Методическая статья

Отслеживание крыс в оперантных кондиционирования камер с использованием универсальный домашний видеокамеры и DeepLabCut

DOI:

10.3791/61409

⸱

15 июня 2020 г.

 ,  ,  ,  , 
1Basal Ganglia Pathophysiology Unit, Dept. Experimental Medical Science, Lund University

В этой статье

Краткое содержание

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Этот протокол описывает, как построить небольшую и универсальную видеокамеру, и как использовать видео, полученные от него, чтобы обучить нейронную сеть для отслеживания положения животного внутри оперных камер кондиционирования. Это ценное дополнение к стандартному анализу журналов данных, полученных в результате оперативных испытаний кондиционирования.

Аннотация

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Оперативные камеры кондиционирования используются для выполнения широкого спектра поведенческих тестов в области неврологии. Записанные данные, как правило, основаны на срабатывании рычага и датчиков нос-тыкать, присутствующих внутри камер. Хотя это дает подробное представление о том, когда и как животные выполняют определенные ответы, он не может быть использован для оценки поведения, которые не вызывают никаких датчиков. Таким образом, оценка того, как животные позиционируют себя и перемещаются внутри камеры, редко возможна. Чтобы получить эту информацию, исследователи, как правило, должны записывать и анализировать видео. Производители оперных кондиционирования камер, как правило, могут поставлять своим клиентам высококачественные установки камеры. Тем не менее, они могут быть очень дорогостоящими и не обязательно подходят камеры от других производителей или других поведенческих установок теста. Текущий протокол описывает, как построить недорогую и универсальную видеокамеру с использованием компонентов электроники хобби. В нем далее описывается, как использовать пакет программного обеспечения для анализа изображений DeepLabCut для отслеживания состояния сильного светового сигнала, а также положения крысы, в видео, собранных из оперной камеры кондиционирования. Первый является большим подспорьем при выборе коротких сегментов интереса к видео, которые охватывают все тестовые сессии, а второй позволяет анализировать параметры, которые не могут быть получены из журналов данных, производимых оперных камер.

Введение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В области поведенческой нейронауки исследователи обычно используют оперные камеры кондиционирования для оценки широкого спектра различных когнитивных и психиатрических особенностей у грызунов. Хотя Есть несколько различных производителей таких систем, они, как правило, разделяют определенные атрибуты и имеют почти стандартизированный дизайн1,2,3. Камеры, как правило, квадратной или прямоугольной формы, с одной стеной, которая может быть открыта для размещения животных внутри, и один или два из оставшихся стен, содержащих компоненты, такие как рычаги, нос-тыкать отверстия, награды лотки, ответ колеса и огни различных видов1,2,3. Свет и датчики, присутствующие в камерах, используются как для контроля протоколатестирования,так и для отслеживания поведения животных1,2,,3,,4,,5. Типичные оперные системы кондиционирования позволяют очень подробный анализ того, как животные взаимодействуют с различными operanda и отверстия, присутствующие в камерах. В целом, любые случаи, когда датчики срабатывают, могут быть записаны системой, и из этих данных пользователи могут получить подробные файлы журнала, описывающие, что животное сделало во время конкретных шагов теста4,5. Хотя это обеспечивает широкое представление о производительности животного, он может быть использован только для описания поведения, которые непосредственно вызвать один или несколько датчиков4,,5. Таким образом, аспекты, связанные с тем, как животное позиционирует себя и движется внутри камеры во время различных фаз теста не очень хорошо описаны6,7,8,9,10. Это прискорбно, так как такая информация может быть полезной для полного понимания поведения животного. Например, он может быть использован для уточнения, почему некоторые животные выполняют плохо на данномтесте 6, чтобы описать стратегии, которые животные могут развиваться для обработки сложных задач6,7,8,9,10, или оценить истинную сложность якобы простое поведение11,12. Чтобы получить такую сформулировать информацию, исследователи обычно обращаются к ручному анализу видео6,,7,8,9,10,11.

