Waiting
Login processing...

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

Behavior

एक बहुमुखी घर का बना वीडियो कैमरा और DeepLabCut का उपयोग कर Operant कंडीशनिंग कक्षों में ट्रैकिंग चूहों

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

यह प्रोटोकॉल एक छोटे और बहुमुखी वीडियो कैमरा का निर्माण करने का तरीका बताता है, और ऑपरेंट कंडीशनिंग कक्षों के अंदर एक जानवर की स्थिति को ट्रैक करने के लिए तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए इससे प्राप्त वीडियो का उपयोग कैसे करें। यह ऑपरेंट कंडीशनिंग परीक्षणों से प्राप्त डेटा लॉग के मानक विश्लेषण के लिए एक मूल्यवान पूरक है।

Abstract

ऑपरेंट कंडीशनिंग कक्षों का उपयोग तंत्रिका विज्ञान के क्षेत्र में व्यवहार परीक्षणों की एक विस्तृत श्रृंखला करने के लिए किया जाता है। रिकॉर्ड किए गए डेटा आमतौर पर कक्षों के अंदर मौजूद लीवर और नाक-प्रहार सेंसर के ट्रिगर पर आधारित होते हैं। हालांकि यह इस बात का विस्तृत दृश्य प्रदान करता है कि जानवर कब और कैसे कुछ प्रतिक्रियाएं करते हैं, इसका उपयोग उन व्यवहारों का मूल्यांकन करने के लिए नहीं किया जा सकता है जो किसी भी सेंसर को ट्रिगर नहीं करते हैं। जैसे, आकलन कैसे जानवरों को खुद की स्थिति और कक्ष के अंदर ले जाने शायद ही कभी संभव है । इस जानकारी को प्राप्त करने के लिए, शोधकर्ताओं को आम तौर पर रिकॉर्ड और वीडियो का विश्लेषण किया है । ऑपरेंट कंडीशनिंग चैम्बर्स के निर्माता आमतौर पर अपने ग्राहकों को उच्च गुणवत्ता वाले कैमरा सेटअप के साथ आपूर्ति कर सकते हैं। हालांकि, ये बहुत महंगे हो सकते हैं और जरूरी नहीं कि अन्य निर्माताओं या अन्य व्यवहार परीक्षण सेटअप से कक्ष फिट हों। वर्तमान प्रोटोकॉल शौक इलेक्ट्रॉनिक्स घटकों का उपयोग करके एक सस्ती और बहुमुखी वीडियो कैमरा बनाने का वर्णन करता है। यह आगे बताता है कि एक ओपेरा कंडीशनिंग चैंबर से इकट्ठे हुए वीडियो में एक मजबूत प्रकाश संकेत की स्थिति को ट्रैक करने के साथ-साथ चूहे की स्थिति को ट्रैक करने के लिए छवि विश्लेषण सॉफ्टवेयर पैकेज DeepLabCut का उपयोग कैसे किया जाए। पूर्व एक महान सहायता है जब वीडियो में रुचि के छोटे खंडों का चयन है कि पूरे परीक्षण सत्र को कवर, और बाद मापदंडों है कि ओपेरा कक्षों द्वारा उत्पादित डेटा लॉग से प्राप्त नहीं किया जा सकता है के विश्लेषण में सक्षम बनाता है ।

Introduction

व्यवहार तंत्रिका विज्ञान के क्षेत्र में, शोधकर्ता आमतौर पर कृंतक में विभिन्न संज्ञानात्मक और मनोरोग सुविधाओं की एक विस्तृत श्रृंखला का आकलन करने के लिए ऑपरेंट कंडीशनिंग कक्षों का उपयोग करते हैं। जबकि ऐसी प्रणालियों के कई अलग-अलग निर्माता हैं, वे आम तौर पर कुछ विशेषताओं को साझा करते हैं और लगभग मानकीकृत डिजाइन1,,2,,3है। कक्ष आम तौर पर वर्ग या आयत के आकार के होते हैं, जिसमें एक दीवार होती है जिसे जानवरों को अंदर रखने के लिए खोला जा सकता है, और शेष दीवारों में से एक या दो में लीवर, नाक-प्रहार के उद्घाटन, इनाम ट्रे, प्रतिक्रिया पहियों और विभिन्न प्रकार की रोशनी जैसे घटक होते हैं1,,,2,3। कक्षों में मौजूद रोशनी और सेंसर का उपयोग परीक्षण प्रोटोकॉल को नियंत्रित करने और जानवरों के व्यवहार को ट्रैक करने के लिए किया जाता है1,,2,,3,4,,5., ठेठ ऑपरेंट कंडीशनिंग सिस्टम इस बात के बहुत विस्तृत विश्लेषण की अनुमति देते हैं कि जानवर कक्षों में मौजूद विभिन्न ऑपरंडा और उद्घाटन के साथ कैसे बातचीत करते हैं। सामान्य तौर पर, किसी भी अवसर जहां सेंसर ट्रिगर किए जाते हैं, सिस्टम द्वारा रिकॉर्ड किया जा सकता है, और इस डेटा से उपयोगकर्ता विस्तृत लॉग फ़ाइलें प्राप्त कर सकते हैं जो यह बताते हैं कि जानवर ने परीक्षण4, 5,के विशिष्ट चरणों केदौरानक्या किया था। हालांकि यह एक जानवर के प्रदर्शन का एक व्यापक प्रतिनिधित्व प्रदान करता है, यह केवल व्यवहार है कि सीधे एक या एक से अधिक सेंसर4,,5ट्रिगर का वर्णन करने के लिए इस्तेमाल किया जा सकता है । इस प्रकार, परीक्षण के विभिन्न चरणों के दौरान जानवर स्वयं को कैसे स्थिति में ले जाते हैं और कक्ष के अंदर ले जाते हैं, इसके बारे में संबंधित पहलुओं को6,7,,,8,,9,,10के रूप में अच्छी तरह से वर्णित नहीं किया गया है। यह दुर्भाग्यपूर्ण है, क्योंकि इस तरह की जानकारी जानवर के व्यवहार को पूरी तरह से समझने के लिए मूल्यवान हो सकती है। उदाहरण के लिए, इसका उपयोग यह स्पष्ट करने के लिए किया जा सकता है कि कुछ जानवर दिए गए परीक्षण6पर खराब प्रदर्शन क्यों करते हैं , उन रणनीतियों का वर्णन करने के लिए जो जानवर कठिन कार्यों को संभालने के लिए विकसित हो सकते हैं6,7,,8,9,10,या माना जाता है कि सरल व्यवहार 11,12की वास्तविक जटिलता की सराहना करने के लिए ।,12 इस तरह की स्पष्ट जानकारी प्राप्त करने के लिए, शोधकर्ता,आमतौर पर वीडियो6,7,8,9,10, 11के मैनुअल विश्लेषण की ओर रुखकरतेहैं।,9,

ऑपरेंट कंडीशनिंग कक्षों से वीडियो रिकॉर्ड करते समय, कैमरे का विकल्प महत्वपूर्ण है। कक्ष आमतौर पर आइसोलेशन क्यूबिकल्स में स्थित होते हैं, प्रोटोकॉल अक्सर चरणों का उपयोग करते हैं जहां कोई दृश्यमान,प्रकाश3,,6,,7,,8,9चमक रहा है। इसलिए, आईआर-सेंसिटिव कैमरे के साथ संयोजन में इन्फ्रा-रेड (आईआर) रोशनी का उपयोग आवश्यक है, क्योंकि यह पूर्ण अंधेरे में भी दृश्यता की अनुमति देता है। इसके अलावा, अलगाव कक्ष के अंदर एक कैमरा रखने के लिए उपलब्ध स्थान अक्सर बहुत सीमित है, जिसका अर्थ है कि एक छोटे कैमरे है कि देखने के एक विस्तृत क्षेत्र के साथ लेंस का उपयोग करने से दृढ़ता से लाभ (जैसे, मछली आंख लेंस)9। जबकि ऑपरेंट कंडीशनिंग सिस्टम के निर्माता अक्सर अपने ग्राहकों को उच्च गुणवत्ता वाले कैमरा सेटअप की आपूर्ति कर सकते हैं, ये सिस्टम महंगे हो सकते हैं और अन्य निर्माताओं या अन्य व्यवहार परीक्षणों के लिए सेटअप से कक्षों को फिट नहीं करते हैं। हालांकि, स्टैंड-अलोन वीडियो कैमरों का उपयोग करने पर एक उल्लेखनीय लाभ यह है कि ये सेटअप अक्सर ओपेरा कंडीशनिंग सिस्टम13,,14के साथ सीधे इंटरफेस कर सकते हैं। इसके माध्यम से, उन्हें पूर्ण परीक्षण सत्रों के बजाय केवल विशिष्ट घटनाओं को रिकॉर्ड करने के लिए स्थापित किया जा सकता है, जो इस प्रकार के विश्लेषण में बहुत सहायता कर सकते हैं।

वर्तमान प्रोटोकॉल शौक इलेक्ट्रॉनिक्स घटकों का उपयोग करके एक सस्ती और बहुमुखी वीडियो कैमरा बनाने का वर्णन करता है। कैमरा एक फिशआई लेंस का उपयोग करता है, आईआर रोशनी के प्रति संवेदनशील है और इसमें आईआर प्रकाश उत्सर्जक डायोड (आईआर एलईडी) का एक सेट है जो इससे जुड़ा हुआ है। इसके अलावा, यह एक फ्लैट और स्लिम प्रोफाइल के लिए बनाया गया है। साथ में, ये पहलू सबसे व्यावसायिक रूप से उपलब्ध ऑपरेटिंग कंडीशनिंग कक्षों के साथ-साथ अन्य व्यवहार परीक्षण सेटअप से वीडियो रिकॉर्ड करने के लिए आदर्श बनाते हैं। प्रोटोकॉल आगे बताता है कि कैमरे के साथ प्राप्त वीडियो को कैसे संसाधित किया जाए और सॉफ्टवेयर पैकेज DeepLabCut15,16 का उपयोग कैसे किया जाएताकिब्याज के वीडियो दृश्यों को निकालने के साथ-साथ उसमें एक जानवर की गतिविधियों पर नज़र रखने में सहायता मिल सके। यह आंशिक रूप से कंडीशनिंग सिस्टम के ऑपरेंट निर्माताओं द्वारा प्रदान किए गए एकीकृत समाधानों पर स्टैंड-अलोन कैमरे का उपयोग करने के ड्रॉ-बैक को दरकिनार करता है, और व्यवहार के मैनुअल स्कोरिंग के लिए एक पूरक प्रदान करता है।

प्रोटोकॉल को एक सामान्य प्रारूप में लिखने के प्रयास किए गए हैं ताकि यह उजागर किया जा सके कि समग्र प्रक्रिया को विभिन्न ऑपरेंट कंडीशनिंग परीक्षणों के वीडियो के लिए अनुकूलित किया जा सकता है। कुछ प्रमुख अवधारणाओं को समझाने के लिए, 5-चॉइस सीरियल रिएक्शन टाइम टेस्ट (5CSRTT)17 का प्रदर्शन करने वाले चूहों के वीडियो का उपयोग उदाहरण के रूप में किया जाता है।

Subscription Required. Please recommend JoVE to your librarian.

