Summary
Здесь мы представляем протокол, чтобы продемонстрировать поведенческий анализ, который количественно, как альтернативные визуальные особенности, такие как сигналы движения, влияют на направленные решения в рыбе. Представлены репрезентативные данные о скорости и точности, где Golden Shiner(Notemigonus crysoleucas) следуют за виртуальными движениями рыбы.
Abstract
Коллективное поведение животных возникает из индивидуальных мотивов и социальных взаимодействий, которые имеют решающее значение для индивидуального фитнеса. Рыбы уже давно вдохновили исследования в коллективном движении, в частности, их способность интегрировать экологическую и социальную информацию через экологические контексты. Эта демонстрация иллюстрирует методы, используемые для количественной оценки поведенческих реакций рыб, в данном случае, Золотой Shiner (Notemigonus crysoleucas), для визуальных стимулов с помощью компьютерной визуализации и цифрового анализа изображений. Последние достижения в компьютерной визуализации позволяют эмпирического тестирования в лаборатории, где визуальные функции могут контролироваться и тонко манипулировать, чтобы изолировать механизмы социальных взаимодействий. Целью этого метода является изоляция визуальных особенностей, которые могут влиять на направленные решения человека, будь то одиночные или с группами. Этот протокол содержит специфику физического доменY-лабиринта, записывающего оборудования, настроек и калибровок проектора и анимации, экспериментальных шагов и анализа данных. Эти методы показывают, что компьютерная анимация может вызвать биологически значимые ответы. Кроме того, методы легко адаптируются для тестирования альтернативных гипотез, областей и видов для широкого спектра экспериментальных применений. Использование виртуальных стимулов позволяет сократить и заменить необходимое количество живых животных, и, следовательно, снижает лабораторные накладные расходы.
Эта демонстрация проверяет гипотезу о том, что небольшие относительные различия в скоростях движения (2 длины тела в секунду) виртуальных конспецифических веществ улучшат скорость и точность, с помощью которых сияющие следуют указателям, предоставляемым виртуальным Силуэты. Результаты показывают, что на решение направленности блесков существенно влияет увеличение скорости визуальных сигналов, даже при наличии фонового шума (67% согласованности изображения). В отсутствие каких-либо сигналов движения испытуемые выбирали свои направления наугад. Взаимосвязь между скоростью принятия решений и скоростью сигнала была переменной, и увеличение скорости сигнала оказало скромно непропорциональное влияние на точность направления.
Introduction
Звери чувствуют и интерпретируют свою среду обитания постоянно, чтобы принимать обоснованные решения при взаимодействии с другими людьми и навигации шумной обстановке. Люди могут повысить свою ситуационную осведомленность и принятие решений путем интеграции социальной информации в свои действия. Социальная информация, однако, в значительной степени проистекает из выводов через непреднамеренные сигналы (т.е. внезапные маневры, чтобы избежать хищника), которые могут быть ненадежными, а не через прямые сигналы, которые эволюционировали для передачи конкретных сообщений (например, вилять танец в медоносных пчел)1. Определение того, как люди быстро оценить ценность социальных сигналов, или любой сенсорной информации, может быть сложной задачей для следователей, особенно когда люди путешествуют в группах. Видение играет важную роль вуправлении социальными взаимодействиями 2,3,4 и исследования сделали вывод о взаимодействии сетей, которые могут возникнуть в рыбных школах на основе поля зрения каждого человека5, 6. Рыба школы динамических систем, однако, что делает его трудно изолировать отдельные ответы на конкретные функции, или сосед аме поведение, из-за присущих коллинеарности и смешанные факторы, которые возникают из взаимодействия между членами группы. Цель этого протокола состоит в том, чтобы дополнить текущую работу, изолируя, как альтернативные визуальные функции могут влиять на направленные решения лиц, путешествующих в одиночку или в группах.
Преимущество текущего протокола заключается в том, чтобы объединить манипулятивный эксперимент с методами компьютерной визуализации, чтобы изолировать элементарные визуальные особенности, которые человек может испытывать в природе. В частности, Y-лабиринт (Рисунок 1) используется для краха направленного выбора двоичного ответа и представить компьютерные анимированные изображения, предназначенные для имитации плавательного поведения виртуальных соседей. Эти изображения проецируются из-под лабиринта, чтобы имитировать силуэты conspecifics плавание под одним или несколько предметов. Визуальные характеристики этих силуэтов, такие как их морфология, скорость, согласованность и поведение плавания легко с гнайт для проверки альтернативных гипотез7.
Этот документ демонстрирует полезность этого подхода, изолируя, как люди модели социальных видов рыб, Золотой Shiner (Notemigonus crysoleucas), реагировать на относительную скорость виртуальных соседей. В центре внимания протокола находится вопрос о том, изменяется ли направленное влияние виртуальных соседей со скоростью и, если да, то количественной форме наблюдаемых отношений. В частности, направленный сигнал генерируется наличием фиксированной пропорции силуэтов в качестве лидеров и двигаться баллистически к той или иной руке. Остальные силуэты действуют как отвлекающие, перемещаясь случайным образом, чтобы обеспечить фоновый шум, который можно настроить, регулируя соотношение лидера/отвлекающего. Соотношение лидеров к отвлекателям отражает согласованность направленных сигналов и может быть соответствующим образом скорректировано. Силуэты distractor остаются ограниченными областью принятия решений ("DA", Рисунок 1A), имея силуэты, отражающиеся от границы. Лидер силуэты, однако, разрешается покинуть область DA и войти в их назначенные руки, прежде чем медленно исчезает, как только силуэты пройдены 1/3 длины руки. По мере того, как лидеры покидают DA, новые силуэты лидера занимают свое место и повторяют свой точный путь, чтобы обеспечить, чтобы соотношение лидера/отвлекателя оставалось неизменным в DA на протяжении всего эксперимента.
