Rastreando ratos em câmaras de condicionamento operantes usando uma versátil câmera de vídeo caseira e deeplabcut

Summary

Este protocolo descreve como construir uma pequena e versátil câmera de vídeo, e como usar vídeos obtidos a partir dele para treinar uma rede neural para rastrear a posição de um animal dentro de câmaras de condicionamento operantes. Este é um complemento valioso às análises padrão de registros de dados obtidos a partir de testes de condicionamento operantes.

Abstract

As câmaras de condicionamento operantes são usadas para realizar uma ampla gama de testes comportamentais no campo da neurociência. Os dados registrados são tipicamente baseados no acionamento de sensores de alavanca e cutucador de nariz presentes dentro das câmaras. Embora isso forneça uma visão detalhada de quando e como os animais executam certas respostas, ele não pode ser usado para avaliar comportamentos que não acionam nenhum sensor. Como tal, avaliar como os animais se posicionam e se movem dentro da câmara raramente é possível. Para obter essas informações, os pesquisadores geralmente têm que gravar e analisar vídeos. Os fabricantes de câmaras de condicionamento operantes podem normalmente fornecer aos seus clientes configurações de câmera de alta qualidade. No entanto, estes podem ser muito caros e não necessariamente se encaixam em câmaras de outros fabricantes ou outras configurações de teste comportamental. O protocolo atual descreve como construir uma câmera de vídeo barata e versátil usando componentes eletrônicos de hobby. Ele descreve ainda como usar o pacote de software de análise de imagens DeepLabCut para rastrear o status de um sinal de luz forte, bem como a posição de um rato, em vídeos reunidos a partir de uma câmara de condicionamento operante. O primeiro é um grande auxílio na seleção de segmentos curtos de interesse em vídeos que cobrem sessões de teste inteiras, e este último permite a análise de parâmetros que não podem ser obtidos a partir dos registros de dados produzidos pelas câmaras operárias.

Introduction

No campo da neurociência comportamental, os pesquisadores geralmente usam câmaras de condicionamento operantes para avaliar uma ampla gama de diferentes características cognitivas e psiquiátricas em roedores. Embora existam vários fabricantes diferentes desses sistemas, eles normalmente compartilham certos atributos e têm um design quase padronizado^1,,2,,3. As câmaras são geralmente quadradas ou em forma de retângulo, com uma parede que pode ser aberta para a colocação de animais dentro, e uma ou duas das paredes restantes contendo componentes como alavancas, aberturas de nariz,bandejas de recompensa, rodas de resposta e luzes de vários tipos^1,,2,,3. As luzes e sensores presentes nas câmaras são usados tanto para controlar o protocolo de teste quanto para rastrear os comportamentos dos animais^1,,2,,3,4,5. Os sistemas típicos de condicionamento operante permitem uma análise muito detalhada de como os animais interagem com as diferentes operanda e aberturas presentes nas câmaras. Em geral, quaisquer ocasiões em que os sensores são acionados podem ser registrados pelo sistema, e a partir desses dados os usuários podem obter arquivos de registro detalhados descrevendo o que o animal fez durante etapas específicas do teste^4,,5. Embora isso forneça uma representação extensiva do desempenho de um animal, ele só pode ser usado para descrever comportamentos que acionam diretamente um ou mais sensores^4,,5. Como tal, aspectos relacionados à forma como o animal se posiciona e se move dentro da câmara durante diferentes fases do teste não são bem descritos^6,7,8,,9,10. Isso é lamentável, pois tais informações podem ser valiosas para entender completamente o comportamento do animal. Por exemplo, pode ser usado para esclarecer por que certos animais têm um desempenho ruim em um determinado teste⁶, para descrever as estratégias que os animais podem desenvolver para lidar com tarefas difíceis^{6,,7,,8,,9,,10}, ou para apreciar a verdadeira complexidade de comportamentos supostamente simples^11,,12. Para obter tais informações articuladas, os pesquisadores geralmente recorrem à análise manual dos vídeos^{6,,7,,8,,9,,10,11}.

