Summary
Gnaver faglært nå er almindeligt anvendt til at studere behændige færdigheder, men kræver betydelig tid og kræfter til at gennemføre opgaven og analysere adfærd. Vi beskriver en automatiseret version af dygtige nå med motion tracking og tre-dimensionelle rekonstruktion af rækkevidde forløbskurver.
Abstract
Gnaver faglært nå er almindeligt anvendt til at studere behændige færdigheder, men kræver betydelig tid og kræfter til at gennemføre opgaven og analysere adfærd. Flere automatiserede versioner af kvalificerede nå er blevet udviklet for nylig. Her beskriver vi en version, der automatisk præsenterer pellets til rotter, mens du optager high-definition video fra flere vinkler ved høje billedhastigheder (300 fps). Pote og individuelle cifre spores med DeepLabCut, en maskinlæringsalgoritme til markerless pose estimering. Dette system kan også synkroniseres med fysiologiske optagelser, eller bruges til at udløse fysiologisk indgreb (f. eks. elektrisk eller optisk stimulation).
Introduction
Mennesker er stærkt afhængige af behændige færdigheder, defineret som bevægelser, der kræver præcist koordinerede multi-fælles og ciffer bevægelser. Disse færdigheder påvirkes af en række fælles patologier i centralnervesystemet, herunder strukturelle læsioner (f. eks. slagtilfælde, tumor, demyelinerende læsioner), neurodegenerative sygdomme (f. eks. Parkinsons sygdom) og funktionelle abnormiteter i motoriske kredsløb (f. eks. dystoni). Forståelse af, hvordan behændige færdigheder læres og implementeres af centrale motorkredsløb, har derfor potentialet til at forbedre livskvaliteten for en stor befolkning. Desuden, en sådan forståelse er tilbøjelige til at forbedre motorisk ydeevne i raske mennesker ved at optimere uddannelse og rehabilitering strategier.
Dissekere de neurale kredsløb underliggende behændige færdigheder hos mennesker er begrænset af teknologiske og etiske overvejelser, der nødvendiggør brugen af dyremodeller. Ikke-menneskelige primater er almindeligt anvendt til at studere behændige lemmer bevægelser i betragtning af ligheden mellem deres motorsystemer og adfærdsmæssige repertoire til mennesker1. Men, ikke-menneskelige primater er dyre med lang generation gange, begrænse antallet af forsøgspersoner og genetiske interventioner. Selv om den neurovidenskabelige værktøjskasse, der gælder for ikke-menneskelige primater, er større end for mennesker, er mange nylige teknologiske fremskridt enten utilgængelige eller signifikant begrænsede i primater.
Gnaver faglært at nå er en komplementær tilgang til at studere behændige motoriske kontrol. Rotter og mus kan trænes til at nå til, forstå, og hente en sukker pille i en stereotyp sekvens af bevægelser homologe til menneskelige nå mønstre2. På grund af deres relativt korte generation tid og lavere boligomkostninger, samt deres evne til at erhverve kvalificeret nå over dage til uger, er det muligt at studere et stort antal i både læring og dygtighed konsolidering faser. Brugen af gnavere, især mus, letter også brugen af kraftfulde moderne neurovidenskabelige værktøjer (f. eks. optogenetik, calciumbilleddannelse, genetiske sygdomsmodeller) for at studere behændige færdigheder.
Gnaver faglært nå har været brugt i årtier til at studere normal motorisk kontrol og hvordan det er påvirket af specifikke patologier som slagtilfælde og Parkinsons sygdom3. Men de fleste versioner af denne opgave er arbejdskraft og tidskrævende, afbøde fordelene ved at studere gnavere. Typiske implementeringer indebærer at placere gnavere i et nå kammer med en hylde foran en smal slot, hvorigennem gnaver skal nå. En forsker placerer manuelt sukker piller på hylden, venter på, at dyret når frem, og placerer derefter en anden. Når er scoret som succeser eller fiaskoer enten i realtid eller ved video review4. Men blot scoring når som succeser eller fiaskoer ignorerer rige kinematiske data, der kan give indsigt i, hvordan (i modsætning til blot, om) nå er svækket. Dette problem blev løst ved at implementere detaljeret gennemgang af at nå videoer for at identificere og delvist kvantificere score nå under bevægelser5. Mens dette tilføjet nogle data vedrørende Reach kinematik, det også betydeligt øget eksperimententer tid og kræfter. Desuden kan høje niveauer af eksperimententer involvering føre til uoverensstemmelser i metodologi og dataanalyse, selv inden for samme laboratorium.
For nylig er flere automatiserede versioner af kvalificerede nå blevet udviklet. Nogle vedhæfte til hjemmet bur6,7, eliminerer behovet for at overføre dyr. Dette både reducerer stress på dyrene og eliminerer behovet for at akkliere dem til en specialiseret nå kammer. Andre versioner tillader Paw tracking, så kinematiske ændringer under specifikke interventioner kan undersøges8,9,10, eller har mekanismer til automatisk at afgøre, om pellets blev slået fra hylden11. Automatiserede kvalificerede opgaver er især nyttige til træning med høj intensitet, hvilket kan være nødvendigt for rehabilitering efter en skade12. Automatiserede systemer gør det muligt for dyr at udføre et stort antal rækker over lange perioder uden at kræve intensiv forsker involvering. Endvidere, systemer, der tillader Paw tracking og automatiseret resultat scoring reducere forsker tid brugt udfører dataanalyse.
Vi udviklede en automatiseret rotte kvalificeret nå system med flere specialiserede funktioner. For det første, ved at bruge en bevægelig piedestal til at bringe pellet i "nå position" nedefra, får vi en næsten uhindret udsigt over forbimb. For det andet giver et system af spejle mulighed for flere samtidige visninger af rækkevidden med et enkelt kamera, så tre-dimensionelle (3-D) rekonstruktion af REACH-forløbskurver ved hjælp af en høj opløsning, høj hastighed (300 fps) kamera. Med den seneste udvikling af robuste maskinlæringsalgoritmer til markerless motion tracking13, sporer vi nu ikke kun pote, men individuelle knoer for at udtrække detaljeret rækkevidde og forstå kinematik. For det tredje giver en frame-grabber, der udfører enkel video behandling, mulighed for realtids identifikation af særskilte række faser. Disse oplysninger bruges til at udløse video erhvervelse (kontinuerlig video erhvervelse er ikke praktisk på grund af filstørrelse), og kan også bruges til at udløse interventioner (f. eks optogenetik) på præcise øjeblikke. Endelig udløses individuelle videorammer af transistor-transistor Logic (TTL)-impulser, hvilket gør det muligt at synkronisere videoen præcist med neurale optagelser (f. eks. Elektrofysiologi eller fotometri). Her beskriver vi, hvordan man opbygger dette system, træner rotter til at udføre opgaven, synkroniserer apparatet med eksterne systemer og rekonstruerer 3-D Reach-forløbskurver.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alle metoder, der involverer brug af dyr beskrevet her er blevet godkendt af den institutionelle dyrepleje og anvendelse udvalg (IACUC) af University of Michigan.
