Dit artikel beschrijft een reeks methoden voor het meten van het onderdrukkende vermogen van het snuiven van alcoholische dranken op het door wasabi opgewekte stekende gevoel.
Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.
Methodenartikel
Integratie van gedragsbeoordeling van dieren en convolutioneel neuraal netwerk om de smaak-geurinteractie van wasabi en alcohol te bestuderen
In dit artikel
Samenvatting
Samenvatting
De commerciële wasabipasta's die vaak worden gebruikt voor voedselbereiding bevatten een homologe verbinding van chemosensorische isothiocyanaten (ITC's) die bij consumptie een irriterend gevoel opwekken. De impact van het snuiven van alcoholische dieetdranken op het gevoel van wasabi-kruidigheid is nooit onderzocht. Hoewel de meeste sensorische evaluatiestudies zich richten op individuele voedingsmiddelen en dranken afzonderlijk, is er een gebrek aan onderzoek naar de olfactorische studie van het snuiven van sterke drank tijdens het consumeren van wasabi. Hier wordt een methodologie ontwikkeld die het gebruik van een gedragsstudie bij dieren en een convolutioneel neuraal netwerk combineert om de gezichtsuitdrukkingen van muizen te analyseren wanneer ze tegelijkertijd sterke drank snuiven en wasabi consumeren. De resultaten tonen aan dat het getrainde en gevalideerde deep learning-model 29% van de afbeeldingen van gelijktijdige behandeling van wasabi en alcohol herkent die behoren tot de klasse van de wasabi-negatieve drankpositieve groep zonder dat voorafgaand trainingsmateriaal hoeft te worden gefilterd. Statistische analyse van de scores op de grimasschaal van muizen verkregen uit de geselecteerde videoframebeelden onthult een significant verschil (P < 0,01) tussen de aan- en afwezigheid van sterke drank. Deze bevinding suggereert dat alcoholische dranken in de voeding een verminderend effect kunnen hebben op de wasabi-opgewekte reacties bij muizen. Deze combinatorische methodologie biedt in de toekomst het potentieel voor individuele screening van ITC-verbindingen en sensorische analyses van gedistilleerde componenten. Er is echter verder onderzoek nodig om het onderliggende mechanisme van door alcohol geïnduceerde onderdrukking van wasabi-scherpte te onderzoeken.
Inleiding
Wasabia japonica, algemeen bekend als wasabi, heeft erkenning gekregen in de voedselbereiding 1,2. De intense zintuiglijke ervaring die het oproept bij consumptie, gekenmerkt door tranen, niezen of hoesten, is bekend. Deze kenmerkende scherpte van wasabi kan worden toegeschreven aan een homologe verbinding van chemosensorische isothiocyanaten (ITC's). Het zijn vluchtige organozwavelfytochemicaliën die kunnen worden onderverdeeld in ω-alkenyl- en ω-methylthioalkylisothiocyanaten3. Van deze verbindingen is allylisothiocyanaat (AITC) het meest overheersende natuurlijke ITC-product dat wordt aangetroffen in planten die behoren tot de Cruciferae-familie, zoals mierikswortel en mosterd4. Commerciële wasabipasta's worden gewoonlijk bereid uit mierikswortel, waardoor AITC een chemische marker is die wordt gebruikt voor kwaliteitscontrole van deze commerciële producten5.
Het combineren van alcoholische dieetdranken met met wasabi doordrenkte gerechten kan worden beschouwd als een voorbeeld van culturele instelling6. Subjectief gezien kan deze combinatie de kruidigheid en hitte tussen wasabi en de geest aanvullen, waardoor de algehele culinaire ervaring wordt verbeterd. Kwalitatieve gedragsbeoordeling bij dieren (QBA) is een uitgebreide methodologische benadering van het hele dier die gedragsveranderingen bij proefpersonen onderzoekt als reactie op externe stimuli op korte of lange termijn met behulp van numerieke termen7. Deze methode omvat pijntests, motorische tests, leer- en geheugentests, evenals emotietests die speciaal zijn ontworpen voor knaagdiermodellen8. Studies die de synergetische sensorische evaluatie van gustation samen met reukzin onderzoeken, blijven tot nu toe echter schaars in de literatuur 9,10. De meeste onderzoeken naar chemesthetische sensatie zijn beperkt tot het afzonderlijk onderzoeken van individuele voedsel- en drankconsumptie11. Bijgevolg is er een gebrek aan onderzoek naar de smaak-geurinteractie waarbij sterke drank wordt gesnoven tijdens het consumeren van wasabi.