Protocol

पशु अनुसंधान के लिए माल्मो-लुंड एथिकल कमेटी द्वारा पशु हैंडलिंग शामिल सभी प्रक्रियाओं को मंजूरी दी गई है ।

1. वीडियो कैमरा का निर्माण

नोट: कैमरे के निर्माण के लिए आवश्यक घटकों की एक सूची सामग्री की तालिकामें प्रदान की जाती है । इसके अलावा चित्र 1, चित्र 2, चित्र 3, चित्र 4 , चित्र 5 काउल्लेख करें ।

  1. कैमरा स्टैंड(चित्रा 2A)के उद्घाटन के आसपास चुंबकीय धातु की अंगूठी (जो फिशआई लेंस पैकेज के साथ) संलग्न करें। इससे फिशआई लेंस को कैमरे के सामने रखा जा सकेगा।
  2. कैमरा मॉड्यूल को कैमरा स्टैंड(चित्रा 2B)से अटैच करें। यह कैमरा मॉड्यूल को कुछ स्थिरता देगा और इलेक्ट्रॉनिक सर्किट को कुछ सुरक्षा प्रदान करेगा।
  3. कैमरा मॉड्यूल और माइक्रो कंप्यूटर(चित्रा 1)पर कैमरा पोर्ट खोलें धीरे से अपने प्लास्टिक क्लिप(चित्रा 2C)के किनारों पर खींच कर ।
  4. रिबन केबल को कैमरा पोर्ट में रखें, ताकि सिल्वर कनेक्टर्स सर्किट बोर्ड्स(Figure2C)का सामना करें। कैमरा पोर्ट के प्लास्टिक क्लिप में धक्का देकर केबल को जगह-जगह लॉक कर दें।
  5. प्लास्टिक के मामले में माइक्रो कंप्यूटर रखें और सूचीबद्ध माइक्रो एसडी कार्ड(चित्रा 2D)डालें।
    नोट: माइक्रो एसडी कार्ड माइक्रो कंप्यूटर की हार्ड ड्राइव के रूप में कार्य करेगा और इसमें एक पूर्ण ऑपरेटिंग सिस्टम शामिल है। सूचीबद्ध माइक्रो एसडी कार्ड एक इंस्टॉलेशन मैनेजर के साथ आता है जिस पर प्रीइंस्टॉल्ड (न्यू आउट ऑफ बॉक्स सॉफ्टवेयर (NOOBS) आता है । एक विकल्प के रूप में, कोई भी माइक्रो कंप्यूटर के ऑपरेटिंग सिस्टम (रास्पबियन या रासबेरी पीआई ओएस) के नवीनतम संस्करण की छवि जेनेरिक माइक्रो एसडी कार्ड में लिख सकता है। इसके साथ सहायता के लिए, कृपया आधिकारिक वेब संसाधनों का उल्लेख करें18। 32 जीबी स्टोरेज स्पेस के साथ क्लास 10 माइक्रो एसडी कार्ड का इस्तेमाल करना बेहतर है। बड़े एसडी कार्ड सूचीबद्ध माइक्रोकंप्यूटर के साथ पूरी तरह से संगत नहीं हो सकते हैं।
  6. एक मॉनिटर, कीबोर्ड और माउस को माइक्रो कंप्यूटर से कनेक्ट करें, और फिर इसकी बिजली आपूर्ति को कनेक्ट करें।
  7. माइक्रोकंप्यूटर के ऑपरेटिंग सिस्टम (रास्पबियन या रासबेरी पीआई ओएस) की पूर्ण स्थापना करने के लिए इंस्टॉलेशन गाइड द्वारा प्रेरित चरणों का पालन करें। जब माइक्रोकंप्यूटर हटा दिया गया है, तो सुनिश्चित करें कि यह ईथरनेट केबल या वाई-फाई के माध्यम से इंटरनेट से जुड़ा हुआ है।
  8. माइक्रोकंप्यूटर के प्रीइंस्टॉल्ड सॉफ्टवेयर पैकेज को अपडेट करने के लिए नीचे बताए गए चरणों का पालन करें।
    1. एक टर्मिनल विंडोखोलें (चित्रा 3A)।
    2. "सुडो उपयुक्त-अद्यतन प्राप्त करें" (कोटेशन मार्क्स को छोड़कर) टाइप करें और एंटर कुंजी(चित्रा 3B) दबाएं। प्रक्रिया खत्म होने का इंतजार करें।
    3. टाइप करें "sudo उपयुक्त पूर्ण उन्नयन" (कोटेशन अंक को छोड़कर) और प्रेस दर्ज करें । जब प्रेरित किया जाता है और प्रक्रिया समाप्त होने की प्रतीक्षा करें तो बटन प्रतिक्रियाएं करें।
  9. स्टार्ट मेनू के तहत, प्राथमिकताओं और Raspberry Pi विन्यास (चित्रा 3C)का चयन करें । खुली खिड़की में, इंटरफेस टैब पर जाएं और कैमरा और आई2सीको सक्षम करने के लिए क्लिक करें। यह कैमरा और आईआर एलईडी मॉड्यूल के साथ माइक्रो कंप्यूटर काम करने के लिए आवश्यक है।
  10. अनुपूरक फ़ाइल 1 का नाम बदलकर "Pi_video_camera_Clemensson_2019.py" करें। इसे यूएसबी मेमोरी स्टिक पर कॉपी करें, और बाद में माइक्रोकंप्यूटर/होम/पीआई फोल्डर(चित्रा 3डी)में । यह फ़ाइल एक पायथन स्क्रिप्ट है, जो वीडियो रिकॉर्डिंग को बटन स्विच के साथ बनाने में सक्षम बनाती है जो चरण 1.13 में संलग्न हैं।
  11. माइक्रोकंप्यूटर की rc.local फ़ाइल को संपादित करने के लिए नीचे उल्लिखित चरणों का पालन करें । यह कंप्यूटर को चरण 1.10 में कॉपी की गई स्क्रिप्ट शुरू करता है और जब जूते तो चरण 1.13 में संलग्न आईआर एलईडी शुरू करता है।
    सावधानी: यह ऑटो-स्टार्ट सुविधा सूचीबद्ध मॉडल के अलावा माइक्रोकंप्यूटर बोर्डों के साथ मज़बूती से काम नहीं करती है।
    1. एक टर्मिनल विंडो खोलें, "सुडो नैनो/आदि/rc.local" (कोटेशन मार्क्स को छोड़कर) और प्रेस एंटर करें । यह एक टेक्स्ट फाइल(चित्रा 4A) खोलताहै।
    2. "fi" और "निकास 0"(चित्रा 4A)के बीच अंतरिक्ष में कर्सर को नीचे ले जाने के लिए कीबोर्ड के तीर की चाबियों का उपयोग करें।
    3. चित्रा 4Bमें दिखाए गए निम्नलिखित पाठ जोड़ें, एक नई लाइन पर पाठ की प्रत्येक स्ट्रिंग लिखते हुए:
      सुडो आई2सीसेट -वाई 1 0x70 0x00 0xa5 और
      सुडो आई2सीसेट -y 1 0x70 0x09 0x0f और
      सुडो i2cset -y 1 0x70 0x01 0x32 और
      सुडो i2cset -y 1 0x70 0x03 0x32 और
      सुडो i2cset -y 1 0x70 0x06 0x32 और
      सुडो आई2सीसेट -y 1 0x70 0x08 0x32 और
      सुडो अजगर/घर/pi/Pi_video_camera_Clemensson_2019.py &
    4. सीटीआरएल + एक्स दबाकर परिवर्तनों को सहेजें इसके बाद वाई और एंटर करें।
  12. मिलाप एक साथ आवश्यक घटकों के रूप में चित्रा 5Aमें संकेत दिया है, और के रूप में नीचे वर्णित है ।
    1. दो रंगीन एलईडी के लिए, एक प्रतिरोधक और एक पैर के लिए एक महिला जम्पर केबल देते हैं, और दूसरे के लिए एक महिला जम्पर केबल(चित्रा 5A)। केबल को यथासंभव छोटा रखने की कोशिश करें। ध्यान रखें कि एलईडी के इलेक्ट्रोड में से कौन सा नकारात्मक है (आमतौर पर छोटा एक), क्योंकि इसे माइक्रोकंप्यूटर के सामान्य उद्देश्य इनपुट/आउटपुट (GPIO) पिनों पर जमीन से कनेक्ट करने की आवश्यकता है।
    2. दो बटन स्विच के लिए, प्रत्येक पैर(चित्रा 5A)के लिए एक महिला जम्पर केबल संलग्न करें । केबल स्विच में से एक के लिए लंबे समय तक बनाओ, और दूसरे के लिए कम है ।
    3. आईआर एलईडी मॉड्यूल को इकट्ठा करने के लिए, अपने आधिकारिक वेब संसाधनों पर उपलब्ध निर्देशों का पालन करें19।
    4. कंपल्डर जोड़ों को कंपित जोड़ों को सिकुड़ने वाले ट्यूबिंग के साथ कवर करें ताकि घटकों को शॉर्ट-सर्किटिंग के जोखिम को सीमित किया जा सके।
  13. माइक्रो कंप्यूटर को बंद कर दें और स्विच और एलईडी को उसके जीपीआईओ पिन से कनेक्ट करें जैसा कि चित्रा 5Bमें दर्शाया गया है, और नीचे वर्णित है।
    सावधानी: गलत GPIO पिन करने के लिए घटकों तारों उंहें नुकसान और/या माइक्रोकंप्यूटर जब कैमरा चालू है सकता है ।
    1. एक एलईडी कनेक्ट करें ताकि इसका नकारात्मक अंत #14 पिन करने के लिए कनेक्ट हो और इसका सकारात्मक अंत #12 पिन करने के लिए कनेक्ट हो। माइक्रोकंप्यूटर के बूट होने और कैमरा इस्तेमाल करने के लिए तैयार होने पर यह एलईडी चमकेगी।
    2. बटन स्विच को लंबे केबल से कनेक्ट करें ताकि एक केबल #9 को पिन करने के लिए कनेक्ट हो और दूसरा #11 पिन करने के लिए। इस बटन का उपयोग वीडियो रिकॉर्डिंग को शुरू करने और रोकने के लिए किया जाता है।
      नोट: कैमरे को नियंत्रित करने वाली स्क्रिप्ट इसलिए लिखी गई है ताकि वीडियो रिकॉर्डिंग शुरू करने या रोकने के बाद यह बटन कुछ सेकंड के लिए अनुत्तरदायी हो ।
    3. एक एलईडी कनेक्ट करें ताकि इसका नकारात्मक अंत #20 पिन करने के लिए कनेक्ट हो और इसका सकारात्मक अंत #13 पिन करने के लिए कनेक्ट हो। जब कैमरा वीडियो रिकॉर्ड कर रहा होगा तो यह एलईडी चमक जाएगी।
    4. बटन स्विच को शॉर्ट केबल के साथ कनेक्ट करें ताकि एक केबल #37 पिन करने के लिए कनेक्ट हो और दूसरा #39 पिन कर सके। इस स्विच का इस्तेमाल कैमरा स्विच ऑफ करने के लिए किया जाता है।
    5. आईआर एलईडी मॉड्यूल को अपने आधिकारिक वेब संसाधनों में वर्णित19से जोड़ें ।

2. ब्याज के ऑपरेस्ट कंडीशनिंग प्रोटोकॉल को डिजाइन करना

नोट: ऑपरेंट कक्षों से रिकॉर्ड किए गए वीडियो में प्रोटोकॉल प्रगति को ट्रैक करने के लिए DeepLabCut का उपयोग करने के लिए, व्यवहार प्रोटोकॉल को विशिष्ट तरीकों से संरचित करने की आवश्यकता है, जैसा कि नीचे बताया गया है।

  1. प्रोटोकॉल में एक विशिष्ट चरण (जैसे व्यक्तिगत परीक्षणों की शुरुआत, या परीक्षण सत्र)(चित्रा 6A)के संकेतक के रूप में चैंबर के घर प्रकाश, या एक और मजबूत प्रकाश संकेत का उपयोग करने के लिए प्रोटोकॉल सेट करें। इस संकेत को इस प्रोटोकॉल के शेष में "प्रोटोकॉल स्टेप इंडिकेटर" के रूप में संदर्भित किया जाएगा। इस सिग्नल की उपस्थिति रिकॉर्ड किए गए वीडियो में ट्रैकिंग प्रोटोकॉल प्रगति की अनुमति देगी।
  2. प्रोटोकॉल स्टेप इंडिकेटर सक्रिय होने के संबंध में व्यक्तिगत टाइमस्टैंप के साथ ब्याज की सभी प्रतिक्रियाओं को रिकॉर्ड करने के लिए प्रोटोकॉल सेट करें।

3. ब्याज के व्यवहार परीक्षण प्रदर्शन जानवरों के वीडियो रिकॉर्डिंग

  1. कैमरा को ऑपरेंट कक्षों के शीर्ष पर रखें, ताकि यह अंदर के क्षेत्र(चित्रा 7)का एक शीर्ष दृश्य रिकॉर्ड करे।
    नोट: यह कक्ष के अंदर एक जानवरों की सामान्य स्थिति और मुद्रा पर कब्जा करने के लिए विशेष रूप से उपयुक्त है। कैमरे की इंडिकेटर लाइट्स और आईआर एलईडी मॉड्यूल को कैमरा लेंस के करीब रखने से बचें।
  2. बिजली आपूर्ति केबल के माध्यम से एक बिजली के आउटलेट से कनेक्ट करके कैमरे शुरू करें।
    नोट: पहले उपयोग से पहले, कैमरा मॉड्यूल के साथ छोटे उपकरण का उपयोग करके कैमरे का ध्यान केंद्रित करना फायदेमंद है।
  3. वीडियो रिकॉर्डिंग शुरू करने और रोकने के लिए चरण 1.13.2 में जुड़े बटन का उपयोग करें।
  4. इन चरणों का पालन करके कैमरा बंद कर दें।
    1. स्टेप 1.13.4 में कनेक्टेड बटन को पुश और होल्ड करें जब तक कि स्टेप 1.13.1 में कनेक्टेड एलईडी स्विच ऑफ न हो। यह कैमरे की बंद प्रक्रिया शुरू करता है।
    2. माइक्रोकंप्यूटर(चित्रा 1)के शीर्ष पर दिखाई देने वाली हरी एलईडी चमचमाती हुई होने तक प्रतीक्षा करें।
    3. कैमरे की बिजली आपूर्ति हटा दें।
      सावधानी: बिजली की आपूर्ति अनप्लगिंग जबकि माइक्रो कंप्यूटर अभी भी चल रहा है माइक्रो एसडी कार्ड पर डेटा के भ्रष्टाचार का कारण बन सकता है ।
  5. कैमरे को एक मॉनिटर, कीबोर्ड, माउस और यूएसबी स्टोरेज डिवाइस से कनेक्ट करें और अपने डेस्कटॉप से वीडियो फ़ाइलों को पुनः प्राप्त करें।
    नोट: जब वीडियो रिकॉर्डिंग शुरू की गई थी, तब की तारीख और समय के अनुसार फाइलों का नाम लिया जाता है। हालांकि, माइक्रो कंप्यूटर में आंतरिक घड़ी नहीं होती है और इंटरनेट से कनेक्ट होने पर केवल अपनी समय सेटिंग को अपडेट करता है।
  6. रिकॉर्ड किए गए वीडियो को .h264 से बदलें । MP4, के रूप में बाद DeepLabCut और सबसे मीडिया खिलाड़ियों के साथ अच्छी तरह से काम करता है ।
    नोट: इसे हासिल करने के कई तरीके हैं। एक अनुपूरक फाइल 2में वर्णित है ।

