SwarmSight: Gerçek zamanlı izleme böcek anten hareketleri ve hortum uzantısı refleks bir ortak hazırlık ve geleneksel donanım kullanarak

Published 12/25/2017
0 Comments
  CITE THIS  SHARE 
Neuroscience
 

Summary

Bu iletişim kuralı--dan geleneksel bilgisayarları kullanan geleneksel web kamera video böcek anten ve hortum pozisyonların kare kare takibi için yeni yazılım, SwarmSight, kullanma adımları açıklar. Ücretsiz, açık kaynak yazılım çerçeveler yaklaşık 120 kez insanlar daha hızlı işler ve insan doğruluğu daha iyi at gerçekleştirir.

Cite this Article

Copy Citation

Birgiolas, J., Jernigan, C. M., Gerkin, R. C., Smith, B. H., Crook, S. M. SwarmSight: Real-time Tracking of Insect Antenna Movements and Proboscis Extension Reflex Using a Common Preparation and Conventional Hardware. J. Vis. Exp. (130), e56803, doi:10.3791/56803 (2017).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

Birçok bilimsel olarak ve tarıma önemli böcek anten uçucu kimyasal bileşikler olup olmadığını belirlemek ve besleme sırasında onların hortum genişletmek için kullanın. Yeteneği hızla doğal anten ve hortum hareketlerinin yüksek çözünürlükte ölçümler elde ve nasıl yanıt kimyasal, gelişimsel ve genetik manipülasyon olarak değiştirmek değerlendirmek böcek davranış anlayış yardımcı olabilir. Toplama böcek sürüsü veya doğal den hayvan grubu hareketleri ve laboratuvar videoları video analiz yazılım SwarmSight kullanarak değerlendirilmesi üzerinde bizim önceki iş genişleterek, biz SwarmSight ek parça bir roman, ücretsiz ve açık kaynak yazılım modülü, Gelişmiş (SwarmSight.org) böcek anten ve hortum pozisyonların kare kare izleme için geleneksel bilgisayarları kullanan geleneksel web kamera video izleme. Yazılım çerçeveler insanlardan daha yaklaşık 120 kat daha hızlı işler, insan doğruluğu daha iyi, gerçekleştirir ve, 30 çerçevelemek-de ikinci (fps) video, kullanarak antennal dynamics yakalayabilir ilâ 15 Hz. Önemli kötü antennal retractions koku kaynağı yaklaşık 1 uzak buldum ve bal arıları antennal yanıt için iki kokuları izlemek için kullanılan yazılım koku sunum sonrası s. Biz küme oluşumu ve küme harita ve koku konsantrasyon bağımlılığını açı demek anten pozisyonu yoğunluk ısı gözlenen.

Introduction

Çoğu eklembacaklılar antenler veya çevre ipuçları ve sinyalleri zaman ve mekan içinde örnek için ek diğer parça taşımak. Hayvanlar anten kimyasal tenler ve tat ve mekanik uyaranlara1,2,3,4gibi duyusal yardımlar algılayarak çevreleri gezinmek için kullanabilirsiniz. Böcekler, anten duyu reseptörleri için kimyasal tenler4,5,6 bağlamak ve merkezi beyin bölgeleri1,7 koku duyusal sinir hücreleri ile bu sinyal iletimi içerir. ,8,9. Böcekler gelen kokular4,10,11hakkında bilgi modüle için anten konumlarını ayarlayabilirsiniz. Bu modülasyon aktif olarak bilinçli davranış yanıt kokuları ve onların tüyleri12,13kolaylaştırır.

Onların hortum14 genişleterek Hymenopterans (Örneğin, bal arıları ve bumblebees), Lepidopterans (Örneğin, kelebekler) ve Dipterans (Örneğin, sinekler ve Sivrisinek), diğerleri arasında da dahil olmak üzere birçok böcek yem , 15 , 16 , 17 , 18 , 19 , 20 , 21. hortum uzantısı güvenilir bir şekilde kullanılmıştır geçmişte öğrenme ve hafıza görevleri22,23,24,25,26, çeşitli 27,28,29,30,31. Benzer şekilde, anten hareket yüksek zamansal ve mekansal çözünürlüklü kantitatif değerlendirilmesi uyarıcı, davranış ve hayvanın iç durumu arasındaki ilişkiyi içgörü verim olabilir. Nitekim önceki çalışma nasıl antennal hareketleri zengin miktarda çevre bal arı izleme hakkında bilgi içerir ve hareketlerini32,33,34öğrenme ile değiştirme göstermiştir, 35,36,37,38.

Son on yılda, hayvan davranışları gözlemleyerek yöntemleri büyük ölçüde yüksek çözünürlüklü video kameralar, gelişmeler tarafından bilgisayar işleme hızları ve makine vizyon algoritmaları hız verildi. Hayvan algılama, sayma, izleme ve yer tercih analizleri gibi görevler videoları hayvan davranış işleyebilir gelişmiş yazılım ile destekli ve özü ilgili önlemler39,40, 41,42,43,44,45,46,47.

Bu teknolojiler de böcek anten ve hortum hareketlerinin izleme destekli. İnsan raters el ile anten konumunu izlemek için bir fare imlecini kullanarak mümkündür. Ancak, bu yöntem doğru olabilir de, zaman alıcı bir görevdir ve insan dikkatsizlik ve yorgunluk güvenilmez sonuçlar neden olabilir. Yangın önleyici donatım ve hazırlık karmaşık yazılım ihtiyacını azaltmak için kullanılabilir. Örneğin, bir Kur yüksek hızlı kamera kullanılan ve anten hareket48izlemek için anten uçları boyalı. Kullanıcılar anahtar-çerçeve yazılım anten ve hortum konumu49saptanmasında yardımcı olması için videoları seçmek için de sorulabilir. Başka bir yaklaşım anten tanımlamak için iki büyük hareket kümeleri algılandı ama hortum yer50algılamaz. Başka bir yazılım paketi anten ve hortum konumları algılayabilir, ancak yaklaşık 7.5 gerektirir işleme süresinin çerçeve51gerçek zamanlı veya uzun vadeli gözlem çalışmaları için engelleyici olabilir, her s. Son olarak, ticari yazılım paketleri (Örneğin, EthoVision)46görev gerçekleştirmek için özelleştirmek mümkün olabilir, ancak lisans ve eğitim maliyetlerini engelleyici olabilir.