Aangezien wordt aangenomen dat het door wasabi veroorzaakte prikkende gevoel een vorm van nociceptieis 12, zijn gedragsbeoordelingen bij dieren zeer geschikt voor het evalueren van de nociceptieve sensorische reacties bij knaagdieren 8,13,14. Een methode voor het beoordelen van nociceptie bij muizen, bekend als de muizengrimasschaal (MGS) score, werd ontwikkeld door Langford et al.15,16. Deze gedragsstudiemethode is een pijngerelateerde beoordelingsbenadering, gebaseerd op de analyse van gezichtsuitdrukkingen van de experimentele muizen. De experimentele opzet is eenvoudig, met een transparante kooi en 2 camera's voor video-opname. Door geavanceerde technologieën 17,18,19 voor automatische gegevensvastlegging te integreren, kunnen kwantitatieve en kwalitatieve gedragsmetingen worden verkregen, waardoor het dierenwelzijn tijdens gedragsmonitoring wordt verbeterd 20. Bijgevolg heeft de MGS het potentieel om te worden toegepast bij het bestuderen van de effecten van verschillende externe stimuli op dieren op een ononderbroken en ad libitum manier. Het scoreproces omvat echter alleen het selecteren van een paar (minder dan 10) videoframe-afbeeldingen voor evaluatie door de panelleden, en voorafgaande training is noodzakelijk. Het scoren van een groot aantal voorbeeldafbeeldingen kan arbeidsintensief zijn. Om deze tijdrovende uitdaging te overwinnen, hebben verschillende onderzoeken machine learning-technieken gebruikt om de MGS-score21,22 te voorspellen. Toch is het belangrijk op te merken dat de MGS een continue meting is. Daarom zou een classificatiemodel met meerdere klassen geschikter zijn voor het evalueren van een logisch en categorisch probleem, zoals het bepalen of de beelden van muizen die tegelijkertijd wasabi innemen en sterke drank snuiven, lijken op die van normale muizen.
In deze studie werd een methodologie voorgesteld voor het onderzoeken van de smaak-geurinteractie bij muizen. Deze methodologie combineert diergedragsstudies met een convolutioneel neuraal netwerk (CNN) om de gezichtsuitdrukkingen van de muisproefpersonen te analyseren. Twee muizen werden driemaal geobserveerd onder normale gedragsomstandigheden, tijdens de ervaring van wasabi-geïnduceerde nociceptie en tijdens het snuiven van sterke drank in een speciaal ontworpen kooi. De gezichtsuitdrukkingen van de muizen werden op video opgenomen en de gegenereerde framebeelden werden gebruikt om de architectuur van een deep learning (DL) model te optimaliseren. Het model werd vervolgens gevalideerd met behulp van een onafhankelijke beelddataset en ingezet om de beelden van de experimentele groep te classificeren. Om de mate van onderdrukking van de wasabi-scherpte te bepalen wanneer de muizen tegelijkertijd sterke drank snoven tijdens de wasabiconsumptie, werden de inzichten van kunstmatige intelligentie verder bevestigd door kruisvalidatie met een andere data-analysemethode, de MGS-scorevan 16.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Protocol
In deze studie werden twee 7 weken oude ICR-mannelijke muizen met een gewicht tussen 17-25 g gebruikt voor de gedragsbeoordeling van dieren. Alle huisvestings- en experimentele procedures werden goedgekeurd door het Hong Kong Baptist University Committee on the Use of Human and Animal Subjects in Teaching and Research. De dierenkamer werd op een temperatuur van 25 °C en een luchtvochtigheid van 40%-70% gehouden op een licht-donkercyclus van 12 uur.
