Artykuł metodologiczny

Integracja oceny behawioralnej zwierząt i konwolucyjnej sieci neuronowej w celu zbadania interakcji smak-zapach między wasabi a alkoholem

DOI:

10.3791/66981

⸱

16 sierpnia 2024

 ,  ,  ,  ,  , 
1State Key Laboratory of Environmental and Biological Analysis, Department of Chemistry, Hong Kong Baptist University, 2Guangdong-Hong Kong-Macao Joint Laboratory for Contaminants Exposure and Health, School of Environmental Science and Engineering, Institute of Environmental Health and Pollution Control, Guangdong University of Technology, 3Guangdong Provincial Key Laboratory of Research and Development of Natural Drugs, and School of Pharmacy, Guangdong Medical University

W tym artykule

Podsumowanie

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

Ten artykuł opisuje zestaw metod do mierzenia zdolności tłumienia picia napojów alkoholowych na uczucie pieczenia wywołanego przez wasabi.

Streszczenie

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

Komercyjne pasty wasabi powszechnie używane do przygotowywania posiłków zawierają homologiczny związek izotiocyjanianów chemosensorycznych (ITC), które wywołują drażniące uczucie po spożyciu. Wpływ wąchania dietetycznych napojów alkoholowych na odczuwanie ostrości wasabi nigdy nie był badany. Podczas gdy większość badań oceny sensorycznej koncentruje się osobno na poszczególnych produktach spożywczych i napojach, brakuje badań nad badaniem węchowym wąchania alkoholu podczas spożywania wasabi. Tutaj opracowano metodologię, która łączy wykorzystanie badania behawioralnego na zwierzętach i konwolucyjnej sieci neuronowej do analizy mimiki myszy, gdy jednocześnie wąchają alkohol i spożywają wasabi. Wyniki pokazują, że wytrenowany i zwalidowany model głębokiego uczenia rozpoznaje 29% obrazów przedstawiających wspólne leczenie wasabi i alkoholu należących do klasy grupy wasabi-ujemnych alkoholowo-dodatnich bez konieczności filtrowania wcześniejszych materiałów szkoleniowych. Analiza statystyczna wyników skali grymasu myszy uzyskanych z wybranych obrazów klatek wideo ujawnia istotną różnicę (P < 0,01) między obecnością a brakiem alkoholu. Odkrycie to sugeruje, że dietetyczne napoje alkoholowe mogą mieć zmniejszający wpływ na reakcje wywołane przez wasabi u myszy. Ta łączona metodologia ma potencjał w zakresie badań przesiewowych poszczególnych związków ITC i analiz sensorycznych składników spirytusowych w przyszłości. Potrzebne są jednak dalsze badania, aby zbadać mechanizm leżący u podstaw indukowanego alkoholem tłumienia ostrości wasabi.

Wprowadzenie

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

Wasabia japonica, powszechnie znana jako wasabi, zyskała uznanie w przygotowywaniu żywności1,2. Intensywne doznania sensoryczne, jakie wywołuje po spożyciu, charakteryzujące się łzawieniem, kichaniem lub kaszlem, są dobrze znane. Ta charakterystyczna ostrość wasabi może być przypisana homologicznemu związkowi izotiocyjanianów chemosensorycznych (ITC). Są to lotne fitochemikalia siarkoorganiczne, które można podzielić na ω-alkenylowe i ω-metylotioalkiloizotiocyjaniany3. Wśród tych związków, izotiocyjanian allilu (AITC) jest najbardziej dominującym naturalnym produktem ITC występującym w roślinach należących do rodziny krzyżowych, takich jak chrzan i gorczyca4. Komercyjne pasty wasabi są powszechnie przygotowywane z chrzanu, co sprawia, że AITC jest markerem chemicznym używanym do kontroli jakości tych komercyjnych produktów5.

Łączenie dietetycznych napojów alkoholowych z daniami nasączonymi wasabi można uznać za przykład kulturowego usposobienia6. Subiektywnie ta kombinacja może uzupełniać pikantność i ciepło między wasabi a alkoholem, poprawiając ogólne doznania kulinarne. Jakościowa ocena behawioralna zwierząt (QBA) to kompleksowe podejście metodologiczne obejmujące całe zwierzęta, które bada zmiany behawioralne u badanych w odpowiedzi na krótko- lub długoterminowe bodźce zewnętrzne przy użyciu terminów numerycznych7. Metoda ta obejmuje testy bólu, testy motoryczne, testy uczenia się i pamięci, a także testy emocji zaprojektowane specjalnie dla modeli gryzoni8. Jednak badania nad synergiczną oceną sensoryczną smaku wraz z węchem pozostają do tej pory rzadkie w literaturze9,10. Większość badań nad odczuciami chemestetycznymi ogranicza się do osobnego badania indywidualnego spożycia żywności i napojów11. W związku z tym brakuje badań nad interakcją smak-zapach polegającą na wdychaniu alkoholu podczas spożywania wasabi.

