Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

מעקב אחר חולדות בתאי מיזוג אופרנט באמצעות מצלמת וידאו רב-תכליתי ביתית ו-DeepLabCut

Published: June 15, 2020 doi: 10.3791/61409
Automatic Translation
1, 1, 1, 1, 1
1Basal Ganglia Pathophysiology Unit, Dept. Experimental Medical Science, Lund University

Summary

פרוטוקול זה מתאר כיצד לבנות מצלמת וידאו קטנה ומגוונת, וכיצד להשתמש בסרטוני וידאו שהושגו ממנו כדי להכשיר רשת עצבית כדי לעקוב אחר מיקומו של בעל חיים בתוך תאי מיזוג אופרנט. זהו ערך המשלים לניתוחים סטנדרטיים של יומני נתונים שהתקבלו מבדיקות אופרנט מיזוג.

Abstract

תאי מיזוג אופרנט משמשים לביצוע מגוון רחב של בדיקות התנהגותיות בתחום מדעי המוח. הנתונים המוקלט מבוססים בדרך כלל על הפעלה של מנוף וחיישנים האף הנמצאים בתוך התאים. בעוד זה מספק תצוגה מפורטת של מתי ואיך בעלי חיים לבצע תגובות מסוימות, אין אפשרות להשתמש בו כדי להעריך התנהגויות שאינן מפעיל חיישנים. כך, להעריך כיצד בעלי חיים למקם את עצמם ולנוע בתוך החדר הוא לעתים רחוקות אפשרי. כדי להשיג מידע זה, החוקרים בדרך כלל צריכים להקליט ולנתח קטעי וידאו. יצרני תאי מיזוג אופרנט יכולים בדרך כלל לספק ללקוחותיה הגדרות מצלמה באיכות גבוהה. עם זאת, אלה יכולים להיות יקרים מאוד לא בהכרח להתאים לתאים מיצרנים אחרים או אחרים הגדרות בדיקה התנהגותית. הפרוטוקול הנוכחי מתאר כיצד לבנות מצלמת וידאו זולה ורב-תכליתית באמצעות רכיבים אלקטרוניים תחביב. זה עוד מתאר כיצד להשתמש בניתוח תמונה חבילת תוכנה deeplabcut כדי לעקוב אחר הסטטוס של אות אור חזק, כמו גם את המיקום של עכברוש, בקטעי וידאו שנאספו מחדר התניה תניה אופרנטית. הראשון הוא עזר רב בעת בחירת קטעים קצרים של עניין בקטעי וידאו המכסה את כל הבדיקות הבדיקה, והאחרון מאפשר ניתוח של פרמטרים שאין אפשרות לקבל מיומני הנתונים המיוצרים על ידי האופרנט תאי.

Introduction

בתחום של מדעי ההתנהגות, החוקרים בדרך כלל להשתמש בתאי התניה תניה אופרנטית כדי להעריך מגוון רחב של תכונות קוגניטיביות ופסיכיאטריות שונות במכרסמים. בעוד יש כמה יצרנים שונים של מערכות כאלה, הם בדרך כלל חולקים תכונות מסוימות יש עיצוב כמעט סטנדרטית1,2,3. התאים בדרך כלל מרובעים או בצורת מלבן, עם קיר אחד שניתן לפתוח להצבת בעלי חיים בפנים, ואחד או שניים מהקירות הנותרים המכילים רכיבים כגון ידיות, פתחים מהאף, מגשי תגמול, גלגלי תגובה ואורות מסוגים שונים1,2,3. האורות והחיישנים המצויים בתאי משמשים לשליטה בפרוטוקול הבדיקה ולמעקב אחר התנהגויות בעלי החיים1,2,3,4,5. מערכות המיזוג הטיפוסיות מאפשרות ניתוח מפורט מאוד של האופן שבו בעלי החיים מתקשרים עם האופרנדה והפתחים השונים המצויים בחדרי המגורים. באופן כללי, בכל המקרים שבהם חיישנים מופעלים ניתן להקליט על-ידי המערכת, וממשתמשים נתונים אלה יכולים לקבל קבצי יומן רישום מפורטים המתארים את מה שבעל החיים עשה במהלך צעדים ספציפיים של המבחן4,5. בעוד הדבר מספק ייצוג נרחב של ביצועי בעל חיים, ניתן להשתמש בו רק כדי לתאר התנהגויות שמפעילות ישירות חיישן אחד או יותר4,5. ככאלה, היבטים הקשורים לאופן שבו החיה משתנה ונעה בתוך החדר בשלבים שונים של המבדק לא מתוארים היטב6,7,8,9,10. זה מצער, כאשר מידע כזה יכול להיות בעל ערך להבנה מלאה של התנהגותו של בעל החיים. לדוגמה, ניתן להשתמש בו כדי להבהיר מדוע בעלי חיים מסוימים מבצעים גרוע על מבחן מסוים6, כדי לתאר את האסטרטגיות כי בעלי חיים עשויים להתפתח כדי להתמודד עם משימות קשות6,7,8,9,10, או להעריך את המורכבות האמיתית של התנהגויות פשוטות כביכול11,12. כדי לקבל מידע כזה ברור, החוקרים בדרך כלל לפנות ניתוח ידני של קטעי וידאו6,7,8,9,10,11.

כאשר הקלטת קטעי וידאו מתאי מיזוג אופרנט, בחירת המצלמה היא קריטית. הלשכה ממוקמים בדרך כלל בתאי בידוד, עם פרוטוקולים לעתים קרובות נעשה שימוש בשלבים שבהם אין אור גלוי זורחת3,6,7,8,9. לכן, השימוש בתאורה אינפרא אדומה (IR) בשילוב עם מצלמה בעלת רגישות לאינפרא-אדום הוא הכרחי, שכן הוא מאפשר ניראות גם בחשיכה מוחלטת. יתר על כן, השטח הזמין עבור הצבת מצלמה בתוך תא הבידוד הוא לעתים קרובות מאוד מוגבל, כלומר אחד הטבות בחוזקה מפני שיש מצלמות קטנות המשתמשות עדשות עם שדה רחב של נוף (למשל, עדשות העין דגים)9. בעוד יצרנים של מערכות מיזוג תניה אופרנטית יכול לעתים קרובות לספק הגדרות מצלמה באיכות גבוהה ללקוחות שלהם, מערכות אלה יכול להיות יקר לא בהכרח להתאים לתאים מיצרנים אחרים או הגדרות עבור בדיקות התנהגותיות אחרות. עם זאת, יתרון בולט על באמצעות מצלמות וידאו עצמאי היא כי כיוונונים אלה יכולים לעתים קרובות ממשק ישירות עם מערכות מיזוג תניה אופרנטית13,14. באמצעות זה, הם יכולים להיות מוגדרים רק להקליט אירועים ספציפיים ולא הפעלות בדיקה מלאה, אשר יכול לסייע מאוד בניתוח שלהלן.

הפרוטוקול הנוכחי מתאר כיצד לבנות מצלמת וידאו זולה ורב-תכליתית באמצעות רכיבים אלקטרוניים תחביב. המצלמה משתמשת עדשה פישאי, הוא רגיש התאורה ir ויש לו סט של דיודות פולטות אור ir (ir נוריות) מצורף אליו. כמו-כן, היא בנויה על פרופיל שטוח ודק. יחד, היבטים אלה להפוך אותו אידיאלי עבור קלטות וידאו מתוך חדרי המיזוג הזמינים מסחרית ביותר, כמו גם הגדרות אחרות בדיקות התנהגותיות. הפרוטוקול מתאר כיצד לעבד סרטי וידאו שהתקבלו עם המצלמה וכיצד להשתמש חבילת תוכנה deeplabcut15,16 כדי לסייע בחילוץ רצפי וידאו של עניין, כמו גם מעקב אחר תנועות של בעל חיים בו. פעולה זו משלבת חלקית את החלק האחורי של שימוש במצלמה עצמאית על הפתרונות המשולבים שסופקו על-ידי יצרני מערכות המיזוג, ומציעה משלים לניקוד ידני של התנהגויות.

המאמצים נעשו כדי לכתוב את הפרוטוקול בפורמט כללי כדי להדגיש כי התהליך הכולל ניתן להתאים קטעי וידאו מבדיקות שונות מיזוג. כדי להמחיש מושגים מרכזיים מסוימים, קטעי וידאו של חולדות ביצוע התגובה הטורית 5 בחירה במבחן הזמן (5CSRTT)17 משמשים כדוגמאות.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

כל ההליכים הכוללים טיפול בבעלי חיים אושרו על ידי ועדה אתית מאלמו-Lund לחקר בעלי חיים.

1. בניית מצלמת וידאו

הערה: רשימה של הרכיבים הנחוצים לבניית המצלמה מסופקת בטבלת החומרים. התייחס גם לאיור 1, איור 2, איור 3, איור 4, איור 5.