При записи видео из оперных камер кондиционирования, выбор камеры имеет решающее значение. Камеры обычно расположены в изоляционных кабинах, с протоколами часто используют шаги, где нет видимого света светит3,,6,7,8,9. Поэтому необходимо использовать инфракрасное (ИК) освещение в сочетании с ИК-чувствительной камерой, так как позволяет видимость даже в полной темноте. Кроме того, пространство, доступное для размещения камеры внутри изоляционной кабины, часто очень ограничено, а это означает, что один выгоды сильно от наличия небольших камер, которые используют линзы с широким полем зрения (например, рыбий глаз линзы)9. В то время как производители систем кондиционирования оперы часто могут поставлять высококачественные установки камеры своим клиентам, эти системы могут быть дорогими и не обязательно подходят камеры от других производителей или установок для других поведенческих тестов. Тем не менее, заметное преимущество по сравнению с использованием автономных видеокамер является то, что эти установки часто могут взаимодействовать непосредственно с оперентных систем кондиционирования13,14. Благодаря этому они могут быть настроены только для записи конкретных событий, а не для проведения полных тестовых сессий, что может в значительной степени помочь в последующем анализе.

Текущий протокол описывает, как построить недорогую и универсальную видеокамеру с использованием компонентов электроники хобби. Камера использует объектив fisheye, чувствительна к ИК-освещению и имеет набор ИК-светоизлучающих диодов (ИК-светодиодов), прикрепленных к нему. Кроме того, он построен, чтобы иметь плоский и тонкий профиль. Вместе эти аспекты делают его идеальным для записи видео из самых коммерчески доступных оперных камер кондиционирования, а также других поведенческих тестовых установок. Протокол далее описывает, как обрабатывать видео, полученные с камерой и как использовать пакет программного обеспечения DeepLabCut15,16, чтобы помочь в извлечении видео последовательностей интереса, а также отслеживания движений животного в нем. Это частично обходит откат от использования автономной камеры над интегрированными решениями, предоставляемыми оперными производителями систем кондиционирования, и предлагает дополнение к ручному скорингу поведения.

Были предприняты усилия для написания протокола в общем формате, чтобы подчеркнуть, что общий процесс может быть адаптирован к видео из различных оперентных тестов кондиционирования. Чтобы проиллюстрировать некоторые ключевые понятия, видео крыс, выполняющих 5-выбор серийный тест времени реакции (5CSRTT)17 используются в качестве примеров.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Все процедуры, включающие обращение с животными, были одобрены комитетом по этике Мальмё-Лунда по исследованиям в области животных.

1. Создание видеокамеры

ПРИМЕЧАНИЕ: Список компонентов, необходимых для создания камеры, приведен в таблице материалов. Также относятся к рисунку 1, Рисунок 2, Рисунок 3, Рисунок 4, Рисунок 5.

