Method Article

Çok Yönlü Ev Yapımı Video Kamera ve DeepLabCut kullanarak Operant Klima Odalarında Rats Izleme

DOI:

10.3791/61409

⸱

June 15th, 2020

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

In This Article

Summary

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

Bu protokol, küçük ve çok yönlü bir video kameranın nasıl inşa edilebildiğini ve bir hayvanın operant klima odalarındaki konumunu izlemek için sinir ağı eğitmek için ondan elde edilen videoların nasıl kullanılacağını açıklar. Bu, operant koşullandırma testlerinden elde edilen veri günlüklerinin standart analizlerinin değerli bir tamamlayıcısıdır.

Abstract

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

Operant klima odaları nöroloji alanında davranışsal testler geniş bir yelpazede gerçekleştirmek için kullanılır. Kaydedilen veriler genellikle odacıkiçinde bulunan kolu ve burun dürtme sensörleri tetikleme dayanmaktadır. Bu, hayvanların belirli yanıtları ne zaman ve nasıl gerçekleştirdiğine dair ayrıntılı bir görünüm sağlarken, herhangi bir algılayıcıyı tetiklemeyen davranışları değerlendirmek için kullanılamaz. Bu nedenle, hayvanların kendilerini nasıl konumlandırıp odanın içinde hareket ettiğini değerlendirmek nadiren mümkündür. Bu bilgileri elde etmek için, araştırmacılar genellikle videoları kaydetmek ve analiz etmek zorunda. Operant klima odaları üreticileri genellikle yüksek kaliteli kamera kurulumları ile müşterilerine sağlayabilir. Ancak, bu çok pahalı olabilir ve mutlaka diğer üreticilerin veya diğer davranışsal test kurulumları odaları sığmaz. Mevcut protokol, hobi elektroniği bileşenlerini kullanarak ucuz ve çok yönlü bir video kamera nın nasıl inşa edilebildiğini açıklamaktadır. Ayrıca güçlü bir ışık sinyali durumunu izlemek için görüntü analizi yazılım paketi DeepLabCut nasıl kullanılacağını açıklar, yanı sıra bir sıçan konumunu, videoları bir operant klima odasından toplanan. Eski tüm test oturumları kapsayan videoları ilgi kısa segmentleri seçerken büyük bir yardımcı, ve ikinci operant odaları tarafından üretilen veri günlükleri elde edilemez parametrelerin analizini sağlar.

Introduction

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

Davranışsal nörobilim alanında, araştırmacılar genellikle kemirgenlerde farklı bilişsel ve psikiyatrik özellikleri geniş bir yelpazede değerlendirmek için operant klima odaları kullanın. Bu tür sistemlerin birkaç farklı üreticileri olsa da, genellikle belirli özellikleri paylaşmak ve neredeyse standart tasarım1var,2,3. Odaları genellikle kare veya dikdörtgen şeklinde, içine hayvanlar yerleştirmek için açılabilir bir duvar ile, ve bir veya iki kollar gibi bileşenleri içeren kalan duvarlar, burun-poke açıklıklar, ödül tepsileri, tepki tekerlekleri ve çeşitli ışıklar1,2,3. Odalarda bulunan ışıklar ve sensörler hem test protokolünü kontrol etmek hem de hayvanların davranışlarını izlemek için kullanılır1,2,3,4,5. Tipik operant klima sistemleri hayvanların farklı operanda ve odalarında mevcut açıklıklar ile etkileşim nasıl çok ayrıntılı bir analiz için izin verir. Genel olarak, sensörlertetiklenen herhangi bir durumda sistem tarafından kaydedilebilir ve bu verilerden kullanıcılar hayvan test4,5belirli adımlar sırasında ne yaptığını açıklayan ayrıntılı günlük dosyaları elde edebilirsiniz. Bu bir hayvanın performansının geniş bir temsilini sağlarken, yalnızca bir veya daha fazla sensörü doğrudan tetikleyen davranışları tanımlamak için kullanılabilir4,5. Bu nedenle, hayvan Pozisyonları kendini ve testin farklı aşamalarında oda içinde hareket nasıl ilgili yönleri iyi6,7,,8,9,10açıklanmaz . Bu talihsiz, bu tür bilgiler hayvanın davranışını tam olarak anlamak için değerli olabilir gibi. Örneğin, bazı hayvanların belirli bir,test6üzerinde neden kötü performans gösterdiğini açıklamak için kullanılabilir, hayvanların zor görevleri66,7,8,9,10işlemek için geliştirebilecekleri stratejileri açıklamak veya sözde basit davranışların gerçek karmaşıklığını takdir etmek için11,12. Bu tür ifade bilgi elde etmek için, araştırmacılar genellikle video,6,7,8,,9,10,11manuel analizi açın.