  1. חברו את טבעת המתכת המגנטית (המלווה את חבילת העדשה של הפישאי) סביב הפתיחה של מעמד המצלמה (איור 2 א). זה יאפשר עדשה פישאי להיות ממוקם מול המצלמה.
  2. חבר את מודול המצלמה למעמד המצלמה (איור 2B). זה ייתן קצת יציבות מודול המצלמה ולהציע קצת הגנה על מעגלים אלקטרוניים.
  3. פתח את יציאות המצלמה במודול המצלמה ובמיקרו-מחשב (איור 1) על-ידי משיכת בעדינות בקצות קליפי הפלסטיק שלהם (איור 2c).
  4. הצב את כבל רצועת הכלים ביציאות המצלמה, כך שמחברי הכסף פונים ללוחות המעגלים (Figure2C). נעל את הכבל במקומו על-ידי דחיפה בקובצי הפלסטיק של יציאות המצלמה.
  5. מניחים את המיקרו-מחשב במארז הפלסטיק ומכניסים את כרטיס ה-micro SD הרשום (איור 2D).
    הערה: כרטיס ה-SD המיקרו יתפקד ככונן הקשיח של המיקרו-מחשב ומכיל מערכת הפעלה מלאה. הכרטיס הרשום מיקרו SD מגיע עם מנהל ההתקנה מראש על זה (חדש מחוץ לקופסא תוכנה (NOOBS). כחלופה, ניתן לכתוב תמונה של הגרסה העדכנית ביותר של מערכת ההפעלה של microcomputer (שרבית או Rasberry Pi OS) לכרטיס micro SD כללי. לסיוע עם זה, אנא פנה למשאבי אינטרנט רשמיים18. עדיף להשתמש בכיתה 10 מיקרו SD כרטיס עם 32 ג'יגה-בתים של שטח אחסון. כרטיסי SD גדולים יותר עשויים שלא להיות תואמים באופן מלא למיקרו-מחשב המפורט.
  6. חבר צג, לוח מקשים ועכבר למיקרו-מחשב ולאחר מכן חבר את ספק הכוח שלו.
  7. בצע את השלבים כפי שתתבקש על-ידי מדריך ההתקנה לבצע התקנה מלאה של מערכת ההפעלה של המיקרו-מחשב (שרביאן או Rasberry Pi OS). כאשר המיקרו-מחשב אותחל, ודא שהוא מחובר לאינטרנט דרך כבל ethernet או Wi-Fi.
  8. בצע את השלבים המפורטים להלן כדי לעדכן את חבילות התוכנה המותקנת מראש של המיקרו-מחשב.
    1. פתח חלון מסוף (איור 3A).
    2. סוג "sudo apt-קבל עדכון" (ללא מרכאות) ולחץ על מקש Enter (איור 3B). המתן עד שהתהליך יסיים.
    3. הקלד "sudo apt שדרוג מלא" (ללא מרכאות) והקש enter. בצע היענויות לחצנים כשתתבקש והמתן לסיום התהליך.
  9. תחת תפריט ההתחלה , בחר העדפות ותצורות של פטל Pi (איור 3c). בחלון הפתוח, עבור אל הכרטיסיה ממשקים ולחץ כדי להפעיל את המצלמה והI2C. הדבר נדרש לצורך הפעלת המיקרו-מחשב עם המצלמה ומודולי IR LED.
  10. שנה את שם הקובץ המשלים 1 ל-"Pi_video_camera_Clemensson_2019. py". העתק אותו על מקל זיכרון USB, ולאחר מכן אל התיקיה המיקרו-מחשב/pi (איור 3D). קובץ זה הוא סקריפט פיתון, אשר מאפשר הקלטות וידאו להתבצע עם מתגי לחצנים המחוברים בשלב 1.13.
  11. בצע את השלבים המפורטים להלן כדי לערוך את ה-rc של מחשב המיקרו. הדבר גורם למחשב להפעיל את ה-script שהועתק בשלב 1.10 ולהפעיל את נוריות IR המחוברות בשלב 1.13 כאשר הוא מאותחל.
    התראה: תכונת הפעלה אוטומטית זו אינה פועלת באופן אמין עם לוחות microcomputer שאינם המודל המפורט.
    1. פתח חלון מסוף, הקלד "sudo nano/etcc/ru.lesataa" (ללא מרכאות) והקש enter. פעולה זו תפתח קובץ טקסט (איור 4A).
    2. השתמש במקשי החצים של המקלדת כדי להזיז את הסמן למטה אל הרווח בין "fi" ו "יציאה 0" (איור 4A).
    3. הוסף את הטקסט הבא כמוצג באיור 4B, כתוב כל מחרוזת טקסט בשורה חדשה:
      i2cset-y 1 0x70 0x70 0xa5 &
      מ& הi2cset-y 1 0x70 0x70 0x0f
      מבצע i2cset-y 1 0x70 0x70 0x70 &
      מבצע i2cset-y 1 0x70 0x70 0x70 &
      i2cset-y 1 0x70 0x70 0x70 &
      i2cset-y 1 0x70 0x70 0x70 &
      sudo פיתון/home/pi/Pi_video_camera_Clemensson_2019. py &
    4. שמור את השינויים על-ידי הקשה על Ctrl + x ואחריו y והזן.
  12. הלחמה יחד את הרכיבים הנחוצים כפי שצוין באיור 5A, וכמתואר להלן.
    1. עבור שני נוריות צבעוניות, לחבר שאיפה וכבל מגשר נקבה לרגל אחת, ואת כבל מגשר נקבה לשני (איור 5A). נסה לשמור על הכבלים קצרים ככל האפשר. שים לב אילו של האלקטרודות של LED הוא אחד שלילי (בדרך כלל הקצר), כמו זה צריך להיות מחובר לקרקע על המטרה הכללית של מיקרומחשב הקלט/פלט (GPIO) פינים.
    2. עבור שני מתגי לחצנים, חבר כבל מגשר נקבה לכל רגל (איור 5A). הפוך את הכבלים לארוכים עבור אחד המתגים וקצר לשני.
    3. כדי להרכיב את המודול LED IR, בצע את ההוראות הזמינות על משאבי האינטרנט הרשמי שלה19.
    4. לכסות את המפרקים מולחמים עם אבובים לכווץ כדי להגביל את הסיכון של קצר מפרקי הרכיבים.
  13. כבה את המיקרו-מחשב וחבר את המתגים ואת הנוריות לסיכות ה-GPIO שלו כפי שמצוין באיור 5B, והמתואר להלן.
    התראה: חיווט הרכיבים לפיני GPIO שגויים עלולים להזיק להם ו/או למיקרו-מחשב כאשר המצלמה מופעלת.
    1. חבר נורית LED אחת כך שהקצה השלילי שלו יתחבר לפינים #14 וסופו החיובי יתחבר לפינים #12. LED זה יהיה לזרוח כאשר מיקרו מחשב אותחל והמצלמה היא מוכנה לשימוש.
    2. חבר את מתג הלחצן עם כבלים ארוכים כך שכבל אחד מתחבר לפינים #9 והשני להצמיד #11. לחצן זה משמש להפעלה ולעצירה של הקלטות הווידאו.
      הערה: קובץ ה-script השולט במצלמה נכתב כך שלחצן זה אינו מגיב למספר שניות רק לאחר הפעלה או הפסקה של הקלטת וידאו.
    3. חבר נורית LED אחת כך שהקצה השלילי שלו יתחבר לפינים #20 וסופו החיובי יתחבר לפינים #13. נורית זו תזרח כאשר המצלמה מקליטה וידאו.
    4. חבר את מתג הלחצן עם הכבלים הקצרים כך שכבל אחד מתחבר לפינים #37 והשני להצמיד #39. בורר זה משמש כדי לכבות את המצלמה.
    5. חבר את מודול ה-IR LED כפי שמתואר במשאבי האינטרנט הרשמיים שלה19.

2. עיצוב פרוטוקול מיזוג האופרנט של הריבית

הערה: כדי להשתמש ב-DeepLabCut כדי לעקוב אחר התקדמות הפרוטוקול בקטעי וידאו שנרשמו מהאופרנט תאי, יש לבנות את פרוטוקולי ההתנהגות בדרכים ספציפיות, כפי שהוסבר להלן.

  1. הגדר את הפרוטוקול לשימוש באור הבית של החדר, או באות אור חזק אחר, כמחוון לשלב מסוים בפרוטוקול (כגון התחלת מבחנים בודדים או הפעלת הבדיקה) (איור 6A). אות זה מכונה "מחוון שלב הפרוטוקול" בשאר פרוטוקול זה. הנוכחות של אות זו תאפשר מעקב אחר התקדמות פרוטוקול בקטעי וידאו מוקלטים.
  2. הגדר את הפרוטוקול כך שירשום את כל התגובות המעניינות בחותמות זמן נפרדות ביחס למועד שבו מחוון שלב הפרוטוקול הופך לפעיל.

3. הקלטת קטעי וידאו של בעלי חיים ביצוע מבחן התנהגותי של עניין

  1. הניחו את המצלמה מעל לתאי האופרנט, כך שהיא מתעדת את המבט העליון של האזור בתוך (איור 7).
    הערה: הדבר מתאים במיוחד ללכידת תנוחה כללית של בעלי חיים בתוך החדר. הימנע מהצבת נוריות החיווי של המצלמה ומודול נורית ה-IR קרוב לעדשת המצלמה.
  2. הפעל את המצלמה על-ידי חיבורו לשקע חשמל באמצעות כבל אספקת החשמל.
    הערה: לפני השימוש הראשון, מועיל להגדיר את מוקד המצלמה, תוך שימוש בכלי קטן המלווה את מודול המצלמה.
  3. השתמש בלחצן המחובר בשלב 1.13.2 כדי להתחיל ולהפסיק הקלטות וידאו.
  4. כבה את המצלמה על-ידי ביצוע שלבים אלה.
    1. דחף והחזק את הלחצן המחובר בשלב 1.13.4 עד לחיבור ה-LED המחובר בשלב 1.13.1. פעולה זו מאתחלת את תהליך הכיבוי של המצלמה.
    2. המתן עד שנורית ה-LED הירוקה תופיע מעל המיקרו-מחשב (איור 1) הפסיקה להבהב.
    3. הסר את ספק הכוח של המצלמה.
      התראה: ניתוק ספק הזרם כאשר המיקרו-מחשב עדיין פועל עלול לגרום לפגם בנתונים בכרטיס ה-micro SD.
  5. חבר את המצלמה לצג, למקלדת, לעכבר ולהתקן אחסון USB ואחזר את קבצי הווידאו משולחן העבודה שלו.
    הערה: הקבצים נקראים על פי התאריך והשעה שבהם הופעלה הקלטת וידאו. עם זאת, למיקרו-מחשב אין שעון פנימי ורק מעדכן את הגדרת הזמן שלו כאשר הוא מחובר לאינטרנט.
  6. המר את סרטי הווידאו המוקלטות מ-. h264 to. MP4, כמו האחרון עובד היטב עם DeepLabCut ורוב נגני המדיה.
    הערה: קיימות מספר דרכים להשיג זאת. אחת מהן מתוארת בקובץ המשלים 2.

