Methodenartikel

Het bijhouden van ratten in Operant Conditioning Kamers met behulp van een veelzijdige zelfgemaakte videocamera en DeepLabCut

DOI:

10.3791/61409

⸱

15 juni 2020

 ,  ,  ,  , 
1Basal Ganglia Pathophysiology Unit, Dept. Experimental Medical Science, Lund University

In dit artikel

Samenvatting

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

Dit protocol beschrijft hoe je een kleine en veelzijdige videocamera bouwen en hoe je video's gebruiken die daaruit zijn verkregen om een neuraal netwerk te trainen om de positie van een dier in operant-conditioneringskamers te volgen. Dit is een waardevolle aanvulling op standaard analyses van datalogs verkregen uit operne-conditioneringen.

Samenvatting

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

Operant conditionering kamers worden gebruikt om een breed scala van gedragstests uit te voeren op het gebied van neurowetenschappen. De opgenomen gegevens zijn meestal gebaseerd op het activeren van hendel- en neus-porne sensoren die aanwezig zijn in de kamers. Hoewel dit een gedetailleerd beeld geeft van wanneer en hoe dieren bepaalde reacties uitvoeren, kan het niet worden gebruikt om gedragingen te evalueren die geen sensoren activeren. Als zodanig is het zelden mogelijk om te beoordelen hoe dieren zich positioneren en zich in de kamer bewegen. Om deze informatie te verkrijgen, moeten onderzoekers over het algemeen video's opnemen en analyseren. Fabrikanten van operant conditioneringkamers kunnen hun klanten doorgaans voorzien van hoogwaardige camera-opstellingen. Echter, deze kunnen zeer kostbaar zijn en niet noodzakelijkerwijs kamers van andere fabrikanten of andere gedragstest setups passen. Het huidige protocol beschrijft hoe je een goedkope en veelzijdige videocamera bouwen met hobby-elektronicacomponenten. Het beschrijft verder hoe het beeldanalyse softwarepakket DeepLabCut te gebruiken om de status van een sterk lichtsignaal, evenals de positie van een rat, in video's verzameld vanuit een operant conditionering kamer te volgen. De eerste is een groot hulpmiddel bij het selecteren van korte segmenten van belang in video's die hele testsessies bestrijken, en de laatste maakt analyse van parameters die niet kunnen worden verkregen uit de data logs geproduceerd door de operant kamers.

Inleiding

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

Op het gebied van gedragsneurowetenschappen, onderzoekers vaak gebruik operant conditionering kamers om een breed scala van verschillende cognitieve en psychiatrische kenmerken bij knaagdieren te beoordelen. Hoewel er verschillende fabrikanten van dergelijke systemen zijn, delen ze doorgaans bepaalde kenmerken en hebben ze een bijna gestandaardiseerd ontwerp1,2,3. De kamers zijn over het algemeen vierkant- of rechthoekvormig, met een muur die kan worden geopend voor het plaatsen van dieren binnen, en een of twee van de resterende muren met componenten zoals hendels, neus-poke openingen, beloning trays, respons wielen en lichten van verschillende soorten1,,2,3. De lichten en sensoren in de kamers worden gebruikt om zowel het testprotocol te controleren als het gedrag van de dieren te volgen1,2,,3,4,5. De typische operant conditioneringssystemen zorgen voor een zeer gedetailleerde analyse van hoe de dieren omgaan met de verschillende operanda en openingen in de kamers. In het algemeen kunnen alle gelegenheden waarbij sensoren worden geactiveerd door het systeem worden geregistreerd, en uit deze gegevens kunnen gebruikers gedetailleerde logbestanden verkrijgen waarin wordt beschreven wat het dier deed tijdens specifieke stappen van de test4,5. Hoewel dit een uitgebreide weergave van de prestaties van een dier biedt, kan het alleen worden gebruikt om gedrag te beschrijven dat direct een of meer sensoren4,5activeert . Als zodanig worden aspecten die verband houden met de manier waarop het dier zich positioneert en zich tijdens verschillende fasen van de test in de kamer beweegt , niet goed beschreven6,7,8,9,10. Dit is jammer, omdat dergelijke informatie waardevol kan zijn voor het volledig begrijpen van het gedrag van het dier. Het kan bijvoorbeeld worden gebruikt om te verduidelijken waarom bepaalde dieren slecht presteren op een bepaalde test6, om de strategieën te beschrijven die dieren zouden kunnen ontwikkelen om moeilijke taken6,7,8, 98,,10te behandelen , of om de ware complexiteit van zogenaamd eenvoudig gedrag11,12te waarderen .9 Om dergelijke welbespraakte informatie te verkrijgen, onderzoekers vaak wenden tot handmatige analyse van video's6,7,8,9,10,11.

