Method Article

מעקב סינכרוני רב-מפרקי מבוסס למידה עמוקה לכימות אובייקטיבי של קינמטיקה של תנועת גפיים אחוריות בעכברים

DOI:

10.3791/69798

⸱

April 3rd, 2026

 ,  ,  ,  ,  ,  ,  ,  , 
1Department of Neurosurgery, Xuanwu Hospital, Capital Medical University, 2Lab of Spinal Cord Injury and Functional Reconstruction, China International Neuroscience Institute (CHNA-INI), 3Wuxi Touch Spring Technology Co., Ltd.

In This Article

Summary

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

פרוטוקול זה מקים צינור הערכה קינמטי של עכברוש אחורי באמצעות בדיקת הליכון ללא סימן עם תיוג אוטומטי רב-מפרקי מונע למידה עמוקה, המאפשר כימות תנועה שניתן לשחזר.

Abstract

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

הערכה מדויקת ואובייקטיבית של הליכת עכברים חיונית לתחומי המחקר בנוירולוגיה וקינסיולוגיה. מערכות קונבנציונליות תלויות לעיתים קרובות בהדמיית טביעת רגל להסקת הליכה עקיפה, שאינה יכולה ללכוד באופן מלא את הקינמטיקה הרב-מפרקית של הגפיים האחוריות. מחקר זה מקים מערכת ניתוח הליכה מבוססת הליכון ללא סימנים עבור מכרסמים, המשלבת אלגוריתמים מותאמים אישית של למידה עמוקה עם הליכון תומך משקל מתוכנת, כדי לאפשר מעקב בזמן אמת אחרי מספר מפרקי גפיים תחתונות וכימות קינמטי רב-ממדי. המערכת מחלקת אוטומטית פרמטרים של מחזור הליכה, מסלולי מפרקים, דפוסי חלוקת כוח וחלקות תנועה בתנאי מהירות מודולציה (0-300 מ"מ/שנייה), שיפוע (±30°) ותמיכה במשקל מדורג (0-500 גרם), ומספקת כלי הערכה אובייקטיבי למחקר התנהגות נוירומוסקולרית. באמצעות מודלים של פגיעות חוט השדרה (SCI), התוצאות מראות את רגישות המערכת בזיהוי הבדלים רב-ממדיים בטווח התנועה של המפרקים, רציפות המסלול, הכוח הדחף והחלקות בין מכרסמים בריאים לפצועים, ובכך מאמת את יכולות ההבחנה והדירוג של המחלה. בהשוואה לציונים סובייקטיביים מסורתיים או שיטות טביעת רגל, פלטפורמה זו מבטלת הטיה אישית ומגבלות נתונים מממדיות נמוכות, תוך שילוב ארכיטקטורה מונעת למידה עמוקה ויתרונות איסוף נתונים בתפוקה גבוהה. הוא רלוונטי למחקרים העוסקים בפגיעות עצביות מרכזיות או פריפריות, מחלות ניווניות עצבית, הפרעות במערכת השרירים והשלד ותהליכי הזדקנות. באמצעות אינטגרציה סינכרונית של מודולי הנוירואלקטרופיזיולוגיה, המערכת מאפשרת עוד יותר קישור זמני של הליכה ואותות עצביים, ובכך יוצרת מסגרת מתודולוגית לניתוח מנגנוני בקרה מרכזיים-פריפריאליים ולפיתוח אסטרטגיות נוירומודולטוריות.

Introduction

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

במחקר עכשווי במדעי המוח ובתנועות, כימות אובייקטיבי של צעידה חיוני לניתוח תפקודים עצביים-שריריים, הבהרת מנגנוני מחלה והערכת אסטרטגיות שיקום1. הרזולוציה המרחבית-זמנית הגבוהה שלו מאפשרת ללכוד שונות עדינה בסינרגיה בין פקודות עצביות, פרופילי הפעלה של שרירים ומכניקה של השלד, ובכך מבססת בסיס אמפירי לחקירת תיאום מסלולים על-שדרתיים, משוב היקפי והקשרים מכניים. מדדים קינמטיים שחוזרים משפרים את רגישות הזיהוי לפצעים, שינויים ניווניים והשפעות טיפוליות, ומאיצים את פיתוח התרופותוהמכשירים 2.

