Tüm Beyin Görüntüleme Sırasında Anne Davranış Tepkilerinin Profillenmesi

Özet

Burada, MRI ortamlarında davranışsal izlemedeki zorlukların üstesinden gelen ve dış ipuçlarına talimatsız davranışsal tepkilerin tespit edilmesine olanak tanıyan bir video analiz hattı sunulmaktadır. Bu analiz, uyarılmış iç durum değişikliklerinin ve beyin genelindeki aktivitenin daha kapsamlı bir şekilde anlaşılmasını kolaylaştıracaktır.

Özet

Tüm beyin görüntüleme araçlarındaki son gelişmeler, sinirbilimcilerin koordineli beyin aktivitesinin dış ipuçlarını nasıl işlediğini, iç durum değişikliklerini nasıl etkilediğini ve davranışsal tepkileri nasıl ortaya çıkardığını araştırmalarını sağlamıştır. Örneğin, fonksiyonel manyetik rezonans görüntüleme (fMRI), kan oksijenasyon seviyesine bağlı (BOLD) yanıtı kullanarak uyanık, davranan farelerde tüm beyin aktivitesinin ölçülmesine izin veren invaziv olmayan bir tekniktir. Bununla birlikte, dış uyaranlar tarafından uyandırılan BOLD tepkilerini tam olarak anlamak için, deneycilerin taramalar sırasında davranışsal tepkileri de değerlendirmeleri çok önemlidir. MRG ortamı, yaygın olarak kullanılan davranışsal izleme yöntemlerini uyumsuz hale getirerek bu amaca yönelik zorluklar ortaya çıkarmaktadır. Bu zorluklar arasında (1) kısıtlı bir görüş alanı ve (2) ferromanyetik bileşenler içermeyen ekipmanın sınırlı kullanılabilirliği yer alır. Burada, bu çevresel kısıtlamalar dahilinde elde edilen videolardan değerli bilgiler çıkararak bu sınırlamaların üstesinden gelen ve tüm beyin nöral verilerinin elde edilmesi sırasında davranışın değerlendirilmesini sağlayan bir davranışsal video analizi boru hattı sunulmaktadır. Optik akış tahmini ve boyutsallık azaltma gibi yöntemler kullanılarak, fMRI taramaları sırasında sunulan uyaranlara verilen davranışsal tepkilerde sağlam farklılıklar tespit edilebilir. Örneğin, temsili sonuçlar, fare yavrusu seslendirmelerinin, ancak saf tonların değil, anne ve bakire dişi farelerde önemli ölçüde farklı davranışsal tepkiler uyandırdığını göstermektedir. İleriye dönük olarak, başlangıçta fMRI deneylerindeki zorlukların üstesinden gelmek için uyarlanan bu davranışsal analiz hattı, kısıtlı ortamlarda çok yönlü davranışsal izleme sağlayarak çeşitli sinirsel kayıt yöntemlerine genişletilebilir. Davranışsal ve sinirsel tepkilerin koordineli değerlendirmesi, uyaranların algılanmasının karmaşık davranışsal çıktıların koordinasyonuna nasıl yol açtığına dair daha kapsamlı bir anlayış sunacaktır.

Giriş

Nöral kayıtlar sırasında davranışsal tepkilerin izlenmesi, beyindeki uyaranla uyarılan koordineli aktiviteyi anlamak için çok önemlidir. Hayvanların uyaranlara belirli ve hedef odaklı bir şekilde yanıt vereceğinin tahmin edilmemesi durumunda, talimatsız davranışları gözlemlemek, dış ipuçlarının iç durumlarını nasıl bilgilendirdiğine dair içgörüler sunabilir ^1,2. Geniş alanlı kalsiyum görüntüleme ve fonksiyonel manyetik rezonans görüntüleme (fMRI) gibi nörogörüntüleme araçlarındaki son gelişmeler, sinirbilimcilerin araştırmaları tekil beyin bölgelerinin ötesine genişletmelerini sağlamıştır. Bununla birlikte, bu tür yüksek boyutlu sinirsel verilerin daha kapsamlı bir şekilde anlaşılmasını sağlamak için, bu karmaşık kalıpların davranışsal çıktılarını değerlendirme yeteneği de buna göre ilerlemelidir.

Koklamaları ^3,4 algılamak için sıcaklık ve basınç sensörleri, yalamaları⁵ algılamak için ışık huzmeleri ve önceden belirlenmiş vücut kısımlarını izlemek için işaretsiz poz tahmini⁶ dahil olmak üzere, görev talimatlı davranışları karakterize etmek için son teknoloji yöntemler sinirbilim araştırmalarında yaygın olarak kullanılmaktadır. Bununla birlikte, talimatsız davranış kalıplarının veriye dayalı olarak değerlendirilmesi, bu alanda bir zorluk olmaya devam etmektedir⁷. Veriye dayalı davranışsal analiz yöntemleri hızla ilerlerken, mevcut yöntemler tipik olarak önemli miktarda hesaplama gücü, özel ekipman veya hayvanın özellikle net bir görünümünü gerektirir 2,6,8,9. Burada, herhangi bir videografi verisine kolayca uyarlanabilen ve pasif stimülasyon sırasında elde edilen videolardan değerli davranışsal ölçümlerin çıkarılmasına izin veren bir davranışsal video analiz hattı sunulmaktadır.

