Name: Śledzenie szczurów w komorach kondycjonowania instrumentalnego za pomocą uniwersalnej domowej kamery wideo i DeepLabCut (Wideo) | JoVE Journal
Uploaded: 2020-06-15T14:30:00.000+00:00
Duration: 8 min 32 s
Description: Poznaj metodę śledzenia zachowań szczurów w komorach kondycjonowania instrumentalnego przy użyciu niedrogiej kamery wideo i oprogramowania DeepLabCut. To podejście poprawia dokładność analizy behawioralnej.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Prace te były wspierane przez granty ze Szwedzkiej Fundacji Mózgu, Szwedzkiej Fundacji Parkinsona oraz Szwedzkich Funduszy Rządowych na Badania Kliniczne (M.A.C.), a także fundacji Wenner-Gren (M.A.C, E.K.H.C), fundacji Åhlén (M.A.C) i fundacji Blanceflor Boncompagni Ludovisi, née Bildt (S.F).

<ol><li>Pritchett, K., Mulder, G. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Operant+conditioning%5BTitle%5D)+AND+%22Contemporary+Topics+in+Laboratory+Animal+Science%22%5BJournal%5D)">Operant conditioning.</a> Contemporary Topics in Laboratory Animal Science. 43 (4), (2004).</li>
<li>Clemensson, E. K. H., Novati, A., Clemensson, L. E., Riess, O., Nguyen, H. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+BACHD+rat+model+of+Huntington+disease+shows+slowed+learning+in+a+Go%2FNo-Go-like+test+of+visual+discrimination%5BTitle%5D)+AND+%22Behavioural+Brain+Research%22%5BJournal%5D)">The BACHD rat model of Huntington disease shows slowed learning in a Go/No-Go-like test of visual discrimination.</a> Behavioural Brain Research. 359, 116-126 (2019).</li>
<li>Asinof, S. K., Paine, T. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+5-choice+serial+reaction+time+task%3A+a+task+of+attention+and+impulse+control+for+rodents%5BTitle%5D)+AND+%22Journal+of+Visualized+Experiments%22%5BJournal%5D)">The 5-choice serial reaction time task: a task of attention and impulse control for rodents.</a> Journal of Visualized Experiments. (90), e51574(2014).</li>
<li>Coulbourn instruments. Graphic State: Graphic State 4 user's manual. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22Coulbourn+instruments%22">Coulbourn instruments</a>. , Holliston, Massachusetts. 12-17 (2013).</li>
<li>Med Associates Inc. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Med-PC+IV%3A+Med-PC+IV+programmer%27s+manual%5BTitle%5D)+AND+%22Med+Associates+Inc%22%5BJournal%5D)">Med-PC IV: Med-PC IV programmer's manual.</a> Med Associates Inc. , St. Albans, Vermont. 21-44 (2006).</li>
<li>Clemensson, E. K. H., Clemensson, L. E., Riess, O., Nguyen, H. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+BACHD+rat+model+of+Huntingon+disease+shows+signs+of+fronto-striatal+dysfunction+in+two+operant+conditioning+tests+of+short-term+memory%5BTitle%5D)+AND+%22PloS+One%22%5BJournal%5D)">The BACHD rat model of Huntingon disease shows signs of fronto-striatal dysfunction in two operant conditioning tests of short-term memory.</a> PloS One. 12 (1), (2017).</li>
<li>Herremans, A. H. J., Hijzen, T. H., Welborn, P. F. E., Olivier, B., Slangen, J. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effect+of+infusion+of+cholinergic+drugs+into+the+prefrontal+cortex+area+on+delayed+matching+to+position+performance+in+the+rat%5BTitle%5D)+AND+%22Brain+Research%22%5BJournal%5D)">Effect of infusion of cholinergic drugs into the prefrontal cortex area on delayed matching to position performance in the rat.</a> Brain Research. 711 (1-2), 102-111 (1996).</li>