4. ניתוח סרטי וידאו באמצעות DeepLabCut

הערה: deeplabcut הוא חבילת תוכנה המאפשרת למשתמשים להגדיר כל אובייקט של עניין בסדרה של מסגרות וידאו, ולאחר מכן להשתמש באלה כדי להכשיר רשת עצבית במעקב אחר מיקומי האובייקטים בווידאו באורך מלא15,16. סעיף זה מספק מיתאר מחוספס לאופן השימוש ב-DeepLabCut כדי לעקוב אחר המצב של מחוון שלב הפרוטוקול ואת מיקומו של ראש חולדה. התקנה ושימוש של deeplabcut מתואר היטב בפרוטוקולים שפורסמו אחרים15,16. כל צעד יכול להיעשות באמצעות פקודות פיתון ספציפי או ממשק המשתמש הגרפי של deeplabcut, כפי שמתואר במקום אחר15,16.

  1. צור וקבע תצורה של פרוייקט DeepLabCut חדש על-ידי ביצוע השלבים המתוארים ב-16.
  2. השתמש DeepLabCut של מסגרת תופס פונקציה לחלץ 700 \ u2012900 מסגרות וידאו מאחד או יותר של קטעי וידאו שנרשמו בסעיף 3.
    הערה: אם בעלי החיים נבדלים במידה ניכרת בפיגמנטציה או בתכונות חזותיות אחרות, רצוי כי מסגרות הווידאו המחולצות של 700 \ u2012900 מפוצלות בין קטעי וידאו של בעלי חיים שונים. באמצעות זה, רשת מאומנת אחת יכולה לשמש למעקב אחר אנשים שונים.
    1. הקפד לכלול מסגרות וידאו שמציגות הן את מצב הפעילות הפעיל (איור 8A) והן את הפעולה הלא פעילה (איור 8a) של מחוון שלב הפרוטוקול.
    2. הקפידו לכלול מסגרות וידאו המכסות את טווח התנוחות, התנוחות ותנועות הראש שהעכברוש עשוי להראות במהלך הבחינה. זה צריך לכלול מסגרות וידאו שבו החולדה עומדת עדיין באזורים שונים של החדר, עם הראש שלה מצביע על כיוונים שונים, כמו גם מסגרות וידאו שבו החולדה היא באופן פעיל התנועה, הכניסה לחטט האף וכניסה שוקת הגלולה.
  3. השתמש בארגז הכלים של התיוג DeepLabCut כדי לסמן ידנית את המיקום של ראש החולדה בכל מסגרת וידאו שחולצו בשלב 4.2. השתמשו בסמן העכבר כדי למקם תווית "ראש" במיקום מרכזי בין אוזני העכברוש (איור 8א, ב). בנוסף, סמנו את מיקומו של אור הבית של החדר (או מחוון שלב אחר של הפרוטוקול) בכל מסגרת וידאו שבה היא זורחת באופן פעיל (איור 8A). השאר את אור הבית ללא תווית במסגרות שבהן הוא אינו פעיל (איור 8B).
  4. השתמש ב-DeepLabCut של "ליצור הדרכה ערכת נתונים" ו "רשת הרכבת" פונקציות כדי ליצור הדרכה ערכת נתונים מתוך מסגרות וידאו המסומנים בשלב 4.3 ולהתחיל את ההכשרה של רשת עצבית. הקפד לבחור "resnet_101" עבור סוג הרשת הנבחר.
  5. להפסיק את ההכשרה של הרשת כאשר אובדן האימון יש plateaued מתחת 0.01. הדבר עשוי להימשך עד 500,000 חזרות אימונים.
    הערה: בעת שימוש במכונת GPU עם כ-8 GB של זיכרון וערכת אימונים של כ-900 מסגרות וידאו (רזולוציה: 1640 x 1232 פיקסלים), תהליך ההכשרה נמצא לוקח כ-72 h.
  6. השתמש בניתוח וידאו של DeepLabCut כדי לנתח קטעי וידאו שנאספו בשלב 3, באמצעות רשת עצבית מאומן בשלב 4.4. פעולה זו תספק קובץ. csv המפרט את המיקומים המסומנים של ראש העכברוש ואת מחוון שלב הפרוטוקול בכל מסגרת וידאו של סרטי הווידאו שנותחו. בנוסף, הוא ייצור קבצי וידאו מסומנים שבהם המיקומים המסומנים מוצגים באופן חזותי (סרטוני וידאו 1-8).
  7. הערך את הדיוק של המעקב על-ידי ביצוע השלבים המפורטים להלן.
    1. השתמש בפונקציה המובנית של DeepLabCut כדי לקבל הערכה אוטומטית של דיוק המעקב של הרשת. הדבר מבוסס על מסגרות הווידאו שסומנו בשלב 4.3 ומתארת עד כמה רחוק בממוצע המיקום הנמצא במעקב על-ידי הרשת הוא מהתווית הממוקמת באופן ידני.
    2. בחר רצף וידאו אחד או יותר קצר (של כ-100 \ u2012200 מסגרות וידאו כל אחד) בקטעי וידאו מסומנים שהתקבלו בשלב 4.6. עבור את רצפי וידאו, מסגרת לפי מסגרת, ולשים לב כמה מסגרות התוויות מציינות כראוי את המיקומים של ראש החולדה, זנב, וכו ', ובכמה מסגרות התוויות ממוקמות במיקומים שגויים או לא מוצגים.
      1. אם התווית של חלק גוף או אובייקט אבדה לעתים קרובות או ממוקמת במיקום שגוי, זהה את המצבים שבהם המעקב נכשל. חלץ והוסף מסגרות עם תוויות של אירועים אלה על-ידי חזרה על שלבים 4.2. ו-4.3. לאחר מכן הרכבת מחדש את הרשת וניתוח מחדש של סרטי הווידאו על-ידי שלבים חוזרים 4.4-4.7. בסופו של דבר, יש להשיג את דיוק המעקב של > 90%.

5. קבלת קואורדינטות לנקודות עניין בלשכת המבצע

  1. השתמש ב-DeepLabCut כפי שמתואר בשלב 4.3 כדי לסמן באופן ידני נקודות עניין בתאי האופרנט (כגון פתחים מהאף, מנופים, וכו ') במסגרת וידאו אחת (איור 8C). אלה נבחרו באופן ידני בהתאם לאינטרסים ספציפיים ללמידה, למרות שהמיקום של מחוון שלב הפרוטוקול צריך תמיד להיכלל.
  2. אחזר את הקואורדינטות של נקודות העניין המסומנות בקובץ ה-. csv ש-DeepLabCut מאחסן באופן אוטומטי תחת "נתונים מסומנים" בתיקיית הפרוייקט.

6. זיהוי פלחי וידאו שבהם מחוון שלב הפרוטוקול פעיל

  1. טען את קבצי ה-. csv שהתקבלו מניתוח וידאו DeepLabCut בשלב 4.6 לתוך תוכנת ניהול נתונים של בחירה.
    הערה: בשל הכמות והמורכבות של הנתונים המתקבלים ממערכות מיזוג והפעלה של DeepLabCut, ניהול הנתונים מתבצע בדרך הטובה ביותר באמצעות סקריפטים לניתוח אוטומטי. כדי להתחיל עם זה, עיין במדריכים ברמה ההתחלתית הזמינים במקומות אחרים20,21,22.
  2. שים לב באילו מקטעי וידאו מתבצע מעקב אחר מחוון שלב הפרוטוקול בתוך 60 פיקסלים של המיקום המתקבל בסעיף 5. אלה יהיו תקופות שבהן מחוון שלב הפרוטוקול פעיל (איור 6B).
    הערה: במהלך מקטעי וידאו שבהם מחוון שלב הפרוטוקול אינו מאיר, ייתכן שהווידאו המסומן כשהוא מציין ש-DeepLabCut אינו מאתר אותו במיקום כלשהו. עם זאת, זהו המקרה לעתים רחוקות, והוא מאותר בדרך כלל במיקומים מפוזרים רבים.
  3. חלץ את נקודת ההתחלה המדויקת עבור כל תקופה שבה מחוון שלב הפרוטוקול פעיל (איור 6ג: 1).

7. זיהוי קטעי וידאו של עניין

  1. שקול את הנקודות שבהן מחוון שלב הפרוטוקול הופך להיות פעיל (איור 6c: 1) וחותמות הזמן של תגובות שנרשמו על-ידי תאי האופרנט (סעיף 2, איור 6c: 2).
  2. השתמש במידע זה כדי לקבוע אילו מקטעי וידאו מכסים אירועים מעניינים ספציפיים, כגון מרווחי זמן בין משפט, תגובות, גמול אחזורים וכו ' (איור 6C: 3, איור 6c).
    הערה: בשביל זה, זכור כי המצלמה מתארת בזאת רשומות קטעי וידאו ב 30 fps.
  3. שים לב למסגרות הווידאו הספציפיות המכסות את אירועי הריבית הללו.
  4. אופציונלי ערוך קבצי וידאו של הפעלות בדיקה מלאה כדי לכלול רק את פלחי הריבית הספציפיים.
    הערה: קיימות מספר דרכים להשיג זאת. אחת מהן מתוארת בקובץ המשלים 2 ו-3. זה עוזר מאוד בעת אחסון מספר גדול של קטעי וידאו והוא יכול גם לעשות סקירה והצגת תוצאות נוח יותר.

