Çok Yönlü Ev Yapımı Video Kamera ve DeepLabCut kullanarak Operant Klima Odalarında Rats Izleme
June 15th, 2020
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.
Bu protokolde belirtilen yöntemleri izleyerek araştırmacılar, operant klima odalarında karmaşık davranış testleri yapan kemirgenlerin videolarını kaydedebilecek ve analiz edebilecektir. Protokol, ucuz video kamera nın nasıl inşa edilip açık kaynak izleme yazılımıyla birlikte kullanılacağını açıklar. Bu bir bütçe laboratuarları için cazip bir yaklaşımdır.
Bu yöntem, kemirgenlerde operant klima içeren araştırma projeleri için değerlidir. Video analizi büyük ölçüde testlerin bu tür görülen davranışların anlaşılmasını artırabilir gibi. Kamera standının açılışı etrafında metal halka takarak başlayın.
Ardından kamera modüllerini sete eşlik eden somun ları ve cıvataları kullanarak standa takın. Kamera modülü ve mikrobilgisayar daki şerit kablo bağlantı noktalarını plastik dudaklarının kenarlarında yavaşça birleştirerek açın. Kablolar gümüş konektörleri devre kartı na çarptırın, böylece kamera modülü üzerinde açık bağlantı noktasında şerit kablosu blaze.
Sonra plastik klips iterek yerine kilitleyin. Işlemi mikrobilgisayarda bir bağlantı noktası yla tekrarlayın. Daha sonra balıkgözü merceği kamera standındaki metal halkaya takın.
Mikrobilgisayarı plastik kasaya yerleştirin ve listelenen mikro SD kartı takın. Ardından bir monitör, klavye ve fareyi mikrobilgisayara bağlayın ve güç kaynağını bağlayarak başlayın. Bir terminal penceresi açın ve sudo apt tire yazın, güncelleme alın.
Ardından enter tuşuna basın. Sonraki tip sudo apt tam tire yükseltme ve enter tuşuna basın. Başlat menüsüaltında tercihleri ve raspberry PI yapılandırmalarını seçin.
Pencere açıldığında, arayüzler sekmesine gidin ve kamera ve I2C etkinleştirin sonra tamam tıklatın. Ek dosyayı usb bellek çubuğuna kopyalayın. Sonra mikrobilgisayarlar ev PI klasörüne aktarın ve yeniden adlandırın.
Terminal pencere tipi pseudo nano eğik çizgi vb, çizgi RC nokta yerel açın ve enter tuşuna basın. İmleci fi ve çıkış sıfır arasındaki boşluğa taşımak için klavye ok tuşlarını kullanın. Ardından, bilgisayarın kopyalanan komut dosyasını başlatmasını sağlamak için metin ekleyin.
Ve kızılötesi LED'ler, ne zaman önlerini çizmese. Denetimi ve X tuşuna basarak değişiklikleri kaydedin ve ardından Y tuşuna basın ve girin. Sonraki lehim rezistansları ve iki renkli LED'lerin bacaklarıüzerine dişi jumper kabloları.
Lehim dişi jumper kabloları iki düğme anahtarları üzerine. Sonra anahtarları renkli LED'ler ve listelenen kızılötesi led modülü bilgisayarlara GPI çember biter bağlayın. Düzgün bağlandığınızda, bir led kameranın açık olduğunu ve kullanıma hazır olduğunu gösterir.
Diğeri kameranın bir video kaydettiğini gösterirken. Uzun kablolara sahip düğme, video kayıtlarını başlatmak ve durdurmak için kullanılır. Bu kısa kabloları n için düğme kamerayı kapatmak için kullanılırken.
Protokolü, protokoldeki belirli bir adımın göstergesi olarak operant chambers house Light'ı kullanacak şekilde ayarlayın. Ardından, bu protokol adımı göstergesinin etkin hale gelmesiyle ilgili olarak zaman damgaları ile ilgili tüm ilgi çekici olayları kaydetmek için protokolü ayarlayın. Kamerayı operant odalarının üzerine yerleştirin ve güç kaynağı kablosu aracılığıyla elektrik prizine bağlayarak başlayın.
Video kayıtlarını başlatmak ve durdurmak için önceden bağlanan düğmeyi kullanın. Video kayıtları tamamlandığında, kamerayı bir monitöre, klavye faresine ve USB depolama aygıtına bağlayın ve video dosyalarını masaüstünden alın. Kaydedilen videolardan bir veya daha fazlasından 700 ila 900 video karesini ayıklamak için DeeplabCuts çerçeve kapma işlevini kullanın.
Seçtiğiniz video karelerinin hayvanı hem açıkların dışında hem de içinde sabit ve farklı yönlerde hareket eden farklı duruşlarda görüntülediğinden emin olun. Farenin kulakları arasında merkezi bir konuma bir baş etiketi yerleştirerek her video karesinde fare başının konumunu el ile işaretlemek için etiketleme araç kutusunu kullanın. Ayrıca ilgi çekici olabilecek diğer vücut parçalarını etiketle.