Operant klima odalarından video kaydederken, kamera seçimi çok önemlidir. Odaları genellikle izolasyon kabinleri bulunan, protokolleri sık sık hiçbir görünür ışık parlayan adımları kullanarak3,6,7,8,9. Bu nedenle, kızılötesi (IR) aydınlatmanın IR'ye duyarlı bir kamerayla birlikte kullanılması gereklidir, çünkü tam karanlıkta bile görünürlük sağlar. Ayrıca, izolasyon kabini içinde bir kamera yerleştirmek için kullanılabilir alan genellikle çok sınırlıdır, bu bir görüş geniş bir alana sahip lensler kullanan küçük kameralar sahip güçlü yararları anlamına gelir (örneğin, balık gözü lensler)9. Operant klima sistemleri üreticileri genellikle müşterilerine yüksek kaliteli kamera kurulumları sağlayabilir iken, bu sistemler pahalı olabilir ve mutlaka diğer üreticilerin veya diğer davranış testleri için kurulumları odaları sığmaz. Ancak, tek başına video kameralar kullanarak üzerinde önemli bir yararı bu kurulumları genellikle operant klima sistemleri13,14ile doğrudan arayüz olabilir. Bu nedenle, onlar büyük ölçüde aşağıdaki analizyardımcı olabilir tam test oturumları yerine sadece belirli olayları kaydetmek için ayarlanabilir.

Mevcut protokol, hobi elektroniği bileşenlerini kullanarak ucuz ve çok yönlü bir video kamera nın nasıl inşa edilebildiğini açıklamaktadır. Kamera bir balıkgözü lens kullanır, IR aydınlatma duyarlı dır ve IR ışık yayan diyotlar bir dizi vardır (IR LED'ler) bağlı. Ayrıca, düz ve ince bir profile sahip olmak için inşa edilmiştir. Birlikte, bu yönleriyle en ticari operant klima odaları yanı sıra diğer davranışsal test kurulumları videoları kayıt için idealdir. Protokol ayrıca kamera ile elde edilen videoları işlemek için nasıl ve nasıl yazılım paketi DeepLabCut15,,16 ilgi video dizileri ayıklama yanı sıra orada bir hayvanın hareketlerini izleme yardımcı olmak için nasıl kullanılacağını açıklar. Bu kısmen klima sistemleri operant üreticileri tarafından sağlanan entegre çözümler üzerinde tek başına bir kamera kullanarak çekme atlatmak ve davranışların manuel puanlama için bir tamamlayıcı sunuyor.

Genel sürecin farklı operant koşullandırma testlerinden videolara uyarlanabileceğini vurgulamak için protokolü genel bir biçimde yazmak için çaba gösterilmiştir. Bazı anahtar kavramları göstermek için, 5 seçenekli seri reaksiyon süresi testi (5CSRTT)17 yapan farelerin videoları örnek olarak kullanılır.

Access restricted. Please log in or start a trial to view this content.

Protocol

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

Hayvan işleme dahil tüm prosedürler hayvan araştırmaları için Malmö-Lund Etik komitesi tarafından onaylanmıştır.

1. Video kamera oluşturma

NOT: Kameranın oluşturulması için gerekli bileşenlerinlistesi Malzeme Tablosu'nda verilmiştir. Ayrıca bkz: Şekil 1, Şekil 2, Şekil 3, Şekil 4, Şekil 5.

