Artykuł metodologiczny

Interaktywny system do badania zachowań konfrontacyjnych u gryzoni w czasie rzeczywistym

DOI:

10.3791/68191

⸱

16 maja 2025

 ,  ,  ,  ,  , 
1Department of Neurobiology, School of Basic Medicine, Army Medical University, 2School of Electrical Engineering, Chongqing University, 3Department of Biomedical Engineering and Imaging Medicine, Army Medical University, 4Guangxi Key Laboratory of Special Biomedicine & Advanced Institute for Brain and Intelligence, School of Medicine, Guangxi University

W tym artykule

Podsumowanie

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

Tutaj prezentujemy protokół do wykrywania i ilościowego określania zachowań drapieżników w modelu myszy. Platforma ta zapewnia nowy paradygmat badawczy do badania dynamiki i mechanizmów neuronalnych drapieżnych zachowań pościgowych u myszy i zapewni ustandaryzowaną platformę do badania zachowań pościgowych.

Streszczenie

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

Zachowanie w pogoni za drapieżnikami obejmuje szereg ważnych procesów fizjologicznych, takich jak lokomocja, uczenie się i podejmowanie decyzji, które są kluczowe dla sukcesu zwierzęcia w chwytaniu zdobyczy. Istnieje jednak kilka metod i systemów do badania zachowań drapieżnych w laboratorium, zwłaszcza u myszy, powszechnie stosowanego modelu ssaków. Głównymi czynnikami ograniczającymi te badania są niekontrolowaność żywych ofiar (np. świerszczy) oraz wyzwanie związane z harmonizacją standardów eksperymentalnych. Celem tego badania było opracowanie interaktywnej platformy do wykrywania i ilościowego określania zachowań drapieżnych u myszy na robotycznej przynęcie. Platforma wykorzystuje widzenie komputerowe do monitorowania względnych pozycji myszy i przynęty robotycznej w czasie rzeczywistym, aby zaprogramować wzorce ruchu przynęty robotycznej, a interaktywne dwuwymiarowe suwaki magnetycznie kontrolują ruch przynęty robotycznej, aby uzyskać system zamkniętej pętli. Robotyczna przynęta jest w stanie uniknąć zbliżających się głodnych myszy w czasie rzeczywistym, a jej prędkość ucieczki i kierunek można dostosować tak, aby naśladować proces pościgu za drapieżnikiem w różnych kontekstach. Po krótkim okresie treningu bez nadzoru (mniej niż dwa tygodnie) myszy były w stanie wykonać zadanie drapieżnictwa ze stosunkowo wysoką wydajnością (mniej niż 15 s). Rejestrując parametry kinematyczne, takie jak prędkość i trajektorie robotycznej przynęty i myszy, byliśmy w stanie określić ilościowo proces pościgu w różnych warunkach. Podsumowując, metoda ta zapewnia nowy paradygmat do badania zachowań drapieżnych i może być wykorzystana do dalszego badania dynamiki i mechanizmów neuronalnych zachowań pościgowych drapieżników.

Wprowadzenie

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

Pogoń za zdobyczą przez drapieżniki jest nie tylko żywym dowodem walki o przetrwanie, ale także kluczowym czynnikiem ewolucji gatunków, utrzymującym równowagę ekologiczną i przepływ energii w naturze1,2. Dla drapieżników pogoń za zdobyczą jest wyrafinowanym przedsięwzięciem, które obejmuje różnorodne procesy fizjologiczne. Procesy te obejmują stany motywacyjne, które skłaniają drapieżnika do polowania3, zdolności percepcyjne, które pozwalają mu wykrywać i śledzić zdobycz4,5,6, zdolności podejmowania decyzji, które dyktują przebieg polowania7, funkcja lokomotoryczna, która umożliwia fizyczną pogoń8,9 oraz mechanizmy uczenia się, które z czasem udoskonalają strategie łowieckie10,11. Dlatego w ostatnich latach wiele uwagi poświęcono pogoni za drapieżnikami jako ważnemu i złożonemu modelowi behawioralnemu.

