Śledzenie szczurów w komorach kondycjonowania instrumentalnego za pomocą uniwersalnej domowej kamery wideo i DeepLabCut
June 15th, 2020
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.
View the full transcript and gain access to thousands of scientific videos
Przegląd
Ten protokół opisuje budowę niedrogiego aparatu wideo i jego zastosowanie w śledzeniu zachowania gryzoni w komorach uczenia się operantowego. Wykorzystując oprogramowanie do śledzenia open-source, naukowcy mogą poprawić swoją analizę złożonych zachowań.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauka
- Analiza zachowań
- Uczenie się operantowe
Tło
- Uczenie się operantowe jest powszechną metodą badania zachowania zwierząt.
- Analiza wideo może zapewnić głębsze wgląd w wzorce zachowań.
- Tradycyjne metody mogą być ograniczone przez ograniczenia budżetowe.
- Narzędzia open-source mogą demokratyzować dostęp do zaawansowanych technologii śledzenia.
Cel badania
- Dostarczyć niedrogą rozwiązanie do nagrywania wideo w badaniach behawioralnych.
- Ułatwienie śledzenia ruchów zwierząt podczas eksperymentów.
- Poprawa dokładności analizy danych behawioralnych.
Zastosowane metody
- Budowa małej kamery wideo.
- Integracja z oprogramowaniem do śledzenia open-source.
- Rejestrowanie zachowania gryzoni w komorach uczenia się operantowego.
- Analiza danych wideo w celu śledzenia pozycji zwierząt.
Główne wyniki
- Protokół umożliwia skuteczne śledzenie zachowania gryzoni.
- Analiza wideo poprawia zrozumienie wyników uczenia się operantowego.
- Niedrogie metody są dostępne dla różnych laboratoriów badawczych.
- Poprawa jakości danych dzięki technikom analizy wideo.
Wnioski
- Ten protokół oferuje praktyczne podejście do badań behawioralnych.
- Wykorzystanie śledzenia wideo może znacząco poprawić analizę danych.
- Rozwiązania open-source mogą wspierać inicjatywy badawcze ograniczone budżetowo.
Często zadawane pytania
Executive Industry Relevance
This protocol enables cost-effective video-based behavioral analysis in operant conditioning chambers, addressing a key limitation in neuroscience research where sensor-derived data alone cannot capture spatial movement patterns. By integrating a versatile homemade camera system with DeepLabCut, labs gain the ability to quantify animal positioning and locomotion—parameters critical for mechanistic de-risking in target validation and phenotypic screening workflows. The approach supports predictive confidence in preclinical models by enabling detailed behavioral phenotyping without reliance on expensive commercial systems.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses through quantitative analysis of rodent movement patterns during operant tasks, supporting functional target validation.
- Operational Value: Provides a reproducible method to assess behaviors not detectable via lever or nose-poke sensors, reducing mechanistic ambiguity in early-stage target assessment.
Screening & Assay Development
- Scientific Value: Generates standardized, quantitative positional data from video frames, enabling reliable compound evaluation in behavioral assays.
- Operational Value: Facilitates assay readiness by producing trackable outputs (e.g., head position, protocol indicator alignment) that support high-throughput video analysis pipelines.
Translational & Preclinical Research
- Scientific Value: Supports disease-relevant system modeling by capturing naturalistic behaviors (e.g., head movements during inter-trial intervals) linked to attentional states and task engagement.
- Operational Value: Enables continuity from discovery through preclinical validation by providing scalable, reusable video tracking across test sessions and experimental conditions.
Pipeline & Workflow Integration
The method fits within the discovery continuum from hypothesis testing to lead identification, where detailed behavioral readouts inform target selection and compound prioritization based on movement-based phenotypes.
- Discovery Biology: Supports hypothesis testing and pathway clarification by tracking animal position relative to environmental cues, enabling correlation of movement with cognitive performance.
- Screening: Delivers assay standardization and quantitative outputs (e.g., CSV-tracked coordinates) that allow comparison across treatment groups and timepoints.
- Analytics: Provides statistical-ready data (e.g., frame-by-frame position, indicator activation timing) for in-depth analysis of behavioral events such as reward retrieval or inter-trial intervals.
- Translational Research: Connects to preclinical continuity by enabling detection of distinct attentional strategies and movement patterns relevant to neuropsychiatric disease models.
- Enterprise Reuse: Establishes a modular, adaptable capability for video-based phenotyping that can be deployed across multiple operant chambers and behavioral paradigms.
Operational & Enterprise Impact
- Scientific Value: Enhances predictive confidence by reducing reliance on indirect behavioral proxies and enabling direct observation of spatial dynamics in operant tasks.
- Operational Value: Ensures reproducibility through standardized camera setup and DeepLabCut pipeline, supporting cross-lab consistency in behavioral data generation.
- Strategic Value: Improves go/no-go decisions by uncovering subtle behavioral phenotypes (e.g., limited responsiveness vs. cue detection failure) that inform compound efficacy and target engagement.
- Portfolio Impact: Enables risk-adjusted advancement by identifying mechanistically informative behavioral signatures early in discovery, reducing late-stage attrition due to poor translational predictivity.
Implementation Considerations
- Requires basic electronics and soldering skills for camera assembly, including resistor and jumper cable integration with GPIO components.
- Depends on accessible hardware such as Raspberry Pi, camera module, fisheye lens, infrared LEDs, and USB storage for video retrieval and processing.
- Necessitates cross-team standardization in video acquisition protocols (e.g., consistent lighting, frame rate, indicator synchronization) to ensure reliable DeepLabCut training and tracking accuracy.
- Involves adaptation considerations when applying the system to different chamber geometries or behavioral setups, particularly regarding camera positioning and field of view.
- Practical limitations include dependency on sufficient infrared illumination for low-light tracking and the need for diverse, well-postured training frames (>700) to achieve >90% head tracking accuracy as noted in the protocol.
Biopharma FAQs
Chapters in this video
0:04
Introduction
0:50
Building the Video Camera
3:32
Designing the Operant Conditioning Protocol and Recording Videos of Animals
4:14
Analyzing Videos with DeepLabCut
5:50
Identifying Video Segments of Interest
6:37
Results: Camera performance and Video Tracking to Complement Analysis of Operant Behaviors
8:03
Conclusion