Использование виртуальной рыбы позволяет контролировать визуальную сенсорную информацию, при этом контролируя направленную реакцию субъекта, что может выявить новые особенности социальной навигации, движения или принятия решений в группах. Подход, используемый здесь, может быть применен к широкому кругу вопросов, таких как воздействие сублетального стресса или хища на социальные взаимодействия, путем манипулирования компьютерной анимацией для создания поведенческих моделей различной сложности.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Все экспериментальные протоколы были утверждены Институциональным комитетом по уходу за животными и использованию Экологической лаборатории, Инженером и Научно-исследовательским центром армии США, Виксбург, MS, США (IACUC 2013-3284-01).
1. Сенсорный дизайн лабиринта
- Проведите эксперимент на водонепроницаемой полиметилметилметилметилметило-лабиринтной платформе Y-maze (сделанной в доме), установленной на вершине прозрачной платформы поддержки в специальной комнате. Здесь толщина платформы составляет 1,9 см, а высота - 4 7,62 см из экструдированного алюминия, ширина - 1,3 м, длина - 1,3 м, высота - 0,19 м.
- Постройте области холдинга и решения, чтобы быть идентичными в строительстве(рисунок 1A). Здесь, Y-лабиринт оружия 46 см в длину, 23 см в ширину, и 20 см в глубину с центральной области решения примерно 46 см в диаметре.
- Придерживайтесь белого проецирования через экран театра в нижней части Y-лабиринт для проецирования визуальных стимулов в домен.
- Пальто стороны Y-лабиринт с белым винилом, чтобы ограничить внешние визуальные стимулы.
- Установите дистанционно управляемые прозрачные ворота (через ясный монофиламент) для раздела области хранения из центральной зоны принятия решений для выпуска предметов в лабиринт после акклиматизации.
- Поместите дополнительные жалюзи, чтобы предотвратить рыб от просмотра огней, жилья и оборудования, таких как светблокирующие жалюзи, которые достигают пола в дверных рамах, чтобы свести к минимуму световые эффекты и движения теней из внешней комнаты или коридора.
2. Оборудование для звукозаписи
- Выберите накладную камеру (черно-белую) на основе контраста, необходимого между фоновыми изображениями, виртуальными рыбами и фиолетовой рыбой.
- Установите накладную камеру, чтобы записать лабиринт сверху и записать поведение рыбы и визуальные проекции.
- Для этой демонстрации используйте камеры b/w Gigabyte Ethernet (GigE), такие, чтобы 9-м IP-кабели были прикреплены к компьютеру с картой 1 Гб Ethernet в диспетчерской.
- Подключите камеру к компьютеру в соседней комнате, где наблюдатель может удаленно управлять воротами, программой визуальных стимулов и программным обеспечением для записи камер.
- Убедитесь, что настройки камеры находятся на выборке и частоте, которые предотвращают любые мерцающие эффекты, которые возникают, когда камера и программное обеспечение находятся вне фазы с комнатными огнями.
- Проверка электрической частоты расположения; компенсировать скорость выборки камеры (кадры в секунду, fps), чтобы предотвратить мерцание путем умножения или деления частоты переменного тока на целое число.
- Установите настройки камеры таким образом, чтобы четкость изображения оптимизировалась с помощью программного обеспечения и компьютера для визуализации соответствующего поведения.
- Для этой демонстрации выполните выборку со счетом 30 кадров в секунду с пространственным разрешением 1280 пикселей x 1024 пикселей.
3. Калибровое освещение, проектор и настройки камеры
- Установите четыре системы освещения накладных дорожек вдоль стен экспериментального помещения.
- Установите регулируемые переключатели управления для освещения, чтобы обеспечить большую гибкость в достижении правильного освещения окружающей среды комнаты.
- Расположите огни, чтобы избежать отражений в лабиринте(рисунок 1B).
- Закрепите короткий бросок (ST) проектор на нижний край опорной структуры лабиринта(рисунок 1C).
- Выберите разрешение проекции (набор 1440 пикселей х 900 пикселей для этой демонстрации).
- Отрегулируйте уровни освещения окружающего положения, созданные накладными огнями и проекторами, чтобы соответствовать условиям освещения, найденным в жилой комнате субъектов (здесь установлено 134 и 5 люкс во время демонстрационного эксперимента, что эквивалентно естественному освещению в пасмурный день).
- Блокировка или пометьте расположение диммер-переключателя для удобства и согласованности во время экспериментальных испытаний.
- Используйте программу просмотра камеры для настройки камеры (ы) для управления режимом экспозиции, усиления и управления балансом белого.
- В этой демонстрации, установите Pylon Viewer на "непрерывный выстрел", 8000 йен время экспозиции, 0 усиления, и 96 баланс белого, который обеспечивает контроль над видеозаписью.
4. Программа калибровки визуальной проекции: фон
- Проецируйте однородный фон на дно лабиринта и измеряйте любые искажения света от проектора. Здесь фон был создан с помощью обработки (ст. 3), которая является уступчивой и хорошо документированной платформой для создания индивидуальных визуализаций для научных проектов (https://processing.org/examples/).
- Создайте программу, которая запустит окно обработки, которое будет проецироваться на дно лабиринта. Настройка фонового цвета окна осуществляется с помощью фоновой команды, которая принимает цветовой код RGB. Несколько небольших программ примера находятсяв учебниках обработки (https://processing.org/tutorials/).