1. oprettelse af det vidtrækkende kammer
Bemærk: Se Ellens et al.14 for detaljer og diagrammer over apparatet. Del numre refererer til figur 1.
- Bond klar polycarbonat paneler med akryl cement til at bygge det nå kammer (15 cm bred med 40 cm lang med 40 cm høj) (del #1). Et sidepanel (del #2) har en hængelås låge (18 cm bred med 15 cm høj) med en lås. Hvis rotten vil blive bundet til et kabel, skæres en slids (5 cm bred med 36 cm lang) i kammeret loftet for at rumme det (del #12). Gulv panelet har 18 huller (1,75 cm diameter) (del #13) skåret i det og er ikke bundet til resten af kammeret.
- Monter og justér infrarøde sensorer (del #3) i sidepanelerne 4,5 cm fra bagsiden af kammeret og 3,8 cm fra gulvet. Den adfærdsmæssige software har en indikator (' IR tilbage '), der er grøn, når den infrarøde stråle er ubrudt og rød, når strålen er brudt. Når softwaren er sat op, kan dette bruges til at kontrollere sensor justering.
- Monter et spejl (15 cm x 5 cm, en del #4) 10 cm over det fyldte slot (del #14). Vinkel spejlet, så pellet Delivery stang er synlig for kameraet.
- Placer kammeret på en og hygiejnisk støtte boks (59 cm bred med 67,3 cm lang med 30,5 cm høj, del #5). Kammeret hviler over et hul i støtte boksen (12 cm bred med 25 cm lang), der tillader strøelse at falde gennem gulvet huller (del #13) og ud af det nå kammer. Skær et andet hul (7 cm bred med 6 cm lang, del #15) ind i støtte boksen foran det vidtrækkende slot, hvilket gør det muligt for en pellet leverings stang at bringe pellets til det vidtrækkende slot.
- Monter to spejle (8,5 cm bred x 18,5 cm høj, del #6) til gulvet med magneter på hver side af kammeret, således at den lange kant af spejlet rører sidepanelet 3 cm fra forsiden af den udtrækkende boks. Vinkel spejlene, så kameraet kan se ind i boksen og området foran det nå slot, hvor pellet vil blive leveret.
- Monter high-definition-kameraet (del #7) 17 cm fra det vidtrækkende slot, som vender mod kassen.
- Monter sort papir (del #18) på begge sider af kameraet, så baggrunden i sidespejlene er mørk. Dette øger kontrasten for at forbedre real-time og off-line Paw detektion.
- Monter den lineære aktuator (del #16) på en sanselig ramme (25 cm bred med 55 cm lang med 24 cm høj, del #8) med skruer. Aktuatoren monteres på hovedet for at forhindre, at pellet støv akkumulerer inde i dets position-sensing potentiometer.
- Indsæt en skum O-ring i halsen på pellet reservoiret (tragt) (del #9) for at forhindre, at der ophobe sig støv i samlingen. Monter tragten under et hul (~ 6 cm diameter, del #17) i toppen af rammen ved at glide kanterne af tragten over tre skruer boret ind i undersiden af rammen top. Sæt førings røret (del #10) ind i Tragtens hals.
- Fastgør plastic T-stikket til enden af aktuatorens stålstang. Indsæt den tilspidsede ende af pellet leverings stangen i toppen af stikket og den Cupped ende gennem styrerøret ind i pellet reservoir.
- Placer den lineære aktuatorsamling under det kvalificerede nå kammer, således at pellet leverings stangen kan strække sig gennem hullet (del #15) foran det række ende slot.
- Placer hele det udtrækkende apparat i et kabinet med hjul (121 cm x 119 cm x 50 cm) ventileret med computer ventilatorer (interiøret bliver varmt, når det er godt belyst) og foret med akustisk skum.
- Byg fem lyspaneler (del #11) ved at holde LED-lysstrimler på 20,3 cm med 25,4 cm støtte paneler. Monter diffusor film over lysstrimlerne. Monter et lys panel på loftet over pellet Delivery stang område. Monter de andre fire på siderne af skabene langs det nå kammer.
Bemærk: det er vigtigt at belyse området omkring den nå slot og pellet Delivery stang for real-time Paw identifikation.
2. opsætning af computer og hardware
- Installer FPGA frame grabber og digitale udvidelseskort i fabrikantens anvisninger (Se tabellen over materialer).
Bemærk: Vi anbefaler mindst 16 GB RAM og en intern Solid-State-harddisk til datalagring, da streaming af højhastigheds videoen kræver en betydelig bufferkapacitet. - Installer drivere til high-definition-kameraet, og forbind det til FPGA framegrabber. Den adfærdsmæssige software skal køre og grænseflade med kameraet for at bruge den software, der er forbundet med kameraet.
Bemærk: den medfølgende kode (Se supplerende filer) giver adgang til programmerbare registre i kameraet og er muligvis ikke kompatibel med andre mærker. Vi anbefaler, at du optager mindst 300 billeder pr. sekund (fps); på 150 fps vi fandt, at de vigtigste ændringer i pote stillinger blev ofte savnet. - Kopiér den medfølgende kode (projekt) i "SR Automation_dig_ext_card_64bit" til computeren.
3. adfærdsmæssig træning
- Forbered rotter før træning.
- House Long-Evans rotter (mand eller kvinde, alderen 10 – 20 uger) i grupper af 2 – 3 pr bur på en omvendt lys/mørk cyklus. Tre dage før træning, sted rotter på fødevare begrænsning at opretholde kropsvægt 10 – 20% under baseline.
- Håndter rotter i flere minutter om dagen i mindst 5 dage. Efter håndtering, sted 4 – 5 sukker pellets per rotte i hvert hjem bur at introducere den nye fødevare.