Jako powszechnie stosowany model ssaków w laboratorium, myszy zostały udokumentowane jako polujące na świerszcze zarówno w ich naturalnym środowisku, jak i w badaniach laboratoryjnych12. Jednak różnorodność i niekontrolowaność żywych ofiar w ilościowym określaniu zachowań drapieżników w pościgu ogranicza odtwarzalność eksperymentów, a także wymianę porównań między różnymi laboratoriami13. Po pierwsze, szczepy świerszczy mogą różnić się w zależności od laboratoriów, co skutkuje różnicami w cechach ofiar, które mogą wpływać na zachowanie pościgowe. Po drugie, poszczególne świerszcze mają unikalne cechy, które mogą wpływać na wynik interakcji z drapieżnikami14. Na przykład prędkość ucieczki każdego świerszcza może być inna, co prowadzi do zmienności dynamiki pościgu. Ponadto niektóre świerszcze mogą mieć krótką odległość ostrzegawczą, co może prowadzić do braku procesu pościgu, ponieważ drapieżnik może nie mieć możliwości zaangażowania się w pościg. Wreszcie, niektóre świerszcze mogą wykazywać defensywne, agresywne zachowanie, gdy są zestresowane, co komplikuje interpretację danych eksperymentalnych15. Trudno jest określić, czy zmiany w zachowaniu drapieżnika wynikają ze strategii obronnych ofiary, czy też są nieodłącznie związane z wzorcami zachowań drapieżnika. Ta niewyraźna granica między obroną ofiary a strategiami drapieżników dodaje kolejną warstwę złożoności do badań nad pościgiem za drapieżnikami.

Uznając te ograniczenia, badacze zwrócili się ku sztucznej zdobyczy, aby kontrolować i standaryzować warunki eksperymentalne16,17. Wykazano, że siedem gatunków gryzoni, w tym myszy, wykazuje znaczące zachowania drapieżne w stosunku do sztucznej zdobyczy13. W związku z tym kontrolowana przynęta robotyczna może być wykonalna w badaniu zachowań związanych z pościgiem drapieżników. Projektując różne sztuczne ofiary, badacze mogą wywierać pewien poziom kontroli nad warunkami eksperymentalnymi, co nie jest możliwe w przypadku żywej zdobyczy18,19. Ponadto niewielka liczba wcześniejszych badań wykorzystywała sztucznie sterowane robotyczne ryby lub ofiary do badania zachowań szkolnych i drapieżnictwa u ryb15,17,19. Badania te podkreśliły wartość systemów robotycznych w dostarczaniu spójnych, powtarzalnych i możliwych do manipulowania bodźców do badań eksperymentalnych, ale pomimo tych postępów, w dziedzinie zachowania gryzoni, szczególnie u myszy, brakuje dedykowanej platformy do wykrywania i ilościowego określania zachowań pościgowych drapieżników za pomocą przynęty robotycznej.

Opierając się na powyższych powodach, zaprojektowaliśmy interaktywną platformę czasu rzeczywistego o otwartym kodzie źródłowym do badania zachowań drapieżnych u myszy. Zrobotyzowana przynęta na platformie może uciec przed myszami w czasie rzeczywistym, a automatyczna przynęta jest wysoce kontrolowana, dzięki czemu możemy ustawić różne kierunki ucieczki lub prędkości, aby symulować różne scenariusze drapieżnictwa. Do wygenerowania parametrów ruchu robotycznej zdobyczy wykorzystano program w języku Python na komputerze, który został połączony z mikrokontrolerem STM32 w celu napędzania serwomotorów i sterowania ruchem zrobotyzowanego wabika. Modułowy system sprzętowy może być dostosowany do konkretnego środowiska laboratoryjnego w czasie rzeczywistym, a system oprogramowania może dostosować trudność systemu, a także wskaźniki, aby lepiej służyć celowi badawczemu zgodnie z potrzebami eksperymentalnymi. Lekki system pozwala na znaczne skrócenie czasu przetwarzania komputera, co ma zasadnicze znaczenie dla skuteczności systemu i poprawia jego przenośność. Platforma obsługuje następujące funkcje techniczne: elastyczna i kontrolowana sztuczna zdobycz ułatwiająca powtarzanie i modelowanie; maksymalna symulacja procesu łowieckiego w środowisku naturalnym; interakcja w czasie rzeczywistym i niskie opóźnienia systemu; skalowalność sprzętu i oprogramowania, a także skalowalność; opłacalność i łatwość użytkowania. Korzystając z tej platformy, z powodzeniem wyszkoliliśmy myszy do wykonywania zadań drapieżnych w różnych warunkach i byliśmy w stanie określić ilościowo parametry, takie jak trajektoria, prędkość i względna odległość podczas pościgu za drapieżnikiem. Platforma zapewnia szybką metodę ustanawiania paradygmatu pościgu za drapieżnikami w celu dalszego zbadania mechanizmów neuronalnych stojących za pościgiem za drapieżnikiem.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

Dorosłe myszy C57BL/6J (samce, 6-8 tygodni) są dostarczane przez Army Medical University Laboratory Animal Center. Wszystkie procedury eksperymentalne są wykonywane zgodnie z instytucjonalnymi wytycznymi dotyczącymi dobrostanu zwierząt i są zatwierdzone przez Komisję ds. Opieki nad Zwierzętami i Użytkowania Wojskowej Akademii Medycznej (nr 1). AMUWEC20210251). Myszy są trzymane w warunkach kontrolowanej temperatury (22-25°C) z 12-godzinnym odwróconym cyklem światła/ciemności (światła włączone 20:00-8:00) i swobodnym dostępem do jedzenia i wody.

1. Przygotowanie sprzętu do interaktywnej platformy czasu rzeczywistego

  1. Zamontuj kamerę internetową na poprzeczce nad całą platformą, aby monitorować pozycje myszy i robotycznej przynęty na arenie poniżej w czasie rzeczywistym i przesyłać obrazy do komputera (Rysunek 1A).
  2. Zaprojektuj dużą okrągłą arenę (średnica 800 mm, wysokość 300 mm) składającą się z kwadratowego panelu akrylowego na dole i akrylowej rurki jako obramowania. Umieść cztery równomiernie rozmieszczone ikony (kwadrat, trójkąt, koło i krzyż) na wewnętrznych ścianach areny, aby służyły jako wskazówki wizualne (Rysunek 1B).
    UWAGA: Wewnętrzną ściankę rurki akrylowej i powierzchnię kwadratowej płyty akrylowej należy pokryć nieprzezroczystą naklejką.
  3. Użyj okrągłego magnesu neodymowego (średnica 40 mm, wysokość 10 mm, świerszcze mają około 2-4 cm długości4,22) z granulkami żywności (5 × 0,2 mg) jako przynętę robotyczną. Przymocuj niebieską naklejkę do powierzchni magnesu w celu identyfikacji i lokalizacji.
  4. Zamontuj dwuwymiarowy suwak (o efektywnym skoku 1000 mm) pod areną. Zainstaluj kolejny magnes neodymowy na jego nośniku jako magnes przyciągający, aby magnetycznie i zdalnie ciągnąć zrobotyzowaną przynętę.
  5. Napęd magnesu ściągacza za pomocą serwomotorów sterowanych płytką STM32 i obwodem przełączającym. Używanie trybu prędkości-kierunku do sterowania serwomotorem (75 mm na 16 000 impulsów), częstotliwość fali PWM na porcie wyjściowym na płytce STM32 koduje prędkość, a wysokie lub niskie poziomy (3,3 V lub 0 V) kodują kierunek do przodu lub do tyłu (Rysunek 1C).
    UWAGA: Obwód przełączający jest pokazany na rysunku uzupełniającym 1, który pokazuje tylko schemat połączeń sygnału prędkości i kierunku wymagany do ruchu jednego suwaka i sterowania drugim suwakiem w ten sam sposób. Przewody uziemiające w dwóch obwodach sterowania suwakiem można ze sobą połączyć.

2. Projektowanie oprogramowania dla interaktywnej platformy czasu rzeczywistego

  1. Użyj głównego programu, aby wykryć względne położenie myszy i przynęty robotycznej oraz przesłać sygnał ruchu przynęty robotycznej do mikrokontrolera STM32 ( Rysunek 1D).
  2. Gdy komputer odbierze obrazy z kamery internetowej, przetwarzaj klatki w środowisku Pythona.
  3. Przekonwertuj każdą klatkę z modelu kolorów RGB na model kolorów HSV za pomocą modułu OpenCV20 (cv2.cvtColor).
    UWAGA: Ponieważ myszy prowadzą nocny tryb zbieractwa i dla stabilności identyfikacji, eksperymenty powinny być przeprowadzane w warunkach słabego i stabilnego oświetlenia, zapewniając stałe warunki oświetleniowe na arenie i unikając częściowych cieni. Natężenie oświetlenia w tym eksperymencie wynosiło około 95 luksów.
  4. Uzyskaj obrazy maski myszy i robotycznej przynęty na podstawie ich zakresów kolorów odpowiednio w modelu kolorów HSV (cv2.inRange).
  5. Zastosuj filtrowanie mediany do obrazu maski, aby kontury myszy i przynęty robotycznej były wyraźniejsze i bardziej stabilne (cv2.medianBlur).
  6. Uzyskaj informacje o konturze myszy i przynęty robotycznej za pomocą funkcji wykrywania konturów (cv2.findContours), a następnie znajdź minimalny prostokąt, który może pokryć obszar konturu. Użyj środkowych współrzędnych tego prostokąta jako pozycji odpowiednio myszy i robotycznej przynęty i zapisz je jako pliki TXT.
  7. Na podstawie informacji o położeniu myszy i przynęty robota w każdej klatce oblicz prędkość myszy i względną odległość od przynęty robota i zapisz te parametry jako pliki TXT.
    UWAGA: Biorąc pod uwagę koszt czasu obliczeń związanych z przetwarzaniem obrazu, rzeczywista prędkość przetwarzania skryptu wynosi około 41 kl./s, co oznacza, że system może wykryć ruchy myszy i robota w ciągu około 24 ms. Opóźnienie systemowe zostało przetestowane między wysłaniem polecenia ruchu a wykryciem ruchu wynosi 59,4 ± 7,3 ms (n = 8), więc opóźnienie między ruchem myszy a ruchem ofiary wywołanym przez mysz wynosi około 83 ms (świerszcze mają czas reakcji mniejszy niż 250 ms22).
  8. W zależności od względnej odległości między myszą a robotyczną przynętą i ich pozycji na arenie, określ strategię ucieczki robotycznej przynęty21,22,23.
    UWAGA: Jeśli mysz znajduje się stosunkowo daleko od przynęty robotycznej (>250 mm), zakłada się, że przynęta robotyczna znajduje się w bezpiecznej strefie. Załóżmy, że mysz znajduje się wystarczająco blisko robotycznej przynęty (<80 mm, ponieważ względna odległość w tej metodzie jest określana na podstawie środka myszy i przynęty robotycznej, dostosowaliśmy tę odległość progową w oparciu o długość ciała myszy, około 11 cm, i średnicę przynęty, 4 cm). W takim przypadku uważa się, że jest to udane schwytanie, a automatyczna przynęta zatrzyma się, pozwalając myszy na skonsumowanie znajdujących się na niej granulek jedzenia (Rysunek 2A). W strategii ucieczki w linii prostej, jeśli przynęta znajduje się w środkowej części areny (odległość do granicy >75 mm), wskazując wystarczającą ilość miejsca we wszystkich kierunkach ucieczki, przesunie się w kierunku, w którym mysz porusza się w swoim kierunku. Wręcz przeciwnie, jeśli przynęta znajduje się blisko ściany areny, jak wskazuje otaczający ją obszar (odległość do granicy ≤75 mm), co oznacza niewystarczającą ilość miejsca do ciągłego ruchu, wykona zwrot o 90° w bok w większej odległości od granicy areny (więcej dostępnej przestrzeni, Rysunek 2B). W turowej strategii ucieczki zrobotyzowana przynęta obróci się o 90° w bok z większą przestrzenią do ucieczki, ocenianą w odstępach 0,5 s (Rysunek 2C).
  9. Po ustaleniu strategii ucieczki, skrypt Pythona powinien oddzielnie zakodować sygnały prędkości i kierunku i wysłać je do STM32 przez port szeregowy (ser.port = 'COM3') z szybkością transmisji 115200.
    UWAGA: Skrypty w STM32 są kompilowane w środowisku C. Po odebraniu sygnału prędkości jest on przekształcany w falę PWM o odpowiedniej częstotliwości przez dzielnik częstotliwości i wyjście oscylatora kwarcowego (częstotliwość kryształu STM32 wynosi 72000000). Po odebraniu sygnału kierunkowego, sygnał cyfrowy jest przekształcany poprzez podwyższenie lub zmniejszenie napięcia portu wyjściowego (0 lub 3,3 V).
  10. Użyj nagrywarki portów szeregowych, aby nagrać skompilowany program C na STM32.
  11. Użyj programu resetowania, aby przesunąć zrobotyzowaną przynętę na środek areny.
    UWAGA: Wykrywając położenie przynęty robotycznej na arenie, przynęta robotyczna jest w sposób ciągły kierowana w kierunku pozycji środkowej (5 cm/s), a po wykryciu odległości <20 mm od pozycji środkowej uważa się, że dotarła do środka areny i przestaje się poruszać. Uruchom program resetowania przed uruchomieniem programu głównego.

3. Habituacja (Rysunek 2D)

  1. Pościć mysz przez 12 godzin, aby zmniejszyć masę ciała zwierzęcia do 90-95% normy, z swobodnym dostępem do wody w tym okresie.
  2. Najpierw uruchom program resetowania, aby przesunąć robotyczną przynętę na środek areny, a następnie odizoluj głodną mysz na skraju areny za pomocą przegrody.
  3. Ustaw ścieżkę zapisu pliku i prędkość poruszania się zrobotyzowanej przynęty (5 cm/s) w programie głównym. Następnie kliknij Uruchom i obserwuj w wyskakującym oknie wideo, czy wabiki myszy i robota są stabilnie rozpoznawane.
  4. Zdejmij przegrodę i uruchom stoper, aby obserwować drapieżne zachowanie myszy przez 20 minut, rejestrując czas, w którym mysz po raz pierwszy pobiera granulkę jedzenia z robotycznej przynęty. Jeśli mysz tego nie zrobi, zatrzymaj przynętę i umieść ją obok myszy do karmienia.
  5. Umieść mysz z powrotem w klatce i pozwól na 24-godzinny okres rekonwalescencji ze swobodnym dostępem do jedzenia i wody. Następnie powtórz habituację. Jeżeli nie ma znaczącej różnicy w czasie do pierwszego pobrania pokarmu między dwoma kolejnymi doświadczeniami w tej samej grupie zwierząt, należy uznać, że przyzwyczajenie jest całkowite. Okres ten trwa zazwyczaj od 3 do 5 prób.
  6. Po każdym przyzwyczajeniu należy dokładnie oczyścić arenę 75% alkoholem i wodą.

4. Zadanie drapieżnictwa (Rysunek 2D)

  1. Rozpocznij zadanie drapieżnictwa natychmiast po przyzwyczajeniu.
  2. Pościć mysz przez 12 godzin, aby zmniejszyć masę ciała zwierzęcia do 90-95% normy, z swobodnym dostępem do wody w tym okresie.
  3. Najpierw uruchom program resetujący, aby przesunąć robotyczną przynętę na środek areny, a następnie odizoluj głodną mysz na skraju areny za pomocą przegrody.
  4. Ustaw ścieżkę zapisu pliku i prędkość poruszania się przynęty robotycznej (0-60 cm/s, można ustawić różne prędkości w zależności od potrzeb eksperymentalnych) w programie głównym. Następnie kliknij Uruchom i obserwuj w wyskakującym oknie wideo, czy mysz i przynęta robotyczna są wykrywane stabilnie.
  5. Zdejmij przegrodę i uruchom timer, aby obserwować drapieżne zachowanie myszy przez 60 sekund.
    1. Jeśli mysz pomyślnie złapie zrobotyzowaną przynętę w ciągu 60 sekund, zamknij główny program i pozwól myszy zjeść wszystkie granulki jedzenia przed powrotem do klatki.
    2. Jeśli mysz nie złapie robotycznej przynęty w ciągu 60 sekund, wypuść ją bezpośrednio z powrotem do klatki bez żadnej nagrody ani kary.
  6. Przeprowadź drugą rundę zadań związanych z drapieżnictwem 4 godziny później, powtarzając kroki 4.3-4.5.
  7. Pozwól myszy na 24-godzinny okres regeneracji ze swobodnym dostępem do jedzenia i wody. Następnie powtórz zadanie drapieżnictwa. Jeśli więcej niż 80% myszy spędza mniej niż 15 s w dwóch kolejnych próbach, myszy są uważane za wykwalifikowane drapieżniki.
  8. Po każdym zadaniu związanym z drapieżnictwem należy dokładnie posprzątać arenę 75% alkoholem i wodą.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Aby uciec przed drapieżnikiem, ofiara często stosuje elastyczne i zmienne strategie ucieczki, takie jak zmiana prędkości ucieczki lub ucieczka w nieprzewidywalnych kierunkach21,22,23. W tym badaniu wzorzec ruchu przynęty robotycznej jest elastycznie kontrolowany pod względem prędkości i kierunku, dzięki czemu możemy zmienić kierunek ucieczki, a także prędkość przynęty robotycznej, aby symulować zadanie drapieżnictwa w różnych wa...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

W tym protokole, aby uzyskać kontrolę w czasie rzeczywistym z niskimi opóźnieniami systemu, używamy OpnenCV, lekkiej i wydajnej biblioteki widzenia komputerowego oraz modelu kolorów do identyfikacji pozycji myszy i wabika robota. Wymaga to, aby oświetlenie na arenie było względnie stabilne i aby w jak największym stopniu unikano cieni na arenie, aby nie przeszkadzać w wykrywaniu czarnych myszy. Aby uzyskać względnie stabilną detekcję konturu, rejestrujemy zakresy kolorów myszy za pomocą robotycznych wabików w kilku miejs...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy nie mają nic do ujawnienia.

Podziękowania

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

To badanie jest wspierane przez Narodową Fundację Nauk Przyrodniczych Chin dla YZ (32171001, 32371050).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Cylinder akrylowySENTAIPMMAŚrednica 800 mm
Wysokość 300 mm
Grubość 8 mm
Stół antywibracyjnyVEOOWykonany na zamówienieDługość 1500 mm
Szerokość 1500 mm
Wysokość 750 mm
KameraJIERUIWEITONGHF868SSRozmiar piksela 3 i mikro; m i ostry; 3 & mikro; m
480P: 120 kl./s
Ramka nośna kameryRUITUWykonane na zamówienieMaksymalna szerokość 3300 mm
Maksymalna wysokość 2600 mm
Płytka drukowanaWXRKDZWykonane na zamówienieDługość 60 mm
Szerokość 40 mm
Rozstaw otworów 2,54 mm
KomputerDELLPrecision 5820 TowerInter(R) Xeon(R) W-2155 CPU
NVIDIA GeForce RTX 2080Ti
DuPont LineTELESKYWykonane na zamówienie30 cm
Granulki spożywczeBio-serveF0759520 mg
Rama nośna platformyHENGDONGOB3030Długość 1600 mm
Wysokość 900 mm
Szerokość 800 mm
Regulowany zasilaczZHAOXINPS-3005DNapięcie wyjściowe: 0-30 V
Prąd wyjściowy: 0-3 A
Okrągły blok magnetycznyYPE YPE-230213-5Średnica 40 mm
Grubość 10 mm
Sterownik serwomotoruFEREMEFCS860P0,1 kw-5,5 kw
SVPWM
220 VAC+10%
~-15%
RS-485
Szyna ślizgowaJUXIANGJX45Długość 1000 mm
Szerokość 1000 mm
Kwadratowa płyta akrylowaSENTAIPMMADługość 800 mm
Szerokość 800 mm
Grubość 10 mm
Kwadrat Blok magnetycznyRUITONGN35Długość 100 mm
Szerokość 50 mm
Grubość 20 mm
Stm32ZHENGDIANYUANZIF103STM32F103ZET6
zegar 72 MHz
TranzystorSemtechC1185362N2222A, NPN