Burada açıklanan yöntemi ile biz önceki çalışmalarımız böcek anten ve hortum ile aşağıdaki hedeflere konumlarını izlemek için hareket analiz yazılımı41 Genişletilmiş: (1) özel bir donanım veya karmaşık hayvan hazırlık için bir gereksinim (2). gerçek zamanlı, işleme çerçeve (30 kare/sn veya daha hızlı) geleneksel bir bilgisayarda, kullanım ve (4) açık-kaynak, kolayca genişletilebilir kodu (3) kolaylığı.

Elde edilen roman yöntemi ve açık kaynak yazılım, Apendiks SwarmSight izleme, resim anten ipuçları gerektirmez, tüketici web kamera video ve süreçleri üzerinde bir geleneksel bilgisayar (30-60 fps, video kareleri yakalamak için kullanabilirsiniz Şekil 1). Yazılım video dosyalarını giriş olarak alır. Kullanıcı video böcek başından konumunu bulur ve işlendikten sonra virgülle ayrılmış değerler (.csv) dosyası anten ve hortum konumları ile üretilir. Belgili tanımlık bilgisayar yazılımı kullanarak FFmpeg Kütüphane52farklı video formatlarını (çoğu dijital fotoğraf makinesi tarafından üretilen biçimleri de dahil olmak üzere) yüzlerce okuma yeteneğine sahiptir.

Figure 1
Şekil 1: hayvan kurulum ve yazılım çıktı. (A) A bal arı forager kafa ve ölçülü bir koşum vücut ile. Kaynak hayvan, bir video kamera önünde yerleştirilir (B) koku yukarıda konumlandırılmış ve bir vakum kaynak hayvan yer alıyor. Videodan SwarmSight yazılım tarafından algılanan (C) anten ipucu ve hortum değişkenleri. (D) kullanıcı anten sensör üzerinde hayvan konumlandırır ve filtre parametrelerini ayarlar. Yazılım anten ve hortum pozisyonlar (sarı halkalar) algılar.Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

İlk olarak, anten ve hortum hareketleri (şekil 1A) kolayca gözlenir öyle ki bir böceğin beden ve kafasını bir koşum sınırlanmıştır. Bir koku kaynağı böcek önünde, arkasında, havadan kokuları çıkarmak ve duyusal uyum (şekil 1B) potansiyel etkilerini en aza indirmek için yerleştirilen bir vakum kaynağıyla yerleştirilir. Geleneksel örümcek ağı fotoğraf makinesi tripod üzerinde böceğin başının üstünde yer alıyor. Bir LED koku sunulduğunda belirtmek için kameranın görüş içinde konumlandırılmış olabilir.

Figure 2
Şekil 2: anten koordinat sistemi. X, Y değerleri sol üst kökeni ve X ve Y değerleri artış doğru sağ alt köşedeki taşırken nerede video koordinat sistemi kullanır. Açı derece açık (genellikle koku kaynağı) Başkanı ile ilgili olarak ifade edilir. Anten kamçı tarafından kurulan satırı doğrudan önünde hayvan işaret ediyor "0" değeri belirtir. Bütün açıları olumlu dışında bir anten işaret ettiğinde karşıt yönü (Örneğin, sola doğru kamçı puan) vardır. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Filme sonra video dosyasını nereye kullanıcı anten sensör widget (şekil 1 d, siyah kare) böcek kafasına konumlandırır ve video oynatma başlar SwarmSight yazılımı ile açılır. Sonuçları kaydedildiğinde, .csv dosyası X içerecek anten Y konumlarını ipuçları, anten açıları ön hortum ve kafa (Şekil 2) göre X, Y konumu. Ayrıca, bir baskın sektör ölçü her anten için hesaplanır. En çok puanı içerdiği çevresindeki her anten beş 36 derece sektörlerin metrik gösterir anten olma olasılığı kabul ve anten konum/açı ölçümleri nedeniyle gürültülü veya aksi takdirde sorunlu videoları güvenilir değilseniz yararlı olabilir.

Kısaca, yazılım bir dizi hareket filtreleri53 ve rahat taşkın dolgu algoritması54kullanarak çalışır. Büyük olasılıkla anten noktaları bulmak için iki filtreler kullanılır: 3 ardışık kare farkı filtre41,55 ve medyan-arka plan çıkarma56 filtre. Renkli mesafe eşik filtre hortum nokta algılama için kullanılır. İlk % 10 'un her filtre noktalarından birleştirilir ve 2 piksel (px) kadar boşluklar ile bitişik Puan inceler taşkın dolgu algoritması en uç noktaları bulur. Çerçeve kod çözme, işleme ve işleme boru hatları ve optimize bellek ayırma filtre veri akışının yüksek performans elde paralel. Ham x ve y koordinat değerlerini yazılım tarafından üretilen bir 3-çerçeve haddeleme medyan filtresi57 ile sonrası işlenmiş ( konuyabakın). Tam kaynak kodu indirmek için yönergeleri çevrimiçi58bulunabilir.

Aşağıda bir bal arı forager izleme anten için hazırlamak için bir protokoldür. Benzer bir iletişim kuralı diğer böcek anten/hortum hareketleri izlemek için kullanılabilir. Sonuçlar bölümünde, yazılım, yazılım çıktı insan raters ve anten hareket yanıt beş odorants olarak değerlendirilmesi, gerçekleştirdikleri izleme için karşılaştırma tarafından algılanan bir örnek anten izleme çıktısı açıklar.