- Habituate rotten til det nå kammer (1 – 3 dage)
- Tænd LED-lysene og Placer 3 sukker piller foran og bagpå kammeret.
- Placer rotten i kammeret og lad rotten til at udforske i 15 min. Monitor, hvis det spiser pellets. Gentag denne fase, indtil rotten spiser alle pillerne ud af gulvet.
- Rengør kammeret med ethanol mellem rotter.
Bemærk: Udfør træning og afprøvning i den mørke fase. Tog rotter på samme tid dagligt.
- Træn rotten for at nå og observere pote præference (1 – 3 dage).
- Tænd lysene og Placer rotten i det kvalificerede nå kammer.
- Ved hjælp af pincet skal du holde en pellet gennem det rækkefølge, der er på forsiden af æsken (figur 1, figur 2). Lad rotten spise 3 pellets fra pincet.
- Næste gang rotten forsøger at spise pellet fra pincet, trække pellet tilbage. Til sidst vil rotten forsøge at nå frem til pellet med sin pote.
- Gentag dette 11 gange. Pote, at rotten bruger mest ud af de 11 forsøg er rotte "pote præference".
Bemærk: et forsøg er defineret som pote nå ud forbi det nå slot. Rotten behøver ikke at have held til at opnå og spise pellet.
- Træne rotten til at nå til pellet Delivery stang (1 – 3 dage)
- Juster pellet levering stang med siden af det nå slot kontralateral til rotte foretrukne pote (brug en guide til at sikre en ensartet placering 1,5 cm fra forsiden af det nå kammer). Den øverste del af leverings stangen skal justeres i forhold til bunden af det fyldte slot (figur 2b). Placer en pellet på leverings stangen.
Bemærk: placering af leverings stangen modsat rotte foretrukne pote gør det vanskeligt for rotten at få pellet med sin ikke-foretrukne pote. Vi har ikke haft problemer med rotter ved hjælp af deres ikke-foretrukne pote. I visse modeller (f. eks. slagtilfælde) kan dette dog stadig forekomme, og der kan tilføjes en fastholdelsesanordning på den ikke-foretrukne række af ekstremiteter. - Agn rotte med en pellet holdt ved hjælp af pincet, men dirigere rotten mod levering stang, så dens pote rammer pellet på stangen. Hvis rotten slår pellet af stangen, skal du udskifte den. Nogle rotter kan ikke i første omgang nå ud langt nok. I dette tilfælde skal du flytte pellet Delivery stangen tættere på det nå slot og derefter langsomt flytte den længere væk som rotten forbedrer.
- Efter omkring 5 – 15 krogene når rotten vil begynde at nå til pellet på leverings stangen spontant. Når rotten har forsøgt 10 når til levering stang uden at være baited, kan det forskud til næste fase.
- Juster pellet levering stang med siden af det nå slot kontralateral til rotte foretrukne pote (brug en guide til at sikre en ensartet placering 1,5 cm fra forsiden af det nå kammer). Den øverste del af leverings stangen skal justeres i forhold til bunden af det fyldte slot (figur 2b). Placer en pellet på leverings stangen.
- Træn rotten til at anmode om en pellet (2 – 8 dage).
Bemærk: selv om vi har haft 100% succes uddannelse rotter til at nå til pellets, omkring 10% af rotter undlader at lære at anmode om en pellet ved at flytte til bagsiden af kammeret.- Placer pellet Delivery stang baseret på rotte pote præference og sæt den til position 2 (figur 2a). Indstil højden positioner af pellet Delivery stang ved hjælp af aktuatoren fjernbetjening. Hvis du holder knapperne 1 og 2 samtidigt, flyttes leverings stangen opad, mens knapperne 3 og 2 flytter leverings stangen nedad. Når leverings stangen er i den korrekte højde, skal du holde det ønskede tal nede, indtil lyset blinker rødt for at indstille.
- Placer rotten i kammeret og agn rotte på ryggen med en pellet. Når rotten bevæger sig langt nok til bagsiden af kammeret, at det ville bryde den infrarøde stråle, hvis den automatiserede version kørte, flytte pellet Delivery stang til position 3 (figur 2b).
- Vent til rotten til at nå til pellet og derefter flytte pellet Delivery stang tilbage til position 2 (figur 2a). Placer en ny pellet på leverings stangen, hvis den blev slået af.
- Gentag disse trin, gradvist at lokke rotten mindre og mindre, indtil rotten begynder at: (i) flytte til bagsiden for at anmode om en pellet uden at blive lokkemad, og (II) straks flytte til fronten efter anmodning om en pellet i ryggen. Når rotten har gjort dette 10 gange, er det klar til træning på den automatiserede opgave.
4. uddannelse af rotter ved hjælp af det automatiserede system
- Konfigurer det automatiserede system.
- Tænd lysene i kammeret og Genfyld pellet reservoir, hvis det er nødvendigt.
- Placer pellet Delivery stang i henhold til rotte pote præference. Kontrollér, at aktuatorpositionerne er indstillet korrekt (som i figur 2a).
- Tænd for computeren og åbne det kvalificerede nå program (SR_dig_extension_card_64bit_ (HOST) _ 3. vi). Indtast rat ID-nummeret under emne og vælg pote præference fra hånd drop-down menuen. Angiv gemme stien til videoerne.
- Indstil Sessionstiden og Max videoer (antal videoer, hvor sessionen skal afsluttes). Programmet vil stoppe med at køre på den grænse er nået først.
- Set pellet Lift varighed (varigheden af, at leverings stangen forbliver i position "3" efter rotten anmoder om en pellet). Aktivér eller Deaktiver straf for tidlig række følge (leverings stangen nulstilles til positionen "1" og derefter tilbage til "2", hvis rotten når frem, før der anmodes om en pellet).
- Tag kalibrerings billeder. 3-D-forløbs-genopbygningen bruger en computer vision-værktøjskasse til at bestemme de relevante Transformations matricer, hvilket kræver identificering af matchede punkter i hver visning. For at gøre dette, skal du bruge en lille terning med skakbræt mønstre på hver side (figur 3).
- Placer den hjælpende hånd inde i det nå kammer og stikke alligator klippet gennem det vidtrækkende slot. Hold kuben foran det nå slot med alligator clipsen.
- Placer kuben, så den røde side vises i det øverste spejl, den grønne side i det venstre spejl og den blå side i det højre spejl. Hele ansigtet på hver af de tre sider skal være synligt i spejlene (figur 3).