Ponieważ uważa się, że uczucie pieczenia wywołane przez wasabi jest formą nocycepcji12, oceny zachowania zwierząt są dobrze przystosowane do oceny nocyceptywnych reakcji sensorycznych u gryzoni8,13,14. Metoda oceny nocycepcji u myszy, znana jako skala grymasu myszy (MGS), została opracowana przez Langforda i wsp.15,16. Ta metoda badania behawioralnego jest podejściem do oceny bólu, opartym na analizie mimiki twarzy wykazywanej przez myszy eksperymentalne. Konfiguracja eksperymentalna jest prosta, obejmuje przezroczystą klatkę i 2 kamery do nagrywania wideo. Dzięki zastosowaniu zaawansowanych technologii17,18,19 do automatycznego przechwytywania danych, można uzyskać ilościowe i jakościowe pomiary behawioralne, poprawiając dobrostan zwierząt podczas monitorowania behawioralnego20. W związku z tym MGS ma potencjał do zastosowania w badaniu wpływu różnych bodźców zewnętrznych na zwierzęta w sposób nieprzerwany i ad libitum. Jednak proces punktacji polega tylko na wybraniu kilku (mniej niż 10) obrazów klatek wideo do oceny przez panelistów i konieczne jest wcześniejsze szkolenie. Ocenianie dużej liczby przykładowych obrazów może być pracochłonne. Aby sprostać temu czasochłonnemu wyzwaniu, w kilku badaniach wykorzystano techniki uczenia maszynowego do przewidywania wyniku MGS21,22. Należy jednak zauważyć, że MGS jest miarą ciągłą. W związku z tym wieloklasowy model klasyfikacji byłby bardziej odpowiedni do oceny logicznego i kategorycznego problemu, takiego jak określenie, czy obrazy myszy jednocześnie spożywających wasabi i wąchających alkohol przypominają obrazy normalnych myszy.

W tym badaniu zaproponowano metodologię badania interakcji smak-zapach u myszy. Metodologia ta łączy badania behawioralne zwierząt z konwolucyjną siecią neuronową (CNN) w celu analizy mimiki twarzy myszy. Dwie myszy obserwowano trzykrotnie w normalnych warunkach behawioralnych, podczas doświadczenia nocycepcji wywołanej przez wasabi i podczas wąchania alkoholu w specjalnie zaprojektowanej klatce. Mimika twarzy myszy została nagrana na wideo, a wygenerowane obrazy klatek wykorzystano do optymalizacji architektury modelu głębokiego uczenia (DL). Model został następnie zweryfikowany przy użyciu niezależnego zestawu danych obrazów i wdrożony w celu sklasyfikowania obrazów uzyskanych od grupy eksperymentalnej. Aby określić stopień tłumienia ostrości wasabi, gdy myszy jednocześnie wąchały alkohol podczas konsumpcji wasabi, spostrzeżenia dostarczone przez sztuczną inteligencję zostały dodatkowo potwierdzone poprzez walidację krzyżową za pomocą innej metody analizy danych, MGS scoring16.

Protokół

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

W tym badaniu, dwa 7-tygodniowe samce myszy ICR o wadze od 17 do 25 g zostały wykorzystane do oceny zachowania zwierząt. Wszystkie procedury hodowlane i eksperymentalne zostały zatwierdzone przez Komitet ds. Wykorzystania Przedmiotów Ludzkich i Zwierzęcych w Nauczaniu i Badaniach Uniwersytetu Baptystów w Hongkongu. W pomieszczeniu dla zwierząt utrzymywano temperaturę 25 °C i wilgotność w pomieszczeniu 40%-70% w 12-godzinnym cyklu jasno-ciemnym.

1. Projekt klatki

  1. Przygotuj cegły akrylonitryl-butadien-styren w 3 różnych wymiarach do budowy koszyka: 8 mm x 8 mm x 2 mm, 16 mm x 16 mm x 6 mm i 32 mm x 16 mm x 6 mm.
  2. Przygotować płytkę akrylonitrylo-butadieno-styrenową (312 mm x 147 mm x 2 mm) jako podstawę koszyka.
  3. Przygotuj nieprzezroczystą płytę akrylową o wymiarach 239 mm x 107 mm i grubości 2 mm, która będzie używana jako płyta dolna.
  4. Przygotuj przezroczystą płytę akrylową o wymiarach 239 mm x 107 mm i grubości 5 mm, która będzie używana jako płyta górna.
  5. Przygotuj przezroczystą płytkę akrylową o wymiarach 107 mm x 50 mm i grubości 7 mm, która będzie używana jako płyta zaciskowa.
  6. Zbuduj 2 nieprzezroczyste ściany boczne, układając cegły na wysokość 54 mm.
  7. Osadź płytki akrylowe w klatce na bazie akrylonitrylu i butadienu i styrenu, jak pokazano na rysunku Rysunek 1A.
  8. Przygotuj komorę na chows, która jest zbudowana z pięciu przezroczystych płytek akrylowych o wymiarach 90 mm x 50 mm i grubości 2 mm, jak pokazano na rysunku Rysunek 1B. Spośród 5 przezroczystych płyt akrylowych użyj 2 płytek po bokach, 1 płytki u góry, 1 płytki u dołu i 1 płytki u terminala.
  9. Przygotuj przezroczystą płytkę akrylową o wymiarach 60 mm x 50 mm i 2 mm jako płytkę wprowadzającą do karmy i umieść ją w komorze karwy.

