Wielostawowe synchroniczne śledzenie oparte na uczeniu głębokim do obiektywnej ilościowej kinematyki ruchowej kończyn tylnych u szczurów
April 3rd, 2026
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.
Opracowaliśmy bieżnię opartą na sztucznej inteligencji do śledzenia ruchów szczurów, co pomaga nam precyzyjnie ocenić powrót do zdrowia po urazie rdzenia kręgowego. W przeciwieństwie do tradycyjnych metod opartych na odcisku stopy, które oznaczają złożoną ekonomię stawów, nasz system sztucznej inteligencji bezpośrednio śledzi ruchy wielu stawów. Na początek włącz komputer komercyjny i uruchom oprogramowanie do nagrywania i analizy wideo.
Ustaw obiektyw aparatu prostopadle do osi podłużnej bieżni, aby uzyskać wyłącznie boczny widok, zachowując poziomą odległość roboczą 15 centymetrów od płaszczyzny taśmy bieżni. Następnie zapisz masę ciała każdego szczura na wadze elektronicznej. Włączaj tylko szczury o dopasowanej masie ciała, aby zminimalizować wpływ na rozmiar ciała.
Załóż rękawiczki i delikatnie chwyć szczura. Zawinij elastyczny pasek na klatkę piersiową wokół przedniej pachy i przymocuj do regulowanej szyny ślizgowej. Następnie wyreguluj pasek tak, aby jeden palec mógł się włożyć bez ograniczania oddychania.
Na ekranie dotykowym ustaw prędkość na 150 milimetrów na sekundę i nachylenie na zero stopni. Przeprowadź 10-minutową sesję aklimatyzacyjną, aby przystosować szczura do poziomu wsparcia masy ciała, jednocześnie monitorując oznaki stresu i zmęczenia, takie jak niechęć do ruchu czy długotrwałe wypróżnianie. Potwierdź pomyślną aklimatyzację, gdy szczur utrzymuje ciągły i równomierny krok przez co najmniej 60 sekund bez ciągnięcia łapą i z naturalnie zwisającym ogonem.
Wyklucz zwierzęta, które nie spełniają tych kryteriów po upływie maksymalnego okresu aklimatyzacji. Wprowadź parametry formalnego eksperymentu na ekranie dotykowym. Wpisz kolejno pożądaną prędkość i nachylenie, a następnie wybierz kierunek pasa bieżni.
Po stabilizacji wybierz Rozpocznij nagrywanie, aby rozpocząć akwizycję danych. Nieprzerwanie rejestruj co najmniej pięć pełnych cykli chodu. Na koniec każdej próby zmniejszaj prędkość do 0 milimetrów na sekundę.
Odepnij pasek na klatce piersiowej i odłóż szczura do odpowiedniej klatki. Wyodrębnij fragmenty wideo trwające około 10 sekund, które zawierają docelowy chód z co najmniej 10 cyklami stabilnego chodu. Zarejestruj informacje o szczurze, w tym numer identyfikacyjny, grupę oraz warunki eksperymentalne.
Zaimportuj plik MOV do oprogramowania analitycznego. Normalizuj każdy cykl chodu od zera do 100%, aby ustandaryzować długość cyklu. Generuj reprezentatywne obrazy ilustrujące dynamikę chodu.
Eksportuj współrzędne położenia przestrzennego każdego stawu w czasie jako plik csv do dalszej analizy. Po zakończeniu modelowania zwierząt należy wszczepić urządzenie do rejestracji elektrofizjologicznej. Aby rejestrować sygnały mózgowe, umieść elektrody na powierzchni czaszki, w przestrzeni zewnątrzoponowej lub korze mózgowej, aby rejestrować sygnały mózgowe.
Do rejestracji rdzenia kręgowego należy włożyć elektrody rejestrujące do przestrzeni zewnątrzoponowej otworu międzykręgowego. Do zapisu elektromiograficznego zakopuj srebrne przewody dwubiegunowe w docelowych mięśniach, aby rejestrować aktywność elektryczną mięśni. Pozwól zwierzęciu na regenerację przez pięć do siedmiu dni po zagnieżdżeniu się.
Codziennie sprawdzaj ranę i chod, aby upewnić się, że nie ma oznak infekcji ani bólu przed testem na bieżni. Przygotuj sprzęt i zwierzęta przed eksperymentem zsynchronizowanym. Następnie zsynchronizuj akwizycję danych elektrofizjologicznych z filmem z ruchu, aby upewnić się, że oba mają ten sam znacznik czasu.
