Name: Gebruik van vmTracking om de nauwkeurigheid van het schatten van houdingen van meerdere dieren in onderzoeken naar sociaal gedrag bij knaagdieren te verbeteren (Video) | JoVE Journal
Uploaded: 2025-11-07T14:40:00.000+00:00
Duration: 7 min 34 s
Description: Leer vmTracking voor nauwkeurige houdingschatting bij meerdere vrije knaagdieren in sociaal gedragsonderzoek. Deze methode verbetert betrouwbare data-analyse in semi-natuurlijke omgevingen.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol><li>Smith, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Lab+mice+go+wild%3A+making+experiments+more+natural+in+order+to+decode+the+brain%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Lab mice go wild: making experiments more natural in order to decode the brain.</a> Nature. 618 (7965), 448-450 (2023).</li>
<li>Rein, B., Ma, K., Yan, Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+standardized+social+preference+protocol+for+measuring+social+deficits+in+mouse+models+of+autism%5BTitle%5D)+AND+%22Nat+Protoc%22%5BJournal%5D)">A standardized social preference protocol for measuring social deficits in mouse models of autism.</a> Nat Protoc. 15 (10), 3464-3477 (2020).</li>
<li>Jabarin, R., Netser, S., Wagner, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Beyond+the+three-chamber+test%3A+toward+a+multimodal+and+objective+assessment+of+social+behavior+in+rodents%5BTitle%5D)+AND+%22Mol+Autism%22%5BJournal%5D)">Beyond the three-chamber test: toward a multimodal and objective assessment of social behavior in rodents.</a> Mol Autism. 13 (1), 41(2022).</li>
<li>Lauer, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-animal+pose+estimation%2C+identification+and+tracking+with+DeepLabCut%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Multi-animal pose estimation, identification and tracking with DeepLabCut.</a> Nat Methods. 19 (4), 496-504 (2022).</li>
<li>Pereira, T. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SLEAP%3A+A+deep+learning+system+for+multi-animal+pose+tracking%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">SLEAP: A deep learning system for multi-animal pose tracking.</a> Nat Methods. 19 (4), 486-495 (2022).</li>
<li>Bordes, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatically+annotated+motion+tracking+identifies+a+distinct+social+behavioral+profile+following+chronic+social+defeat+stress%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Automatically annotated motion tracking identifies a distinct social behavioral profile following chronic social defeat stress.</a> Nat Commun. 14 (1), 4319(2023).</li>
<li>Mathis, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DeepLabCut%3A+markerless+pose+estimation+of+user-defined+body+parts+with+deep+learning%5BTitle%5D)+AND+%22Nat+Neurosci%22%5BJournal%5D)">DeepLabCut: markerless pose estimation of user-defined body parts with deep learning.</a> Nat Neurosci. 21 (9), 1281-1289 (2018).</li>
<li>Bolaños, F., LeDue, J. M., Murphy, T. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cost+effective+raspberry+pi-based+radio+frequency+identification+tagging+of+mice+suitable+for+automated+in+vivo+imaging%5BTitle%5D)+AND+%22J+Neurosci+Methods%22%5BJournal%5D)">Cost effective raspberry pi-based radio frequency identification tagging of mice suitable for automated in vivo imaging.</a> J Neurosci Methods. 276, 79-83 (2017).</li>
<li>Azechi, H., Takahashi, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((vmTracking+enables+highly+accurate+multi-animal+pose+tracking+in+crowded+environments%5BTitle%5D)+AND+%22PLOS+Biol%22%5BJournal%5D)">vmTracking enables highly accurate multi-animal pose tracking in crowded environments.</a> PLOS Biol. 23 (2), e3003002(2025).</li>
<li>DeepLabCut: documentation. , DeepLabCut Team. 
 <a target="_blank" href="https://deeplabcut.github.io/DeepLabCut/README.html">https://deeplabcut.github.io/DeepLabCut/README.html</a> (2025).</li>
<li>Azechi, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((vmTracking+figure+and+code%5BTitle%5D)+AND+%22Zenodo%22%5BJournal%5D)">vmTracking figure and code.</a> Zenodo. , (2025).</li>
<li>Pereira, T. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+animal+pose+estimation+using+deep+neural+networks%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Fast animal pose estimation using deep neural networks.</a> Nat Methods. 16 (1), 117-125 (2019).</li>
<li>Romero-Ferrero, F., Bergomi, M. G., Hinz, R. C., Heras, F. J. H., de Polavieja, G. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((idtracker.ai%3A+tracking+all+individuals+in+small+or+large+collectives+of+unmarked+animals%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">idtracker.ai: tracking all individuals in small or large collectives of unmarked animals.</a> Nat Methods. 16 (2), 179-182 (2019).</li>
</ol>