2. Ocena zachowania zwierząt

  1. Domowe rodzeństwo z 2 7-tygodniowych samców myszy ICR razem w zwykłej klatce.
  2. Zapewnij rodzeństwu z miotu 2 myszy swobodny dostęp do granulek pokarmowych i wody z kranu przez 1-tygodniowy okres adaptacji.
  3. Po 1 tygodniu wprowadź rodzeństwo z miotu 2 myszy butelką etanolu (~40% v/v).
    UWAGA: Upewnij się, że mogą wąchać lub wdychać dostarczony wodny etanol tylko ad libitum, gdy picie jest ograniczone.
  4. Przeprowadź eksperymenty behawioralne przy użyciu modelu myszy w wieku 9-10 tygodni i przezroczystej klatki kabiny, która jest przedstawiona na Rysunek 1A.
  5. Zdemontuj wszystkie płytki akrylowe i płyty akrylonitryl-butadien-styren i dokładnie je wyczyść. Zacznij od spłukania ich ultraczystą wodą co najmniej 3 razy, a następnie osusz je ręcznikami papierowymi. Następnie spryskaj je 75% etanolem, a następnie wyczyść je papierem do soczewek. Na koniec pozostaw je do wyschnięcia na powietrzu przez co najmniej 15 minut.
  6. Zważ myszy i zapisz ich masę ciała przed każdym powtórzeniem eksperymentu behawioralnego.
  7. Świeżo przygotuj mieszankę wasabi i masła orzechowego, ważąc 1 g komercyjnego wasabi i 4,5 g masła orzechowego. Wymieszaj je w plastikowej torbie z zamkiem błyskawicznym.
    UWAGA: Ze względu na lotność izotiocyjanianów w wasabi, ważne jest, aby przechowywać komercyjne wasabi w zamrażarce o temperaturze -20 °C.
  8. Zważ i połóż dwie pasty po 0,5 g masła orzechowego lub mieszankę wasabi i masła orzechowego na talerzu wprowadzającym do karmy, jak pokazano na Rysunek 1B, C.
  9. Umieść przygotowaną płytkę wprowadzającą do chow w komorze karmy, jak pokazano na Rysunek 1B, C, aby umożliwić 2 myszom dostęp ad libitum do jedzenia podczas każdej sesji nagrywania wideo.
  10. Wypełnij rowek pod spodem 30 ml płynu, czystej wody lub likieru (~42% v/v etanolu), aby ułatwić jednoczesną inhalację, jak wskazano w Rysunek 1B, C.
  11. Rozpocznij nagrywanie za pomocą kamer w 2 smartfonach umieszczonych na stojakach telefonicznych przy każdym terminalu.
    UWAGA: Specyfikacje filmów są następujące: szerokość klatki, 1920; wysokość ramy, 1080; szybkość transmisji danych, 20745 kb/s; liczba klatek na sekundę, 30,00 klatek na sekundę (fps).
  12. Ostrożnie umieść 2 wyszkolone rodzeństwo myszy na zaprojektowanej platformie do badania zachowań zwierząt od góry i natychmiast zabezpiecz klatkę górną płytą.
    UWAGA: Upewnij się, że ten krok został wykonany w ciągu 15 sekund.
  13. Nagrywaj każdy film przez 2-3 minuty
    UWAGA: Upewnij się, że cały czas trwania eksperymentu, od przygotowania mieszanki masła orzechowego i wasabi do zakończenia nagrania wideo, jest ograniczony do 5 minut.
  14. Powtórz cały eksperyment 3 razy.
    UWAGA: Upewnij się, że każda powtórzona część eksperymentu jest oddzielona przez co najmniej 6 godzin.
  15. Naśladuj różne scenariusze.
    UWAGA: Na przykład w tej pracy para myszy została użyta w 4 grupach z 4 różnymi scenariuszami, które zostały naśladowane przy użyciu ustawień eksperymentalnych opisanych powyżej. Scenariusze te obejmują scenariusz A dla badania podstawowego, scenariusz B dla badania kontroli dodatniej, scenariusz C dla badania interakcji smak-zapach między alkoholem wasabi a alkoholem oraz scenariusz D dla badania kontroli negatywnej. W tabeli 1 przedstawiono podsumowanie tych scenariuszy.

3. Rozpoznawanie obrazów

Podobnie jak w wielu badaniach nad przetwarzaniem obrazów23,24,25, model klasyfikacji został osiągnięty poprzez szkolenie CNN. Skrypt dla operacji DL został napisany w języku Python v.3.10 na Jupyter Notebook (anaconda3). Jest on dostępny w następującym repozytorium GitHub: git@github.com:TommyNHL/imageRecognitionJove.git. Do konstruowania i trenowania CNN użyto bibliotek typu open source, w tym 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 i keras v.2.11.0. Biblioteki te zapewniły niezbędne narzędzia i funkcje do opracowania i przeszkolenia CNN w zakresie rozpoznawania obrazów.

  1. Wyeksportuj serię obrazów klatek wideo z zebranych klipów wideo, aby wygenerować zestaw danych do trenowania modelu przy użyciu podanego notesu Jupyter Notebook o nazwie Step1_ExtractingAndSavingVideoFrameImages.ipynb.
  2. Wybieraj tylko obrazy, w których co najmniej 1 mysz zużywa dostarczoną pastę. Przykłady wybranych obrazów znajdują się na rysunku uzupełniającym 1, rysunku uzupełniającym 2, rysunku uzupełniającym 3, rysunku uzupełniającym 4, rysunku uzupełniającym 5, rysunku uzupełniającym 6 i rysunku uzupełniającym 7.
  3. Wykonaj rozszerzanie danych, przerzucając wygenerowane obrazy w poziomie, implementując skrypt dostarczony w Jupyter Notebook o nazwie Step2_DataAugmentation.ipynb.
  4. Zarezerwuj dane obrazu z każdej replikacji na potrzeby zewnętrznej, niezależnej walidacji modelu CNN. Użyj obrazów z każdej pierwszej i trzeciej repliki do trenowania i testowania modelu wewnętrznego.
  5. Wstępnie przetwórz dane obrazu używane w modelowaniu CNN, uruchamiając skrypt w notesie Jupyter Notebook o nazwie Step3_CNNmodeling_TrainTest.ipynb, w tym zmianę rozmiaru obrazu, konwersję koloru czarnego i normalizację sygnału obrazu.
  6. Podziel materiały szkoleniowe na wewnętrzne zestawy danych szkoleniowych i testowych w sposób losowy 8:2.
  7. Zainicjuj architekturę dla CNN. Zaprojektuj liczbę wyjść CNN w oparciu o liczbę scenariuszy do zbadania.
    UWAGA: Na przykład w tym badaniu sieć neuronowa została wyznaczona do sklasyfikowania 3 klas. Upewnij się, że skrypt do obsługi nierównowagi danych na wadze klasy jest skompilowany.
  8. Znajdź kombinację hiperparametrów, która zapewnia minimalną stratę w wewnętrznych próbkach testowych dla konstrukcji CNN.
  9. Zastosuj optymalną kombinację hiperparametrów do konstruowania architektury CNN.
  10. Otwórz dostarczone notesy Jupyter Notebook Step4_CNNmodel_ExternalValOriginal.ipynb i Step5_CNNmodel_ExternalValFlipped.ipynb. Zweryfikuj uzyskany model za pomocą niezależnych (oryginalnych i odwróconych) obrazów z drugiej repliki eksperymentu behawioralnego na zwierzętach.
  11. Wdróż uzyskany i zweryfikowany model do klasyfikowania obrazów klatek wideo wygenerowanych na podstawie grupy eksperymentalnej przy użyciu Jupyter Notebook Step6_CNNmodel_Application.ipynb.
    UWAGA: Na przykład jest to scenariusz C w tej pracy.