8. ניתוח מיקום ותנועות של בעל חיים בקטעי וידאו מסוימים

  1. החלף את נתוני המעקב המלאים של מיקום הראש שהושג מ-DeepLabCut בשלב 4.6, כדי לכלול רק מקטעי וידאו שצוינו לפי סעיף 7.
  2. חשב את מיקום ראש בעל החיים ביחס לאחת או יותר מנקודות ההתייחסות שנבחרו לפי סעיף 5 (איור 8C). הדבר מאפשר השוואות של מעקב ומיקום בין קטעי וידאו שונים.
  3. לבצע ניתוח מעמיק רלוונטי של מיקום החיה ותנועותיו.
    הערה: הניתוח המסוים שבוצע יהיה מאוד ספציפי ללמידה. מספר דוגמאות לפרמטרים הניתנים לניתוח ניתנות להלן.
    1. המחש את עקבות הנתיב על-ידי התוויית כל הקואורדינטות שזוהו במהלך תקופה שנבחרה בתוך גרף אחד.
    2. ניתוח קירבה לנקודת עניין נתונה באמצעות הנוסחה הבאה:
      Equation 1
    3. ניתוח שינויים במהירות במהלך תנועה על-ידי חישוב המרחק בין קואורדינטות מסומנים במסגרות רצופות וחילוק על-ידי 1/fps של המצלמה.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

ביצועי מצלמת וידאו

התוצאות הייצוגיות נאספו בתאי מיזוג אופרנט עבור חולדות עם אזורים הרצפה של 28.5 ס"מ x 25.5 ס"מ, וגבהים של 28.5 ס"מ. כאשר העדשה הפישאי מחוברת, המצלמה לוכדת את שטח הרצפה המלא ואת החלקים הגדולים של הקירות המקיפים, כאשר ממוקמים מעל לחדר (איור 7A). ככזה, ניתן להשיג תצוגה טובה, גם אם המצלמה ממוקמת מחוץ למרכז על החלק העליון של החדר. זה אמור לשמור על האמת. לתאי האופרנט הדומים נוריות IR מסוגלות להאיר את החדר כולו (איור 7ב, ג), המאפשר השקפה טובה, גם כאשר כל האורות האחרים בתוך החדר כבויים (איור 7c). עם זאת, התאורה במצבים כאלה היא לא לגמרי אפילו, ועלולה לגרום לקשיים מסוימים בהשגת מעקב מדויק. אם ניתוח מסוג זה הוא עניין, ייתכן שיהיה צורך במקורות נוספים של תאורה באינפרא-אדום. כדאי גם לציין כי כמה חדרי שימוש מתכת לזרוק סירים כדי לאסוף שתן וצואה. אם המצלמה ממוקמת ישירות מעל משטחים כאלה, השתקפויות חזקות של אור נוריות IR יהיה גלוי בקטעי וידאו מוקלט (איור 7B). זה יכול, עם זאת, להימנע על ידי הצבת מגבות נייר במחבת שחרור, מתן תמונה משופרת הרבה (איור 7C). הצבת IR של המצלמה או נוריות צבעוניות קרוב מדי לעדשת המצלמה עלולה לגרום להם להיות גלויים בפריפריה התמונה (איור 7B). כאשר המצלמה היא רגישה IR, כל מקורות אור IR הנמצאים בתוך התאים עשויים להיות גלויים בקטעי וידאו. עבור כיוונונים רבים, זה יכלול את הניצוץ הרציף של חיישני מעבר קרן IR (איור 7C). התאורה הרציפה של נוריות IR של המצלמה אינה מפריעה לאיכות התמונה של תאים מוארים היטב (איור 7D). גודל קטעי הווידאו שנרשמו עם המצלמה הוא כ 77 Mb/min. אם כרטיס מיקרו SD 32 ג'יגה-בתים משמש עבור המצלמה, צריך להיות כ 20 Gb זמין בעקבות ההתקנה של מערכת ההפעלה. זה משאיר מקום בערך 260 דקות של צילומים מוקלטים.

העדשה פישאי גורם המצלמה יש מוקד מחוספס מעט, להיות חדה במרכז התמונה אך חדות מופחתת לקראת הקצוות. הדבר אינו משפיע על דיוק המעקב. יתר על כן, העדשה פישאי מביא את התמונה המוקלטת להיות מעוותת. לדוגמה, המרחקים בין נקודות בעלות מרווח באופן שווה לאורך קווים ישרים יוצגו באופן מלאכותי מרווח מוקטן כלפי הפריפריה של התמונה (איור 9א, ב). אם המצלמה משמשת עבור יישומים שבהם רוב השדות של התצוגה או המידות המוחלטות של המרחק והמהירות מעניינים, כדאי לשקול לתקן את הנתונים עבור עיוות זה23 (קובץ משלים 4). עם זאת, העיוות מתון יחסית במרכז התמונה (איור 9B). עבור קטעי וידאו שנאספו בחדר האופרנט שלנו, אזור העניין מוגבל למרכז 25% משדה הראייה של המצלמה. בתוך אזור זה, השפעת העיוות הפישאי היא מינימלית (איור 9C\u2012f).

דיוק של מעקב עם DeepLabCut

הגורמים העיקריים שיקבעו את דיוק המעקב של רשת מיומנת הם (i) את מספר המסגרות בתווית בערכת נתוני ההדרכה שלו, (ii) כמה טוב אלה מסגרות התוויות ללכוד את אופן הפעולה של ריבית ו (iii) מספר איטראציות האימון שנעשה בהם שימוש. DeepLabCut כולל פונקציה הערכה, אשר מדווחת על הערכה של כמה רחוק (במספר פיקסלים) המעקב שלה ניתן לצפות מהמיקום בפועל של האובייקט. זאת, עם זאת, אינה מהווה בהכרח תיאור טוב של מספר המסגרות שבהן אובייקט אובד ו/או מסומן בתווית (איור 10A), ומבקש את הצורך בהערכה נוספת של דיוק מעקב.

לניתוח התנהגויות בתוך תא אופרנט, רשת מיומנת היטב צריכה לאפשר זיהוי מדויק של כל האירועים שבהם מחוון שלב הפרוטוקול פעיל. אם לא, הדרכת מחדש של הרשת או בחירת מחוון אחר עשויה להיות נחוצה. למרות שיש רשת מיומנת היטב, מעקב אחר מחוון שלב הפרוטוקול עשוי להיות מופרת לפעמים על ידי בעלי חיים חסימת התצוגה של המצלמה (איור 10B). פעולה זו תגרום להפסקות במעקב המזכירים פרקים שבהם המחוון אינו פעיל. התדירות של התרחשות זו תהיה תלויה במתח החי, סוג של פרוטוקול התנהגותי ובחירה של מחוון שלב הפרוטוקול. בנתונים לדוגמה מתוך 5CSRTT המשמשים כאן, זה קרה על ארבעה מתוך 400 מבחנים (נתונים לא מוצגים). כל האירועים היו ניתנים לזיהוי בקלות, מאחר שהמששכים שלהם לא התאימו לשלב ההפסקה שנכלל בתכנון הפרוטוקול (איור 6A). בסופו של דבר, בחירת מחוון הממוקם גבוה למעלה בחדר והרחק מרכיבים שבעלי חיים מתקשרים עמם, עשויים להועיל.

רשת מיומנת היטב צריכה לאפשר > 90% דיוק כאשר מעקב אחר ראש בעל חיים במהלך קטעי וידאו של ריבית (וידאו 1). עם זאת, רק תת קבוצה קטנה של מסגרות וידאו יהיה צורך להיות מחוץ לניתוח הבאים ונתוני מעקב שמיש יהיה השגה כמעט כל הנסיונות בתוך הפעלת בדיקה. מעקב מדויק ניתן לזיהוי באופן ברור על ידי סמנים בעקבות בעל חיים לאורך תנועותיו (וידאו 2) ונתיבים המותווים המופיעים חלק (איור 10c). לעומת זאת, מעקב לא מדויק מתאפיין בסמנים שאינם מהימנים להישאר ביעד (וידאו 3) ובנתיבים מותווים המופיעים בצורה משוננים (איור 10d). האחרון נגרם על-ידי האובייקט הנמצא במעקב לתנוחות שגויות רחוקות במסגרות וידאו יחיד בתוך רצפים של מעקב מדויק. כתוצאה מכך, מעקב לא מדויק גורם בדרך כלל לשינויים פתאומיים במהירויות תנועה מחושבות (איור 10E). ניתן להשתמש באפשרות זו כדי לזהות מסגרות וידאו שבהן מעקב אינו מדויק, כדי שלא לכלול אותם מהניתוח העוקב. אם יש בעיות משמעותיות עם דיוק מעקב, האירועים שבהם נכשל מעקב יש לזהות את הרשת יש להכשיר מחדש באמצעות ערכת הדרכה מורחבת המכילה מסגרות וידאו בתווית של אירועים אלה (איור 10A, E).

שימוש במעקב אחר וידאו לניתוח משלים של התנהגויות אופרנט

ניתוח האופן שבו חיה נעה ומיקומם במהלך בדיקות אופראנט יספקו תובנות מרובות לאופי המורכב והרב של התנהגותם. על-ידי מעקב אחר היכן שחיה ממוקמת במהלך מבחן, ניתן להעריך כיצד דפוסי תנועה נפרדים מתייחסים לביצועים (איור 11א, ב). בחקירת תנועות ראש במהלך שלבי פרוטוקול ספציפיים, ניתן לזהות ולאפיין את השימוש באסטרטגיות שונות (איור 11C\u2012e).