- Используйте программу фонового цвета для калибровки проектора и внешних условий освещения.
- Измерьте любые искажения света, созданные проектора с помощью программы обработки изображений, чтобы определить любые отклонения от ожидаемого однородного фона, созданного. Следующие шаги применяются к использованию ImageJ (ст. 1.52ч; https://imagej.nih.gov/ij/).
- Захват неподвижного кадра изображение освещенного Y-лабиринта с однородным цветом фона и открыть в ImageJ.
- Используя прямой, сегментированный или от руки инструмент линии рисовать прямую вертикальную линию от самого яркого места в центре точки доступа к верхней части Y-лабиринта (Рисунок 2A).
- Из меню анализа выберите профиль участка для создания графика значений серого масштаба по сравнению с расстоянием в пикселях.
- Сохранить данные пикселей в виде разделенного файла запятой (.csv файл расширения), состоящего из столбца индекса и столбца значения пикселя.
- Выровняйте область проекции с лабиринтом(рисунок 2B)и моделируйте любые нежелательные искажения света, чтобы уменьшить любое искажение цвета, которое может быть создано проектором (рисунок2C). Ниже описаны шаги, предпринятые в ходе текущей демонстрации.
- Импортируйте файл данных интенсивности пикселей ImageJ, используя соответствующую функцию разграничения чтения вкладок (например, прочитайте из пакета tidyverse для чтения в разделенных файлах запятой).
- Рассчитайте изменчивость интенсивности света вдоль переноса образца, например, с коэффициентом вариации, чтобы обеспечить базовую ссылку на уровень искажений, созданный в фоновом режиме.
- Преобразуйте значения необработанных пикселей, чтобы отразить относительное изменение интенсивности от самого яркого к тусклому, где наименьшая интенсивность пикселей приблизится к желаемому значению цвета фона, выбранного в программе изображения.
- Участок преобразования пиксельных значений интенсивности, начиная с самой яркой части аномалии, как правило, дает разлагающийся тренд в значениях интенсивности как функция расстояния от источника. Используйте нелинейные наименьшие квадраты (функциональные nls)для оценки значений параметров, которые наилучшим образом соответствуют данным (здесь функция гауссийского распада).
- Создайте счетчик градиента с помощью той же программы, которая принята для создания фонового встречного изображения (Обработка ст. 3), чтобы уменьшить искажение цвета, которое может быть создано проектором с помощью R (ст. 3.5.1).
ПРИМЕЧАНИЕ: Функция градиента будет генерировать ряд концентрических кругов, сосредоточенных на самом ярком месте на изображении, которое изменяется в интенсивности пикселей как функция расстояния от центра. Цвет каждого кольца определяется путем вычитания изменения интенсивности пикселей, предсказанного моделью из фонового цвета. Соответственно, радиус кольца увеличивается с расстоянием от источника. Наилучшая модель должна уменьшить, если не устранить, любой интенсивности пикселей через градиент, чтобы обеспечить форму фон.- Создайте гауссианский градиент ()
с помощью программы визуального стимулирования, регулируя необходимые параметры.- Параметр влияет на яркость/темноту гауссианского градиента распределения. Чем выше значение, тем темнее градиент.
- Параметр b влияет на дисперсию градиента. Чем больше значение, тем шире градиент будет расширяться до выравнивания до желаемой интенсивности пикселей фона, c.
- Параметр c устанавливает нужную интенсивность пикселей фона. Чем больше значение, тем темнее фон.
- Сохранить изображение в папке с помощью функции saveFrame, так что фиксированное фоновое изображение может быть загружено во время экспериментов, чтобы свести к минимуму нагрузку памяти при визуализации стимулов во время экспериментального испытания.
- Перезапустите программу генерации фона и визуально проинспектируйте результаты, как показано на рисунке 2C. Повторите шаг 4.3 для количественной оценки любых наблюдаемых улучшений в снижении степени изменчивости интенсивности света в пробе трансекта.
- Создайте гауссианский градиент ()
- Эмпирически отрегулируйте уровни освещения, параметры модели или расстояние, покрытое в трансекте (например, внешнем радиусе счетчика градиента), чтобы сделать дополнительные ручные корректировки до тех пор, пока значения RGB зоны акклиматизации не будут аналогичны области принятия решений. Параметры модели в этом тесте были: 215 евро, b 800 и c q 4.
- Добавьте окончательный фильтр в программу визуальных стимулов эксперимента.
с помощью программы визуального стимулирования, регулируя необходимые параметры.5. Программа визуальной проекции калибровки: визуальные стимулы
ПРИМЕЧАНИЕ: Рендеринг и анимирование визуальных стимулов также может быть сделано в обработке с использованием шагов ниже, в качестве руководства вместе с платформой учебники. Схема логики текущей программы приведена в(рисунок3), а дополнительные сведения можно найти в Lemasson et al. (2018)7. Следующие шаги приводят примеры шагов калибровки, предпринятых в текущем эксперименте.
- Откройте программу визуальной проекции Vfish.pde, чтобы центрировать проекцию в зоне решения лабиринта(рисунок 1A)и откалибровать визуальные проекции на основе тестируемых гипотез (например, откалибровать размер и скорость силуэтов, чтобы соответствовать испытуемых). Калибровки настроены вручную в заголовке основной программы (Vfish.pde) с использованием предварительно выбранных флагов отладки. В режиме отладки (DEBUG - TRUE) последовательно проходите через каждый флаг DEBUGGING-LEVEL (числа 0-2), чтобы внести необходимые коррективы
- Установите флаг DEBUGGING-LEVEL-0 на "истинный" и запустите программу, нажав значок воспроизведения в окне эскиза. Изменяйте значения позиции x и y (параметры домена dx и dy соответственно) до тех пор, пока проекция не будет сосредоточена.