- I adfærds programmet skal du sørge for, at tærsklen for ROI er indstillet til en meget stor værdi (f. eks. 60000). Klik på knappen Kør (hvid pil). Når knappen til kamera initialiseret lyser grønt, skal du trykke på Start. Bemærk, at videoen er ved at blive erhvervet.
- Klik på Cal-tilstand. Tag derefter et billede ved at klikke på Tag Cal image. Stien til billedmappen vises nu under ". png-sti" med. png-filnavnet formateret som "GridCalibration_YYYYMMDD_img #. png".
- Flyt kuben en anelse, og tag et andet billede. Gentag igen for i alt 3 billeder.
- Stop programmet ved at klikke på stop og derefter på knappen Stop Underskriv. Fjern hjælpende hånd og kube fra kassen.
- Vær omhyggelig med ikke at støde noget i den adfærdsmæssige kammer efter kalibrering billeder er blevet taget den dag. Hvis noget bevæger sig, skal der tages nye kalibrerings billeder.
- Kør det automatiserede system.
Bemærk: Bestem "ROI threshold" indstillinger (beskrevet nedenfor) for hvert spejl, før du kører rotter for faktiske dataindsamling. Når disse indstillinger er blevet fastlagt, pre-sæt dem før du begynder programmet og justere under erhvervelse, hvis det er nødvendigt.- Placer rotten i det kvalificerede nå kammer. Klik på den hvide pil for at køre programmet.
- Før du klikker på Start, indstille positionen af ROI for Paw Detection ved at justere x-offset (x-koordinat øverste venstre hjørne af ROI rektangel), y-offset (y-koordinat øverste venstre hjørne af ROI), ROI bredde og ROI højde.
- Placer ROI i sidespejlet, der viser dorsum af potten, direkte foran det nåede slot (figur 2c). Sørg for, at pellet Delivery rod ikke kommer ind i ROI, og at ROI ikke strækker sig ind i boksen for at forhindre pellet eller rotte pels fra udløser en video, når rotten ikke når.
- Klik på Start for at starte programmet.
- Juster værdien "lav ROI-tærskelværdi", indtil værdien "Live ROI Trigger" svinger mellem "0" og "1" (når rotten ikke når). Denne værdi er antallet af pixels inden for ROI med intensitetsværdier i tærskel intervallet.
- Angiv tærsklen for ROI. Overhold den Live ROI Trigger værdi , når rotten Pokes sin næse i ROI og når rotten når til pellet. Indstil tærsklen for ROI til at være betydeligt større end værdien "Live ROI Trigger" under næse Pokes og lavere end værdien "Live ROI Trigger", når rotten når. Juster, indtil videoer konsekvent udløses, når rotten når, men ikke når det Pokes næsen gennem åbningen
Bemærk: Dette forudsætter pote er lysere farvet end næsen; Justeringerne vil blive vendt, hvis poten er mørkere end næsen. - Overvåg de første par forsøg for at sikre, at alt fungerer korrekt. Når en rotte når frem, før der anmodes om en pellet (levering stang i position "2"), stiger "Early når" nummer. Når en rotte når frem efter at have anmodet om en pellet (levering stang i position "3"), stiger "videoer" nummer og en video gemmes som en. bin fil med navnet "RXXXX_YYYYMMDD_HH_MM_SS_trial #".
Bemærk: standarden er for videoer til at indeholde 300 frames (dvs., 1 s) før og 1000 frames efter Trigger begivenhed (dette er konfigurerbar i softwaren), som er lang nok til at indeholde hele Reach-to-fatte bevægelse, herunder pote tilbagetrækning. - Når Sessionstiden eller Max videoer er nået, stopper programmet. Tryk på knappen Stop Sign.
- Rengør kammeret med ethanol og Gentag med en anden rotte, eller hvis det gøres for dagen fortsætte til at konvertere videoer.
- Konverter. bin-filer til. AVI-filer.
Bemærk: komprimering af videoer under erhvervelse forårsager mistede rammer, så binære filer streames til disk under erhvervelse (brug et solid state-drev på grund af høje dataoverførselshastigheder). Disse binære filer skal komprimeres off-line eller lager kravene er uoverkommeligt store.- Åbn programmet "bin2avi-color_1473R_noEncode. vi".
- Klik på knappen mappe under "filsti kontrol" for at vælge den session (f. eks. R0235_20180119a), du vil konvertere. Gentag for hver session (op til seks).
- Klik på den hvide pil (Kør) og derefter "START" for at begynde. Du kan overvåge video komprimeringen i "samlet fremskridt (%)" Bar. Lad programmet køre natten over.
- Før du begynder at træne dyr næste dag, skal du kontrollere, at videoerne er blevet konverteret og slette. bin-filerne, så der er plads nok til at erhverve nye videoer.
5. analyse af videoer med DeepLabCut
Bemærk: forskellige netværk er uddannet til hver pote præference (højre pote og venstre pote) og for hver visning (direkte visning og venstre spejl visning for højre befamlet rotter, direkte visning og højre spejl visning for venstre befamlet rotter). Den øverste spejl visning bruges ikke til 3D-genopbygning-bare for at opdage, når næsen kommer ind i åbningen, hvilket kan være nyttigt at udløse interventioner (f. eks. optogenetik). Hvert netværk bruges derefter til at analysere et sæt af videoer beskåret for den tilsvarende pote og visning.
- Træn DeepLabCut-netværkene (detaljerede anvisninger findes i DeepLabCut-dokumentationen på https://github.com/AlexEMG/DeepLabCut).
- Opret og Konfigurer et nyt projekt i DeepLabCut, en algoritme til maskinel indlæring for markerless udgør estimering13.
- Brug programmet til at udtrække billeder fra de færdiguddannede videoer og beskære billederne til visningen for at inkludere (direkte eller spejlvendt visning) i programgrænsefladen. Afgrøde rammer stor nok, så rotten og begge forreste poter er synlige.
Bemærk: netværk kræver typisk 100 – 150 Trænings rammer. Flere Trænings rammer er nødvendige, når pote er indeni i forhold til uden for kammeret på grund af belysning. Strammere beskæring reducerer behandlingstid, men pas på, at de beskårne regioner er store nok til at detektere pottens fulde bane for hver rotte. Det skal være bred nok til rotte hele kroppen til at passe ind i rammen (direkte visning), og at se så langt tilbage i kammeret som muligt og foran levering stang (spejl visning). - Brug programmet GUI til at mærke kropsdele. Etiket 16 punkter i hver ramme: 4 dislokation (MCP) samlinger, 4 proksimale interfalangeale (PIP) samlinger, 4-cifrede spidser, dorsummen af den række ende pote, næsen, dorsummen af den ikke-nå pote, og pellet (figur 4).