<li>Chudasama, Y., Muir, J. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+behavioral+analysis+of+the+delayed+non-matching+to+position+task%3A+the+effects+of+scopolamine%2C+lesions+of+the+fornix+and+of+the+prelimbic+region+on+mediating+behaviours+by+rats%5BTitle%5D)+AND+%22Psychopharmacology%22%5BJournal%5D)">A behavioral analysis of the delayed non-matching to position task: the effects of scopolamine, lesions of the fornix and of the prelimbic region on mediating behaviours by rats.</a> Psychopharmacology. 134 (1), 73-82 (1997).</li>
<li>Talpos, J. C., McTighe, S. M., Dias, R., Saksida, L. M., Bussey, T. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Trial-unique%2C+delayed+nonmatching-to-location+%28TUNL%29%3A+A+novel%2C+highly+hippocampus-dependent+automated+touchscreen+test+of+location+memory+and+pattern+separation%5BTitle%5D)+AND+%22Neurobiology+of+Learning+and+Memory%22%5BJournal%5D)">Trial-unique, delayed nonmatching-to-location (TUNL): A novel, highly hippocampus-dependent automated touchscreen test of location memory and pattern separation.</a> Neurobiology of Learning and Memory. 94 (3), 341(2010).</li>
<li>Rayburn-Reeves, R. M., Moore, M. K., Smith, T. E., Crafton, D. A., Marden, K. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatial+midsession+reversal+learning+in+rats%3A+Effects+of+egocentric+cue+use+and+memory%5BTitle%5D)+AND+%22Behavioural+Processes%22%5BJournal%5D)">Spatial midsession reversal learning in rats: Effects of egocentric cue use and memory.</a> Behavioural Processes. 152, 10-17 (2018).</li>
<li>Gallo, A., Duchatelle, E., Elkhessaimi, A., Le Pape, G., Desportes, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Topographic+analysis+of+the+rat%27s+behavior+in+the+Skinner+box%5BTitle%5D)+AND+%22Behavioural+Processes%22%5BJournal%5D)">Topographic analysis of the rat's behavior in the Skinner box.</a> Behavioural Processes. 33 (3), 318-328 (1995).</li>
<li>Iversen, I. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Response-initiated+imaging+of+operant+behavior+using+a+digital+camera%5BTitle%5D)+AND+%22Journal+of+the+Experimental+Analysis+of+Behavior%22%5BJournal%5D)">Response-initiated imaging of operant behavior using a digital camera.</a> Journal of the Experimental Analysis of Behavior. 77 (3), 283-300 (2002).</li>
<li>Med Associates Inc. Video monitor: Video monitor SOF-842 user's manual. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22Med+Associates+Inc%22">Med Associates Inc</a>. , St. Albans, Vermont. 26-30 (2004).</li>
<li>Coulbourn Instruments. Coulbourn Instruments. , Available from: 
 <a target="_blank" href="https://www.coulbourn.com/product_p/h39-16.htm">https://www.coulbourn.com/product_p/h39-16.htm</a> (2020).</li>
<li>Mathis, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DeepLabCut%3A+markerless+pose+estimation+of+user-defined+body+parts+with+deep+learning%5BTitle%5D)+AND+%22Nature+Neuroscience%22%5BJournal%5D)">DeepLabCut: markerless pose estimation of user-defined body parts with deep learning.</a> Nature Neuroscience. 21 (9), 1281-1289 (2018).</li>