  1. Прикрепите магнитное металлическое кольцо (которое сопровождает пакет объектива fisheye) вокруг открытия стенда камеры(Рисунок 2A). Это позволит объектив fisheye быть помещены перед камерой.
  2. Прикрепите модуль камеры к подставе камеры(рисунок 2B). Это даст некоторую стабильность в модуль камеры и предложить некоторую защиту для электронных схем.
  3. Откройте порты камеры на модуле камеры и микрокомпьютере(рисунок 1) мягко потянув по краям своих пластиковых клипов (Рисунок 2C).
  4. Поместите ленточный кабель в порты камеры, так что серебряные разъемы сталкиваются с печатными платами(Figure2C). Блокировка кабеля на месте, нажав в пластиковые клипы камеры портов.
  5. Поместите микрокомпьютер в пластиковый корпус и вставьте указанную микроС-карту(рисунок 2D).
    ПРИМЕЧАНИЕ: Микро SD-карта будет функционировать как жесткий диск микрокомпьютера и содержит полную операционную систему. Перечисленные микро SD-карты поставляется с менеджером установки предустановленной на нем (Новый из box Software (NOOBS). В качестве альтернативы можно написать изображение последней версии операционной системы микрокомпьютера (Raspbian или Rasberry Pi OS) на универсальную микроС-карту. Для оказания помощи с этим, пожалуйста, обратитесь к официальным веб-ресурсов18. Предпочтительно использовать класс 10 микро SD-карты с 32 Гб места для хранения. Большие SD-карты могут быть не полностью совместимы с указанным микрокомпьютером.
  6. Подключите монитор, клавиатуру и мышь к микрокомпьютеру, а затем подключите его блок питания.
  7. Следуйте инструкциям, как это было предложено руководством по установке для выполнения полной установки операционной системы микрокомпьютера (Raspbian или Rasberry Pi OS). Когда микрокомпьютер загружается, убедитесь, что он подключен к Интернету либо через кабель Ethernet или Wi-Fi.
  8. Следуйте инструкциям, изложенным ниже, чтобы обновить предустановленные пакеты программного обеспечения микрокомпьютера.
    1. Открыть окно терминала(рисунок 3A).
    2. Введите "sudo apt-get update" (за исключением кавычек) и нажмите клавишу Enter(рисунок 3B). Подождите, пока процесс завершится.
    3. Введите "sudo apt full-upgrade" (за исключением кавычек) и нажмите введите. Составьте кнопки ответов, когда предложено, и ждать завершения процесса.
  9. В меню «Пуск» выберите конфигурации Предпочтения и Raspberry Pi (рисунок 3C). В открытом окне перейдите на вкладку Интерфейсы и нажмите кнопку «Включить камеру» и I2C. Это необходимо для работы микрокомпьютера с камерой и ИК-модулями.
  10. Переименуй дополнительный файл 1 на "Pi_video_camera_Clemensson_2019.py". Копировать его на USB-флешку, а затем в папку микрокомпьютера /home/pi (Рисунок 3D). Этот файл представляет собой скрипт Python, который позволяет записывать видео с помощью кнопочных переключателей, которые прилагаются в шаге 1.13.
  11. Следуйте инструкциям, изложенным ниже, чтобы отредактировать файл микрокомпьютера rc.local. Это делает компьютер начать сценарий скопирован в шаге 1.10 и начать ИК-светодиоды прилагается в шаге 1.13, когда он загружается.
    ВНИМАНИЕ: Эта функция автоматического запуска не надежно работает с микрокомпьютерными досками, кроме перечисленной модели.
    1. Откройте окно терминала, введите "sudo nano /etc/rc.local" (без учета кавычек) и нажмите на вход. Это открывает текстовый файл(Рисунок 4A).
    2. Используйте клавиши стрелки клавиатуры, чтобы переместить курсор вниз в пространство между "fi" и "выход 0"(рисунок 4A).
    3. Добавьте следующий текст, показанный на рисунке 4B,написав каждую строку текста на новой строке:
      судо i2cset -y 1 0x70 0x00 0xa5 и
      sudo i2cset -y 1 0x70 0x09 0x0f и
      судо i2cset -y 1 0x70 0x01 0x32 и
      судо i2cset -y 1 0x70 0x03 0x32 и
      судо i2cset -y 1 0x70 0x06 0x32 и
      судо i2cset -y 1 0x70 0x08 0x32 и
      sudo питон /дом/pi/Pi_video_camera_Clemensson_2019.py и
    4. Сохранить изменения, нажав Ctrl х х следуют у и введите.
  12. Солдер вместе необходимые компоненты, как указано на рисунке 5A, и, как описано ниже.
    1. Для двух цветных светодиодов, приложите резистор и женский кабель перемычки на одну ногу, и женский кабель перемычки к другой (Рисунок 5A). Старайтесь держать кабели как можно короче. Принять к сведению, какие из электродов светодиода является отрицательным (как правило, короткий), так как это должно быть подключено к земле на микрокомпьютере общего назначения ввода / выход (GPIO) булавки.
    2. Для двух переключателей кнопки, прикрепите женский кабель перемычки к каждой ноге (Рисунок 5A). Сделайте кабели длинными для одного из выключателей, а короткие для других.
    3. Чтобы собрать ИК светодиодный модуль, следуйте инструкциям, доступным на его официальных веб-ресурсов19.
    4. Обложка припоях суставов с сокращением трубки, чтобы ограничить риск короткого замыкания компонентов.
  13. Выключите микрокомпьютер и подключите выключатели и светодиоды к его контактам GPIO, как указано на рисунке 5B,и описано ниже.
    ВНИМАНИЕ: Проводка компонентов к неправильным контактам GPIO может повредить их и/или микрокомпьютер при включении камеры.
    1. Подключите один светодиод так, чтобы его отрицательный конец подключается к #14 pin и его положительный конец подключается к контактным #12. Этот светодиод будет светить, когда микрокомпьютер загружается и камера готова к использованию.
    2. Подключите переключатель кнопки с длинными кабелями, чтобы один кабель подключается к #9, а другой, чтобы закрепить #11. Эта кнопка используется для запуска и остановки видеозаписей.
      ПРИМЕЧАНИЕ: Скрипт, который управляет камерой, был написан так, что эта кнопка не реагирует в течение нескольких секунд сразу после начала или остановки видеозаписи.
    3. Подключите один светодиод так, чтобы его отрицательный конец подключается к контакту #20 и его положительный конец подключается к pin #13. Этот светодиод будет светить, когда камера записывает видео.
    4. Подключите переключатель кнопки с короткими кабелями, чтобы один кабель подключается к #37, а другой, чтобы закрепить #39. Этот переключатель используется для выключения камеры.
    5. Подключите ИК светодиодный модуль, как описано в его официальных веб-ресурсов19.