Bij het opnemen van video's van operant conditioneringkamers, is de keuze van de camera van cruciaal belang. De kamers bevinden zich gewoonlijk in isolatiehokjes, waarbij protocollen vaak gebruik maken van trappen waar geen zichtbaar licht schijnt3,6,7,8,9. Daarom is het gebruik van infrarood (IR) verlichting in combinatie met een IR-gevoelige camera noodzakelijk, omdat het zicht mogelijk maakt, zelfs in volledige duisternis. Verder is de beschikbare ruimte voor het plaatsen van een camera in de isolatiecabine vaak zeer beperkt, wat betekent dat men sterk profiteert van het hebben van kleine camera's die lenzen gebruiken met een breed gezichtsveld (bijvoorbeeld visooglenzen)9. Terwijl fabrikanten van opernige conditioneringssystemen vaak hoogwaardige camera-opstellingen aan hun klanten kunnen leveren, kunnen deze systemen duur zijn en niet noodzakelijkerwijs kamers van andere fabrikanten of opstellingen voor andere gedragstests passen. Echter, een opmerkelijk voordeel ten opzichte van het gebruik van stand-alone videocamera's is dat deze opstellingen vaak rechtstreeks kunnen interface met de operant conditionering systemen13,14. Hierdoor kunnen ze worden opgezet om alleen specifieke gebeurtenissen op te nemen in plaats van volledige testsessies, wat enorm kan helpen bij de analyse die volgt.

Het huidige protocol beschrijft hoe je een goedkope en veelzijdige videocamera bouwen met hobby-elektronicacomponenten. De camera maakt gebruik van een fisheye lens, is gevoelig voor IR-verlichting en heeft een set van IR-lichtgevende diodes (IR LED's) aan verbonden. Bovendien is het gebouwd om een plat en slank profiel te hebben. Samen maken deze aspecten het ideaal voor het opnemen van video's van de meeste commercieel beschikbare operant conditioneringkamers en andere gedragstestopstellingen. Het protocol beschrijft verder hoe video's verkregen met de camera te verwerken en hoe het softwarepakket DeepLabCut15,16 te gebruiken om te helpen bij het extraheren van video sequenties van belang, alsmede het bijhouden van de bewegingen van een dier daarin. Dit omzeilt gedeeltelijk de draw-back van het gebruik van een stand-alone camera over de geïntegreerde oplossingen die door operant fabrikanten van conditionering systemen, en biedt een aanvulling op handmatige score van gedrag.

Er zijn inspanningen geleverd om het protocol in een algemeen formaat te schrijven om te benadrukken dat het totale proces kan worden aangepast aan video's van verschillende operant conditioneringstests. Om bepaalde sleutelbegrippen te illustreren, worden video's van ratten die de 5-keuze seriële reactietijdtest (5CSRTT)17 uitvoeren, als voorbeelden gebruikt.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

Alle procedures die de behandeling van dieren omvatten zijn goedgekeurd door de Malmö-Lund Ethische commissie voor dieronderzoek.

1. Het bouwen van de videocamera

OPMERKING: Een lijst van de onderdelen die nodig zijn voor het bouwen van de camera is opgenomen in de tabel met materialen. Zie ook figuur 1, figuur 2, figuur 3, figuur 4, figuur 5.

