Artykuł metodologiczny

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

1.2K wyświetleń

⸱

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

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

Streszczenie

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

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

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

Głównym celem niniejszego badania jest opracowanie solidnych ram badawczych do analizy interakcji między smakiem a węchem u myszy. Ramy te obejmują wykorzystanie sztucznej inteligencji oraz analizy QBA w celu opracowania predykcyjnego modelu klasyfikacji. Ponadto wnioski uzyskane z DL są walidowane krzyżowo z ilościową oceną MGS w ramach niezależnej analizy wewnętrznej. Podstawowym zastosowaniem tej metodologii jest zbadanie stopnia tłumienia nocycepcji wywołanej przez wasabi w sytuacji, gdy myszy wąchają spożywcze napoje alkoholowe.

Rozpoznanie przez model głębokiego uczenia 29% obrazów z grupy współleczenia wasabi-alkohol należących do klasy grupy wasabi-ujemnej i alkoholu-dodatniej
U ludzi po spożyciu komercyjnej pasty wasabi może wystąpić gwałtowna reakcja mimiczna twarzy. Podobne zjawisko można zaobserwować u myszy (Wideo uzupełniające 1). Ponieważ nocycepcja sensoryczna jest silnie skorelowana z mimiką u gryzoni, monitorowano zachowania 2 osobników z jednego miotu, aby określić ich reakcję na podanie karmy zawierającej lub nie zawierającej komercyjnego wasabi. W niniejszym badaniu, przy użyciu technik DL, przeszkolono sieć CNN. Ponieważ dla każdego scenariusza przeprowadzono 3 powtórzenia, materiały obrazowe z 1st i 3Badań i rozwoju powtórzenia zostały wykorzystane do dostrojenia hiperparametrów modelu CNN oraz do wewnętrznego treningu i testowania modelu. Ewolucja architektury CNN w niniejszym badaniu została szczegółowo opisana w Tabela 2Zoptymalizowana architektura sieci CNN składała się z warstwy wejściowej o rozdzielczości 268 x 268 pikseli, po której następowały 4 dwuwymiarowe warstwy splotowe, z których każda posiadała 8 filtrów. Dodatkowo, w celu realizacji zadania klasyfikacji 3 klas, włączono 2 warstwy poolingu, 2 warstwy dropout, warstwę spłaszczającą (flattening layer) oraz 2 warstwy gęste (dense layers). Należy odnieść się do Plik uzupełniający 2 dla architektury CNN.

Model w niniejszym badaniu został wytrenowany z wykorzystaniem zbioru danych obejmującego 35 486 obrazów i przetestowany na 8 872 obrazach w ciągu 7 epok. Wyniki modelu podczas procesu trenowania, w tym takie miary jak funkcja straty, stosunek precyzji do pełności, precyzja oraz czułość (lub pełność) w odniesieniu do wewnętrznych zbiorów treningowych i testowych, przedstawiono w Rycina uzupełniająca 8A-DModel wykazał dokładność, precyzję oraz czułość na poziomie 1 zarówno dla wewnętrznego zbioru treningowego, jak i testowego. Wskazuje to, że przewidywania modelu były zgodne z rzeczywistymi klasami obrazów w obu wewnętrznych zbiorach danych (treningowym i testowym). Po przeszkoleniu modelu obrazy z 2nd Wykorzystano powtórzenia, aby zapewnić i niezależnie potwierdzić, że przeuczenie nie stanowiło problemu dla uzyskanego modelu CNN. Model wykazał wysoką skuteczność predykcji, osiągając wartości dokładności, precyzji i czułości równe 1 dla 4820 obrazów w badaniu tła (scenariusz A), 3900 obrazów w badaniu kontroli pozytywnej (scenariusz B) oraz 2731 obrazów w badaniu kontroli negatywnej (scenariusz D). Uzyskany model predykcyjny zastosowano do klasyfikacji obrazów klatek wideo przedstawiających myszy wąchające alkohol i spożywające masło orzechowe z dodatkiem wasabi (scenariusz C) do różnych scenariuszy badawczych, tj. scenariuszy A, B i D. Wyniki wskazują, że odpowiednio 0% i 29% obrazów zakwalifikowano do klas badania tła (scenariusz A, obecność czystej wody i masła orzechowego bez wasabi) oraz badania kontroli negatywnej (scenariusz D, obecność chińskiego alkoholu i masła orzechowego bez wasabi), podczas gdy 71% obrazów zaklasyfikowano do grupy kontroli pozytywnej (scenariusz C, gdzie obecne były czysta woda oraz mieszanina masła orzechowego z wasabi). Wyniki te sugerują, że obecność alkoholu w diecie może redukować wywołaną wasabi nocycepcję u myszy. Aby ocenić, czego maszyna nauczyła się z dostarczonych materiałów treningowych, dla każdej warstwy splotowej wygenerowano mapy cech. Jak przedstawiono w Rycina uzupełniająca 9A-Dzaobserwowano, że uwaga maszyny była skupiona na różnych cechach twarzy, takich jak orbity oczu, nos, krawędzie policzków i tułowia, uszy, a także na powierzchni styku szczęk. W oparciu o te obserwacje przeprowadzono kolejną metodę analizy danych – MGS. MGS koncentruje się na jednostkach akcji (AU) twarzy myszy, co pozwala na statyczną ocenę i dalszą walidację zdolności hamowania nocycepcji wywołanej wasabi poprzez podawanie napojów alkoholowych.