- Følg instruktionerne i DeepLabCut (forkortet som DLC fremover) for at oprette uddannelsesdata sættet, træne netværket og evaluere det uddannede netværk.
- Analysér videoer, og Finjuster netværket.
- Før du analyserer alle videoer med et nyuddannet netværk, skal du analysere 10 videoer for at evaluere netværkets ydeevne. Hvis der er konsekvente fejl i visse poser, udtrække yderligere Trænings rammer, der indeholder disse udgør og omskole netværket.
- Når du analyserer videoer, skal du sørge for at output. csv-filer, som vil blive indsat i koden for 3D-forløbs rekonstruktion.
6. boks kalibrering
Bemærk: denne vejledning bruges til at bestemme Transformations matricer til at konvertere punkter, der er identificeret i direkte og spejlede visninger, til 3D-koordinater. For den mest opdaterede version og flere detaljer om, hvordan du bruger Boxkalibrerings pakken, se Leventhal Lab GitHub: https://github.com/LeventhalLab/boxCalibration, som indeholder trin-for-trin instruktioner til deres brug.
- Saml alle kalibrerings billeder i den samme mappe.
- Brug ImageJ/Fiji til manuelt at markere skakbræt punkterne for hvert kalibrerings billede. Gem dette billede som "GridCalibration_YYYYMMDD_ #. tif", hvor ' YYYYMMDD ' er den dato, kalibrerings billedet svarer til, og ' # ' er billednummeret for den pågældende dato.
- Brug målefunktionen i ImageJ (Vælg Analysér | Foranstaltning). Dette vil vise en tabel, der indeholder koordinater for alle markerede punkter. Gem denne fil med navnet "GridCalibration_YYYYMMDD_ #. csv", hvor dato og billed nummer er det samme som den tilsvarende. tif-fil.
- Åbn filen ' setParams. m ' fra Boxkalibrerings pakken. Denne fil indeholder alle påkrævede variabler og deres beskrivelse. Rediger variabler efter behov, så de passer til projektets specifikationer.
- Kør funktionen Kalibrateboxes . Flere prompter vises i kommandovinduet. Den første prompt spørger, om du vil analysere alle billeder i mappen. Indtastning Y vil afslutte prompterne, og alle billeder for alle datoer vil blive analyseret. Hvis du skriver N , bliver brugeren bedt om at angive de datoer, du vil analysere.
Bemærk: der oprettes to nye mapper i mappen med kalibrerings billeder: ' markedImages ' indeholder. png-filer med de brugerdefinerede skakbræt mærker på kalibrerings billedet. Mappen ' Boxkalibrering ' indeholder. mat-filer med kalibrerings parametrene for boksen. - Kør Checkboxkalibreringsfunktionen . Dette vil oprette en ny mappe, ' check kalibrering ' i ' Boxkalibrering ' mappe. Hver dato vil have en undermappe, der indeholder de billeder og flere. fig filer, som bruges til at kontrollere, at boks kalibrering blev afsluttet nøjagtigt.
7. genopbygning af 3D-forløbskurver
- Saml de. csv-filer, der indeholder lærings programmets output, i den mappestruktur, der er beskrevet i scriptet reconstruct3Dtrajectories .
- Kør reconstruct3Dtrajectories. Dette script vil søge i mappestrukturen og matche direkte/spejl punkter baseret på deres navne i det skæve program (det er vigtigt at bruge de samme kropsdel navne i begge visninger).
- Kør Calculatekinematics. Dette script udtrækker simple kinematiske funktioner fra 3-D-forløbs rekonstruktioner, som kan skræddersys til specifikke behov.
Bemærk: softwaren anslår placeringen af kropsdele baseret på deres naboer og deres placering i den komplementære visning (f. eks. er placeringen af en kropsdel i den direkte kamera visning begrænser dens mulige placeringer i spejl visningen). For tidspunkter, hvor potten er blokeret i spejl visningen, når den passerer gennem slotspillet, interpoleres pote koordinater baseret på tilstødende rammer.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Rotter erhverver den faglærte at nå opgaven hurtigt, når akklimatiseret til apparatet, med ydeevne plateauing i form af både antal rækker og nøjagtighed over 1 – 2 uger (figur 5). Figur 6 viser eksempler på videorammer, der indikerer strukturer identificeret af DeepLabCut, og figur 7 viser overlejret individuelle rækkevidde forløbskurver fra en enkelt session. Endelig illustrerer vi i figur 8, hvad der sker, hvis pote detekterings udløseren (trin 4.3.4-4.3.6) ikke er indstillet korrekt. Der er betydelig variation i den ramme, hvor potten bryder det vidtrækkende slot. Dette er ikke et stort problem med hensyn til at analysere Reach kinematik. Det kan dog føre til variabilitet i, hvornår interventioner (f. eks. optogenetik) udløses under opnåelse af bevægelser.
Figur 1: det kvalificerede nå kammer.
Med uret fra øverst til venstre er en sidevisning, en visning forfra og over, den ramme, hvor aktuatoren er monteret (Se trin 1,8), og en visning fra siden og over. Det kvalificerede nå kammer (1) har en dør (2) skåret i den ene side for at tillade rotter, der skal placeres i og tages ud af kammeret. En spalte skæres i lofts panelet (12), så dyret kan bindes, og hullerne skæres ned i gulv panelet (13), så strøelse kan falde igennem. To infrarøde sensorer (3) er justeret på begge sider af bagsiden af kammeret. Et spejl (4) monteres over den række, der er nået (14) foran i det udgående kammer, og to andre spejle (6) monteres på begge sider af det nå kammer. Det kvalificerede nå kammer sidder på toppen af en støtte boks (5). High-definition-kameraet (7) er monteret på støtte boksen foran det fyldte slot. To stykker sort papir (18) er monteret på hver side af kameraet (7) for at øge kontrasten af pote i sidespejle (6). Understøtte boksen er en ramme (8), der understøtter den lineære aktuator (16) og pellet reservoir (9). Et førings rør, der indkapsling pellet leverings stangen (10), er egnet til pellet reservoiret og styres af den lineære aktuator. Hullerne skæres i aktuatorrammen (17) og støtte boksen (15) over pellet reservoiret, så pellet leverings stangen kan bevæge sig op og ned frit. Æsken er belyst med lyspaneler (11) monteret på kabinettets vægge og loft. Venligst klik her for at se en større version af dette tal.