4. DeepLabCut के साथ वीडियो का विश्लेषण

नोट: DeepLabCut एक सॉफ्टवेयर पैकेज है जो उपयोगकर्ताओं को वीडियो फ्रेम के एक सेट में रुचि के किसी भी ऑब्जेक्ट को परिभाषित करने की अनुमति देता है, और बाद में इनका उपयोग पूर्ण लंबाई वाले वीडियो15,,16में वस्तुओं की स्थिति को ट्रैक करने में तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए करते हैं। यह अनुभाग प्रोटोकॉल स्टेप इंडिकेटर की स्थिति और चूहे के सिर की स्थिति को ट्रैक करने के लिए DeepLabCut का उपयोग करने के लिए एक मोटा रूपरेखा देता है। दीपलाबकट की स्थापना और उपयोग अन्य प्रकाशित प्रोटोकॉल15, 16,में अच्छीतरहसे वर्णित है। प्रत्येक चरण विशिष्ट पायथन कमांड या दीपलाबकट के ग्राफिक यूजर इंटरफेस के माध्यम से किया जा सकता है, जैसा कि कहीं और15,,16वर्णित है।

  1. 16में उल्लिखित कदमों का पालन करके एक नई दीपलाबकट परियोजना बनाएं और कॉन्फ़िगर करें ।
  2. धारा 3 में दर्ज एक या अधिक वीडियो से 700\u2012900 वीडियो फ्रेम निकालने के लिए DeepLabCut के फ्रेम हथियाने फ़ंक्शन का उपयोग करें।
    नोट: यदि जानवर फर पिगमेंटेशन या अन्य दृश्य विशेषताओं में काफी भिन्न होते हैं, तो यह सलाह दी जाती है कि 700\u2012900 निकाले गए वीडियो फ्रेम विभिन्न जानवरों के वीडियो में विभाजित हैं। इसके जरिए अलग-अलग व्यक्तियों को ट्रैक करने के लिए एक-एक प्रशिक्षित नेटवर्क का इस्तेमाल किया जा सकता है।
    1. प्रोटोकॉल स्टेप इंडिकेटर के सक्रिय(चित्रा 8ए)और निष्क्रिय(चित्रा 8B)राज्य दोनों को प्रदर्शित करने वाले वीडियो फ्रेम शामिल करना सुनिश्चित करें।
    2. परीक्षण के दौरान चूहा दिखाने वाले विभिन्न पदों, मुद्राओं और सिर आंदोलनों की सीमा को कवर करने वाले वीडियो फ्रेम शामिल करना सुनिश्चित करें। इसमें वीडियो फ्रेम शामिल होने चाहिए जहां चूहा अभी भी कक्ष के विभिन्न क्षेत्रों में खड़ा है, इसके सिर के साथ विभिन्न दिशाओं में इशारा करते हुए, साथ ही वीडियो फ्रेम जहां चूहा सक्रिय रूप से आगे बढ़ रहा है, नाक प्रहार के उद्घाटन में प्रवेश करना और गोली गर्त में प्रवेश करना।
  3. चरण 4.2 में निकाले गए प्रत्येक वीडियो फ्रेम में चूहे के सिर की स्थिति को मैन्युअल रूप से चिह्नित करने के लिए दीपलाबकट के लेबलिंग टूलबॉक्स का उपयोग करें। चूहे के कानों(चित्र 8ए, बी)के बीच एक केंद्रीय स्थिति में "सिर" लेबल रखने के लिए माउस कर्सर का उपयोग करें। इसके अलावा, प्रत्येक वीडियो फ्रेम में चैंबर के हाउस लाइट (या अन्य प्रोटोकॉल स्टेप इंडिकेटर) की स्थिति को चिह्नित करें जहां यह सक्रिय रूप से चमक रहा है(चित्र 8 ए)। घर को फ्रेम में अवेलेबल छोड़ दें जहां यह निष्क्रिय है(चित्रा 8B)।
  4. कदम 4.3 में लेबल किए गए वीडियो फ्रेम से सेट एक प्रशिक्षण डेटा बनाने और तंत्रिका नेटवर्क का प्रशिक्षण शुरू करने के लिए DeepLabCut के "प्रशिक्षण डेटा सेट बनाएं" और "ट्रेन नेटवर्क" कार्यों का उपयोग करें। चुने हुए नेटवर्क प्रकार के लिए "resnet_101" का चयन करना सुनिश्चित करें।
  5. नेटवर्क के प्रशिक्षण को रोकें जब प्रशिक्षण हानि 0.01 से नीचे स्थिर हो गई है। इससे 500,000 प्रशिक्षण पुनरावृत्तियों तक लग सकते हैं।
    नोट: लगभग 8 जीबी मेमोरी के साथ जीपीयू मशीन और लगभग 900 वीडियो फ्रेम (रिज़ॉल्यूशन: 1640 x 1232 पिक्सल) के प्रशिक्षण सेट का उपयोग करते समय, प्रशिक्षण प्रक्रिया लगभग 72 घंटे लेने के लिए पाई गई है।
  6. चरण 4.4 में प्रशिक्षित तंत्रिका नेटवर्क का उपयोग करके, चरण 3 में इकट्ठे हुए वीडियो का विश्लेषण करने के लिए DeepLabCut के वीडियो विश्लेषण फ़ंक्शन का उपयोग करें। यह एक .csv फ़ाइल चूहे के सिर की ट्रैक पदों और विश्लेषण वीडियो के प्रत्येक वीडियो फ्रेम में प्रोटोकॉल कदम संकेतक लिस्टिंग प्रदान करेगा । इसके अलावा, यह चिह्नित वीडियो फ़ाइलें बनाएगा जहां ट्रैक की गई स्थिति नेत्रहीन प्रदर्शित की जाती है(वीडियो 1-8)।8
  7. नीचे उल्लिखित चरणों का पालन करके ट्रैकिंग की सटीकता का मूल्यांकन करें।
    1. नेटवर्क की ट्रैकिंग सटीकता का स्वचालित मूल्यांकन प्राप्त करने के लिए दीपलाबकट के अंतर्निहित मूल्यांकन फ़ंक्शन का उपयोग करें। यह उन वीडियो फ्रेम पर आधारित है जिन्हें चरण 4.3 में लेबल किया गया था और यह बताता है कि नेटवर्क द्वारा ट्रैक की गई स्थिति मैन्युअल रूप से रखे गए लेबल से कितनी दूर है।
    2. चरण 4.6 में प्राप्त चिह्नित वीडियो में एक या अधिक संक्षिप्त वीडियो दृश्यों (लगभग 100\u2012200 वीडियो फ्रेम प्रत्येक) का चयन करें। वीडियो दृश्यों के माध्यम से जाओ, फ्रेम द्वारा फ्रेम, और कितने फ्रेम लेबल सही ढंग से चूहे के सिर, पूंछ, आदि की स्थिति का संकेत में ध्यान दें, और कितने फ्रेम में लेबल गलत पदों में रखा जाता है या नहीं दिखाया ।
      1. यदि शरीर के किसी अंग या वस्तु का लेबल अक्सर खो जाता है या गलत स्थिति में रखा जाता है, तो उन स्थितियों की पहचान करें जहां ट्रैकिंग विफल हो जाती है। चरण 4.2 दोहराकर इन अवसरों के लेबल किए गए फ्रेम निकालें और जोड़ें। और 4.3. फिर नेटवर्क को फिर से प्रशिक्षित करें और चरण 4.4-4.7 दोहराकर वीडियो का पुनर्विशेषना करें। अंततः, 90% सटीकता की ट्रैकिंग सटीकता प्राप्त की जानी चाहिए।

5. ऑपरेस्ट कक्षों में रुचि के बिंदुओं के लिए निर्देशांक प्राप्त करना

  1. एक ही वीडियो फ्रेम(चित्रा 8C)में ऑपरेंट कक्षों (जैसे नाक प्रहार उद्घाटन, लीवर, आदि) में रुचि के बिंदुओं को मैन्युअल रूप से चिह्नित करने के लिए कदम 4.3 में वर्णित DeepLabCut का उपयोग करें। इन्हें अध्ययन-विशिष्ट हितों के आधार पर मैन्युअल रूप से चुना जाता है, हालांकि प्रोटोकॉल स्टेप इंडिकेटर की स्थिति को हमेशा शामिल किया जाना चाहिए।
  2. .csv फ़ाइल से ब्याज के चिह्नित बिंदुओं के निर्देशांक को पुनः प्राप्त करें जो दीपलाबकट परियोजना फ़ोल्डर में "लेबल किए गए डेटा" के तहत स्वचालित रूप से स्टोर करता है।

6. उन वीडियो सेगमेंट की पहचान करना जहां प्रोटोकॉल स्टेप इंडिकेटर सक्रिय है

  1. चॉइस के डेटा मैनेजमेंट सॉफ्टवेयर में कदम 4.6 में DeepLabCut वीडियो विश्लेषण से प्राप्त .csv फाइलों को लोड करें।
    नोट: DeepLabCut और ऑपरेंट कंडीशनिंग सिस्टम से प्राप्त डेटा की मात्रा और जटिलता के कारण, डेटा प्रबंधन स्वचालित विश्लेषण लिपियों के माध्यम से सबसे अच्छा किया जाता है। इसके साथ शुरू करने के लिए, कृपया20, 21,,22अन्य जगहों पर उपलब्ध प्रवेश स्तर केगाइडोंकाउल्लेख करें।
  2. ध्यान दें कि किस वीडियो सेगमेंट में प्रोटोकॉल स्टेप इंडिकेटर को सेक्शन 5 में प्राप्त स्थिति के 60 पिक्सल के भीतर ट्रैक किया जाता है। ये वे अवधि होगी जहां प्रोटोकॉल स्टेप इंडिकेटर सक्रिय है(चित्रा 6B)।
    नोट: वीडियो सेगमेंट के दौरान जहां प्रोटोकॉल स्टेप इंडिकेटर चमक नहीं रहा है, चिह्नित वीडियो यह इंगित कर सकता है कि DeepLabCut इसे किसी भी स्थिति में ट्रैक नहीं कर रहा है। हालांकि, यह शायद ही कभी मामला है, और इसके बजाय आम तौर पर कई बिखरे हुए स्थानों पर ट्रैक किया जाता है।
  3. प्रत्येक अवधि के लिए सटीक प्रारंभिक बिंदु निकालें जहां प्रोटोकॉल चरण संकेतक सक्रिय है(चित्र 6सी: 1)।

7. ब्याज के वीडियो सेगमेंट की पहचान करना

  1. उन बिंदुओं पर विचार करें जहां प्रोटोकॉल स्टेप इंडिकेटर सक्रिय हो जाता है(चित्र 6 सी:1) और ऑपरेंट चैम्बर्स (सेक्शन 2, चित्रा 6C: 2)द्वारा दर्ज प्रतिक्रियाओं के टाइमस्टैंप।
  2. यह निर्धारित करने के लिए इस जानकारी का उपयोग करें कि कौन से वीडियो सेगमेंट विशिष्ट दिलचस्प घटनाओं को कवर करते हैं, जैसे अंतर-परीक्षण अंतराल, प्रतिक्रियाएं, इनाम पुनः प्राप्ति आदि(चित्रा 6 सी:3, चित्रा 6D)।
    नोट: इसके लिए, ध्यान रखें कि कैमरा यहां वर्णित 30 एफपीएस पर वीडियो रिकॉर्ड करता है।
  3. रुचि की इन घटनाओं को कवर करने वाले विशिष्ट वीडियो फ्रेम पर ध्यान दें।
  4. (वैकल्पिक) केवल रुचि के विशिष्ट खंडों को शामिल करने के लिए पूर्ण परीक्षण सत्रों की वीडियो फ़ाइलों को संपादित करें।
    नोट: इसे हासिल करने के कई तरीके हैं। एक का वर्णन अनुपूरक फाइल 2 और 3में किया गया है . यह बड़ी संख्या में वीडियो संग्रहीत करते समय बहुत मदद करता है और परिणामों की समीक्षा और पेश करने में भी अधिक सुविधाजनक बना सकता है।