Protocol

1. yakalamak ve bal arıları koşum

  1. Smith ve yük59Protokolü 1 3.1.1 arası adımları izleyin.

2. hayvan koşum takımı ve Video kamera hazırlanması

  1. Bacaklar görsel teftiş bacakları en baştan hareketli görülemez koşum tüp tepesinden teyp uygulayarak gizle.
  2. Baş böcek kafasının arkasına ısıtmalı balmumu uygulayarak dizginlemek. Kafa değil hareketli ve sabit olduğunu kontrol edin. Bu noktada, anten ve sapa tek ekleri serbest olmalıdır.
  3. Anten ve video arka plan arasındaki kontrast böcek emniyet kemeri altında beyaz kağıdın yerleştirerek en üst düzeye çıkarmak. Daha sonra kamerayı ayarlamak gerek en aza indirmek için kağıt üzerinde böcek koşum konumunu işaretleyin ve sonra yeni bireyler aynı konumda yer.
  4. Böceğin başının üstünde kamera yerleştirmek için bir tripod veya bir web kamerası tutucu kullanarak kamera konumunu saptamak. Kamera yazılımı kullanarak, önizleme video ve video her tarafında ~ 20-%30 izni için izin baş resim büyütmek için yakınlaştırmak.
    1. Sadece hareket eden nesneleri kamera görünümünde antenler veya hortum/kıskacı ve kamera veya hayvan gerekirse yeniden konumlandırmak emin olun.
      Not: SwarmSight baş çevreleyen piksel hareket olup olmadığını denetler. Bacaklar, gölgeler, fanlar veya insanlar neden başın hemen yakınında yabancı hareket yazılım yanıltır ve ek paraziti.
  5. Anten gölgeler ortam aydınlatma ayarlayarak simge durumuna küçültün.
    Not: Yazılımın bazı gölgeler tolere edebilir ama en iyi sonuçlar için onlar minimumda tutulmalıdır.
  6. Otomatik kamera poz ayarlar kamera çekim hızı video boyunca sabit tutmak için kamera çekim hızı yazılımı kullanarak önlemek. Yazılımı kullanarak, 'Web kamerası ayarları' altında 'pozlama kaydırıcısını' ayarlayarak kontrast (video sahne çok açık veya çok koyu), en üst düzeye çıkarmak için çekim hızını ayarlamak
    Not: Yukarıdaki talimatlar web kamerası ve kullanılan yazılımlar için özeldir. Bunlar diğer web kamerası kullandıysanız adapte gerekir.
  7. Koku teslim kaynağını yerleştirebilir ve bu kamera görünümü kamera video yem inceleyerek engel değil emin olun. Bir vakum kaynak uyarıcı kokuları çıkarmak için karşı tarafta yerleştirilir emin olun.
  8. Bir LED veya kamera görünümü içinde koku teslim belirtmek için parlaklığı değiştirir bazı görsel gösterge yerleştirin.
    Not: LED parlaklık değeri yazılım tarafından kaydedilir ve koku teslim başlar ve biter tam çerçevelerin görüntüleneceğini belirlemek için kullanılır.

3. her bireyin deneysel koşullar altında film

  1. Her bireysel böcek ve test durumda ayrı video her tek tek test kombinasyonu ayrı olarak kayıt veya kullanarak video dosyaları film düzenleme yazılımı daha küçük dosyalara uzun video dosya bölme.
    Not: Yazılımın her video ve sabit kalması baş baş konumunu bulmak kullanıcı gerektirir. Kafa hareket ederse, sunulan ek gürültü. SwarmSight toplu işleme özelliği hızla baş birden fazla video için konumunu ayarlamak kullanıcı sağlar ve böcek başından her video dosyası süresi için sabit kalır varsayar. Uzun video dosyaları bölmek yönergeler çevrimiçi60bulunabilir.