Ręczne punktowanie skali grymasu myszy statystycznie potwierdza przewidywania uczenia maszynowego.
Intensywność nocycepcji wywołanej wasabi oceniano za pomocą skali MGS, która przypisuje wartości od 0 do 2, gdzie 0 oznacza najmniej nasiloną, a 2 najsilniejszą reakcję. W badaniu tym 22 przeszkolonych sędziów oceniło wyniki MGS u 24 myszy (tzn. 2 myszy przedstawiono na 12 wybranych obrazach jako Supplementary Figure 10, Supplementary Figure 11, Supplementary Figure 12, Supplementary Figure 13). Analiza rodzeństwa z jednego miotu u 2 myszy, w trzech powtórzeniach eksperymentalnych, wykazała, że precyzja wewnątrzseryjna i precyzja międzyseryjna charakteryzowały się względnym odchyleniem standardowym w zakresach odpowiednio 0%–25% i 9%–33%. Wskazuje to na dobrą precyzję i spójność procesu punktowania MGS. Zaobserwowano istotną różnicę między wynikami MGS myszy, którym podano pastę z masła orzechowego (Figure 3A, 0,73 ± 0,04), a tymi, którym podano mieszankę wasabi i masła orzechowego (Figure 3B, 1,59 ± 0,11). Potwierdza to poprawność ustawień eksperymentalnych dla badania behawioralnego zwierząt oraz skuteczność wasabi w wywoływaniu reakcji nocyceptywnych. Mimo że opary alkoholu uwalniane z znajdującego się poniżej napoju alkoholowego (~42% v/v alkoholu) mogły działać drażniąco, wynik MGS (Figure 3D, 0,86 ± 0,16) nie wykazał istotnej różnicy w porównaniu z grupą kontrolną (Figure 3A, 0,73 ± 0,04). Jednak zaobserwowano istotną różnicę między wynikami MGS myszy, którym podano mieszankę wasabi i masła orzechowego (Figure 3B, 1,59 ± 0,11), a tymi, które były narażone na opary alkoholu podczas spożywania wasabi (Figure 3C, 0,95 ± 0,07), przy wartości P <0,05. Wyniki te sugerują, że jednoczesne podawanie wasabi i napojów alkoholowych może potencjalnie łagodzić podrażnienie wywołane przez wasabi, co jest zgodne z perspektywą sztucznej inteligencji. Wymagane są dalsze badania w celu zidentyfikowania skutecznego składnika w dostarczonym chińskim alkoholu, który przyczynia się do tłumienia ostrości wasabi, co prawdopodobnie wynika z obecności etanolu.

Przykład kodu, który jest już dostępny. Cały kod służący do rozpoznawania obrazów powiązany z bieżącą publikacją jest dostępny w publicznym repozytorium GitHub: git@github.com:TommyNHL/imageRecognitionJove.git. Wszelkie aktualizacje zostaną również opublikowane w repozytorium GitHub wraz z cytowaniem końcowego numeru DOI niniejszej pracy.