Bu davranışsal analiz boru hattı, çok çeşitli dış uyaranlara ve çoklu kayıt ortamlarına, hatta önemli kısıtlamalara sahip olanlar da dahil olmak üzere, kafasına sabitlenmiş hayvanlarda nöral ve video verilerinin koordineli bir şekilde elde edilmesiyle uyumlu olacak şekilde tasarlanmıştır. Örneğin, MRI ortamı, kısıtlı bir görüş alanı ve ferromanyetik bileşenler içermeyen ekipmanın sınırlı kullanılabilirliği dahil olmak üzere davranışsal izleme için belirli zorluklar ortaya çıkarmaktadır. Bu kısıtlamalar, yaygın olarak kullanılan yöntemleri uyumsuz hale getirir ve baş hareketi (yani, beynin hacim alımları arasında nasıl hareket ettiği) gibi ölçümleri, taramalar sırasında bedensel tepkileri değerlendirmenin en erişilebilir ancak sınırlı yolları arasında bırakır¹⁰. Bu sınırlamaların üstesinden gelerek, bu protokol MR uyumlu videografi verilerinin analizini kolaylaştırdı ve farklı anne deneyimlerine sahip dişi farelerin işitsel uyaranlara farklı davranışsal tepkiler sergilediğini gösterdi. Annelere ve bakirelere, fMRI taramaları sırasında, sıkıntılı yavru seslendirmeleri ("yavru çağrıları") ve saf tonlar dahil olmak üzere işitsel uyaranlar sunuldu. Bu uyaranlar pasif olarak, dolayısıyla herhangi bir talimatlı davranışsal çıktı olmadan sunuldu. Annelerin bakirelere kıyasla yavru çağrılarına daha fazla yanıt verdiği tahmin edilirken, dişi farelerin kafaya sabitlenmiş bir ortamda bebek ipuçlarına nasıl tepki verdiğine dair çok az literatür vardır. Bu nedenle, a priori izlemek için belirli bir davranışsal çıktı yoktu, bu da bu deneyi önerilen veriye dayalı davranışsal analizler için mükemmel bir test haline getirdi. Optik akış tahmini ve boyutsallık azaltma gibi yöntemler kullanılarak, hem büyüklük hem de mekansal tezahür açısından davranışsal tepkilerde grup farklılıkları tespit edildi.

İleriye dönük olarak, davranışsal ve sinirsel tepkilerin koordineli değerlendirmesi, dış uyaranların iç durumları nasıl değiştirdiğine ve karmaşık davranışsal çıktıları nasıl bilgilendirdiğine dair daha kapsamlı bir anlayış elde etmek için kullanılabilir. Bu anlayış, empoze edilen görevlerin ve talimat verilen davranışların yokluğunda sunulan uyaranları da kapsamalıdır. Burada sunulan analiz hattı, kısıtlı ortamlarda bile çok yönlü davranışsal izleme sağlayarak çeşitli sinirsel kayıt tekniklerine genişletilebilir.

Protokol

Tüm hayvan deneyleri, Columbia Üniversitesi Kurumsal Hayvan Bakım ve Kullanım Komitesi (IACUC) tarafından onaylanan protokollere göre gerçekleştirilmiş ve tüm yöntemler ilgili yönergelere, düzenlemelere ve tavsiyelere uygun olarak gerçekleştirilmiştir. Kullanılan ekipman ve yazılımın ayrıntıları Malzeme Tablosunda listelenmiştir.

1. Yazılım

1. MATLAB'ı Mathworks web sitesinden indirin.
   NOT: Bu analiz hattını oluşturan kod yalnızca MATLAB aracılığıyla yürütülebilir ve MATLAB 2023a ile uyumlu olacak şekilde özel olarak yazılmıştır.
2. Bu işlem hattı, MATLAB içindeki Görüntü İşleme Araç Kutusu ve Görüntü İşleme Araç Kutusu'nu gerektirir. Eklentileri Yönet, Eklentileri Al'a tıklayarak araç kutularını MATLAB eklentilerine ekleyin ve ardından bunları arayın ve ekleyin.
   NOT: Beş MATLAB komut dosyası, aşağıdaki başlıklara sahip ek dosyalar olarak sağlanır: script1_videocoreg.m (Ek Kodlama Dosyası 1), script2_optflow_roiselect.m (Ek Kodlama Dosyası 2), script3_optflow_analysis.m (Ek Kodlama Dosyası 3), script4_optflow_pca.m (Ek Kodlama Dosyası 4) ve script5_optflow_pca_analysis.m (Ek Kodlama Dosyası 5). İki örnek video (Video 1 ve Video 2) ve bunlara karşılık gelen olay zamanlama dosyaları (Ek Dosya 1 ve Ek Dosya 2) de sağlanmıştır. İlk olarak örnek verilerle işlem hattı üzerinden çalıştırılması önerilir.
   DİKKAT: Kodda ünlem işareti içeren yorumlara dikkat edin, çünkü bunlar yürütmeden önce işlem yapılması gereken alanlardır. Örneğin, dosya yapılarına, deney ayrıntılarına veya analiz gereksinimlerine uyacak şekilde düzenlemelerin nerede yapılması gerektiğini vurgulamak için "aşağıdaki kod bloğunu düzenleyin!" gibi yorumlar vardır. Bu seçenekler varsayılan olarak sağlanan iki örnek videoya uyacak şekilde ayarlanmıştır, ancak işlem hattını kendi verileriyle çalıştırmaya başladıktan sonra ayarlamalar yapılması gerekir.
3. Her komut dosyasının her bir bölümünü çalıştırmak için, Düzenleyici menüsünde Çalıştır ve İlerle'ye tıklayın.

2. Video ortak kayıt

NOT: Bu analiz hattında sağlanan ilk komut dosyası, tüm videoları ortak kayıt yoluyla uzamsal olarak birbirine hizalayan script1_videocoreg.m'dir (Ek Kodlama Dosyası 1). Bu komut dosyasının girdileri ham videolardır ve ana çıktılar dönüştürülmüş videolardır.

1. Kodun 1, 2, 3, 4, 5 ve 6 numaralı bölümlerini, veri yapılarına sığacak şekilde düzenleyin.
2. Bölüm 1'i çalıştırın.
3. Şekil 1A'da olduğu gibi etiketlemek için her videoda üç nokta seçin. Bu üç nokta, tüm çerçeveleri birbirine birlikte kaydetmek için kullanılacaktır. Her videonun ilk karesini yukarı çekmek için komut dosyasının 2. bölümünü çalıştırın ve ilk iki noktaya bir kez tıklamak için fareyi kullanın, ardından üçüncü noktaya çift tıklayın. Son videonun noktaları seçildikten sonra Enter'a basın.
4. Bölüm 3 ve Bölüm 4'ü çalıştırın.
5. Bayrağı 0'a hizalanmış olarak ayarlayın ve Bölüm 5'i çalıştırın. Ardından, bayrağı 1'e hizalı olarak ayarlayın ve Bölüm 5'i yeniden çalıştırın.
6. Bölüm 6'yı çalıştırın ve elde edilen yan yana şekli Şekil 1B ile karşılaştırın. Soldaki hizalanmamış ortalama görüntüde gözlemlenen herhangi bir sapma, sağdaki hizalanmış ortalama görüntüde azaltılmalıdır.