4. Ręczne punktowanie skali grymasu myszy

UWAGA: Aby zweryfikować spostrzeżenia dostarczone przez przewidywania modelu CNN, zastosowano inną metodę wcześniej opracowaną i zweryfikowaną przez Langforda i in.16. Metoda ta polega na ocenie MGS na podstawie 5 specyficznych jednostek działania twarzy myszy (AU): zaostrzenie orbity, wybrzuszenie nosa, wybrzuszenie policzka, uszy zaciśnięte na zewnątrz i zmiana wąsów. Każda jednostka analizy ma przypisany wynik 0, 1 lub 2, wskazujący odpowiednio na brak, umiarkowaną obecność lub oczywistą obecność jednostki analizy. Ten system punktacji pozwala na kwantyfikację i skalowanie każdej jednostki analizy w celu oceny poziomu nocycepcji lub dyskomfortu odczuwanego przez myszy.

  1. Uchwyć 3 klatki wideo, na których rodzeństwo z miotu spożywa pastę dla każdego klipu wideo. Upewnij się, że każda klatka jest oddzielona od siebie o co najmniej 3 sekundy.
  2. Niezaszyfrowany kod i losowo zmieniaj kolejność obrazów z różnych klas scenariuszy, korzystając z dostarczonego pliku szablonu o nazwie "shuffleSlides.pptm" (plik uzupełniający 1) i uruchamiając osadzony kod makra.
  3. Zaproś co najmniej 10 panelistów, aby ocenili przykładowe obrazy.
  4. Przeszkol panelistów w zakresie oceniania próbek obrazów za pomocą MGS. Przekaż panelistom materiały szkoleniowe, które zawierają oryginalny artykuł dotyczący MGS i jego instrukcji15,16.
  5. Oblicz wynik MGS każdego zwierzęcia badanego w przechwyconej klatce, uśredniając wszystkie punkty punktowe odpowiednich 5 jednostek analizy twarzy. Przedstaw wynik MGS jako średni ± standardowy błąd pomiaru (SEM).
  6. Określ, czy istnieją statystycznie istotne różnice między różnymi klasami scenariuszy, za pomocą jednoczynnikowej analizy wariancji (ANOVA) za pomocą testu post-hoc wielokrotnego porównania Bonferroniego.
    UWAGA: Wartość P < 0,05 jest uważana za statystycznie istotną.

Wyniki

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

Głównym celem tego badania jest stworzenie solidnych ram do badania interakcji smak-zapach u myszy. Ramy te obejmują wykorzystanie sztucznej inteligencji i QBA do opracowania predykcyjnego modelu klasyfikacji. Ponadto spostrzeżenia uzyskane z DL są weryfikowane krzyżowo z ilościową oceną MGS w celu wewnętrznej niezależnej analizy. Podstawowym zastosowaniem tej metodologii jest zbadanie stopnia tłumienia nocycepcji wywoływanej przez wasabi, gdy myszy wąchają dietetyczne napoje alkoholowe.

Rozpoznanie 29% obrazów z jednoczesnym leczeniem alkoholem wasabi, należących do klasy grupy z pozytywnym wynikiem alkoholu wasabi, przez model głębokiego uczenia
Nadmierna reakcja twarzy może wystąpić u ludzi po komercyjnym spożyciu pasty wasabi. Podobne doświadczenie można było również zaobserwować u myszy (Dodatkowe wideo 1). Ponieważ czuciowość nocycepcji jest dobrze skorelowana z mimiką twarzy gryzoni, zachowania 2 rodzeństwa z miotu były monitorowane w celu określenia ich reakcji, gdy podawano im karmy zawierające lub niezawierające komercyjne wasabi. W tym badaniu CNN został przeszkolony przy użyciu technik DL. Ponieważ dla każdego scenariusza przeprowadzono 3 powtórzenia, materiały obrazowe z 1. i 3. repliki wykorzystano do dostrajania hiperparametrów modelu CNN oraz modelowania wewnętrznego szkolenia i testowania. Ewolucja architektury CNN w tym badaniu została szczegółowo opisana w tabeli 2. Zoptymalizowana architektura CNN składała się z warstwy wejściowej o rozdzielczości 268 x 268 pikseli, po której następowały 4 dwuwymiarowe warstwy konwolucyjne, z których każda zawierała 8 filtrów. Dodatkowo do zadania klasyfikacyjnego 3 klas włączono 2 warstwy łączące, 2 warstwy dropout, warstwę spłaszczającą i 2 warstwy gęste. Zapoznaj się z plikiem uzupełniającym 2, aby zapoznać się z architekturą CNN.