Ayrıca, etkin olarak parladığı her video karesinde protokol adım göstergesinin konumunu işaretleyin. Daha sonra, etiketli video çerçevelerinden bir eğitim veri kümesi oluşturmak ve sinir ağının eğitimini başlatmak için eğitim veri kümesini oluşturun ve ağ işlevlerini eğitin. Bir sinir ağı eğitildiğinde, toplanan videoları analiz etmek için kullanın.
Bu, fare kafasının parça konumlarını, ilgi çekici diğer vücut parçalarını ve her video karesinde protokol adım göstergesini listeleyen bir CSV dosyası oluşturur. Buna ek olarak, parça konumlarının görsel olarak görüntülendiği işaretli video dosyaları oluşturur. Operant odaları içinde belirli ilgi noktalarının koordinatlarını elde etmek için, bunları daha önce açıklandığı gibi el ile işaretleyin ve proje klasöründe etiketlenmiş veriler altında otomatik olarak depolanan CSV dosyasından koordinatları alın.
Protokol adım göstergesinin video segmentlerinde bir önceki bölümde el ile elde edilen konumun 60 piksel içinde izlendiğine dikkat edin ve göstergenin etkin olduğu her dönem için tam başlangıç noktasını ayıklayın. Protokol adım göstergesinin etkin hale geldiği noktaları ve operant odaları tarafından kaydedilen zaman damgalarını kullanın. Hangi video segmentlerinin deneme ler arası aralıklar, yanıtlar veya ödül alma lar gibi test protokolünün belirli olaylarını kapsadığını belirlemek için.
Belirli ilgi alanları olan olayları kapsayan video çerçevelerine dikkat edin. Son olarak bu olaylar sırasında hayvanın konumu ve hareketlerinin derinlemesine analizini yapın. Kameranın balık gözü lensi, çoğu kemirgen operant klima odalarının içinin tam görüntüsünü yakalamasına izin vermelidir.
Uygun bir kızılötesi aydınlatma kaynağı kullanarak, kamera aynı zamanda tam karanlıkta video çekimine de olanak sağlayacak. İyi eğitilmiş bir ağ, bir hayvanın kafasını takip ederken %90'ın üzerinde doğruluk sağlar. Doğru izleme, bir hayvanı hareketleri boyunca takip eden işaretler ve düzgün görünen çizilmiş yollar tarafından açıkça tanımlanabilir.
Buna karşılık, yanlış izleme güvenilir hedef kalmak olmayan işaretleri ve pürüzlü çizilmiş yollar ile karakterizedir. Bu yanlış izleme nin bir sonucu olarak genellikle hesaplanan hareket hızlarında ani kaymalara neden olur. Bir test oturumu boyunca bir hayvanın nerede bulunduğunu izleyerek, farklı hareket kalıpları performans ile nasıl ilişkili olduğunu değerlendirebilirsiniz.
Örnek olarak, beş seçenekli seri tepki zaman testinde, denemeler arası aralıktaki kafa hareketleri, hayvanın yanıt vermeye sınırlı bir ilgi gösterdiği emisyon denemelerini ayırmak için kullanılabilir. Hayvanın kısa ışık işaretini fark edemediği bir görev denemelerinden. Buna ek olarak baş hareketleri araştırılması farklı dikkat stratejilerinin saptanmasını ve karakterizasyonunu sağlayabilir.
Bu yordamı denerken, protokol adım göstergesinin güvenilir olması önemlidir. Ve sinir ağı video karebir dalış ert ile eğitilir. Doğru bir izleme sağlamak için.
View the full transcript and gain access to thousands of scientific videos
Genel Bakış
Bu protokol, düşük maliyetli bir video kameranın yapımını ve operant koşullanma odalarında kemirgen davranışı takip etmede uygulamasını açıklamaktadır. Açık kaynaklı takip yazılımını kullanarak, araştırmacılar karmaşık davranışların analizini geliştirebilirler.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Nörobilim
- Davranış Analizi
- Operant Koşullanma
Arka Plan
- Operant koşullanma, hayvan davranışını incelemek için yaygın bir yöntemdir.
- Video analizi, davranışsal kalıplar hakkında daha derin bilgiler sağlayabilir.
- Geleneksel yöntemler, bütçe kısıtlamaları ile sınırlandırılabilir.
- Açık kaynaklı araçlar, gelişmiş takip teknolojilerinin erişimini demokratikleştirebilir.
Çalışmanın Amacı
- Davranış çalışmalarında video kaydı için uygun maliyetli bir çözüm sağlamak.
- Deneyler sırasında hayvan hareketlerinin takipini kolaylaştırmak.
- Davranışsal veri analizinin doğruluğunu artırmak.
Kullanılan Yöntemler
- Küçük bir video kameranın yapımı.
- Açık kaynaklı takip yazılımı ile entegrasyon.
- Operant koşullanma odalarında kemirgen davranışı kaydı.