<li>Nath, T., Mathis, A., Chen, A. C., Patel, A., Bethge, M., Mathis, M. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Using+DeepLabCut+for+3D+markerless+pose+estimation+across+species+and+behaviors%5BTitle%5D)+AND+%22Nature+Protocols%22%5BJournal%5D)">Using DeepLabCut for 3D markerless pose estimation across species and behaviors.</a> Nature Protocols. 14 (7), 2152-2176 (2019).</li>
<li>Bari, A., Dalley, J. W., Robbins, T. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+application+of+the+5-chopice+serial+reaction+time+task+for+the+assessment+of+visual+attentional+processes+and+impulse+control+in+rats%5BTitle%5D)+AND+%22Nature+Protocols%22%5BJournal%5D)">The application of the 5-chopice serial reaction time task for the assessment of visual attentional processes and impulse control in rats.</a> Nature Protocols. 3 (5), 759-767 (2008).</li>
<li>Raspberry Pi foundation. Raspberry Pi foundation. , Available from: 
 <a target="_blank" href="https://thepi.io/how-to-install-raspbian-on-the-raspberry-pi/">https://thepi.io/how-to-install-raspbian-on-the-raspberry-pi/</a> (2020).</li>
<li>Pi-supply. Pi-supply. , Available from: 
 <a target="_blank" href="https://learn.pi-supply.com/make/bright-pi-quickstart-faq/">https://learn.pi-supply.com/make/bright-pi-quickstart-faq/</a> (2018).</li>
<li>Python. Python. , Available from: 
 <a target="_blank" href="https://wiki.python.org/moin/BeginnersGuide/NonProgrammers">https://wiki.python.org/moin/BeginnersGuide/NonProgrammers</a> (2020).</li>
<li>MathWorks. MathWorks. , Available from: 
 <a target="_blank" href="https://mathworks.com/academia/highschool/">https://mathworks.com/academia/highschool/</a> (2020).</li>
<li>Cran.R-Project.org. Cran.R-Project.org. , Available from: 
 <a target="_blank" href="https://cran.r-project.org/manuals.html">https://cran.r-project.org/manuals.html</a> (2020).</li>
<li>Liu, Y., Tian, C., Huang, Y. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aLiu%2C+Y+%22Critical+assessment+of+correction+methods+for+fisheye+lens+distortion.+The+international+archives+of+the+photogrammetry%2C+remote+sensing+and+spatial+information+sciences%22">Critical assessment of correction methods for fisheye lens distortion. The international archives of the photogrammetry, remote sensing and spatial information sciences</a>. , (2016).</li>
<li>Pereira, T. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+animal+pose+estimation+using+deep+neural+networks%5BTitle%5D)+AND+%22Nature+Methods%22%5BJournal%5D)">Fast animal pose estimation using deep neural networks.</a> Nature Methods. 16 (1), 117-125 (2019).</li>
<li>Graving, J. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DeepPoseKit%2C+a+software+toolkit+for+fast+and+robust+animal+pose+estimation+using+deep+learning%5BTitle%5D)+AND+%22Elife%22%5BJournal%5D)">DeepPoseKit, a software toolkit for fast and robust animal pose estimation using deep learning.</a> Elife. 8 (47994), (2019).</li>
<li>Geuther, B. Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Robust+mouse+tracking+in+complex+environments+using+neural+networks%5BTitle%5D)+AND+%22Communications+Biology%22%5BJournal%5D)">Robust mouse tracking in complex environments using neural networks.</a> Communications Biology. 2 (124), (2019).</li>
</ol>