  1. Bevestig de magnetische metalen ring (die gepaard gaat met de fisheye lens pakket) rond de opening van de camera standaard (Figuur 2A). Hierdoor kan de fisheye lens voor de camera geplaatst worden.
  2. Bevestig de cameramodule aan de camerastandaard(figuur 2B). Dit geeft wat stabiliteit aan de cameramodule en biedt enige bescherming aan de elektronische schakelingen.
  3. Open de camerapoorten op de cameramodule en microcomputer (figuur 1) door voorzichtig aan de randen van hun plastic clips te trekken(figuur 2C).
  4. Plaats de lintkabel in de camerapoorten, zodat de zilveren connectoren naar de printplaten(Figure2C) kijken. Vergrendel de kabel op zijn plaats door de plastic clips van de camerapoorten in te duwen.
  5. Plaats de microcomputer in de plastic behuizing en plaats de genoemde micro-SD-kaart(figuur 2D).
    OPMERKING: De micro-SD-kaart functioneert als de harde schijf van de microcomputer en bevat een volledig besturingssysteem. De genoemde micro SD-kaart wordt geleverd met een installatiemanager die er vooraf op is geïnstalleerd (New Out Of Box Software (NOOBS). Als alternatief kan men een afbeelding van de nieuwste versie van het besturingssysteem van de microcomputer (Raspbian of Rasberry Pi OS) schrijven naar een generieke micro-SD-kaart. Voor hulp hierbij verwijzen wij u naar de officiële webbronnen18. Het heeft de voorkeur om een klasse 10 micro SD-kaart te gebruiken met 32 Gb opslagruimte. Grotere SD-kaarten zijn mogelijk niet volledig compatibel met de genoemde microcomputer.
  6. Sluit een monitor, toetsenbord en muis aan op de microcomputer en sluit de voeding aan.
  7. Volg de stappen zoals gevraagd door de installatiegids om een volledige installatie van het besturingssysteem van de microcomputer uit te voeren (Raspbian of Rasberry Pi OS). Wanneer de microcomputer is opgestart, moet u ervoor zorgen dat deze via een ethernetkabel of wi-fi is verbonden met internet.
  8. Volg de onderstaande stappen om de vooraf geïnstalleerde softwarepakketten van de microcomputer bij te werken.
    1. Open een eindvenster (figuur 3A).
    2. Typ "sudo apt-get update" (exclusief aanhalingstekens) en druk op de Enter-toets (figuur 3B). Wacht tot het proces is voltooid.
    3. Typ "sudo apt full-upgrade" (exclusief aanhalingstekens) en druk op enter. Maak knopreacties wanneer daarom wordt gevraagd en wacht tot het proces is voltooid.
  9. Selecteer onder het menu Start voorkeuren en Raspberry Pi-configuraties (figuur 3C). Ga in het geopende venster naar het tabblad Interfaces en klik op Camera en I2C inschakelen. Dit is nodig om de microcomputer te laten werken met de camera en IR LED-modules.
  10. Wijzig de naam aanvullende bestand 1 tot "Pi_video_camera_Clemensson_2019.py". Kopieer het op een USB-geheugen stick, en vervolgens in de microcomputer /home / pi map(Figuur 3D). Dit bestand is een Python-script, waarmee video-opnamen kunnen worden gemaakt met de knopschakelaars die in stap 1.13 zijn bevestigd.
  11. Volg de onderstaande stappen om het rc.local-bestand van de microcomputer te bewerken. Hierdoor start de computer het script dat in stap 1.10 is gekopieerd en start de IR-LED's die in stap 1.13 zijn bevestigd wanneer het wordt opgestart.
    LET OP: Deze auto-start-functie werkt niet betrouwbaar met microcomputer boards anders dan het genoemde model.
    1. Open een eindvenster, typ "sudo nano /etc/rc.local" (exclusief aanhalingstekens) en druk op enter. Hiermee wordt een tekstbestand geopend (figuur 4A).
    2. Gebruik de pijltoetsen van het toetsenbord om de cursor naar beneden te verplaatsen naar de ruimte tussen "fi" en "exit 0"(figuur 4A).
    3. Voeg de volgende tekst toe zoals weergegeven in figuur 4B,waarbij elke tekenreeks tekst op een nieuwe regel wordt geschreven:
      sudo i2cset -y 1 0x70 0x00 0xa5 &
      sudo i2cset -y 1 0x70 0x09 0x0f &
      sudo i2cset -y 1 0x70 0x01 0x32 &
      sudo i2cset -y 1 0x70 0x03 0x32 &
      sudo i2cset -y 1 0x70 0x06 0x32 &
      sudo i2cset -y 1 0x70 0x08 0x32 &
      sudo python /home/pi/Pi_video_camera_Clemensson_2019.py &
    4. Sla de wijzigingen op door op Ctrl + x te drukken, gevolgd door y en Enter.
  12. Samen de nodige onderdelen samenbrengen zoals aangegeven in figuur 5A, en zoals hieronder beschreven.
    1. Voor de twee gekleurde LED's, bevestig een weerstand en een vrouwelijke jumper kabel aan een been, en een vrouwelijke jumper kabel aan de andere(Figuur 5A). Probeer de kabels zo kort mogelijk te houden. Let op welke van de LED's elektroden is de negatieve (meestal de korte), omdat dit moet worden aangesloten op de grond op de microcomputer's general-purpose input / output (GPIO) pinnen.
    2. Voor de twee knopschakelaars bevestigt u een vrouwelijke jumperkabel aan elk been(figuur 5A). Maak de kabels lang voor een van de schakelaars, en kort voor de andere.
    3. Voor het monteren van de IR LED-module, volg instructies beschikbaar op de officiële web resources19.
    4. Bedek de gesoldeerde verbindingen met krimpbuizen om het risico van kortsluiting van de componenten te beperken.
  13. Schakel de microcomputer uit en sluit de schakelaars en LED's aan op de GPIO-pinnen zoals aangegeven in figuur 5B, en hieronder beschreven.
    LET OP: Het bedraden van de componenten naar de verkeerde GPIO-pinnen kan ze beschadigen en/of de microcomputer wanneer de camera is ingeschakeld.
    1. Sluit een LED aan, zodat het negatieve uiteinde verbinding maakt met pin #14 en het positieve uiteinde verbindt met pin #12. Deze LED zal schitteren wanneer de microcomputer is opgestart en de camera klaar is om te worden gebruikt.
    2. Sluit de knopschakelaar aan met lange kabels, zodat de ene kabel verbinding maakt met pin #9 en de andere om #11 vast te pinnen. Deze knop wordt gebruikt om de video-opnamen te starten en te stoppen.
      OPMERKING: Het script dat de camera beheert, is zo geschreven dat deze knop een paar seconden niet reageert net na het starten of stoppen van een video-opname.
    3. Sluit een LED aan, zodat het negatieve uiteinde verbinding maakt met pin #20 en het positieve uiteinde verbindt met pin #13. Deze LED zal schitteren wanneer de camera een video opneemt.
    4. Sluit de knopschakelaar aan met de korte kabels, zodat de ene kabel verbinding maakt met pin #37 en de andere om #39 vast te pinnen. Deze schakelaar wordt gebruikt om de camera uit te schakelen.
    5. Sluit de IR LED-module zoals beschreven in de officiële webbronnen19.

