Sıçanlarda arka uzuv lokomotor kinematiklerinin nesnel nicelendirilmesi için derin öğrenme tabanlı çok eklemli senkron izleme
April 3rd, 2026
Bu protokol, derin öğrenme odaklı çok eklemli yörünge otomatik etiketleme ile işaretçisiz koşu bandı testi kullanarak sıçan arka ayağı kinematik değerlendirme boru hattı oluşturur; bu da tekrarlanabilir hareket niceliğini sağlar.
Fare hareketlerini takip etmek için yapay zeka tabanlı bir koşu bandı geliştirdik, bu da omurilik yaralanmasının iyileşmesini hassas bir şekilde değerlendirmemize yardımcı oldu. Karmaşık eklem ekonomisi anlamına gelen geleneksel ayak izi yöntemlerinin aksine, sahte yapay zeka sistemimiz çoklu eklemli hareketleri doğrudan takip eder. Başlamak için, endüstriyel kişisel bilgisayarı açın ve video alma ve analiz yazılımını başlatın.
Kamera lensini, koşu bandının boyuna eksenine dik konumlandırarak, koşu bandı kemer düzleminden yatay çalışma mesafesi 15 santimetre tutarak, tamamen yansal bir görünüm elde edin. Sonra, her farenin vücut ağırlığını elektronik bir tarazıyla kaydedin. Vücut boyutu etkilerini en aza indirmek için sadece vücut ağırlığı eşleşmiş fareleri dahil edin.
Eldiven giyin ve fareyi nazikçe tutun. Elastik göğüs kayışını ön koltuk altına dolayın ve ayarlanabilir kayma rayına takın. Sonra kayışı ayarlayın ki bir parmak nefes almakta zorlanmadan takılabilir.
Dokunmatik kontrol ekranında hızı saniyede 150 milimetreye ve eğimi sıfır dereceye ayarlayın. Fareyi vücut ağırlığı destek seviyesine uyarlamak için 10 dakikalık bir uyum seansı yapın ve sıçanını hareket etmeye isteksizlik ve uzun süreli dışkı gibi stres ve yorgunluk belirtileri açısından izleyin. Sıçan en az 60 saniye boyunca pati sürüklenmeden ve doğal olarak asılı kuyruğuyla sürekli ve tekiz adımlarını sürdürdüğünde başarılı alışma teyit olun.
Maksimum uyum süresinden sonra bu kriterleri karşılamayan hayvanlar hariç tutulur. Dokunmatik ekranda resmi deney parametrelerini girin. İstenilen hız ve eğimi sıralı girin, ardından koşu bandı kayışı yönünü seçin.
Sabitlemeden sonra, veri toplamaya başlamak için Kaydı başlat seçeneğini seçin. Sürekli olarak en az beş tam yürüyüş döngüsünü yakalayın. Her denemenin sonunda hızı saniyede sıfır milimetreye indirin.
Göğüs kemerini açın ve fareyi ilgili kafese geri götürün. Hedef yürüyüşü içeren yaklaşık 10 saniyelik video bölümlerini çıkarın; en az 10 kararlı yürüyüş döngüsü var. Fare bilgilerini, kimlik numarası, grup ve deneysel koşullar dahil olmak üzere kaydedin.
MOV dosyasını analiz yazılımına aktarın. Her yürüyüş döngüsünü sıfırdan %100'e normalleştirerek döngü uzunluğunu standartlaştırın. Yürüyüş dinamiklerini göstermek için temsil eden görüntüler oluşturun.
Her eklemin zaman içindeki mekansal konum koordinatlarını daha fazla analiz için csv dosyası olarak dışa aktarın. Hayvan modellemesi tamamlandıktan sonra, elektrofizyolojik kayıt cihazını implante edin. Beyin sinyal kaydı için, kafatası yüzeyine, epidural boşluğa veya beyin korteksine elektrotlar yerleştirilerek beyin sinyallerini kaydedersiniz.
Omurilik kaydı için, kayıt elektrotlarını omurgalar arası foramenin epidural boşluğuna yerleştirin. Elektromiografi kaydı için, kas elektriksel aktivitesini kaydetmek amacıyla hedef kaslara bipolar gümüş teller gömülür. Hayvanın implantasyondan sonra beş ila yedi gün boyunca iyileşmesine izin verin.
Koşu bandı testi öncesinde enfeksiyon veya ağrı belirtisi olmadığından emin olmak için yarayı ve yürüyüşü her gün kontrol edin. Senkronize deneyden önce ekipmanı ve hayvanı hazırlayın. Daha sonra elektrofizyolojik veri toplama işlemi hareket videosu ile senkronize edilerek her ikisinin de aynı zaman damgasını paylaşmasını sağlar.