2. Разработка оперного протокола кондиционирования интересов

ПРИМЕЧАНИЕ: Для использования DeepLabCut для отслеживания прогрессирования протокола в видео, записанных из оперных камер, поведенческие протоколы должны быть структурированы определенным образом, как описано ниже.

  1. Установите протокол для использования света дома камеры, или другого сильного сигнала света, в качестве индикатора конкретного шага в протоколе (например, начало индивидуальных испытаний, или тестовой сессии)(Рисунок 6A). Этот сигнал будет называться "индикатором шага протокола" в оставшейся части этого протокола. Наличие этого сигнала позволит отслеживать прогрессию протокола в записанных видео.
  2. Установите протокол для записи всех ответов, представляющих интерес, с отдельными метки времени по отношению к тому, когда индикатор шага протокола становится активным.

3. Запись видео животных, выполняющих поведенческий тест интереса

  1. Поместите камеру на верхней части оперных камер, так что он записывает вид сверху области внутри (Рисунок 7).
    ПРИМЕЧАНИЕ: Это особенно подходит для захвата общего положения животных и осанки внутри камеры. Избегайте размещения индикатора камеры и ИК-модуль светодиода рядом с объективом камеры.
  2. Запустите камеру, подключив ее к электрической розетке через кабель питания.
    ПРИМЕЧАНИЕ: До первого использования, полезно установить фокус камеры, используя небольшой инструмент, который сопровождает модуль камеры.
  3. Используйте кнопку, подключенную в шаге 1.13.2, чтобы начать и остановить видеозаписи.
  4. Выключите камеру, следуя этим шагам.
    1. Нажмите и удерживайте кнопку, подключенную в шаге 1.13.4, пока светодиод, подключенный в шаге 1.13.1, не выключится. Это инициирует процесс выключения камеры.
    2. Подождите, пока зеленый светодиод, видимый поверх микрокомпьютера(рисунок 1)перестал мигать.
    3. Удалите блок питания камеры.
      ВНИМАНИЕ: Отключение питания во время работы микрокомпьютера может привести к повреждению данных на микро-SD-карте.
  5. Подключите камеру к монитору, клавиатуре, устройству хранения мыши и USB и извлеките видеофайлы со своего рабочего стола.
    ПРИМЕЧАНИЕ: Файлы называются в зависимости от даты и времени начала видеозаписи. Тем не менее, микрокомпьютер не имеет внутренних часов и только обновляет свое время настройки при подключении к Интернету.
  6. Преобразуйте записанные видео с .h264 на . MP4, как последний хорошо работает с DeepLabCut и большинство медиа-плееров.
    ПРИМЕЧАНИЕ: Есть несколько способов для достижения этой цели. Один из них описан в дополнительном файле 2.