כדי להדגים, שקול את נתוני הנציג שהוצגו עבור חולדות ביצוע מבחן 5-CSRTT (איור 6A, איור 11). במבחן זה, בעלי חיים מוצגים עם מספר ניסויים כי כל אחד להתחיל עם צעד 5 s המתנה (בין משפט מרווח-ITI) (איור 6A: 1). בסוף זה, אור יהיה לזרוח בתוך אחד האף לתקוע פתחים (באופן אקראי מיקום על כל ניסוי, איור 6A: 2). הדקירה מהאף בפתח הבית נחשבת לתגובה נכונה ומתוגמלים (איור 6A: 3). התגובה לפתיחה אחרת נחשבת לשגויה. כשל בתגובה בתוך 5 בעקבות הצגת האור נחשב למחדל. מעקב אחר תנועות הראש במהלך ITI של בדיקה זו חשפה כי בניסויים שבהם חולדות לבצע תגובה, הם מהירים במעבר לכיוון האזור סביב לתקוע את האף (איור 11a, B, וידאו 4). לעומת זאת, על רוב משפטי השמטה, החולדות לא מצליחות להתקרב לאזור סביב הפתחים (איור 11B, וידאו 5). התנהגות זו היא בקנה אחד עם הפרשנות המשותפת של השמטות הקשורים הדוק מוטיבציה נמוכה לבצע את המבחן3,16. עם זאת, על מערכת המשנה של משפטי השמטה (כ 20% של ערכת הנתונים הנוכחית), החולדות הראו מיקוד ברור לעבר הפתחים (איור 11b, וידאו 6) אך לא היתה לציין את המיקום המדויק של פתיחת פוג. הנתונים מצביעים על כך שיש לפחות שני סוגים שונים של השמטות, אחד קשור לחוסר עניין במשפט המתמשך, ועוד שהוא תלוי יותר בתשומת לב ויזואומרחבית3. מעקב אחר הראש יכול לשמש גם כדי להבדיל אסטרטגיות לכאורה. כדוגמה, שתי אסטרטגיות מובחנת שונות נחשפו כאשר לנתח איך החולדות לזוז כאשר הם בקרבת האף לתקוע פתחים במהלך 5CSRTT (איור 11C\u2012e). באסטרטגיה הראשונה, חולדות הראו גישה ממוקדת מאוד, שמירה על מיקום מרכזי ברחבי הרוב של ITI (איור 11C, וידאו 7). לעומת זאת, חולדות המאמצות את האסטרטגיה האחרת הזיזו בקביעות את ראשיהם בין הפתחים השונים בצורה הדומה לחיפוש (איור 11D, וידאו 8). סוג זה של הבדלים התנהגותיים יכולים להיות באופן נוח לכמת על ידי חישוב כמות הזמן שהושקע בסמיכות לפתחים השונים (איור 11E). לבסוף, על ידי ניתוח אשר פתיחת העכברוש הוא הקרוב ביותר בזמן של מצגת אור cue (איור 11f), ניתן להדגים כי להיות בעמדה מרכזית (איור 11f) ו/או בסמיכות למיקום של פתיחת פוג (איור 11f) נראה מועיל עבור ביצועים מדויקים במבחן.

Figure 1
איור 1: סקיצה של המיקרו-מחשב המפורט. התרשים מציג את המיקום של מספר רכיבים מעניינים בלוח האם של המיקרו-מחשבים. אלה מסומנים עם מספרים מוקפים כדלקמן: 1: מחבר עבור כבל רצועת הכלים של המצלמה; 2: אור LED המציין מתי המחשב פועל; 3: מיקרו USB עבור כבל חשמל; 4: מיקרו USB עבור העכבר/מקלדת; 5: סיכות קלט/פלט מטרה כללית (סיכות GPIO), סיכות אלה משמשות לחיבור המיקרו-מחשב לנוריות, למתגים ולמודול LED IR; 6: יציאת HDMI מיני; 7: חריץ מיקרו כרטיס SD. בחלק התחתון של האיור, חלק חתוך ומוגדל של סיכות GPIO מוצג כדי לציין כיצד לספור לעברם כדי לזהות כראוי את המיקום של pin מסוים. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

Figure 2
איור 2: בניית הגוף העיקרי של המצלמה. הדמויות מומחשות את הצעדים העיקריים לבניית גוף המצלמה. (א) חברו את טבעת המתכת המגנטית לדוכן המצלמה. (ב) חבר את מודול המצלמה למעמד המצלמה. (ג) מחבר את מודול המצלמה למיקרו-מחשב דרך כבל הסרט השטוח. שים לב לחיצים הלבנים המציינים כיצד לפתוח ולסגור את יציאות המצלמה הנמצאות הן במיקרו-מחשב והן במודול המצלמה. (ד) מקום המיקרו מחשב לתוך מעטפת פלסטיק ולהכניס כרטיס micro SD. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

Figure 3
איור 3: עדכון מערכת ההפעלה של המיקרו-מחשב והפעלת הציוד ההיקפי. האיור מציג ארבעה צילומי מסך שונים המתארים את ממשק המשתמש של המיקרו-מחשב. (A) ניתן לפתוח חלונותמסופיםעל-ידי לחיצה על הסמל "מסוף" בפינה השמאלית העליונה של המסך. (ב) בתוך המסוף, ניתן להקליד סוגים שונים של פקודות, כמפורט בטקסט הפרוטוקול. מסך הצילום מציג את הפקודה לעדכון חבילות התוכנה של המערכת. (ג) מסך הצילום מציג כיצד לנווט אל תפריט תצורות, שבו ניתן לאפשר את השימוש של מודול המצלמה ואת הפינים I2C gpio. (ד) מסך הצילום מציג את התיקייה/home/pi, כאשר קובץ ה-script של המצלמה צריך להיות מועתק בשלב 1.10 של הפרוטוקול. החלון נפתח על-ידי לחיצה על הסמל שצוין בפינה השמאלית העליונה של המסך. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

Figure 4
איור 4: קביעת התצורה של rc של המחשב המיקרו. האיור מציג שני צילומי מסך של rc המיקרו-מחשב. קובץ מקומי, כאשר הגישה דרך המסוף כפי שמתואר בשלב 1.11.1. (A) צילום מסך של ה-rc. הקובץ המקומי בתבנית המקורית. החץ מציין את השטח שבו יש להזין טקסט כדי לאפשר את תכונת ההפעלה האוטומטית של המצלמה. (ב) צילום מסך של rc. קובץ מקומי לאחר שנערך להאיר את נוריות IR ולהתחיל סקריפט פיתון שליטה על המצלמה בעת ההפעלה של מיקרו מחשב. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

Figure 5
איור 5: התחברות של מתגים ונוריות לפינים GPIO של microcomputer. (A) סכמטי מראה מתג לחצן עם כבלי נקבה (למעלה) ו-LED עם שכבות וכבלי נקבה מגשר (למטה). (1) מתג כפתור, (2) כבלים נקבה, (3) מגשר LED, (4). (ב) תמונה סכמטית המציגה כיצד מתגי שני הלחצנים, נוריות צבעוניות והלוח LED IR מחוברים לפינים gpio של המיקרו-מחשב. כבלים כחולים וסיכות GPIO מצביעים על הקרקע. מיקומו של שני פינים של GPIO מצוינים באיור (סיכות GPIO #2 ו#40): (1) כפתור הפעלה/הפסקה של הקלטת וידאו. (2) המציין מתי וידאו מוקלט. (3) כפתור להחלפת מצלמה. (4) LED המציין כאשר המצלמה יש אתחול והוא מוכן לשימוש. (5) מודול LED IR. שים לב כי מעגלים עם נוריות מכילים גם 330 נגדים Ω. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

Figure 6
איור 6: שימוש במעקב DeepLabCut של מחוון שלב הפרוטוקול כדי לזהות רצפי עניין בקטעי וידאו באורך מלא. (א) סכמטי הצעדים של ניסוי אחד במבחן הזמן הסדרתי 5-בחירה (5CSRTT): (1) ראשית, יש תקופת המתנה קצרה (ITI). חץ מציין אור בבית מבריק באופן פעיל. (2) בסוף ITI, אור יהיה לזרוח באחד מחמשת הפתחים האף (חץ). (3) אם העכברוש מגיב באופן מדויק על ידי ביצוע אף לחטט בפתח פוג, גמול מועברת (חץ). (4) החולדה רשאית להשיב את הפרס. (5) כדי לאפשר את השימוש באור הבית כמחוון של שלב הפרוטוקול, שלב הפסקה קצרה שבו אור הבית מכובה (חץ) מיושם לפני תחילת המשפט הבא. שימו לב כי אור הבית זורח במהלך השלבים הבאים של המשפט. (ב) גרף דוגמה המתאר את קואורדינטת x של אור הבית הפעיל, כפי שנמצא במעקב על ידי DeepLabCut, במהלך קטע וידאו של מבחן 5CSRTT. במהלך מקטעים שבהם אור הבית זורח (אינדיקטור פעיל -1), מתבצע מעקב אחר נקודה עקבית ויציבה (הערה גם הסמן האדום (מסומן בחץ) במסגרת הווידאו לדוגמה), הדומה לזו של מיקומו של אור הבית באיור 8C (x, y: 163, 503). במהלך מקטעים שבהם אור הבית אינו זורח (מחוון לא פעיל -2, שים לב לצבע החץ הלבן במסגרת הווידאו), המיקום הנמצא במעקב אינו יציב, והרחק מהקואורדינטות האמיתיות של אור הבית. (ג) טבלה 1 מציג דוגמה של פלט מעובד שהתקבל מעקב DeepLabCut של מחוון שלב הפרוטוקול. בפלט זה, נקודת ההתחלה עבור כל אירוע שבו המחוון פעיל הופיע ברשימה. טבלה 2 מתארת דוגמה לנתונים המתקבלים ממערכת המיזוג של האופרנט, ומעניקה פרטים רלוונטיים לניסויים בודדים. בדוגמה זו, משך הזמן של ה-ITI, מיקום הפתיחה והשהיות לביצוע תגובה ואחזור הפרס הוקלטו. טבלה 3 מתארת דוגמה לנתונים שהושגו על-ידי מיזוג תוצאות מעקב של DeepLabCut ונתונים שנרשמו ממערכת המיזוג של האופרנט. באמצעות זה, מסגרות וידאו עבור נקודת ההתחלה של ITI (שלב 1 ב-A), נקודת ההתחלה של מצגת אור cue (שלב 2 ב-A), את התגובה (שלב 3 ב) ואחזור (שלב 4 ב-A) עבור ניסוי לדוגמה התקבלו. (ד) גרף דוגמה המתאר את קואורדינטת x של אור הבית, כפי שנמצא במעקב על ידי DeepLabCut, במהלך משפט 5CSRTT שצולמו. השלבים השונים של הפרוטוקול מצוינים: (1) ITI; (2) מצגת של אור cue (מיקום המצוין על ידי החץ הלבן); (3) היענות; (4) התגמול מתגמל. הזיהוי של מסגרות וידאו המתאר את ההתחלה והעצירה של שלבי פרוטוקול שונים אלה נעשה באמצעות תהליך הדומה לזה שצוין D. נא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