- Установите DEBUGGING-LEVEL-1 на "истинный", чтобы масштабировать размер силуэта рыбы (представленного как эллипс). Запустите программу и итеративно отрегулируйте ширину (eW) и длину (eL) эллипса до тех пор, пока она не соподовит средний размер испытуемых. После этого установите DEBUGGING-LEVEL-2 на 'истинное', чтобы настроить базовую скорость силуэтов (ss).
- Установите DEBUG и FALSE в режим отладки.
- Проверьте, что отвлекающие силуэты остаются связанными с областью принятия решений (DA, Рисунок 1A),что траектории силуэта лидера должным образом выровнены с любой рукой, и что соотношение лидера/отвлекателя в DA остается постоянным.
- Пройдите через графический интерфейс программы, чтобы обеспечить функциональность опций.
- Убедитесь, что данные должным образом выписаны для файла.
- Убедитесь, что программное обеспечение для записи может отслеживать тему рыбы с визуальными проекциями на месте. Шаги по отслеживанию рыбы ранее были описаны в Кайданович-Берлин и др. (2011)8, Холкомб и др. (2014)9, Путь и др. (2016)10 и Чжан и др. (2018)11.
6. Подготовка животных
- Выберите предметные виды на основе исследовательского вопроса и применения, включая пол, возраст, генотип. Назначать предметы экспериментальным резервуарам и записывать базовую биометрическую статистику (например, длину и массу тела).
- Установите условия окружающей среды в лабиринте, что и системы хранения. Условия качества воды для базовых экспериментов поведения часто проводятся в оптимальном для вида и для экспериментальной настройки домена.
- В этой демонстрации используйте следующие условия: 12 ч свет/12 ч темный цикл, накладные мерцающие галогенные огни, установленные на 134 х 5 люкс, 22 и 0,3 градуса по Цельсию, 97,4 и 1,3% растворенного кислорода, и рН 7,8 и 0,1.
- Привить животных, передавая их в домен на срок до 30 минут в день в течение 5 дней без компьютерных визуальных стимулов (например, силуэты рыб) до начала экспериментальных испытаний.
- Убедитесь, что объект рыбы в это время отбирается, назначается, взвешивается, измеряется и передается в экспериментальные резервуары.
ПРИМЕЧАНИЕ: Здесь, Золотые Shiners стандартной длины и влажного веса были 63,4 и 3,5 мм SL и 1,8 и 0,3 г WW, соответственно. - Используйте передачу воды к воде при перемещении рыбы между баками и лабиринтом, чтобы уменьшить стресс от обработки и воздействия воздуха.
- Проведение экспериментов во время регулярного фиксированного светового цикла, отражающего естественный биологический ритм испытуемых. Это позволяет испытуемым кормить в конце экспериментальных испытаний каждого дня, чтобы ограничить пищеварение воздействие на поведение.
7. Экспериментальная процедура
- Включите номерный проектор и светодиодные системы легкой дорожки до заданного уровня яркости (в этой демонстрации 134 и 5 люкс), что позволяет лампам нагреваться (примерно 10 минут).
- Откройте программу просмотра камеры и загрузите настройки для диафрагмы, цвета и записи, сохраненные от установки, чтобы обеспечить лучшее качество видео может быть достигнуто.
- Откройте Pylon Viewer и активируйте камеру для записи.
- Выберите функции загрузки из меню выпадения камеры и перейдите к папке настроек сохраненной камеры.
- Откройте сохраненные настройки (здесь помечены как camerasettings-20181001), чтобы обеспечить качество видео и нажмите на непрерывный снимок.
- Закрыть Pylon Viewer.
- Откройте программу визуальной проекции Vfish.pde и убедитесь, что проекция остается сосредоточенной в лабиринте, что папка DataOut пуста, и что программа работает в прежнем режиме
- Убедитесь, что калибровочное кольцо центрано в DA с помощью шага 5.1.1.
- Откройте папку DataOut, чтобы убедиться, что она пуста в течение дня.
- Запустите программу визуальных стимулов, нажав на окно эскиза Vfish.pde и используйте фиктивные переменные для обеспечения функциональности программы.
- Введите идентификатор рыбы (1-16), нажмите Enter, а затем подтвердить выбор, нажав Y или N да или нет.
- Введите размер группы (зафиксирован здесь на 1) и подтвердите выбор.
- Введите желаемую скорость силуэта (0-10 BL/s) и подтвердите выбор.
- Нажмите Enter, чтобы пройти период акклиматизации и проверить проекцию виртуальной рыбы в области принятия решений.
- Нажмите паузу, чтобы приостановить программу и ввести манекен выбор исхода, т.е. влево (1) или вправо (2).
- Нажмите Стоп, чтобы прекратить программу и записать данные в файл.
- Убедитесь, что данные были должным образом записаны для файла в папке DataOut и ввейте файл в качестве тестового запуска в лабораторных примечаниях, прежде чем рыба будет помещена в домен для акклиматизации.
- Используйте часы и секундомер, чтобы войти в журнал и остановить время судебного разбирательства в лабораторном блокноте, чтобы дополнить прошедшее время, которое позже может быть извлечено из воспроизведения видео из-за короткой продолжительности некоторых повторений испытаний.
- Проведение изменения воды (например, 30%) с помощью системы хранения водоотливной воды перед передачей предмета в лабиринт.
- Подтвердите, что качество воды аналогично между лабиринтом и системой удержания, и проверьте, что ворота функционируют, чтобы убедиться, что она плавно скользит до чуть выше высоты воды.