4. Анализ видео с Помощью DeepLabCut

ПРИМЕЧАНИЕ: DeepLabCut это пакет программного обеспечения, которое позволяет пользователям определить любой объект, представляющий интерес в наборе видеорамок, а затем использовать их для обучения нейронной сети в отслеживании позиций объектов в полнометражных видео15,16. В этом разделе приводится примерное описание того, как использовать DeepLabCut для отслеживания состояния индикатора шага протокола и положения головы крысы. Установка и использование DeepLabCut хорошо описаны в других опубликованных протоколах15,16. Каждый шаг может быть сделан с помощью конкретных команд Python или графического пользовательского интерфейса DeepLabCut, как описано в других местах15,,16.

  1. Создайте и настройте новый проект DeepLabCut, следуя шагам, изложенным в16.
  2. Используйте функцию захвата кадров DeepLabCut для извлечения видеокадров 700'u2012900 из одного или нескольких видео, записанных в разделе 3.
    ПРИМЕЧАНИЕ: Если животные значительно отличаются в пигментации меха или других визуальных характеристик, желательно, чтобы 700'u2012900 извлеченных видеорамки разделены на видео различных животных. Благодаря этому, одна обученная сеть может быть использована для отслеживания различных людей.
    1. Убедитесь в том, чтобы включить видеорамки, которые отображают как активные(рисунок 8A) и неактивные(Рисунок 8B) состояние индикатора шаг протокола.
    2. Убедитесь в том, чтобы включить видео кадры, которые охватывают диапазон различных позиций, позы и движения головы, что крыса может показать во время теста. Это должно включать в себя видео кадры, где крыса стоит на месте в различных областях камеры, с головой, указывая в разных направлениях, а также видео кадры, где крыса активно движется, ввод нос тыкать отверстия и ввода гранулы корыта.
  3. Используйте инструменты для маркировки DeepLabCut, чтобы вручную обозначить положение головы крысы в каждом видеорамке, извлеченном в шаге 4.2. Используйте курсор мыши, чтобы поместить ярлык "голова" в центральном положении между ушами крысы(рисунок 8A,B). Кроме того, отметьте положение света дома камеры (или другого индикатора шага протокола) в каждом video frame где оно активно светит(рисунок 8A). Оставьте дом свет без маркировки в кадрах, где он неактивен(рисунок 8B).
  4. Используйте функции DeepLabCut "создать набор обучающих данных" и "поезд сети" для создания набора обучающих данных из видеокадров, помеченных в шаге 4.3, и начать обучение нейронной сети. Обязательно выберите "resnet_101" для выбранного типа сети.
  5. Прекратите обучение сети, когда потери обучения опустились ниже 0,01. Это может занять до 500 000 обучающих итераций.
    ПРИМЕЧАНИЕ: При использовании машины GPU с примерно 8 ГБ памяти и учебный набор около 900 видеорамок (разрешение: 1640 х 1232 пикселей), учебный процесс был найден, чтобы занять около 72 ч.
  6. Используйте функцию анализа видео DeepLabCut для анализа видео, собранных в шаге 3, с помощью нейронной сети, обученной шагу 4.4. Это обеспечит файл .csv с указанием гусеничных позиций головы крысы и индикатора шага протокола в каждом видеораме проанализированных видео. Кроме того, он будет создавать размечаемые видеофайлы, где отслеживаемые позиции отображаются визуально(видео 1-8).
  7. Оцените точность отслеживания, следуя следующим шагам, изложенным ниже.
    1. Используйте встроенную функцию оценки DeepLabCut для получения автоматизированной оценки точности отслеживания сети. Это основано на видеорамках, которые были помечены в шаге 4.3 и описывает, как далеко в среднем позиция отслеживается сетью от ручного размещения этикетки.
    2. Выберите одну или несколько кратких видеосечерок (по 100-ю2012200 видеокадров каждый) в размеченных видео, полученных в шаге 4.6. Пройдите видеоряды, кадры за кадром и обратите внимание на то, сколько кадров этикетки правильно указывают положение головы крысы, хвоста и т.д., а также в том, в скольких кадрах этикетки размещаются в ошибочных положениях или не показаны.
      1. Если метка части или объекта тела часто теряется или помещается в ошибочное положение, определите ситуации, когда отслеживание завершается неудачей. Извлеките и добавьте помеченные кадры этих случаев, повторяя шаги 4.2. и 4,3. Затем переобучивайте сеть и повторно анализую видео повторяя шаги 4.4-4.7. В конечном счете, точность отслеживания точности в размере 90% должна быть достигнута.