Poprzez analizę dopasuj sygnały nerwowe do odpowiadających im klatek wideo, aby zwizualizować wzorce elektrofizjologiczne w różnych fazach chodu. Szczury z uszkodzeniem rdzenia kręgowego wykazywały znaczną utratę ruchu i nieregularne krzywe przemieszczenia biodrowego. Szczury z urazem rdzenia kręgowego wykazywały zwiększone wahania kątów stawów w porównaniu ze zdrowymi szczurami.
Mapa ciepła zakresu ruchu stawów wykazała szeroki spadek skali koloru u szczurów z urazem rdzenia kręgowego w porównaniu ze zdrowymi szczurami, podczas gdy mapa aktywności trajektorii wykazała istotne zmniejszenie zakresu ruchu każdego stawu oraz upośledzoną ciągłość ruchu. Dla szczurów z urazami rdzenia kręgowego mapa chmury punktowej wykazała zwiększoną dyspersję i przesunięcie środka masy w lewo. Wykres wodospadów wysokości pokazuje rozkład bimodalny wzdłuż osi x między grupami z ogólnym spadkiem różnic w środku ruchu.
Dla osi y na początku ruchu obserwuje się spadek różnicy. Ogólny rozkład różnic jest chaotyczny, co wskazuje na nieprawidłowe fazy ruchu u szczurów z uszkodzeniem rdzenia kręgowego w porównaniu do zdrowych szczurów. Pionowy rozkład szczytu wysokości palców u palców został przesunięty w prawo u szczurów z urazem rdzenia kręgowego.
Wykres zakresu prędkości pokazywał, że łączny zakres prędkości w każdej klatce był zwężony w grupie kontuzjowanych. Ponadto szczury związane z uszkodzeniem rdzenia kręgowego wykazywały również zmniejszenie powierzchni płaszczyzny fazowej, szacowanego wskaźnika maksymalnej siły napędu oraz wskaźników płynności ruchu. Nasz system pozwala naukowcom precyzyjnie mierzyć trajektorie wielostawowe, rozkład siły oraz płynność ruchu w czasie rzeczywistym.
Ważnym aspektem jest dokładne przyzwyczajenie szczura do systemu bieżni, aby zapewnić stabilność i przeanalizować wzorce chodu. Możemy zsynchronizować system z EMG lub EEG, aby rozszyfrować sygnały mechanizmów stojących za tym ruchem.
View the full transcript and gain access to thousands of scientific videos
Overview
This article presents a markerless, treadmill-based gait analysis system for rodents that leverages custom deep learning algorithms to enable real-time, multidimensional tracking of lower-limb joint kinematics. The system provides objective, high-throughput quantification of gait parameters under various experimental conditions, and is validated using spinal cord injury (SCI) models to demonstrate its sensitivity and utility in neuromuscular research.
Key Study Components
Area of Science
- Neuroscience
- Kinesiology
- Behavioral analysis
- Biomedical engineering
Background
- Accurate assessment of rodent gait is critical for studying neuromuscular and neurological disorders.
- Traditional footprint-based methods are limited in capturing complex, multi-joint kinematics.
- Objective, high-dimensional gait analysis tools are needed to reduce bias and improve data richness.
- Integration of neural signal recording with behavioral analysis can elucidate central-peripheral control mechanisms.
Purpose of Study
- To develop a markerless, AI-driven treadmill system for real-time, multi-joint gait analysis in rodents.
- To enable objective quantification of gait parameters under variable speed, incline, and weight support.
- To validate the system's sensitivity in distinguishing healthy from spinal cord injured rodents.
Methods Used
- Setup of a programmable treadmill with lateral video capture for markerless joint tracking.
- Application of deep learning algorithms for automatic extraction of joint trajectories and gait parameters.
- Experimental modulation of treadmill speed (0–300 mm/s), incline (±30°), and weight support (0–500 g).
- Integration of electrophysiological recordings (EEG, EMG, spinal cord signals) synchronized with gait video.
- Analysis of gait cycles, joint kinematics, force distribution, and movement smoothness.
Main Results
- The system enables real-time, high-throughput extraction of multi-joint trajectories and gait cycle parameters.
- SCI rats exhibited significant loss of swing, irregular iliac displacement, increased joint angle fluctuations, and reduced range of motion compared to healthy controls.
- Heat maps and trajectory analyses revealed impaired movement continuity and altered force distribution in SCI rats.
- Synchronization with neural recordings allowed visualization of electrophysiological patterns across gait phases.
Conclusions
- The markerless treadmill system provides objective, multidimensional gait analysis, overcoming limitations of traditional methods.
- It is sensitive to neuromuscular deficits and suitable for disease discrimination and grading.
- The platform supports integration with neurophysiological recordings, enabling advanced studies of motor control and neuromodulation.