Analiz sırasında sinir sinyallerini ilgili video kareleriyle hizalamak için farklı yürüyüş fazlarındaki elektrofizyolojik desenleri görselleştirin. Omurilik yaralanması olan farelerde önemli sallanma kaybı ve düzensiz iliak yer değiştirme eğrileri gösterildi. Omurilik yaralanması olan farelerde, sağlıklı farelere kıyasla eklem açısı dalgalanmaları arttı.
Eklem hareket aralığı ısı haritası, omurilik yaralanması olan farelerde sağlıklı farelere kıyasla renk ölçeğinde yaygın bir azalma gösterdi; yörünge aktivite haritası ise her eklemin hareket aralığında önemli bir azalma ve hareket sürekliliğinin bozulduğunu gösterdi. Omurilik yaralanması olan fareler için, nokta bulut haritası artan dispersiya ve kütle merkezinin sola kaymasını göstermiştir. Yükseklik şelale grafiği, gruplar arasında x ekseni boyunca bimodal bir dağılım, hareketin ortasında genel bir fark düşüşü gösterir.
Y ekseni için, hareketin başında bir fark düşüşü gözlemlenir. Genel fark dağılımı kaotiktir; bu da omurilik yaralanması olan farelerde sağlıklı farelere kıyasla anormal hareket evreleri olduğunu gösterir. Omurilik yaralanması olan farelerde parmakların dikey yükseklik ve tepe dağılımı, sağa kaydırılmıştır.
Hız aralığı tablosu, her frame'deki birleşik hız aralığının yaralanma grubunda daraldığını gösterdi. Ayrıca, omurilik yaralanması olan farelerde faz düzlemi alanı, tahmini zirve itki kuvveti indeksi ve hareket düzgünlüğü göstergelerinde de azalma görüldü. Sistemimiz, araştırmacıların çoklu eklem yörüngelerini, kuvvet dağılımını ve hareket akıcılığını gerçek zamanlı olarak hassas bir şekilde ölçmelerini sağlar.
Önemli bir husus, farenin koşu bandı sistemine tamamen alıştırılması, böylece sabit ve yürüş kalıplarını analiz etmelidir. Sistemi EMG veya EEG ile senkronize ederek bu hareketin arkasındaki mekanizmaların sinyallerini çözebiliriz.
View the full transcript and gain access to thousands of scientific videos
Overview
This article presents a markerless, treadmill-based gait analysis system for rodents that leverages custom deep learning algorithms to enable real-time, multidimensional tracking of lower-limb joint kinematics. The system provides objective, high-throughput quantification of gait parameters under various experimental conditions, and is validated using spinal cord injury (SCI) models to demonstrate its sensitivity and utility in neuromuscular research.
Key Study Components
Area of Science
- Neuroscience
- Kinesiology
- Behavioral analysis
- Biomedical engineering
Background
- Accurate assessment of rodent gait is critical for studying neuromuscular and neurological disorders.
- Traditional footprint-based methods are limited in capturing complex, multi-joint kinematics.
- Objective, high-dimensional gait analysis tools are needed to reduce bias and improve data richness.
- Integration of neural signal recording with behavioral analysis can elucidate central-peripheral control mechanisms.
Purpose of Study
- To develop a markerless, AI-driven treadmill system for real-time, multi-joint gait analysis in rodents.
- To enable objective quantification of gait parameters under variable speed, incline, and weight support.
- To validate the system's sensitivity in distinguishing healthy from spinal cord injured rodents.
Methods Used
- Setup of a programmable treadmill with lateral video capture for markerless joint tracking.
- Application of deep learning algorithms for automatic extraction of joint trajectories and gait parameters.
- Experimental modulation of treadmill speed (0–300 mm/s), incline (±30°), and weight support (0–500 g).
- Integration of electrophysiological recordings (EEG, EMG, spinal cord signals) synchronized with gait video.
- Analysis of gait cycles, joint kinematics, force distribution, and movement smoothness.
Main Results
- The system enables real-time, high-throughput extraction of multi-joint trajectories and gait cycle parameters.
- SCI rats exhibited significant loss of swing, irregular iliac displacement, increased joint angle fluctuations, and reduced range of motion compared to healthy controls.
- Heat maps and trajectory analyses revealed impaired movement continuity and altered force distribution in SCI rats.
- Synchronization with neural recordings allowed visualization of electrophysiological patterns across gait phases.
Conclusions
- The markerless treadmill system provides objective, multidimensional gait analysis, overcoming limitations of traditional methods.
- It is sensitive to neuromuscular deficits and suitable for disease discrimination and grading.
- The platform supports integration with neurophysiological recordings, enabling advanced studies of motor control and neuromodulation.