5. Получение координат для достопримечательностей в оперных камерах

  1. Используйте DeepLabCut, как описано в шаге 4.3 вручную маркировать точки интереса в оперных камерах (таких как нос тыкать отверстия, рычаги и т.д.) в одном видео кадре (Рисунок 8C). Они выбираются вручную в зависимости от интересов, связанных с изучением, хотя позиция индикатора шага протокола всегда должна быть включена.
  2. Извлеките координаты отмеченных достопримечательностей из файла .csv, который DeepLabCut автоматически хранит под "помеченными данными" в папке проекта.

6. Определение сегментов видео, в которых активен индикатор шага протокола

  1. Загрузите файлы .csv, полученные в результате анализа видео DeepLabCut в шаге 4.6, в программное обеспечение для управления данными по выбору.
    ПРИМЕЧАНИЕ: Из-за количества и сложности данных, полученных от DeepLabCut и оперентных систем кондиционирования, управление данными лучше всего делать с помощью автоматизированных сценариев анализа. Чтобы начать работу с этим, пожалуйста, обратитесь к начального уровня руководства доступны в другом месте20,,21,22.
  2. Обратите внимание, в каких сегментах видео индикатор шаг протокола отслеживается в пределах 60 пикселей позиции, полученной в разделе 5. Это будут периоды, когда индикатор шаг протокола активен(рисунок 6B).
    ПРИМЕЧАНИЕ: Во время сегментов видео, где индикатор шага протокола не светит, размечеющее видео может показаться, что DeepLabCut не отслеживает его в любой позиции. Тем не менее, это редко бывает, и вместо этого, как правило, отслеживается в нескольких разбросанных местах.
  3. Извлеките точную отправную точку для каждого периода, где индикатор шага протокола активен(Рисунок 6C: 1).

7. Определение сегментов видео, представляющих интерес

  1. Рассмотрим точки, в которых индикатор шаг протокола становится активным(рисунок 6C: 1) и метки времени ответов, записанные оперными камерами (раздел 2, Рисунок 6C: 2).
  2. Используйте эту информацию, чтобы определить, какие сегменты видео охватывают конкретные интересные события, такие как межпроверовые интервалы, ответы, извлечения вознаграждения и т.д.(Рисунок 6C: 3, Рисунок 6D).
    ПРИМЕЧАНИЕ: Для этого, имейте в виду, что камера, описанная здесь записывает видео на 30 кадров в секунду.
  3. Обратите внимание на конкретные видеокадры, которые охватывают эти события, представляющие интерес.
  4. (Необязательно) Редактировать видеофайлы полных тестовых сессий, чтобы включать только конкретные сегменты интереса.
    ПРИМЕЧАНИЕ: Есть несколько способов для достижения этой цели. Один из них описан в дополнительном файле 2 и 3. Это значительно помогает при хранении большого количества видео, а также может сделать обзор и представление результатов более удобным.

8. Анализ положения и движений животного во время конкретных видеосегментов

  1. Подмножество полных данных отслеживания положения головы, полученных от DeepLabCut в шаге 4.6, чтобы включить только видео-сегменты, отмеченные в разделе 7.
  2. Рассчитайте положение головы животного по отношению к одному или более из ориентиров, выбранных в разделе 5(рисунок 8C). Это позволяет сравнивать отслеживание и положение различных видео.
  3. Выполните соответствующий углубленный анализ положения и движений животного.
    ПРИМЕЧАНИЕ: Конкретный анализ будет сильно специфичен для исследования. Ниже приведены некоторые примеры параметров, которые могут быть проанализированы.
    1. Визуализируйте следы пути, набирая все координаты, обнаруженные в течение выбранного периода в пределах одного графика.
    2. Проанализируйте близость к заданной точке интереса, используя следующую формулу:
      figure-protocol-1
    3. Проанализируйте изменения скорости во время движения, вычислив расстояние между гусеничными координатами в последовательных кадрах и разделите на 1/fps камеры.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Производительность видеокамеры