  1. Kamera standının açılmasının etrafına manyetik metal halkayı (balıkgözü lens paketine eşlik eden) takın(Şekil 2A). Bu, balık gözü merceğinin kamera nın önüne yerleştirilmesini sağlayacak.
  2. Kamera modülünü kamera standına takın (Şekil 2B). Bu kamera modülü için bazı istikrar verecek ve elektronik devreler için bazı koruma sağlar.
  3. Kamera modülü ve mikrobilgisayardaki kamera bağlantı noktalarını(Şekil 1)plastik kliplerinin kenarlarını hafifçe çekerek açın(Şekil 2C).
  4. Gümüş konektörlerin devre kartlarına bakabilmesi için şerit kablosunu kamera bağlantı noktalarına yerleştirin(Şekil2C). Kamera bağlantı noktalarının plastik kliplerini iterek kabloyu yerine kilitleyin.
  5. Mikrobilgisayarı plastik kasaya yerleştirin ve listelenen mikro SD kartı(Şekil 2D)takın.
    NOT: Mikro SD kart mikrobilgisayarın sabit diski olarak işlev görür ve tam bir işletim sistemi içerir. Listelenen mikro SD kart üzerine önceden yüklenmiş bir yükleme yöneticisi ile birlikte gelir (Yeni Kutu Yazılım (NOOBS). Alternatif olarak, bir genel bir mikro SD kart mikrobilgisayarın işletim sisteminin en son sürümü (Raspbian veya Rasberry Pi OS) bir görüntü yazabilirsiniz. Bu yardım için, resmi web kaynakları18bakın. 32 Gb depolama alanına sahip sınıf 10 mikro SD kart kullanmak tercih edilir. Daha büyük SD kartlar listelenen mikrobilgisayarla tam olarak uyumlu olmayabilir.
  6. Monitörü, klavyeyi ve fareyi mikrobilgisayara bağlayın ve güç kaynağını bağlayın.
  7. Mikrobilgisayarın işletim sisteminin (Raspbian veya Rasberry Pi OS) tam kurulumunu gerçekleştirmek için kurulum kılavuzutarafından istenen adımları izleyin. Mikrobilgisayar önyükleme yaptığında, ethernet kablosu veya Wi-Fi üzerinden internete bağlı olduğundan emin olun.
  8. Mikrobilgisayarın önceden yüklenmiş yazılım paketlerini güncelleştirmek için aşağıda özetlenen adımları izleyin.
    1. Terminal pencereyi açın (Şekil 3A).
    2. "sudo apt-get update" yazın (tırnak işaretleri hariç) ve Enter tuşuna basın(Şekil 3B). İşlemin bitmesini bekleyin.
    3. "sudo apt tam yükseltme" yazın (tırnak işaretleri hariç) ve enter tuşuna basın. İstendiğinde düğme yanıtları yapın ve işlemin tamamlanmasını bekleyin.
  9. Başlat menüsüaltında Tercihler ve Raspberry Pi yapılandırmaları (Şekil 3C)seçeneğini belirleyin. Açılan pencerede, Arabirimler sekmesine gidin ve Kamera ve I2C'yi etkinleştirmek için tıklatın. Bu kamera ve IR LED modülleri ile mikrobilgisayar çalışması için gereklidir.
  10. Ek Dosya 1'i "Pi_video_camera_Clemensson_2019.py" olarak yeniden adlandırın. Bir USB bellek çubuğuna kopyalayın ve daha sonra mikrobilgisayarın /home/pi klasörüne(Şekil 3D)kopyalayın. Bu dosya, adım 1.13'te bağlı olan düğme anahtarlarıyla video kayıtlarının yapılmasını sağlayan bir Python komut dosyasıdır.
  11. Mikrobilgisayarın rc.local dosyasını yeniden yapmak için aşağıda özetlenen adımları izleyin. Bu, bilgisayarın komut dosyasını adım 1.10'da kopyalanan başlatmasını ve önyükleme yaptığında adım 1.13'e eklenen IR LED'lerini başlatmasını sağlar.