3. Optik akış tahmini: Tam FOV

NOT: Tarama videolarındaki hareketi değerlendirmek için, dönüştürülen her video için optik akışın tahmin edilmesi gerekir. Bu, sağlanan komut dosyası script2_optflow_roiselect.m (Ek Kodlama Dosyası 2) ile her videonun tam görüş alanı (FOV) için yapılabilir. Bu komut dosyasının girdileri dönüştürülen videolardır ve çıktılar, her video için zaman içinde her pikselin optik akış büyüklüğünü gösteren 3B matrislerdir. Şekil 2A , her vektörün uzunluğunun o pikselin göreli optik akış büyüklüğünü temsil ettiği, mavi ile kaplanmış optik akış vektörlerine sahip bir örnek çerçeveyi göstermektedir. Çıktıları video olarak kaydetmenin, 3D matrisler olarak kaydetmekten daha verimli olduğu bulundu.

1. Kodların 1. bölümünü , veri yapılarına sığacak şekilde belirtildiği yerde düzenleyin.
2. Bölüm 1'i çalıştırın.

4. Yatırım getirisi seçimi

NOT: Aşağıdaki analiz adımları, analizin odaklanacağı tam FOV içinde bir ilgi alanı (ROI) seçilerek hesaplama yükü ve veri depolama ihtiyaçları açısından çok daha yönetilebilir hale getirilmiştir. Yatırım getirisi, ilgilenilen deney ve davranışlara göre veya daha veri odaklı bir yaklaşımla seçilebilir. Burada sunulan temsili sonuçlar için, tam FOV'daki her pikselin optik akış büyüklüğünün standart sapması, script2_optflow_roiselect.m, Bölüm 2 (Ek Kodlama Dosyası 2) komut dosyası ile hesaplanmıştır. Komut dosyasının bu bölümünün girdileri, Bölüm 1'in çıktılarıdır ve ana çıktı, tüm videolardaki tüm piksellerdeki optik akış büyüklüğünün standart sapmasının bir görselleştirmesidir. Sunulan temsili sonuçlarda, ayna FOV, gösterilen ROI seçimine rehberlik eden nispeten yüksek bir optik akış standart sapması gösterdi.

1. Kodun 2. bölümünü , veri yapılarına sığacak şekilde belirtildiği yerde düzenleyin.
2. Bölüm 2'yi çalıştırın ve analiz edilen videolarda optik akışın en dramatik şekilde nerede dalgalandığını görmek için elde edilen görüntüyü kullanın. Bu görüntünün bir örneği Şekil 2B'de gösterilmiştir.

5. Optik akış ölçümü: ROI

NOT: script2_optflow_roiselect.m komut dosyasının 3. bölümü (Ek Kodlama Dosyası 2), kullanıcının bir çizim aracıyla bir ROI seçmesine ve sınır koordinatlarını kaydetmesine olanak tanır. Komut dosyasının bu bölümünün girdileri, Bölüm 1'in çıktılarıdır ve çıktılar, her video için zaman içindeki yatırım getirisinin ortalama optik akış büyüklüğünü gösteren 1B vektörlerdir.

1. Veri yapılarına ve analiz gereksinimlerine uyacak şekilde belirtildiği yerde kodun 3. bölümünü düzenleyin.
   NOT: ROI seçimine nasıl devam edileceğine ilişkin birkaç seçenek vardır. Bir seçenek belirleyin:
   1. Seçenek 1: Tam video FOV'unu analiz edin.
      1. selectROI bayrağını 0 olarak ayarlayın ve provideROI değerini 0 olarak ayarlayın.
   2. Seçenek 2: Yeni bir yatırım getirisini analiz edin.
      1. selectROI bayrağını 1 olarak ayarlayın ve provideROI değerini 0 olarak ayarlayın. Ardından newCoordsName'i düzenleyin.
   3. Seçenek 3: Daha önce çizilmiş bir yatırım getirisini analiz edin.
      NOT: Bu seçeneği yalnızca bu kodu daha önce çalıştırdıysanız ve bir ROI oluşturduysanız seçin.
      1. selectROI bayrağını 0 olarak ayarlayın ve provideROI değerini 1 olarak ayarlayın. Ardından, önceden belirlenmiş bir koordinat kümesi sağlamak için inputCoords'u düzenleyin.
2. Bölüm 3'ü çalıştırın.

6. Optik akış büyüklüğü karşılaştırması

NOT: Sağlanan komut dosyası script3_optflow_analysis.m (Ek Kodlama Dosyası 3), kullanıcının verilerine sığdırmak için en fazla uzmanlığı gerektirir. Ana girdiler, her video için zaman içinde yatırım getirisinin ortalama optik akış büyüklüğünü gösteren 1D vektörlerdir ve olay başlangıçları ve grup/durum bilgileriyle uygun şekilde birleştirildiğinde, ana çıktılar, analiz ilgi alanlarına göre uyarlanabilen istatistiksel karşılaştırmalardır.

1. Kodun 1-3 Bölümlerini veri yapılarına ve analiz gereksinimlerine uyacak şekilde düzenleyin.
2. zsc, blrm, blzsc, demeanPerTrial ve applyLPfilter analiz seçeneklerini Bölüm 1'de istendiği gibi 0 veya 1 olarak ayarlayın. Sunulan temsili sonuçlarda, zsc, blrm ve applyLPfilter 1 olarak ayarlandı ve diğer tüm seçenekler 0 olarak ayarlandı.
3. LPfilter'ı hertz (Hz) cinsinden istenen alçak geçiren filtreyi temsil eden bir sayıya ayarlayın. Sunulan temsili sonuçlarda, davranışsal tepkilerin 5 Hz'den daha hızlı bir oranda dalgalanması beklenmediğinden, 5 Hz'lik bir alçak geçiren filtre uygulandı.
4. Bölüm 1-3'ü çalıştırın. Bölüm 3, Şekil 3'te gösterilenler gibi grafikler de dahil olmak üzere, grup ortalama optik akış zaman serileri, grup ortalaması kümülatif optik akış ve özet kümülatif optik akış için grafikler üretmelidir. Bölüm 3, grup/koşul karşılaştırmalarının herhangi bir kombinasyonu için çalıştırılabilir.

7. Optik akış PCA

NOT: Optik akış büyüklüğünün tahminine dayanarak, script2_optflow_roiselect.m'nin (Ek Kodlama Dosyası 2) çıktıları, video başına kare kare optik akışın uzamsal dağılımı hakkında da bilgi içerir. Bu uzamsal bilginin boyutsallığını azaltmak için, sağlanan komut dosyası script4_optflow_pca.m (Ek Kodlama Dosyası 4),  tahmini optik akış üzerinde temel bileşen analizi (PCA) gerçekleştirir. Ana girişler, daha önce her davranışsal video için video olarak kaydedilen 3D optik akış matrisleridir ve ana çıkış, PC ve açıklanan varyans bilgilerini içeren video başına bir .mat dosyasıdır.