Chociaż materiały i zasoby fundacji Raspberry Pi zostały wykorzystane i zacytowane w tym manuskrypcie, fundacja nie była aktywnie zaangażowana w przygotowanie lub wykorzystanie sprzętu i danych w tym manuskrypcie. To samo dotyczy Pi-Supply. Autorzy nie mają nic do ujawnienia.

Protokół ten opisuje, jak zbudować niedrogą i elastyczną kamerę wideo, która może być używana do nagrywania filmów z komór kondycjonowania instrumentalnego i innych konfiguracji testów behawioralnych. Dalej pokazano, jak używać DeepLabCut do śledzenia silnego sygnału świetlnego w tych filmach i jak można to wykorzystać, aby pomóc w identyfikacji krótkich interesujących segmentów wideo w plikach wideo, które obejmują pełne sesje testowe. Na koniec opisano, w jaki sposób wykorzystać śledzenie głowy szczura do uzupełnienia ...

W dziedzinie neuronauki behawioralnej, badacze często używają komór warunkowania instrumentalnego do oceny szerokiego zakresu różnych cech poznawczych i psychiatrycznych u gryzoni. Chociaż istnieje kilku różnych producentów takich systemów, zazwyczaj mają one pewne wspólne atrybuty i prawie ustandaryzowaną konstrukcję1,2,3. Komory mają zazwyczaj kształt kwadratu lub prostokąta, z jedną ścianą, którą można otworzyć, aby umieścić w niej zwierzęta, a jedną lub dwiema pozostałymi ścianami zawierającymi elementy, takie jak dźwignie, otwory do szturchania nosa, tacki z nagrodami, koła reakcji i różnego rodzaju światła1,2,3. Światła i czujniki znajdujące się w komorach służą zarówno do kontrolowania protokołu testowego, jak i śledzenia zachowań zwierząt1,2,3,4,5. Typowe systemy kondycjonowania instrumentalnego pozwalają na bardzo szczegółową analizę interakcji zwierząt z różnymi operandami i otworami obecnymi w komorach. Ogólnie rzecz biorąc, wszelkie sytuacje, w których czujniki są uruchamiane, mogą być rejestrowane przez system, a na podstawie tych danych użytkownicy mogą uzyskać szczegółowe pliki dziennika opisujące, co zwierzę robiło podczas określonych etapów testu4,5. Chociaż zapewnia to obszerną reprezentację wydajności zwierzęcia, może być używane tylko do opisywania zachowań, które bezpośrednio wywołują jeden lub więcej czujników4,5. W związku z tym aspekty związane z tym, jak zwierzę ustawia się i porusza wewnątrz komory podczas różnych faz testu, nie są dobrze opisane6,7,8,9,10. Jest to niefortunne, ponieważ takie informacje mogą być cenne dla pełnego zrozumienia zachowania zwierzęcia. Na przykład, może być użyty do wyjaśnienia, dlaczego niektóre zwierzęta osiągają słabe wyniki w danym teście6, do opisania strategii, które zwierzęta mogą rozwinąć, aby poradzić sobie z trudnymi zadaniami6,7,8,9,10, lub aby docenić prawdziwą złożoność rzekomo prostych zachowań11,12. Aby uzyskać takie informacje, badacze często korzystają z ręcznej analizy filmów6,7,8,9,10,11.
Podczas nagrywania filmów z komór kondycjonowania instrumentalnego, wybór kamery jest krytyczny. Komory są zwykle zlokalizowane w kabinach izolacyjnych, a protokoły często wykorzystują kroki, w których nie świeci żadne światło widzialne3,6,7,8,9. Dlatego konieczne jest stosowanie oświetlenia w podczerwieni (IR) w połączeniu z kamerą czułą na podczerwień, ponieważ zapewnia ona widoczność nawet w całkowitej ciemności. Co więcej, przestrzeń dostępna do umieszczenia kamery w kabinie izolacyjnej jest często bardzo ograniczona, co oznacza, że duże korzyści przynosi posiadanie małych kamer, które wykorzystują obiektywy o szerokim polu widzenia (np. obiektywy typu rybie oko)9. Podczas gdy producenci systemów kondycjonowania instrumentalnego mogą często dostarczać swoim klientom wysokiej jakości konfiguracje kamer, systemy te mogą być drogie i niekoniecznie pasują do komór innych producentów lub konfiguracji do innych testów behawioralnych. Jednak zauważalną zaletą korzystania z samodzielnych kamer wideo jest to, że te konfiguracje często mogą łączyć się bezpośrednio z systemami kondycjonowania instrumentalnego13,14. Dzięki temu można je skonfigurować tak, aby rejestrowały tylko określone zdarzenia, a nie pełne sesje testowe, co może znacznie pomóc w następującej analizie.
Obecny protokół opisuje, jak zbudować tanią i wszechstronną kamerę wideo przy użyciu komponentów elektroniki hobbystycznej. Kamera wykorzystuje obiektyw typu rybie oko, jest czuła na oświetlenie w podczerwieni i posiada dołączony zestaw diod elektroluminescencyjnych IR (IR LED). Co więcej, jest zbudowany tak, aby miał płaski i smukły profil. Razem te aspekty sprawiają, że idealnie nadaje się do nagrywania filmów z większości dostępnych na rynku komór kondycjonowania instrumentalnego, a także innych konfiguracji testów behawioralnych. Protokół opisuje ponadto, jak przetwarzać filmy uzyskane za pomocą kamery i jak korzystać z pakietu oprogramowania DeepLabCut15,16, aby pomóc w wyodrębnianiu interesujących sekwencji wideo, a także śledzeniu ruchów zwierzęcia w nich. Częściowo pozwala to obejść wadę korzystania z samodzielnej kamery w porównaniu ze zintegrowanymi rozwiązaniami dostarczanymi przez producentów systemów kondycjonowania i stanowi uzupełnienie ręcznej oceny zachowań.
Podjęto wysiłki, aby napisać protokół w ogólnym formacie, aby podkreślić, że cały proces może być dostosowany do filmów z różnych testów warunkowania instrumentalnego. Aby zilustrować pewne kluczowe pojęcia, jako przykłady użyto filmów przedstawiających szczury wykonujące test czasu reakcji szeregowej 5 wyborów (5CSRTT)17.

