומאשר את היעילות של ווסאבי בגרימת תגובות נוסיספטיביות. אף על פי שאדי האלכוהול ששוחררו מתחת למשקה האלכוהולי שסופק (~42% v/v של אלכוהול) עשויים להיות מגרים, ציון MGS (איור 3D, 0.86 ± 0.16) לא הראה הבדל משמעותי בהשוואה לקבוצת הביקורת (איור 3A, 0.73 ± 0.04). עם זאת, נצפה הבדל משמעותי בין ציוני MGS של עכברים שסופקו עם תערובת חמאת בוטנים ווסאבי (איור 3B, 1.59 ± 0.11) לבין אלה שנחשפו לאדי אלכוהול במהלך צריכת ווסאבי (איור 3C, 0.95 ± 0.07) עם ערך P של <0.05. ממצאים אלה מצביעים על כך שיישום משותף של ווסאבי ומשקאות אלכוהוליים עשוי להפחית את הגירוי הנגרם על ידי ווסאבי, בהתאם לפרספקטיבה של בינה מלאכותית. יש צורך בחקירה נוספת כדי לחקור את המרכיב היעיל ברוח הסינית המסופקת התורם לדיכוי חריפות הווסאבי, שככל הנראה מיוחסת לנוכחות אתנול.

דוגמה לקוד שכבר זמין. כל הקוד לביצוע זיהוי תמונה המשויך לשליחה הנוכחית זמין במאגר GitHub ציבורי: git@github.com:TommyNHL/imageRecognitionJove.git. כל העדכונים יפורסמו גם במאגר GitHub עם ציטוט של DOI הסופי של עבודה זו.

figure-results-1
איור 1: מערך ניסויי למחקר התנהגותי הקשור לכאב בבעלי חיים. (A) כל המערך להקלטת וידאו של הבעות הפנים של 2 עכברים באמצעות המצלמות בשני סמארטפונים המוצבים על עמדות הטלפון בכל טרמינל. (B) תא הצ'אוס שימש לאספקת שתי משחות של 0.5 גרם חמאת בוטנים או תערובת של ווסאבי וחמאת בוטנים לשני עכברים על בסיס אד ליביטום , ו-30 מ"ל של נוזל (מים או ~42% v/v ליקר) מולאו בחריץ שמתחת למשחות לשאיפה בו-זמנית. (C) מבט מקרוב על החריץ שמולא ב-30 מ"ל נוזל והכיל 2 משחות של תערובת חמאת ווסאבי-בוטנים. התערובת הוכנה על ידי ערבוב 1 גרם של ווסאבי מסחרי ב 4.5 גרם של חמאת בוטנים. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-2
איור 2: הארכיטקטורה של מודל הרשת העצבית הקונבולוציונית והקלט והפלט שלה. תמונות מ-3 תרחישים שונים שימשו לאימונים, כולל תרחיש A עבור מחקר הרקע, תרחיש B עבור מחקר הבקרה החיובית, ותרחיש D עבור מחקר הבקרה השלילית. התמונות של תרחיש C עבור מחקר האינטראקציה ווסאבי-אלכוהול טעם-ריח סווגו לתרחישים A, B או D לאחר אימון מודל. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-3
איור 3: ציוני סולם עווית העכבר (MGS) של העכברים שקיבלו צ'אווס שונה. ציון MGS הוא מ-0 עד 2, כאשר הציון 0 מייצג את הפחות חמור והציון 2 את החמור ביותר. סולם MGS הייחוס הותאם מ Langford et al. (2010)16. עווית העכברים שסופקה (A) חמאת בוטנים לצריכה קיבלה ציון 0.73 ± 0.04; (B) תערובת של ווסאבי וחמאת בוטנים (1 גרם ווסאבי מסחרי ב-4.5 גרם חמאת בוטנים) לבליעה קיבלה ציון 1.59 ±-0.11; (C) תערובת של ווסאבי וחמאת בוטנים לבליעה, בעוד שאיפת אלכוהול הייתה זמינה מתחת למשקאות חריפים שסופקו (~ 42% v/v של אלכוהול), קיבלה ציון 0.95 ± 0.07; (D) חמאת בוטנים לצריכה בזמן שאיפת אלכוהול זמינה מלמטה שסופקה ספיריט קיבלה ציון 0.86 ± 0.16. *, P < 0.05; **, P < 0.01; NS, אין הבדל משמעותי באמצעות ניתוח חד-כיווני של השונות עם מבחן ההשוואה המרובים של בונפרוני לאחר הוק תחת רווח בר-סמך של 95%. קווי שגיאה ייצגו את שגיאת התקן של מדידות (SEM). מדידות משולשות נערכו עבור 2 עכברים בכל תרחיש. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