Schemat komory do karmienia myszy z modułowym układem cegiełek; obejmuje komorę z pastą karmową oraz komorę z cieczą.
Rycina 1Układ doświadczalny do badania behawioralnego zwierząt w kontekście bólu. (A) Cały układ do rejestracji wideo wyrazów twarzy dwóch myszy za pomocą aparatów w dwóch smartfonach umieszczonych na statywach na każdym z końców. (BKomora dla gryzoni była wykorzystywana do podawania dwóm myszom dwóch porcji pasty o masie 0,5 g każda, składających się z masła orzechowego lub mieszanki wasabi z masłem orzechowym, w ramach ad libitum podstawą, a w zagłębieniu pod pastami wlano 30 ml cieczy (wodę lub liquor o stężeniu ok. 42% obj.), aby umożliwić jednoczesną inhalację. (C) Przybliżenie rowka, który został wypełniony 30 ml cieczy i zawierał dwie porcje pasty z mieszaniny wasabi i masła orzechowego. Mieszaninę przygotowano poprzez wymieszanie 1 g komercyjnego wasabi z 4,5 g masła orzechowego. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Schemat sieci neuronowej; przetwarzanie obrazu wejściowego za pomocą warstw splotowych i warstw pooling w celu przewidywania scenariusza.
Rysunek 2: Architektura modelu splotowej sieci neuronowej oraz jego wejście i wyjście. Do trenowania wykorzystano obrazy z 3 różnych scenariuszy, w tym scenariusz A dla badania tła, scenariusz B dla badania kontroli dodatniej oraz scenariusz D dla badania kontroli ujemnej. Obrazy scenariusza C dla badania interakcji smaku i zapachu wasabi-alkohol zostały zaklasyfikowane do scenariuszy A, B lub D po wytrenowaniu modelu. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Analiza skali grymasu myszy, wykres słupkowy przedstawiający wyniki MGS z eksperymentalną konfiguracją z masłem orzechowym.
Rysunek 3:Wyniki skali grymasu myszy (MGS) u myszy, którym podawano różne rodzaje pożywienia. Wynik MGS mieści się w przedziale od 0 do 2, gdzie 0 oznacza najmniejsze nasilenie, a 2 największe. Referencyjna skala MGS została zaadaptowana z pracy Langford i wsp. (2010)16. Grymasy myszy, którym podano (A) masło orzechowe do spożycia, oceniono na 0,73 ± 0,04; (B) mieszaninę wasabi i masła orzechowego (1 g komercyjnego wasabi w 4,5 g masła orzechowego) do spożycia oceniono na 1,59 ± 0,11; (C) mieszaninę wasabi i masła orzechowego do spożycia, podczas gdy dostępna była inhalacja alkoholu z dostarczonego poniżej alkoholu (~42% v/v alkoholu), oceniono na 0,95 ± 0,07; (D) masło orzechowe do spożycia, podczas gdy dostępna była inhalacja alkoholu z dostarczonego poniżej alkoholu, oceniono na 0,86 ± 0,16. *, P < 0,05; **, P < 0,01; ns, brak istotnej różnicy w jednoczynnikowej analizie wariancji z post-hoc testem wielokrotnych porównań Bonferroniego przy 95% przedziale ufności. Słupki błędów reprezentują błąd standardowy średniej (SEM). Pomiary w trzech powtórzeniach przeprowadzono dla 2 myszy w każdym scenariuszu. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

Tabela 1: Podsumowanie czterech scenariuszy odtworzonych w ocenie behawioralnej zwierząt.Uwagi: a Mieszaninę przygotowano poprzez zmieszanie 1 g komercyjnego wasabi z 4,5 g masła orzechowego. b Chiński alkohol zawierający ~42% v/v alkoholu. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 2: Podsumowanie wydajności modelu. Hiperparametry: rozmiar partii wynoszący 64, liczba filtrów równa 1st warstwa splotu 2D o rozmiarze 8 bez następującego po niej dropoutu, liczba filtrów 2nd warstwa splotu 2D o rozmiarze 8, liczba filtrów 3Rd (rozkład/degradacja) warstwa splotu 2D o rozmiarze 8 z dropoutem 0,1 oraz liczbą filtrów wynoszącą 4th Warstwa splotu 2D o rozmiarze 8 oraz liczba filtrów warstwy gęstej wynosząca 64 przy współczynniku dropout 0,5 pozwoliły uzyskać najniższą wartość funkcji straty dla wewnętrznego zbioru testowego. Hiperparametry te przyjęto następnie do wytrenowania modelu klasyfikacji dla 3 grup (scenariusze A, B i D) w celu przewidywania obrazów dla scenariusza C. Scenariusz A służył do badania tła. Scenariusz B służył do badania kontroli pozytywnej. Scenariusz D służył do badania kontroli negatywnej. Scenariusz C służył do badania interakcji smaku i zapachu wasabi z alkoholem. Proszę kliknąć tutaj, aby pobrać tę tabelę.