<table><tbody><tr><td>Karta micro SD 32 Gb z fabrycznie zainstalowanym nowym oprogramowaniem Our Of Box (NOOBS)</td><td>Rezystor Pi hut (https://thpihut.com)</td><td>Rezystor 330 Ohm 32 GB</td><td></td></tr><tr><td></td><td>The Pi hut (https://thpihut.com)</td><td>100287</td><td>Ten artykuł dotyczy pakietu z rezystorami mieszanymi, w którym znajdują się rezystory 330-omowe.</td></tr><tr><td>Moduł kamery (kamera Raspberry Pi NoIR v.2)</td><td>Chata Pi (https://thpihut.com)</td><td>100004</td><td></td></tr><tr><td>taśmowy kamery (króciec kamery Raspberry Pi Zero)</td><td>Chata Pi (https://thpihut.com)</td><td>MMP-1294</td><td>Jest to potrzebne tylko wtedy, gdy używany jest Raspberry Pi zero. Jeśli używana jest inna płytka Raspberry Pi, do elementu kamery dołączony jest odpowiedni taśmowy</td></tr><tr><td>do kamery Kolorowe diody LED</td><td>Chata Pi (https://thpihut.com)</td><td>ADA4203</td><td>Ten artykuł dotyczy pakietu z mieszanymi kolorami diod LED. Można użyć dowolnego koloru.</td></tr><tr><td>połączeniowe żeńsko-żeńskie</td><td>Chata Pi (https://thpihut.com)</td><td>Moduł LED IR ADA266</td><td></td></tr><tr><td>(Bright Pi)</td><td>Zasilanie Pi (https://uk.pi-supply.com)Płyta</td> główna mikrokomputera <td>PIS-0027</td><td></td></tr><tr><td>(płytka Raspberry Pi Zero z wlutowanymi złączami)</td><td>Chata Pi (https://thpihut.com)</td><td>102373</td><td>Można również użyć innych płytek Raspberry Pi, chociaż metoda automatycznego uruchamiania skryptu Pythona działa tylko z Raspberry Pi zero. Jeśli używasz innych modeli, skrypt języka Python musi zostać uruchomiony ręcznie.</td></tr><tr><td>Przełącznik wciskany</td><td>Chatka Pi (https://thpihut.com)</td>zasilający <td>ADA367</td><td></td></tr><tr><td>Raspberry Pi</td><td>Chatka Pi (https://thpihut.com)</td><td>102032</td><td></td></tr><tr><td>Obudowa Raspberry Pi Zero</td><td>Chatka Pi (https://thpihut.com)</td><td>102118</td><td></td></tr><tr><td>Raspberry Pi, Mod my pi, statyw do aparatu z magnetycznym obiektywem typu rybie oko i magnetycznym metalowym pierścieniem</td><td>Chatka Pi (https://thpihut.com)</td><td>MMP-0310-ZESTAW</td><td></td></tr></tbody></table>