טבלה 1: סיכום ארבעת התרחישים שחובקו בהערכה התנהגותית של בעלי חיים. הערות: א התערובת הוכנה על ידי ערבוב של 1 גרם ווסאבי מסחרי ב 4.5 גרם חמאת בוטנים. b אלכוהול סיני המכיל ~ 42% אלכוהול v/v. אנא לחץ כאן כדי להוריד טבלה זו.

טבלה 2: סיכום ביצועי המודל. ההיפרפרמטרים של גודל אצווה של 64, מספר מסנן של שכבת הפיתול הדו-ממדית הראשונה של 8 ללא נשירה עוקבת, מספר מסנן של שכבת הפיתולהדו-ממדית השנייה של 8, מספר המסנן של שכבת הפיתולהדו-ממדית השלישית של 8 עם נשירה 0.1, מספר המסנן של שכבת הפיתולהדו-ממדית הרביעית של 8, ומספר המסנן של השכבה הצפופה של 64 עם נשירה של 0.5 הניב את ההפסד הנמוך ביותר עבור קבוצת הבדיקות המפוצלות הפנימיות. היפר-פרמטרים אלה אומצו לאחר מכן כדי לאמן מודל סיווג של 3 קבוצות (תרחיש A, B ו-D) לחיזוי התמונות של תרחיש C. תרחיש A היה עבור מחקר הרקע. תרחיש ב' היה עבור מחקר הבקרה החיובית. תרחיש D היה עבור מחקר הבקרה השלילית. תרחיש C היה עבור מחקר האינטראקציה ווסאבי-אלכוהול טעם-ריח. אנא לחץ כאן כדי להוריד טבלה זו.

תרשים משלים 1: חומרי הדרכה לדוגמה ללמידה עמוקה של סוג תרחיש א' (מחקר רקע). אנא לחץ כאן כדי להוריד קובץ זה.

תרשים משלים 2: חומרי הדרכה לדוגמה ללמידה עמוקה של סוג ב' (מחקר בקרה חיובית). אנא לחץ כאן כדי להוריד קובץ זה.

תרשים משלים 3: חומרי הדרכה לדוגמה ללמידה עמוקה של סוג תרחיש D (מחקר בקרה שלילית). אנא לחץ כאן כדי להוריד קובץ זה.

תרשים משלים 4: תחזיות ודוגמאות לחומרים בלתי תלויים של סוג תרחיש A (מחקר רקע) לאימות מודל. אנא לחץ כאן כדי להוריד קובץ זה.

תרשים משלים 5: תחזיות ודוגמאות לחומרים בלתי תלויים מהמחלקה של תרחיש B (מחקר בקרה חיובית) לצורך אימות מודל. אנא לחץ כאן כדי להוריד קובץ זה.

תרשים משלים 6: תחזיות ודוגמאות לחומרים בלתי תלויים מהמחלקה של תרחיש D (מחקר בקרה שלילית) לאימות מודל. אנא לחץ כאן כדי להוריד קובץ זה.

תרשים משלים 7: תחזיות וחומרים לדוגמה של סוג תרחיש C (מחקר אינטראקציה בין טעם וריח לאלכוהול ווסאבי) ליישום מודל. אנא לחץ כאן כדי להוריד קובץ זה.

תרשים משלים 8: ביצועים מנבאים של מודל הלמידה העמוקה האופטימלי. (א) אובדן אימונים ואובדן תיקוף פנימי לאורך 7 תקופות; (B) עקומות דיוק-היזכרות, (C) דיוק, ו-(D) היזכרות באימונים ותיקוף פנימי לאורך 7 תקופות. אנא לחץ כאן כדי להוריד קובץ זה.

איור משלים 9: מפות תכונות של כל שכבת פיתול. מפות תכונות של (A) שכבת הפיתול הראשונה, (B) השנייה, (C) השלישית ו- (D) האחרונה בתרחישים A, B ו- D, מסודרות בסדר מלמעלה למטה. תרחיש א' היה למחקר הרקע. תרחיש ב' היה עבור מחקר הבקרה החיובית. תרחיש D היה עבור מחקר הבקרה השלילית. אנא לחץ כאן כדי להוריד קובץ זה.

איור משלים 10: תמונות נבחרות עבור ניקוד ידני של סולם עווית עכבר עבור תרחיש A (מחקר רקע). אנא לחץ כאן כדי להוריד קובץ זה.

איור משלים 11: תמונות נבחרות עבור ניקוד ידני של סולם עווית עכבר עבור תרחיש B (מחקר בקרה חיובית). אנא לחץ כאן כדי להוריד קובץ זה.

איור משלים 12: תמונות נבחרות עבור ניקוד ידני של סולם עווית עכבר עבור תרחיש C (מחקר אינטראקציה בין טעם וריח לאלכוהול ווסאבי). אנא לחץ כאן כדי להוריד קובץ זה.

איור משלים 13: תמונות נבחרות עבור ניקוד ידני של סולם עווית עכבר עבור תרחיש D (מחקר בקרה שלילית). אנא לחץ כאן כדי להוריד קובץ זה.

סרטון משלים 1: עווית של עכברים לאחר צריכת ווסאבי עם נוכחות או היעדר משקאות אלכוהוליים שסופקו מתחת. מ 0 s עד 8 s, הווידאו קליפ הציג את הבעות הפנים הרגילות של עכברים בעת צריכת חמאת בוטנים. בין 8 שניות ל-17 שניות, הוא המחיש את עוויותיהם של עכברים בעת בליעת ווסאבי. העכברים הראו הידוק מסלולי, בליטת אף, בליטת לחיים, הידוק אוזניים כלפי חוץ ושינוי שפם. מ-17 שניות ל-29 שניות, הוא הראה שניתן לדכא את הרעש המושרה על ידי ווסאבי כאשר הרוח זמינה מתחת. מ 29 שניות עד הסוף, זה הראה אוסף של עוויות בתרחישים שונים שתוארו לעיל. אנא שימו לב כי הסרטון המצורף משמש להמחשה בלבד. איכותו שונה מדרישת האיכות המתוארת לזיהוי תמונה ומידול. אנא לחץ כאן כדי להוריד סרטון זה.

קובץ משלים 1: shuffleSlides.pptm. מצגת משלימה מותאמת מאקרו של Microsoft PowerPoint, בשם "shuffleSlides.pptm". קובץ זה הוכן לדשדוש תמונות למבחן העיוור של ניקוד סולם עווית עכבר. אנא לחץ כאן כדי להוריד קובץ זה.

קובץ משלים 2: ארכיטקטורת CNN. אנא לחץ כאן כדי להוריד קובץ זה.

דיון

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

השיטה המוצעת לחקר אינטראקציה בין טעם לריח בעבודה זו מבוססת על השיטה המקורית של קידוד התנהגותי להבעת פנים של כאב בעכברים, שפותחה על ידי Langford et al.16. מספר מאמרים שפורסמו לאחרונה הציגו את CNN למעקב אוטומטי אחר פני עכבר ולאחר מכן ניקוד MGS 21,26,27,28. יישום CNN מציע יתרון על פני השיטה המקורית בלבד, כפי שהוא עוקב אחר יצירת סדרה של תמונות מסגרת וידאו שניתן להשתמש בהם כדי לאמן מודל חיזוי. לעומת זאת, השיטה המקורית דרשה מראש מספר מוגבל של תמונות עבור MGS, אשר יכול להציג סובייקטיביות והטיה.