    DİkKAT: Bu otomatik başlatma özelliği, listelenen model dışındaki mikrobilgisayar panolarıyla güvenilir bir şekilde çalışmaz.
    1. Terminal penceresini açın, "sudo nano /etc/rc.local" yazın (tırnak işaretleri hariç) ve enter tuşuna basın. Bu bir metin dosyası açar (Şekil 4A).
    2. İmleci "fi" ve "exit 0"(Şekil 4A)arasındaki boşluğa taşımak için klavyenin ok tuşlarını kullanın.
    3. Şekil 4B'degösterildiği gibi aşağıdaki metni ekleyin, her metin dizesini yeni bir satıra yazın:
      sudo i2cset -y 1 0x70 0x00 0xa5 &
      sudo i2cset -y 1 0x70 0x09 0x0f &
      sudo i2cset -y 1 0x70 0x01 0x32 &
      sudo i2cset -y 1 0x70 0x03 0x32 &
      sudo i2cset -y 1 0x70 0x06 0x32 &
      sudo i2cset -y 1 0x70 0x08 0x32 &
      sudo python /home/pi/Pi_video_camera_Clemensson_2019.py &
    4. Değişiklikleri Ctrl + x tuşuna basarak kaydedin ve ardından y tuşuna basın ve Enter tuşuna basın.
  12. Lehim, Şekil 5A'dabelirtildiği ve aşağıda açıklandığı gibi gerekli bileşenleri bir araya getirmelidir.
    1. İki renkli LED için, bir bacağa bir direnç ve dişi jumper kablosu ve diğerine bir dişi jumper kablosu takın(Şekil 5A). Kabloları mümkün olduğunca kısa tutmaya çalışın. Led'in elektrotlarından hangisinin negatif (genellikle kısa olan) olduğuna dikkat edin, çünkü bunun mikrobilgisayarın genel amaçlı giriş/çıkış (GPIO) pimlerinde zemine bağlanması gerekir.
    2. İki düğme anahtarı için, her bacağa bir dişi jumper kablosu takın(Şekil 5A). Kabloları anahtarlardan biri için uzun, diğerinin kısasını yapın.
    3. IR LED modülünü monte etmek için, resmi web kaynaklarında mevcut olan talimatları izleyin19.
    4. Bileşenleri kısa devre riskini sınırlamak için shrink boru ile lehimli eklemleri kaplayın.
  13. Mikrobilgisayarı kapatın ve anahtarları ve LED'leri Şekil 5B'debelirtildiği ve aşağıda açıklandığı gibi GPIO pimlerine bağlayın.
    DİkKAT: Bileşenlerin yanlış GPIO pimlerine kablolanması, kamera açıldığında onlara ve/veya mikrobilgisayara zarar verebilir.
    1. Negatif ucunun #14 sabitlemeye, pozitif ucunun da pin #12 bağlanabilmesi için bir LED bağlayın. Bu LED, mikrobilgisayar önyükleme ve kamera kullanıma hazır olduğunda parlayacak.
    2. Düğme anahtarını uzun kablolarla bağlayın, böylece bir kablo #9 sabitlemeye, diğeri de #11 sabitlemeye bağlanır. Bu düğme, video kayıtlarını başlatmak ve durdurmak için kullanılır.
      NOT: Kamerayı kontrol eden komut dosyası, bir video kaydını başladıktan veya durdurduktan sonra bu düğmenin birkaç saniye yanıt verilemeden yazılmıştır.
    3. Negatif uç pin #20 bağlanır ve pozitif sonu pin #13 bağlanır böylece bir LED bağlayın. Bu LED, kamera bir video kaydederken parlar.
    4. Düğme anahtarını kısa kablolarla bağlayın, böylece bir kablo #37 sabitlemeye, diğeri de #39 sabitlemeye bağlanır. Bu anahtar kamerayı kapatmak için kullanılır.
    5. Resmi web kaynaklarında açıklandığı gibi IR LED modülünü bağlayın19.