- Используя заранее установленный экспериментальный график, который рандомизированных подвергающихся воздействию предметной обработки в ходе эксперимента, введите значения, выбранные для текущего испытания (остановка на экране акклиматизации, шаги 7.3.3.1 - 7.3.3.3).
- Запись комбинированных данных по обработке в лабораторном блокноте.
- Перенесите предмет в зону хранения Y-maze на 10-минутный период акклиматизации.
- Запустите видеозапись, а затем нажмите ключ возврата в окне Vfish.pde в конце периода акклиматизации. Это позволит начать визуальные проекции.
- Когда виртуальная рыба появится в домене, введем в журнал часового времени и поднимите удерживающие ворота(рисунок 4A).
- Окончание судебного разбирательства, когда 50% тела субъекта перемещается в руку выбора(рисунок 4B) или когда установленный период времени проходит (например, 5 мин).
- Зарегистрируйте время работы, запуск и остановку времени от стоп-водократа, а также выбор испытуемых (наконец, слева (1), справа (2) или без выбора (0)).
- Остановите видеозапись и нажмите Пауза в программе визуальных стимулов, которая подскажет пользователю данные о результатах пробной версии (выбранный номер руки или 0, чтобы указать, что выбор не был сделан). После подтверждения выбора программа вернется на первый экран и будет ждать значений, ожидаемых для следующего экспериментального испытания.
- Соберите предмет и верните его в соответствующий резервуар для хранения. Повторите шаги 7.7-7.13 для каждого испытания.
- По завершении сеанса (AM или PM) пресс-остановка в программе после того, как последняя рыба сессии приняла решение. Нажатие Стоп запишет данные сеанса в файл.
- Повторите водный обмен в конце утренней сессии, чтобы обеспечить стабильность качества воды.
- После последнего испытания дня просмотрите лабораторный блокнот и сделайте необходимые заметки.
- Остановка прессы в программе визуальных стимулов для вывода собранных данных в папку DataOut после последнего испытания дня.
- Проверьте число, имя и местоположение файлов данных, сохраненных программой визуализации.
- Качество воды журнала, наряду с уровнем света в лабиринте комнате для сравнения с утренними настройками. Поместите систему аэрации и обогреватели в Y-лабиринт.
- Выключите проектор и экспериментальное освещение слежения за комнатой.
- Кормите рыбу заранее определенным дневным рационом.
8. Анализ данных
- Убедитесь, что экспериментальные данные содержат необходимые переменные (например, дата, проба, идентификатор предмета, рука, выбранная по программе, проверенные визуальные факторы, выбор предмета, время начала и остановки и комментарии).
- Проверьте наличие ошибок записи (человеческие или программы индуцированных).
- Табулят ответы и проверить признаки каких-либо направленных предубеждений со стороны субъектов (например, биномиальный тест на выбор руки в состоянии управления)7.
- Когда эксперимент разработан с использованием повторных измерений на тех же лиц, как и в случае здесь, использование смешанных моделей эффектов предлагается.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Гипотеза и дизайн
Чтобы продемонстрировать полезность этой экспериментальной системы, мы проверили гипотезу о том, что точность, с которой Golden Shiner следует визуальному сигналу, улучшится со скоростью этого сигнала. Дикий тип Золотой Shiner были использованы (NNo 16, длина тела, BL, и мокрые веса, WW, были 63,4 и 3,5 мм и 1,8 и 0,3 г, уважительно). Согласованность визуальных стимулов (коэффициент лидера/отвлекателя) была зафиксирована на уровне 0,67, в то время как мы манипулировали скоростью, с которой наши сигналы движения (т.е. лидеры) двигались по отношению к их отвлекателям. Уровни скорости силуэтов лидера, которые обеспечивают направленные сигналы варьировались от 0-10 BL/s (с шагом 2), который охватывает диапазон скоростей, как правило, считается отражением устойчивых, длительных, или взрыв режимов плавания в рыбе12. На уровне управления, 0, силуэты лидера были ориентированы на руку назначения среди случайно ориентированных отвлекающих, но ни один из силуэтов не двигался. Рука назначения была выбрана случайным образом для каждого испытания программой. Расстояние единицы в длину тела, которая была определена средняя стандартная длина наших субъектов, и время в секундах. Текущий репрезентативный анализ фокусируется на измерении первичных переменных ответов (скорость принятия решений и точность), но дизайн эксперимента также позволяет следователям извлекать дополнительную информацию путем отслеживания движения объектов и анализа их Кинематика.
Наши рыбьи предметы были размещены в соответствии с разделом 6 протокола. Каждый предмет подвергался воздействию одного уровня лечения в день. Мы рандомизированных как в уровне предметного лечения (ки скорость) через дни и порядок, в котором предметы были протестированы на каждый день. Линейные и обобщенные модели линейных смешанных эффектов (LMM и GLMM, соответственно) использовались для проверки влияния скорости силуэта лидера на скорость и точность, с которой испытуемые следовали визуальным стимулам. Идентификатор предмета был включен в качестве случайного эффекта в обе их модели.