Figur 2: enkelt forsøgs struktur.
(A) en retssag begynder med pellet Delivery stang (kontrolleret af en lineær aktuator) placeret på "klar" position (position 2-midtvejs mellem gulvet og bunden af at nå slot). (B) rotten bevæger sig til bagsiden af kammeret for at bryde den infrarøde (IR) stråle, som får pellet leverings stangen til at stige til position 3 (justeret med bunden af at nå slot). (C) rotten når gennem det nå slot til at forstå pellet. Når der registreres i realtid ved hjælp af en FPGA-framegrabber, der registrerer pixel intensitets ændringer inden for et interesseområde (ROI) i side Spejlings visningen direkte foran åbningen. Når nok pixels matcher brugeren defineret "Paw intensitet", video erhvervelse udløses. (D) to sekunder senere er pellet sænket til position 1, picking up en ny pellet fra pellet reservoir før nulstilling til position 2. Venligst klik her for at se en større version af dette tal.
Figur 3: prøve kalibrerings billede.
En hjælpende hånd er placeret inde i den kvalificerede nå kammer. Et alligator klip Pokes gennem det vidtrækkende slot for at holde kalibrerings kuben på plads uden for det nå kammer. De tre skakbræt mønstre er helt synlige i direkte visning og de tilsvarende spejl visninger (grøn: venstre; rød: top; og blå: højre). Venligst klik her for at se en større version af dette tal.
Figur 4: læringsalgoritme markør positioner.
Venstre kolonne: direkte visning; højre kolonne: spejl visning. Markører 1 – 4: MCP-samlinger; 5 – 8: PIP-samlinger; 9 – 12: ciffer spidser; 13: dorsum af at nå pote; 14: næse; 15: dorsum af ikke-nå pote. Markør 16 (pellet) er ikke synlig. Venligst klik her for at se en større version af dette tal.
Figur 5: rotter hurtigt erhverve den automatiserede faglært nå opgave.
Gennemsnitlig succesrate for første rækkevidde (grøn, venstre akse) og gennemsnitlige total forsøg (blå, højre akse) over de første 20 træningssessioner i den automatiserede kvalificerede opgave (n = 19). Hver træningssession varede 30 min. fejllinjer repræsenterer standardfejl af middelværdien. Venligst klik her for at se en større version af dette tal.
Figur 6: Sample video frames, som er markeret af lærings programmet.
Venstre kolonne: spejl visning; højre kolonne: direkte visning. Henholdsvis cyan, rød, gul og grøn prik markerer cifre 1 – 4. Den hvide prik markerer næsen, den sorte prik markerer pellet. Fyldte cirkler blev identificeret af DeepLabCut. Åbn cirkler Marker objekt placeringer anslået af, hvor objektet blev vist i den modsatte visning. X's er punkter re-projiceret på video frames fra estimater af deres 3-D steder. Denne video blev udløst ved frame 300, da potten gik gennem slottet. Top billeder er fra den første ramme, når den nå pote blev detekteret. Bund billeder er fra den ramme, hvor det andet ciffer blev maksimalt forlænget. Disse rammer blev identificeret af billedbehandlings softwaren. Venligst klik her for at se en større version af dette tal.
Figur 7: prøve 3-D forløbskurver fra en enkelt test session.
Begge akser viser de samme data, men roteres for at gøre præsentationen lettere. Sorte streger indikerer gennemsnitlige forløbskurver. Cyan, rød, gul og grøn er individuelle forløbskurver af spidsen af henholdsvis cifre 1 – 4. Blå linjer indikerer bane af Paw dorsum. Den store sorte prik indikerer sukker pellet placeret på (0, 0,0). Dette repræsenterer kun indledende pote avancement for nem præsentation (herunder trækninger og flere rækker gør figuren næsten uninterpretable). Alle kinematiske data er dog tilgængelige til analyse. Venligst klik her for at se en større version af dette tal.
Figur 8: histogrammer af ramme numre, hvor specifikke række faser blev identificeret for 2 forskellige sessioner.
I en session (Dark solid Lines) blev ROI-udløser værdierne omhyggeligt indstillet, og potten blev identificeret ved at overskride slottet inden for de samme få rammer i hvert forsøg. I den anden session (let stiplede linjer), blev næsen ofte fejl identificeret som den nå pote, udløser video erhvervelse for tidligt. Bemærk, at dette ville have ringe effekt på off-line kinematiske analyser, medmindre den fulde rækkevidde ikke blev fanget. Men, potentielle interventioner udløst af at nå pote ville være dårligt timet. Venligst klik her for at se en større version af dette tal.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Gnaver faglært nå er blevet et standard værktøj til at studere motorisk system fysiologi og patofysiologi. Vi har beskrevet, hvordan man implementerer en automatiseret rotte faglært nå opgave, der tillader: uddannelse og testning med minimal overvågning, 3-D pote og ciffer bane rekonstruktion (under nå, greb, og pote tilbagetrækning), real-time identifikation af pote under nå, og synkronisering med ekstern elektronik. Det er velegnet til at korrelere forbimb kinematik med fysiologi eller til at udføre præcist timet indgreb under opnåelse af bevægelser.
Siden vi oprindeligt rapporterede dette design14, vores uddannelse effektivitet er forbedret, således at næsten 100% af rotter erhverve opgaven. Vi har identificeret flere vigtige faktorer, der fører til konsekvent vellykket uddannelse. Som med mange opgaver motiveret af sult, rotter bør overvåges nøje under kaloriefattige begrænsning for at opretholde 80 – 90% af deres forventede kropsvægt. Håndtering af rotter dagligt, selv før træning, er kritisk vigtigt at akkliere dem til mennesker. Rotter bør trænes til at nå før lære at vende tilbage til bagsiden af kammeret til at anmode pellets-dette i høj grad reducerer uddannelsestid og forbedrer sandsynligheden for, at rotter erhverve opgaven. Endelig, når de overføres mellem tilsyneladende identiske kamre, rotter ofte udføre færre når. Dette gjaldt især, da kamrene blev brugt for første gang. Vi spekulerer på, at dette skyldes forskelle i duft mellem kamre. Uanset årsagen, er det vigtigt at opretholde så stabilt et uddannelsesmiljø som muligt, eller akklimatisere rotterne til alle kasser, hvor testning kan forekomme.