Model w tym badaniu został przeszkolony przy użyciu zestawu danych 35 486 obrazów i przetestowany na 8 872 obrazach w ciągu 7 epok. Wydajność wytrenowanego modelu podczas trenowania, w tym metryki, takie jak utrata, stosunek precyzji do kompletności, precyzja i czułość (lub odwołanie), w wewnętrznych zestawach danych trenowania i testowania można zobaczyć na rysunku uzupełniającym 8A-D. Model wykazał swoją dokładność, precyzję i czułość na poziomie 1 zarówno dla wewnętrznych zestawów treningowych, jak i testowych. Oznacza to, że przewidywania modelu są zgodne z rzeczywistymi klasami obrazów zarówno w wewnętrznych zestawach danych treningowych, jak i testowych. Po wytrenowaniu modelu, obrazy z 2. repliki zostały wykorzystane do zapewnienia i niezależnej walidacji, że nadmierne dopasowanie nie stanowiło problemu dla osiągniętego modelu CNN. Model wykazał się solidnością przewidywania dzięki wartościom dokładności, precyzji i czułości wynoszącym 1 dla 4 820 obrazów w badaniu tła (scenariusz A), 3 900 obrazów w badaniu kontroli dodatniej (scenariusz B) i 2 731 obrazów w badaniu kontroli ujemnej (scenariusz D). Uzyskany model predykcyjny został wykorzystany do sklasyfikowania obrazów klatek wideo myszy wąchających spirytus i spożywających masło orzechowe zawierające wasabi (scenariusz C) do różnych scenariuszy badawczych, tj. scenariuszy A, B i D. Wyniki pokazują, że 0% i 29% obrazów zostało sklasyfikowanych odpowiednio w klasach badania tła (scenariusz A, obecna czysta woda i masło orzechowe bez wasabi) i badania kontroli negatywnej (scenariusz D, obecny chiński spirytus i masło orzechowe bez wasabi), podczas gdy 71% obrazów sklasyfikowano jako klasy kontroli pozytywnej (scenariusz C, w którym obecna była czysta woda i mieszanina wasabi i masła orzechowego). Odkrycia te sugerują, że obecność alkoholu dietetycznego może zmniejszyć nocycepcję wywołaną przez wasabi u myszy. Aby ocenić, czego nauczyła się maszyna na podstawie dostarczonych materiałów szkoleniowych, dla każdej warstwy konwolucji wygenerowano mapy obiektów. Jak pokazano na rysunku uzupełniającym 9A-D, zaobserwowano, że uwaga maszyny skupia się na różnych cechach twarzy, takich jak oczy, oczodoły, nos, krawędzie policzków i ciała, uszy, a także na powierzchni styku chows. Opierając się na tych obserwacjach, przeprowadzono kolejną metodę analizy danych, MGS. MGS koncentruje się na jednostkach analizy twarzy myszy, co pozwala na ocenę statystyczną i dalszą walidację zdolności tłumienia prezentowania napojów alkoholowych nocycepcji wywołanej przez wasabi.

Ręczna skala grymasu myszy statystycznie weryfikuje przewidywania uczenia maszynowego.
Intensywność nocycepcji wywołanej przez wasabi oceniono za pomocą skali MGS, która przypisuje wyniki w zakresie od 0 do 2, gdzie wynik 0 oznacza najmniej poważną, a wynik 2 oznacza najcięższą odpowiedź. W tym badaniu wyniki MGS 24 myszy (tj. 2 myszy przedstawiono na 12 wybranych obrazach jako rysunek uzupełniający 10, rysunek uzupełniający 11, rysunek uzupełniający 12, rysunek uzupełniający 13) zostały ocenione przez 22 przeszkolonych panelistów. Analiza rodzeństwa z miotu 2 myszy, z potrójnymi eksperymentami, wykazała, że precyzja wewnątrz partii i precyzja między partiami miała względne standardowe pochodzenie w zakresie odpowiednio 0% -25% i 9% -33%. Wskazuje to na dobrą precyzję i spójność w procesie oceniania MGS. Zaobserwowano istotną różnicę między wynikami MGS myszy, którym podawano pastę z masła orzechowego (Ryc. 3A, 0,73 ± 0,04) a tymi, którym podawano mieszankę wasabi i masła orzechowego (Rysunek 3B, 1,59 ± 0,11). Potwierdza to konfigurację eksperymentalną dla badania behawioralnego na zwierzętach i potwierdza skuteczność wasabi w wywoływaniu odpowiedzi nocyceptywnych. Mimo że opary alkoholu uwalniane z dostarczonego pod spodem napoju alkoholowego (~42% v/v alkoholu) mogą być drażniące, wynik MGS (Rysunek 3D, 0,86 ± 0,16) nie wykazał istotnej różnicy w porównaniu z grupą kontrolną (Rysunek 3A, 0,73 ± 0,04). Zaobserwowano jednak istotną różnicę między wynikami MGS myszy, którym podawano mieszankę wasabi i masła orzechowego (Rysunek 3B, 1,59 ± 0,11) a tymi wystawionymi na działanie oparów alkoholu podczas konsumpcji wasabi (Rysunek 3C, 0,95 ± 0,07) o wartości P <0,05. Odkrycia te sugerują, że jednoczesne stosowanie wasabi i napojów alkoholowych może potencjalnie zmniejszyć podrażnienie wywołane przez wasabi, co jest zgodne z perspektywą sztucznej inteligencji. Dalsze badania są uzasadnione w celu zbadania skutecznego składnika w dostarczonym chińskim spirytusie, który przyczynia się do tłumienia ostrości wasabi, prawdopodobnie związanej z obecnością etanolu.