Данные и выводы
В отсутствие каких-либо сигналов движения Золотой Shiner действовал как ожидалось и выбрал их направление наугад (скорость стимулирования 0, биномиальный тест, nЛевыйNo 33, nПравоNo 40, 0,45, P 0,483). В то время как большинство испытуемых не проявляли признаков стрессового поведения в области и приняли решительное решение в отведенное время (5 мин), 22% испытуемых проявили нежелание покидать зону проведения или входить в зону принятия решений. Данные этих нерешительных рыб не были включены в анализ. Остальные 78% наших испытуемых показали значительное улучшение точности, с которой они следовали направленности стимулов, как скорость этих стимулов увеличилось (GLMM, z 1.937, P 0.053). Рисунок 5A показывает характер этой взаимосвязи, где мы находим 1,2-кратное увеличение точности направления для каждого увеличения уровня скорости стимула. Эти отношения лишь скромно несоразмерны и сами по себе не предполагают порогового ответа на изменения скорости сигнала. Увеличение скорости стимулирования также привело к значительному увеличению скорости принятия решений (LMM, F1,56и 4,774, P 0.033). Однако, как видно на рисунке 5B тенденция в скорости принятия решений была непоследовательной и весьма переменной через уровни скорости стимула. Что очевидно в этих данных скорости принятия решений является то, что он принял субъектов, в среднем, в любом месте от 5-20x больше времени, чтобы принять решение, когда стимулы двигались, чем когда они не были (скорость принятия решений 4,6 и 2,3 с и 81,4 и 74,7 с для стимулирования стимула скорости 0 и 8, соответственно, - стандартное отклонение, SD). Действительно, без уровня контроля мы не нашли существенных изменений в скорости принятия решений в качестве функции стимула скорости.
Рисунок 1. Домен Y-Maze. A. Изображение аппарата Y-лабиринта для тестирования на принятие решений. Аннотации представляют собой следующие: Холдинговая зона (HA, зеленый), Решение области (DA, синий), Left Decision Arm (LDA), и ПравоЕ решение Arm (RDA). B. Изображение Y-лабиринта и комнаты с накладным регулируемым освещением трека и размещением камеры GigE (видна только одна из четырех накладных светильников). C. Изображение Y-лабиринта (боковой вид), включая размещение проектора, который заблокирован раздвижной каретой для устранения движений во время или между испытаниями. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Рисунок 2. Фон и калибровка стимулов. A. Изображение освещенного Y-лабиринта с однородным цветом фона и трансектом интенсивности пикселей (зеленая линия) между областью удержания и областью принятия решений, DA (средняя интенсивность пикселей 112 и 1278). Световой градиент, генерируемый лампой проектора (горячая точка), хорошо виден. B. Изображение, показывающее выравнивание проекций с DA. C. Изображение лабиринта с отфильтрованным фоном и одиночным силуэтом, проецируемое в центре DA для калибровки (размер, скорость). Добавление фона встречного градиента в (C) приводит к более темному фону (средняя интенсивность пикселей 143,1 и 5,5) и гораздо меньшепространственной изменчивости (коэффициент вариации падает с 11,4 (A.) до 0.03 (C.). Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Рисунок 3. Схема общего потока операций в программе визуализации, используемой в экспериментах. Для получения дополнительнойпроцедурной детали см. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Рисунок 4. Экспериментальное испытание как с реальными, так и с виртуальными силуэтами рыб. A. Изображение (живой) Золотой Шайнер, покидающий зону удержания (зеленый круг). B. Изображение (живого) Золотого сиятеля в зоне принятия решений (зеленый круг) среди виртуальных силуэтов рыб. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Рисунок 5. Точность и скорость направленного реагирования на изменения относительной скорости движения сигналов. A. График точности решения рыбы, с которой Золотой Shiner следовал и силуэты «лидера», построенные против скорости стимулирования (BL/s). B. График скорости решения рыб plotted против скорости стимула (BL/s). Данные являются означает стандартные ошибки, SE. Группы из 15 виртуальных силуэтов были случайным образом распределены по всей зоне принятия решений с уровнем согласованности 67% (10 из 15 силуэтов выступали в качестве лидеров, остальные 5 силуэтов выступали в качестве отвлекающих средств), и мы меняли скорость лидеров от 0-10 BL/s. Скорость отвлекателя оставалась фиксированной на 1 BL/s на всех уровнях скорости, кроме управления, в котором ни один из силуэтов не двигался. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Визуальные сигналы, как известно, вызывают оптомоторную реакцию у рыб, подвергающихся воздействию черно-белых решеток13, и растет число теоретических и эмпирических доказательств того, что скорость соседа играет влиятельную роль в управлении динамическими взаимодействиями наблюдается врыбных школах 7,14,15,16,17. Контрастные гипотезы существуют, чтобы объяснить, как люди в группах интегрировать соседских движений, таких как реагировать пропорционально на все заметные сигналы14, принятие движения порог актакответ 17, или мониторинга столкновения раз 18. Первым шагом в тестировании этих альтернативных гипотез является проверка их основных предположений. Здесь мы продемонстрировали полезность нашего протокола в определении роли, которую может иметь та или иная сенсорная функция в руководящих решениях.
Мы выделили, как особи социальных видов рыб, Золотой Shiner, ответилна на изменения в относительной скорости визуальных стимулов, предназначенных для имитации conspecifics в школе. Точность направления Golden Shiner улучшилась с увеличением относительной скорости визуальных стимулов, но функциональные отношения между этими переменными были незначительно несоразмерными. Взаимосвязь между скоростью принятия решений и скоростью стимулирования, хотя и значительна, была весьма переменной и непоследовательной. Результаты показывают, однако, что разница в скорости, найденная в изображениях, разбросанных по всему полю зрения этих рыб, играет важную роль в инициировании реакции и направляя их откровенное внимание. Дразнить друг от друга, как люди выбирают среди действий конкретных соседей может быть исследована с текущей конструкции путем введения противоречивых направлений в стимулы.