פלטפורמות הערכה קונבנציונליות כמו CatWalk, DigiGait או ניתוחי טביעת רגל פשוטים מסיקות בעקיפין קינמטיקה של מפרקים בהתבסס על דפוסי מגע כף הרגל. גישות אלו מניבות מדדים ברזולוציה נמוכה ובלתי עקבית שאינם מצליחים ללכוד את המורכבות הקינמטית הרב-מפרקית של הגפיים האחוריות 3,4. המטרה הכוללת של השיטה שלנו היא להקים מערכת ניתוח צעידה מדויקת מאוד, ללא סימנים ונתמכת במשקל, המיועדת במיוחד למודלים של מכרסמים. לכן, אנו מקימים מסגרת חדשנית היא: (i) שומרת על מכרסמים במצב זקוף תחת עומס צירי מבוקר (0-100% משקל גוף) במהלך הדמיה רציפה של מספר מפרקים, (ii) ממוקמת ישירות את נקודות הציון האנטומיות של מישור הסגיטל מניתוח צידי דרך למידה עמוקה ליצירת מסלולים מרחביים דו-ממדיים, (iii) מייצאת זוויות מפרקים עם פתרון זמן וקינמטיקה סגמנטלית למידול סטטיסטי5. בעיקרון, מסגרת זו מבוססת על יישום למידה עמוקה למשימות ראיית מחשב, המאפשרת חילוץ תכונות משותף חזק מנתוני וידאו.

בהשוואה למערכות קיימות, פלטפורמה זו מציעה ארבעה יתרונות מרכזיים. פעולתו ללא סימנים מבטלת תגיות מחזירות אור או שתלות, תוך הפחתת מורכבות פרוצדורלית וארטיפקטים של תנועה6. מערכת המתלים המשולבת עם משוב כוח מאפשרת תמיכה מדויקת במשקל גוף מדורג (0-100%), ומקלה על הערכת הליכה מקיפה לאורך כל רצף הטעינה ועד הפריקה, דבר שאינו קיים בהליכונים מסחריים7. ארכיטקטורת הלמידה העמוקה מאפשרת הכשרה מהירה מחדש לזנים, גילאים או מצבים פתולוגיים חדשים, וטובה יותר במעקב ידני בקנה מידה8. וקואורדינטות מרחביות רב-מפרקיות מדויקות במיוחד מאפשרות ניתוח מדויק של קינמטיקה בין-מפרקית בשילוב פרופיל כמותי של דפוסי הליכה חריגים.

פרוטוקול זה רלוונטי באופן נרחב. הוא מאפשר חקירת שליטה על-עמוד שדרה, לולאות משוב פרופריוספטיביות וסינרגיות שרירים תחת דרישות מכניות מודולציה9. מבחינה פתופיזיולוגית, הוא מספק סמנים ביומוטוריים רגישים לפגיעות חוט השדרה (SCI), שבץ, ניוון עצבי, נוירופתיות פריפריאליות והפרעות נוירומוסקולריות 8,10. מבחינה טיפולית, היא תומכת בהערכה אורכית של התערבויות פרמקולוגיות או מבוססות מכשירים עם עוצמה סטטיסטית מוגברת בזכות קינמטיקה ברזולוציהגבוהה 11. הארכיטקטורה המודולרית מאפשרת אינטגרציה חלקה עם פלטפורמות משלימות, לדוגמה אלקטרומיוגרמה (EMG) או אותות מוח, ומקלה על פענוח מכני של קורלציות עצביות בתנועת הגפיים התחתונות.

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

Protocol

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

כל ההליכים לבעלי חיים אושרו על ידי ועדת הטיפול והשימוש בבעלי חיים מוסדית של מכון בייג'ינג לחקר מוח ועמדו בהנחיות לטיפול ושימוש בבעלי חיים במעבדה. לא נצפו תופעות לוואי הקשורות להליך.