Przykład dla kodu, który jest już dostępny. Cały kod do rozpoznawania obrazów skojarzonych z bieżącym zgłoszeniem jest dostępny w publicznym repozytorium GitHub: git@github.com:TommyNHL/imageRecognitionJove.git. Wszelkie aktualizacje będą również publikowane w repozytorium GitHub wraz z cytatem z końcowego DOI tej pracy.

figure-results-1
Rysunek 1: Eksperymentalna konfiguracja do badania behawioralnego zwierząt związanego z bólem. (A) Cały zestaw do nagrywania mimiki twarzy 2 myszy za pomocą kamer w 2 smartfonach umieszczonych na telefonie stoi na każdym terminalu. (B) Komora żywieniowa używana do dostarczania dwóch 0,5 g past masła orzechowego lub mieszanki wasabi i masła orzechowego 2 myszom na zasadzie ad libitum, a 30 ml płynu (woda lub ~42% v/v alkoholu) zostało wypełnione w rowku pod pastami do jednoczesnej inhalacji. (C) Bliższe przyjrzenie się rowkowi który wypełniony był 30 ml płynu i zawierał 2 pasty mieszanki wasabi i masła orzechowego. Mieszankę przygotowano przez zmieszanie 1 g komercyjnego wasabi z 4,5 g masła orzechowego. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-2
Rysunek 2: Architektura modelu konwolucyjnej sieci neuronowej oraz jej dane wejściowe i wyjściowe. Do szkolenia wykorzystano obrazy z 3 różnych scenariuszy, w tym scenariusza A dla badania podstawowego, scenariusza B dla badania kontroli dodatniej i scenariusza D dla badania kontroli negatywnej. Obrazy scenariusza C dla badania interakcji smak-zapach smak-alkohol wasabi zostały sklasyfikowane w scenariuszach A, B lub D po szkoleniu modelu. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-3
Rysunek 3: Wyniki skali grymasu myszy (MGS) u myszy, którym podano różne karmy. Wynik MGS wynosi od 0 do 2, przy czym wynik 0 oznacza najmniej poważny, a wynik 2 najpoważniejszy. Referencyjna skala MGS została zaadaptowana z Langford et al. (2010)16. Grymas myszy, którym podano (A) masło orzechowe do spożycia, uzyskał wynik 0,73 ± 0,04; (B) mieszanka wasabi i masła orzechowego (1 g handlowego wasabi w 4,5 g masła orzechowego) do spożycia uzyskała wynik 1,59 ± 0,11; (C) mieszanina wasabi i masła orzechowego do spożycia, podczas gdy wdychanie alkoholu było dostępne z dostarczonego poniżej spirytusu (~42% v/v alkoholu), uzyskało wynik 0,95 ± 0,07; (D) masło orzechowe do spożycia, podczas gdy wdychanie alkoholu było dostępne od spodu dostarczonego spirytusu, punktowane 0,86 ± 0,16. *, P < 0,05; **, P < 0,01; ns, brak istotnej różnicy dzięki jednoczynnikowej analizie wariancji z wielokrotnym porównaniem post-hoc testu Bonferroniego w 95% przedziale ufności. Słupki błędów reprezentowały standardowy błąd pomiarów (SEM). Trzykrotne pomiary przeprowadzono dla 2 myszy w każdym scenariuszu. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Tabela 1: Podsumowanie czterech scenariuszy naśladowanych w ocenie zachowania zwierząt. Uwagi: a Mieszaninę przygotowano przez zmieszanie 1 g komercyjnego wasabi z 4,5 g masła orzechowego. b Chiński spirytus, który zawiera ~42% v/v alkoholu. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 2: Podsumowanie wydajności modelu. Hiperparametry wielkości partii 64, numer filtra 1st warstwy konwolucyjnej 2D wynoszący 8 bez następującego dropoutu, numer filtra 2nd 2D convolution layer równy 8, numer filtra 3rd 2D convolution layer 8 z 0,1 dropoutem, numer filtra 4th warstwy konwolucyjnej 2D wynoszący 8, a liczba filtrów gęstej warstwy 64 z zanikiem 0,5 dała najniższą stratę dla wewnętrznego zestawu testów podziałowych. Te hiperparametry zostały następnie przyjęte do trenowania 3-grupowego (scenariusz A, B i D) modelu klasyfikacyjnego do przewidywania obrazów scenariusza C. Scenariusz A był przeznaczony do badania w tle. Scenariusz B dotyczył badania kontroli dodatniej. Scenariusz D dotyczył badania kontroli ujemnej. Scenariusz C dotyczył badania interakcji smak-zapach między kwasem wasabi a alkoholem. Kliknij tutaj, aby pobrać tę tabelę.

Rysunek uzupełniający 1: Przykładowe materiały szkoleniowe do głębokiego uczenia się klasy scenariusza A (badanie w tle). Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 2: Przykładowe materiały szkoleniowe do głębokiego uczenia się klasy scenariusza B (badanie kontroli pozytywnej). Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 3: Przykładowe materiały szkoleniowe do głębokiego uczenia się klasy scenariusza D (badanie kontroli negatywnej). Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 4: Przewidywania i przykładowe materiały niezależne klasy scenariusza A (badanie tła) do walidacji modelu. Kliknij tutaj, aby pobrać ten plik.