Det her beskrevne apparat er let at tilpasse til specifikke behov. Vi beskrev en rotte version af opgaven, men har også implementeret en muse version (selvom det er svært at identificere individuelle cifre med DeepLabCut i mus). Da individuelle videorammer er markeret med TTL-impulser, kan videoer synkroniseres med ethvert optagelses system, der accepterer digitale eller analoge indgange (f. eks. Elektrofysiologi forstærkere eller fotometri). Endelig, hoved-faste mus let udføre kvalificeret nå9, og en hoved-fast version af denne opgave kan implementeres for 2-photon Imaging eller juxtacellular optagelser. Vigtigere, har vi kun brugt dette system med Long-Evans rotter, hvis næse og pote pels (sort og hvid, henholdsvis) afviger nok i farven, at næse Pokes ikke forveksles med når (med passende ROI indstillinger, figur 8). Dette kan være et problem for rotter med lignende farvning på deres poter og næser (f. eks albino rotter), men kunne løses ved at farve pote med blæk, neglelak, eller tatoveringer.
Den præsenterede version af faglært nå har flere forskellige funktioner, som kan være fordelagtigt afhængigt af den specifikke anvendelse. Den relativt komplicerede hardware og behov for real-time video behandling gør det dårligt egnet til hjemmet bur uddannelse6,7. På den anden side, Home bur uddannelse gør det vanskeligt at erhverve High-Speed høj opløsning video fra flere vinkler, eller tøjle dyrene for fysiologisk optagelser/interventioner. Data erhvervelses kortene og kravet om en computer pr. kammer gør hvert kammer relativt dyrt, og videoerne kræver betydelig digital lagerplads (~ 200 MB pr. 4 s video). Vi har implementeret en enklere microcontroller-baseret version koster omkring $300 per kammer, selv om det mangler real-time feedback eller evnen til at synkronisere med eksterne enheder. Disse bokse er i det væsentlige identiske med dem, der er beskrevet her, men bruge et kommercielt videokamera og ikke kræver en computer, bortset fra at programmere microcontroller (detaljer om denne opsætning og tilhørende software er tilgængelige på anmodning). Real-time video behandling på FPGA frame-grabber er især nyttig; Vi finder, at det mere robust identificerer når i realtid end infrarøde stråler eller nærhedssensorer (som kan forveksle rotte snude for at nå pote). Desuden kan flere udløsere bruges til at identificere pote i forskellige rækkefølge faser (f. eks tilgang til slot, Paw lift, udvidelse gennem slot). Dette giver ikke kun mulighed for reproducerbare, præcist timet neuronal perturbationer, men kan bruges til at udløse lagring af korte High-Speed videoer.
Mens vores automatiserede version af kvalificerede nå har flere fordele for specifikke applikationer, det har også nogle begrænsninger. Som nævnt ovenfor, høj hastighed, høj opløsning kamera er moderat dyrt, men nødvendigt at inkludere spejl og direkte synspunkter i et enkelt billede og fange den meget hurtig nå bevægelse. Brug af et kamera eliminerer behovet for at synkronisere og optage flere videostreams samtidigt, eller købe flere kameraer og frame grabbers. Pote i reflekteret visning er effektivt omkring dobbelt så langt fra kameraet (ved stråle-Tracing) som i den direkte visning. Det betyder, at en af visningerne altid er ude af fokus, selvom DLC stadig robust identificerer individuelle cifre i begge visninger (figur 4, figur 6). Endelig har vi brugt en farvekamera, fordi, før tilgængeligheden af DLC, vi forsøgte farvekodning af cifre med tatoveringer. Selv om det er muligt, at denne lærings baserede program ville være lige så effektiv på sort og hvid (eller lavere opløsning) video, kan vi kun verificere effektiviteten af den hardware, der er beskrevet her. Endelig skrives vores Analysekode (bortset fra DLC) primært i en kommerciel softwarepakke (Se tabel over materialer), men det bør være ligetil at tilpasse sig til Open Source-programmeringssprog (f. eks. Python) efter behov.
Der er flere måder, hvorpå vi arbejder på at forbedre dette system. I øjeblikket er spejl visningen delvist blokeret af frontpanelet. Vi har derfor været at udforske måder at opnå flere samtidige synspunkter af pote samtidig minimere forhindringer. En anden vigtig udvikling vil være at automatisk score de når (systemet kan spore kinematik, men et menneske skal stadig score succes versus mislykkedes når). Metoder er blevet udviklet for at afgøre, om pellets blev slået fra hylden/piedestal, men kan ikke afgøre, om pellet blev forstået eller savnet helt11. Ved at spore pellet med DLC, udforsker vi algoritmer til at bestemme antallet af rækker pr. prøve, samt om pellet blev forstået, bankede ud af piedestal eller savnet helt. I den retning arbejder vi også på at automatisere arbejdsprocessen fra dataindsamling via video konvertering, DLC-behandling og automatisk scoring. I sidste ende forestiller vi et system, hvor flere eksperimenter kan køres på én dag, og ved næste morgen er den fulde abduktion af forben kinematik og at nå scorer for hvert eksperiment blevet fastlagt.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har intet at afsløre.
Acknowledgments
Forfatterne vil gerne takke Karunesh Ganguly og hans laboratorium for rådgivning om den dygtige nå opgave, og Alexander og Mackenzie Mathis for deres hjælp til at tilpasse DeepLabCut. Dette arbejde blev støttet af National Institute of neurologisk sygdom og slagtilfælde (Grant nummer K08-NS072183) og University of Michigan.