Репрезентативные результаты были собраны в оперных кондиционных камерах для крыс с площадью 28,5 см х 25,5 см, а высота - 28,5 см. С объективом fisheye прикрепленным, камера захватывает полную площадь пола и большие части окружающих стен, когда помещено над камерой(рисунок 7A). Таким образом, хороший вид может быть получен, даже если камера находится вне центра на верхней части камеры. Это должно иметь дело в сопоста...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Этот протокол описывает, как построить недорогую и гибкую видеокамеру, которая может быть использована для записи видео из оперентных камер кондиционирования и других поведенческих тестовых установок. Он также демонстрирует, как использовать DeepLabCut для отслеживания сильного светового сигнала в этих видео, и как это может быть использовано для выявления кратких сегментов видео интерес к видеофайл, которые охватывают полный тестовых сессий. Наконец, он описывает, как использовать отслеживание головы крысы в дополнение ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В то время как материалы и ресурсы из фонда Raspberry Pi были использованы и процитированы в этой рукописи, фонд не принимал активного участия в подготовке или использовании оборудования и данных в этой рукописи. То же самое относится и к Pi-Supply. Авторам нечего раскрывать.

Благодарности

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Эта работа была поддержана грантами Шведского фонда мозга, Шведского фонда Паркинсона и Шведских государственных фондов клинических исследований (M.A.C.), а также фондов Веннера-Грена (M.A.C., E.K.H.C), фонда Элена (M.A.C.) и фонда Blanceflor Boncompagni Ludovisi, n.F.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Карта micro SD 32 ГБ с предустановленным программным обеспечением Our Of Box (NOOBS)The Pi hut (https://thpihut.com)32 ГБ
330-омный резисторThe Pi hut (https://thpihut.com)100287Эта статья предназначена для пакета со смешанными резисторами, в который входят резисторы 330 Ом.
Модуль камеры (Raspberry Pi NoIR camera v.2)Хижина Pi (https://thpihut.com)100004
Ленточный кабель камеры (заглушка кабеля камеры Raspberry Pi Zero)Хижина Pi (https://thpihut.com)MMP-1294Это необходимо только в том случае, если используется Raspberry Pi zero. Если используется другая плата Raspberry Pi, подходящий ленточный кабель камеры прилагается к компоненту камеры
Цветные светодиодыХижина Пи (https://thpihut.com)ADA4203Эта статья предназначена для пакета со светодиодами смешанных цветов. Можно использовать любой цвет.
Соединительные кабели типа «женщина-женщина»Хижина Пи (https://thpihut.com)ADA266
(Bright Pi)Питание Pi (https://uk.pi-supply.com)микрокомпьютера PIS-0027
(плата Raspberry Pi Zero с предварительно припаянными разъемами)Хижина Пи (https://thpihut.com)102373Можно использовать и другие платы Raspberry Pi, хотя метод автоматического запуска скрипта Python работает только с Raspberry Pi zero. Если вы используете другие модели, скрипт Python необходимо запустить вручную.
Кнопочный переключательХижина Пи (https://thpihut.com)ADA367
Кабель питания Raspberry PiХижина Пи (https://thpihut.com)102032
Чехол Raspberry Pi Zero ХижинаПи (https://thpihut.com)102118
Raspberry Pi, Mod my pi, подставка для камеры с магнитным объективом «рыбий глаз» и магнитным металлическим кольцомХижина Пи (https://thpihut.com)ММП-0310-КИТ
Инфракрасный светодиодный модуль Материнская плата

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Operant Conditioning ChambersVideo Camera SetupDeepLabCut TrackingRat Head TrackingVideo Frame AnalysisInfrared IlluminationProtocol Step IndicatorNeural Network TrainingCSV File OutputBehavioral Test Analysis

Похожие статьи