<table><tbody><tr><td>Acrylic pipe (helder, dikte 5 mm, binnendiameter 31 cm)</td><td>Sugawarakougei Co., Ltd.</td><td>https://www.sugawarakougei.jp/</td><td>Gekocht bij Hazaiya (een online acrylmaterialenretailer)</td></tr><tr><td>Acrylplak (wit, dikte 3 mm, diameter 31 cm)</td><td>Sugawarakougei Co., Ltd.</td><td>https://www.sugawarakougei.jp/</td><td>Gekocht bij Hazaiya (een online acrylmaterialenretailer)</td></tr><tr><td>C57BL/6J muis</td><td>Shimizu Laboratory Supplies, Co.LTD.</td><td>N/A</td><td></td></tr><tr><td>Camera</td><td>Basler</td><td>acA3088-57uc</td><td></td></tr><tr><td>DeepLabCut 2.2.3</td><td>Mathis laboratorium aan Swiss Federal Institute of Technology in Lausanne</td><td>https://www.mackenziemathislab.org/deeplabcut</td><td></td></tr><tr><td>Pylon Camera Software Suite (Pylon Viewer)</td><td>Basler</td><td>N/A</td><td></td></tr></tbody></table>

gebruik van vmtracking om de nauwkeurigheid van het schatten van houdingen van meerdere dieren in onderzoeken naar sociaal gedrag bij knaagdieren te verbeteren

Utilizing vmTracking to Improve the Accuracy of Multi-Animal Pose Estimation in Rodent Social Behavior Studies