- Hayvan pozisyonlarını takip etmek için video verilerinin analizi.
Ana Sonuçlar
- Protokol, kemirgen davranışı etkili bir şekilde takip etmeyi sağlar.
- Video analizi, operant koşullanma sonuçlarının anlaşılmasını geliştirir.
- Maliyet etkin yöntemler, çeşitli araştırma laboratuvarları için erişilebilirdir.
- Video analiz teknikleri ile veri kalitesi artırılmıştır.
Sonuçlar
- Bu protokol, davranışsal araştırmalar için pratik bir yaklaşım sunar.
- Video takibi kullanmak, veri analizini önemli ölçüde geliştirebilir.
- Açık kaynaklı çözümler, bütçe bilincine sahip araştırma girişimlerini destekleyebilir.
Sıkça Sorulan Sorular
Executive Industry Relevance
This protocol enables cost-effective video-based behavioral analysis in operant conditioning chambers, addressing a key limitation in neuroscience research where sensor-derived data alone cannot capture spatial movement patterns. By integrating a versatile homemade camera system with DeepLabCut, labs gain the ability to quantify animal positioning and locomotion—parameters critical for mechanistic de-risking in target validation and phenotypic screening workflows. The approach supports predictive confidence in preclinical models by enabling detailed behavioral phenotyping without reliance on expensive commercial systems.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses through quantitative analysis of rodent movement patterns during operant tasks, supporting functional target validation.
- Operational Value: Provides a reproducible method to assess behaviors not detectable via lever or nose-poke sensors, reducing mechanistic ambiguity in early-stage target assessment.
Screening & Assay Development
- Scientific Value: Generates standardized, quantitative positional data from video frames, enabling reliable compound evaluation in behavioral assays.
- Operational Value: Facilitates assay readiness by producing trackable outputs (e.g., head position, protocol indicator alignment) that support high-throughput video analysis pipelines.
Translational & Preclinical Research
- Scientific Value: Supports disease-relevant system modeling by capturing naturalistic behaviors (e.g., head movements during inter-trial intervals) linked to attentional states and task engagement.
- Operational Value: Enables continuity from discovery through preclinical validation by providing scalable, reusable video tracking across test sessions and experimental conditions.
Pipeline & Workflow Integration
The method fits within the discovery continuum from hypothesis testing to lead identification, where detailed behavioral readouts inform target selection and compound prioritization based on movement-based phenotypes.
- Discovery Biology: Supports hypothesis testing and pathway clarification by tracking animal position relative to environmental cues, enabling correlation of movement with cognitive performance.
- Screening: Delivers assay standardization and quantitative outputs (e.g., CSV-tracked coordinates) that allow comparison across treatment groups and timepoints.
- Analytics: Provides statistical-ready data (e.g., frame-by-frame position, indicator activation timing) for in-depth analysis of behavioral events such as reward retrieval or inter-trial intervals.
- Translational Research: Connects to preclinical continuity by enabling detection of distinct attentional strategies and movement patterns relevant to neuropsychiatric disease models.
- Enterprise Reuse: Establishes a modular, adaptable capability for video-based phenotyping that can be deployed across multiple operant chambers and behavioral paradigms.
Operational & Enterprise Impact
- Scientific Value: Enhances predictive confidence by reducing reliance on indirect behavioral proxies and enabling direct observation of spatial dynamics in operant tasks.
- Operational Value: Ensures reproducibility through standardized camera setup and DeepLabCut pipeline, supporting cross-lab consistency in behavioral data generation.
- Strategic Value: Improves go/no-go decisions by uncovering subtle behavioral phenotypes (e.g., limited responsiveness vs. cue detection failure) that inform compound efficacy and target engagement.
- Portfolio Impact: Enables risk-adjusted advancement by identifying mechanistically informative behavioral signatures early in discovery, reducing late-stage attrition due to poor translational predictivity.
Implementation Considerations
- Requires basic electronics and soldering skills for camera assembly, including resistor and jumper cable integration with GPIO components.
- Depends on accessible hardware such as Raspberry Pi, camera module, fisheye lens, infrared LEDs, and USB storage for video retrieval and processing.
- Necessitates cross-team standardization in video acquisition protocols (e.g., consistent lighting, frame rate, indicator synchronization) to ensure reliable DeepLabCut training and tracking accuracy.
- Involves adaptation considerations when applying the system to different chamber geometries or behavioral setups, particularly regarding camera positioning and field of view.
- Practical limitations include dependency on sufficient infrared illumination for low-light tracking and the need for diverse, well-postured training frames (>700) to achieve >90% head tracking accuracy as noted in the protocol.
Biopharma FAQs
Chapters in this video
0:04
Introduction
0:50
Building the Video Camera
3:32
Designing the Operant Conditioning Protocol and Recording Videos of Animals
4:14
Analyzing Videos with DeepLabCut
5:50
Identifying Video Segments of Interest
6:37
Results: Camera performance and Video Tracking to Complement Analysis of Operant Behaviors
8:03
Conclusion