Figure 7
איור 7: מאפייני התמונה של המצלמה. (A) תמונה לא חתוכה שהושגה ממצלמה הממוקמת על גבי תא התניה תניה אופרנטית. התמונה נלכדה כאשר החדר הוצב בחדר תאורה בהירה. שימו לב לאור הבית (1) ו (2) שוקת לאורך הקיר השמאלי של החדר ו (3) שורת הפתחים המפתלים לאורך הקיר הימני של החדר. . כל מפתח לדקירה מכיל אור קטן (ב) תמונה לא חתוכה המציגה את ההשתקפות החזקה הנגרמת על ידי (1) את המחבת מוריד מתכת, כמו גם השתקפויות הנגרמות על ידי מיקום תת-אופטימלי של המצלמה (2) נוריות מחוון (3) מודול LED IR. (ג) התמונה החתוכה של החדר בחשיכה מוחלטת. שימו לב כי האורות מגלאי השיגור של קרן האינפרא-אדום בחמשת הפתחים לאורך הקיר הימני של החדר גלויים בבירור (חץ). (ד) התמונה החתוכה של החדר כאשר דולקת באור בוהק. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

Figure 8
איור 8: מעקב מיקומי של מחוון צעד הפרוטוקול וחלקי הגוף של עניין. (א) התמונה מציגה את המיקום של מחוון שלב הפרוטוקול (אדום), כמו גם את הראש (צהוב) וזנב (ירוק) של חולדה, כפי שמעקב על ידי DeepLabCut. כפי שמצוין על-ידי המעקב של אור הבית המואר, מסגרת הווידאו נלקחת מתמונה של משפט פעיל. (ב) התמונה מציגה את מיקומו של הראש (צהוב) והזנב (ירוק) כפי שמעקב על ידי DeepLabCut ברגע שבו המשפט אינו פעיל. . שימו לב להיעדר מעקב אור ביתי (ג) מיקומי נקודות העניין בהם נעשה שימוש בניתוח נתונים המוצגים באיור 6 ובאיור 11; (1) הבית אור, במקרה זה משמש כמחוון שלב הפרוטוקול, (2 \ u20126) אף לתקוע פתחים #1 = \u20125. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

Figure 9
איור 9: עיוות תמונה מעדשת פישאי. (א) תמונה של תבנית בודק-לוח עם ריבועים שחור ולבן בגודל שווה ומרווח שצולמו עם המצלמה המתוארת בפרוטוקול זה. התמונה צולמה בגובה דומה לזה ששימש בעת הקלטת קטעי וידאו מתאי המיזוג של האופרנט. ריבועים שחורים לאורך קווים אופקיים ואנכיים מרכזיים סומנו עם DeepLabCut. (ב) גרף המתאר כיצד הריווח בין הריבועים המסומנים ב (א) ישתנה בסמיכות למרכז התמונה. (ג) תמונה המתארת מדידות שננקטו כדי להעריך את ההשפעה של אפקט העיוות הפישאי על קטעי וידאו שנאספו מתאי האופרנט. פינות ובאמצע נקודות לאורך הקצה של אזור הרצפה, את המיקום המרכזי של כל הקומה היחידה השלב ואת המיקום של הפתחים חמש האף לחטט הצביעו עם DeepLabCut (נקודות צבעוניות); (1) מרווח של הרצפה ריצה, (2) רוחב של הרצפה הקאמרית לאורך באמצע החדר, (3) מרווח של לחטט האף. (ד) מרווח של הרגים לרצפה (מממוצע לכל סדרה של שלושה מרוגים רצופים), הממוספרים משמאל לימין (C). יש השפעה קטנה של עיוות פישאי, וכתוצאה מכך השלבים המרכזיים להיות מרווחים בערך 3 פיקסלים (8%) מלבד הריצות הממוקמות בקצות רצפת החדר. (ה) רוחב הרצפה הקאמרית ב (ג) נמדד בקצוות שמאל וימין, כמו גם נקודת אמצע. יש השפעה קטנה של עיוות פישאי, וכתוצאה מכך רוחב נמדד בנקודת האמצע בערך 29 פיקסלים (5%) ארוך יותר מהמידות האחרות. (ו) מרווח של פתחים מהאף בתוך (ג), הממוספרים מראש התמונה. ישנה השפעה קטנה של עיוות העין, וכתוצאה מכך המרווח בין שלושת הפתחים המרכזיים (H2, H3, H5) בערך 5 פיקסלים (4%) רחב יותר מהמרווח בין H1-H2 לבין H4-H5. עבור D-F, הנתונים נאספו מארבעה קטעי וידאו וגרפים המתארים ממוצע קבוצה + שגיאה סטנדרטית. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

Figure 10
איור 10: סקירת הדיוק של מעקב הדיפלאבקאט. (א) שולחן המפרט מידע הדרכה עבור שתי רשתות עצביות הכשרה לעקוב אחר חולדות בתוך לתאי האופרנט. #1 רשת השתמשה בערכת נתוני אימונים קטנה יותר, אך מספר גבוה של איטראציות הדרכה בהשוואה ל#2 רשת. שתי הרשתות השיגו ציון שגיאה נמוכה מפונקציית ההערכה של DeepLabCut (שגיאת בדיקה DLC) והציג אובדן אימון נמוך לקראת סוף ההכשרה. למרות זאת, רשת #1 הראה דיוק מעקב עני מאוד על הערכה ידנית של מסגרות וידאו מסומנים (דיוק נמדד, אומדן מ 150 מסגרות וידאו המכסים קטע וידאו הדומה לאלה בווידאו 2 ו- video 3). #2 רשת מייצגת את הגירסה המשופרת של #1 רשת, לאחר שכללה מסגרות וידאו נוספות של עכברים הנעים באופן פעיל לתוך ערכת נתוני ההדרכה, כמתואר ב (E). (ב) תמונה המתארת מגדל חולדה מעלה ומכסה את אור הבית של החדר (איור 7a) עם ראשו, מפריעה למעקב אחריו. (ג) מסגרת וידאו לכידת תגובה שנעשתה במהלך ניסוי 5CSRTT (איור 6a: 3). נתיב התנועה של הראש במהלך התגובה ולפני ITI כבר על גבי התמונה בצהוב. . המעקב נחשב למדוייק שים לב למעקב החלק במהלך תנועות (חץ לבן). וידאו תואם זמין כמו וידאו 2. #2 רשת (ראה A) שימש למעקב. (ד) מסגרת וידאו לכידת תגובה שנעשתה במהלך ניסוי 5CSRTT (איור 6a: 3). נתיב התנועה של הראש במהלך התגובה ולפני ITI כבר על גבי התמונה בצהוב. נתונים מודאגים מאותו משפט כפי שמוצג ב-(ג) אך נותחו עם #1 רשת (ראה A). . המעקב נחשב לא מדויק שים לב למראה המשונן של הנתיב עם קווים ישרים מרובים (חצים לבנים), הנגרמים על-ידי מעקב מזדמן של הראש למיקומים שגויים רחוקים (חיצים שחורים). וידאו תואם זמין כמו וידאו 3. (ה) גרף המתאר את השינויים הדינמיים במהירות התנועה של מעקב הראש ב (ג) ו-(ד). ניתן לזיהוי בגרף הם שלוש התנועות המרכזיות שנראו בווידאו 2 ו- 3, שם העכברוש הראשון פונה אל הפנים מחטט האף (הפעלה ראשונית), עושה התאמה קטנה כדי להתקרב אליהם (כוונון), ולבסוף מבצע תגובה. פרופיל המהירות עבור המעקב הטוב שהושג על-ידי רשת #2 (A) מציג עקומות חלקות של שינויים במהירות התנועה (חיצים כחולים), המציינים מעקב מדויק. פרופיל מהירות עבור מעקב המסכן המתקבל על ידי רשת #1 (A) מראה קוצים פתאומית מספר במהירות התנועה (חיצים אדומים) מעיד על שגיאות מעקב מדי פעם מסגרות וידאו יחיד. ראוי לציין כי בעיות אלה מעקב להתרחש באופן ספציפי במהלך תנועות. כדי לתקן את זה, ערכת ההדרכה הראשונית המשמש להרכבת #1 רשת הורחבה עם כמות גדולה של מסגרות וידאו המתארים באופן פעיל חולדות נעות. זה היה משמש לאחר מכן להכשיר #2 רשת, אשר הסיר ביעילות את בעיית המעקב. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