2. İlgi operant klima protokolü tasarımı

NOT: Operant odalarından kaydedilen videolardaki protokol ilerlemesini izlemek için DeepLabCut'u kullanmak için, davranış protokollerinin aşağıda açıklandığı gibi belirli şekillerde yapılandırılması gerekir.

  1. Protokolü, protokoldeki belirli bir adımın (bireysel denemelerin başlaması veya test oturumu gibi) bir göstergesi olarak odanın ev ışığını veya başka bir güçlü ışık sinyalini kullanacak şekilde ayarlayın (Şekil 6A). Bu sinyal, bu protokolün geri kalanında "protokol adım göstergesi" olarak anılacaktır. Bu sinyalin varlığı, kaydedilen videolarda protokol ilerlemesini izlemeolanağı sağlar.
  2. Protokol, protokol adım göstergesinin etkin hale gelmesiyle ilgili olarak tek tek zaman damgalarıyla ilgili tüm ilgi çekici yanıtları kaydacak şekilde ayarlayın.

3. İlgi nin davranışsal testini yapan hayvanların videolarının kaydedilmesi

  1. Kamerayı operaodalarının üstüne yerleştirin, böylece içindeki alanın üst görünümünü kaydeder (Şekil 7).
    NOT: Bu özellikle bir hayvanların genel konumunu ve oda içindeki duruşunu yakalamak için uygundur. Kameranın gösterge ışıklarını ve IR LED modüllerini kamera merceği yakınına yerleştirmekten kaçının.
  2. Kamerayı güç kaynağı kablosu ile elektrik prizine bağlayarak çalıştırın.
    NOT: İlk kullanımdan önce, kamera modülüne eşlik eden küçük bir araç kullanarak kameranın odak noktasını ayarlamak faydalıdır.
  3. Video kayıtlarını başlatmak ve durdurmak için adım 1.13.2'de bağlı olan düğmeyi kullanın.
  4. Aşağıdaki adımları izleyerek kamerayı kapatın.
    1. Adım 1.13.1'de bağlanan LED kapanAna kadar 1.13.4 adımda bağlı olan düğmeye basın ve basılı tutun. Bu, kameranın kapatma işlemini başlatır.
    2. Mikrobilgisayarın üstünde görünen yeşil LED'in(Şekil 1)yanıp sönmeyi durdurana kadar bekleyin.
    3. Kameranın güç kaynağını çıkarın.
      DİkKAT: Mikrobilgisayar çalışırken güç kaynağının fişini çekmek mikro SD karttaki verilerin bozulmasına neden olabilir.
  5. Kamerayı bir monitör, klavye, fare ve USB depolama aygıtına bağlayın ve video dosyalarını masaüstünden alın.
    NOT: Dosyalar, video kaydının başlatıldıkı tarih ve saate göre adlandırılır. Ancak, mikrobilgisayarın dahili bir saati yoktur ve yalnızca internete bağlandığında zaman ayarını günceller.
  6. Kaydedilen videoları .h264'ten ''e dönüştürün. MP4, ikincisi deeplabcut ve en medya oynatıcılar ile iyi çalışır gibi.
    NOT: Bunu başarmanın birden çok yolu vardır. Bir Ek Dosya 2açıklanmıştır.

4. DeepLabCut ile videoları analiz etme

NOT: DeepLabCut kullanıcıların video çerçeveleri bir dizi ilgi herhangi bir nesne tanımlamak için izin veren bir yazılım paketi, ve daha sonra tam uzunlukta videolar15,16nesnelerin konumlarını izleme bir sinir ağı eğitmek için bu kullanın. Bu bölümde, protokol adım göstergesinin durumunu ve fare başının konumunu izlemek için DeepLabCut'un nasıl kullanılacağına yönelik kaba bir anahat verilir. DeepLabCut kurulumu ve kullanımı, yayınlanan diğer protokollerde iyi tanımlanmıştır15,16. Her adım belirli Python komutları veya DeepLabCut grafik kullanıcı arayüzü üzerinden yapılabilir, başka bir yerde açıklandığı gibi15,16.