Uzupełniający Rysunek 5: Przewidywania i przykładowe materiały niezależne klasy scenariusza B (badanie kontroli pozytywnej) do walidacji modelu. Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 6: Przewidywania i przykładowe materiały niezależne klasy scenariusza D (badanie kontroli negatywnej) do walidacji modelu. Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 7: Przewidywania i przykładowe materiały klasy scenariusza C (badanie interakcji smakowo-zapachowej smaku i zapachu alkoholu wasabi) do zastosowania modelowego. Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 8: Predykcyjna wydajność optymalnego modelu głębokiego uczenia. (A) Utrata szkolenia i utrata wewnętrznej walidacji na przestrzeni 7 epok; (B) Krzywe precyzja-kompletność, (C) Precyzja i (D) Przypomnienie treningu i wewnętrznej walidacji wzdłuż 7 epok. Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 9: Mapy cech każdej warstwy konwolucyjnej. Mapy obiektów warstwy (A) pierwszej, (B) drugiej, (C) trzeciej i (D) ostatniej warstwy konwolucyjnej w scenariuszach A, B i D, posortowane w kolejności od górnej do dolnej. Scenariusz A dotyczył badania podstawowego. Scenariusz B dotyczył badania kontroli dodatniej. Scenariusz D dotyczył badania kontroli ujemnej. Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 10: Wybrane obrazy do ręcznej oceny skali grymasu myszy dla scenariusza A (badanie w tle). Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 11: Wybrane obrazy do ręcznej oceny skali grymasu myszy dla scenariusza B (badanie kontroli pozytywnej). Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 12: Wybrane obrazy do ręcznej oceny skali grymasu myszy dla scenariusza C (badanie interakcji smak-zapach smaku i alkoholu wasabi). Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 13: Wybrane obrazy do ręcznej oceny skali grymasu myszy dla scenariusza D (badanie kontroli negatywnej). Kliknij tutaj, aby pobrać ten plik.

Dodatkowe wideo 1: Grymasy myszy po spożyciu wasabi z obecnością lub brakiem napojów alkoholowych znajdujących się pod spodem. Od 0 s do 8 s klip wideo przedstawiał normalną mimikę twarzy myszy po spożyciu masła orzechowego. Od 8 s do 17 s ilustrował grymasy myszy po spożyciu wasabi. Myszy wykazywały zaciśnięcie oczodołu, wybrzuszenie nosa, wybrzuszenie policzka, uszy zaciśnięte na zewnątrz i zmianę wąsów. Od 17 s do 29 s prezentował, że nocycepcja wywołana przez wasabi może zostać stłumiona, gdy duch jest dostępny pod spodem. Od 29 s do końca pokazywał zbiór grymasów w różnych scenariuszach opisanych powyżej. Należy pamiętać, że dostarczony film służy jedynie do ilustracji. Jego jakość różni się od opisanego wymagania jakościowego dotyczącego rozpoznawania i modelowania obrazu. Kliknij tutaj, aby pobrać ten film.

Plik uzupełniający 1: shuffleSlides.pptm. Dodatkowa prezentacja z obsługą makr programu Microsoft PowerPoint o nazwie "shuffleSlides.pptm". Ten plik został przygotowany do tasowania obrazów do ślepego testu punktacji skali grymasu myszy. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 2: Architektura CNN. Kliknij tutaj, aby pobrać ten plik.

Dyskusja

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

Proponowana metoda badania interakcji smak-zapach w tej pracy opiera się na oryginalnej metodzie kodowania behawioralnego wyrazu bólu na twarzy u myszy, która została opracowana przez Langforda i wsp.16. W kilku ostatnio opublikowanych artykułach wprowadzono CNN do automatycznego śledzenia twarzy myszy i późniejszego punktacji MGS 21,26,27,28. Zastosowanie CNN daje przewagę nad wyłącznie oryginalną metodą, ponieważ wynika z generowania serii obrazów klatek wideo, które można wykorzystać do trenowania modelu predykcyjnego. W przeciwieństwie do tego, oryginalna metoda wymagała wstępnej selekcji ograniczonej liczby obrazów do MGS, co może wprowadzać subiektywizm i stronniczość.

Spośród wcześniej opublikowanych metod opartych na CNN, wszystkie zostały opracowane do oceny stopnia stresu lub dyskomfortu po bezpośrednim wstrzyknięciu środka powodującego ból do krążenia krwi26,28. Jedną z wad tego podejścia do wprowadzania leku jest to, że wymagany jest znaczny wysiłek, aby odfiltrować obrazy klatek wideo, które nie przechwytują profilu twarzy myszy. W tym badaniu komercyjny środek powodujący nocycepcję wasabi jest podawany ad libitum. Oprócz maskowania lotnego składnika AITC, masło orzechowe jest również w stanie przyciągnąć myszy, aby zaprezentowały wyraźny gest widoku z przodu, ułatwiając uchwycenie ich profili twarzy podczas nagrywania wideo. Co więcej, takie podejście eliminuje wszelkie potencjalne zakłócenia spowodowane bólem spowodowanym wkłuciem igły. Należy jednak pamiętać, że ruch połykania myszy może zakłócać punktację MGS dla wybrzuszenia nosa i wybrzuszenia policzków. Aby temu zaradzić, należy przeprowadzić podstawowy eksperyment kontrolny, podając myszom czyste masło orzechowe.

W niektórych algorytmach opartych na CNN do badania zachowań zwierząt tylko podzbiór jednostek działania twarzy myszy jest wybierany z obrazów treningowych i programowany do przechwytywania 21,22. Te metody obliczeniowe opierają się na predefiniowanych cechach, które są związane z odczuwaniem nocycepcji, potencjalnie zaniedbując inne ważne cechy charakterystyczne dla poszczególnych myszy. W rezultacie może to doprowadzić do utraty informacji. W przeciwieństwie do tego, w tym badaniu zastosowano inne podejście, wykorzystując cały obraz twarzy myszy do wytrenowania modelu CNN. Wykazano, że ta metoda oparta na użyciu tylko obrazu (IOU) jest bardziej efektywna w przypadku klasyfikacji obrazów25. W związku z tym proponowane podejście do modelowania CNN w niniejszym badaniu jest podobne do niektórych proponowanych metod, które najpierw trenują model CNN przy użyciu całego obrazu bez adnotacji regionu, a następnie weryfikują model poprzez ręczną ocenę przez człowieka27,29. Takie podejście może zachować więcej informacji na obrazach i zapobiec wprowadzaniu subiektywizmu.