В недавнем эксперименте с Зебрафиш, Данио Рерио, мы не нашли никаких доказательств нерешительности в одиночных испытаниях7, но Золотой Shiner в этой демонстрации отображается большее нежелание покидать зону проведения. Различия между этими двумя видами могут быть объяснены их стратегиями истории жизни и относительной силой их социальных тенденций (или зависимости). Зебрафиш, как представляется, отображают более переменную социальную согласованность, чем Золотые Shiners (например, факультативные против обязывающих школьников3). Вполне вероятно, что более сильная социальная согласованность в Golden Shiner, возможно, способствовали предметы, показывающие более высокий уровень застенчивости, или нерешительность в области, чем их коллеги зебры.
Порядок шагов тонкий, но критический в протоколе. Процесс балансировки света, проектора и программного фильтра может занять больше времени, чем часто предполагалось для новых доменов. В этот протокол были включены извлеченные уроки для уменьшения времени установки и легкого баланса, такие как использование трековых огней, которые отражаются от стены (не на домене), регулируемые контроллеры света и программные фильтры для проектора. Рассмотрим также, что то, что может показаться визуально приемлемым для человеческого глаза не будет рассматриваться камерой и программным обеспечением таким же образом, таким образом, ваши условия освещения могут потребовать дополнительных корректировок. Даже незначительные изменения углов монитора приведут к изменениям градиента фона. Таким образом, детальное принятие заметок и сохранение параметров файла значительно уменьшит вероятность изменений, происходящих в ходе эксперимента. Переход через процесс от физического к фильтрации, как представлено здесь, дает самые быстрые шаги к успеху.
Использование проектора ST обеспечивает большую пространственную гибкость по сравнению с монитором, но этот подход создает нежелательную зрительную аномалию, называемую «горячей точкой». Точка доступа — это яркое пятно на проекционной поверхности, создаваемый близостью лампы проектора. В протоколе раздел 4 был посвящен созданию фоновых фильтров и проверке однородной молнии по всему домену. Приведенные здесь шаги помогут пользователям избежать или свести к минимуму нежелательные последствия «горячей точки» путем моделирования любого нежелательного градиента и использования модели для воспроизведения обратного градиента для противодействия эффектам. Наконец, модель проектора ST может варьироваться, однако, регулировки изображения (поворот, флип, проекция переднего или заднего экрана) и коррекция краеугольного камня (3-5 градусов) являются полезными функциями для обеспечения желания изображение подходит домену и может быть скорректировано для искажения.
Со временем экспериментальные помещения были обновлены для удобства изменениями в оборудовании (т.е. камеры, кабели, видеокарты, мониторы). Следует отметить, что аппаратные изменения, скорее всего, приведет к дополнительному времени запуска, чтобы сбалансировать освещение и работать через любые потенциальные проблемы программы. Поэтому рекомендуется, чтобы любое оборудование было посвящено системе до завершения желаемых экспериментов. Большинство проблем были связаны с различиями в производительности между мониторами, видеокартами и камерами, что иногда приводит к изменению кода программирования. Со времени этой работы были разработаны новые домены, в которых внутренний тестовый домен может быть удален и переключен на другие тестовые домены. Мы рекомендуем учитывать эту гибкость при проектировании экспериментальных доменов и вспомогательных структур.
Текущий протокол позволяет следователям изолировать и манипулировать визуальными функциями таким образом, что оба отражает визуальную среду ожидается в школе, а также контроль за смешанные факторы, которые сопровождают воздействие реальных conspecifics (например. , голод, знакомство, агрессия)7. В целом, компьютерная анимация (CA) виртуальной рыбы (т.е. силуэты) является практикой, которая становится все более распространенным местом из-за его явные преимущества в стимулировании поведенческих реакций19,20,21. CA позволяет настроить визуальные сигналы (направление, скорость, согласованность или морфология), в то время как введение уровня стандартизации и повторяемости в желаемом стимуле, который превышает то, что может быть достигнуто при использовании живых животных в качестве стимулятора. Использование виртуальной реальности в поведенческих исследованиях, как на животных22 и людей23, также неуклонно растет и обещает стать мощным эмпирическим инструментом, как технология становится все более доступной и уступчивой. В совокупности эти виртуальные подходы также заменяют и уменьшают требования к живому животным этики животных в науке (например, IACUC, AAALAC и ACURO)24, одновременно снижая лабораторные затраты и нагрузки.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Все авторы внесли свой вклад в экспериментальный дизайн, анализ и написание работы. A.C.U. и C.M.W. подставили и собрали данные. Авторам нечего раскрывать.
Acknowledgments
Мы благодарим Брайтона Хикссона за помощь в настройке. Эта программа была поддержана Программой фундаментальных исследований, качества окружающей среды и установки (ЭКИ; Д-р Элизабет Фергюсон , технический директор, Центр исследований и разработок инженеров армии США.