8. विशिष्ट वीडियो खंडों के दौरान किसी जानवर की स्थिति और आंदोलनों का विश्लेषण करना

  1. सबसेट चरण 4.6 में DeepLabCut से प्राप्त सिर की स्थिति का पूरा ट्रैकिंग डेटा केवल धारा 7 के तहत नोट किए गए वीडियो सेगमेंट शामिल करने के लिए।
  2. धारा 5(चित्रा 8 सी)के तहत चयनित संदर्भ बिंदुओं में से एक या अधिक के संबंध में जानवर के सिर की स्थिति की गणना करें। यह विभिन्न वीडियो में ट्रैकिंग और स्थिति की तुलना में सक्षम बनाता है।
  3. जानवर की स्थिति और आंदोलनों का प्रासंगिक गहन विश्लेषण करें।
    नोट: किया विशिष्ट विश्लेषण दृढ़ता से अध्ययन विशिष्ट होगा । मापदंडों के कुछ उदाहरण जिनका विश्लेषण किया जा सकता है, नीचे दिए गए हैं।
    1. एक ग्राफ के भीतर एक चयनित अवधि के दौरान पता लगाया सभी निर्देशांक की साजिश रचने के द्वारा पथ निशान कल्पना।
    2. निम्नलिखित सूत्र का उपयोग करके ब्याज के किसी दिए गए बिंदु से निकटता का विश्लेषण करें:
      Equation 1
    3. लगातार फ्रेम में ट्रैक किए गए निर्देशांक के बीच की दूरी की गणना करके आंदोलन के दौरान गति में परिवर्तन का विश्लेषण करें और कैमरे के 1/एफपीएस द्वारा विभाजित करें।

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

वीडियो कैमरा प्रदर्शन

प्रतिनिधि परिणाम 28.5 सेमी x 25.5 सेमी के फर्श क्षेत्रों के साथ चूहों के लिए ऑपरेंट कंडीशनिंग कक्षों में इकट्ठे हुए थे, और 28.5 सेमी की ऊंचाई। फिशआई लेंस के साथ, कैमरा पूरी मंजिल क्षेत्र और आसपास की दीवारों के बड़े हिस्से को कैप्चर करता है, जब चैंबर(चित्रा 7A)के ऊपर रखा जाता है। जैसे, एक अच्छा दृश्य प्राप्त किया जा सकता है, भले ही कैमरे को चैंबर के शीर्ष पर ऑफ-सेंटर रखा गया हो। यह तुलनीय ओपेरा कक्षों के लिए सही रखना चाहिए । आईआर एलईडी पूरे कक्ष(चित्रा 7बी, सी)को रोशन करने में सक्षम हैं, जो एक अच्छा दृश्य को सक्षम करते हैं, भले ही कक्ष के अंदर अन्य सभी रोशनी बंद हो(चित्रा 7C)। हालांकि, ऐसी स्थितियों में प्रकाश व्यवस्था पूरी तरह से भी नहीं है, और सटीक ट्रैकिंग प्राप्त करने में कुछ कठिनाइयों में परिणाम हो सकता है। यदि इस तरह के विश्लेषण ब्याज की है, आईआर रोशनी के अतिरिक्त स्रोतों की आवश्यकता हो सकती है । यह भी देखने लायक है कि कुछ कक्षों मूत्र और मल इकट्ठा करने के लिए धातु छोड़ने धूपदान का उपयोग करें । यदि कैमरा सीधे ऐसी सतहों के ऊपर रखा जाता है, तो आईआर एलईडी की रोशनी के मजबूत प्रतिबिंब रिकॉर्ड किए गए वीडियो(चित्रा 7B)में दिखाई देंगे। हालांकि, इसे छोड़ने वाले पैन में पेपर टॉवेल रखकर, एक बहुत बेहतर छवि(चित्रा 7C)देकर बचा जा सकता है। कैमरे के आईआर या रंगीन एलईडी को कैमरा लेंस के बहुत करीब रखने के परिणामस्वरूप उन्हें छवि परिधि(चित्रा 7B)में दिखाई दे सकता है। चूंकि कैमरा आईआर संवेदनशील है, इसलिए कक्षों के अंदर मौजूद कोई भी आईआर प्रकाश स्रोत वीडियो में दिखाई दे सकता है। कई सेटअप के लिए, इसमें आईआर बीम ब्रेक सेंसर(चित्रा 7C)की निरंतर चमक शामिल होगी। कैमरे के आईआर एलईडी से निरंतर रोशनी अच्छी तरह से जलाई गई कक्षों(चित्रा 7डी)की छवि गुणवत्ता को परेशान नहीं करती है। कैमरे के साथ रिकॉर्ड किए गए वीडियो का आकार लगभग 77 एमबी/मिनट है । अगर कैमरे के लिए 32 जीबी माइक्रो एसडी कार्ड का इस्तेमाल किया जाता है तो ऑपरेटिंग सिस्टम लगाने के बाद करीब 20 जीबी उपलब्ध होना चाहिए। यह लगभग 260 मिनट दर्ज फुटेज के लिए कमरा छोड़ देता है।

फिशआई लेंस कैमरे का कारण बनता है कि थोड़ा असमान फोकस होता है, छवि के केंद्र में तेज होता है लेकिन किनारों की ओर तीखापन कम हो जाता है। यह ट्रैकिंग की सटीकता को प्रभावित करने के लिए प्रकट नहीं होता है। इसके अलावा, फिशआई लेंस के परिणामस्वरूप रिकॉर्ड की गई छवि विकृत हो जाती है। उदाहरण के लिए, सीधी रेखाओं के साथ समान रूप से दूरी वाले बिंदुओं के बीच की दूरी छवि की परिधि(चित्रा 9ए, बी)की ओर कृत्रिम रूप से कम अंतर दिखाएगी। यदि कैमरे का उपयोग उन अनुप्रयोगों के लिए किया जाता है जहां अधिकांश दृश्य क्षेत्र या दूरी और गति के पूर्ण माप रुचि के होते हैं, तो इस विरूपण23 (अनुपूरक फ़ाइल 4)के लिए डेटा को सही करने पर विचार करना लायक है। विरूपण, हालांकि, छवि के केंद्र में अपेक्षाकृत हल्के है(चित्रा 9B)। हमारे ऑपरेंट चैंबर में इकट्ठे हुए वीडियो के लिए, ब्याज का क्षेत्र कैमरे के देखने के क्षेत्र के केंद्रीय 25% तक सीमित है। इस क्षेत्र के भीतर, फिशआई विरूपण का प्रभाव न्यूनतम है(चित्रा 9सी\u2012F)।

दीपलाबकट के साथ ट्रैकिंग की सटीकता

मुख्य कारक जो एक प्रशिक्षित नेटवर्क की ट्रैकिंग सटीकता निर्धारित करेंगे (i) अपने प्रशिक्षण डेटा सेट में लेबल किए गए फ्रेम की संख्या है, (ii) उन लेबल वाले फ्रेम ब्याज के व्यवहार को कितनी अच्छी तरह कैप्चर करते हैं और (iii) प्रशिक्षण पुनरावृत्तियों की संख्या का उपयोग किया जाता है। DeepLabCut में एक मूल्यांकन फ़ंक्शन शामिल है, जो इस अनुमान की रिपोर्ट करता है कि किसी वस्तु के वास्तविक स्थान से इसकी ट्रैकिंग कितनी दूर (पिक्सल की संख्या में) होने की उम्मीद की जा सकती है। हालांकि, यह जरूरी नहीं कि फ्रेम की संख्या का एक अच्छा विवरण देता है जहां एक वस्तु खो जाती है और/या गलत लेबल(चित्रा 10A),ट्रैकिंग सटीकता के अतिरिक्त मैनुअल मूल्यांकन की आवश्यकता का संकेत देता है ।

एक ओपेरा कक्ष के अंदर व्यवहार का विश्लेषण करने के लिए, एक अच्छी तरह से प्रशिक्षित नेटवर्क को उन सभी घटनाओं की सटीक पहचान की अनुमति नी चाहिए जहां प्रोटोकॉल स्टेप इंडिकेटर सक्रिय है। यदि नहीं, तो नेटवर्क को फिर से प्रशिक्षित करना या एक अलग संकेतक चुनने की आवश्यकता हो सकती है। एक अच्छी तरह से प्रशिक्षित नेटवर्क होने के बावजूद, प्रोटोकॉल स्टेप इंडिकेटर की ट्रैकिंग मौके पर कैमरे के दृश्य(चित्रा 10B)को अवरुद्ध करने वाले जानवरों द्वारा बाधित हो सकती है। यह ट्रैकिंग में ब्रेक का कारण बनेगा जो एपिसोड की याद ताजा करता है जहां संकेतक निष्क्रिय है। यह हो रहा की आवृत्ति पशु तनाव, व्यवहार प्रोटोकॉल के प्रकार और प्रोटोकॉल कदम संकेतक की पसंद पर निर्भर करेगा । यहां उपयोग किए जाने वाले 5CSRTT के उदाहरण डेटा में, यह 400 परीक्षणों में से चार पर हुआ (डेटा नहीं दिखाया गया)। सभी अवसरों को आसानी से पहचाना जा सकता था, क्योंकि उनकी अवधि प्रोटोकॉल डिजाइन(चित्रा 6A)में शामिल किए गए ब्रेक स्टेप से मेल नहीं खाती थी। अंततः, एक संकेतक है कि उच्च कक्ष में रखा जाता है और घटकों से दूर है कि जानवरों के साथ बातचीत का चयन करने के लिए उपयोगी होने की संभावना है ।

एक अच्छी तरह से प्रशिक्षित नेटवर्क और अधिक की अनुमति 90% सटीकता जब ब्याज के वीडियो खंडों के दौरान एक जानवर के सिर पर नज़र रखने चाहिए(वीडियो 1)। इसके साथ, केवल वीडियो फ्रेम के एक छोटे सबसेट को बाद के विश्लेषण से बाहर रखने की आवश्यकता होगी और उपयोग करने योग्य ट्रैकिंग डेटा परीक्षण सत्र के भीतर लगभग सभी परीक्षणों से प्राप्य होगा। सटीक ट्रैकिंग अपने आंदोलनों(वीडियो 2)और साजिश रची रास्तों चिकनी(चित्रा 10C)में एक जानवर के बाद मार्कर द्वारा स्पष्ट रूप से पहचाना जाता है । इसके विपरीत, गलत ट्रैकिंग मार्कर मज़बूती से लक्ष्य(वीडियो 3)पर नहीं रहने और साजिश रची रास्तों द्वारा दांतेदार(चित्रा 10D)प्रदर्शित होने की विशेषता है । उत्तरार्द्ध सटीक ट्रैकिंग के दृश्यों के भीतर एकल वीडियो फ्रेम में दूर की गलत स्थितियों के लिए ट्रैक की जा रही वस्तु के कारण होता है। इसके परिणामस्वरूप, गलत ट्रैकिंग आमतौर पर गणना आंदोलन गति(चित्रा 10E)में अचानक बदलाव का कारण बनती है। इसका उपयोग वीडियो फ़्रेम की पहचान करने के लिए किया जा सकता है जहां ट्रैकिंग गलत है, उन्हें बाद के विश्लेषण से बाहर करने के लिए। यदि ट्रैकिंग सटीकता के साथ पर्याप्त समस्याएं हैं, तो उन अवसरों की पहचान की जानी चाहिए जहां ट्रैकिंग विफल हो जाती है और नेटवर्क को इन घटनाओं के लेबल वाले वीडियो फ्रेम(चित्रा 10ए, ई)वाले विस्तारित प्रशिक्षण सेट का उपयोग करके फिर से प्रशिक्षित किया जाना चाहिए।