1. הכנת ציוד

  1. הפעל את ספק הכוח של מערכת ההליכון ובחר את כפתור בקרת המהירות במסך המגע.
  2. תן לחגורה לרוץ במהירות נמוכה במשך 30 שניות כדי לבדוק אם חגורת ההליכון סוטה.
  3. בחר בכפתור בקרת השיפוע , ואז הגדר את השיפוע ל-0°, לחץ על אפס, ווודא שהערך המוצג תואם לבועת הרמה.
  4. היכנסו לממשק המתלים , תלו משקל של 10 גרם, ובדוק אם קריאת המתיחה קרובה ל-0.10 ניוטון.
  5. הפעל את המחשב האישי התעשייתי (IPC) והכנס לתוכנת רכישת וניתוח וידאו.
  6. צרו מדריך לניסוי היום, הכולל מידע כמו שם הניסוי, זיהוי בעל חיים, קבוצת הניסוי, מהירות, שיפוע ואחוז ירידה במשקל.
  7. תקן את מצלמת התעשייה המהירה (UC70, רזולוציה: 1280X1024, קצב פריימים: 60 fps), המצוידת בעדשת פוקוס ידנית (f = 12 מ"מ), על תושבת פרופיל מאלומיניום. מקם את עדשת המצלמה בניצב לציר האורכי של ההליכון כדי ללכוד מבט צידי בלבד, תוך שמירה על מרחק עבודה אופקי של 15 ס"מ ממישור חגורת ההליכון.
  8. הנח את העדשה אופקית באמצעות רמת בועות וודא שפלג העכבר תופס את שני השלישים המרכזיים של המסגרת. כוון את המיקוד והצמצם עד שקווי הקנה מידה על הסרגל האחורי (רשת של 1 ס"מ) נראים בבירור.
  9. לחץ על תצוגה מקדימה כדי לוודא שאין עוקב ובהירות הרקע אחידה. אם התמונה כהה מדי, השתמש בתאורה אחורית של דיודה פולטת אור (LED) כדי להגדיל את הבהירות; אם אתה חשוף יתר על המידה, הפחת את הגיין וצמצם את הצמצם בהתאם.
  10. לחץ על 'התחל הקלטה ' כדי לבדוק את איכות הקלטת הנתונים. לחץ על עצור הקלטה והגדר את נתיב אחסון הנתונים. לאחר השלמת בדיקות הציוד הנ"ל, התחל בניסויים בבעלי חיים.

2. מבחן הכנה וריצה של בעלי חיים

  1. העבר את העכבר יחד עם הכלוב המקורי לחדר הניסוי ותן לו לנוח 10 דקות. במהלך תקופה זו, אפשר גישה חופשית למזון ולמים.
  2. רשמו את משקל הגוף באמצעות משקל אלקטרוני (מדויק ל-0.1 גרם). כללו חולדות עם משקל גוף תואם (±10 גרם) כדי למזער את ההשפעות המבלבלות של גודל הגוף.
  3. אם צבע הפרווה של הגפיים האחוריות אינו מנוגד מספיק לרקע, השתמש במכונת גילוח חשמלית כדי להסיר בעדינות רצועת פרווה ברוחב 1 ס"מ בצד החיצוני של הירך ובחלק האחורי של הרגל התחתונה כדי לשפר את דיוק זיהוי המפרקים.
  4. לאחר מכן משתמשים בסרט רך כדי למדוד את המרחק בקו ישר מהירך לקרסול (מ"מ), שישמש בסיס לנרמול הצעד הבא.
  5. ללבוש כפפות, לאחוז בעכברוש, ולולף את רצועת החזה האלסטית סביב בית השחי הקדמי, ולחבר אותה למעקה המתכוונן. ודאו שהרצועה רפויה מספיק כדי להכניס אצבע אחת מבלי להשפיע על נשימת החיה.
  6. סובב לאט את ידית זרוע המתלה תוך התבוננות בערך המתח על המסך, והעלה אותו בהדרגה ליחס ההפחתה במשקל היעד. אשר שהגפיים האחוריות של העכברוש עדיין נוגעות במלואן בקרקע.
  7. כוון את גובה מוט האחיזה. שחרר את הכפתור העליון ומקם את מוט האחיזה הקדמי מעט מתחת לקצה האף של העכברוש בעמידה זקופה, כדי להבטיח שהחיה תוכל לאחוז בו בקלות מבלי להטות את ראשה לאחור יותר מדי או להתכופף.
  8. במסך בקרת המגע, כוון את המהירות ל-150 מ"מ/שנייה ואת השיפוע ל-0°. ערכו סשן הסתגלות של 10 דקות כדי להתאים את החיה לרמת התמיכה הספציפית במשקל הגוף. עקבו אחרי העכברוש לסימני לחץ, למשל, קפיאה, הטלת צואה.
    1. אם ההליכה נשארת לא סדירה (מוגדרת כ-[>3 הפרעות לדקה]), יש להאריך את משך התקופה ב-2 דקות, עד למקסימום של 20 דקות.
  9. ההסתגלות נחשבת למוצלחת כאשר העכברוש שומר על צעד רציף ואחיד למשך לפחות 60 שניות ללא גרירת כפות, והזנב תלוי באופן טבעי ללא נוקשות. החריגו בעלי חיים שאינם עומדים בקריטריונים אלה לאחר תקופת ההסתגלות המקסימלית.
  10. הכנס את הפרמטרים הנדרשים לניסוי הפורמלי. הזן ברצף את המהירות הרצויה (כל ערך בין 0-300 מ"מ/שנייה) והשיפוע (−30° עד +30°) על מסך המגע, ובחר את כיוון חגורת ההליכון.
  11. לאחר שהתחלת את ההליכון, התבונן בתנוחת ההליכה של העכברוש. אם זה סוטה מהשליש המרכזי, הקישו בעדינות על הקיר הימני פעם אחת עם המאגר. רוב בעלי החיים יתקנו את מיקומם בעצמם. אם שני תיקונים רצופים אינם יעילים, ממקמים מחדש את העכברוש והקליטו מחדש את הניסוי.
  12. לאחר הייצוב, לחץ על התחל הקלטה ותתפוס ברציפות לפחות חמישה מחזורי הליכה שלמים.
  13. בסיום כל ניסוי, מיד להוריד את המהירות ל-0, לשחרר את רצועת החזה, ולהחזיר את העכבר לכלוב המתאים לו.
  14. נתן מים בזמן המנוחה, עם לפחות 3 דקות בין הניסיונות.
  15. לתעד לפחות שלושה ניסויים באותם תנאים. אם בעל חיים רץ ברציפות במשך יותר משישה ניסיונות, הוסף מנוחה נוספת של 2 דקות כדי למנוע עייפות מצטברת.
  16. בצע אימון מקדים במשך חמישה ימים רצופים לפני הניסוי הרשמי: ללכת 10 דקות ביום במהירות 150 מ"מ/שנייה, שיפוע 0° ואפס ירידה במשקל, תוך התבוננות בצעד.