2. Het ontwerpen van het operantconditioneringsprotocol van belang

OPMERKING: Om DeepLabCut te gebruiken voor het bijhouden van de protocolprogressie in video's die zijn opgenomen vanuit operantkamers, moeten de gedragsprotocollen op specifieke manieren worden gestructureerd, zoals hieronder wordt uitgelegd.

  1. Stel het protocol in om het huislicht van de kamer of een ander sterk lichtsignaal te gebruiken als een indicator van een specifieke stap in het protocol (zoals het begin van individuele proeven of de testsessie) (figuur 6A). Dit signaal wordt in de rest van dit protocol de "protocolstapindicator" genoemd. De aanwezigheid van dit signaal zal het bijhouden van protocolprogressie in de opgenomen video's mogelijk maken.
  2. Stel het protocol in om alle reacties van interesse op te nemen met afzonderlijke tijdstempels in relatie tot wanneer de protocolstapindicator actief wordt.

3. Het opnemen van video's van dieren die de gedragstest van belang uitvoeren

  1. Plaats de camera op de top van de operant kamers, zodat het registreert een bovenste weergave van het gebied binnen (Figuur 7).
    LET OP: Dit is bijzonder geschikt voor het vastleggen van de algemene positie en houding van een dier in de kamer. Plaats de indicatorlampjes van de camera en de IR LED-module niet dicht bij de cameralens.
  2. Start de camera door deze via de voedingskabel aan te sluiten op een stopcontact.
    OPMERKING: Voor het eerste gebruik is het nuttig om de focus van de camera in te stellen, met behulp van het kleine gereedschap dat de cameramodule begeleidt.
  3. Gebruik de knop die is aangesloten in stap 1.13.2 om video-opnamen te starten en te stoppen.
  4. Schakel de camera uit door deze stappen te volgen.
    1. Druk op de knop die is aangesloten in stap 1.13.4 totdat de LED die in stap 1.13.1 is aangesloten, wordt uitgeschakeld. Dit initieert het stilleggingsproces van de camera.
    2. Wacht tot de groene LED zichtbaar op de top van de microcomputer (Figuur 1) is gestopt met knipperen.
    3. Verwijder de voeding van de camera.
      LET OP: Het loskoppelen van de voeding terwijl de microcomputer nog actief is, kan beschadiging van de gegevens op de micro-SD-kaart veroorzaken.
  5. Sluit de camera aan op een monitor, toetsenbord, muis en USB-opslagapparaat en haal de videobestanden van het bureaublad op.
    OPMERKING: De bestanden worden benoemd op basis van de datum en het tijdstip waarop de video-opname is gestart. De microcomputer heeft echter geen interne klok en werkt alleen de tijdsinstelling bij wanneer deze is verbonden met het internet.
  6. Converteer de opgenomen video's van .h264 naar . MP4, zoals de laatste werkt goed met DeepLabCut en de meeste mediaspelers.
    OPMERKING: Er zijn meerdere manieren om dit te bereiken. Een daarvan wordt beschreven in aanvullend dossier 2.