De nauwkeurigheid van het volgen werd geëvalueerd door vergelijking met een handmatig gegenereerde grondwaarheid (GT). Twintig scènes uit de jaren 5 of 10 werden geëxtraheerd en geclassificeerd als drukke (CR) scènes, met overlappingen zoals muizen die elkaar kruisen (12 scènes; in totaal 1.950 frames), of niet-drukke (nCR) scènes zonder overlappingen (8 scènes; totaal 1.350 frames). Trackingvoorspellingen binnen 10 pixels van de GT-positie werden geteld als overeenkomsten (Match); voorspellingen ≥10 pixels verwijderd werden geteld als valse positieven (FP); en ontbrekende voorspellingen werden geteld als vals-negatieven (FN). Als de voorspelde identiteit afweek van die in het onmiddellijk voorafgaande frame, werd deze bovendien geteld als een ID-switch.
Vergeleken met maDLC (Figuur 6) toonde vmTracking een significante verbetering in de Match in zowel CR- als nCR-scènes (Figuur 6A, CR: p &lt; 0,001; Figuur 6E, nCR: p &lt; 0,01). In beide scènetypen kwamen geen FN's voor en werd het aantal FN's significant verminderd met vmTracking (Figuur 6B, CR: p &lt; 0,001; Figuur 6F, nCR: p &lt; 0,05). De tellingen FP (Figuur 6C en 6G) en ID-schakelaar (Figuur 6D,H) vertoonden geen veranderingen in beide scènetypes. Er wordt een zij-aan-zij vergelijking gepresenteerd van trackingresultaten verkregen met vmTracking en conventionele maDLC, waarbij de verbeterde nauwkeurigheid en stabiliteit van vmTracking onder drukke omstandigheden wordt benadrukt (aanvullende video 1).
We hebben ook de relatie onderzocht tussen het aantal annotatieframes en zowel Match als FN voor CR-scènes in maDLC en vmTracking (Figuur 6I). In maDLC bleef de Match steken op ongeveer 85% met ongeveer 400 annotatieframes, met weinig verdere verbetering naarmate het aantal toenam. Het vergroten van de annotatiekaders voor training verminderde het aantal FN's niet. Daarentegen vertoonde vmTracking een gestage toename in Match met meer annotatieframes, tot ongeveer 95% bij ongeveer 1.000 frames.
Virtuele markers werden geclassificeerd in zes categorieën op basis van hun toewijzingspatronen, en het aandeel van elke categorie werd gebruikt als een index van de nauwkeurigheid van virtuele markers om de relatie met tracking Match te onderzoeken (Figuur 6J). Scènes met een hoger aandeel correct toegewezen virtuele markeringen hadden de neiging om een hogere overeenkomst te tonen. Sommige scènes waarin het aandeel correcte markeringen laag was, hetzij vanwege veel onjuiste toewijzingen of veel ontbrekende markeringen, vertoonden echter nog steeds een hoge overeenkomst (bijv. CR-scènes 3 en 11).
<img alt="Figuur 1" class="xfigimg" src="/files/ftp_upload/69506/69506fig1.jpg" data-altupdatedat="1783400419000" data-alt="Figure 1"> 
Figuur 1: Overzicht van de vmTracking workflow. (A) Schematisch schema van de vmTracking workflow. Voer eerst maDLC uit op de markerloze video (I). Corrigeer op basis van de resulterende maDLC-trackinggegevens de uitvoer zodat elk individu een consistente ID behoudt in de hele video en maak een gelabelde video die alleen een geselecteerde subset van sleutelpunten (II) weergeeft. Gebruik de labels in deze video als virtuele markeringen en volg de virtuele markeringsvideo met saDLC (III). (B) Twee voorbeelden van vmTracking worden getoond als snapshots van elke fase van het proces. De uiterst linkse afbeelding toont de volledige weergave en de afbeeldingen aan de rechterkant zijn vergrote weergaven van de gebieden die worden omsloten door gele vakken. De oranje balken in de rechterbenedenhoek van de afbeeldingen geven de schalen aan: 5 cm voor de afbeelding "Markerless (Overview)" en 1 cm voor alle andere. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig1large.jpg" target="_blank">Klik hier om een grotere versie van deze figuur te bekijken.</a>
<img alt="Figuur 2" class="xfigimg" src="/files/ftp_upload/69506/69506fig2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 2"> 