ऑपरेंट व्यवहार के विश्लेषण के पूरक के लिए वीडियो ट्रैकिंग का उपयोग

विश्लेषण कैसे एक जानवर चलता है और खुद को ओपेरा परीक्षणों के दौरान पदों उनके व्यवहार के जटिल और बहुमुखी प्रकृति में कई अंतर्दृष्टि प्रदान करेगा । ट्रैकिंग करके जहां एक जानवर एक परीक्षण सत्र में स्थित है, एक का आकलन कर सकते है कैसे अलग आंदोलन पैटर्न प्रदर्शन से संबंधित(चित्रा 11ए, बी)। विशिष्ट प्रोटोकॉल चरणों के दौरान सिर आंदोलनों की आगे जांच करके, कोई भी विभिन्न रणनीतियों(चित्रा 11सी\u2012E)के उपयोग का पता लगा सकता है और उसके उपयोग की विशेषता है।

उदाहरण देने के लिए, 5CSRTT परीक्षण(चित्रा 6A, चित्रा 11)प्रदर्शन चूहों के लिए प्रस्तुत प्रतिनिधि डेटा पर विचार करें। इस परीक्षण में, जानवरों को कई परीक्षणों के साथ प्रस्तुत किया जाता है जो प्रत्येक 5 एस प्रतीक्षा चरण (इंटर-ट्रायल इंटरवल - आईटीआई)(चित्र 6 ए: 1) केसाथ शुरू होते हैं। इसके अंत में, नाक के पोक उद्घाटन में से एक के अंदर एक प्रकाश चमकेगा (प्रत्येक परीक्षण पर बेतरतीब ढंग से चुनी गई स्थिति, चित्रा 6A:2)। क्यूड खोलने में नाक-पोकिंग को एक सही प्रतिक्रिया माना जाता है और इसे पुरस्कृत किया जाता है(चित्रा 6A:3)। एक और खोलने में जवाब गलत माना जाता है । प्रकाश की प्रस्तुति के बाद 5 एस के भीतर जवाब देने में विफल रहने को एक चूक माना जाता है। इस परीक्षण के आईटीआई के दौरान सिर आंदोलनों पर नज़र रखने से पता चला है कि परीक्षणों पर जहां चूहे प्रतिक्रिया करते हैं, वे नाक प्रहार उद्घाटन(चित्रा 11ए, बी, वीडियो 4)के आसपास के क्षेत्र की ओर बढ़ने में तेजी से कर रहे हैं । इसके विपरीत, अधिकांश चूक परीक्षणों पर, चूहे उद्घाटन के आसपास के क्षेत्र से संपर्क करने में विफल रहते हैं(चित्रा 11B, वीडियो 5)। यह व्यवहार3,16परीक्षण करने के लिए कम प्रेरणा से निकटता से संबंधित चूक की सामान्य व्याख्या के अनुरूप है । हालांकि, चूक परीक्षणों (वर्तमान डेटा सेट का लगभग 20%) के सबसेट पर, चूहों ने उद्घाटन(चित्रा 11B, वीडियो 6)की ओर स्पष्ट ध्यान दिखाया, लेकिन cued खोलने के सटीक स्थान को नोट करने में विफल रहा। इस प्रकार के आंकड़ों से संकेत मिलता है कि कम से कम दो अलग-अलग प्रकार की चूक होती है, एक चल रहे परीक्षण में संभावित वैराग्य से संबंधित है, और दूसरा जो अपर्याप्त विसुस्पाटिकल ध्यान3पर अधिक निर्भर है। हेड ट्रैकिंग का उपयोग स्पष्ट रणनीतियों को अलग करने के लिए भी किया जा सकता है। एक उदाहरण के रूप में, 5CSRTT(चित्रा 11C\u2012E)के दौरान नाक प्रहार के उद्घाटन के निकट होने पर चूहों के कदम का विश्लेषण करते समय दो अलग-अलग ध्यान देने योग्य रणनीतियों का विश्लेषण करते समय पता चला। पहली रणनीति में, चूहों ने एक अत्यंत केंद्रित दृष्टिकोण दिखाया, जो आईटीआई(चित्रा 11C, वीडियो 7)के अधिकांश भर में एक केंद्रीय स्थिति को बनाए रखता है। इसके विपरीत, दूसरी रणनीति को अपनाने वाले चूहों ने लगातार खोज जैसे तरीके से विभिन्न उद्घाटनों के बीच अपना सिर चलाया(चित्रा 11D, वीडियो 8)। विभिन्न उद्घाटन(चित्रा 11E)के निकट आने वाले समय की गणना करके इस प्रकार के व्यवहार मतभेदों को आसानी से निर्धारित किया जा सकता है। अंत में, क्यू लाइट प्रेजेंटेशन(चित्रा 11F)के समय चूहे को खोलने का विश्लेषण करके, यह प्रदर्शित किया जा सकता है कि एक केंद्रीय स्थिति(चित्रा 11G)और/या क्यूड खोलने के स्थान के करीब निकटता में जा रहा है(चित्रा 11H)परीक्षण पर सटीक प्रदर्शन के लिए फायदेमंद लगता है ।