3. חילוץ נתוני הליכה

  1. ראשית, חלצו קטעים המכילים את ההליכה המטרה, בדרך כלל סביב 10 שניות, שצריכים לכלול לפחות 10 מחזורי הליכה יציבים ניתנים לניתוח.
  2. ייבא את קובץ .mov לתוכנת הניתוח ורשם את המידע האישי של העכברים, כולל מספר זיהוי, קבוצה ותנאי ניסוי.
    הערה: המערכת עושה שימוש בארכיטקטורת YOLO-NAS Pos, רשת עצבית מתקדמת המותאמת להערכת תנוחה בביצועים גבוהים.
    בניית מערך נתונים: המודל אומן על בסיס מאגר נתונים חזק של 6,000 פריימים וידאו. מסגרות אלו סומנו ידנית עם קואורדינטות של חמישה מפרקי גפיים אחוריים מרכזיים (הרכס האיליאק, הירך, הברך, הקרסול והבוהן) באמצעות ממשק המשתמש הגרפי DeepLabCut כדי להבטיח דיוק קרקעי.
    הכשרה: הרשת עברה למידת העברה על כרטיס מסך NVIDIA RTX 3080 כדי להתאים את משקלי תנוחת YOLO-NAS לתכונות הספציפיות של הגפה האחורית של העכברוש.
    אתחול: בתוכנה, בחרו את מודל ה'Rat_Hindlimb_YOLO_v1' המאומן מראש והגדרו את סף האמון ל-0.8 כדי להוציא נקודות מפתח בוודאות נמוכה.
    במהלך שלב הניתוח, מודל YOLO-NAS Pose מעבד את זרם הווידאו פריים אחר פריים. בניגוד לשיטות ראייה ממוחשבת מסורתיות שמסתמכות על חיסור רקע, ארכיטקטורת הלמידה העמוקה הזו ממוקמת ישירות את העכבר ומנבאת קואורדינטות משותפות בתוך תיבת הגבול.
    עיבוד לאחר מכן: האלגוריתם מחלץ קואורדינטות x ו-y מהעתקות ההסתברות. כדי להפחית רעידות בתדר גבוה, מוחל מסנן חציוני (גודל חלון: 3 מסגרות) על המסלולים הגולמיים.
    פלט: המערכת ננעלת בהצלחה על חמשת מפרקי המטרה בתוך פריים הווידאו, ויוצרת קואורדינטות מרחביות לפי זמן לכל רצף ההליכה. נתונים אלו מיוצאים אוטומטית כקבצי .csv לחישוב קינמטי. באמצעות סרגל ה-backboard (רשת של 1 ס"מ) שנלכדה בו-זמנית, המערכת יוצרת יחסי המרה, מחשבת אוטומטית את גורם הסקיילינג, וממירה את קואורדינטות הפיקסלים במילימטרים.
  3. ייצא את קואורדינטות המיקום המרחבי של כל מפרק לאורך זמן כקובץ .csv לחישוב אינדקס מאוחר יותר.
    הערה: התוכנה מחשבת אוטומטית את אורך הצעד, תדירות הצעדים וגובה הרגליים, ומייצאת את השינויים במיקום המרחבי ובזוויות של חמשת מפרקי הגפיים התחתונות לאורך זמן. בהתבסס על גובה האצבעות, התוכנה מחלקת אוטומטית כל צעד לשלב הנפה ושלב עמידה, ומחשבת את היחס בין שלב הנדנדה לשלב העמידה בכל מחזור הליכה.