1. Kodun 1. Bölümünü , veri yapılarına ve analiz gereksinimlerine uyacak şekilde düzenleyin.
2. Analiz seçenekleri bayrakları stimnum, dsfactor ve fnfactor Bölüm 1'de istediğiniz gibi ayarlayın. Sunulan temsili sonuçlarda, her bir uyaran türü ayrı ayrı analiz edildi ve dsfactor ve fnfactor için varsayılan değer olan 1 korundu, bu da uzay veya zamanda herhangi bir aşağı örnekleme ile sonuçlanmadı.
3. Bölüm 1'i çalıştırın.

8. Optik akış PCA karşılaştırması

NOT: Sağlanan script5_optflow_pca_analysis.m (Ek Kodlama Dosyası 5) komut dosyası, gruplar arasında PCA sonuçlarının keşifsel karşılaştırmalarını gerçekleştirecektir. Ana girdiler, uyarana özgü PC ve script4_optflow_pca.m'den (Ek Kodlama Dosyası 4) elde edilen açıklanan varyans bilgileridir ve ana çıktılar, ilk PC'nin yüklerini gösteren istatistiksel olarak eşikli ısı haritalarıdır, ancak diğer PC'ler de bu komut dosyası ile analiz edilebilir.

1. Kodun 1. bölümünü veri yapılarına ve analize uyacak şekilde düzenleyin.
2. Bölüm 1 ve Bölüm 2'yi çalıştırın.
3. Bölüm 3 girişlerini, özellikle group ve myTitle değişkenlerini, istenen grup analizini ve threshT'yi yansıtacak şekilde düzenleyin. threshT, halka açık T-istatistiği - p değeri tablolarına ve serbestlik derecelerine dayalı olarak hesaplanabilen, üzerinde sonuçların anlamlı kabul edileceği T-istatistiği eşiğini temsil eder.
4. Her ilgi grubu için Bölüm 3'ü çalıştırın. Kod, Şekil 4'ün sol ve orta panellerinde gösterilenler gibi bir grup özeti istatistik haritası üretmelidir. Görselleştirme için caxis aralığını ve dolayısıyla renk çubuğu sınırlarını istediğiniz gibi ayarlayın.
5. Bölüm 4 girişlerini, özellikle mag ve myTitle değişkenlerini, istenen grup karşılaştırmasını ve threshT'yi yansıtacak şekilde düzenleyin. threshT, halka açık T-istatistiği - p değeri tablolarına ve serbestlik derecelerine dayalı olarak hesaplanabilen, üzerinde sonuçların anlamlı kabul edileceği T-istatistiği eşiğini temsil eder.
6. İlgilenilen her grup karşılaştırması için Bölüm 4'ü çalıştırın. Kod, Şekil 4'ün sağ panelinde gösterildiği gibi bir grup karşılaştırma istatistiği haritası oluşturmalıdır. Görselleştirme için caxis aralığını ve dolayısıyla renk çubuğu sınırlarını istediğiniz gibi ayarlayın.

Sonuçlar

Bu analiz hattının potansiyelini göstermek için, fonksiyonel manyetik rezonans görüntüleme (fMRI) taramaları sırasında farelere işitsel uyaranlar sunulurken, kafaya sabitlenmiş dişi farelerin - özellikle anneler ve bakirelerin - davranışsal videoları elde edildi. Uyaranlar, yavru çağrıları ve pasif olarak sunulan saf tonlardan oluşuyordu, bu nedenle herhangi bir talimat verilmiş davranışsal çıktı olmadan. Yavru çağrıları, yuvalarından geçici olarak izole edilen 6 günlük fare yavruları tarafından yayılan ultrasonik seslendirmelerin kayıtlarıydı. Bu yavru çağrıları tipik olarak, annenin yerini bulduğu, doğru hareket ettiği, araştırdığı, daha sonra yavruyu aldığı ve yuvanın güvenliğine geri götürdüğü anne yavru alma eylemini ortaya çıkarır - bakire dişilerin tipik olarak sergilemediği bir davranış¹¹. Önceki çalışmalar, yavru çağrılarının annelerin birincil işitsel korteksinde güçlü uyarılmış aktivite ortaya çıkardığını, ancak bakirelerin ortaya çıkmadığını, saf ton tepkilerinin ise grup farkı göstermediğini göstermiştir¹². Bu nedenle, yavru çağrılarına verilen davranışsal tepkilerdeki grup farklılıklarının, ancak saf tonların değil, tanımlanacağı varsayılmıştır. Bununla birlikte, kafası sabit bir ortamda yavru ipuçlarına yanıt olarak dişi farelerin spesifik davranışları hakkında çok az literatür vardır. Bu nedenle, belirli bir davranışsal çıktı beklenmemiştir, bu da bu deneyi önerilen veriye dayalı davranışsal analizler için mükemmel bir test haline getirmiştir.

Sekiz gün boyunca, tüm hayvanlar yavaş yavaş deneyci kullanımına, kafa fiksasyonuna ve MRI ortamına alıştırıldı. Baş fiksasyonuna ve deneysel ortama alışma, sunulan uyaranlara verilen davranışsal tepkileri değerlendirmek için çok önemlidir. Çevreye uygun şekilde alıştırılmazlarsa, hayvanlar yalnızca stres tepkileri gösterebilir ve aksi takdirde videografi yoluyla ayrıştırılabilecek uyaran güdümlü etkileri yıkayabilir.