4. video analizi

  1. Download ve online58sağlanan adımları izleyerek 'Anten izleme' modülü yükleyin.
    Not: yazılımı kullanma hakkında Video tutorials Web sitesinde de mevcuttur.
  2. "Browse" düğmesini kullanarak bir filme hayvan gösterilen bir video dosyasını açın.
  3. Anten sensör ve tedavi sensör konumlandırma
    1. Bir kez video yükler, dikdörtgen "Anten sensör" widget ( şekil 1 d Örneğin bakınız) widget kafa ile hizalamak için döndürme ve ölçek simgeleri kullanarak hayvanın başının üzerine getirin.
    2. Dairesel "Tedavi sensör" widget ne zaman koku veya uyarıcı sunulan varlık gösteren LED üzerinde konumlandırın.
      Not: Tedavi sensör her kare için widget ortasındaki pikselin parlaklık değerini kaydeder.
  4. Başlangıç video işleme
    1. "Oynat" düğmesini (Siyah üçgen) kare analizi başlatmak için alt sol köşedeki tuşuna basın.
      Not: Algılanan büyük olasılıkla anten ve hortum noktaları vurgulanmış sarı olacak. Sarı halkalar ekleri ipuçları konumunu gösterir. Anten ve hortum uzantısı uzunluğu (0 nerede doğrudan önünde hayvan) açıları-ecek var olmak göstermek sol alt köşedeki "Model" widget (bkz. şekil 1 d). Sağ alt köşede "Baskın sektörler" widget nerede en çok anten puanı tespit beş 36 derece sektörler göreli yoğunluğunu gösterir. En hafif en varken karanlık sektörlerde en çok puanı, içerir. En çok puanı kesim sayısı (1-5)-ecek var olmak göstermek belgili tanımlık widget alt köşelerinde (bkz. şekil 1 d).
  5. Dışlama bölgeleri ekleme ve filtre Eşikleri ayarlama
    1. Filtreleri duyarlılığı değiştirmek için "Filtreler" bölümünde sağ panosunda kaydırıcıları ayarlayın.
      Not: ışık koşulları ve uzantıları genel hareket hızına bağlı olarak, farklı filtre hassasiyetleri en uygun olacaktır. Kullanıcı değerlerini ayarlama ve anten sensör widget vurgulanan alanda gözlemleyerek en uygun değerleri bulabilirsiniz. Hassasiyetleri ideal bir set bulunduğunda, yalnızca uzantıları vurgulanır. Bu video diğer bölümlerini ileri sarmak için filtre hassasiyetleri, çok uygun emin olmak için tavsiye edilir.
    2. İsteğe bağlı olarak, sağ panelde yabancı nesneleri yok saymak için "Anten sensör" bölümünü genişletin "Ekle dışlama bölgesi" (bkz. şekil 1 d) düğme ve tıkırtı üstünde kırmızı bir çokgen oluşturmak için içeriği tarafından gözardı noktaları bir dizi tıklama yazılım.
      Not: video yabancı hareket içerir ve hareket (hareketli bacaklar, güçlü gölgeler, laboratuar ekipmanları, vbÖrneğin, ) anten sensör widget'in bölge içinde ise, yazılım bu ek parça hareket için yanlış.
Yabancı nesneler kırmızı çokgenler veya "Dışlama bölgeleri" çizerek göz ardı edilemez Kırmızı bir çokgen içindeki herhangi bir şeye izleme için kullanılan olmayacaktır.
  • Sonuçları kaydetme
    1. Filtreler ve aletler ayarlandıktan sonra videoyu durdurun, başından itibaren kapatıp yeniden açın ve sonuna kadar oynamak.
      Not: tüm video oynadı sonra tüm video kareleri için ekleri konumlarını bellekte depolanır.
    2. Ek parça konum verileri bir dosyaya kaydetmek için "Kaydet" bölümüne sağ genişletin ve "Kaydet. CSV"düğme. Sonra dosyayı kaydetmek için bir klasör seçin.
      Not: "Kaydet. CSV"düğmesini işlem sonuçları bir .csv dosyasına kaydeder. Varsayılan olarak, kullanıcı video dosyasıyla aynı klasöre .csv dosyasını kaydetmek için sunulur ve bir tarih ve saat dosya adının bir parçası olacaktır. Sonuç .csv dosyası bir dizi anten açıları ve baskın sektörler, yönlendirme gibi ekleri, konumunu ve baş pozisyonu hakkında bilgi içeren sütunlar içerir. Her sütunun açıklaması online61sağlanır.
    3. İsteğe bağlı olarak, sütun (s) ve değerler alanları Kaydet bölümünde konu kimliği veya deneysel bir koşul adını gibi bilgileri kaydetmek için .csv dosyasına ilave bir sütun (veya daha fazla virgülle ayırarak belirtilmişse) oluşturmak için kullanın.
      Not: İlk sütun başlığında sütun (s) kutusundaki değeri görülür ve değerler kutusundaki değeri ilk sütunun tüm satırlarda tekrarlanacak.
  • Toplu iş işleme
    Not: Yazılım toplu çoklu video dosyalarını işleyebilir. Ancak, kullanıcı toplu iş başlamadan önce her video için baş konum bilgilerini sağlamanız gerekir.
    1. "Video dosyalarını" bölümünde, sağ bölmedeki ardışık olarak yazılım tarafından işlenmek üzere video dosyaların bir listesini oluşturma sağlayan bir pencere açmak için "Toplu işleme" düğmesini tıklatın.
    2. Bir veya daha fazla video dosyası toplu iş listesine dahil seçmek için "Eklemek daha fazla Video dosyaları için bir toplu iş" düğmesini kullanın.
    3. İsteğe bağlı olarak, aynı widget parametreleri kümesini kullanan birden çok video seçmek için "CTRL" veya "SHIFT" tuşlarını kullanın.
      Not: Parametre yeniden kullanım için iyi adaylar farklı deneysel koşullar arasında taşınmaz aynı hayvan videoları kümeleridir.
    4. "Ayarla sensör pozisyonlar için seçilen" düğmesini tıklatarak seçilen videolar için kullanılacak widget parametreleri ayarlamanın başlatın.
    5. Anten sensör, tedavi sensör, filtreler, parametrelerini ayarlamak veya bölümler ve "Kaydet parametreleri ne zaman bitmiş dizi-e doğru" tıklatın.
    6. Her video için parametreleri seçtikten sonra toplu işlem "işleme Başlat" düğmesine tıklayarak başlatın.
      Not: Belgili tanımlık bilgisayar yazılımı-ecek yük video dosyalarını sırayla hangi onlar toplu listede yer, onları süreci ve ilgili .csv dosyalarına video dosyalarının konumlandırıldığı aynı klasöre kaydedin. Bir ilerleme çubuğu üstündeki ilk video tamamlandıktan sonra bir tahmini bitiş saatini sağlayacaktır.
  • Representative Results

    Aşağıdaki bölümlerde bir örnektir arsa anten açıların üretilen veri yazılım, yazılım doğruluk ve hız insan raters ve nerede bal arı anten hareket tanıtımı tarafından etkilenir bir denemenin sonuçları ile karşılaştırılması farklı kokular. R yazılım62,63 Çözümlemeyi gerçekleştirmek ve rakamlar oluşturmak için kullanılmıştır. R kodu aynı zamanda video eğitimlerini çözümlemek ve şekil oluşturmak için online58bulabilirsiniz.

    Yazılım çıktı:

    Şekil 3 anten açıları bal arıları heptanal, saf ve 35 x mineral yağı seyreltilmiş sürümleri ile sunulan videoları yazılımından tarafından algılanan beş rasgele seçilen izleri gösterir ve heptanol yanı sıra temiz hava.