Figure 1
चित्रा 1: सूचीबद्ध माइक्रोकंप्यूटर का स्केच। योजनाबद्ध माइक्रोकंप्यूटर मदरबोर्ड पर ब्याज के कई घटकों की स्थिति को दर्शाता है। ये इस प्रकार की परिक्रमा की संख्या के साथ चिह्नित कर रहे हैं: 1: कैमरा रिबन केबल के लिए कनेक्टर; 2: एलईडी प्रकाश का संकेत है जब कंप्यूटर चल रहा है; 3: पावर केबल के लिए माइक्रो यूएसबी; 4: माउस के लिए माइक्रो यूएसबी/ 5: जनरल-पर्पज इनपुट/आउटपुट पिन (जीपीआईओ पिन), इन पिनों का उपयोग माइक्रोकंप्यूटर को एलईडी, स्विच और आईआर एलईडी मॉड्यूल से जोड़ने के लिए किया जाता है; 6: मिनी एचडीएमआई आउटपुट; 7: माइक्रो एसडी कार्ड स्लॉट। आकृति के निचले हिस्से में, जीपीआईओ पिन के एक फसली और बढ़े हुए हिस्से को यह इंगित करने के लिए दिखाया गया है कि एक विशिष्ट पिन की स्थिति को सही ढंग से पहचानने के लिए उनके साथ कैसे भरोसा किया जाए। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 2
चित्रा 2: कैमरे के मुख्य शरीर का निर्माण। आंकड़ों में कैमरे के शरीर के निर्माण के लिए मुख्य कदम सचित्र । (A)कैमरा स्टैंड पर मैग्नेटिक मेटल रिंग अटैच करें। (ख)कैमरा स्टैंड पर कैमरा मॉड्यूल अटैच करें। (ग)फ्लैट रिबन केबल के माध्यम से कैमरा मॉड्यूल को माइक्रोकंप्यूटर से कनेक्ट करें। माइक्रोकंप्यूटर और कैमरा मॉड्यूल दोनों पर मौजूद कैमरा पोर्ट को खोलने और बंद करने का संकेत देने वाले सफेद तीरों पर ध्यान दें। (घ)माइक्रो कंप्यूटर को प्लास्टिक केसिंग में रखें और माइक्रो एसडी कार्ड डालें। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 3
चित्र 3: माइक्रोकंप्यूटर के ऑपरेटिंग सिस्टम को अपडेट करना और परिधीय को सक्षम करना। यह आंकड़ा माइक्रोकंप्यूटर के यूजर इंटरफेस को दर्शाते हुए चार अलग-अलग स्क्रीनशॉट दिखाता है। (A)स्क्रीन के टॉप लेफ्ट कॉर्नर में "टर्मिनल" आइकन पर क्लिक करके टर्मिनल विंडो खोली जा सकती है। (ख)टर्मिनल के भीतर, कोई भी प्रोटोकॉल पाठ में विस्तृत रूप से विभिन्न प्रकार के आदेशों में टाइप कर सकता है। स्क्रीनशॉट सिस्टम के सॉफ्टवेयर पैकेज को अपडेट करने के लिए कमांड प्रदर्शित करता है। (ग)स्क्रीनशॉट प्रदर्शित करता है कि कॉन्फ़िगरेशन मेनू में कैसे नेविगेट किया जाता है, जहां कोई कैमरा मॉड्यूल और आई2सी जीपीआईओ पिन के उपयोग को सक्षम कर सकता है। (घ)स्क्रीनशॉट में/होम/पीआई फोल्डर प्रदर्शित किया गया है, जहां कैमरा स्क्रिप्ट को प्रोटोकॉल के चरण १.१० में कॉपी किया जाना चाहिए । स्क्रीन के शीर्ष बाएं कोने में इंगित आइकन पर क्लिक करके खिड़की खोली जाती है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 4
चित्रा 4: माइक्रोकंप्यूटर की rc.local फ़ाइल को कॉन्फ़िगर करना। यह आंकड़ा माइक्रोकंप्यूटर की rc.local फ़ाइल के दो स्क्रीनशॉट प्रदर्शित करता है, जब टर्मिनल के माध्यम से एक्सेस किया जाता है जैसा कि चरण 1.11.1 में वर्णित है। (A)अपने मूल प्रारूप में rc.local फ़ाइल का स्क्रीनशॉट । तीर उस स्थान को इंगित करता है जहां कैमरे की ऑटो-स्टार्ट सुविधा को सक्षम करने के लिए पाठ को दर्ज करने की आवश्यकता होती है। (ख)आईआर एलईडी को चमकाने और माइक्रोकंप्यूटर के स्टार्टअप पर कैमरे को नियंत्रित करने वाली अजगर स्क्रिप्ट शुरू करने के बाद इसे संपादित करने के बाद आरसी.लोकल फाइल का स्क्रीनशॉट । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 5
चित्रा 5: स्विच और एलईडी को माइक्रोकंप्यूटर के जीपीआईओ पिन से जोड़ना। (ए)योजनाबद्ध महिला जम्पर केबल (ऊपर) और प्रतिरोधक और महिला जम्पर केबल (नीचे) के साथ एक एलईडी के साथ एक बटन स्विच दिखा रहा है । (1) बटन स्विच, (2) महिला जम्पर केबल, (3) एलईडी, (4) प्रतिरोधक । (ख)योजनाबद्ध छवि दिखा रही है कि कैसे दो बटन स्विच, रंगीन एलईडी और आईआर एलईडी बोर्ड माइक्रोकंप्यूटर के GPIO पिन से जुड़े हुए हैं । ब्लू केबल और GPIO पिन जमीन से संकेत मिलता है । दो GPIO पिन की स्थिति आंकड़ा (GPIO पिन #2 और #40 में इंगित कर रहे हैं): (1) वीडियो रिकॉर्डिंग शुरू करने/रोकने के लिए बटन । (2) एलईडी जब वीडियो रिकॉर्ड किया जा रहा है संकेत । (3) कैमरा बंद करने के लिए बटन। (4) एलईडी यह दर्शाता है कि कैमरा कब हटा दिया गया है और उपयोग करने के लिए तैयार है। (5) आईआर एलईडी मॉड्यूल। ध्यान रहे कि एलईडी वाले सर्किट में 330 ω प्रतिरोधी भी होते हैं। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 6
चित्र 6: पूर्ण लंबाई वाले वीडियो में रुचि के दृश्यों की पहचान करने के लिए प्रोटोकॉल स्टेप इंडिकेटर की DeepLabCut ट्रैकिंग का उपयोग करना। (ए)5 विकल्प सीरियल रिएक्शन टाइम टेस्ट (5CSRTT) में एक ही ट्रायल के स्टेप्स की योजनाबद्ध: (1) सबसे पहले, एक संक्षिप्त प्रतीक्षा अवधि (आईटीआई) है । तीर एक सक्रिय रूप से चमकते घर की रोशनी को इंगित करता है। (2) आईटीआई के अंत में, एक प्रकाश पांच नाक प्रहार उद्घाटन (तीर) में से एक में चमक जाएगा । (3) यदि एक चूहा cued खोलने में नाक प्रहार करके सही प्रतिक्रिया करता है, तो एक इनाम दिया जाता है (तीर)। (4) चूहे को इनाम पुनः प्राप्त करने की अनुमति है। (5) एक प्रोटोकॉल चरण संकेतक के रूप में घर के प्रकाश के उपयोग को सक्षम करने के लिए, एक संक्षिप्त ठहराव कदम जहां घर की रोशनी बंद कर दी जाती है (तीर) अगले परीक्षण शुरू होने से पहले लागू किया जाता है। ध्यान दें कि परीक्षण के बाद के चरणों के दौरान घर की रोशनी चमक रही है। (ख)5CSRTT परीक्षण के एक वीडियो सेगमेंट के दौरान, DeepLabCut द्वारा ट्रैक किए गए सक्रिय हाउस लाइट के एक्स-समन्वय को दर्शाते हुए एक उदाहरण ग्राफ। उन खंडों के दौरान जहां घर की रोशनी चमक रही है (संकेतक सक्रिय - 1), स्थिति को एक सुसंगत और स्थिर बिंदु पर ट्रैक किया जाता है (उदाहरण वीडियो फ्रेम में लाल मार्कर (तीर द्वारा इंगित) पर भी ध्यान दें, चित्रा 8C (एक्स, वाई: 163, 503) में घर की रोशनी की स्थिति के बराबर। उन खंडों के दौरान जहां घर की रोशनी चमकती नहीं है (संकेतक निष्क्रिय - 2, उदाहरण वीडियो फ्रेम में सफेद तीर पर ध्यान दें), ट्रैक की स्थिति स्थिर नहीं है, और घर के प्रकाश के वास्तविक समन्वय से बहुत दूर है। (ग)तालिका 1 प्रोटोकॉल स्टेप इंडिकेटर की दीपलाकट ट्रैकिंग से प्राप्त प्रसंस्कृत आउटपुट का एक उदाहरण दिखाती है। इस आउटपुट में, प्रत्येक अवसर के लिए प्रारंभिक बिंदु जहां संकेतक सक्रिय है सूचीबद्ध किया गया है। तालिका 2 में ऑपरेंट कंडीशनिंग सिस्टम से प्राप्त डेटा का एक उदाहरण दर्शाया गया है, जिसमें व्यक्तिगत परीक्षणों के लिए प्रासंगिक विवरण दिए गए हैं। इस उदाहरण में, आईटीआई की अवधि, क्यूड खोलने की स्थिति और प्रतिक्रिया करने और इनाम को पुनः प्राप्त करने के लिए विलंबता दर्ज की गई है। तालिका 3 में DeepLabCut से ट्रैकिंग परिणामों और ऑपरेंट कंडीशनिंग सिस्टम से दर्ज डेटा को मिलाकर प्राप्त डेटा का एक उदाहरण दर्शाया गया है। इसके जरिए आईटीआई के शुरुआती प्वाइंट (स्टेप 1 इन ए), क्यू लाइट प्रेजेंटेशन (स्टेप 2 इन ए), रिस्पॉन्स (स्टेप 3 इन ए) और रिवील (स्टेप 4 इन ए) के लिए एक उदाहरण ट्रायल के लिए वीडियो फ्रेम हासिल किए गए हैं। (घ)एक उदाहरण ग्राफ जो घर की रोशनी के एक्स-समन्वय को दर्शाता है, जैसा कि DeepLabCut द्वारा ट्रैक किया गया है, एक फिल्माया गया 5CSRTT परीक्षण के दौरान । प्रोटोकॉल के विभिन्न चरणों को इंगित किया गया है: (1) आईटीआई; (2) क्यू लाइट (सफेद तीर द्वारा इंगित स्थिति) की प्रस्तुति; (3) प्रतिक्रिया; (4) इनाम पुनर्प्राप्ति। इन विभिन्न प्रोटोकॉल चरणों की शुरुआत और स्टॉप को दर्शाते हुए वीडियो फ्रेम की पहचान डी में दर्शाई गई प्रक्रिया के बराबर प्रक्रिया के माध्यम से की गई थी । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 7
चित्रा 7: कैमरे की छवि विशेषताएं। (क)ऑपरेंट कंडीशनिंग चैंबर के ऊपर रखे कैमरे से प्राप्त अनक्रोटेड इमेज। छवि पर कब्जा कर लिया गया था, जबकि चैंबर एक चमकीले जलाया कमरे में रखा गया था । ध्यान दें (1) घर प्रकाश और (2) चैंबर की बाईं दीवार के साथ इनाम गोली गर्त और (3) चैंबर की दाहिनी दीवार के साथ पांच नाक प्रहार उद्घाटन की पंक्ति । प्रत्येक नाक प्रहार खोलने में एक छोटा सा क्यू प्रकाश होता है। (ख)धातु छोड़ने वाले पैन के कारण मजबूत प्रतिबिंब को प्रदर्शित करने वाली अनक्रॉप्ड छवि, साथ ही कैमरे के (2) संकेतक एलईडी और (3) आईआर एलईडी मॉड्यूल की उप-इष्टतम स्थिति के कारण प्रतिबिंब । (ग)पूरी तरह अंधेरे में चैंबर की फसली छवि । ध्यान दें कि चैंबर की दाहिनी दीवार के साथ पांच नाक प्रहार उद्घाटन में आईआर बीम ब्रेक डिटेक्टरों से रोशनी स्पष्ट रूप से दिखाई दे रहे है (तीर) । (घ)चमकीले जलाए जाने पर चैंबर की फसली छवि। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 8
चित्रा 8: प्रोटोकॉल स्टेप इंडिकेटर और ब्याज के शरीर के अंगों की स्थितीय ट्रैकिंग। (क)तस्वीर एक प्रोटोकॉल स्टेप इंडिकेटर (लाल) के साथ-साथ चूहे के सिर (पीले) और पूंछ (हरे) की स्थिति को दर्शाती है, जैसा कि DeepLabCut द्वारा ट्रैक किया गया है । जैसा कि जलाया घर प्रकाश की ट्रैकिंग से संकेत मिलता है, वीडियो फ्रेम एक सक्रिय परीक्षण के एक स्नैपशॉट से लिया जाता है । (ख)यह तस्वीर सिर (पीला) और पूंछ (हरा) की स्थिति को दिखाती है जैसा कि एक पल के दौरान DeepLabCut द्वारा ट्रैक किया गया था जब कोई परीक्षण सक्रिय नहीं होता है । ध्यान दें कि हाउस लाइट ट्रैकिंग की कमी है। (ग)अंक 6 और चित्रा 11 में दिखाए गए आंकड़ों के विश्लेषण में उपयोग किए जाने वाले ब्याज के बिंदुओं कीस्थिति ; (1) हाउस लाइट, इस मामले में प्रोटोकॉल स्टेप इंडिकेटर के रूप में उपयोग किया जाता है, (2\u20126) नाक पोक उद्घाटन #1 \ u20125 । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 9
चित्रा 9: फिशआई लेंस से छवि विरूपण। (A)इस प्रोटोकॉल में वर्णित कैमरे के साथ लिए गए समान आकार और दूरी वाले काले और सफेद वर्गों के साथ एक चेकर-बोर्ड पैटर्न की छवि । ऑपरेंट कंडीशनिंग कक्षों से वीडियो रिकॉर्ड करते समय उपयोग की जाने वाली ऊंचाई पर छवि ली गई थी। केंद्रीय क्षैतिज और ऊर्ध्वाधर रेखाओं के साथ काले वर्गों को दीपलाबकट के साथ चिह्नित किया गया है। (ख)ग्राफ यह दर्शाता है कि छवि केंद्र से निकटता के साथ चिह्नित वर्गों की रिक्ति कैसे बदलती है । (ग)ऑपरेंट कक्षों से एकत्र किए गए वीडियो पर फिशआई विरूपण प्रभाव के प्रभाव का मूल्यांकन करने के लिए ली गई माप को दर्शाती छवि । फर्श क्षेत्र के किनारे के साथ कोनों और मिडपॉइंट्स, प्रत्येक व्यक्ति फर्श की सीढ़ी की केंद्रीय स्थिति और पांच नाक प्रहार उद्घाटन की स्थिति को DeepLabCut (रंगीन डॉट्स) के साथ इंगित किया गया है; (1) फर्श की छड़ों की रिक्ति, (2) कक्ष के बीच में कक्ष तल की चौड़ाई, (3) नाक प्रहार के उद्घाटन की रिक्ति। (घ)फर्श पायदान की अंतर (लगातार तीन पायदान के प्रत्येक सेट के लिए औसत), बाएं से दाएं (सी) में गिने जाते हैं । फिशआई विरूपण का एक छोटा सा प्रभाव है, जिसके परिणामस्वरूप केंद्रीय पायदान लगभग 3 पिक्सल (8%) कक्ष तल के किनारों पर तैनात छड़ों से आगे। (ई)कक्ष तल की चौड़ाई (सी) में अपने बाएं और दाएं किनारों पर मापा, साथ ही मध्य बिंदु । फिशआई विरूपण का एक छोटा सा प्रभाव है, जिसके परिणामस्वरूप मध्य बिंदु पर मापा जाने वाला चौड़ाई लगभग 29 पिक्सल (5%) अन्य मापों की तुलना में अधिक समय तक। (एफ)नाक प्रहार के उद्घाटन की रिक्ति (सी), छवि के ऊपर से गिने । फिशआई विरूपण का एक छोटा सा प्रभाव है, जिसके परिणामस्वरूप केंद्रीय तीन उद्घाटन (H2, H3, H5) के बीच अंतर लगभग 5 पिक्सल (4%) H1-H2 और H4-H5 के बीच रिक्ति से व्यापक । डी-एफ के लिए, डेटा चार वीडियो और रेखांकन से एकत्र किए गए थे जो समूह का मतलब + मानक त्रुटि को दर्शाते हैं। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 10
चित्रा 10: DeepLabCut ट्रैकिंग की सटीकता की समीक्षा करना। (क)ऑपरेंट कक्षों के भीतर चूहों को ट्रैक करने के लिए प्रशिक्षित दो तंत्रिका नेटवर्कों के लिए प्रशिक्षण की जानकारी सूचीबद्ध करने वाली एक तालिका । नेटवर्क #1 एक छोटे प्रशिक्षण डेटा सेट का इस्तेमाल किया है, लेकिन नेटवर्क #2 की तुलना में प्रशिक्षण पुनरावृत्तियों की उच्च संख्या । दोनों नेटवर्कों ने DeepLabCut के मूल्यांकन समारोह (डीएलसी परीक्षण त्रुटि) से कम त्रुटि स्कोर हासिल किया और प्रशिक्षण के अंत में कम प्रशिक्षण हानि प्रदर्शित की। इसके बावजूद, नेटवर्क #1 ने चिह्नित वीडियो फ्रेम के मैनुअल मूल्यांकन पर बहुत खराब ट्रैकिंग सटीकता दिखाई (मापी गई सटीकता, 150 वीडियो फ्रेम से अनुमानित वीडियो 2 और वीडियो 3में उन लोगों के बराबर वीडियो सेगमेंट को कवर करता है)। नेटवर्क #2 नेटवर्क #1 के बेहतर संस्करण का प्रतिनिधित्व करता है, के बाद सक्रिय रूप से प्रशिक्षण डेटा सेट में चूहों चलती के अतिरिक्त वीडियो फ्रेम शामिल है, के रूप में (ई) में वर्णित है । (ख)एक चूहे को पालने और उसके सिर के साथ चैंबर के घर प्रकाश(चित्रा 7A)को कवर करने वाली छवि, इसकी ट्रैकिंग में खलल डालती है । (ग)वीडियो फ्रेम एक 5CSRTT परीक्षण के दौरान किए गए एक प्रतिक्रिया पर कब्जा(चित्रा 6A:3) । प्रतिक्रिया और पूर्ववर्ती आईटीआई के दौरान सिर के आंदोलन पथ पीले रंग में छवि पर आरोपित किया गया है । ट्रैकिंग को सटीक माना जाता है। आंदोलनों (सफेद तीर) के दौरान चिकनी ट्रैकिंग पर ध्यान दें। एक इसी वीडियो वीडियो 2के रूप में उपलब्ध है । ट्रैकिंग के लिए नेटवर्क #2 (देखें ए) का उपयोग किया गया था। (D)वीडियो फ्रेम एक 5CSRTT परीक्षण के दौरान किए गए एक प्रतिक्रिया पर कब्जा(चित्रा 6A:3) । प्रतिक्रिया और पूर्ववर्ती आईटीआई के दौरान सिर के आंदोलन पथ पीले रंग में छवि पर आरोपित किया गया है । डेटा (सी) में दिखाए गए समान परीक्षण से संबंधित है लेकिन नेटवर्क #1 (ए देखें) के साथ विश्लेषण किया गया है। ट्रैकिंग को गलत माना जाता है। कई सीधी रेखाओं (सफेद तीर) के साथ पथ की दांतेदार उपस्थिति पर ध्यान दें, जो सिर की कभी-कभी ट्रैकिंग से दूर की गलत स्थितियों (काले तीर) के कारण होता है। एक इसी वीडियो वीडियो 3के रूप में उपलब्ध है । (ई)ग्राफ (सी) और (डी) में सिर ट्रैकिंग की गति गति में गतिशील परिवर्तन को दर्शाती है । ग्राफ में पहचाने जाने योग्य वीडियो 2 और 3 में देखे जाने वाले तीन प्रमुख आंदोलन हैं, जहां चूहा पहले नाक प्रहार के उद्घाटन (प्रारंभिक मोड़) का सामनाकरने के लिए बदल जाता है, उन्हें आगे (समायोजन) दृष्टिकोण करने के लिए एक छोटा सा समायोजन करता है, और अंत में एक प्रतिक्रिया करता है। नेटवर्क #2 (ए) द्वारा प्राप्त अच्छी ट्रैकिंग के लिए गति प्रोफ़ाइल आंदोलन की गति (नीले तीर) में परिवर्तन के चिकनी घटता प्रदर्शित करता है, जो एक सटीक ट्रैकिंग का संकेत देता है। नेटवर्क #1 (ए) द्वारा प्राप्त खराब ट्रैकिंग के लिए गति प्रोफ़ाइल आंदोलन की गति (लाल तीर) में कई अचानक स्पाइक्स दिखाती है जो एकल वीडियो फ्रेम में सामयिक ट्रैकिंग त्रुटियों का संकेत देती है। यह देखने लायक है कि ये ट्रैकिंग समस्याएं विशेष रूप से आंदोलनों के दौरान होती हैं। इसे सुधारने के लिए, नेटवर्क #1 को प्रशिक्षित करने के लिए उपयोग किए जाने वाले प्रारंभिक प्रशिक्षण सेट का विस्तार बड़ी मात्रा में वीडियो फ्रेम के साथ किया गया था जिसमें सक्रिय रूप से चलने वाले चूहों को दर्शाया गया था। यह बाद में नेटवर्क #2 है, जो कुशलता से इस ट्रैकिंग मुद्दे को हटा ट्रेन के लिए इस्तेमाल किया गया था । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 11
चित्रा 11: ऑपरेशनल कंडीशनिंग परीक्षणों के व्यवहार विश्लेषण के पूरक के लिए DeepLabCut के माध्यम से स्थितीय ट्रैकिंग का उपयोग करें। (एक) एक ऑपरेंट कंडीशनिंग चैंबर के अंदर का एक शीर्ष दृश्य। चैंबर के तीन क्षेत्र बताए गए हैं। इनाम गोली गर्त (गोली), केंद्रीय चैंबर क्षेत्र (केंद्र) और नाक प्रहार उद्घाटन (उद्घाटन) के आसपास के क्षेत्र के करीब क्षेत्र । (बी) 5CSRTT के आईटीआई चरण के दौरान (ए) में उल्लिखित ऑपरेंट चैंबर के तीन विभिन्न क्षेत्रों में चूहों के खर्च के सापेक्ष राशि को दर्शाता एक ग्राफ। ध्यान दें कि एक प्रतिक्रिया के साथ परीक्षणों पर, चूहों शुरू में गोली गर्त (काले) और चैंबर केंद्र (ग्रे) के करीब तैनात हो जाते हैं, लेकिन आईटीआई की प्रगति के रूप में, वे खुद को नाक प्रहार उद्घाटन (सफेद) के आसपास स्थिति की ओर बदलाव । इसके विपरीत, ठेठ चूक परीक्षणों पर, चूहे पैलेट गर्त और कक्ष केंद्र के आसपास तैनात रहते हैं। चूक परीक्षणों के सबसेट पर (लगभग 20%) चूहों स्पष्ट रूप से नाक प्रहार उद्घाटन की ओर अपना ध्यान केंद्रित बदलाव, लेकिन अभी भी एक प्रतिक्रिया प्रदर्शन करने में विफल जब प्रेरित किया । समय के दो तरह के ANOVA विश्लेषण नाक प्रहार उद्घाटन के आसपास खर्च के बीच के रूप में परीक्षण प्रकार का उपयोग कर विषय कारक और समय के रूप में भीतर विषय कारक महत्वपूर्ण समय पता चलता है (पी < 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. (सी) 5CSRTT परीक्षण सत्र के 50 आईटीआई के दौरान एक विशिष्ट चूहे द्वारा नाक प्रहार उद्घाटन के निकट ट्रैक किए गए सभी प्रमुख पदों को प्रदर्शित करने वाला हीट मैप। ध्यान दें कि चूहे में केंद्रीय नाक पोक खोलने के करीब एक स्थान पर अपना सिर रखने की प्रबल प्रवृत्ति होती है। (D) 5-CSRTT परीक्षण सत्र के 50 आईटीआई के दौरान एक विशिष्ट चूहे द्वारा नाक प्रहार उद्घाटन के निकट ट्रैक किए गए सभी प्रमुख पदों को प्रदर्शित करने वाला हीट मैप। ध्यान दें कि चूहा किसी भी विशिष्ट उद्घाटन के लिए कोई स्पष्ट वरीयता नहीं दिखाता है। (ई) ग्राफ समय की सापेक्ष राशि है कि दो चूहों में प्रदर्शित (सी) और (डी) खर्च 5CSRTT के ५० आईटीआई के दौरान अलग नाक प्रहार उद्घाटन के निकटतम जा रहा है । एक केंद्रित रणनीति (सी) (काला) प्रदर्शित चूहा केंद्रीय उद्घाटन के निकटतम होने के लिए एक मजबूत वरीयता दिखाता है जबकि खोज जैसी रणनीति (डी) (सफेद) के साथ चूहा किसी विशेष उद्घाटन के लिए कोई वरीयता नहीं दिखाता है। ग्राफ में औसत + मानक त्रुटि को दर्शाया गया है। (F) 5CSRTT परीक्षण पर क्यू प्रस्तुति के समय चूहे की एक छवि (चित्रा 6A). ध्यान दें कि चूहे ने अपने सिर को केंद्रीय उद्घाटन (सफेद तीर) के निकटतम स्थान दिया है, जो क्यूड खोलने (काला तीर) से दो उद्घाटन दूर हैं। (जी) 5CSRTT पर प्रदर्शन सटीकता का चित्रण एक ग्राफ (यानी, सही प्रतिक्रियाओं प्रदर्शन की आवृत्ति) के संबंध में कि चूहों के सिर केंद्रीय उद्घाटन या क्यू प्रस्तुति के समय अंय उद्घाटन में से एक के निकटतम था (चित्रा 6A2). डेटा चार जानवरों से इकट्ठा लगभग ७० प्रतिक्रियाओं प्रत्येक प्रदर्शन । ग्राफ प्रदर्शित करता है समूह मतलब + मानक त्रुटि (मिलान टी परीक्षण: पी < 0.05). (एच) एक ग्राफ संकेत प्रस्तुति के बिंदु पर, cued खोलने की स्थिति और एक चूहे के सिर की स्थिति के बीच की दूरी के संबंध में 5CSRTT पर प्रदर्शन सटीकता चित्रण । यह दूरी चूहों के सिर की स्थिति और सिग्नल्ड उद्घाटन की स्थिति के बीच उद्घाटन की संख्या से संबंधित है। डेटा चार जानवरों से इकट्ठा लगभग ७० प्रतिक्रियाओं प्रत्येक प्रदर्शन । ग्राफ प्रदर्शित करता है मतलब + मानक त्रुटि (मिलान एक तरह से ANOVA: पी < 0.01). For the presented analysis, Network #2 described in चित्रा 10ए इस्तेमाल किया गया था। पूर्ण विश्लेषण डेटा सेट में लगभग 160,000 वीडियो फ्रेम और 400 परीक्षण शामिल थे। इनमें से, 2.5% वीडियो फ्रेम जानवरों की विख्यात आंदोलन गति 3,000 पिक्सल/एस से ऊपर होने के कारण बाहर रखा गया था, जो गलत ट्रैकिंग का संकेत देता है (चित्रा 10E). कोई पूर्ण परीक्षण नहीं किया गया । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