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

Tracking Rats in Operant Conditioning Chambers Using a Versatile Homemade Video Camera and DeepLabCut

Komory warunkowania instrumentalnego są używane do przeprowadzania szerokiego zakresu testów behawioralnych w dziedzinie neuronauki. Rejestrowane dane są zwykle oparte na uruchomieniu czujników dźwigni i szturchnięcia nosa znajdujących się wewnątrz komór. Chociaż zapewnia to szczegółowy wgląd w to, kiedy i jak zwierzęta wykonują określone reakcje, nie może być używane do oceny zachowań, które nie uruchamiają żadnych czujników. W związku z tym ocena tego, jak zwierzęta ustawiają się i poruszają w komorze, jest rzadko możliwa. Aby uzyskać te informacje, badacze zazwyczaj muszą nagrywać i analizować filmy. Producenci komór kondycjonowania instrumentalnego zazwyczaj mogą dostarczyć swoim klientom wysokiej jakości zestawy kamer. Mogą one być jednak bardzo kosztowne i niekoniecznie pasują do komór innych producentów lub innych konfiguracji testów behawioralnych. Obecny protokół opisuje, jak zbudować niedrogą i wszechstronną kamerę wideo przy użyciu hobbystycznych komponentów elektronicznych. Dalej opisano, w jaki sposób korzystać z pakietu oprogramowania do analizy obrazu DeepLabCut do śledzenia stanu silnego sygnału świetlnego, a także pozycji szczura, na filmach zebranych z komory kondycjonowania instrumentalnego. Pierwsza z nich jest bardzo pomocna przy wyborze krótkich interesujących segmentów w filmach, które obejmują całe sesje testowe, a druga umożliwia analizę parametrów, których nie można uzyskać z dzienników danych wytwarzanych przez komory operacyjne.

Wydajność kamery wideo
Reprezentatywne wyniki zebrano w komorach warunkowania instrumentalnego dla szczurów o powierzchni podłogi 28,5 cm x 25,5 cm i wysokości 28,5 cm. Przy zamontowanym obiektywie rybim kamera rejestruje całą powierzchnię podłogi oraz duże fragmenty otaczających ścian, gdy zostanie umieszczona nad komorą (Rysunek 7A). Dzięki temu można uzyskać dobry widok, nawet jeśli kamera jest umieszczona poza centrum górnej części komory. Pow...

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.

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

Operant conditioning chambers are used to perform a wide range of behavioral tests in the field of neuroscience. The recorded data is typically based on ...

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.

tracking-rats-operant-conditioning-chambers-using-versatile-homemade

Research

JoVE Journal

Behavior

Zachowanie

Aktywność lokomotoryczna (LMA) to prosty i łatwy do wykonania pomiar zachowania u myszy. Sprzężenie oprogramowania do śledzenia wideo (VTS) i LMA pozwala na poprawę swoistości i czułości, zwłaszcza w porównaniu z ręczną metodą analizy LMA polegającą na przekraczaniu linii. Dodatkowo VTS umożliwia długoterminowe śledzenie LMA myszy.

Krótko- i długoterminowa aktywność ruchowa myszy analizowana przez oprogramowanie do śledzenia wideo

Opisujemy protokoły szkolenia szczurów do przewlekłych zapisów elektrofizjologicznych w pełni zautomatyzowanych zadaniach poznawczych w labiryncie projekcji podłogowej.