    Figure 3
    Şekil 3: beş örnek SwarmSight tarafından algılanan anten açıları izleri. Y ekseni anten açı derece olarak "0" hayvan, koku kaynağı doğru önünde doğrudan uzak koku kaynağı işaret daha büyük değerler ile nerede gösterir. Heptanol, heptanal ve onların 35 madeni yağ seyreltilmiş sürümleri, hem de temiz hava, x 0 - gri sırasında 3.600 ms windows tek bal arı toplayıcılar için uygulandı. Sol anten kırmızı, şu mavi işaretli işaretlenir. Beş rastgele arılar, her koşul birinden beş araziler tasvir edilmektedir. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

    Yazılım doğrulama:

    Yazılım güvenilir anten konumlarını tespit edebilir doğrulamak için insanlar tarafından bulunan anten konumlarını yazılım tarafından bulunan pozisyonları ile karşılaştırıldı. İki insan raters 425 video kareleri anten ve hortum ipuçları bulmak için sordum (~ 14 s video). Özel yazılım modülü otomatik olarak video kareleri, Gelişmiş raters tarafından işaretlenmiş ek parça Mekanlar kaydedildi ve görev üzerinde harcanan süreyi kaydedildi. İnsan ve yazılım bulunan değerleri arasında yazışma örneği üst üste gibi dikey koordinat izleri bir anten için belgili tanımlık bilgisayar yazılımı ve iki insan algılanan konum için şekil 4Aiçinde gösterilir. İki raters işaretli anten konumlarını arasındaki uzaklığı hesaplanan ve adında "Inter-insan mesafe." Yazılım tarafından algılanan anten konum ve insan raters tarafından algılanan en yakın konumu arasındaki uzaklığı hesaplanan ve "Yazılım yakın insan mesafeye" (şekil 4B) adlı.

    Figure 4
    Şekil 4: insan raters ile karşılaştırma. (A) iki insan raters ve SwarmSight bulunan anten ipuçları 425 video kareleri. Kare kare sol anten ipucu Y koordinatları İnsan raters tarafından bulundu ve yazılım üst üste. (B) insan raters (turuncu) ve yazılım ve yakın insan Oylayıcısı değeri (siyah) arasındaki anlaşmazlık arasında kare kare anlaşmazlık (video piksel cinsinden uzaklık) üst üste. (C) insan insan anten uç konumları (turuncu) ve yazılım insan Mekanlar (siyah) vs vs. (D) çubuk grafikler ve insan vs insan ve insan kare kare anlaşmazlık mesafeler vs yazılım toplu Dağılımları (Kesikli). Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

    Inter-insan mesafe vardı 10,9 55.2 içinde ortalama px piksel kare, % 95 ve 81.6 maksimum değeri vardı px. 8,0 yazılım en yakın insan mesafe vardı ortalama, 18,3 içinde px piksel kare, % 95 ve 49.0 maksimum değeri vardı px (bkz. şekil 4 dve şekil 4 cmesafe çubuk grafikler). 5 px yaklaşık bir anten genişliğini yapıldı. Genel olarak, arası insan mesafe görev başında çerçeveleri için küçük ve görevin ikinci yarısında artmıştır. Biz bu Oylayıcısı yorgunluk nedeniyle olarak şüpheli. Bu arada, yazılım yakın insan mesafeye düzeyleri görev sabit kaldı.

    Yazılım hız ve doğruluk karşılaştırma insan Raters ile:

    İnsanlar anten ipucu ve hortum yerlerde ortalama hız 0,52 kare / saniye (fps) puan. İnsan fps tahmin etmek için insanlar tarafından (425 her) dekor çerçeve toplam sayısı görevde harcanan toplam süre tarafından bölündü (873 s ve 761 s). Yazılım çerçeveler 65 fps ortalama bir çift çekirdek Windows 7 PC üzerinde puan. Yüksek işlem hızı ve doğruluğu benzer ya da daha iyi insan raters ile birlikte yazılım zaman biriminin başına yaklaşık 125 insan raters çalışmalarını gerçekleştirmek için beklenebilir.

    Anten yanıt-e doğru kokuları tespiti:

    Protokol böcek hareketinde önemli davranış farklılıkları algılamak için kullanılabilir göstermek için biz iki farklı kokular için 23 kadın bal arıları tabi. Pure heptanal ve heptanol, 35 x mineral yağ dilutions iki koku ve temiz hava kontrol olarak her 4 için sunuldu s (toplamda beş koşulları). Videolar, SwarmSight yazılımı ile Protokolü yukarıda açıklandığı gibi işlendi ve anten açıları analiz (şekil 5).

    Figure 5
    Şekil 5: anten açı anlamına gelir ve yoğunluk ısı haritaları için beş koku koşullar. (A)ısı haritaları gösteren anten açı yoğunluğu daha önce de (sırasında koyu orta bölgesi) ve sonra Yönetim heptanol, hava ve kadın bal arıları için heptanal odorants (n = 23). Siyah eğrileri çerçeve başına ortalama anten açıları (her iki anten) vardır. Yatay çizgiler ön koku demek (temel) açıları vardır. Tercih edilen anten konumları (kırmızı küme alt arsa) saf koku koşulları ve karşılık gelen değişiklikleri için koku kaynağı uzak küme kaba anten açıyla unutmayın.Ayrıca koku sonuç ve koku konsantrasyon onun belirgin başlangıçlı bağımlılığını sonra "geri tepme" küme unutmayın (küme konumu diğer dört araziler gör). Yoğunluk ısı harita renk ölçeği rasgele ama üniforma karşıdan karşıya tüm koşulları. (B) ortalama açı değişikliği öncesi koku anlamına gelen (hata çubukları S.E.M). Hava dışında tüm değişiklikler önemli demek (t- p test < 0,05). Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

    9 s kesimleri 3 oluşan video--dan video kareleri koku başlangıçlı, 3.6 önce s s koku sunum ve 2.4 s sonra koku sonuç uyumlu tüm bireyler ve koşulları (300 kare/kesim). Her iki anten açıları tüm bireylerin çerçeve başına araçlarının her koşul için hesaplanan ve "Açı" demek (şekil 5A, siyah eğrileri) denir. Önce her koşul için bireyler arasında koku başlangıçlı çerçeveler kötü anten açılarını hesaplanan ve "Ön koku Temelleri" (şekil 5A, ince yatay çizgiler) denir.