1. Ontwerp van de kooi
- Bereid acrylonitril-butadieen-styreenstenen voor in 3 verschillende afmetingen voor de constructie van kooien: 8 mm x 8 mm x 2 mm, 16 mm x 16 mm x 6 mm en 32 mm x 16 mm x 6 mm.
- Bereid een acrylonitril-butadieen-styreenplaat (312 mm x 147 mm x 2 mm) voor als basis van de kooi.
- Bereid een niet-transparante acrylplaat van 239 mm x 107 mm met een dikte van 2 mm voor om als bodemplaat te gebruiken.
- Bereid een transparante acrylplaat van 239 mm x 107 mm met een dikte van 5 mm voor om als bovenplaat te gebruiken.
- Bereid een transparante acrylplaat van 107 mm x 50 mm met een dikte van 7 mm voor om als aansluitplaat te gebruiken.
- Bouw 2 ondoorzichtige zijmuren door stenen te stapelen tot een hoogte van 54 mm.
- Plaats de acrylplaten in de kooi op basis van acrylonitril-butadieen-styreen, zoals geïllustreerd in figuur 1A.
- Bereid een chows' kamer voor die is opgebouwd uit vijf transparante acrylplaten van 90 mm x 50 mm met een dikte van 2 mm, zoals geïllustreerd in figuur 1B. Gebruik van de 5 transparante acrylplaten 2 platen voor de zijkanten, 1 plaat voor de bovenkant, 1 plaat voor de onderkant en 1 plaat voor de terminal.
- Bereid een transparante acrylplaat van 60 mm x 50 mm van 2 mm voor als een chow-introductieplaat en plaats deze in de kamer van de chow.
2. Gedragsbeoordeling van dieren
- Huisnestgenoten van 2 ICR mannetjesmuizen van 7 weken oud samen in een gewone kooi.
- Geef de nestgenoten van 2 muizen gratis toegang tot voedselkorrels en kraanwater gedurende een aanpassingsperiode van 1 week.
- Introduceer na 1 week de nestgenoten van 2 muizen met een fles ethanol (~40% v/v).
OPMERKING: Zorg ervoor dat ze de meegeleverde waterige ethanol alleen ad libitum mogen snuiven of inademen, terwijl het drinken beperkt is. - Voer gedragsexperimenten uit met behulp van het 9-10 weken oude muismodel en de transparante ligboxkooi die is afgebeeld in figuur 1A.
- Demonteer alle acrylplaten en acrylonitril-butadieen-styreenplaten en maak ze grondig schoon. Begin met ze minstens 3 keer af te spoelen met ultrapuur water en droog ze vervolgens af met keukenpapier. Spuit ze vervolgens in met 75% ethanol en maak ze vervolgens schoon met lenspapier. Laat ze ten slotte minimaal 15 minuten aan de lucht drogen.
- Weeg de muizen en noteer hun lichaamsgewicht vóór elke replicatie van het gedragsexperiment.
- Bereid vers een mengsel van wasabi en pindakaas door 1 g commerciële wasabi en 4,5 g pindakaas af te wegen. Meng ze in een plastic zak met ritssluiting.
OPMERKING: Vanwege de vluchtigheid van de isothiocyanaten in wasabi is het belangrijk om de commerciële wasabi in een vriezer van -20 °C te bewaren. - Weeg af en leg twee pasta's van 0,5 g pindakaas of een mengsel van wasabi en pindakaas op het introductiebord van de chow, zoals geïllustreerd in figuur 1B, C.
- Plaats de voorbereide chow-introductieplaat in de kamer van de chows, zoals geïllustreerd in figuur 1B, C, zodat de 2 muizen tijdens elke video-opnamesessie ad libitum toegang hebben tot voedsel.
- Vul de groef eronder met 30 ml vloeistof, zuiver water of sterke drank (~42% v/v ethanol), om gelijktijdige inademing te vergemakkelijken, zoals aangegeven in figuur 1B, C.