Figuur 2: Markerloze workflow voor het volgen van meerdere dieren met behulp van maDLC. Dit cijfer heeft betrekking op Protocol stap 2.1. (A) Panelen zijn aangepast van figuur 1B en illustreren proces I (markerloze tracking van meerdere dieren) zoals weergegeven in figuur 1A. Voor de duidelijkheid is elk dier omlijnd met een stippellijn. De oranje balk in de rechterbenedenhoek van elke afbeelding geeft een schaalbalk van 1 cm aan. (B-D) Momentopnamen van frames die worden gebruikt voor labeling tijdens de uitvoering van maDLC. De oranje balk in de rechterbenedenhoek van elke afbeelding geeft een schaalbalk van 5 cm aan. (B) Voorbeeldkader voordat labels worden toegepast. (C) Zelfde frame als in B, na labeling. (D) Voorbeeld van een ander gelabeld frame. De identiteit van individuen tussen frames C en D is onbekend, maar individuele identiteit hoeft niet in aanmerking te worden genomen bij het labelen. Zoals te zien is in de snapshots, is het voldoende om de houding van elk dier correct te labelen. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig2large.jpg" target="_blank">Klik hier om een grotere versie van deze figuur te bekijken.</a>
<img alt="Figuur 3" class="xfigimg" src="/files/ftp_upload/69506/69506fig3.jpg" data-altupdatedat="1783400419000" data-alt="Figure 3"> 
Afbeelding 3: Workflow voor het maken van een virtuele markervideo op basis van maDLC-resultaten. Dit cijfer heeft betrekking op Protocol stap 2.2. (A) Panelen zijn aangepast van Figuur 1B en illustreren Proces II (virtuele markeringscreatie) zoals weergegeven in Figuur 1A. Voor de duidelijkheid is elk dier omlijnd met een stippellijn. Witte pijlen geven de sleutelpunten aan die worden gebruikt als virtuele markeringen (de 2e en 4e sleutelpunten voor elke ID). In dit voorbeeld worden virtuele markeringen uitgevoerd in grijstinten: paarse, groene en rode maDLC-labels worden respectievelijk weergegeven als zwart, grijs en wit. In voorbeeld 1 werden maDLC-resultaten rechtstreeks uitgevoerd als virtuele markeringen zonder correctie. In voorbeeld 2 werden de paarse en rode ID's verwisseld en gecorrigeerd vóór de uitvoer, vanwege een ID-schakelaar in opeenvolgende frames. Een groene punt in het maDLC-resultaat dat gecorrigeerd had moeten worden, werd over het hoofd gezien en zonder wijzigingen uitgevoerd. De oranje balk in de rechterbenedenhoek van elke afbeelding geeft een schaalbalk van 1 cm aan. (B) Op Python gebaseerde GUI voor het bewerken van h5-coördinaatgegevensbestanden om alleen specifieke sleutelpunten te behouden en alle andere te vervangen door NaN11. (b bis) Eerste menuvenster bij het starten van het programma. Selecteer het bestand dat u wilt bewerken via de knop Bestand h5 selecteren. (bb) Venster na het selecteren van het h5-bestand. Controleer de belangrijkste punten die moeten worden vervangen door NaN (weergegeven als individuele naam-hoofdstuknaam) en geef start-eindtijden (met framesnelheid) of framenummers op voor NaN-vervanging. Als u op Procesgegevens klikt, wordt het bewerkte bestand in dezelfde map opgeslagen en wordt er een back-up van het origineel gemaakt. (C) Opeenvolgende frames van een scène waarin een ID-switch plaatsvond. (D) Voorbeeld van het corrigeren van alle volgpunten van B. (E) Momentopname van het resultaat van B met alleen het 2e en 4e hoofdpunt behouden. (F) Voorbeeld van het corrigeren van het resultaat in E. Vergeleken met het corrigeren van alle belangrijke punten (C → D), vermindert het beperken van de correctie tot twee punten (C → E → F) het aantal vereiste bewerkingen. De oranje balk in de rechterbenedenhoek van elke afbeelding C-F geeft een schaalbalk van 5 cm aan. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig3large.jpg" target="_blank">Klik hier om een grotere versie van deze figuur te bekijken.</a>
<img alt="Figuur 4" class="xfigimg" src="/files/ftp_upload/69506/69506fig4.jpg" data-altupdatedat="1783400419000" data-alt="Figure 4"> 