Ao gravar vídeos de câmaras de condicionamento operantes, a escolha da câmera é crítica. As câmaras são comumente localizadas em cubículos isolados, com protocolos frequentemente fazendo uso de passos onde nenhuma luz visível está brilhando^3,,6,7,,8,9. Portanto, é necessário o uso da iluminação infravermelh (IR) em combinação com uma câmera sensível ao IR, pois permite visibilidade mesmo na escuridão completa. Além disso, o espaço disponível para colocar uma câmera dentro do cubículo de isolamento é muitas vezes muito limitado, o que significa que se beneficia fortemente de ter pequenas câmeras que usam lentes com um amplo campo de visão (por exemplo, lentes olho de peixe)⁹. Embora os fabricantes de sistemas de condicionamento operantes possam muitas vezes fornecer configurações de câmera de alta qualidade para seus clientes, esses sistemas podem ser caros e não necessariamente se encaixam em câmaras de outros fabricantes ou configurações para outros testes comportamentais. No entanto, um benefício notável sobre o uso de câmeras de vídeo autônomas é que essas configurações podem muitas vezes interagir diretamente com os sistemas de condicionamento operantes^13,14. Com isso, eles podem ser configurados apenas para registrar eventos específicos em vez de sessões de teste completas, o que pode ajudar muito na análise que se segue.

O protocolo atual descreve como construir uma câmera de vídeo barata e versátil usando componentes eletrônicos de hobby. A câmera usa uma lente olho de peixe, é sensível à iluminação ir e tem um conjunto de diodos emissores de luz IR (IR LEDs) ligados a ela. Além disso, ele é construído para ter um perfil plano e fino. Juntos, esses aspectos o tornam ideal para a gravação de vídeos das câmaras de condicionamento operantes mais disponíveis comercialmente, bem como outras configurações de teste comportamental. O protocolo descreve ainda como processar vídeos obtidos com a câmera e como usar o pacote de software DeepLabCut^15,16 para ajudar na extração de sequências de vídeo de interesse, bem como no rastreamento dos movimentos de um animal nele. Isso contorna parcialmente o recuo do uso de uma câmera autônoma sobre as soluções integradas fornecidas pelos fabricantes operantes de sistemas de condicionamento, e oferece um complemento à pontuação manual de comportamentos.

Esforços foram feitos para escrever o protocolo em um formato geral para destacar que o processo geral pode ser adaptado a vídeos de diferentes testes de condicionamento operativo. Para ilustrar certos conceitos-chave, vídeos de ratos realizando o teste de tempo de reação serial de 5 opções (5CSRTT)¹⁷ são usados como exemplos.

Protocol

Todos os procedimentos que incluem o manejo de animais foram aprovados pelo comitê de ética de Malmö-Lund para pesquisa animal.

1. Construindo a câmera de vídeo

NOTA: Uma lista dos componentes necessários para a construção da câmera é fornecida na Tabela de Materiais. Refere-se também à Figura 1, Figura 2, Figura 3, Figura 4, Figura 5.