वीडियो 1: अच्छी तरह से प्रशिक्षित तंत्रिका नेटवर्क के प्रतिनिधि ट्रैकिंग प्रदर्शन। वीडियो एक 5CSRTT परीक्षण सत्र के दौरान सही प्रतिक्रियाओं के साथ ४५ परीक्षणों प्रदर्शन चूहे का एक असेंबल से पता चलता है (प्रोटोकॉल विवरण के लिए चित्रा 6A देखें) । वीडियो में घर की लाइट (लाल मार्कर), टेल बेस (ग्रीन मार्कर) और हेड (ब्लू मार्कर) की ट्रैकिंग बताई गई है। नेटवर्क के प्रशिक्षण (चित्रा 10Aमें नेटवर्क #2) नाक प्रहार उद्घाटन (सही दीवार, चित्रा 7A)के निकटता में चैंबर मंजिल के साथ किए गए आंदोलनों के लिए सटीकता पर बल दिया । इन खंडों की ट्रैकिंग औसतन और 90% सटीकता दिखाती है। पालन और संवारने के एपिसोड की ट्रैकिंग गलत है, क्योंकि प्रशिक्षण सेट में इन व्यवहारों के फ्रेम शामिल नहीं थे। ध्यान दें कि वीडियो फ़ाइल आकार को कम करने के लिए संकुचित किया गया है और कैमरे के साथ प्राप्त वीडियो गुणवत्ता का प्रतिनिधित्व नहीं है। कृपया इस वीडियो को डाउनलोड करने के लिए यहां क्लिक करें ।

वीडियो 2: सही ढंग से ट्रैक किए गए जानवर का उदाहरण। वीडियो 5CSRTT के दौरान एक सही प्रतिक्रिया प्रदर्शन एक चूहे का एक भी अच्छी तरह से ट्रैक परीक्षण से पता चलता है । वीडियो में घर की लाइट (लाल मार्कर), टेल बेस (ग्रीन मार्कर) और हेड (ब्लू मार्कर) की ट्रैकिंग बताई गई है। चित्रा 10ए में वर्णित तंत्रिका नेटवर्क #2 का उपयोग ट्रैकिंग के लिए किया गया था। ध्यान दें कि मार्कर जानवर की गतिविधियों का सही पालन कैसे करते हैं। इसके अलावा इस वीडियो क्लिप में सिर ट्रैकिंग के लिए प्लॉट पथ और आंदोलन की गति के लिए चित्रा 10सी, ई का उल्लेख है। कृपया इस वीडियो को डाउनलोड करने के लिए यहां क्लिक करें ।

वीडियो 3: खराब ट्रैक किए गए जानवर का उदाहरण। वीडियो 5CSRTT के दौरान एक सही प्रतिक्रिया प्रदर्शन एक चूहे का एक भी खराब ट्रैक परीक्षण से पता चलता है । वीडियो में घर की लाइट (लाल मार्कर), टेल बेस (ग्रीन मार्कर) और हेड (ब्लू मार्कर) की ट्रैकिंग बताई गई है। चित्रा 10 ए में वर्णित तंत्रिका नेटवर्क #1 का उपयोग ट्रैकिंग के लिए किया गया था। वीडियो क्लिप वीडियो 2में इस्तेमाल की गई एक ही है । ध्यान दें कि सिर के लिए मार्कर मज़बूती से चूहे के सिर के शीर्ष पर नहीं रखा गया है। इसके अलावा इस वीडियो क्लिप में सिर ट्रैकिंग के लिए प्लॉट पथ और आंदोलन की गति के लिए चित्रा 10डी, ई का उल्लेख है। कृपया इस वीडियो को डाउनलोड करने के लिए यहां क्लिक करें ।

वीडियो 4: प्रतिक्रिया के साथ 5CSRTT परीक्षण के दौरान किए गए आंदोलनों का उदाहरण। वीडियो 5-CSRTT के दौरान एक सही प्रतिक्रिया प्रदर्शन एक चूहे का एक भी अच्छी तरह से ट्रैक परीक्षण से पता चलता है । वीडियो में घर की लाइट (लाल मार्कर), टेल बेस (ग्रीन मार्कर) और हेड (ब्लू मार्कर) की ट्रैकिंग बताई गई है। ध्यान दें कि पहली बार में चूहा गोली के पात्र (बाएं दीवार, चित्रा 7A)के लिए स्पष्ट निकटता में तैनात है और फिर नाक प्रहार उद्घाटन की पंक्ति पर अपना ध्यान केंद्रित करने के लिए आगे बढ़ता है। कृपया इस वीडियो को डाउनलोड करने के लिए यहां क्लिक करें ।

वीडियो 5: 5CSRTT के दौरान एक विशिष्ट चूक परीक्षण का उदाहरण। वीडियो 5CSRTT के दौरान एक ठेठ चूक प्रदर्शन एक चूहे का एक भी अच्छी तरह से ट्रैक परीक्षण से पता चलता है । वीडियो में घर की लाइट (लाल मार्कर), टेल बेस (ग्रीन मार्कर) और हेड (ब्लू मार्कर) की ट्रैकिंग बताई गई है। ध्यान दें कि चूहा गोली के पात्र (बाएं दीवार, चित्रा 7A)और चैंबर केंद्र के आसपास अपनी स्थिति को कैसे बनाए रखता है, बजाय नाक प्रहार उद्घाटन (दाएं दीवार, चित्रा 7A)का सामना करने के लिए चारों ओर मोड़ । प्रदर्शित व्यवहार और चूक के कारण परीक्षण प्रदर्शन में कम रुचि को प्रतिबिंबित करने के लिए तर्क दिया जा सकता है । कृपया इस वीडियो को डाउनलोड करने के लिए यहां क्लिक करें ।