4. Video's analyseren met DeepLabCut

OPMERKING: DeepLabCut is een softwarepakket waarmee gebruikers elk object van belang in een reeks videoframes kunnen definiëren en deze vervolgens kunnen gebruiken om een neuraal netwerk te trainen bij het bijhouden van de posities van de objecten in video's over de volledige lengte15,,16. Deze sectie geeft een ruwe schets voor hoe deeplabcut te gebruiken om de status van het protocol stap indicator en de positie van het hoofd van een rat bij te houden. Installatie en gebruik van DeepLabCut is goed beschreven in andere gepubliceerde protocollen15,16. Elke stap kan worden gedaan door middel van specifieke Python-opdrachten of de grafische gebruikersinterface van DeepLabCut, zoals elders beschreven15,16.

  1. Maak en configureer een nieuw DeepLabCut-project door de in16beschreven stappen te volgen.
  2. Gebruik de framegrijpfunctie van DeepLabCut om 700\u2012900-videoframes uit een of meer van de video's te extraheren die in sectie 3 zijn opgenomen.
    OPMERKING: Als de dieren aanzienlijk verschillen in bontpigmentatie of andere visuele kenmerken, is het raadzaam dat de 700\u2012900 geëxtraheerde videoframes worden gesplitst over video's van verschillende dieren. Hierdoor kan één getraind netwerk worden gebruikt om verschillende individuen te volgen.
    1. Zorg ervoor dat u videoframes opneemt die zowel de actieve(figuur 8A)als de inactieve(figuur 8B)status van de protocolstapindicator weergeven.
    2. Zorg ervoor dat u videoframes opneemt die betrekking hebben op het bereik van verschillende posities, houdingen en hoofdbewegingen die de rat tijdens de test kan laten zien. Dit moet onder meer videoframes waar de rat stil staat in verschillende gebieden van de kamer, met zijn hoofd wijst in verschillende richtingen, evenals videoframes waar de rat actief beweegt, het invoeren van neus poke openingen en het invoeren van de pellet trog.
  3. Gebruik deeplabcut's labeltoolbox om handmatig de positie van het hoofd van de rat te markeren in elk videoframe dat in stap 4.2 wordt geëxtraheerd. Gebruik de muiscursor om een "kop"-label in een centrale positie tussen de oren van de rat te plaatsen(figuur 8A,B). Markeer bovendien de positie van het huislicht van de kamer (of een andere protocolstapindicator) in elk videoframe waar het actief schijnt(figuur 8A). Laat het huis licht ongelabeld in frames waar het inactief is (Figuur 8B).
  4. Gebruik de functies "create training data set" en "train network" van DeepLabCut om een trainingsgegevensset te maken van de videoframes die zijn gelabeld in stap 4.3 en start de training van een neuraal netwerk. Selecteer 'resnet_101' voor het gekozen netwerktype.
  5. Stop de training van het netwerk wanneer het trainingsverlies onder 0,01 is gedaald. Dit kan tot 500.000 trainingsiteraties duren.
    OPMERKING: Bij het gebruik van een GPU-machine met ongeveer 8 GB geheugen en een trainingsset van ongeveer 900 videoframes (resolutie: 1640 x 1232 pixels), is gebleken dat het trainingsproces ongeveer 72 uur duurt.
  6. Gebruik de video-analysefunctie van DeepLabCut om video's te analyseren die in stap 3 zijn verzameld, met behulp van het neurale netwerk dat is getraind in stap 4.4. Dit biedt een .csv-bestand met de bijgehouden posities van het hoofd van de rat en de protocolstapindicator in elk videoframe van de geanalyseerde video's. Daarnaast wordt er gemarkeerde videobestanden gemaakt waarin de bijgehouden posities visueel worden weergegeven(Video's 1-8).
  7. Evalueer de nauwkeurigheid van de tracking door de onderstaande stappen te volgen.
    1. Gebruik de ingebouwde evaluatiefunctie van DeepLabCut om een geautomatiseerde evaluatie van de trackingnauwkeurigheid van het netwerk te verkrijgen. Dit is gebaseerd op de videoframes die in stap 4.3 zijn gelabeld en beschrijft hoe ver de positie die het netwerk bijhoudt gemiddeld afkomstig is van het handmatig geplaatste label.
    2. Selecteer een of meer korte videosequenties (van ongeveer 100\u2012200 videoframes per stuk) in de gemarkeerde video's die in stap 4.6 zijn verkregen. Ga door de video sequenties, frame voor frame, en let op in hoeveel frames de etiketten correct geven de posities van de kop van de rat, staart, enz., en in hoeveel frames de etiketten zijn geplaatst in onjuiste posities of niet getoond.
      1. Als het etiket van een lichaamsdeel of object vaak verloren gaat of in een foutieve positie wordt geplaatst, identificeert u de situaties waarin tracking mislukt. Haal gelabelde frames van deze gelegenheden uit en voeg ze toe door stap 4.2 te herhalen. en 4.3. Vervolgens het netwerk omscholen en de video's opnieuw analyseren door stappen 4.4-4.7 te herhalen. Uiteindelijk moet de nauwkeurigheid van >90% nauwkeurig worden bereikt.