Davranışsal cihaz kurulumu genellikle her veri toplama oturumu için aynı olsa da, bir hayvanın fMRI taramaları için kafası her sabitlendiğinde kamera görüş alanının (FOV) hafifçe kayması mümkündür (Şekil 1A'daki örnek FOV'lara bakınız). Bu muhtemelen kamera yuvasının konumundaki küçük değişikliklerin yanı sıra her hayvan için baş direği kafatası bağlantısındaki bireysel farklılıklardan kaynaklanıyordu. Bu nedenle, taramalardan elde edilen videoların, taramalar ve hayvanlar arasında içerdikleri uzamsal bilgilerin karşılaştırılmasına izin vermek için doğrusal ortak kayıt yoluyla birbiriyle uyumlu hale getirilmesi gerekiyordu. Ortak kayıt, temsili verilere göre uyarlandı. Örneğin, standart bir tarama gününde, hayvan başına 3-4 tarama yapıldı ve bu da hayvan başına günde 3-4 video ile sonuçlandı. Her tarama arasında, kamera ve kafa sabitleme bileşenleri de dahil olmak üzere beşik bileşenlerinde herhangi bir hareket yoktu. Böylece, hayvan başına günde bir video için ortak kayıt dönüşümü belirlendikten sonra, aynı gün o hayvanın diğer 2-3 videosuna uygulanabilir. Bu pipeline'ın ortak kayıt adımında zaman tasarrufu sağlanırken, gerekirse mekansal dönüşümler de her video için ayrı ayrı hesaplanabilir. Her videoda bulunan üç özellik, mekansal dönüşümü etiketlemek ve hesaplamak için nokta olarak seçildi. Gösterilen temsili verilerde, bu üç nokta baş direğinin merkezi, hayvanın sağ gözünün önden görünümü ve hayvanın sağ gözünün profil görünümüydü (45 derecelik bir açıyla yerleştirilmiş bir aynada görülebilir). Bu adımın etkisini göstermek için bu deney sırasında hem ortak kayıttan önce hem de sonra çekilen tüm videolardan hesaplanan ortalama kareyi gösteren Şekil 1A,B'de video ortak kayıt örnekleri gösterilmektedir.

Bu boru hattı, büyük ölçüde, ardışık kareler¹³ arasındaki görünür hızlarını tahmin ederek bir videodaki nesnelerin hareketini tahmin etmek için kullanılan bir bilgisayarla görme yöntemi olan optik akışa dayanır. Optik akış, önceden belirlenmiş herhangi bir vücut parçası veya ilgilenilen eylemler olmadan hareketin - davranışsal tepkilerin bir vekili - nicelleştirilmesine izin verdiği için seçildi. Ek olarak, bu yöntem, deney sırasında erişilebilen tek MR uyumlu kamera ile elde edilen temsili videoların sınırlı görüntü kalitesine uygundu. Bu boru hattında, küresel, yoğun optik akış tahmininin Horn-Schunck algoritması kullanılır; bununla birlikte, Lucas-Kanade algoritması gibi diğer algoritmalar, sağlanan MATLAB komut dosyalarında küçük değişikliklerle kolayca kullanılabilir 14,15,16. Şekil 2A, her piksel için üst üste bindirilmiş bağıl optik akış hızı vektörlerine sahip örnek bir video çerçevesini göstermektedir. Daha büyük vektörlerin, hayvanın burnu ve pençeleri gibi hareketin beklendiği alanlarda göründüğünü unutmayın.

Boru hattı, tam FOV'daki tüm videolar için optik akışı tahmin ederken, kalan analiz adımları, FOV içinde bir ilgi alanı (ROI) seçilerek hesaplama yükü ve veri depolama ihtiyaçları açısından çok daha yönetilebilir hale getirildi. Yatırım getirisi, deneye ve önceden belirlenmiş ilgilenilen davranışlara göre veya daha veriye dayalı bir yaklaşımla seçilebilir. Temsili verilerin a priori izlemek için belirli bir davranışsal çıktı içermediği göz önüne alındığında, veriye dayalı bir yaklaşım izlenmiştir. Optik akış büyüklüğünün standart sapması, Şekil 2B'de görselleştirildiği gibi, her pikseldeki tüm videolarda hesaplandı. En yüksek standart sapma alanları, göz çevresi ve burun gibi hayvanın kıvrımlarını içeriyordu ve bu da gözlemlenen optik akış dalgalanmalarının videolardaki gürültü tarafından değil, hayvan hareketi tarafından yönlendirildiğine dair güven veriyordu. Daha düşük standart sapma alanları, tarama sırasında kamera ve yuvada meydana gelen küçük titreşimlerin sonucu olabilecek beşiğin dış hatlarını içeriyordu. MRG ortamı, beşiğin yansıtıcı bileşenlerinde gözlemlenen optik akış dalgalanmalarında ortaya çıkabilen gradyanların değişmesi nedeniyle veri toplama sırasında kaçınılmaz olarak titreşimlerle doludur. Neyse ki, bu titreşimler veri toplama boyunca sabittir, bu nedenle uyaran durumundan bağımsızdır ve davranışsal analiz sonuçlarını etkilemesi beklenmez. Aynanın piksellerinde, hayvanın yüzünün profil görünümüne karşılık gelen ve temsili veriler için ROI seçimine rehberlik eden özellikle yüksek optik akış standart sapmaları gözlendi. Bu aynı zamanda, çırpma ve koklama gibi davranışsal tepkilerin, yavru çağrıları yayan izole bir yavru arayan dişi farelerin tipik davranış repertuarının bir parçası olarak beklenebileceği bir bölgeydi¹⁷.

Bir ROI seçtikten ve tüm videolar için optik akışın ortalama kare büyüklüğünü çıkardıktan sonra, ilgilenilen dönemlerdeki optik akış, gruplar ve koşullar arasında karşılaştırılabilir. Her videonun optik akış vektörünün ilk 20 saniyesinin (s) parlaklık sabitleme için maskelendiğini unutmayın; ancak bu, deneysel ihtiyaçlara uyacak şekilde ayarlanabilir. Her video için, seçilen ROI için kare bazında optik akış vektörü Z-skorlandı, ardından yüz ifadesi sınıflandırmasındaki önceki çalışmaların ardından, kameranın 30 Hz kare hızının beklenen herhangi bir davranışsal dalgalanmadan daha hızlı olmasını hesaba katmak için 5 hertz'de (Hz) düşük geçiren filtrelendi². Son olarak, Z skorlu ve filtrelenmiş vektörler, uyaran sunumunun optik akış üzerindeki etkisini değerlendirmek için uyaran sunum dönemlerine ayrıldı. Her dönem için, optik akışı uyaran öncesi döneme normalleştirmek için ortalama uyaran öncesi temel sinyal çıkarıldı. Şekil 3A, Şekil 3B-E'deki özet grup verileriyle birlikte, bir anne ve bir bakire olmak üzere iki video için örnek optik akış zaman serilerini göstermektedir. Şekil 3B ve Şekil 3D, taban çizgisine göre uyaran sunumu sırasında zaman içindeki kümülatif optik akışı gösterirken, Şekil 3C ve Şekil 3E, uyaran başlangıcından 2.5 s sonraki kümülatif optik akışı özetlemektedir. Kümülatif optik akış, spontan davranışsal tepkilerin zaman kilitli bir şekilde gerçekleşeceğini varsaymadan, zaman içindeki genel hareketi yakalamak için hesaplandı. Genel olarak, bu temsili sonuçlar, tahmin edildiği gibi, yavru çağrılarının, ancak saf tonların değil, anne ve bakire dişi farelerden önemli ölçüde farklı davranışsal tepkiler uyandırdığını göstermektedir (grup arasında Mann-Whitney U testi: yavru çağrıları: p = 0.026; saf tonlar: p = 0.093). Bununla birlikte, bu uyaran etkisi 2 yönlü bir ANOVA'dan sağ çıkamazken, grup etkisi hayatta kaldı (uyaran: F(1,10) = 0.19, p = 0.67; grup: F(1,10) = 8.61, p = 0.015). Genel olarak, bu sonuçlar annelerin bakirelere kıyasla daha yüksek uyaranla uyarılmış hareket gösterdiğini ve annenin yavru çağrılarına verdiği tepkinin saf tonlardan daha tutarlı olduğunu göstermektedir. Bu, annelerde artan dikkat veya stresin yanı sıra, saf tonların aksine, doğal ortamlarda annelerde yavru geri alma tepkisini uyandıran yavru çağrılarının davranışsal alaka düzeyini yansıtabilir. Birlikte ele alındığında, bu temsili sonuçlar, dış uyaran sunumu sırasında optik akış tahmininin, nüanslı, spontan davranışsal tepkiler hakkında bilgi çıkarabileceğini göstermektedir.