  1. 16'dabelirtilen adımları izleyerek yeni bir DeepLabCut projesi oluşturun ve yapılandırın.
  2. Bölüm 3'te kaydedilen videolardan bir veya daha fazlasından 700\u2012900 video karelerini ayıklamak için DeepLabCut'Un çerçeve kapma işlevini kullanın.
    NOT: Eğer hayvanlar kürk pigmentasyonu veya diğer görsel özellikler açısından önemli ölçüde farklılık gösterirse, çıkarılan 700\u2012900 video karelerinin farklı hayvanların videoları arasında bölünmesi tavsiye edilir. Bu sayesinde, eğitimli bir ağ farklı bireyleri izlemek için kullanılabilir.
    1. Protokol adım göstergesinin hem etkin(Şekil 8A)hem de etkin olmayan(Şekil 8B)durumunu görüntüleyen video çerçeveleri eklediğinden emin olun.
    2. Farklı pozisyonlar, duruşlar ve sıçan test sırasında gösterebileceği baş hareketleri aralığı kapsayan video çerçeveleri eklemek için emin olun. Bu, farenin odanın farklı bölgelerinde hareketsiz durduğu video çerçevelerini, başını farklı yönlere yönelttiği video çerçevelerini ve farenin aktif olarak hareket ettiği, burun dürtme açıklıklarına girdiği ve pelet çukuruna girdiği video çerçevelerini içermelidir.
  3. Adım 4.2'de çıkarılan her video karesinde fare kafasının konumunu el ile işaretlemek için DeepLabCut'un Etiketleme Araç Kutusunu kullanın. Farenin kulakları arasında merkezi bir konuma "kafa" etiketi yerleştirmek için fare imlecini kullanın(Şekil 8A,B). Buna ek olarak, odanın ev ışığının (veya diğer protokol adım göstergesinin) aktif olarak parladığı her video karesinde konumunu işaretleyin(Şekil 8A). Ev ışığını etkin olmadığı karelerde etiketsiz bırakın (Şekil 8B).
  4. Adım 4.3'te etiketlenmiş video çerçevelerinden bir eğitim veri seti oluşturmak ve sinir ağının eğitimini başlatmak için DeepLabCut'un "eğitim veri seti oluşturma" ve "tren ağı" işlevlerini kullanın. Seçilen ağ türü için "resnet_101" seçtiğinizden emin olun.
  5. Eğitim kaybı 0,01'in altına düştüğünde ağın eğitimini durdurun. Bu işlem 500.000 eğitim yinelemesi kadar sürebilir.
    NOT: Yaklaşık 8 GB belleğe ve yaklaşık 900 video karesine (çözünürlük: 1640 x 1232 piksel) bir eğitim setine sahip bir GPU makinesi kullanırken, eğitim sürecinin yaklaşık 72 saat süreceği tespit edilmiştir.
  6. Adım 4.4'te eğitilmiş sinir ağını kullanarak, adım 3'te toplanan videoları analiz etmek için DeepLabCut'Un video analizi işlevini kullanın. Bu, analiz edilen videoların her video karesinde fare kafasının izlenen konumlarını ve protokol adım göstergesini listeleyen bir .csv dosyası sağlar. Buna ek olarak, izlenen konumların görsel olarak görüntülendiği işaretli video dosyaları oluşturur (Videolar 1-8).
  7. Aşağıda özetlenen adımları izleyerek izlemenin doğruluğunu değerlendirin.
    1. DeepLabCut'Un yerleşik değerlendirme işlevini kullanarak ağın izleme doğruluğunun otomatik bir değerlendirmesini alın. Bu, adım 4.3'te etiketlenen video çerçevelerine dayanır ve ağ tarafından izlenen konumun el ile yerleştirilen etiketten ortalama olarak ne kadar uzakta olduğunu açıklar.
    2. Adım 4.6'da elde edilen işaretli videolarda bir veya daha fazla kısa video dizisi (her biri yaklaşık 100\u2012200 video karesi) seçin. Video dizilerini, kare kare ve etiketlerin fare başının, kuyruğunun vb. konumlarını doğru bir şekilde gösterdiği kaç karede ve etiketlerin hatalı konumlara yerleştirildiğinde veya gösterilmeyen kaç karede olduğunu not edin.







    2. figure-protocol-1

Access restricted. Please log in or start a trial to view this content.