Jednak ograniczeniem konfiguracji eksperymentalnej w tej pracy jest to, że badani mysi byli trzymani jako rodzeństwo z miotu 2, a nie w indywidualnych siedliskach. Ta decyzja była celowa, biorąc pod uwagę, że myszy są zwierzętami społecznymi i zazwyczaj rozwijają się w grupie. Interesującym odkryciem jest to, że w okresie szkolenia zwierząt tylko 2 rodzeństwo z miotu w 1 klatce z 3 klatek zostało przeszkolonych tak, aby były przystosowane do obecności chińskiego ducha. W rezultacie, przeprowadzono tylko potrójne eksperymenty wyłącznie na tych 2 rodzeństwie z miotu. W materiałach szkoleniowych do modelowania CNN pojedynczy obraz zawierający oba 2 rodzeństwo z miotu został również pobrany jako indywidualna próbka bez przeprowadzania jakiejkolwiek segmentacji. Takie podejście pozwoliło nam uchwycić interakcję między rodzeństwem z miotu i wspólnie przeanalizować ich zachowania wraz z mimiką twarzy.

Podobnie jak w przypadku metody punktacji MGS opartej na obrazie, oczekuje się, że metoda zaproponowana w tym badaniu może być przeniesiona na inne rodzaje zwierząt, takie jak koty i konie30,31. Dzięki zastosowaniu proponowanej metodologii, metoda wprowadzania pokarmów z zastosowaniem widzenia komputerowego może być podejściem ułatwiającym badanie zachowań zwierząt, w szczególności w zakresie interakcji smak-zapach u różnych zwierząt.

Oświadczenia

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

Autorzy oświadczają, że nie występują konflikty interesów.

Podziękowania

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

Z. Cai chciałby podziękować za wsparcie finansowe ze strony Funduszu Charytatywnego Kwok Chung Bo Fun na ustanowienie Katedry Analizy Środowiskowej i Biologicznej Kwok Yat Wai.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Etanol absolutny (EtOH)VWR Chemicals BDHCAS# 64-17-5
Cegły akrylonitryl-butadien-styrenFlagowy sklep Jiahuifenghttps://shop.paizi10.com/jiahuifeng/chanpin.html
Płyty akrylonitryl-butadien-styrenFlagowy sklep Jiahuifenghttps://shop.paizi10.com/jiahuifeng/chanpin.html
Izotiocyjanian allilu (AITC)Sigma-AldrichCAS # 57-06-7
Bezwodny dimetylosulfotlenekSigma-AldrichCAS # 67-68-5
Chiński spirytusYanghe Qingcihttps://www.chinayanghe.com/article/45551.html
Komercyjne wasabiS& B FOODS INC.
Kwas mrówkowy (FA)VWR Chemicals BDHCAS# 64-18-6
GraphPad Prism 5GraphPadhttps://www.graphpad.com
acetonitryl (ACN) klasy HPLC)VWR Chemicals BDHCAS# 75-05-8
Metanol klasy HPLC (MeOH)VWR Chemicals BDHCAS# 67-56-1
Microsoft Excel 2016Microsofthttps://www.microsoft.com 
Microsoft PowerPoint 2016System wodny Microsofthttps://www.microsoft.com
Milli-QMysz Milliporehttps://www.merckmillipore.com
ICRLaboratory Animal Services Centre (Chiński Uniwersytet w Hongkongu, Hongkong, Chiny)N/A
Masło orzechoweSkippyhttps://www.peanutbutter.com/peanut-butter/creamy
Python v.3.10Python Software Foundationhttps://www.python.org 
Przezroczyste płyty akryloweTaobao Storehttps://item.taobao.com/item.htm?_u=32l3b7k63381&id=60996545797
0& spm=a1z09.2.0.0.77572e8dFPM
EHU
https://www.sbfoods-worldwide.com:

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. 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).
  6. Bacon, T. Wine, wasabi and weight loss: Examining taste in food writing. Food Cult Soc. 17 (2), 225-243 (2014).
  7. Fleming, P. A., et al. The contribution of qualitative behavioural assessment to appraisal of livestock welfare. Anim Prod Sci. 56, 1569-1578 (2016).
  8. Shi, X., et al. Behavioral assessment of sensory, motor, emotion, and cognition in rodent models of intracerebral hemorrhage. Front Neurol. 12, 667511(2021).
  9. 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).
  10. 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).
  11. Simons, C. T., Klein, A. H., Carstens, E. Chemogenic subqualities of mouthfeel. Chem Senses. 44 (5), 281-288 (2019).
  12. 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).
  13. 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).
  14. 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).
  15. 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).
  16. Langford, D. J., et al. Coding of facial expressions of pain in the laboratory mouse. Nat Methods. 7 (6), 447-449 (2010).
  17. 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).
  18. 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).
  19. 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).
  20. 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).
  21. 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).
  22. 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).
  23. 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).
  24. 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).
  25. Liu, H., et al. TransIFC: Invariant cues-aware feature concentration learning for efficient fine-grained bird image classification. IEEE Trans Multimedia. , (2023).
  26. Akkaya, I. B., Halici, U. Mouse face tracking using convolutional neural networks. IET Comput Vis. 12 (2), 153-161 (2018).
  27. 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).
  28. 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).
  29. Tuttle, A. H., et al. A deep neural network to assess spontaneous pain from mouse facial expressions. Mol Pain. 14, 1744806918763658(2018).
  30. 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).
  31. 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).

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Badanie zachowania zwierz tinterakcja alkoholu z wasabiskala grymas w myszymodel g bokiego uczeniaocena sensorycznaaugmentacja danych obrazowycheksperyment behawioralnybadanie w chowe

Powiązane artykuły