    Denetim dışında her koşulda koku başlangıçlı (şekil 5A, 0 - 3.600 ms bölgedeki siyah eğrileri) sonra her bir kez 750-1.050 ms peaking taban çizgileri, ortalama açılar yükselmiştir. Temel ortalama değişikliklerden açısından önemi (5B rakam) bireylerin iki anten anlamına gelir en yoğun koku-sunu demek açı zaman 1-örnek tbir dizi kullanarak temel demek için her durumun, karşılaştırarak test edildi-testleri () Shapiro normallik her koşulda önemli değil testleri). 26,9 ° için ortalama açı değişiklikti taban çizgisinden saf heptanal (ortalama doruğa 750 ms sonra koku başlangıçlı), 0.2 M (990 ms), heptanal için 21,1 ° (vasıl 1050 Bayan), saf heptanol için 19,6 ° 19,3 ° 0.2 M heptanol (at 780 ms) için ve hava kontrolü (en yüksek) için 3.45°. Denetim dışında her koşulda ortalama açı değişikliği taban çizgisinden önemli (Holm ayarlanabilir p < 0,05). Biz kötü açı temel yanıt olarak seyreltilmiş odorants için saf odorants dönmek için uzun sürer dikkat (alçak geçiren Filtre uygulanmış ortalama satır taban çizgisine 3,690 ms koku başlangıçlı için sonra geri dönse saf ve 2,940 ms seyreltilmiş heptanol; heptanal, dönüş kez vardı saf ve 3.000 ms seyreltilmiş sürümleri için 4,260 ms).

    Isı haritaları kullanarak görselleştirme:

    Her koşul için anten yanıt, anten açı yoğunluk ısı haritaları görselleştirmek için (şekil 5A, mavi-kırmızı arka plan) oluşturulur. Koşul başına her birey için 10 s video kesimleri arasında anten açıları ile bir Gauss çekirdek (R paket kitle, kde2d işlevi64) convolved. Kırmızı bölgeler yüksek yoğunlukları anten açıların gösterirken mavi bölgeler anten açıların düşük yoğunluğu gösterir. Isı haritası şekil 5A alt komplo saf heptanal koşul için anten davranışı göstermektedir.

    Koku görüntülenmeden önce bu harita gösterir (t < 0), anten açı yoğunluk nispeten düzgün tüm açıları arasında dağıtılır. Yaklaşık 1 koku başlangıçlı (t ~ 1000 ms), bir çift mavi ve kırmızı kümelerinin görüntülendikten sonra s. Alanlarda gölgeli kırmızıyla, anten daha fazla bulundu sık içinde kalmasındansa alanların mavi gölgeli. Mavi küme anten (koku kaynağı 0 derece yönünde bulunan) daha küçük açılar, kırmızı ise kaçınmak eğilimi gösterir küme gösterir anten (uzak koku kaynağı) daha fazla açıları tercih etti. Koku sunu korunur gibi kırmızı küme yavaş yavaş kaybolur. Kırmızı, daha az yoğun, küme de olsa başka bir yaklaşık 1 görünür sonra koku sonuç s. "Rebound kümeleri" ikinci kırmızı küme adı. Ortalama açı süreleri yukarıdaki ile tutarlı, biz rebound kümeleri daha önce görünmesini gibi görünüyor ve daha az yoğun saf kokuları için daha seyreltilmiş koku için unutmayın.

    Discussion

    Burada sunulan yöntem özel hayvan ürünleri veya donanıma gerek olmaksızın böcek anten ve hortum hareketlerinin gerçek zamanlı izleme sağlar.

    Sınırlamalar:

    Bu avantajlara rağmen yönteminin bazı sınırlamalar vardır. Bunlar hayvan başkanı hareketinden, her video için hayvan yönünü ve konumunu seçmesini ihtiyacını sınırlı gereksinimi içerir bir Windows bilgisayarı ve izlemek için yazılımın yetersizlik erişiminiz zorunluluğu hareket üç boyutlu (3D) ve bazı görsel olarak belirsiz ek parça pozisyonları aşağıda açıklanmıştır.

    Yazılım hayvan başkanı yerinde sabit ve video sırasında hareket etmiyor gerektiriyor. Bu önceki çalışma48,49,50,51hazırlıkları için benzer. Baş dönmelerin otomatik olarak algılanmasını sağlamak için yazılım değiştirmek mümkündür, ancak, bu ek işlem zamanı tüketen ve yeni bir kaynak hatasının tanıtmak. Değiştirilen yazılım baş dönme yanlış algılamak için olsaydı, onların hesaplama baş döndürme açısını göreli olarak anten açılar, bu etkiler. Şu anda, kullanıcı video bir kez başına baş yönlendirmesini seçer. Ne zaman baş sırasında video taşımak için izin verilmez bu yaklaşım, insan hatası ise, olmadan açısı hesaplama hataları en aza indirir.

    Yazılım aynı zamanda bir Windows 7 (veya sonrası) işletim sistemi (OS) gerektirir. Belgili tanımlık bilgisayar yazılımı yüklemek, kurulumu ve programlama veya sofistike bilgisayar yönetim bilgisi olmayan kullanıcılar tarafından kullanımı kolaylaştırmak için hedefi oldu. Çünkü yaygın olarak kullanılabilir ve bu erişimin sınırlı olduğu durumlarda, sanal makineleri (Örneğin, VirtualBox, VMware, Parallels) Windows ile kolayca oluşturulabilir hedef Windows için karar verdik. İşletim sistemi bu seçim büyük ölçüde yazılım yükleme kullanımı kolay, komut satırı ücretsiz yükleyicinin kullanılmasıyla basitleştirir ve farklı OSs için belirli hataları önler.