5. Het verkrijgen van coördinaten voor bezienswaardigheden in de operantkamers

  1. Gebruik DeepLabCut zoals beschreven in stap 4.3 om handmatig aandachtspunten in de operantkamers (zoals neusprikopeningen, hendels, enz.) in één videoframe(figuur 8C)te markeren. Deze worden handmatig gekozen, afhankelijk van studiespecifieke interesses, hoewel de positie van de protocolstapindicator altijd moet worden opgenomen.
  2. Haal de coördinaten van de gemarkeerde aandachtspunten op uit het CSV-bestand dat DeepLabCut automatisch opslaat onder 'gelabelde gegevens' in de projectmap.

6. Videosegmenten identificeren waarin de protocolstapindicator actief is

  1. Laad de .csv-bestanden verkregen uit de DeepLabCut-videoanalyse in stap 4.6 in een naar keuze gekozen software voor gegevensbeheer.
    OPMERKING: Vanwege de hoeveelheid en complexiteit van de gegevens verkregen uit DeepLabCut en operant conditioning systemen, het datamanagement is het beste gedaan door middel van geautomatiseerde analyse scripts. Om hiermee aan de slag te gaan, verwijzen we u naar instapgidsen die elders beschikbaar zijn20,21,22.
  2. Houd er rekening mee dat de protocolstapindicator wordt bijgehouden binnen 60 pixels van de positie die in punt 5 is verkregen. Dit zijn perioden waarin de protocolstapindicator actief is (figuur 6B).
    OPMERKING: Tijdens videosegmenten waar de protocolstapindicator niet schijnt, lijkt de gemarkeerde video erop te wijzen dat DeepLabCut deze niet in een willekeurige positie bijhoudt. Dit is echter zelden het geval, en het wordt in plaats daarvan meestal bijgehouden naar meerdere verspreide locaties.
  3. Haal het exacte beginpunt eruit voor elke periode waarin de protocolstapindicator actief is (figuur 6C: 1).

7. Identificeren van videosegmenten van belang

  1. Denk aan de punten waar de protocolstapindicator actief wordt (figuur 6C: 1) en de tijdstempels van de reacties die door de operantkamers zijn opgenomen (punt 2, figuur 6C: 2).
  2. Gebruik deze informatie om te bepalen welke videosegmenten specifieke interessante gebeurtenissen behandelen, zoalsFigure 6Cinter-trial intervallen, Figure 6Dreacties, beloningsophaalacties enz.
    LET OP: Houd er hierbij rekening mee dat de hier beschreven camera video's met 30 fps opneemt.
  3. Let op de specifieke videoframes die deze gebeurtenissen van belang behandelen.
  4. (Optioneel) Bewerk videobestanden van volledige testsessies om alleen de specifieke segmenten van belang op te nemen.
    OPMERKING: Er zijn meerdere manieren om dit te bereiken. Een daarvan wordt beschreven in aanvullend dossier 2 en 3. Dit helpt enorm bij het opslaan van grote aantallen video's en kan ook het bekijken en presenteren van resultaten gemakkelijker maken.

8. Analyseren van de positie en bewegingen van een dier tijdens specifieke videosegmenten

  1. Subset de volledige tracking gegevens van het hoofd positie verkregen van DeepLabCut in stap 4.6 om alleen video segmenten genoteerd onder sectie 7.
  2. Bereken de positie van het hoofd van het dier ten opzichte van een of meer van de in punt 5 (figuur 8C) gekozen referentiepunten . Dit maakt vergelijkingen van tracking en positie tussen verschillende video's mogelijk.
  3. Voer relevante diepgaande analyse uit van de positie en bewegingen van het dier.
    OPMERKING: De specifieke analyse die wordt uitgevoerd, zal sterk studiespecifiek zijn. Hieronder worden enkele voorbeelden gegeven van parameters die kunnen worden geanalyseerd.
    1. Visualiseer padsporen door alle coördinaten die tijdens een geselecteerde periode binnen één grafiek zijn gedetecteerd, uit te stippen.
    2. Analyseer de nabijheid van een bepaald punt van belang met behulp van de volgende formule:
      figure-protocol-1
    3. Analyseer veranderingen in snelheid tijdens een beweging door de afstand tussen bijgehouden coördinaten in opeenvolgende frames te berekenen en te delen door 1/fps van de camera.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