Afbeelding 4: Workflow voor het volgen van de video van de virtuele markering. Dit cijfer heeft betrekking op stap 3 van het protocol. (A) Panelen zijn aangepast van Figuur 1B en illustreren Proces III (volgen van de virtuele markervideo) zoals weergegeven in Figuur 1A. Elk individu is ingesloten in een gestippelde omtrek voor duidelijkheid van het volgdoel. In dit voorbeeld worden personen met zwarte, grijze en witte virtuele markeringen bijgehouden als respectievelijk paarse, groene en rode labels. In voorbeeld 1 is de grijze virtuele markering afwezig, maar vmTracking handhaaft de juiste identiteitstracering. In voorbeeld 2 verschijnt de grijze markering op twee personen, maar de tracking blijft correct. De oranje balk in de rechterbenedenhoek van elke afbeelding geeft een schaalbalk van 1 cm aan. (B-D) Snapshots van frames die worden gebruikt voor labelen tijdens vmTracking. In deze stap wordt saDLC gebruikt, waarbij elk keypoint is gedefinieerd om zowel individuele als lichaamsdeelinformatie te bevatten. Etikettering geeft aan welk lichaamsdeel van welke persoon wordt weergegeven. De oranje balk in de rechterbenedenhoek van elke afbeelding geeft een schaalbalk van 5 cm aan. (B) Momentopname van een frame vóór het labelen. (C) Momentopname van het frame in B na het labelen. (D) Momentopname van een ander frame dan C na het labelen. Zelfs in verschillende frames (bijv. C en D) behoudt labeling de individuele identiteit met behulp van de virtuele markering als aanwijzing, zoals aangegeven door consistente labelkleuren. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig4large.jpg" target="_blank">Klik hier om een grotere versie van deze figuur te bekijken.</a>
<img alt="Figuur 5" class="xfigimg" src="/files/ftp_upload/69506/69506fig5.jpg" data-altupdatedat="1783400419000" data-alt="Figure 5"> 
Afbeelding 5: Workflow voor het samenvoegen van trackingresultaten met een markerloze video om een trackingvideo te produceren zonder virtuele markers. Dit is een optionele stap die verband houdt met de OPMERKING in stap 3.8.2. (A) Wanneer trackingresultaten worden toegepast op de video van de virtuele markering, behoudt de resulterende trackingvideo de virtuele markeringen (vmTrackingvm+). Gele pijlen geven de virtuele markeringen aan die zichtbaar zijn in de uitvoer. Als u de trackingresultaten toepast op de originele video zonder markering, wordt in plaats daarvan een trackingvideo zonder virtuele markeringen (vmTrackingvm-) geproduceerd, die geschikt is voor presentaties of andere doeleinden. De oranje balk in de rechterbenedenhoek van elke afbeelding geeft een schaalbalk van 1 cm aan. (B,C) Bestandsbeheer in de map "video's" van de projectmap bij het toepassen van vmTracking-resultaten op een video zonder markering. Het oranje vak illustreert schematisch de inhoud van de map. (B) De map "video's" na het genereren van een vmTracking-trackingvideo door de trackingresultaten uit te voeren naar de virtuele markervideo (schematisch weergegeven als '4. Labels op virtuele markervideo'). (C) Het voorbereiden van de map "video's" voor het uitvoeren van vmTracking-resultaten naar de markerloze video. Verplaats of hernoem de '1. Virtuele markervideo' en '4. Labels op virtuele markervideo'-bestanden van paneel B, zodat ze worden uitgesloten van de map. Het probleem is niet de bestanden zelf, maar dat hun oorspronkelijke bestandsnamen de verwerking verstoren. Plaats vervolgens de '5. Markerless video' in de map en hernoem deze zodat deze overeenkomt met de oorspronkelijke bestandsnaam van de virtuele markervideo (bijv. VMvideo.MP4). Als u in deze toestand Video's maken opnieuw uitvoert, wordt een trackingvideo geproduceerd waarbij de resultaten worden toegepast op de video zonder markering ('6. Labels op markerloze video'). Deze figuur is aangepast van Azechi &amp; Takahashi, 2025, PLOS Biology (CC BY 4.0)7. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig5large.jpg" target="_blank">Klik hier om een grotere versie van deze figuur te bekijken.</a>
<img alt="Figuur 6" class="xfigimg" src="/files/ftp_upload/69506/69506fig6.jpg" data-altupdatedat="1783400419000" data-alt="Figure 6"> 