Results

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

Video kamera performansı

Temsili sonuçlar, 28,5 cm x 25,5 cm ve yükseklikleri 28,5 cm olan sıçanlar için operant klima odalarında toplandı. Balıkgözü lens takılı yken, kamera odanın üzerine yerleştirildiğinde tam taban alanını ve çevredeki duvarların büyük kısımlarını yakalar(Şekil 7A). Bu nedenle, kamera odanın üst kısmında merkez dışı yerleştirilse bile iyi bir görünüm elde edilebilir. Bu karşılaştırılabilir operant odaları için geçerli olmalıdı...

Access restricted. Please log in or start a trial to view this content.

Discussion

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

Bu protokol, operant klima odalarından ve diğer davranışsal test kurulumlarından video kaydetmek için kullanılabilecek ucuz ve esnek bir video kameranın nasıl yapılacağını açıklar. Ayrıca bu videolar içinde güçlü bir ışık sinyali izlemek için DeepLabCut nasıl kullanılacağını gösterir, ve nasıl tam test oturumları kapsayan video dosyalarına ilgi kısa video segmentleri belirlenmesinde yardımcı olmak için kullanılabilir. Son olarak, operant klima testleri sırasında davranışların analizini tamamlamak için bir fare başının iz...

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

Raspberry Pi vakfının materyalleri ve kaynakları bu el yazmasında kullanılmış ve atıfta bulunulmuş sayılsa da, vakıf bu el yazmasında ekipman ve verilerin hazırlanması nda veya kullanımında aktif olarak yer almadı. Aynı pi-supply için de geçerlidir. Yazarların açıklayacak bir şeyi yok.

Acknowledgements

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

Bu çalışma İsveç Beyin Vakfı, İsveç Parkinson Vakfı ve İsveç Klinik Araştırma Fonu (M.A.C.) ile Wenner-Gren vakıfları (M.A.C, E.K.H.C), Åhlén vakfı (M.A.C) ve Blanceflor Boncompagni Ludovisi, née Bildt (S.F) vakfı tarafından desteklendi.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Yeni Our Of Box Yazılımı (NOOBS) önceden yüklenmiş 32 Gb mikro SD kartPi kulübesi (https://thpihut.com)32 GB
330 Ohm dirençPi kulübesi (https://thpihut.com)100287Bu makale, 330 ohm dirençlerin dahil olduğu karışık dirençlere sahip bir paket içindir.
Kamera modülü (Raspberry Pi NoIR kamera v.2)Pi kulübesi (https://thpihut.com)100004
Kamera şerit kablosu (Raspberry Pi Zero kamera kablosu saplaması)Pi kulübesi (https://thpihut.com)MMP-1294Bu yalnızca bir Raspberry Pi zero kullanılıyorsa gereklidir. Başka bir Raspberry Pi kartı kullanılıyorsa, kamera bileşenine uygun bir kamera şerit kablosu eşlik eder
Renkli LED'lerPi kulübesi (https://thpihut.com)ADA4203Bu makale, karışık LED renklerine sahip bir paket içindir. Herhangi bir renk kullanılabilir.
Dişi-Dişi jumper kablolarPi kulübesi (https://thpihut.com)ADA266
IR LED modülü (Parlak Pi)Pi Kaynağı (https://uk.pi-supply.com)PIS-0027
mikrobilgisayar anakartı (önceden lehimlenmiş başlıklara sahip Raspberry Pi Zero kartı)Pikulübesi (https://thpihut.com)102373Python komut dosyasını otomatik olarak başlatma yöntemi yalnızca Raspberry Pi zero ile çalışsa da, diğer Raspberry Pi kartları da kullanılabilir. Diğer modeller kullanılıyorsa, python betiğinin el ile başlatılması gerekir.
Basmalı düğme anahtarıPi kulübesi (https://thpihut.com)ADA367
Raspberry Pi güç kaynağı kablosuPi kulübesi (https://thpihut.com)102032
Raspberry Pi Sıfır kasaPi kulübesi (https://thpihut.com)102118
Raspberry Pi, Mod my pi, manyetik balık gözü lensli ve manyetik metal halka bağlantılı kamera standıPi kulübesi (https://thpihut.com)MMP-0310-KİT

References

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

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

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

Related Articles