Son olarak, temsili verilerde yakalanan davranışın mekansal özelliklerini ortaya çıkarmak için daha keşifsel bir analiz yapıldı. Uyaran sunumu sırasında ROI'deki hangi piksellerin koordineli bir şekilde dalgalandığını araştırmak için, zaman içinde uzamsal optik akış bilgileri üzerinde temel bileşen analizi (PCA) yapılmıştır. Bu analiz, Şekil 4'te gösterildiği gibi, ilk PC'ye en çok katkıda bulunan piksellerin yanı sıra her bir uyaran koşulu için grup farklılıkları gösteren pikselleri ortaya çıkardı. Şekil 4A,B'nin en sağdaki panelleri, her iki uyaran tipinin sunumu sırasında annelerin bakirelere göre burun içinde daha fazla hareket gösterdiğini göstermektedir. İki grup ve iki uyaran koşulu arasında, ilk PC, optik akış analizindeki toplam varyansın %5.41 ± %0.59'unu açıkladı. Analizimizin bu kısmı için ayna yatırım getirisi korunurken, gelecekteki analizler, uyaranlara yanıt olarak yüzün ötesindeki koordineli hareketleri karakterize etmek için FOV'un daha geniş bir bölümüne genişleyebilir. Örneğin, pençe hareketini karşılaştırmak, yavru çağrılarının tipik olarak annelerde yavru alımını başlattığı, ancak bakirelerde başlatmadığı ve pençelerin hayvanın kafasından daha özgürce hareket edebildiği göz önüne alındığında, daha önemli grup farklılıklarını ortaya çıkarabilir.

Şimdiye kadarki temsili sonuçlar, bu boru hattının kısıtlı videografi ortamlarında dış uyaranlara talimatsız davranışsal tepkileri değerlendirebileceğini öne sürse de, optik akışta gözlemlenen dalgalanmaların gerçekten anlamlı hayvan davranışını yansıtıp yansıtmadığına dair bir soru kaldı. Bu soruyu yanıtlamak için, aynı işlem hattı kullanılarak ayrı bir doğrulama veri kümesi analiz edildi. Ayrı bir deneyde, su kısıtlı erkek fareler, hafif bir işareti 6 μL ("yüksek ödül") veya 1 μL ("düşük ödül") su ödülünün verilmesiyle ilişkilendirmek üzere eğitildi. Özellikle, işitsel stimülasyon deneyinden farklı olarak, bu deneyin a priori davranışsal bir okuması vardı: yalama hızı. Su musluğuna yakın piksel parlaklığının analizi ile kolaylaştırılan, yalamaların video tabanlı tespiti yoluyla bir lickometre oluşturuldu. Bu nedenle, lickometer tarafından sağlanan davranışsal okuma, bu boru hattının optik akış tahmini tarafından sağlanan davranışsal okumasını karşılaştırmak için kullanılabilir ve spontan davranışları tespit etmedeki geçerliliğini destekler. Video ortak kaydı, optik akış tahmini, ROI seçimi (bir kez daha ayna FOV'u içeren) ve optik akış nicelemesinin ardından, optik akış büyüklüğünün karşılaştırılması, yüksek ve düşük ödüllere verilen davranışsal tepkiler arasında önemli bir fark olduğunu ortaya koydu. Bu analizin sonuçları Şekil 5A,B'de gösterilmiştir, burada Şekil 5A grup ortalaması alınmış zaman serisini gösterir ve Şekil 5B, uyaran başlangıcından 2.5 s sonraki kümülatif optik akışı özetlemektedir (koşul eşleştirilmiş Wilcoxon işaretli sıra testi: p = 0.031). Optik akış değerlerinin, temsili verilerde kaydedilen spontan davranışa kıyasla daha büyük olduğunu ve talimatsız, nüanslı davranışsal tepkileri değerlendirmenin zorluğunu daha da vurguladığını unutmayın. Şekil 5C, iki ödül koşulunun her biri için lickometer tarafından kaydedilen gerçek yalama oranını gösterirken, Şekil 5D, ödül teslimini takip eden 2,5 saniye içinde düşük ödül koşuluna kıyasla yüksek ödül koşulu sırasında daha fazla yalamanın kaydedildiğini göstermektedir (koşul eşleştirilmiş Wilcoxon işaretli sıra testi: p = 0.031). Toplamda, her iki analiz de yüksek ve düşük ödül tepkilerinin karşılaştırılmasında benzer bir eğilim ortaya çıkardı ve koşullar arasında hayvan davranışındaki anlamlı farklılıkları yakalamak için sunulan video analiz hattını doğruladı.

Birlikte ele alındığında, burada gösterilen temsili sonuçlar, yavru çağrılarının sunumunun, anne ve bakire dişi farelerde önemli ölçüde farklı tepkiler uyandırdığını, saf tonların ise uyandırmadığını göstermektedir. Bir doğrulama veri kümesinin analizi, optik akışta gözlemlenen farklılıkların, dış uyaranlara verilen davranışsal tepkilerdeki anlamlı farklılıkları yansıttığına dair güven verir.

Şekil 1: Video ortak kaydı. (A) Her biri farklı hayvanların farklı videolarından alınmış, üç kare halinde etiketlenmiş önceden belirlenmiş özellikleri (baş direğinin merkezi, sağ gözün önden görünümü, sağ gözün profil görünümü) gösteren video ortak kayıt örnekleri. Katmanda, üç noktanın nasıl hizalanmadığına dikkat edin, bu da davranışsal kurulumun veri toplama oturumları arasında nasıl biraz değiştiğini gösterir. (B) Video ortak kaydı gerçekleştirmeden önce (solda) ve sonra (sağda) her videonun son 10 saniyesindeki ortalama kare. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 2: Optik akış tahmini. (A) Mavi ile kaplanmış bağıl optik akış vektörlerine sahip örnek çerçeve. (B) Tüm videolarda optik akışın piksel bazında ortalama standart sapması. Ayna aracılığıyla hayvanın yüzünün profil görünümü etrafında seçilen yatırım getirisi macenta ile özetlenmiştir. Renk çubuğu standart sapmaya karşılık gelir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 3: Gruplar ve koşullar arasında optik akışın görselleştirilmesi ve karşılaştırılması. (A) Bir annenin bir videosu ve bir bakirenin videosu için örnek Z-skorlu ve 5 Hz alçak geçiren filtreli optik akış zaman serisi. (B) ve (D) Yavru çağrılarının (B) ve saf tonların (D) uyaran periyodu sırasında ölçülen kümülatif optik akış. Gölgelendirme, ortalamanın (SEM) standart hatasını temsil eder. (C) ve (E) Yavru çağrıları (C) ve saf tonlar (E) için uyaran sunumunun ilk 2,5 saniyesi sırasında kümülatif optik akış. * P < 0.05, grup arası Mann-Whitney U testi (yavru çağrıları: p = 0.026; saf tonlar: p = 0.093), N = 6 grup başına gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 4: Gruplar arası PC₁ karşılaştırması. (A,B) Gruplar arasında yavru çağrıları (A) ve saf tonlar (B) sırasında optik akışın ilk ana bileşeninin (PC₁) yüklerini gösteren haritalar, çoklu karşılaştırmalar için düzeltme olmaksızın istatistiksel olarak p < 0.05'te eşiklenmiştir. Isı haritası, her pikselin optik akış dalgalanmasının diğer piksellere göre PC_1'e ne kadar katkıda bulunduğunu gösterir. Küçük siyah metin, PC₁ tarafından açıklanan varyans yüzdesini gösterir (annelerin yavru çağrıları: %4,95 ± %0,72; bakirelerin yavru çağrıları: %4,44 ± %0,59; annelerin saf tonları: %4,95 ± %0,39; bakirelerin saf tonları: %4,72 ± %1,24 (ortalama ± standart sapma)). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 5: Davranışsal analiz hattının doğrulanması. (A) Yüksek ve düşük ödül dağıtımı sırasında ortalama Z-puanlı, uyaran öncesi taban çizgisi çıkarılmış ve 5 Hz düşük geçiren filtrelenmiş optik akış zaman serisi. Gölgelendirme SEM'i temsil eder, beyaz dikey çizgi ödül dağıtımını gösterir ve kırmızı yıldız işaretleri, ışık işaretinin başlangıcı ve ofseti nedeniyle geçici optik akış artefaktlarını gösterir. (B) Ödülün teslim edilmesinden sonraki ilk 2,5 saniye boyunca kümülatif optik akışın özeti. * P < 0.05'i, koşul eşleştirilmiş Wilcoxon işaretli sıra testi arasında gösterir (p = 0.031). (C) Yüksek ve düşük ödül dağıtımı sırasında lickometre ile elde edilen ortalama yalama oranı. Gölgelendirme SEM'i temsil eder ve beyaz dikey çizgi ödül dağıtımını gösterir. (D) Ödülün teslim edilmesinden sonraki ilk 2,5 saniye içinde kaydedilen yalama sayısı. * p < 0.05, koşul arası eşleştirilmiş Wilcoxon işaretli sıra testi (p = 0.031), N = 6'yı gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Video 1: Örnek video 1. PCR_Br011_20231015_1842_output.avi. Bu videoyu indirmek için lütfen buraya tıklayın.

Video 2: Örnek video 2. PCR_Br014_20231015_1722_output.avi. Bu videoyu indirmek için lütfen buraya tıklayın.

Ek Dosya 1: Video 1 için olay zamanlama dosyası. PCR_Br011_20231015_1842_output_videoTimestamps. Mat. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 2: Video 2 için olay zamanlama dosyası. PCR_Br014_20231015_1722_output_videoTimestamps. Mat. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 1: script1_videocoreg.m. Bu komut dosyası, ortak kayıt yoluyla tüm videoları uzamsal olarak birbirine hizalar. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 2: script2_optflow_roiselect.m. Bu komut dosyası, dönüştürülen her videonun tam FOV'u için optik akışı tahmin eder ve işlem hattının geri kalanı için bir ROI seçimine olanak tanır. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 3: script3_optflow_analysis.m. Bu komut dosyası, seçilen yatırım getirisi için farklı gruplar/koşullar arasında optik akış büyüklüğünü karşılaştırır. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 4: script4_optflow_pca.m. Bu komut dosyası, seçilen ROI'nin tahmini optik akışı üzerinde PCA gerçekleştirir. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 5: script5_optflow_pca_analysis.m. Bu komut dosyası, seçilen ROI için PCA sonuçlarını gruplar/koşullar arasında karşılaştırır. Bu dosyayı indirmek için lütfen buraya tıklayın.

Tartışma

Sunulan davranışsal analiz hattı, pasif olarak sunulan uyaranlara yanıt olarak talimatsız davranışlar sergileyen hayvanların videolarından değerli bilgilerin çıkarılmasına izin verir. Bu temsili davranışsal videolar, MRI ortamındaki davranışsal tepkileri yakalamak için birden fazla kısıtlamanın üstesinden gelinen tüm beyin fonksiyonel manyetik rezonans görüntüleme (fMRI) verileriyle birlikte elde edildi. Optik akış tahmini yöntemi kullanılarak, annelerin bakirelere karşı yavru çağrılarına nasıl yanıt verdiğine dair farklılıklar - ancak saf tonlar değil - ortaya çıktı ve ilk hipotez 13,14,15,16'yı destekledi. Optik akış bilgisinin boyutsallık azalmasından yararlanarak, bu bulgu, bu davranışların mekansal dağılımının keşifsel bir analizine genişletildi.

Bu analiz hattı, çeşitli deneysel paradigmalara geniş ölçüde uygundur. Elde edilen nöral veri türünden tamamen bağımsızdır ve aşırı hesaplama gücü veya özel ekipman gerektirmez. Temel deneysel gereklilik, videografi verilerinin, uyaran sunum başlangıçlarının ilgili zaman damgaları ile kaydedilmesidir. Ayrıca, gösterilen analizleri gerçekleştirmek için kullanılan MATLAB komut dosyalarını sağlayarak, bu boru hattının uygulanması, minimum MATLAB deneyimine sahip olanlar için bile oldukça basit olmalıdır. Protokolde açıklandığı gibi genel adımlar, video ortak kaydı, optik akış tahmini, ilgi bölgesi (ROI) seçimi, ROI'ye özgü optik akış nicelemesi, optik akış büyüklüğü karşılaştırması, temel bileşen analizi (PCA) ve PCA karşılaştırmasından oluşur. Her adımda işlem hattı, protokolde belirtildiği gibi deneysel ve analitik ihtiyaçlara uyacak şekilde değiştirilebilir ve kod boyunca yorumlarla vurgulanabilir.

Sunulan video analiz hattını kullanırken akılda tutulması gereken birkaç sınırlama vardır. İlk olarak, davranışsal aparatın tasarımı dikkatlice düşünülmelidir. Hangi davranışsal tepkilerin beklenebileceği açık değilse, hayvanın mümkün olduğunca çok bakış açısına sahip olması gelecekteki analizlere fayda sağlayabilir. Bu nedenle, Şekil 1A'daki örnek video karelerinde gösterildiği gibi, hayvanın ön ve profil görünümlerini aynı anda yakalamak için bir veya birden fazla ayna takılması önerilir. İkinci olarak, video çekimi için sağlanan aydınlatmanın, görüş alanının (FOV) tüm ilgili özelliklerini görecek kadar parlak olması, ancak doygunluğa ulaşacak kadar parlak olmaması önerilir. Şekil 1A'da, fare burnunun önden görünümünün doygunluğa yakın bir noktada olduğu gözlemlenebilir, bu da parlaklıkta hareketi gösterecek herhangi bir dalgalanmayı yakalamayı zorlaştırır. Bu, Şekil 2B'de gösterildiği gibi, FOV'un bu bölümünde gözlemlenen optik akış varyasyonunun eksikliğine katkıda bulunmuş olabilir. Neyse ki, burnun profil görünümü bu sorunla karşılaşmadı ve ayna ROI'sinin analizine izin verdi. Ek olarak, deneyde görsel uyaranlar söz konusuysa doygunluk olasılığı da göz önünde bulundurulmalıdır. Doğrulama veri seti deneyinde, bir su ödülünün verildiğini işaret etmek için kullanılan bir ışık işareti, elde edilen videolarda geçici doygunluğa neden oldu ve optik akış tahmininde geçici bir artefakt oluşturdu. Bu artefakt, her iki ödül koşulu için optik akış izlerindeki iki keskin tepenin, ışık işaretinin açılıp kapatıldığı zamanla tam olarak aynı hizada olduğu Şekil 5A'da gözlemlenebilir. Bu artefakt, bu kısa zaman pencerelerinin sunulan boru hattıyla analiz edilmesini zorlaştırdı ve mevcut olmasaydı, Şekil 5B'de sunulan sonuçlar daha da önemli olabilirdi. Sabit sahne aydınlatması, çoğu optik akış algoritması için gerekli bir varsayımdır^14,16. Bu nedenle, bu video analiz hattı, hem denemeler içinde hem de denemeler arasında ortamın aydınlatmasının büyük ölçüde değiştiği deneyler için önerilmez. Üçüncüsü ve son olarak, hayvanların kayıt ortamına yeterli şekilde alışması, bu boru hattından yararlanacak herhangi bir deneyin önemli bir bileşenidir. Düzgün bir şekilde alıştırılmazlarsa, hayvanlar önemli stres tepkileri gösterebilir ve aksi takdirde video analizi yoluyla ayrıştırılabilecek ince uyaran güdümlü etkileri yıkayabilir.

İleriye dönük olarak, bu davranışsal analiz hattı, aynı anda kaydedilen davranışsal ve sinirsel tepkilerin koordineli değerlendirmesini kolaylaştırmak için kullanılabilir. Gösterildiği gibi, talimatsız davranışların nicel olarak değerlendirilmesi, karmaşık bir kayıt ortamında uyaranların belirginliğinin değerlendirilmesine ve ayrıca deney grupları ve koşullar arasında farklı davranışsal tepkilerin test edilmesine olanak tanır. Davranışsal tepkilerdeki bireysel farklılıkları veya deneme bazında eğilimleri araştırmak için daha fazla analiz yapılabilir, böylece karşılık gelen nöral aktivite incelenebilir. Ek olarak, uyaranla uyarılan hareket hakkında uzamsal bilgi elde etmek için PCA'nın dahil edilmesi, uyaran sunumu sırasında gözlemlenen belirli davranış dizilerinin gruplar ve koşullar arasında farklılık gösterip göstermediğini daha fazla araştırmak için kullanılabilir. Bu analiz hattı, kısıtlı ortamlarda çok yönlü davranışsal izleme sağlayarak çeşitli sinirsel kayıt yöntemlerine kolayca genişletilebilir. Araştırmacılar, dış uyaranların hem beyinde hem de davranışta nasıl temsil edildiğini araştırarak, uyaranların algılanmasının iç durumları ve bunların dış tezahürlerini nasıl etkilediğine dair daha kapsamlı bir anlayış elde etmeye hazırlanırlar.

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
MATLAB Bilgisayarlı Görü Araç	Kutusu MathWorks		https://www.mathworks.com/products/computer-vision.html
MATLAB Görüntü İşleme Araç	Kutusu MathWorks		https://www.mathworks.com/products/image-processing.html
MATLAB yazılımı	MathWorks		https://www.mathworks.com/products/matlab.html
MR uyumlu kamera " 12M-i" entegre LED ışıklı	MRC Systems GmbH	12M-i	https://www.mrc-systems.de/downloads/en/mri-compatible-cameras/manual_mrcam_12m-i.pdf