Materials
| Name | Company | Catalog Number | Comments |
| Black and white IP camera | Noldus, Leesburg, VA, USA | https://www.noldus.com/ | |
| Extruded aluminum | 80/20 Inc., Columbia City, IN, USA | 3030-S | https://www.8020.net 3.00" X 3.00" Smooth T-Slotted Profile, Eight Open T-Slots |
| Finfish Starter with Vpak, 1.5 mm extruded pellets | Zeigler Bros. Inc., Gardners, PA, USA | http://www.zeiglerfeed.com/ | |
| Golden shiners | Saul Minnow Farm, AR, USA | http://saulminnow.com/ | |
| ImageJ (v 1.52h) freeware | National Institute for Health (NIH), USA | https://imagej.nih.gov/ij/ | |
| LED track lighting | Lithonia Lightening, Conyers, GA, USA | BR20MW-M4 | https://lithonia.acuitybrands.com/residential-track |
| Oracle 651 white cut vinyl | 651Vinyl, Louisville, KY, USA | 651-010M-12:5ft | http://www.651vinyl.com. Can order various sizes. |
| PowerLite 570 overhead projector | Epson, Long Beach CA, USA | V11H605020 | https://epson.com/For-Work/Projectors/Classroom/PowerLite-570-XGA-3LCD-Projector/p/V11H605020 |
| Processing (v 3) freeware | Processing Foundation | https://processing.org/ | |
| R (3.5.1) freeware | The R Project for Statistical Computing | https://www.r-project.org/ | |
| Ultra-white 360 theater screen | Alternative Screen Solutions, Clinton, MI, USA | 1950 | https://www.gooscreen.com. Must call for special cut size |
| Z-Hab system | Pentair Aquatic Ecosystems, Apopka, FL, USA | https://pentairaes.com/. Call for details and sizing. |
References
- Dall, S. R. X., Olsson, O., McNamara, J. M., Stephens, D. W., Giraldeau, L. A. Information and its use by animals in evolutionary ecology. Trends in Ecology and Evolution. 20 (4), 187-193 (2005).
- Pitcher, T. Sensory information and the organization of behaviour in a shoaling cyprinid fish. Animal Behaviour. 27, 126-149 (1979).
- Partridge, B. The structure and function of fish schools. Scientific American. 246 (6), 114-123 (1982).
- Fernández-Juricic, E., Erichsen, J. T., Kacelnik, A. Visual perception and social foraging in birds. Trends in Ecology and Evolution. 19 (1), 25-31 (2004).
- Strandburg-Peshkin, A., et al. Visual sensory networks and effective information transfer in animal groups. Current Biology. 23 (17), R709-R711 (2013).
- Rosenthal, S. B., Twomey, C. R., Hartnett, A. T., Wu, S. H., Couzin, I. D. Behavioral contagion in mobile animal groups. Proceedings of the National Academy of Sciences (U.S.A.). 112 (15), 4690-4695 (2015).
- Lemasson, B. H., et al. Motion cues tune social influence in shoaling fish. Scientific Reports. 8 (1), e9785 (2018).
- Kaidanovich-Beilin, O., Lipina, T., Vukobradovic, I., Roder, J., Woodgett, J. R.
- Holcombe, A., Schalomon, M., Hamilton, T. J. A novel method of drug administration to multiple zebrafish (Danio rerio) and the quantification of withdrawal. Journal of Visualized. Experiments. (93), e51851 (2014).
- Way, G. P., Southwell, M., McRobert, S. P. Boldness, aggression, and shoaling assays for zebrafish behavioral syndromes. Journal of Visualized. Experiments. (114), e54049 (2016).
- Zhang, Q., Kobayashi, Y., Goto, H., Itohara, S. An automated T-maze based apparatus and protocol for analyzing delay- and effort-based decision making in free moving rodents. Journal of Visualized. Experiments. (138), e57895 (2018).
- Videler, J. J. Fish Swimming. , Netherlands. Springer. 260 pp., ISBN-13 9789401115803 (1993).
- Orger, M. B., Smear, M. C., Anstis, S. M., Baier, H. Perception of Fourier and non-Fourier motion by larval zebrafish. Nature Neuroscience. 3 (11), 1128-1133 (2000).
- Romey, W. L. Individual differences make a difference in the trajectories of simulated schools of fish. Ecological Modeling. 92 (1), 65-77 (1996).
- Katz, Y., Tunstrom, K., Ioannou, C. C., Huepe, C., Couzin, I. D. Inferring the structure and dynamics of interactions in schooling fish. Proceedings of the National Academy of Sciences (U.S.A.). 108 (46), 18720-18725 (2011).
- Herbert-Read, J. E., Buhl, J., Hu, F., Ward, A. J. W., Sumpter, D. J. T. Initiation and spread of escape waves within animal groups). Proceedings of the National Academy of Sciences (U.S.A.). 2 (4), 140355 (2015).
- Lemasson, B. H., Anderson, J. J., Goodwin, R. A. Motion-guided attention promotes adaptive communications during social navigation. Proceedings of the Royal Society. 280 (1754), e20122003 (2013).
- Moussaïd, M., Helbing, D., Theraulaz, G. How simple rules determine pedestrian behavior and crowd disasters. Proceedings of the National Academy of Sciences (U.S.A.). 108 (17), 6884-6888 (2011).
- Bianco, I. H., Engert, F. Visuomotor transformations underlying hunting behavior in zebrafish). Current Biology. 25 (7), 831-846 (2015).
- Chouinard-Thuly, L., et al. Technical and conceptual considerations for using animated stimuli in studies of animal behavior. Current Zoology. 63 (1), 5-19 (2017).
- Nakayasu, T., Yasugi, M., Shiraishi, S., Uchida, S., Watanabe, E. Three-dimensional computer graphic animations for studying social approach behaviour in medaka fish: Effects of systematic manipulation of morphological and motion cues. PLoS One. 12 (4), e0175059 (2017).
- Stowers, J. R., et al. Virtual reality for freely moving animals. Nature Methods. 14 (10), 995-1002 (2017).
- Warren, W. H., Kay, B., Zosh, W. D., Duchon, A. P., Sahuc, S. Optic flow is used to control human walking. Nature Neuroscience. 4 (2), 213-216 (2001).
- The IACUC Handbook. Silverman, J., Suckow, M. A., Murthy, S. , 3rd Edition, CRC Press, Taylor and Francis. 827 pp., ISBN-13 9781466555648 (2014).