1. Conecte o anel de metal magnético (que acompanha o pacote de lente de olho de peixe) em torno da abertura do suporte da câmera(Figura 2A). Isso permitirá que a lente olho de peixe seja colocada na frente da câmera.
2. Conecte o módulo da câmera ao suporte da câmera(Figura 2B). Isso dará alguma estabilidade ao módulo da câmera e oferecerá alguma proteção aos circuitos eletrônicos.
3. Abra as portas da câmera no módulo da câmera e no microcomputador(Figura 1)puxando suavemente as bordas de seus clipes de plástico(Figura 2C).
4. Coloque o cabo de fita nas portas da câmera, para que os conectores prateados enfrentem as placas de circuito(Figura2C). Bloqueie o cabo no lugar empurrando os clipes de plástico das portas da câmera.
5. Coloque o microcomputador na caixa de plástico e insira o cartão micro SD listado (Figura 2D).
   NOTA: O cartão micro SD funcionará como o disco rígido do microcomputador e contém um sistema operacional completo. O cartão micro SD listado vem com um gerenciador de instalação pré-instalado nele (New Out Of Box Software (NOOBS). Como alternativa, pode-se escrever uma imagem da versão mais recente do sistema operacional do microcomputador (Raspbian ou Rasberry Pi OS) para um cartão micro SD genérico. Para obter ajuda, consulte os recursos oficiais da Web¹⁸. É preferível usar um cartão classe 10 micro SD com 32 Gb de espaço de armazenamento. Cartões SD maiores podem não ser totalmente compatíveis com o microcomputador listado.
6. Conecte um monitor, teclado e um mouse ao microcomputador e, em seguida, conecte sua fonte de alimentação.
7. Siga as etapas solicitadas pelo guia de instalação para realizar uma instalação completa do sistema operacional do microcomputador (Raspbian ou Rasberry Pi OS). Quando o microcomputador tiver inicializado, certifique-se de que está conectado à internet, seja através de um cabo ethernet ou Wi-Fi.
8. Siga os passos descritos abaixo para atualizar os pacotes de software pré-instalados do microcomputador.
   1. Abra uma janela terminal(Figura 3A).
   2. Digite "sudo apt-get update" (excluindo aspas) e pressione a tecla Enter(Figura 3B). Aguarde o processo terminar.
   3. Digite "sudo apt full-upgrade" (excluindo aspas) e pressione enter. Faça respostas ao botão quando solicitado e aguarde o término do processo.
9. No menu Iniciar, selecione Preferências e Configurações Raspberry Pi (Figura 3C). Na janela aberta, vá para a guia Interfaces e clique para Ativar a câmera e I2C. Isso é necessário para que o microcomputador funcione com a câmera e módulos de LED IR.
10. Renomeie o Arquivo Suplementar 1 para "Pi_video_camera_Clemensson_2019.py". Copie-o em um cartão de memória USB e, posteriormente, na pasta /home/pi do microcomputador(Figura 3D). Este arquivo é um script Python, que permite que gravações de vídeo sejam feitas com os switches de botão que estão conectados na etapa 1.13.
11. Siga os passos descritos abaixo para editar o arquivo rc.local do microcomputador. Isso faz com que o computador inicie o script copiado na etapa 1.10 e inicie os LEDs ir anexados na etapa 1.13 quando ele inicializar.
    ATENÇÃO: Este recurso de partida automática não funciona de forma confiável com placas de microcomputador que não sejam o modelo listado.
    1. Abra uma janela de terminal, digite "sudo nano /etc/rc.local" (excluindo aspas) e pressione enter. Isso abre um arquivo de texto (Figura 4A).
    2. Use as teclas de seta do teclado para mover o cursor para baixo para o espaço entre "fi" e "exit 0"(Figura 4A).
    3. Adicione o texto a seguir, conforme mostrado na Figura 4B,escrevendo cada sequência de texto em uma nova linha:
       sudo i2cset -y 1 0x70 0x00 0xa5 &
       sudo i2cset -y 1 0x70 0x09 0x0f &
       sudo i2cset -y 1 0x70 0x01 0x32 &
       sudo i2cset -y 1 0x70 0x03 0x32 &
       sudo i2cset -y 1 0x70 0x06 0x32 &
       sudo i2cset -y 1 0x70 0x08 0x32 &
       sudo python /home/pi/Pi_video_camera_Clemensson_2019.py &
    4. Salve as alterações pressionando Ctrl + x seguido por y e Enter.
12. Solda juntos os componentes necessários, conforme indicado na Figura 5A,e conforme descrito abaixo.
    1. Para os dois LEDs coloridos, conecte um resistor e um cabo de jumper feminino a uma perna, e um cabo de jumper feminino ao outro(Figura 5A). Tente manter os cabos o mais curto possível. Observe qual dos eletrodos do LED é o negativo (tipicamente o curto), pois este precisa ser conectado ao solo nos pinos de entrada/saída (GPIO) de uso geral do microcomputador.
    2. Para os dois interruptores de botão, conecte um cabo de jumper feminino a cada perna(Figura 5A). Faça os cabos longos para um dos interruptores, e abreviar para o outro.
    3. Para montar o módulo LED IR, siga as instruções disponíveis em seus recursos oficiais da Web¹⁹.
    4. Cubra as juntas soldadas com tubos de encolhimento para limitar o risco de curto-circuito nos componentes.
13. Desligue o microcomputador e conecte os interruptores e LEDs aos pinos GPIO, conforme indicado na Figura 5B,e descrito abaixo.
    ATENÇÃO: A fiação dos componentes dos pinos GPIO errados pode danificá-los e/ou o microcomputador quando a câmera estiver ligada.
    1. Conecte um LED para que sua extremidade negativa se conecte a #14 de pinos e sua extremidade positiva se conecte a #12 de pinos. Este LED brilhará quando o microcomputador for inicializado e a câmera estiver pronta para ser usada.
    2. Conecte o interruptor do botão com cabos longos para que um cabo se conecte a #9 de pinos e o outro para fixar #11. Este botão é usado para iniciar e parar as gravações de vídeo.
       NOTA: O script que controla a câmera foi escrito para que este botão não responda por alguns segundos logo após iniciar ou interromper uma gravação de vídeo.
    3. Conecte um LED para que sua extremidade negativa se conecte a #20 de pinos e sua extremidade positiva se conecte a #13 de pinos. Este LED brilhará quando a câmera estiver gravando um vídeo.
    4. Conecte o interruptor do botão com os cabos curtos para que um cabo se conecte a #37 de pinos e o outro para fixar #39. Este interruptor é usado para desligar a câmera.
    5. Conecte o módulo LED IR conforme descrito em seus recursos oficiais da Web¹⁹.