Figure 11
איור 11: שימוש במעקב מיקומי דרך DeepLabCut כדי להשלים את ניתוח התנהגותי של בדיקות אופרנט מיזוג. (קצת) מבט מלמעלה על החלק הפנימי של תא התניה של האופרנט. . שלושה אזורים בחדר מסומנים האזור קרוב לאבוס שוקת (גלולה), אזור החדר המרכזי (מרכז) והאזור סביב האף לתקוע פתחים (פתחים). (B) גרף המתאר את הכמות היחסית של חולדות זמן לבלות בשלושת האזורים השונים של חדר האופרנט המתואר ב (א) במהלך השלב ה-ITI של 5CSRTT. שים לב כי במבחנים עם תגובה, חולדות בתחילה נוטים להיות ממוקם קרוב שוקת הגלולה (שחור) ומרכז קאמרית (אפור), אבל כמו ITI מתקדם, הם מחליפים לכיוון מיקום עצמם סביב האף לתקוע פתחים (לבן). לעומת זאת, בנסיונות השמטה טיפוסיים, החולדות נשארות ממוקמות סביב שוקת הגלולה והמרכז הקאמרי. על קבוצת משנה של משפטי השמטה (כ -20%) חולדות בבירור לשנות את המיקוד שלהם כלפי אף לתקוע פתחים, אבל עדיין להיכשל לבצע תגובה כאשר תתבקש. ניתוח ANOVA דו כיוון של הזמן לבלות סביב האף לתקוע פתחים באמצעות סוג המשפט כגורם והזמן בתוך הגורם הנתון לחשוף זמן משמעותי (p < 0.001, F(4,8) = 35.13), trial type (p < 0.01, F(2,4) = 57.33) and time x trial type interaction (p < 0.001, F(8,16) = 15.3) effects. Data gathered from four animals performing 100 trials each. Graph displays mean + standard error. (C) מפת החום המציגה את כל העמדות הראש מסומנים בסמיכות הפתחים לתקוע את האף, על ידי עכברוש אחד ספציפי במהלך 50 דלקת של הפעלת מבחן 5CSRTT. שים לב כי החולדה יש נטייה חזקה לשמור על הראש שלו במקום אחד קרוב האף המרכזי לדחוף את הפתח. (D) מפת החום המציגה את כל המשרות הראש מסומנים בסמיכות הפתחים לתקוע את האף, על ידי עכברוש אחד ספציפי במהלך 50 שיעור 5-CSRTT מבחן. שימו לב שהעכברוש אינו מראה העדפה ברורה לפתח מסוים. (E) גרף המתאר את כמות הזמן היחסית ששני העכברושים הציגו ב (ג) ו-(ד) מבלים הקרובים ביותר לפתחים השונים במהלך 50 השנים הקרובות. החולדה המציגה אסטרטגיה ממוקדת (C) (שחור) מראה העדפה חזקה להיות הקרוב ביותר לפתח המרכזי בעוד עכברוש עם אסטרטגיה כמו חיפוש (D) (לבן) מראה שום העדפה עבור כל פתח מסוים. הגרף מתאר שגיאת תקן ממוצעת + סטנדרטית. (F) תמונה של חולדה בזמן הצגת רמיזה על משפט 5CSRTT (איור 6A). שימו לב שהעכברוש המקם את ראשו קרוב יותר לפתח המרכזי (חץ לבן), והוא נמצא במרחק שני פתחים מפתח הפתיחה (חץ שחור). (G) גרף המתאר את דיוק הביצועים ב-5CSRTT (התדירות של ביצוע התגובות הנכונות) ביחס לשאלה האם ראש החולדות היה הקרוב ביותר לפתח המרכזי או לאחד הפתחים האחרים בזמן הצגת האות (איור 6A2). נתונים שנאספו מארבע בעלי חיים ביצוע בערך 70 תגובות כל אחד. Graph מציג ממוצע קבוצה + שגיאה סטנדרטית (התאמה t-test: p < 0.05). (H) גרף המתאר את דיוק הביצועים ב-5CSRTT ביחס למרחק בין המיקום של פתיחת הפתח לבין מיקומו של ראש חולדה, בנקודת מצגת האות. המרחק מתייחס למספר הפתחים בין עמדת ראש החולדות לבין מיקום פתיחת הסימן. נתונים שנאספו מארבע בעלי חיים ביצוע בערך 70 תגובות כל אחד. Graph מציג משמעות + שגיאת תקן (התאמה ל-ANOVA בכיוון אחד: p < 0.01). For the presented analysis, Network #2 described in איור 10A שימש. ערכת נתונים מנותח מלאה כללה כ 160,000 מסגרות וידאו ו 400 מבחנים. מתוך אלה, 2.5% ממסגרות וידאו לא נכללו בשל מהירות התנועה של בעל החיים להיות מעל 3,000 פיקסלים/s, המציין מעקב שגוי (איור 10E). לא נכללו מבחנים מלאים. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

וידאו 1: מעקב מייצג ביצועי רשת עצבית מיומנת היטב. הווידאו מראה מונטאז של חולדה ביצוע 45 מבחנים עם תגובות נכונות במהלך מבחן 5CSRTT (ראה איור 6A עבור פרטי הפרוטוקול). מעקב אחר אור הבית (סמן אדום), בסיס זנב (סמן ירוק) וראש (סמן כחול) מצוינים בווידאו. הכשרת הרשת (רשת #2 באיור 10A) הדגישה דיוק לתנועות שנעשו לאורך רצפת החדר בסמיכות לפתחי האף (הקיר הימני, איור 7a). מעקב אחר מקטעים אלה מופיע בממוצע ב> 90% הדיוק. מעקב אחר פרקים של גידול וטיפוח אינם מדויקים, כפי שערכת ההדרכה לא כוללת מסגרות של התנהגויות אלה. שים לב שהווידאו נדחס כדי להקטין את גודל הקובץ ואינו ייצוגי לאיכות הווידאו שמתקבלת עם המצלמה. אנא לחץ כאן כדי להוריד וידאו זה.

וידאו 2: דוגמה של חיה מסומנים במדויק. הוידאו מראה משפט יחיד במעקב היטב של חולדה ביצוע תגובה נכונה במהלך 5CSRTT. מעקב אחר אור הבית (סמן אדום), בסיס זנב (סמן ירוק) וראש (סמן כחול) מצוינים בווידאו. #2 רשת עצבית שתוארה באיור 10A שימש למעקב. שימו לב כיצד הסמנים מולכים בדיוק בתנועות החיה. כמו כן, עיין באיור 10C, E עבור הנתיב המותווה ומהירות התנועה של המעקב הראשי בסרטון וידאו זה. אנא לחץ כאן כדי להוריד וידאו זה.

וידאו 3: דוגמה של בעל חיים מסומנים כגרוע. הוידאו מראה משפט אחד במעקב גרוע של עכברוש ביצוע תגובה נכונה במהלך 5CSRTT. מעקב אחר אור הבית (סמן אדום), בסיס זנב (סמן ירוק) וראש (סמן כחול) מצוינים בווידאו. #1 רשת עצבית שתוארה באיור 10A שימש למעקב. סרטון הווידאו זהה לזה שנעשה בו שימוש ב- video 2. שימו לב שסמן הראש אינו מונח באופן אמין על ראש החולדה. כמו כן, פנה לאיור 10D, E עבור הנתיב המותווה ומהירות התנועה של המעקב הראשי בסרטון וידאו זה. אנא לחץ כאן כדי להוריד וידאו זה.

וידאו 4: דוגמה של תנועות שנעשו במהלך משפט 5CSRTT עם תגובה. הווידאו מראה משפט יחיד במעקב היטב של חולדה ביצוע תגובה נכונה במהלך 5-CSRTT. מעקב אחר אור הבית (סמן אדום), בסיס זנב (סמן ירוק) וראש (סמן כחול) מצוינים בווידאו. שימו לב כיצד העכברוש בתחילה ממוקם בסמיכות ברורה לכלי הקיבול (קיר שמאלי, איור 7A) ולאחר מכן נע מעל כדי למקד את תשומת ליבך על שורה של פתחים אף לחטט. אנא לחץ כאן כדי להוריד וידאו זה.

וידאו 5: דוגמה למשפט מחדל אופייני במהלך 5CSRTT. הוידאו מראה משפט יחיד במעקב היטב של חולדה ביצוע מחדל אופייני במהלך 5CSRTT. מעקב אחר אור הבית (סמן אדום), בסיס זנב (סמן ירוק) וראש (סמן כחול) מצוינים בווידאו. שימו לב כיצד החולדה שומרת על מיקומה סביב מיכל הגלולה (הקיר השמאלי, איור 7A) והמרכז הקאמרי, במקום להסתובב ולהתמודד עם הפנים לתקוע את האף (הקיר הימני, איור 7a). ההתנהגות המוצגת והגורם להתעלמות ניתן לטעון כדי לשקף את העניין הנמוך בביצוע הבדיקה. אנא לחץ כאן כדי להוריד וידאו זה.

וידאו 6: דוגמה של משפט מחדל טיפוסי במהלך 5CSRTT. הוידאו מראה משפט יחיד במעקב היטב של חולדה ביצוע מחדל טיפוסי במהלך 5CSRTT. מעקב אחר אור הבית (סמן אדום), בסיס זנב (סמן ירוק) וראש (סמן כחול) מצוינים בווידאו. שימו לב כיצד החולדה ממקמת את עצמה לעבר האף מחטט בקיר הימני של החדר (איור 7A). ניתן לטעון זאת כדי לציין שבעל החיים מעוניין לבצע את המבדק. עם זאת, החולדה פונה הרחק מן הפתח (המיקום המרכזי) כאשר האות מוצג (5 s לתוך הקליפ). בניגוד להתעלמות המוצגת ב- Video 4, האדם הנראה כאן קשור לתהליכי תשומת לב מרביים ויזוביים משניים. אנא לחץ כאן כדי להוריד וידאו זה.

וידאו 7: דוגמה של בעל חיים שמירה על מיקום מרכזי ממוקד במהלך ITI של 5CSRTT. הוידאו מראה משפט יחיד במעקב היטב של חולדה ביצוע תגובה נכונה על משפט של 5CSRTT. שימו לב כיצד העכברוש שומר על מיקום מרכזי במהלך ה-ITI, ושומר על ראשה יציב בקרבתו של האף המרכזי הפותח לאורך הקיר הימני של התאים (איור 7A). מעקב אחר אור הבית (סמן אדום), בסיס זנב (סמן ירוק) וראש (סמן כחול) מצוינים בווידאו. אנא לחץ כאן כדי להוריד וידאו זה.