בין השיטות שפורסמו בעבר מבוסס CNN, כולם פותחו להערכת מידת המצוקה או אי הנוחות על הזרקת סוכן גורם כאב ישיר למחזור הדם26,28. חסרון אחד של גישת החדרת תרופות זו הוא שנדרש מאמץ משמעותי כדי לסנן תמונות מסגרת וידאו שאינן לוכדות את פרופיל הפנים של העכבר. במחקר זה, הווסאבי המסחרי הגורם לנוסיספטיון מסופק על בסיס ad libitum. מלבד מיסוך המרכיב הנדיף AITC, חמאת בוטנים מסוגלת גם למשוך נבדקי עכבר להציג מחווה ברורה של מבט קדמי, מה שמקל על לכידת פרופילי הפנים שלהם במהלך הקלטת וידאו. יתר על כן, גישה זו מבטלת כל הפרעה פוטנציאלית מכאב הנגרם על ידי החדרת מחט. עם זאת, חשוב לציין כי תנועת הבליעה של העכברים עלולה להפריע לניקוד MGS עבור בליטת האף ובליטת הלחי. כדי להתמודד עם זה, ניסוי בקרה בסיסי חייב להתבצע על ידי מתן העכברים עם חמאת בוטנים טהורה.

באלגוריתמים מסוימים מבוססי CNN למחקר התנהגותי של בעלי חיים, רק תת-קבוצה של יחידות פעולה בפנים של עכבר נבחרת מתוך תמונות אימון ומתוכנתת ללכוד21,22. שיטות חישוביות אלה מסתמכות על תכונות מוגדרות מראש הקשורות לתחושת nociception תוך הזנחת תכונות חשובות אחרות הספציפיות לנבדקי עכבר בודדים. כתוצאה מכך, זה עלול להוביל לאובדן מידע. לעומת זאת, מחקר זה נוקט בגישה שונה על ידי שימוש בתמונת פני העכבר כולה כדי לאמן מודל CNN. שיטה זו המבוססת על שימוש בתמונה בלבד (IOU) הוכחה כיעילה יותר עבור סיווג תמונה25. לפיכך, גישת המידול המוצעת של CNN במחקר הנוכחי דומה לכמה שיטות מוצעות המאמנות תחילה מודל CNN על ידי שימוש בתמונה כולה ללא ביאור אזור ולאחר מכן מאמתות את המודל באמצעות הערכה אנושית ידנית27,29. גישה זו יכולה לשמור יותר מידע בתמונות ולמנוע הצגת סובייקטיביות.

עם זאת, מגבלה של מערך הניסוי בעבודה זו היא שהנבדקים בעכברים שוכנו כהמלטות של 2 ולא בבתי גידול בודדים. החלטה זו הייתה מכוונת, בהתחשב בכך שעכברים הם בעלי חיים חברתיים ובדרך כלל משגשגים במסגרת קבוצתית. ממצא מעניין הוא שבמהלך תקופת אילוף בעלי החיים, רק 2 המלטות בכלוב אחד מתוך 3 כלובים אומנו להיות מותאמות לנוכחות הרוח הסינית. כתוצאה מכך, רק ניסויים משולשים נערכו באופן בלעדי על 2 אלה littermates. עבור חומרי ההדרכה למידול CNN, תמונה בודדת המכילה את שני הליטרמטים נלקחה גם כדגימה בודדת מבלי לבצע כל פילוח. גישה זו אפשרה לנו ללכוד את האינטראקציה בין הליטרמטים ולנתח את התנהגותם יחד עם הבעות פנים באופן קולקטיבי.

בדומה לשיטת הניקוד MGS מבוססת התמונה, השיטה המוצעת במחקר זה צפויה להיות ניתנת להעברה לסוגים אחרים של בעלי חיים, כגון חתולים וסוסים30,31. על ידי יישום המתודולוגיה המוצעת, שיטת החדרת צ'אוס להשראת מזון עם יישום ראייה ממוחשבת יכולה להיות גישה להקלה על מחקר התנהגותי של בעלי חיים, במיוחד עבור אינטראקציה טעם-ריח בבעלי חיים שונים.

גילויים

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

המחברים מצהירים כי אין ניגודי עניינים.