2. Projetando o protocolo de condicionamento operante de interesse

NOTA: Para usar o DeepLabCut para acompanhar a progressão do protocolo em vídeos gravados a partir de câmaras operárias, os protocolos comportamentais precisam ser estruturados de maneiras específicas, como explicado abaixo.

1. Defina o protocolo para usar a luz da câmara, ou outro sinal de luz forte, como um indicador de uma etapa específica no protocolo (como o início de ensaios individuais, ou a sessão de teste)(Figura 6A). Este sinal será referido como o "indicador de etapa de protocolo" no restante deste protocolo. A presença deste sinal permitirá a progressão do protocolo de rastreamento nos vídeos gravados.
2. Defina o protocolo para registrar todas as respostas de interesse com datas de tempo individuais em relação a quando o indicador de etapa de protocolo se torna ativo.

3. Gravação de vídeos de animais realizando o teste comportamental de interesse

1. Coloque a câmera em cima das câmaras operísticas, para que ela cadase uma visão superior da área interna(Figura 7).
   NOTA: Isso é particularmente adequado para capturar a posição geral e a postura de um animal dentro da câmara. Evite colocar as luzes indicadoras da câmera e o módulo LED IR perto da lente da câmera.
2. Inicie a câmera conectando-a a uma tomada elétrica através do cabo de alimentação.
   NOTA: Antes do primeiro uso, é benéfico definir o foco da câmera, usando a pequena ferramenta que acompanha o módulo da câmera.
3. Use o botão conectado na etapa 1.13.2 para iniciar e interromper gravações de vídeo.
4. Desligue a câmera seguindo estas etapas.
   1. Pressione e segure o botão conectado na etapa 1.13.4 até que o LED conectado na etapa 1.13.1 desligue. Isso inicia o processo de desligamento da câmera.
   2. Aguarde até que o LED verde visível em cima do microcomputador (Figura 1) pare de piscar.
   3. Remova a fonte de alimentação da câmera.
      ATENÇÃO: Desligar a fonte de alimentação enquanto o microcomputador ainda está em execução pode causar a corrupção dos dados no cartão micro SD.
5. Conecte a câmera a um monitor, teclado, mouse e dispositivo de armazenamento USB e recupere os arquivos de vídeo de sua área de trabalho.
   NOTA: Os arquivos são nomeados de acordo com a data e hora em que a gravação de vídeo foi iniciada. No entanto, o microcomputador não possui um relógio interno e só atualiza sua configuração de tempo quando conectado à internet.
6. Converta os vídeos gravados de .h264 para . MP4, como este último funciona bem com DeepLabCut e a maioria dos players de mídia.
   NOTA: Existem várias maneiras de conseguir isso. Um deles está descrito no Arquivo Suplementar 2.