- Begin met opnemen met behulp van de camera's op 2 smartphones die op de telefoonstandaards bij elke terminal zijn geplaatst.
OPMERKING: De specificaties van de video's zijn als volgt: framebreedte, 1920; frame hoogte, 1080; datasnelheid, 20745 kbps; Framesnelheid, 30,00 frames per seconde (fps). - Plaats de 2 getrainde nestgenoten van muizen voorzichtig vanaf de bovenkant in het ontworpen platform voor diergedragsonderzoek en zet de kooi onmiddellijk vast met de bovenplaat.
OPMERKING: Zorg ervoor dat deze stap binnen 15 s is voltooid. - Neem elke video 2-3 minuten op.
OPMERKING: Zorg ervoor dat de gehele duur van het experiment, van de bereiding van het pindakaas-wasabimengsel tot de voltooiing van de video-opname, beperkt is tot 5 minuten. - Herhaal het hele experiment 3 keer.
OPMERKING: Zorg ervoor dat elke replicatie van het experiment gedurende ten minste 6 uur gescheiden is. - Boots verschillende scenario's na.
OPMERKING: In dit werk werd bijvoorbeeld een paar muizen gebruikt in 4 groepen met 4 verschillende scenario's die werden nagebootst met behulp van de hierboven beschreven experimentele instelling. Deze scenario's omvatten scenario A voor het achtergrondonderzoek, scenario B voor het onderzoek naar de positieve controle, scenario C voor het onderzoek naar de smaak-geurinteractie tussen wasabi en alcohol en scenario D voor het onderzoek naar de negatieve controle. Tabel 1 geeft een overzicht van deze scenario's.
3. Beeldherkenning
Net als bij veel onderzoeken naar beeldverwerking 23,24,25, werd een classificatiemodel bereikt door een CNN te trainen. Het script voor DL-bewerkingen is geschreven in Python v.3.10 op Jupyter Notebook (anaconda3). Het is beschikbaar op de volgende GitHub-opslagplaats: git@github.com:TommyNHL/imageRecognitionJove.git. Om de CNN te bouwen en te trainen, werden open-source bibliotheken gebruikt, waaronder 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 en keras v.2.11.0. Deze bibliotheken boden de nodige tools en functionaliteit om CNN te ontwikkelen en te trainen voor beeldherkenning.
- Exporteer een reeks videoframe-afbeeldingen van de verzamelde videoclips om een gegevensset te genereren voor modeltraining met behulp van het meegeleverde Jupyter-notebook, genaamd Step1_ExtractingAndSavingVideoFrameImages.ipynb.
- Selecteer de afbeeldingen alleen met minimaal 1 muis die de meegeleverde pasta gebruikt. Voorbeelden van de geselecteerde afbeeldingen zijn te vinden in Aanvullende Afbeelding 1, Aanvullende Figuur 2, Aanvullende Figuur 3, Aanvullende Figuur 4, Aanvullende Figuur 5, Aanvullende Figuur 6 en Aanvullende Figuur 7.
- Voer gegevensvergroting uit door de gegenereerde afbeeldingen horizontaal om te draaien door het script in het Jupyter-notebook, genaamd Step2_DataAugmentation.ipynb, te implementeren.
- Bewaar de beeldgegevens van elke tweede replica voor externe, onafhankelijke CNN-modelvalidatie. Gebruik de afbeeldingen van elke eerste en derde replica voor interne modeltraining en testen.
- Verwerk de afbeeldingsgegevens die worden gebruikt in CNN-modellering vooraf door het script uit te voeren in het Jupyter Notebook, genaamd Step3_CNNmodeling_TrainTest.ipynb, inclusief het wijzigen van het formaat van afbeeldingen, conversie van zwarte kleuren en normalisatie van beeldsignalen.
- Splits het trainingsmateriaal willekeurig op in interne trainings- en testdatasets op een 8:2-manier.
- Initialiseer de architectuur voor CNN. Ontwerp het aantal outputs van CNN op basis van het aantal scenario's dat moet worden onderzocht.