וידאו 8: דוגמה של בעל חיים מציג אסטרטגיה בדומה לחיפוש במהלך ITI של 5CSRTT. הוידאו מראה משפט יחיד במעקב היטב של חולדה ביצוע תגובה נכונה על משפט של 5CSRTT. שימו לב כיצד החולדה ממקמת לעתים קרובות את ראשה לפני הפנים השונות החוצה פתחים לאורך הקיר הימני של החדר (איור 7A). מעקב אחר אור הבית (סמן אדום), בסיס זנב (סמן ירוק) וראש (סמן כחול) מצוינים בווידאו. אנא לחץ כאן כדי להוריד וידאו זה.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

פרוטוקול זה מתאר כיצד לבנות מצלמת וידאו זולה וגמישה שניתן להשתמש בה כדי להקליט קטעי וידאו מתאי מיזוג אופרנט והגדרות אחרות של בדיקות התנהגותיות. זה עוד מדגים כיצד להשתמש DeepLabCut כדי לעקוב אחר אות אור חזק בתוך קטעי וידאו אלה, ואיך זה יכול לשמש כדי לסייע בזיהוי קטעי וידאו קצרים של עניין קבצי וידאו המכסה הפעלות בדיקה מלאה. לבסוף, הוא מתאר כיצד להשתמש במעקב אחר ראש חולדה כדי להשלים את ניתוח התנהגויות במהלך בדיקות אופרנט מיזוג.

הפרוטוקול מציג חלופה לפתרונות הקלטת וידאו הזמינים מסחרית עבור תאי התניה אופרנט. כאמור, היתרון העיקרי של אלה הוא שהם משתלבים עם תאי האופרנט, המאפשרים הקלטות וידאו של אירועים ספציפיים. הגישה לזיהוי קטעי וידאו של עניין המתואר בפרוטוקול זה היא יותר מפרך וגוזלת זמן בהשוואה לשימוש במערכת משולבת מלאה כדי להקליט אירועים מסוימים. זה, עם זאת, הרבה יותר זול (הערכה העלות האחרונה עבור ציוד ניטור וידאו עבור 6 האופרנט צ'יימברס הוגדר כ 13,000 USD. לעומת זאת, בניית שש מהמצלמות המפורטות כאן תעלה על 720 USD). בנוסף, ניתן להשתמש במצלמות עבור מספר הגדרות בדיקה התנהגותית אחרות. כשעובדים עם המצלמה, חשוב להיות מודעים לאזורים של האלקטרוניקה החשופה (החלק האחורי של רכיב המצלמה, כמו גם את רכיב ה-IR LED), כך שהם לא באים במגע עם נוזלים. בנוסף, כבל רצועת הכלים המחבר את מודול המצלמה למיקרו-מחשב וכבלים המחברים את הנוריות והמתגים לפינים של GPIO עלולים להשתחרר אם המצלמה מועברת לעתים קרובות. כך, התאמת העיצוב של מקרה המצלמה עשוי להועיל עבור יישומים מסוימים.

השימוש ב-DeepLabCut כדי לזהות קטעי וידאו של עניין ותנועות בעלי חיים מציעה משלים ו/או אלטרנטיבה ניתוח וידאו ידני. בעוד הראשון לא לפסול את השני, גילינו כי הוא מספק דרך נוחה לניתוח תנועות והתנהגויות בתוך החדרים האופרנט. בפרט, היא מספקת נתוני מיקום של בעל החיים, אשר מכיל מידע מפורט יותר ממה שבדרך כלל מופק באמצעות הבקיע ידני (כלומר, קואורדינטות בפועל לעומת מידע מיקום איכותי כגון "מול", "ליד" וכו ').

בשעת בחירת מחוון שלב הפרוטוקול, חשוב לבחור באחד המצביע על צעד מסוים של הפרוטוקול ההתנהגותי, וסביר להניח שהוא נחסם על-ידי בעל החיים. אם האחרון הוא בעייתי, אפשר לשקול להניח מנורה מחוץ לחדר האופרנט ולצלם אותה דרך הקירות הקאמריים. חדרי מיזוג רבים אופרנט הם מודולריים ומאפשרים למשתמשים להזיז בחופשיות אורות, חיישנים ורכיבים אחרים סביב. יש לציין כי קיימות חבילות תוכנה נוספות המאפשרות למשתמשים להכשיר רשתות עצביות בזיהוי ובמעקב אחר אובייקטים המוגדרים על-ידי המשתמש בסרטי וידאו24,25,26. אלה יכולים לשמש כחלופות ל-DeepLabCut בפרוטוקול הנוכחי.

הפרוטוקול מתאר כיצד לעקוב אחר החלק המרכזי של ראש חולדות כדי למדוד תנועות בתוך תאי האופרנט. כמו DeepLabCut מציע חופש מלא בבחירת חלקי הגוף או חפצים של עניין, זה יכול עם הנוחות להיות שונה כדי להתאים את האינטרסים ספציפיים למחקר. הארכה טבעית של המעקב המתואר בזאת היא גם לעקוב אחר המיקום של החולדות ' האוזניים והאף, כדי לשפוט טוב יותר לא רק מיקום הראש אלא גם אוריינטציה. הנתונים הנציגים המוצגים כאן הוהקלטנו עם חולדות לונג אוונס. חולדות אלה מציגות וריאציה בין-אישית ניכרת בתבנית הפיגמנטציה שלהם, במיוחד לקראת בסיס הזנב שלהם. זה עלול לגרום לקשיים מסוימים החלת רשת עצבית אחת מאומנת עבור מעקב אחר אנשים שונים. כדי להגביל בעיות אלה, מומלץ לכלול מסגרות וידאו מכל בעלי העניין בקבוצת ההדרכה עבור הרשת. הראש השחור של החולדה של לונג אוונס מספק ניגוד חזק באופן סביר נגד משטחי המתכת של התא המשמשים כאן. כך, קבלת מעקב מדויק של ראשיהם כנראה דורש פחות מאמץ מאשר עם זנים לבקן. הצעד הקריטי ביותר של קבלת מעקב מדויק עם החבילות DeepLabCut או התוכנה המקבילה היא לבחור מספר טוב של מסגרות וידאו מגוונות להכשרה של רשת עצבית. ככזה, אם מעקב אחר מושא עניין נחשב לאופטימלי משנה, הגדלת הקבוצה של מסגרות ההדרכה צריכה להיות תמיד הצעד הראשון לשיפור התוצאות.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

בעוד שנעשה שימוש בחומרים ובמשאבים מקרן פטל פאי בכתב היד הזה, הקרן לא הייתה מעורבת באופן פעיל בהכנה או בשימוש בציוד ובנתונים בכתב יד זה. הדבר נכון גם לגבי היצע הפאי. . למחברים אין מה לגלות

Acknowledgments

עבודה זו נתמכת על ידי מענקים מקרן המוח השבדי, קרן פרקינסון השוודית, וקרנות הממשלה השבדית למחקר קליני (מאק), כמו גם היסודות של ווננר-גרן (M. A. C, E. K. H. C), הקרן של ווירן (M. A. C) והקרן לבילופלור בונקומפס, בילדט (ש. פ).

Materials

Name Company Catalog Number Comments
32 Gb micro SD card with New Our Of Box Software (NOOBS) preinstalled The Pi hut (https://thpihut.com) 32GB
330-Ohm resistor The Pi hut (https://thpihut.com) 100287 This article is for a package with mixed resistors, where 330-ohm resistors are included.
Camera module (Raspberry Pi NoIR camera v.2) The Pi hut (https://thpihut.com) 100004
Camera ribbon cable (Raspberry Pi Zero camera cable stub) The Pi hut (https://thpihut.com) MMP-1294 This is only needed if a Raspberry Pi zero is used. If another Raspberry Pi board is used, a suitable camera ribbon cable accompanies the camera component
Colored LEDs The Pi hut (https://thpihut.com) ADA4203 This article is for a package with mixed colors of LEDs. Any color can be used.
Female-Female jumper cables The Pi hut (https://thpihut.com) ADA266
IR LED module (Bright Pi) Pi Supply (https://uk.pi-supply.com) PIS-0027
microcomputer motherboard (Raspberry Pi Zero board with presoldered headers) The Pi hut (https://thpihut.com) 102373 Other Raspberry Pi boards can also be used, although the method for automatically starting the Python script only works with Raspberry Pi zero. If using other models, the python script needs to be started manually.
Push button switch The Pi hut (https://thpihut.com) ADA367
Raspberry Pi power supply cable The Pi hut (https://thpihut.com) 102032
Raspberry Pi Zero case The Pi hut (https://thpihut.com) 102118
Raspberry Pi, Mod my pi, camera stand with magnetic fish eye lens and magnetic metal ring attachment The Pi hut (https://thpihut.com) MMP-0310-KIT

DOWNLOAD MATERIALS LIST

References

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

Tags

התנהגות סוגיה 160 מיזוג אופרנט קוגניציה הקלטת וידאו התנהגות מכרסם פאי פטל DeepLabCut
מעקב אחר חולדות בתאי מיזוג אופרנט באמצעות מצלמת וידאו רב-תכליתי ביתית ו-DeepLabCut
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Clemensson, E. K. H., Abbaszadeh,… More

Clemensson, E. K. H., Abbaszadeh, M., Fanni, S., Espa, E., Cenci, M. A. Tracking Rats in Operant Conditioning Chambers Using a Versatile Homemade Video Camera and DeepLabCut. J. Vis. Exp. (160), e61409, doi:10.3791/61409 (2020).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter