Śledzenie szczurów w komorach kondycjonowania instrumentalnego za pomocą uniwersalnej domowej kamery wideo i DeepLabCut

Ten protokół opisuje, jak zbudować małą i wszechstronną kamerę wideo oraz jak wykorzystać uzyskane z niej filmy do trenowania sieci neuronowej do śledzenia pozycji zwierzęcia w komorach warunkowania instrumentalnego. Jest to cenne uzupełnienie standardowych analiz logów danych uzyskanych z testów kondycjonowania instrumentalnego.

Postępując zgodnie z metodami opisanymi w tym protokole, naukowcy będą mogli nagrywać i analizować filmy przedstawiające gryzonie wykonujące złożone testy behawioralne w komorach kondycjonowania instrumentalnego. Protokół opisuje, jak zbudować niedrogą kamerę wideo i używać jej razem z oprogramowaniem śledzącym o otwartym kodzie źródłowym. Jest to atrakcyjne podejście dla laboratoriów z ograniczonym budżetem.

Metoda ta jest cenna dla projektów badawczych, które obejmują warunkowanie instrumentalne u gryzoni. Ponieważ analiza wideo może znacznie poprawić zrozumienie zachowań obserwowanych w tego typu testach. Zacznij od zamocowania metalowego pierścienia wokół otworu stojaka na aparat.

Następnie przymocuj moduł kamery do stojaka za pomocą nakrętek i dołączonych do zestawu. Otwórz porty taśmowego w module kamery i mikrokomputerze, delikatnie dotykając krawędzi ich plastikowych warg. Podpal taśmowy w otwartym porcie w module kamery tak, aby srebrne złącza były skierowane w stronę płytki drukowanej.

Następnie zablokuj go na miejscu, wciskając plastikowy klips. Powtórz proces z portem w mikrokomputerze. Następnie przymocuj obiektyw typu rybie oko do metalowego pierścienia na stojaku aparatu.

Umieść mikrokomputer w plastikowej obudowie i włóż wymienioną kartę micro SD. Następnie podłącz monitor, klawiaturę i mysz do mikrokomputera i zacznij od podłączenia jego zasilania. Otwórz okno terminala i wpisz sudo apt hyphen, pobierz aktualizację.

Następnie naciśnij Enter. Następnie wpisz sudo apt full hyphen upgrade i naciśnij enter. W menu Start wybierz preferencje i konfiguracje raspberry PI.

Gdy otworzy się okno, przejdź do zakładki interfejsy i włącz kamerę i I2C Następnie kliknij OK. Skopiuj plik uzupełniający na pamięć USB. Następnie przenieś go do domowego folderu PI mikrokomputerów i zmień jego nazwę.

Otwórz okno terminala wpisz pseudo nano ukośnik itp., ukośnik RC kropka lokalnie i naciśnij enter. Użyj strzałek na klawiaturze, aby przesunąć kursor w dół do przestrzeni między fi a wyjściem zero. Następnie dodaj tekst, aby komputer uruchomił skopiowany skrypt.

I diody LED na podczerwień, kiedy tylko się uruchomi. Zapisz zmiany, naciskając Control i X, a następnie Y i enter. Następnie rezystory i żeńskie rozruchowe na nóżkach dwóch kolorowych diod LED.

żeńskie rozruchowe do dwóch przełączników przyciskowych. Następnie podłącz przełączniki, kolorowe diody LED i wymieniony moduł diody podczerwieni do końcówek obręczy GPI komputera. Po prawidłowym podłączeniu jedna dioda LED wskaże, że kamera jest włączona i gotowa do użycia.

Podczas gdy drugi wskazuje, że kamera nagrywa wideo. Przycisk z długimi służy do rozpoczynania i zatrzymywania nagrań wideo. Podczas gdy przycisk z tymi krótkimi służy do wyłączania aparatu.

Ustaw protokół tak, aby używał światła w komorach operacyjnych jako wskaźnika określonego kroku w protokole. Następnie ustaw protokół tak, aby rejestrował wszystkie interesujące zdarzenia ze znacznikami czasu w odniesieniu do momentu, gdy ten wskaźnik kroku protokołu staje się aktywny. Umieść kamerę na komorach operacyjnych i zacznij od podłączenia jej do gniazdka elektrycznego za pomocą zasilającego.

Użyj poprzednio podłączonego przycisku, aby rozpocząć i zatrzymać nagrywanie wideo. Po zakończeniu nagrywania wideo podłącz kamerę do monitora, klawiatury, myszy i urządzenia pamięci masowej USB, a następnie pobierz pliki wideo z pulpitu. Użyj funkcji przechwytywania klatek DeeplabCuts, aby wyodrębnić od 700 do 900 klatek wideo z jednego lub więcej nagranych filmów.

Upewnij się, że wybrane klatki wideo pokazują zwierzę w różnych pozycjach, zarówno nieruchomych, z głową na zewnątrz, jak i wewnątrz otworów oraz poruszających się w różnych kierunkach. Użyj zestawu narzędzi do etykietowania, aby ręcznie zaznaczyć pozycję głowy szczura w każdej klatce wideo, umieszczając etykietę głowy w środkowej pozycji między uszami szczura. Oznacz również inne części ciała, które mogą być interesujące.

Ponadto zaznacz pozycję wskaźnika kroku protokołu w każdej klatce wideo, w której aktywnie świeci. Następnie użyj funkcji tworzenia zestawu danych treningowych i trenowania sieci, aby utworzyć zestaw danych treningowych z oznaczonych ramek wideo i rozpocząć trenowanie sieci neuronowej. Po wytrenowaniu sieci neuronowej użyj jej do analizy zebranych filmów.

Spowoduje to utworzenie pliku CSV z listą pozycji głowy szczura, innych interesujących części ciała oraz wskaźnika kroku protokołu w każdej klatce wideo. Ponadto utworzy oznaczone pliki wideo, w których pozycje ścieżek są wyświetlane wizualnie. Aby uzyskać współrzędne konkretnych punktów zainteresowania wewnątrz komór operacyjnych, należy je ręcznie oznaczyć zgodnie z wcześniejszym opisem i pobrać współrzędne z pliku CSV, który jest automatycznie zapisywany w oznaczonych danych w folderze projektu.

Zwróć uwagę, w których segmentach wideo wskaźnik kroku protokołu jest śledzony w promieniu 60 pikseli od pozycji uzyskanej ręcznie w poprzedniej sekcji, i wyodrębnij dokładny punkt początkowy dla każdego okresu, w którym wskaźnik jest aktywny. Wykorzystaj punkty, w których wskaźnik kroku protokołu staje się aktywny, oraz znaczniki czasu zarejestrowane przez komory operacyjne. Określenie, które segmenty wideo obejmują określone zdarzenia w protokole testowym, takie jak interwały między badaniami, odpowiedzi lub pobieranie nagród.

Zwróć uwagę na klatki wideo, które obejmują wszelkie wydarzenia, które są szczególnie interesujące. Na koniec przeprowadź odpowiednią dogłębną analizę pozycji i ruchów zwierzęcia podczas tych wydarzeń. Obiektyw typu rybie oko kamery powinien pozwolić na uchwycenie pełnego widoku wnętrza większości komór kondycjonowania gryzoni.

Dzięki zastosowaniu odpowiedniego źródła oświetlenia w podczerwieni, kamera pozwoli również na nagrywanie wideo w całkowitej ciemności. Dobrze wyszkolona sieć powinna pozwalać na ponad 90% dokładność podczas śledzenia głowy zwierzęcia. Dokładne śledzenie jest łatwo rozpoznawalne dzięki znacznikom podążającym za zwierzęciem przez cały czas jego ruchów i wykreślonym ścieżkom, które wydają się gładkie.

Z kolei niedokładne śledzenie charakteryzuje się znacznikami, które nie pozostają niezawodnie na celu, oraz postrzępionymi ścieżkami. W wyniku tego niedokładnego śledzenia zwykle dochodzi do nagłych zmian w obliczonych prędkościach ruchów. Śledząc, gdzie znajduje się zwierzę podczas sesji testowej, można ocenić, w jaki sposób różne wzorce ruchowe odnoszą się do wydajności.

Na przykład w teście czasu reakcji seryjnej pięciu wyborów ruchy głowy w odstępach między próbami można wykorzystać do oddzielenia prób emisji, w których zwierzę wykazuje ograniczone zainteresowanie wykonaniem odpowiedzi. Z próby misyjnej, w której zwierzę po prostu nie zauważa krótkiej wskazówki świetlnej. Ponadto badanie ruchów głowy może umożliwić wykrycie i scharakteryzowanie różnych strategii uwagi.

Podczas wykonywania tych procedur ważne jest, aby wskaźnik kroku protokołu był wiarygodny. I że sieć neuronowa jest trenowana za pomocą nurkowania z klatkami wideo. Aby zapewnić dokładne śledzenie.