Prestaties van videocamera's

De representatieve resultaten werden verzameld in operant conditioneringskamers voor ratten met vloeroppervlakken van 28,5 cm x 25,5 cm en een hoogte van 28,5 cm. Met de fisheye lens bevestigd, de camera vangt de volledige vloer en grote delen van de omliggende muren, wanneer geplaatst boven de kamer (Figuur 7A). Als zodanig kan een goed uitzicht worden verkregen, zelfs als de camera buiten het midden op de bovenkant v...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

Dit protocol beschrijft hoe u een goedkope en flexibele videocamera bouwen die kan worden gebruikt om video's op te nemen van operant conditioningkamers en andere gedragstestopstellingen. Het laat verder zien hoe deeplabcut te gebruiken om een sterk lichtsignaal in deze video's te volgen, en hoe dat kan worden gebruikt om te helpen bij het identificeren van korte videosegmenten van belang in videobestanden die volledige testsessies dekken. Ten slotte beschrijft het hoe het bijhouden van het hoofd van een rat te gebruiken...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

Hoewel materialen en middelen van de stichting Raspberry Pi in dit manuscript zijn gebruikt en aangehaald, was de stichting niet actief betrokken bij de voorbereiding of het gebruik van apparatuur en gegevens in dit manuscript. Hetzelfde geldt voor Pi-Supply. De auteurs hebben niets te onthullen.

Dankbetuigingen

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

Dit werk werd ondersteund door subsidies van de Swedish Brain Foundation, de Zweedse Parkinson Foundation, en de Zweedse regering Fondsen voor Klinisch Onderzoek (M.A.C.), evenals de Wenner-Gren stichtingen (M.A.C, E.K.H.C), Åhlén foundation (M.A.C) en de stichting Blanceflor Bongnim ludmoovisi, n Bildéet (S.F).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

```html

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
32 Gb micro SD-kaart met nieuwe Out Of Box Software (NOOBS) vooraf geïnstalleerdThe Pi hut (https://thpihut.com)32GB
330-Ohm weerstandThe Pi hut (https://thpihut.com)100287Dit artikel is voor een pakket met gemengde weerstanden, waar 330-ohm weerstanden zijn inbegrepen.
Camera module (Raspberry Pi NoIR camera v.2)The Pi hut (https://thpihut.com)100004
Camera lintkabel (Raspberry Pi Zero camera kabel stub)The Pi hut (https://thpihut.com)MMP-1294Dit is alleen nodig als een Raspberry Pi zero wordt gebruikt. Als een andere Raspberry Pi board wordt gebruikt, begeleidt een geschikte camera lintkabel de camera component
Gekleurde LED'sThe Pi hut (https://thpihut.com)ADA4203Dit artikel is voor een pakket met gemengde kleuren LED's. Elke kleur kan worden gebruikt.
Female-Female jumper kabelsThe Pi hut (https://thpihut.com)ADA266
IR LED module (Bright Pi)Pi Supply (https://uk.pi-supply.com)PIS-0027
Microcomputer moederbord (Raspberry Pi Zero board met voorgesoldeerde headers)The Pi hut (https://thpihut.com)102373Andere Raspberry Pi boards kunnen ook worden gebruikt, hoewel de methode voor het automatisch starten van het Python script alleen werkt met Raspberry Pi zero. Bij gebruik van andere modellen, moet het python script handmatig worden gestart.
Drukknop schakelaarThe Pi hut (https://thpihut.com)ADA367
Raspberry Pi voedingskabelThe Pi hut (https://thpihut.com)102032
Raspberry Pi Zero behuizingThe Pi hut (https://thpihut.com)102118
Raspberry Pi, Mod my pi, camera stand met magnetische fisheye lens en magnetische metalen ring bevestigingThe Pi hut (https://thpihut.com)MMP-0310-KIT
```