OPMERKING: In deze studie werd bijvoorbeeld het neurale netwerk aangewezen om 3 klassen te classificeren. Zorg ervoor dat het script voor het omgaan met gegevensonevenwichtigheid op het gewicht van de klasse is samengesteld. - Zoek de hyperparametercombinatie die minimaal verlies oplevert op de interne testmonsters voor CNN-constructie.
- Gebruik de optimale combinatie van hyperparameters voor het bouwen van CNN-architectuur.
- Open de meegeleverde Jupyter-notebooks Step4_CNNmodel_ExternalValOriginal.ipynb en Step5_CNNmodel_ExternalValFlipped.ipynb. Valideer het verkregen model met behulp van de onafhankelijke (originele en gespiegelde) afbeeldingen van de tweede replica van het diergedragsexperiment.
- Implementeer het behaalde en gevalideerde model voor het classificeren van de videoframe-afbeeldingen die zijn gegenereerd door de experimentele groep met behulp van Jupyter Notebook Step6_CNNmodel_Application.ipynb.
OPMERKING: Het is bijvoorbeeld scenario C in dit werk.
4. Handmatige score van de münsterassenschaal
OPMERKING: Om de inzichten van de CNN-modelvoorspelling te valideren, werd een andere methode toegepast die eerder was ontwikkeld en gevalideerd door Langford et al.16. Deze methode omvat het scoren van de MGS op basis van de 5 specifieke gezichtsactie-eenheden (AU's) van muizen: orbitale aanscherping, neusuitstulping, wanguitstulping, oren die naar buiten worden gespannen en verandering van snorharen. Elke AU krijgt een score van 0, 1 of 2, wat respectievelijk de afwezigheid, matige aanwezigheid of duidelijke aanwezigheid van de AU aangeeft. Dit scoresysteem maakt het mogelijk om elke AU te kwantificeren en te schalen om het niveau van nociceptie of ongemak dat de muizen ervaren te beoordelen.
- Maak 3 videoframe-afbeeldingen van de nestgenoten die de pasta voor elke videoclip inslikken. Zorg ervoor dat elk frame ten minste 3 seconden van elkaar gescheiden is.
- Blind coderen en afbeeldingen willekeurig opnieuw ordenen uit verschillende klassen van scenario's in volgorde met behulp van het meegeleverde sjabloonbestand met de naam "shuffleSlides.pptm" (aanvullend bestand 1) en het uitvoeren van de ingesloten macrocode.
- Nodig ten minste 10 panelleden uit om de voorbeeldafbeeldingen te scoren.
- Train de panelleden om afbeeldingsvoorbeelden te scoren met behulp van de MGS. Voorzie de panelleden van trainingsmateriaal dat het originele artikel over MGS en de bijbehorende handleiding15,16 bevat.
- Bereken de MGS-score van elk dier in een vastgelegd frame door het gemiddelde te nemen van alle scorepunten van de overeenkomstige 5 gezichts-AU's. Presenteer de MGS-score als het gemiddelde ± standaard meetfout (SEM).
- Bepaal of er statistisch significante verschillen bestaan tussen verschillende klassen van scenario's door middel van eenrichtingsvariantieanalyse (ANOVA) met Bonferroni's meervoudige vergelijking post-hoctest.
OPMERKING: Een waarde van P < 0,05 wordt als statistisch significant beschouwd.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Resultaten
Het belangrijkste doel van deze studie is om een robuust kader vast te stellen voor het onderzoeken van de smaak-geurinteractie bij muizen. Dit raamwerk omvat het gebruik van kunstmatige intelligentie en QBA om een voorspellend classificatiemodel te ontwikkelen. Bovendien worden de inzichten die uit DL worden verkregen, kruislings gevalideerd met een kwantitatieve MGS-beoordeling voor een interne onafhankelijke analyse. De primaire toepassing van deze methodologie is het onderzoeken van de mate van onderdrukking van de d...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Discussie
De voorgestelde methode voor het bestuderen van de smaak-geurinteractie in dit werk is gebaseerd op de oorspronkelijke methode van gedragscodering voor gezichtsuitdrukking van pijn bij muizen, die werd ontwikkeld door Langford et al.16. Verschillende recent gepubliceerde artikelen hebben CNN geïntroduceerd voor het automatisch volgen van muisgezichten en de daaropvolgende MGS-scorevan 21,26,27,28.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Openbaarmakingen
De auteurs verklaren dat er geen sprake is van belangenconflicten.