Figuur 6: Evaluatie van de nauwkeurigheid van de tracking met vmTracking. (A-H) Vergelijking tussen maDLC en vmTracking voor het aandeel van wedstrijden. (A), fout-negatieven (B), fout-positieven (C) en ID-schakelaars (D) in 12 drukke (CR) scènes, en overeenkomsten (E), fout-negatieven (F), fout-positieven (G) en ID-schakelaars (H) in 8 niet-drukke (nCR) scènes. Grafieken vertegenwoordigen de gemeten waarden voor elke scène en balken vertegenwoordigen de gemiddelde waarden die op basis daarvan zijn berekend. Statistische vergelijkingen werden uitgevoerd met behulp van de Wilcoxon signed-rank test. (I) Relatie tussen het aantal geannoteerde frames in CR en de verhoudingen van matches en valse negatieven. Het groene vak aan de rechterkant toont een vergrote weergave van het gebied dat wordt omsloten door de groene stippellijnen in het linkerdeelvenster. Grafieken geven de gemiddelde waarden weer. (J) Relatie tussen de nauwkeurigheid van virtuele markeringen en het volgen van overeenkomsten in CR- en nCR-scènes. De nauwkeurigheid van virtuele markeringen werd voor elk paar markeringen gecategoriseerd in zes typen: beide punten correct toegewezen aan de juiste persoon, één correct en één ontbrekend, één correct en één onjuist, beide onjuist, één onjuist en één ontbrekend, en beide ontbrekend. Voor elke scène worden de verhoudingen van deze categorieën weergegeven als gestapelde balken, waarbij de bijbehorende trackingovereenkomst voor die scène boven elke balk wordt aangegeven. Scènes worden gerangschikt in oplopende volgorde van tracking Match van links naar rechts, afzonderlijk voor CR- en nCR-scènes. CR-scènes: n = 12; nCR-scènes: n = 8. P &lt; 0,001, **p &lt; 0,01, *p &lt; 0,05. Dit cijfer is gewijzigd ten opzichte van Azechi en Takahashi (2025)9. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig6large.jpg" target="_blank">Klik hier om een grotere versie van deze figuur te bekijken.</a>
Aanvullende afbeelding 1: Momentopname van het hoofdvenster in DeepLabCut met meerdere dieren, met de locatie van elk bewerkingstabblad. De snapshots illustreren, met pijlen, de tabbladen die in elke stap van de vmTracking-procedure worden gebruikt. Afbeeldingen zijn vastgelegd vanuit de DeepLabCut GUI (versie 2.2.3). <a href="https://www.jove.com/files/ftp_upload/69506/Supplementary%20Figure%201.tiff" target="_blank">Klik hier om deze figuur te downloaden.</a>
Aanvullende afbeelding 2: Momentopname van het hoofdvenster in DeepLabCut met één dier, met de locatie van elk bewerkingstabblad. De snapshots illustreren, met pijlen, de tabbladen die in elke stap van de vmTracking-procedure worden gebruikt. Afbeeldingen zijn vastgelegd vanuit de DeepLabCut GUI (versie 2.2.3). <a href="https://www.jove.com/files/ftp_upload/69506/Supplementary%20Figure%202.tiff" target="_blank">Klik hier om deze figuur te downloaden.</a>
Aanvullende video 1: Vergelijking van DeepLabCut en vmTracking bij het volgen van drie muizen. Deze vergelijkende video toont de prestaties van DeepLabCut (maDLC; links) en vmTracking (rechts) tijdens het volgen van drie muizen. De vmTracking-video is gegenereerd door de virtuele markeringsvideo te vervangen door de originele markerloze video, volgens de procedure die wordt beschreven in de OPMERKING van stap 3.8.2, om de trackingresultaten zonder virtuele markeringen te presenteren. Voor elke trackingmethode worden individuele identiteiten aangegeven met behulp van kleurlabels van dezelfde kleurfamilie om vergelijking te vergemakkelijken. In de hele video toont vmTracking minder gevallen waarin lichaamsdelen van verschillende personen worden gedetecteerd, vergeleken met maDLC. Met name rond de 15-17 s identificeert maDLC de groen gelabelde en rood gelabelde personen verkeerd, wat resulteert in een omschakeling van hun toegewezen identiteiten. <a href="https://www.jove.com/files/ftp_upload/69506/Supplementary%20Video%201.mp4" target="_blank">Klik hier om dit bestand te downloaden.</a>