Referenties

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Pritchett, K., Mulder, G. B. Operant conditioning. Contemporary Topics in Laboratory Animal Science. 43 (4), (2004).
  2. Clemensson, E. K. H., Novati, A., Clemensson, L. E., Riess, O., Nguyen, H. P. The BACHD rat model of Huntington disease shows slowed learning in a Go/No-Go-like test of visual discrimination. Behavioural Brain Research. 359, 116-126 (2019).
  3. Asinof, S. K., Paine, T. A. The 5-choice serial reaction time task: a task of attention and impulse control for rodents. Journal of Visualized Experiments. (90), e51574(2014).
  4. Coulbourn instruments. Graphic State: Graphic State 4 user's manual. Coulbourn instruments. , Holliston, Massachusetts. 12-17 (2013).
  5. Med Associates Inc. Med-PC IV: Med-PC IV programmer's manual. Med Associates Inc. , St. Albans, Vermont. 21-44 (2006).
  6. Clemensson, E. K. H., Clemensson, L. E., Riess, O., Nguyen, H. P. The BACHD rat model of Huntingon disease shows signs of fronto-striatal dysfunction in two operant conditioning tests of short-term memory. PloS One. 12 (1), (2017).
  7. Herremans, A. H. J., Hijzen, T. H., Welborn, P. F. E., Olivier, B., Slangen, J. L. Effect of infusion of cholinergic drugs into the prefrontal cortex area on delayed matching to position performance in the rat. Brain Research. 711 (1-2), 102-111 (1996).
  8. Chudasama, Y., Muir, J. L. A behavioral analysis of the delayed non-matching to position task: the effects of scopolamine, lesions of the fornix and of the prelimbic region on mediating behaviours by rats. Psychopharmacology. 134 (1), 73-82 (1997).
  9. Talpos, J. C., McTighe, S. M., Dias, R., Saksida, L. M., Bussey, T. J. Trial-unique, delayed nonmatching-to-location (TUNL): A novel, highly hippocampus-dependent automated touchscreen test of location memory and pattern separation. Neurobiology of Learning and Memory. 94 (3), 341(2010).
  10. Rayburn-Reeves, R. M., Moore, M. K., Smith, T. E., Crafton, D. A., Marden, K. L. Spatial midsession reversal learning in rats: Effects of egocentric cue use and memory. Behavioural Processes. 152, 10-17 (2018).
  11. Gallo, A., Duchatelle, E., Elkhessaimi, A., Le Pape, G., Desportes, J. Topographic analysis of the rat's behavior in the Skinner box. Behavioural Processes. 33 (3), 318-328 (1995).
  12. Iversen, I. H. Response-initiated imaging of operant behavior using a digital camera. Journal of the Experimental Analysis of Behavior. 77 (3), 283-300 (2002).
  13. Med Associates Inc. Video monitor: Video monitor SOF-842 user's manual. Med Associates Inc. , St. Albans, Vermont. 26-30 (2004).
  14. Coulbourn Instruments. Coulbourn Instruments. , Available from: https://www.coulbourn.com/product_p/h39-16.htm (2020).
  15. Mathis, A., et al. DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nature Neuroscience. 21 (9), 1281-1289 (2018).
  16. Nath, T., Mathis, A., Chen, A. C., Patel, A., Bethge, M., Mathis, M. W. Using DeepLabCut for 3D markerless pose estimation across species and behaviors. Nature Protocols. 14 (7), 2152-2176 (2019).
  17. Bari, A., Dalley, J. W., Robbins, T. W. The application of the 5-chopice serial reaction time task for the assessment of visual attentional processes and impulse control in rats. Nature Protocols. 3 (5), 759-767 (2008).
  18. Raspberry Pi foundation. Raspberry Pi foundation. , Available from: https://thepi.io/how-to-install-raspbian-on-the-raspberry-pi/ (2020).
  19. Pi-supply. Pi-supply. , Available from: https://learn.pi-supply.com/make/bright-pi-quickstart-faq/ (2018).
  20. Python. Python. , Available from: https://wiki.python.org/moin/BeginnersGuide/NonProgrammers (2020).
  21. MathWorks. MathWorks. , Available from: https://mathworks.com/academia/highschool/ (2020).
  22. Cran.R-Project.org. Cran.R-Project.org. , Available from: https://cran.r-project.org/manuals.html (2020).
  23. Liu, Y., Tian, C., Huang, Y. Critical assessment of correction methods for fisheye lens distortion. The international archives of the photogrammetry, remote sensing and spatial information sciences. , (2016).
  24. Pereira, T. D., et al. Fast animal pose estimation using deep neural networks. Nature Methods. 16 (1), 117-125 (2019).
  25. Graving, J. M., et al. DeepPoseKit, a software toolkit for fast and robust animal pose estimation using deep learning. Elife. 8 (47994), (2019).
  26. Geuther, B. Q., et al. Robust mouse tracking in complex environments using neural networks. Communications Biology. 2 (124), (2019).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Operant Conditioning ChambersVideo Camera SetupDeepLabCut TrackingRat Head TrackingVideo Frame AnalysisInfrared IlluminationProtocol Step IndicatorNeural Network TrainingCSV File OutputBehavioral Test Analysis

Gerelateerde artikelen