Rycina uzupełniająca 1: Przykładowe materiały treningowe do głębokiego uczenia dla klasy scenariusza A (badanie tła). Kliknij tutaj, aby pobrać ten plik.

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

Rysunek uzupełniający 3: Przykładowe materiały treningowe dla głębokiego uczenia w klasie scenariusza D (badanie kontroli negatywnej). Proszę kliknąć tutaj, aby pobrać ten plik.

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

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

Rycina uzupełniająca 6: Przewidywania i przykładowe materiały niezależne dla klasy scenariusza D (badanie kontrolne ujemne) w celu walidacji modelu. Prosimy kliknąć tutaj, aby pobrać ten plik.

Rysunek uzupełniający 7: Przewidywania i przykładowe materiały dla klasy scenariusza C (badanie interakcji smaku i zapachu wasabi z alkoholem) do zastosowania modelu. Proszę kliknąć tutaj, aby pobrać ten plik.

Rycina uzupełniająca 8: Wydajność predykcyjna optymalnego modelu uczenia głębokiego. (A) Strata podczas uczenia i strata walidacji wewnętrznej w ciągu 7 epok; (B) Krzywe precyzji i pełności (precision-recall), (C) Precyzja oraz (D) Pełność podczas uczenia i walidacji wewnętrznej w ciągu 7 epok. Aby pobrać ten plik, kliknij tutaj.

Rycina uzupełniająca 9: Mapy cech każdej warstwy splotowej.Mapy cech (A) pierwszej, (B) drugiej, (C) trzeciej i (D) ostatniej warstwy splotowej w scenariuszach A, B i D, uporządkowane od góry do dołu. Scenariusz A dotyczył badania tła. Scenariusz B dotyczył badania kontroli pozytywnej. Scenariusz D dotyczył badania kontroli negatywnej. Kliknij tutaj, aby pobrać ten plik.

Rycina uzupełniająca 10: Wybrane obrazy do ręcznego oceniania skali grymasu myszy dla scenariusza A (badanie tła). Prosimy kliknąć tutaj, aby pobrać ten plik.

Rycina uzupełniająca 11: Wybrane obrazy do manualnej oceny skali grymasu u myszy dla scenariusza B (badanie kontroli pozytywnej). Kliknij tutaj, aby pobrać ten plik.

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

Rycina uzupełniająca 13: Wybrane obrazy do ręcznej oceny skali grymasu u myszy dla scenariusza D (badanie kontrolne ujemne). Aby pobrać ten plik, kliknij tutaj.

Film uzupełniający 1: Grymasy myszy po spożyciu wasabi w obecności lub przy braku dostępnych poniżej napojów alkoholowych. Od 0 s do 8 s klip wideo przedstawia prawidłowy wyraz pyszczka myszy podczas spożywania masła orzechowego. Od 8 s do 17 s zilustrowano grymasy myszy po spożyciu wasabi. U myszy zaobserwowano zwężenie szpary powiekowej, wybrzuszenie nosa, wybrzuszenie policzków, odchylenie uszu na zewnątrz oraz zmianę ułożenia wibrysów. Od 17 s do 29 s pokazano, że nocycepcja wywołana przez wasabi może zostać stłumiona w przypadku dostępności alkoholu poniżej. Od 29 s do końca filmu zaprezentowano zestawienie grymasów w różnych opisanych powyżej scenariuszach. Należy pamiętać, że udostępniony film służy wyłącznie do celów ilustracyjnych. Jego jakość różni się od opisanych wymagań jakościowych dla rozpoznawania obrazów i modelowania. Kliknij tutaj, aby pobrać ten film.

Plik uzupełniający 1: shuffleSlides.pptm. Uzupełniająca prezentacja Microsoft PowerPoint z obsługą makr o nazwie „shuffleSlides.pptm”. Plik ten został przygotowany do przemieszania obrazów na potrzeby ślepej próby oceny skali grymasu u myszy. Proszę kliknąć tutaj, aby pobrać ten plik.

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

Dyskusja

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

Autorzy oświadczają, że nie występują konflikty interesów.

Podziękowania

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

  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

Tagi

Badanie zachowania zwierzątinterakcja alkoholu z wasabiskala grymasu myszymodel głębokiego uczeniaocena sensorycznaaugmentacja danych obrazowycheksperyment behawioralnybadanie węchowe
Integracja oceny behawioralnej zwierząt i konwolucyjnej sieci neuronowej w celu zbadania interakcji smak-zapach między wasabi a alkoholem
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.