Zautomatyzowane wizualne zadania poznawcze do rejestrowania aktywności neuronalnej za pomocą labiryntu projekcji podłogowej

Obecne badanie miało na celu zautomatyzowanie kwantyfikacji deficytów motorycznych u szczurów. Wstępny model oceny ocenia utratę motoryczną wynikającą z implantacji mikroelektrody wewnątrzkorowej w korze ruchowej. Informujemy o rozwoju i wykorzystaniu algorytmu śledzenia za pomocą łatwego do adaptacji, prostego i łatwo dostępnego oprogramowania do kodowania.

Nowatorski system śledzenia funkcji motorycznych pojedynczego zwierzęcia za pomocą prostego, łatwo dostępnego oprogramowania

Prezentowany tutaj jest protokół do zbierania i analizy trójwymiarowej kinematyki poruszania się czworonożnych u gryzoni do badań przedklinicznych.

Analiza kinematyczna chodu 3D do badań przedklinicznych na gryzoniach

Umiejętne sięganie gryzoni jest powszechnie używane do nauki zręczności, ale wymaga znacznego czasu i wysiłku do wykonania zadania i przeanalizowania zachowania. Opisujemy zautomatyzowaną wersję umiejętnego docierania ze śledzeniem ruchu i trójwymiarową rekonstrukcją trajektorii zasięgu.

Zautomatyzowane sięganie pojedynczych śruin szczura z 3-wymiarową rekonstrukcją trajektorii łap i palców

Opisany tutaj jest nowatorski zautomatyzowany system eksperymentalny, który stanowi alternatywę dla testu trzykomorowego, a także rozwiązuje kilka zastrzeżeń. System ten dostarcza wielu parametrów behawioralnych, które umożliwiają rygorystyczną analizę dynamiki zachowania małych gryzoni podczas testów preferencji społecznych i preferencji nowości społecznych.

System do śledzenia dynamiki zachowań preferencji społecznych u małych gryzoni

Obecne badanie opisuje test zachowania motorycznego do analizy deficytów motorycznych w modelach gryzoni, w tym szczura TgF344-AD, z wykorzystaniem uczenia maszynowego.

Zadanie motoryczne w celu badania kinematyki stawów w przedklinicznym modelu chorób neurodegeneracyjnych

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.

Interaktywny system do badania zachowań konfrontacyjnych u gryzoni w czasie rzeczywistym

Protokół ten ustanawia pipeline oceny kinematyki tylnej kończyny szczura za pomocą testu na bieżni bez markerów z automatycznym oznaczaniem trajektorii wielostawowych opartym na głębokim uczeniu, co umożliwia powtarzalną ilościową ilościową identyfikację ruchu.

Wielostawowe synchroniczne śledzenie oparte na uczeniu głębokim do obiektywnej ilościowej kinematyki ruchowej kończyn tylnych u szczurów

Zadania preferencji społecznych wielokomorowych zostały dostosowane od szczurów do rybek zebra, ułatwiając badania nad zachowaniami społecznymi w organizmach modelowych. Ten protokół waliduje niskobudżetowe zadanie trójkomorowe z otwartym zbiornikiem przy użyciu kamer internetowych i oprogramowania open-source w celu zmierzenia preferencji społecznych rybek zebra, czyniąc je dostępnymi dla badań i nauczania na poziomie licencjackim.

Niedroga alternatywa do badania preferencji społecznych u Danio pręgowanego (Danio rerio) przy użyciu zadania wolnego pływania w trzykomorowym otwartym zbiorniku

Poznaj metodę śledzenia zachowań szczurów w komorach kondycjonowania instrumentalnego przy użyciu niedrogiej kamery wideo i oprogramowania DeepLabCut. To podejście poprawia dokładność analizy behawioralnej.

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

Przeglądaj więcej filmów