Materials
| Name | Company | Catalog Number | Comments |
| clear polycarbonate panels | TAP Plastics | cut to order (see box design) | |
| infrared source/detector | Med Associates | ENV-253SD | 30" range |
| camera | Basler | acA2000-340kc | 2046 x 1086 CMV2000 340 fps Color Camera Link |
| camera lens | Megapixel (computar) | M0814-MP2 | 2/3" 8mm f1.4 w/ locking Iris & Focus |
| camera cables | Basler | #2000031083 | Cable PoCL Camera Link SDR/MDR Full, 5 m - Data Cables |
| mirrors | Amazon | ||
| linear actuator | Concentrics | LACT6P | Linear Actuator 6" Stroke (nominal), 110 Lb Force, 12 VDC, with Potentiometer |
| pellet reservoir/funnel | Amico (Amazon) | a12073000ux0890 | 6" funnel |
| guide tube | ePlastics | ACREXT.500X.250 | 1/2" OD x 1/4" ID Clear. Extruded Plexiglass Acrylic Tube x 6ft long |
| pellet delivery rod | ePlastics | ACRCAR.250 | 0.250" DIA. Cast Acrylic Rod (2' length) |
| plastic T connector | United States Plastic Corp | #62065 | 3/8" x 3/8" x 3/8" Hose ID Black HDPE Tee |
| LED lights | Lighting EVER | 4100066-DW-F | 12V Flexible Waterproof LED Light Strip, LED Tape, Daylight White, Super Bright 300 Units 5050 LEDS, 16.4Ft 5 M Spool |
| Light backing | ePlastics | ACTLNAT0.125X12X36 | 0.125" x 12" x 36" Natural Acetal Sheet |
| Light diffuser films | inventables | 23114-01 | .007x8.5x11", matte two sides |
| cabinet and custom frame materials | various (Home Depot, etc.) | 3/4" fiber board (see protocol for dimensions of each structure) | |
| acoustic foam | Acoustic First | FireFlex Wedge Acoustical Foam (2" Thick) | |
| ventilation fans | Cooler Master (Amazon) | B002R9RBO0 | Rifle Bearing 80mm Silent Cooling Fan for Computer Cases and CPU Coolers |
| cabinet door hinges | Everbilt (Home Depot | #14609 | continuous steel hinge (1.4" x 48") |
| cabinet wheels | Everbilt (Home Depot | #49509 | Soft rubber swivel plate caster with 90 lb. load rating and side brake |
| cabinet door handle | Everbilt (Home Depot | #15094 | White light duty door pull (4.5") |
| computer | Hewlett Packard | Z620 | HP Z620 Desktop Workstation |
| Camera Link Frame Grabber | National Instruments | #781585-01 | PCIe-1473 Virtex-5 LX50 Camera Link - Full |
| Multifunction RIO Board | National Instruments | #781100-01 | PCIe-17841R |
| Analog RIO Board Cable | National Instruments | SCH68M-68F-RMIO | Multifunction Cable |
| Digital RIO Board Cable | National Instruments | #191667-01 | SHC68-68-RDIO Digital Cable for R Series |
| Analog Terminal Block | National Instruments | #782536-01 | SCB-68A Noise Rejecting, Shielded I/O Connector Block |
| Digital Terminal Block | National Instruments | #782536-01 | SCB-68A Noise Rejecting, Shielded I/O Connector Block |
| 24 position relay rack | Measurement Computing Corp. | SSR-RACK24 | Solid state relay backplane (Gordos/OPTO-22 type relays), 24-channel |
| DC switch | Measurement Computing Corp. | SSR-ODC-05 | Solid state relay module, single, DC switch, 3 to 60 VDC @ 3.5 A |
| DC Sense | Measurement Computing Corp. | SSR-IDC-05 | solid state relay module, single, DC sense, 3 to 32 VDC |
| DC Power Supply | BK Precision | 1671A | Triple-Output 30V, 5A Digital Display DC Power Supply |
| sugar pellets | Bio Serv | F0023 | Dustless Precision Pellets, 45 mg, Sucrose (Unflavored) |
| LabVIEW | National Instruments | LabVIEW 2014 SP1, 64 and 32-bit versions | 64-bit LabVIEW is required to access enough memory to stream videos, but FPGA coding must be performed in 32-bit LabVIEW |
| MATLAB | Mathworks | Matlab R2019a | box calibration and trajectory reconstruction software is written in Matlab and requires the Computer Vision toolbox |
References
- Chen, J., et al. An automated behavioral apparatus to combine parameterized reaching and grasping movements in 3D space. Journal of Neuroscience Methods. , (2018).
- Sacrey, L. A. R. A., Alaverdashvili, M., Whishaw, I. Q. Similar hand shaping in reaching-for-food (skilled reaching) in rats and humans provides evidence of homology in release, collection, and manipulation movements. Behavioural Brain Research. 204, 153-161 (2009).
- Whishaw, I. Q., Kolb, B. Decortication abolishes place but not cue learning in rats. Behavioural Brain Research. 11, 123-134 (1984).
- Klein, A., Dunnett, S. B. Analysis of Skilled Forelimb Movement in Rats: The Single Pellet Reaching Test and Staircase Test. Current Protocols in Neuroscience. 58, 8.28.1-8.28.15 (2012).
- Whishaw, I. Q., Pellis, S. M. The structure of skilled forelimb reaching in the rat: a proximally driven movement with a single distal rotatory component. Behavioural Brain Research. 41, 49-59 (1990).
- Zeiler, S. R., et al. Medial premotor cortex shows a reduction in inhibitory markers and mediates recovery in a mouse model of focal stroke. Stroke. 44, 483-489 (2013).
- Fenrich, K. K., et al. Improved single pellet grasping using automated ad libitum full-time training robot. Behavioural Brain Research. 281, 137-148 (2015).
- Azim, E., Jiang, J., Alstermark, B., Jessell, T. M. Skilled reaching relies on a V2a propriospinal internal copy circuit. Nature. , (2014).
- Guo, J. Z. Z., et al. Cortex commands the performance of skilled movement. Elife. 4, e10774 (2015).
- Nica, I., Deprez, M., Nuttin, B., Aerts, J. M. Automated Assessment of Endpoint and Kinematic Features of Skilled Reaching in Rats. Frontiers in Behavioral Neuroscience. 11, 255 (2017).
- Wong, C. C., Ramanathan, D. S., Gulati, T., Won, S. J., Ganguly, K. An automated behavioral box to assess forelimb function in rats. Journal of Neuroscience Methods. 246, 30-37 (2015).
- Torres-Espín, A., Forero, J., Schmidt, E. K. A., Fouad, K., Fenrich, K. K. A motorized pellet dispenser to deliver high intensity training of the single pellet reaching and grasping task in rats. Behavioural Brain Research. 336, 67-76 (2018).
- Mathis, A., et al. DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nature Neuroscience. 21, 1281-1289 (2018).
- Ellens, D. J., et al. An automated rat single pellet reaching system with high-speed video capture. Journal of Neuroscience Methods. 271, 119-127 (2016).