4. Analisando vídeos com DeepLabCut

NOTA: O DeepLabCut é um pacote de software que permite que os usuários definam qualquer objeto de interesse em um conjunto de quadros de vídeo e, posteriormente, os usem para treinar uma rede neural no rastreamento das posições dos objetos em vídeos completos^15,,16. Esta seção dá um esboço áspero de como usar o DeepLabCut para rastrear o status do indicador de etapa de protocolo e a posição da cabeça de um rato. A instalação e o uso do DeepLabCut são bem descritos em outros protocolos publicados^15,16. Cada passo pode ser feito através de comandos Python específicos ou da interface gráfica do usuário do DeepLabCut, conforme descrito em outros lugares^15,16.

1. Crie e configure um novo projeto DeepLabCut seguindo as etapas descritas em¹⁶.
2. Use a função de captura de quadros do DeepLabCut para extrair 700\u2012900 quadros de vídeo de um ou mais dos vídeos gravados na seção 3.
   NOTA: Se os animais diferem consideravelmente em pigmentação de pele ou outras características visuais, é aconselhável que os quadros de vídeo extraídos 700\u2012900 sejam divididos em vídeos de diferentes animais. Através disso, uma rede treinada pode ser usada para rastrear diferentes indivíduos.
   1. Certifique-se de incluir quadros de vídeo que exibem tanto o estado ativo (Figura 8A) quanto o inativo(Figura 8B) do indicador de etapa de protocolo.
   2. Certifique-se de incluir quadros de vídeo que cobrem a gama de diferentes posições, posturas e movimentos da cabeça que o rato pode mostrar durante o teste. Isso deve incluir quadros de vídeo onde o rato está parado em diferentes áreas da câmara, com a cabeça apontando em direções diferentes, bem como quadros de vídeo onde o rato está se movendo ativamente, entrando em aberturas de cutucar o nariz e entrando no cocho de pelotas.
3. Use a caixa de ferramentas de rotulagem do DeepLabCut para marcar manualmente a posição da cabeça do rato em cada quadro de vídeo extraído na etapa 4.2. Use o cursor do mouse para colocar uma etiqueta "cabeça" em uma posição central entre as orelhas do rato(Figura 8A,B). Além disso, marque a posição da luz da casa da câmara (ou outro indicador de passo de protocolo) em cada quadro de vídeo onde ela está brilhando ativamente(Figura 8A). Deixe a luz da casa sem rótulo em quadros onde está inativa(Figura 8B).
4. Use as funções "criar conjunto de dados de treinamento" e "rede de treinamento" do DeepLabCut para criar um conjunto de dados de treinamento a partir dos quadros de vídeo rotulados na etapa 4.3 e iniciar o treinamento de uma rede neural. Certifique-se de selecionar "resnet_101" para o tipo de rede escolhida.
5. Pare o treinamento da rede quando a perda de treinamento subiu abaixo de 0,01. Isso pode levar até 500.000 iterações de treinamento.
   NOTA: Ao usar uma máquina de GPU com aproximadamente 8 GB de memória e um conjunto de treinamento de cerca de 900 quadros de vídeo (resolução: 1640 x 1232 pixels), o processo de treinamento foi encontrado para levar aproximadamente 72 horas.
6. Use a função de análise de vídeo do DeepLabCut para analisar vídeos reunidos na etapa 3, usando a rede neural treinada na etapa 4.4. Isso fornecerá um arquivo .csv listando as posições rastreadas da cabeça do rato e o indicador de etapa de protocolo em cada quadro de vídeo dos vídeos analisados. Além disso, criará arquivos de vídeo marcados onde as posições rastreadas são exibidas visualmente(Vídeos 1-8).
7. Avalie a precisão do rastreamento seguindo as etapas abaixo descritas.
   1. Use a função de avaliação incorporada do DeepLabCut para obter uma avaliação automatizada da precisão de rastreamento da rede. Isso é baseado nos quadros de vídeo que foram rotulados na etapa 4.3 e descreve o quão distante, em média, a posição rastreada pela rede é da etiqueta colocada manualmente.
   2. Selecione uma ou mais breves sequências de vídeo (de cerca de 100\u2012200 quadros de vídeo cada) nos vídeos marcados obtidos na etapa 4.6. Passe pelas sequências de vídeo, quadro a quadro e note em quantos quadros os rótulos indicam corretamente as posições da cabeça, cauda, etc., e em quantos quadros os rótulos são colocados em posições errôneas ou não mostradas.
      1. Se o rótulo de uma parte do corpo ou objeto for frequentemente perdido ou colocado em uma posição errônea, identifique as situações em que o rastreamento falha. Extrair e adicionar quadros rotulados dessas ocasiões repetindo as etapas 4.2. e 4.3. Em seguida, retreine a rede e reanalise os vídeos repetindo as etapas 4.4-4.7. Em última análise, a precisão de rastreamento de >90% de precisão deve ser alcançada.