Gebruik van vmTracking om de nauwkeurigheid van het schatten van houdingen van meerdere dieren in onderzoeken naar sociaal gedrag bij knaagdieren te verbeteren

In social behavior research using rodents, there is a growing demand for evaluating more natural interactive behaviors under freely moving conditions. ...

utilizing-vmtracking-to-improve-accuracy-multi-animal-pose-estimation

Research

JoVE Journal

Behavior

Gedrag

Hier presenteren we een protocol om de dieren individueel te volgen gedurende een lange periode van tijd. Het maakt gebruik van computervisie methoden voor het identificeren van een reeks tags die handmatig gebouwd met behulp van een groep van kreeften als case-studie, tegelijkertijd het verstrekken van informatie over het huis, manipuleren en markeer de kreeften.

Op lange termijn Video-Tracking van Cohoused waterdieren: een Case studie van de dagelijkse motorische activiteit van de langoustines (Nephrops norvegicus)

Hier presenteren we methoden voor high-throughput onderzoek naar een reeks van de Mexicaanse cavefish gedrag en vitale kleuring van een mechanosensory systeem. Deze methoden maken gebruik van vrije-software en op maat gemaakte scripts, bieden een praktische en kosteneffectieve methode voor de studie van gedrag.

Gedrags Tracking en Neuromast beeldvorming van Mexicaanse Cavefish

Hier is een protocol voor het verzamelen en analyseren van driedimensionale kinematica van quadrupedal motoriek bij knaagdieren voor preklinische studies.

3D kinematische Gait-analyse voor preklinische studies bij knaagdieren

Hier beschreven is een nieuw geautomatiseerd experimenteel systeem dat een alternatief biedt voor de test met drie kamers en ook verschillende voorbehoud oplost. Dit systeem levert meerdere gedragsparameters die een grondige analyse van de kleine knaagdier gedrag dynamiek tijdens de sociale voorkeur en sociale nieuwigheid voorkeur tests mogelijk te maken.

Een systeem voor het bijhouden van de dynamiek van sociaal voorkeurs gedrag bij kleine knaagdieren

De rol van recent ontdekte ziekte-geassocieerde genen in de pathogenese van neuropsychiatrische aandoeningen blijft onduidelijk. Een gemodificeerde bilaterale in utero elektroporatie techniek maakt de genoverdracht in grote populaties neuronen en onderzoek van de veroorzakers van genexpressie veranderingen op sociaal gedrag mogelijk.

Een pijpleiding die bilaterale in Utero-elektroporatie gebruikt om genetische invloeden op knaagdiergedrag te ondervragen

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.

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

Dit protocol biedt een geïntegreerd raamwerk op basis van geavanceerde computationele neuroethologische methoden om hersencodering in naturalistische contexten te begrijpen.

Het decoderen van natuurlijk gedrag vanuit neuro-ethologische inbedding

Dit protocol stelt een ratten-achterledemaat-kinematische evaluatiepijplijn op met behulp van een markerloze loopbandtest met deep learning-gedreven multi-joint traject auto-labeling, wat reproduceerbare bewegingskwantificatie mogelijk maakt.

Deep-learning gebaseerde multi-joint synchrone tracking voor objectieve kwantificering van de achterpoot-lokomotorkinematica bij ratten

Een procedure die een demonstratie van robuuste vergroting van op zoek naar drugs in voedsel beperkt ratten laat wordt beschreven. Na heroïne zelftoediening training, ratten gaan door een periode van onthouding, in een drugsvrije omgeving, waarin ze zijn mild eten beperkt. Op zoek naar drugs wordt dan getest in de drugs-geassocieerde omgeving.

Een procedure om het effect van langdurig Eten Beperking Heroïne zoek naar in Abstinent Ratten Studie

Een procedure om de capaciteit van een alcohol geassocieerde context milieustudie leiden tot de verlenging van alcohol-zoekend gedrag bij ratten beschreven.

Een procedure om-Context geïnduceerde Vernieuwing Observeer van Pavlov-geconditioneerde Alcohol-zoekend gedrag bij ratten

Leer vmTracking voor nauwkeurige houdingschatting bij meerdere vrije knaagdieren in sociaal gedragsonderzoek. Deze methode verbetert betrouwbare data-analyse in semi-natuurlijke omgevingen.

Gebruik van vmTracking om de nauwkeurigheid van het schatten van houdingen van meerdere dieren in onderzoeken naar sociaal gedrag bij knaagdieren te verbeteren (Video) | JoVE Journal

Gebruik van vmTracking om de nauwkeurigheid van het schatten van houdingen van meerdere dieren in onderzoeken naar sociaal gedrag bij knaagdieren te verbeteren

Meer video's verkennen