4. השוואות קינמטיות בין-קבוצות

  1. נרמול כל מחזור הליכה בקבוצה מ-0% (מגע רגליים) ל-100% (שוב אותו מגע רגליים) כדי לאחד את אורכי המחזור השונים, ולהקל על ממוצע קבוצתי והשוואה. סוגי התמונות שניתן ליצור כדי להמחיש את דינמיקת ההליכה מסופקים בקובץ המשלים 1.

5. ניתוח סטטיסטי

  1. בצע את כל הניתוחים הסטטיסטיים באמצעות תוכנת GraphPad Prism.
  2. אמת את נורמליות התפלגות הנתונים באמצעות מבחן שפירו-וילק.
  3. להשוואות הדגמה של אימות קינמטי ומדד מסת גוף (BMI), הציגו נתונים כ-MEAN ± SEM.
  4. הערכו הבדלים בין שני תנאי הניסוי באמצעות מבחן t סטודנט לא מזווג.
  5. הגדר ספי מובהקות סטטיסטית כ-*p < 0.05, **p < 0.01, ו-***p < 0.005. יש לשים לב שבסך הכל n = 3 חולדות נכללו במחקר הפיילוט הזה של הוולידציה.

6. הטמעת המודול האלקטרופיזיולוגי

  1. לאחר סיום המידול של בעלי חיים, השתל את מכשיר ההקלטה האלקטרופיזיולוגי.
  2. לצורך הקלטה עצבית, יש להניח אלקטרודות על פני הגולגולת, במרחב האפידורלי או בקורטקס המוחי כדי להקליט אותות מוח.
  3. לצורך הקלטת חוט השדרה, הכנס אלקטרודות הקלטה למרחב האפידורלי של הפורמן הבין-חולייתי.
  4. לצורך הקלטת EMG, קבור חוטי כסף דו-קוטביים לשרירים כדי להקליט פעילות חשמלית של השרירים.
  5. לאחר ההשתלה, יש לאפשר לבעל החיים להחלים במשך 5-7 ימים, תוך בדיקה יומית של הפצע וההליכה כדי לוודא שאין סימני זיהום או כאב לפני שממשיכים לניסוי ההליכון.
  6. השלים את הציוד וההכנות לבעלי חיים כפי שתואר לעיל.
  7. סנכרן את איסוף הפרמטרים האלקטרופיזיולוגיים וסרטוני התנועה, כדי להבטיח שהנתונים האלקטרופיזיולוגיים והוידאו חולקים את אותה חותמת זמן.
  8. לאחר איסוף הנתונים, יישר את האותות העצביים עם מסגרות וידאו במהלך הניתוח כדי לצפות באופן אינטואיטיבי בדפוסי האלקטרופיזיולוגיה בשלבים שונים של מחזור הלידה, ולספק ראיות ישירות לחקר מנגנון הקישור המרכזי-פריפרי.

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

Results

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

התרשים הסכמטי והתמונה בפועל של מבנה מערכת ההליכון מוצגים באיור 1A,B, בהתאמה. המכשיר מסוגל לקבל תמונות צדדיות בעלות ניגודיות גבוהה ללא סימנים. ההליכון תומך בהתאמות למהירות, שיפוע, כיוון והפחתת משקל, ומצויד בלוח בקרה מספרי. ממשק התוכנה המלווה כולל ממשק ניטור ורכישה בזמן אמת, וכן ממשק העלאת וידאו וניתוח חילוץ הליכה. הוא משולב עם מודול למידה עמוקה להערות הליכה אוטומטיות, שיכול לאסוף נתוני תנועה רציפים של הרכס האיליאקי של הגפיים האחוריות, מפרקי ה...

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

Discussion

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

פרוטוקול זה מגדיר מערכת ניתוח הליכה מבוססת הליכון עבור חולדות ונהלי הפעולה שלה, ומספק כלי הערכה רב-ממדי ואובייקטיבי למחקר התנהגותי נוירומוסקולרי. כפי שהודגם בהשוואות בין-קבוצתיות של פרמטרי הליכה בין SCI לחולדות בריאות במסגרת המחקר לדוגמה, המערכת רוכשת קואורדינטות תנועה מרחביות גולמיות של הגפיים התחתונות של הנבדקים באמצעות צילום וידאו רציף בקצב פריימים גבוה ואלגוריתם אנוטציה אוטומטי רב-מפרקי מונע בינה מלאכותית. דבר זה מאפשר ניתוחים כמותיים מקיפים וייצוגים גרפיים, כולל מסלולי הליכה, חלוקת ...

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

Disclosures

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

הליכון MOVEMETRICS ואלגוריתם התוכנה MouseAI ששימשו במאמר זה פותחו על ידי Shanghai Linaiyan Technology Co., Ltd. המחברים מצהירים כי אין אינטרסים פיננסיים נוספים מלבד שיתוף הפעולה הטכני, והחברה לא השתתפה באיסוף, ניתוח או פרשנות נתונים, ולכן לא השפיעה על האובייקטיביות של המחקר.

Acknowledgements

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

המחקר נתמך על ידי הקרן הלאומית למדעי הטבע של סין (מענק מס' 82501640) והמכון הסיני למחקר רפואי בבייג'ינג (מענק מס' CX25YQ06).

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
הערות ובינווט של בינה מלאכותית להליכה תוכנת רכישהShanghai ClinAITrial Technology Co., Ltd.MouseAIMouseAI היא תוכנת ניתוח
משולבת להליכון MOVEMETRICS, המאחדת הקלטת וידאו, רישום מטא-דאטה וניתוח הליכה אוטומטי לתהליך עבודה אחד.
פגיעה מכנית  RWD מדעי חיים, שנזן, סין
מערכת הקלטה לוגית אלקטרופיזיולוגית רב-ערוציתKedou (suzhou) מוח - Computer Technology Co. , קדוBC RHD128AKedouBC RHD128A היא מערכת רכישת אלקטרופיזיולוגיה קומפקטית עם 128 ערוצים
ב-vivo שנועדה להקלטת עצבים ברזולוציה גבוהה בבעלי חיים קטנים עד גדולים במעבדה. הוא משלב שלבי ראש קלים (1.3 g), המרת A/D 16 ביט ומגברים מתוכנתים, לוכד אותות EEG, ECoG, LFP, קפיצים, EMG ו-ECG מ-0.1 הרץ עד 30 קילוהרץ עם ≤ 2.4 ומיקרו; רעש מערכת V ו-10 G&Omega >; אימפדנס קלט. RHD128A מספק נתונים עצביים חזקים וניתנים להרחבה על ידי המשתמש, כדי להאיץ מחקרים בממשקי מוח-מכונה,
נוירודגנרציה ושיקום.
הליכוןShanghai ClinAITrial Technology Co., Ltd.MOVEMETRICSMOVEMETRICS הוא הליכון מדויק מאוד
לניתוח מתקדם להליכה של מכרסמים. 

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Koch, V., et al. Outcome measures of instrumented gait analysis in hereditary spastic paraplegia: a systematic review. J Neuroeng Rehabil. 22 (1), 129(2025).
  2. Han, X., Guffanti, D., Brunete, A. A comprehensive review of vision-based sensor systems for human gait analysis. Sensors (Basel). 25 (2), 498(2025).
  3. Hamers, F. P., Koopmans, G. C., Joosten, E. A. CatWalk-assisted gait analysis in the assessment of spinal cord injury. J Neurotrauma. 23 (3-4), 537-548 (2006).
  4. Lu, Y., et al. Three-phase enriched environment improves post-stroke gait dysfunction via facilitating neuronal plasticity in the bilateral sensorimotor cortex: a multimodal MRI/PET analysis in rats. Neurosci Bull. 40 (6), 719-731 (2024).
  5. Neckel, N. D. Novel spatiotemporal analysis of gait changes in body weight supported treadmill trained rats following cervical spinal cord injury. J Neuroeng Rehabil. 14 (1), 96(2017).
  6. Dienes, J. A., et al. Analysis and modeling of rat gait biomechanical deficits in response to volumetric muscle loss injury. Front Bioeng Biotechnol. 7 (1), 146(2019).
  7. de Leon, R. D., Dy, C. J. What did we learn from the animal studies of body weight-supported treadmill training and where do we go from here. J Neurotrauma. 34 (9), 1744-1750 (2017).
  8. Li, H., He, Q., Wu, L. Detection of brain abnormalities in Parkinson's rats by combining deep learning and motion tracking. IEEE Trans Neural Syst Rehabil Eng. 31 (1), 1001-1007 (2023).
  9. Takeoka, A., Vollenweider, I., Courtine, G., Arber, S. Muscle spindle feedback directs locomotor recovery and circuit reorganization after spinal cord injury. Cell. 159 (7), 1626-1639 (2014).
  10. Van Criekinge, T., et al. A full-body motion capture gait dataset of 138 able-bodied adults across the life span and 50 stroke survivors. Sci Data. 10 (1), 852(2023).
  11. Datta Gupta, A., Tucker, G., Koblar, S., Visvanathan, R., Cameron, I. D. Spatiotemporal gait analysis and lower limb functioning in foot dystonia treated with botulinum toxin. Toxins (Basel). 10 (12), 532(2018).
  12. Mathis, A., et al. DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nat Neurosci. 21, 1281-1289 (2018).
  13. Cicirelli, G., et al. Human gait analysis in neurodegenerative diseases: a review. IEEE J Biomed Health Inform. 26 (1), 229-242 (2022).
  14. Basso, D. M., Beattie, M. S., Bresnahan, J. C. A sensitive and reliable locomotor rating scale for open field testing in rats. J Neurotrauma. 12 (1), 1-21 (1995).
  15. Bhimani, A. D., et al. Functional gait analysis in a spinal contusion rat model. Neurosci Biobehav Rev. 83 (1), 540-546 (2017).
  16. Dewberry, L. S., Cruz, C. J., Southern, K. M., Otto, K. J., Allen, K. D. Pipeline validation for rodent gait analysis using DeepLabCut. J Biomech Eng. 147 (11), (2025).
  17. Kirkpatrick, N. J., Butera, R. J., Chang, Y. H. DeepLabCut increases markerless tracking efficiency in X-ray video analysis of rodent locomotion. J Exp Biol. 225 (16), (2022).
  18. Moraud, E. M., et al. Mechanisms underlying the neuromodulation of spinal circuits for correcting gait and balance deficits after spinal cord injury. Neuron. 89 (4), 814-828 (2016).
  19. Wenger, N., et al. Spatiotemporal neuromodulation therapies engaging muscle synergies improve motor control after spinal cord injury. Nat Med. 22 (2), 138-145 (2016).
  20. Kathe, C., et al. The neurons that restore walking after paralysis. Nature. 611 (7936), 540-547 (2022).
  21. Skinnider, M. A., et al. Single-cell and spatial atlases of spinal cord injury in the Tabulae Paralytica. Nature. 631 (8019), 150-163 (2024).

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

Reprints and Permissions

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

Request Permission

Tags

Deep Learning TrackingHindlimb KinematicsRat Gait AnalysisMulti Joint TrackingMarkerless Gait SystemSpinal Cord InjuryTreadmill LocomotionElectrophysiological RecordingJoint Trajectory AnalysisMovement Smoothness

Related Articles