5. Obtenção de coordenadas para pontos de interesse nas câmaras operísticas

1. Use o DeepLabCut como descrito na etapa 4.3 para marcar manualmente pontos de interesse nas câmaras operantes (como aberturas de poke de nariz, alavancas, etc.) em um único quadro de vídeo(Figura 8C). Estes são escolhidos manualmente dependendo de interesses específicos do estudo, embora a posição do indicador de etapa de protocolo deva ser sempre incluída.
2. Recupere as coordenadas dos pontos de interesse marcados do arquivo .csv que o DeepLabCut armazena automaticamente em "dados rotulados" na pasta do projeto.

6. Identificar segmentos de vídeo onde o indicador de etapa de protocolo está ativo

1. Carregue os arquivos .csv obtidos da análise de vídeo DeepLabCut na etapa 4.6 em um software de gerenciamento de dados de escolha.
   NOTA: Devido à quantidade e complexidade dos dados obtidos do DeepLabCut e sistemas de condicionamento operantes, o gerenciamento de dados é melhor feito através de scripts de análise automatizada. Para começar com isso, consulte os guias de nível básico disponíveis em outros lugares^20,21,22.
2. Observe em que o vídeo segmenta o indicador de etapa de protocolo é rastreado dentro de 60 pixels da posição obtida na seção 5. Estes serão períodos em que o indicador de etapa de protocolo estiver ativo(Figura 6B).
   NOTA: Durante os segmentos de vídeo onde o indicador de etapa do protocolo não está brilhando, o vídeo marcado pode parecer indicar que o DeepLabCut não está rastreando-o em nenhuma posição. No entanto, este raramente é o caso, e em vez disso é tipicamente rastreado para vários locais dispersos.
3. Extrair o ponto de partida exato para cada período em que o indicador de etapa de protocolo estiver ativo(Figura 6C: 1).

7. Identificar segmentos de vídeo de interesse

1. Considere os pontos em que o indicador de etapa de protocolo se torna ativo(Figura 6C: 1) e os horários de respostas registrados pelas câmaras operáveis (seção 2, Figura 6C: 2).
2. Use essas informações para determinar quais segmentos de vídeo cobrem eventos interessantes específicos, como intervalos de inter-ensaio, respostas, recuperações de recompensas etc. (Figura 6C: 3, Figura 6D).
   NOTA: Para isso, tenha em mente que a câmera descrita aqui grava vídeos a 30 fps.
3. Observe os quadros de vídeo específicos que cobrem esses eventos de interesse.
4. (Opcional) Editar arquivos de vídeo de sessões de teste completas para incluir apenas os segmentos específicos de interesse.
   NOTA: Existem várias maneiras de conseguir isso. Um está descrito nos Arquivos Complementares 2 e 3. Isso ajuda muito ao armazenar um grande número de vídeos e também pode tornar a revisão e a apresentação de resultados mais convenientes.