תודות

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

Z. Cai רוצה להכיר בתמיכה הכספית מקרן הצדקה Kwok Chung Bo Fun להקמת הקתדרה לניתוח סביבתי וביולוגי של Kwok Yat Wai.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
אתנול מוחלט (EtOH)VWR כימיקלים BDHCAS# 64-17-5
אקרילוניטריל בוטאדיאן לבני סטירןחנות הדגל Jiahuifeng https://shop.paizi10.com/jiahuifeng/chanpin.html
צלחות סטירן אקרילוניטריל בוטאדיאןחנות הדגל Jiahuifenghttps://shop.paizi10.com/jiahuifeng/chanpin.html
אליל איזותיוציאנט (AITC)סיגמא-אולדריץ'CAS# 57-06-7
דימתיל סולפוקסיד נטול מיםסיגמא-אולדריץ'CAS# 67-68-5
הרוח הסיניתYanghe Qingcihttps://www.chinayanghe.com/article/45551.html
מסחריS& בי פודס בע"מ
חומצה פורמית (FA)VWR כימיקלים BDHCAS# 64-18-6
GraphPad פריזמה 5GraphPadhttps://www.graphpad.com
אצטוניטריל בדרגת HPLC (ACN)VWRכימיקלים BDHCAS# 75-05-8
מתנול בדרגת HPLC (MeOH)VWR כימיקלים BDHCAS# 67-56-1
Microsoft Excel Microsoft 2016https://www.microsoft.com 
Microsoft PowerPoint 2016https://www.microsoft.com
Milli-Q מערכת מיםMilliporehttps://www.merckmillipore.com
Mouse: ICRLaboratory Animal Services Centre (האוניברסיטה הסינית של הונג קונג, הונג קונג, סין)N/A
חמאת בוטניםSkippyhttps://www.peanutbutter.com/peanut-butter/creamy
Python v.3.10קרן התוכנה של Pythonhttps://www.python.org 
צלחות אקריליק שקופותTaobao Storehttps://item.taobao.com/item.htm?_u=32l3b7k63381&id=60996545797
0& spm=a1z09.2.0.0.77572e8dFPM
EHU
https://www.sbfoods-worldwide.com Microsoft