    Yazılım yalnızca 2D alanında ekleri konumu izler. Böcekler kendi anten sadece 2B koordinatları kullanılarak ölçülen önemli bilgiler kaybolur anlamına gelebilir 3D içinde taşımak için bilinir. Birden çok fotoğraf makinesi ya da ayna kullanımı 3D yerelleştirme için gereken ek bilgileri toplama konusunda yardımı olabilir iken, anten olduğu varsayımıyla, trigonometrik ilişkileri, tahmini bir uçak konuma göre kullanımı ile hesaplamak mümkündür tek çizgi parçaları sabit uzunluk ve kamera uçak bir tarafındaki tek hareket. Bal arıları için bu varsayım 3D pozisyonu için kaba tahminleri elde etmek için de geçerlidir, ama mutlaka diğer türler ve durumlar için durum göze alamam.

    Yazılım doğru şekilde anten ve hortum-ecek değil bulmak ipucu Mekanlar belirsiz bazı durumlarda. Videoda, genişletilmiş bir hortum ile çakışıyor böylece bir hayvan bir anten hareket ederse, belgili tanımlık bilgisayar yazılımı büyük olasılıkla anteni ucunu Hortum ucu algılar. Anten açı ancak, hala büyük olasılıkla doğru (üst üste bölümünden) hesaplanan. Benzer şekilde, anten ipuçları doğrudan yukarıda hayvan (Yani, değil tarafta) Başkanı taşırsanız sonra yazılım sadece baş dışında görünür anten parçası tespit anten önceki konumunu kabul veya onların sahte tespit video gürültü anten konum olarak. Her iki durumda da insan bile raters hortum veya baş anten yüksek beklentileri karşılayan zorluk. Bu sorunu gidermek için ham X ve Y için 3-çerçeve, simetrik haddeleme medyan57 filtre uygulama tavsiye koordinatları yazılım tarafından üretilen. Bu filtre büyük geçici (tek-kare) pozisyonunu dalgalanmaları kaldırır ve daha uzun anten pozisyonu hareketleri korur. Biz daha geniş filtreler (Örneğin, 5, 11 veya 15 kare) doğruluğu azalır iken 3-kare filtre filtre, daha iyi performans bulduk. Filtre ve videosu kullanan örnek R kod online58bulunabilir.

    Bilimsel bir araç olarak değeri:

    Hızla doğru böcek apendiks hareketleri maliyet-etkin bir şekilde elde etmek için bir yöntem kullanılabilirliği soruşturmanın yeni alanları açmak potansiyeline sahiptir.

    Hortum uzantısı refleks (PER) öğrenme ve hafıza böcekler59çeşitli araştırmak için yaygın olarak kullanılan bir davranışsal tepkidir. Video ve electromyographic analizler hortum hareketleri65,66için çok daha karmaşık topolojileri göstermiştir rağmen önceki çalışmalarda genellikle ikili genişletilmiş-veya-değil ölçüsüdür başına, üzerinde yararlanmıştır. Burada yöntemi hortum hareketlerinin hızlı miktar yüksek zamansal ve mekansal çözünürlükte sağlar.

    Böcek anten hareketleri kokuları cevaben kötü anlaşılır. Bunun bir nedeni anten hızla anten hareket verileri elde etmek için maliyet-etkin, otomatik yollar mevcut olmamıştır taşımak eğiliminde olduğunu. Burada sunulan yöntem hızla böcekler çok sayıda koşulları içinde çok sayıda için anten hareket verileri elde etmek için kullanılabilir. Bu, örneğin, araştırmacılar çeşitli bizi canlı tutan, özellikle uçucu kokuları anten hareketleri arasındaki eşlemeyi soruşturma yardımcı. 30 Hz değerinde çerçeveleri yakalamak kameralar kullanarak, yazılım antennal hareketi dinamikleri karakterize için kullanılabilir 15 Hz (Nyquist sınırı). Daha yüksek frekanslarda karakterizasyonu gerekirse, fotoğraf makinesi ile daha yüksek yakalama oranları (Örneğin, % 60 ya da 120 fps) yararlanılabilir. Ancak, daha hızlı bir bilgisayar yüksek fps video gerçek zamanlı olarak işlemek için gerekli. Koku ve hatta bazı bireysel kokuları sınıfları karakteristik doğuştan gelen antennal hareketleri vardır spekülasyon. Bu sınıflar veya bileşikler olabilir eğer keşfedilen, bilinmeyen kokuları veya kendi sınıf eğitimsiz böcekler antennal hareketinden tespit edilemedi. Böyle bir eşleme varsa, bunu ortaya çıkarmak yeterli anten hareket veri ve en modern makine öğrenme algoritmaları birleşimi başlamalıdır. Ayrıca, bu eşlemenin öğrenme, formları geliştirme sırasında yanıt değiştirir ya da ile bozulur nasıl genetik müdahaleler koku sisteminin işlevleri içgörü önerebiliriz.Son olarak, karmaşık ortamlarda kokuları için en uygun örnekleme yöntemleri ortaya koyarsa Bu eser yapay kokuları tespiti fikir verebilir.

    Yapılacak çalışmalar:

    Burada, biz anteni hareket verileri hızlı bir şekilde elde edilen analiz ve gösterdi: önemli davranış yanıt-e doğru bizim yazılımı tarafından oluşturulan verilerden tespit ve çeşitli alanlarda daha fazla araştırma yapılması tespit edilmiştir.

    Anten uyarıcı elde edildi zaman derslerin açı sapmalar ve kurtarma temel ve herhangi bir uyarıcı-sonuç geri tepme etkisi ve koku konsantrasyon onun bağımlılığı araştırıldı ve matematiksel olarak modellenmiştir. Ayrıca, herhangi bir değişiklik anten hareketleri appetitive tarafından indüklenen veya caydırıcı Klima Ayrıca yazılım ile tespit edilebilir.