Dankbetuigingen
Z. Cai wil graag de financiële steun van het Kwok Chung Bo Fun Charitable Fund erkennen voor de oprichting van de Kwok Yat Wai Endowed Chair of Environmental and Biological Analysis.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Materialen
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| Absolute ethanol (EtOH) | VWR Chemicals BDH | CAS# 64-17-5 | |
| Acrylonitrile butadiene styrene bricks | Jiahuifeng Flagship Store | https://shop.paizi10.com/jiahuifeng/chanpin.html | |
| Acrylonitrile butadiene styrene plates | Jiahuifeng Flagship Store | https://shop.paizi10.com/jiahuifeng/chanpin.html | |
| Allyl isothiocyanate (AITC) | Sigma-Aldrich | CAS# 57-06-7 | |
| Anhydrous dimethyl sulfoxide | Sigma-Aldrich | CAS# 67-68-5 | |
| Chinese spirit | Yanghe Qingci | https://www.chinayanghe.com/article/45551.html | |
| Commercial wasabi | S&B FOODS INC. | https://www.sbfoods-worldwide.com | |
| Formic acid (FA) | VWR Chemicals BDH | CAS# 64-18-6 | |
| GraphPad Prism 5 | GraphPad | https://www.graphpad.com | |
| HPLC-grade acetonitrile (ACN) | VWR Chemicals BDH | CAS# 75-05-8 | |
| HPLC-grade methanol (MeOH) | VWR Chemicals BDH | CAS# 67-56-1 | |
| Microsoft Excel 2016 | Microsoft | https://www.microsoft.com | |
| Microsoft PowerPoint 2016 | Microsoft | https://www.microsoft.com | |
| Milli-Q water system | Millipore | https://www.merckmillipore.com | |
| Mouse: ICR | Laboratory Animal Services Centre (The Chinese University of Hong Kong, Hong Kong, China) | N/A | |
| Peanut butter | Skippy | https://www.peanutbutter.com/peanut-butter/creamy | |
| Python v.3.10 | Python Software Foundation | https://www.python.org | |
| Transparent acrylic plates | Taobao Store | https://item.taobao.com/item.htm?_u=32l3b7k63381&id=60996545797 0&spm=a1z09.2.0.0.77572e8dFPM EHU |
Referenties
- 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).
- 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).
- 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).
- 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).
- 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).
- Bacon, T. Wine, wasabi and weight loss: Examining taste in food writing. Food Cult Soc. 17 (2), 225-243 (2014).
- Fleming, P. A., et al. The contribution of qualitative behavioural assessment to appraisal of livestock welfare. Anim Prod Sci. 56, 1569-1578 (2016).
- Shi, X., et al. Behavioral assessment of sensory, motor, emotion, and cognition in rodent models of intracerebral hemorrhage. Front Neurol. 12, 667511(2021).
- 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).
- 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).
- Simons, C. T., Klein, A. H., Carstens, E. Chemogenic subqualities of mouthfeel. Chem Senses. 44 (5), 281-288 (2019).
- 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).
- 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).
- 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).
- 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).
- Langford, D. J., et al. Coding of facial expressions of pain in the laboratory mouse. Nat Methods. 7 (6), 447-449 (2010).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Liu, H., et al. TransIFC: Invariant cues-aware feature concentration learning for efficient fine-grained bird image classification. IEEE Trans Multimedia. , (2023).
- Akkaya, I. B., Halici, U. Mouse face tracking using convolutional neural networks. IET Comput Vis. 12 (2), 153-161 (2018).
- 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).
- 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).
- Tuttle, A. H., et al. A deep neural network to assess spontaneous pain from mouse facial expressions. Mol Pain. 14, 1744806918763658(2018).
- 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).
- 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).
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Herprints en machtigingen