वीडियो 6: 5CSRTT के दौरान एक असामान्य चूक परीक्षण का उदाहरण। वीडियो 5CSRTT के दौरान एक असामान्य चूक प्रदर्शन एक चूहे का एक भी अच्छी तरह से ट्रैक परीक्षण से पता चलता है । वीडियो में घर की लाइट (लाल मार्कर), टेल बेस (ग्रीन मार्कर) और हेड (ब्लू मार्कर) की ट्रैकिंग बताई गई है। ध्यान दें कि कैसे चूहा ही नाक की ओर पदों चैंबर की सही दीवार के साथ उद्घाटन प्रहार(चित्रा 7A)। यह इंगित करने के लिए तर्क दिया जा सकता है कि जानवर परीक्षण करने में रुचि रखता है। हालांकि, चूहा cued खोलने (केंद्रीय स्थिति) से दूर चेहरे जब क्यू प्रस्तुत किया जाता है (क्लिप में 5 एस) । वीडियो 4में प्रदर्शित चूक के विपरीत, यहां देखा गया एक उप-इष्टतम विसुस्पाटियल ध्यान प्रक्रियाओं से संबंधित होने की संभावना है। कृपया इस वीडियो को डाउनलोड करने के लिए यहां क्लिक करें ।

वीडियो 7: 5CSRTT के आईटीआई के दौरान एक केंद्रित केंद्रीय स्थिति को बनाए रखने वाले जानवर का उदाहरण। वीडियो 5CSRTT के एक परीक्षण पर एक सही प्रतिक्रिया प्रदर्शन एक चूहे का एक भी अच्छी तरह से ट्रैक परीक्षण से पता चलता है । ध्यान दें कि चूहा आईटीआई के दौरान एक केंद्रीय स्थिति को कैसे बनाए रखता है, अपने सिर को केंद्रीय नाक के निकटता में स्थिर रखता है जो कक्षों की दाईं दीवार(चित्रा 7A)के साथ खोलने के लिए है। वीडियो में घर की लाइट (लाल मार्कर), टेल बेस (ग्रीन मार्कर) और हेड (ब्लू मार्कर) की ट्रैकिंग बताई गई है। कृपया इस वीडियो को डाउनलोड करने के लिए यहां क्लिक करें ।

वीडियो 8: 5CSRTT के आईटीआई के दौरान खोज जैसी ध्यान देने योग्य रणनीति प्रदर्शित करने वाले जानवर का उदाहरण। वीडियो 5CSRTT के एक परीक्षण पर एक सही प्रतिक्रिया प्रदर्शन एक चूहे का एक भी अच्छी तरह से ट्रैक परीक्षण से पता चलता है । ध्यान दें कि चूहा अक्सर कक्ष की दाईं दीवार(चित्रा 7A)के साथ विभिन्न नाक प्रहार उद्घाटन का सामना करने के लिए अपने सिर को कैसे फिर से स्थान देता है। वीडियो में घर की लाइट (लाल मार्कर), टेल बेस (ग्रीन मार्कर) और हेड (ब्लू मार्कर) की ट्रैकिंग बताई गई है। कृपया इस वीडियो को डाउनलोड करने के लिए यहां क्लिक करें ।

Subscription Required. Please recommend JoVE to your librarian.

Discussion

यह प्रोटोकॉल एक सस्ती और लचीला वीडियो कैमरा बनाने का वर्णन करता है जिसका उपयोग ऑपरेंट कंडीशनिंग कक्षों और अन्य व्यवहार परीक्षण सेटअप से वीडियो रिकॉर्ड करने के लिए किया जा सकता है। यह आगे दर्शाता है कि इन वीडियो के भीतर एक मजबूत प्रकाश संकेत को ट्रैक करने के लिए DeepLabCut का उपयोग कैसे किया जाए, और इसका उपयोग पूर्ण परीक्षण सत्रों को कवर करने वाली वीडियो फ़ाइलों में रुचि के संक्षिप्त वीडियो खंडों की पहचान करने में सहायता करने के लिए कैसे किया जा सकता है। अंत में, यह बताता है कि ऑपरेंट कंडीशनिंग परीक्षणों के दौरान व्यवहार के विश्लेषण के पूरक के लिए चूहे के सिर की ट्रैकिंग का उपयोग कैसे किया जाए।

प्रोटोकॉल ऑपरेंट कंडीशनिंग कक्षों के लिए व्यावसायिक रूप से उपलब्ध वीडियो रिकॉर्डिंग समाधानों का विकल्प प्रस्तुत करता है। जैसा कि उल्लेख किया गया है, इनका प्रमुख लाभ यह है कि वे ओपेरा कक्षों के साथ एकीकृत होते हैं, जिससे विशिष्ट घटनाओं की वीडियो रिकॉर्डिंग सक्षम होती है। इस प्रोटोकॉल में वर्णित ब्याज के वीडियो खंडों की पहचान करने के लिए दृष्टिकोण विशिष्ट घटनाओं को रिकॉर्ड करने के लिए पूरी तरह से एकीकृत प्रणाली का उपयोग करने की तुलना में अधिक श्रमसाध्य और समय लेने वाला है। हालांकि, यह काफी सस्ता है (6 ऑपरेंट कक्षों के लिए वीडियो निगरानी उपकरणों के लिए हाल ही में लागत अनुमान लगभग 13,000 अमरीकी डॉलर के लिए निर्धारित किया गया था। इसकी तुलना में, यहां सूचीबद्ध कैमरों में से छह का निर्माण लगभग 720 अमरीकी 10 अमेरिकी डॉलर खर्च होगा)। इसके अलावा, कैमरों का उपयोग कई अन्य व्यवहार परीक्षण सेटअप के लिए किया जा सकता है। कैमरे के साथ काम करते समय, उजागर इलेक्ट्रॉनिक्स (कैमरा घटक के पीछे के साथ-साथ आईआर एलईडी घटक) के क्षेत्रों के प्रति सचेत रहना महत्वपूर्ण है, ताकि वे तरल पदार्थों के संपर्क में न आएं। इसके अलावा, एलईडी को जोड़ने वाले माइक्रोकंप्यूटर और केबल से कैमरा मॉड्यूल संलग्न करने वाला रिबन केबल ढीला आ सकता है और यदि कैमरा अक्सर चारों ओर ले जाया जाता है तो जीपीआईओ पिनों में स्विच ढीला आ सकता है। इस प्रकार, कैमरा मामले के डिजाइन को समायोजित करना कुछ अनुप्रयोगों के लिए फायदेमंद हो सकता है।

रुचि के वीडियो खंडों की पहचान करने और पशु आंदोलनों को ट्रैक करने के लिए DeepLabCut का उपयोग मैनुअल वीडियो विश्लेषण के लिए एक पूरक और/या विकल्प प्रदान करता है । जबकि पूर्व बाद अमान्य नहीं करता है, हमने पाया है कि यह ऑपरेंट कक्षों के अंदर आंदोलनों और व्यवहार का विश्लेषण करने का एक सुविधाजनक तरीका प्रदान करता है। विशेष रूप से, यह जानवर का स्थितीय डेटा प्रदान करता है, जिसमें आम तौर पर मैनुअल स्कोरिंग के माध्यम से निकाले जाने वाले से अधिक विस्तृत जानकारी होती है (यानी, गुणात्मक स्थितीय जानकारी की तुलना में वास्तविक निर्देशांक जैसे "सामने", "अगले" आदि)।

प्रोटोकॉल चरण संकेतक का चयन करते समय, एक का चयन करना महत्वपूर्ण है जो लगातार व्यवहार प्रोटोकॉल के दिए गए कदम को इंगित करता है, और यह जानवर द्वारा अवरुद्ध होने की संभावना नहीं है। यदि उत्तरार्द्ध समस्याग्रस्त है, तो कोई भी ओपेरा कक्ष के बाहर दीपक रखने और कक्ष की दीवारों के माध्यम से इसे फिल्माने पर विचार कर सकता है। कई ऑपरेंट कंडीशनिंग कक्ष मॉड्यूलर हैं और उपयोगकर्ताओं को स्वतंत्र रूप से रोशनी, सेंसर और अन्य घटकों को स्थानांतरित करने की अनुमति देते हैं। यह ध्यान दिया जाना चाहिए कि अन्य सॉफ्टवेयर पैकेज भी हैं जो उपयोगकर्ताओं को वीडियो24, 25,,26में उपयोगकर्ता-परिभाषित वस्तुओं को पहचानने और ट्रैक करने में तंत्रिका नेटवर्क को प्रशिक्षित करनेकीअनुमतिदेतेहैं। इनकी संभावना वर्तमान प्रोटोकॉल में DeepLabCut के विकल्प के रूप में इस्तेमाल किया जा सकता है।

प्रोटोकॉल में वर्णन किया गया है कि ऑपरेंट कक्षों के अंदर आंदोलनों को मापने के लिए चूहों के सिर के मध्य भाग को कैसे ट्रैक किया जाए। चूंकि DeepLabCut शरीर के अंगों या रुचि की वस्तुओं का चयन करने में पूर्ण स्वतंत्रता प्रदान करता है, इसलिए इसे अध्ययन-विशिष्ट हितों को फिट करने के लिए सुविधा के साथ संशोधित किया जा सकता है। यहां वर्णित ट्रैकिंग का एक प्राकृतिक विस्तार चूहों के कानों और नाक की स्थिति को भी ट्रैक करना है, ताकि न केवल सिर की स्थिति बल्कि अभिविन्यास को भी बेहतर ंयायाधीश बनाया जा सके। यहां दिखाए गए प्रतिनिधि डेटा को लांग इवांस चूहों के साथ फिर से कोडित किया गया था । ये चूहे अपने पिगमेंटेशन पैटर्न में काफी अंतर-व्यक्तिगत भिन्नता प्रदर्शित करते हैं, विशेष रूप से उनकी पूंछ के आधार की ओर। इसके परिणामस्वरूप विभिन्न व्यक्तियों की ट्रैकिंग के लिए एक प्रशिक्षित तंत्रिका नेटवर्क लागू करने में कुछ कठिनाइयां हो सकती हैं। इन मुद्दों को सीमित करने के लिए, नेटवर्क के लिए निर्धारित प्रशिक्षण में रुचि के सभी जानवरों से वीडियो फ्रेम शामिल करना सबसे अच्छा है। लांग इवांस चूहे का काला सिर यहां उपयोग किए जाने वाले कक्ष की धातु सतहों के खिलाफ काफी मजबूत विपरीत प्रदान करता है। इस प्रकार, उनके सिर की सटीक ट्रैकिंग प्राप्त करने की संभावना एल्बिनो उपभेदों की तुलना में कम प्रयास की आवश्यकता है । DeepLabCut या तुलनीय सॉफ्टवेयर संकुल के साथ सटीक ट्रैकिंग प्राप्त करने का सबसे महत्वपूर्ण कदम तंत्रिका नेटवर्क के प्रशिक्षण के लिए विविध वीडियो फ्रेम की एक अच्छी संख्या का चयन करना है। जैसे, यदि ब्याज की वस्तु की ट्रैकिंग को उप-इष्टतम माना जाता है, तो प्रशिक्षण फ्रेम के सेट को बढ़ाना हमेशा परिणामों में सुधार की दिशा में पहला कदम होना चाहिए।

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

जबकि रास्पबेरी पीआई फाउंडेशन से सामग्री और संसाधनों का उपयोग किया गया है और इस पांडुलिपि में उद्धृत किया गया है, नींव इस पांडुलिपि में उपकरणों और डेटा की तैयारी या उपयोग में सक्रिय रूप से शामिल नहीं थी। पीआई-सप्लाई के लिए भी यही सच है । लेखकों के पास खुलासा करने के लिए कुछ नहीं है ।

Acknowledgments

इस काम को स्वीडिश ब्रेन फाउंडेशन, स्वीडिश पार्किंसंस फाउंडेशन, और स्वीडिश गवर्नमेंट फंड्स फॉर क्लीनिकल रिसर्च (एमएसी) के साथ-साथ वेननर-ग्रेन फाउंडेशन (एमएसी, ई.के.एच.सी), Åhlén फाउंडेशन (M.A.C) और फाउंडेशन ब्लैंकेफ्लोर बोनकॉम्पाग्नी लुडोविसी, एनई बिल्ड (एस.एफ) के अनुदानों द्वारा समर्थित किया गया था।

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

व्यवहार अंक 160 ऑपरेंट कंडीशनिंग अनुभूति वीडियो रिकॉर्डिंग कृंतक व्यवहार रास्पबेरी पीआई दीपलाबकट
एक बहुमुखी घर का बना वीडियो कैमरा और DeepLabCut का उपयोग कर Operant कंडीशनिंग कक्षों में ट्रैकिंग चूहों
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