쥐의 후肢 운동 운동학을 객관적으로 정량화하기 위한 딥러닝 기반 다중 관절 동기 추적
April 3rd, 2026
이 프로토콜은 딥러닝 기반 다중 관절 궤적 자동 라벨링과 함께 마커리스 러닝머신 테스트를 사용하여 쥐 하지의 운동학 평가 파이프라인을 구축하여 재현 가능한 동작 정량화를 가능하게 합니다.
우리는 쥐의 움직임을 추적하는 AI 기반 러닝머신을 개발하여 척수 손상 회복 현황을 정확히 평가할 수 있도록 했습니다. 복잡한 관절 경제성을 의미하는 전통적인 풋프린트 방식과 달리, 우리의 모의 AI 시스템은 다중 관절 이동을 직접 추적합니다. 우선, 산업용 컴퓨터를 켜고 비디오 녹화 및 분석 소프트웨어를 실행하세요.
러닝머신 종축에 수직으로 카메라 렌즈를 위치시켜, 러닝머신 벨트 평면에서 15센티미터의 수평 작업 거리를 유지하면서 엄격한 수평 시야를 얻습니다. 다음으로, 전자 저울로 각 쥐의 체중을 기록하세요. 체중이 맞는 쥐만 포함시켜 체형 영향을 최소화하세요.
장갑을 끼고 쥐를 부드럽게 잡으세요. 탄성 가슴 스트랩을 앞 겨드랑이에 감아 조절 가능한 슬라이드 레일에 부착하세요. 그 다음 스트랩을 조절해서 한 손가락을 숨쉬지 않고 삽입할 수 있게 하세요.
터치 컨트롤 화면에서 속도를 초당 150밀리미터, 경사도를 0도로 설정하세요. 쥐가 체중 지지 수준에 적응하도록 10분간 적응 세션을 진행하며, 움직이기 꺼려하거나 장기간 배변 같은 스트레스와 탈진 징후를 관찰하세요. 쥐가 발을 끌지 않고 자연스럽게 꼬리를 늘어뜨린 상태로 최소 60초 동안 연속적이고 균일한 보폭을 유지하면 성공적인 적응을 확인하세요.
최대 적응 기간을 지나고 이 기준을 충족하지 못하는 동물은 제외합니다. 터치스크린에 공식 실험의 매개변수를 입력하세요. 원하는 속도와 경사를 순차적으로 입력한 후, 러닝머신 벨트 방향을 선택하세요.
안정화 후에는 기록 시작을 선택하여 데이터 수집을 시작하세요. 최소 다섯 번의 완전한 보행 주기를 지속적으로 포착하세요. 각 시도가 끝날 때, 속도를 0밀리미터/초로 낮춥니다.
가슴 끈을 풀고 쥐를 해당 우리로 돌려놓으세요. 목표 보행이 최소 10회 이상 안정적인 보행 사이클을 가진 약 10초 분량의 영상 구간을 추출합니다. 식별 번호, 그룹, 실험 조건 등 쥐 정보를 등록하세요.
MOV 파일을 분석 소프트웨어에 가져오세요. 각 보행 주기를 0에서 100%로 정규화하여 주기 길이를 표준화하세요. 걸음 역학을 대표하는 이미지를 생성하세요.
각 관절의 공간 위치 좌표를 시간에 따른 csv 파일로 내보내 추가 분석을 수행하세요. 동물 모델링을 완료한 후, 전기생리학적 기록 장치를 이식하세요. 뇌 신호 기록을 위해서는 두개골 표면, 경막외 공간, 대뇌 피질에 전극을 부착하여 뇌 신호를 기록하세요.
척수 기록을 위해서는 추간공의 경막외 공간에 기록 전극을 삽입합니다. 근전도 기록을 위해 양극성 은선을 목표 근육에 박아 근육 전기 활동을 기록합니다. 착상 후 5일에서 7일간 동물이 회복할 시간을 두세요.
러닝머신 검사 전에 감염이나 통증 징후가 없는지 매일 상처와 보행 상태를 확인하세요. 동기화된 실험 전에 장비와 동물을 준비하세요. 그 후 전기생리학적 데이터 획득과 움직임 영상을 동기화하여 두 영상이 동일한 타임스탬프를 공유하도록 합니다.