8. Analisando a posição e os movimentos de um animal durante segmentos específicos de vídeo

1. Subconjunte os dados completos de rastreamento da posição da cabeça obtidas do DeepLabCut na etapa 4.6 para incluir apenas segmentos de vídeo observados na seção 7.
2. Calcule a posição da cabeça do animal em relação a um ou mais dos pontos de referência selecionados na seção 5 (Figura 8C). Isso permite comparações de rastreamento e posição em diferentes vídeos.
3. Realizar análises aprofundadas relevantes da posição e dos movimentos do animal.
   NOTA: A análise específica realizada será fortemente específica do estudo. Alguns exemplos de parâmetros que podem ser analisados são dados abaixo.
   1. Visualize os traços do caminho plotando todas as coordenadas detectadas durante um período selecionado dentro de um gráfico.
   2. Analise a proximidade a um determinado ponto de interesse usando a seguinte fórmula:
      
   3. Analise as mudanças de velocidade durante um movimento calculando a distância entre coordenadas rastreadas em quadros consecutivos e divida por 1/fps da câmera.

Results

Desempenho da câmera de vídeo

Os resultados representativos foram reunidos em câmaras de condicionamento operativo para ratos com áreas de piso de 28,5 cm x 25,5 cm, e alturas de 28,5 cm. Com a lente olho de peixe anexada, a câmera captura toda a área do piso e grandes partes das paredes circundantes, quando colocada acima da câmara(Figura 7A). Como tal, uma boa visão pode ser obtida, mesmo que a câmera seja colocada fora do centro na parte superi...

Discussion

Este protocolo descreve como construir uma câmera de vídeo barata e flexível que pode ser usada para gravar vídeos de câmaras de condicionamento operantes e outras configurações de teste comportamental. Ele demonstra ainda como usar o DeepLabCut para rastrear um sinal de luz forte dentro desses vídeos, e como isso pode ser usado para ajudar na identificação de breves segmentos de vídeo de interesse em arquivos de vídeo que cobrem sessões de teste completas. Finalmente, descreve como usar o rastreamento da cabeça de um ra...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Cartão micro SD de 32 Gb com o novo software Our Of Box (NOOBS) pré-instalado	The Pi hut (https://thpihut.com)	Resistor de 32 GB
e 330 ohms	The Pi hut (https://thpihut.com)	100287	Este artigo é para um pacote com resistores mistos, onde resistores de 330 ohms estão incluídos.
Módulo de câmera (câmera Raspberry Pi NoIR v.2)	A cabana Pi (https://thpihut.com)	100004
Cabo de fita da câmera (stub do cabo da câmera Raspberry Pi Zero)	A cabana Pi (https://thpihut.com)	MMP-1294	Isso só é necessário se um Raspberry Pi zero for usado. Se outra placa Raspberry Pi for usada, um cabo de fita de câmera adequado acompanha o componente da câmera
LEDs coloridos	A cabana Pi (https://thpihut.com)	ADA4203	Este artigo é para um pacote com cores mistas de LEDs. Qualquer cor pode ser usada.
Cabos jumper fêmea-fêmea	A cabana Pi (https://thpihut.com)	ADA266
(Bright Pi)	Alimentação Pi (https://uk.pi-supply.com)	Placa-mãe do microcomputador PIS-0027
(placa Raspberry Pi Zero com conectores pré-soldados)	A cabana Pi (https://thpihut.com 102373		Outras placas Raspberry Pi também podem ser usadas, embora o método para iniciar automaticamente o script Python funcione apenas com o Raspberry Pi zero. Se estiver usando outros modelos, o script python precisa ser iniciado manualmente.
Interruptor de botão	O Pi hut (https://thpihut.com)	ADA367
Cabo de alimentação Raspberry Pi	The Pi hut (https://thpihut.com)	102032
Estojo Raspberry Pi Zero	The Pi hut (https://thpihut.com)	102118
Raspberry Pi, Mod my pi, suporte de câmera com lente olho de peixe magnética e acessório de anel de metal magnético	The Pi hut (https://thpihut.com)	MMP-0310-KIT