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Gregr, E. J., et al. Cascading social-ecological costs and benefits triggered by a recovering keystone predator. Science. 368 (6496), 1243-1247 (2020).
  2. Brown, J. S., Vincent, T. L. Organization of predator-prey communities as an evolutionary game. Evolution. 46 (5), 1269-1283 (1992).
  3. Zhao, Z. -D., et al. Zona incerta gabaergic neurons integrate prey-related sensory signals and induce an appetitive drive to promote hunting. Nat Neurosci. 22 (6), 921-932 (2019).
  4. Hoy, J. L., Yavorska, I., Wehr, M., Niell, C. M. Vision drives accurate approach behavior during prey capture in laboratory mice. Curr Biol. 26 (22), 3046-3052 (2016).
  5. Holmgren, C. D., et al. Visual pursuit behavior in mice maintains the pursued prey on the retinal region with least optic flow. eLife. 10, e70838(2021).
  6. Johnson, K. P., et al. Cell-type-specific binocular vision guides predation in mice. Neuron. 109 (9), 1527-1539.e4 (2021).
  7. Nahin, P. J. Chases and Escapes: The Mathematics of Pursuit and Evasion. , Princeton University Press. (2007).
  8. Mcghee, K. E., Pintor, L. M., Bell, A. M. Reciprocal behavioral plasticity and behavioral types during predator-prey interactions. Am Nat. 182 (6), 704-717 (2013).
  9. Belyaev, R. I., et al. scavenging: Functional analysis of vertebral mobility and backbone properties in carnivorans. J Anat. 244 (2), 205-231 (2024).
  10. Weihs, D., Webb, P. W. Optimal avoidance and evasion tactics in predator-prey interactions. J Theor Biol. 106 (2), 189-206 (1984).
  11. Peterson, A. N., Soto, A. P., Mchenry, M. J. Pursuit and evasion strategies in the predator-prey interactions of fishes. Integr Comp Biol. 61 (2), 668-680 (2021).
  12. Galvin, L., Mirza Agha, B., Saleh, M., Mohajerani, M. H., Whishaw, I. Q. Learning to cricket hunt by the laboratory mouse (mus musculus): Skilled movements of the hands and mouth in cricket capture and consumption. Behav Brain Res. 412, 113404(2021).
  13. Timberlake, W., Washburne, D. L. Feeding ecology and laboratory predatory behavior toward live and artificial moving prey in seven rodent species. Anim Learn Behav. 17 (1), 2-11 (1989).
  14. Sunami, N., et al. Automated escape system: Identifying prey's kinematic and behavioral features critical for predator evasion. J Exp Biol. 227 (10), jeb246772(2024).
  15. Szopa-Comley, A. W., Ioannou, C. C. Responsive robotic prey reveal how predators adapt to predictability in escape tactics. Proc Natl Acad Sci U S A. 119 (23), e2117858119(2022).
  16. Krause, J., Winfield, A. F. T., Deneubourg, J. -L. Interactive robots in experimental biology. Trends Ecol Evol. 26 (7), 369-375 (2011).
  17. Swain, D. T., Couzin, I. D., Leonard, N. E. Real-time feedback-controlled robotic fish for behavioral experiments with fish schools. Proceedings of the IEEE. 100 (1), 150-163 (2012).
  18. Eyal, R., Shein-Idelson, M. Preytouch: An automated system for prey capture experiments using a touch screen. bioRxiv. , (2024).
  19. Ioannou, C. C., Rocque, F., Herbert-Read, J. E., Duffield, C., Firth, J. A. Predators attacking virtual prey reveal the costs and benefits of leadership. Proc Natl Acad Sci U S A. 116 (18), 8925-8930 (2019).
  20. Farhan, A., et al. An OpenCV-based approach for automated cardiac rhythm measurement in zebrafish from video datasets. Biomolecules. 11 (10), 1476(2021).
  21. Hein, A. M., et al. An algorithmic approach to natural behavior. Curr Biol. 30 (11), R663-R675 (2020).
  22. Kiuchi, K., Shidara, H., Iwatani, Y., Ogawa, H. Motor state changes escape behavior of crickets. iScience. 26 (8), 107345(2023).
  23. Wilson-Aggarwal, J. K., Troscianko, J. T., Stevens, M., Spottiswoode, C. N. Escape distance in ground-nesting birds differs with individual level of camouflage. Am Nat. 188 (2), 231-239 (2016).
  24. Mathis, A., et al. Deeplabcut: Markerless pose estimation of user-defined body parts with deep learning. Nat Neurosci. 21 (9), 1281-1289 (2018).
  25. Kane, G. A., Lopes, G., Saunders, J. L., Mathis, A., Mathis, M. W. Real-time, low-latency closed-loop feedback using markerless posture tracking. eLife. 9, e61909(2020).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

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

Poproś o pozwolenie

Tagi

Predatory PursuitRodent BehaviorReal Time TrackingRobotic BaitComputer VisionPursuit LearningClosed Loop SystemOptogeneticsElectrophysiologyBrain Imaging

Powiązane artykuły