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Isshiki, K., Tokuoka, K., Mori, R., Chiba, S. Preliminary examination of allyl isothiocyanate vapor for food preservation. Biosci Biotechnol Biochem. 56 (9), 1476-1477 (1992).
  2. Li, X., Wen, Z., Bohnert, H. J., Schuler, M. A., Kushad, M. M. Myrosinase in horseradish (Armoracia rusticana) root: Isolation of a full-length cDNA and its heterologous expression in Spodoptera frugiperda insect cells. Plant Sci. 172 (6), 1095-1102 (2007).
  3. Depree, J. A., Howard, T. M., Savage, G. P. Flavour and pharmaceutical properties of the volatile sulphur compounds of Wasabi (Wasabia japonica). Food Res Int. 31 (5), 329-337 (1998).
  4. Hu, S. Q., Wei, W. Study on extraction of wasabi plant material bio-activity substances and anti-cancer activities. Adv Mat Res. 690 - 693, 1395-1399 (2013).
  5. Lee, H. -K., Kim, D. -H., Kim, Y. -S. Quality characteristics and allyl isothiocyanate contents of commercial wasabi paste products. J Food Hyg Saf. 31 (6), 426-431 (2016).
  6. Bacon, T. Wine, wasabi and weight loss: Examining taste in food writing. Food Cult Soc. 17 (2), 225-243 (2014).
  7. Fleming, P. A., et al. The contribution of qualitative behavioural assessment to appraisal of livestock welfare. Anim Prod Sci. 56, 1569-1578 (2016).
  8. Shi, X., et al. Behavioral assessment of sensory, motor, emotion, and cognition in rodent models of intracerebral hemorrhage. Front Neurol. 12, 667511(2021).
  9. Stevenson, R. J., Prescott, J., Boakes, R. A. Confusing tastes and smells: How odours can influence the perception of sweet and sour tastes. Chem Senses. 24 (6), 627-635 (1999).
  10. Pfeiffer, J. C., Hollowood, T. A., Hort, J., Taylor, A. J. Temporal synchrony and integration of sub-threshold taste and smell signals. Chem Senses. 30 (7), 539-545 (2005).
  11. Simons, C. T., Klein, A. H., Carstens, E. Chemogenic subqualities of mouthfeel. Chem Senses. 44 (5), 281-288 (2019).
  12. Andrade, E. L., Luiz, A. P., Ferreira, J., Calixto, J. B. Pronociceptive response elicited by TRPA1 receptor activation in mice. Neuroscience. 152 (2), 511-520 (2008).
  13. Palazzo, E., Marabese, I., Gargano, F., Guida, F., Belardo, C., Maione, S. Methods for evaluating sensory, affective and cognitive disorders in neuropathic rodents. Curr Neuropharmacol. 19 (6), 736-746 (2020).
  14. Topley, M., Crotty, A. M., Boyle, A., Peller, J., Kawaja, M., Hendry, J. M. Evaluation of motor and sensory neuron populations in a mouse median nerve injury model. J Neurosci Methods. 396, 109937(2023).
  15. Langford, D. J., et al. Mouse Grimace Scale (MGS): The Manual. , https://www.nc3rs.org.uk/sites/default/files/documents/Guidelines/MGS%20Manual.pdf (2015).
  16. Langford, D. J., et al. Coding of facial expressions of pain in the laboratory mouse. Nat Methods. 7 (6), 447-449 (2010).
  17. Liu, H., Fang, S., Zhang, Z., Li, D., Lin, K., Wang, J. MFDNet: Collaborative poses perception and matrix Fisher distribution for head pose estimation. IEEE Trans Multimedia. 24, 2449-2460 (2022).
  18. Liu, T., Wang, J., Yang, B., Wang, X. NGDNet: Nonuniform Gaussian-label distribution learning for infrared head pose estimation and on-task behavior understanding in the classroom. Neurocomputing. 436, 210-220 (2021).
  19. Liu, T., Liu, H., Yang, B., Zhang, Z. LDCNet: Limb direction cues-aware network for flexible human pose estimation in industrial behavioral biometrics systems. IEEE Trans Industr Inform. 20 (6), 8068-8078 (2023).
  20. Grant, E. P., et al. What can the quantitative and qualitative behavioural assessment of videos of sheep moving through an autonomous data capture system tell us about welfare. Appl Anim Behav Sci. 208, 31-39 (2018).
  21. Vidal, A., Jha, S., Hassler, S., Price, T., Busso, C. Face detection and grimace scale prediction of white furred mice. Mach Learn Appl. 8, 100312(2022).
  22. Zylka, M. J., et al. Development and validation of Painface, A software platform that simplifies and standardizes mouse grimace analyses. J Pain. 24 (4), 35-36 (2023).
  23. Liu, H., Zhang, C., Deng, Y., Liu, T., Zhang, Z., Li, Y. F. Orientation cues-aware facial relationship representation for head pose estimation via Transformer. IEEE Trans Image Process. 32, 6289-6302 (2023).
  24. Liu, H., Liu, T., Chen, Y., Zhang, Z., Li, Y. F. EHPE: Skeleton cues-based Gaussian coordinate encoding for efficient human pose estimation. IEEE Trans Multimedia. , (2022).
  25. Liu, H., et al. TransIFC: Invariant cues-aware feature concentration learning for efficient fine-grained bird image classification. IEEE Trans Multimedia. , (2023).
  26. Akkaya, I. B., Halici, U. Mouse face tracking using convolutional neural networks. IET Comput Vis. 12 (2), 153-161 (2018).
  27. Andresen, N., et al. Towards a fully automated surveillance of well-being status in laboratory mice using deep learning: Starting with facial expression analysis. PLoS One. 15 (4), e0228059(2020).
  28. Ernst, L., et al. Improvement of the mouse grimace scale set-up for implementing a semi-automated Mouse Grimace Scale scoring (Part 1). Lab Anim. 54 (1), 83-91 (2020).
  29. Tuttle, A. H., et al. A deep neural network to assess spontaneous pain from mouse facial expressions. Mol Pain. 14, 1744806918763658(2018).
  30. Lencioni, G. C., de Sousa, R. V., de Souza Sardinha, E. J., Corrêa, R. R., Zanella, A. J. Pain assessment in horses using automatic facial expression recognition through deep learning-based modeling. PLoS One. 16 (10), e0258672(2021).
  31. Steagall, P. V., Monteiro, B. P., Marangoni, S., Moussa, M., Sautié, M. Fully automated deep learning models with smartphone applicability for prediction of pain using the Feline Grimace Scale. Sci Rep. 13, 21584(2023).

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

מאמרים קשורים