분석 중 신경 신호를 해당 비디오 프레임과 정렬하여 다양한 보행 단계의 전기생리학적 패턴을 시각화하세요. 척수 손상을 입은 쥐들은 흔들리의 상실과 장골 변위 곡선의 불규칙성을 보였다. 척수 손상 쥐는 건강한 쥐에 비해 관절 각도 변동이 증가했습니다.
관절 운동 범위 열지도는 척수 손상 쥐에서 건강한 쥐에 비해 색상 척도가 광범위하게 감소한 반면, 궤적 활동 지도에서는 각 관절의 운동 범위가 유의미하게 감소하고 움직임 연속성이 저하된 것으로 나타났습니다. 척수 손상 쥐의 경우, 점군 지도는 분산 증가와 질량 중심의 왼쪽 이동을 보였다. 높이 폭포 차트는 그룹 간 x축을 따라 이중분포를 보이며, 이동 중간에 일반적인 차이 감소가 나타납니다.
y축에서는 움직임 시작 시 차분 감소가 관찰됩니다. 전체적인 차이 분포는 혼란스럽게 나타나며, 이는 척수 손상 쥐가 건강한 쥐와 비교해 비정상적인 운동 단계를 보인다는 것을 나타냅니다. 척수 손상 쥐에서 발가락의 수직 높이 최대 분포가 오른쪽으로 이동했습니다.
속도 범위 차트는 각 프레임의 결합 속도 범위가 부상 그룹에서 좁아졌음을 보여주었다. 더욱이, 척수 손상 쥐들은 위상 평면 면적, 추정된 최대 추진력 지수, 움직임의 부드러움 지표에서도 감소를 보였습니다. 우리 시스템은 연구자들이 다중 관절 궤적, 힘 분포, 움직임의 부드러움을 실시간으로 정밀하게 측정할 수 있게 합니다.
중요한 고려사항은 쥐가 러닝머신 시스템에 완전히 적응하도록 하여 안정적이고 분석적인 보행 패턴을 유지하는 것입니다. 이 움직임의 메커니즘 신호를 해독하기 위해 EMG나 EEG와 시스템을 동기화할 수 있습니다.
View the full transcript and gain access to thousands of scientific videos
Overview
This article presents a markerless, treadmill-based gait analysis system for rodents that leverages custom deep learning algorithms to enable real-time, multidimensional tracking of lower-limb joint kinematics. The system provides objective, high-throughput quantification of gait parameters under various experimental conditions, and is validated using spinal cord injury (SCI) models to demonstrate its sensitivity and utility in neuromuscular research.
Key Study Components
Area of Science
- Neuroscience
- Kinesiology
- Behavioral analysis
- Biomedical engineering
Background
- Accurate assessment of rodent gait is critical for studying neuromuscular and neurological disorders.
- Traditional footprint-based methods are limited in capturing complex, multi-joint kinematics.
- Objective, high-dimensional gait analysis tools are needed to reduce bias and improve data richness.
- Integration of neural signal recording with behavioral analysis can elucidate central-peripheral control mechanisms.
Purpose of Study
- To develop a markerless, AI-driven treadmill system for real-time, multi-joint gait analysis in rodents.
- To enable objective quantification of gait parameters under variable speed, incline, and weight support.
- To validate the system's sensitivity in distinguishing healthy from spinal cord injured rodents.
Methods Used
- Setup of a programmable treadmill with lateral video capture for markerless joint tracking.
- Application of deep learning algorithms for automatic extraction of joint trajectories and gait parameters.
- Experimental modulation of treadmill speed (0–300 mm/s), incline (±30°), and weight support (0–500 g).
- Integration of electrophysiological recordings (EEG, EMG, spinal cord signals) synchronized with gait video.
- Analysis of gait cycles, joint kinematics, force distribution, and movement smoothness.
Main Results
- The system enables real-time, high-throughput extraction of multi-joint trajectories and gait cycle parameters.
- SCI rats exhibited significant loss of swing, irregular iliac displacement, increased joint angle fluctuations, and reduced range of motion compared to healthy controls.
- Heat maps and trajectory analyses revealed impaired movement continuity and altered force distribution in SCI rats.
- Synchronization with neural recordings allowed visualization of electrophysiological patterns across gait phases.
Conclusions
- The markerless treadmill system provides objective, multidimensional gait analysis, overcoming limitations of traditional methods.
- It is sensitive to neuromuscular deficits and suitable for disease discrimination and grading.
- The platform supports integration with neurophysiological recordings, enabling advanced studies of motor control and neuromodulation.