    Daha iyi koku farklılaşma da keşfedilmeyi olabilir. Bu çalışmada, koku, içinde saf ve 35 x seyreltilmiş sürümleri elde edildi benzer yanıt: anten, ortalama olarak, hızla uzak koku kaynak çekmek ve öncesi koku taban çizgisine göre birkaç saniye sonra dönmek için ortaya çıktı. Biz bile seyreltilmiş sürümleri bal arıları için çok güçlü bir koku çekim gücü olabilir spekülasyon. TRUE ise, konsantrasyonları daha geniş bir antennal yanıt kokuları ayırt belirlemek için kullanılabilir. Ayrıca, daha karmaşık analiz daha iyi yanıt olarak farklı kokular antennal hareketleri farklılıkları ortaya çıkarabilir. Bu el yazması baktılar araştırmacılar SwarmSight Web sitesi67doğum için kullanılabilir şekiller oluşturmak için kullanılan veri dosyalarını yaptık.

    Ayrıca, bu el yazması kapsam iken dışında yazılım odalarında yerleştirilir ( şekil 1 d Örneğin bakınız) 45 ° açılı çift aynalarla hayvanlar videoları işlemek için uzun olabilir. Bu doğru bir şekilde yerelleştirilmesine ve ekleri ve 3B alanda kendi hareketi izlemek için kullanılabilir. Ancak, 3D izleme için kullanılan algoritmaları için verimli bir şekilde gerekli olacaktır: (a) ne zaman onlar bir yan aynalar, (b) ayna açılar, kusurları için doğru görülebilir ve (c) hesap distorsiyonları kamera nedeniyle için çoklu antenler arasında disambiguate konumlandırma.

    Son olarak, ek kazanç konum doğruluğu bir Kalman filtresi68, hangi modellerin kullanımı fark ve fiziksel durum bilgileri gibi ek parça hız ve ivme tahmin edilen yerleri kısıtlamak için kullanır. Ancak, doğruluğu herhangi bir kazanç olarak hız ek hesaplamaları nedeniyle herhangi bir indirim karşı değerlendirilmelidir.

    Sonuç:

    Birçok böcek anten aktif yerel ortamlarında uçucu bileşikler örneklemek için kullanın. Antennal hareketleri desenleri böcek koku algı ve nasıl Klima, toksik bileşikler ve genetik değişiklik tarafından etkilenen sağlayabilir. Benzer şekilde, hortum hareketleri koku algı ve onun modülasyon değerlendirmek için kullanılmaktadır. Ancak, hızla yüksek çözünürlüklü ek parça hareket veri büyük miktarlarda elde etmek zor olmuştur. Burada, bir iletişim kuralı ve yazılım gibi görevi otomatikleştiren anlatılan. Özetle, biz oluşturulur ve nasıl ucuz donanım birleşimi, ortak bir hayvan hazırlık ve açık kaynak yazılım hızla yüksek çözünürlüklü böcek apendiks hareket verileri elde etmek için kullanılabileceğini gösterdi. Belgili tanımlık bilgisayar yazılımı, nasıl insan raters hız ve doğruluk iyi performans ve nasıl çıktı verilerini analiz görüntülenir ve çıktısını gösterildi.

    Disclosures

    Yazarlar onlar rakip hiçbir mali çıkarları var bildirin.

    Acknowledgements

    JB, SMC ve RCG NIH R01MH1006674 SMC için ve NIH R01EB021711 RCG için tarafından desteklendi. CMJ ve BHS NSF fikirler laboratuvar projesi tarafından desteklenen üzerinde "çatlama koku kodu" BHS için. Kyle Steinmetz, Taryn Oboyle ve Rachael Halby bu araştırma içinde onların yardım için teşekkür.

    Materials

    Name Company Catalog Number Comments
    Insect harness N/A N/A Use materials needed for Protocol sections 1-3.1.1 of Smith & Burden (2014)
    Odor delivery source N/A N/A Use materials needed for Protocol section 3 of Smith & Burden (2014)
    Vacuum source N/A N/A Use materials needed for Protocol section 3 of Smith & Burden (2014)
    LED connected to odor delivery source N/A N/A Use materials needed for Protocol section 3 of Smith & Burden (2014)
    Low Voltage Soldering Iron Stannol Low Voltage Micro Soldering Iron 12V, 8W
    DC Power Supply Tekpower HY152A
    Tripod AmazonBasics 50-Inch Lightweight Tripod Optional
    Camera Genius WideCam F100 FLIR Flea3 or another camera with manual focus can be used.
    Camera software Genius N/A Software comes with camera. On MacOS, Photo Booth app can be used to record videos.
    Camera shutter speed software Genius N/A Genius camera software allows shutter speed setting. In Mac OS, iGlasses by ecamm can be used instead: http://www.ecamm.com/mac/iglasses/
    Windows Operating System Microsoft Windows 7 Professional Versions 7 or later are compatible. Oracle VirtualBox, Parallels Desktop, or VMWare Fusion can be used to create a Windows virtual machine in MacOS environments.
    SwarmSight software SwarmSight Appendage Tracking Download from http://SwarmSight.org
    R software R Project R 3.4.0 Download from: https://cran.r-project.org/bin/windows/base/
    R Studio software RStudio RStudio Desktop Download from: https://www.rstudio.com/products/rstudio/download/

    DOWNLOAD MATERIALS LIST

    References

    1. Hansson, B. S. Insect Olfaction. Springer Science & Business Media. New York. (1999).
    2. Masson, C., Mustaparta, H. Chemical information processing in the olfactory system of insects. Physiol Rev. 70, (1), 199-245 (1990).
    3. Firestein, S. How the olfactory system makes sense of scents. Nature. 413, (6852), 211-218 (2001).
    4. Schneider, D. Insect antennae. Annu Rev Entomol. 9, (1), 103-122 (1964).
    5. Kaissling, K. Chemo-electrical transduction in insect olfactory receptors. Annu Rev Neurosci. 9, (1), 121-145 (1986).
    6. Nakagawa, T., Vosshall, L. B. Controversy and consensus: noncanonical signaling mechanisms in the insect olfactory system. Curr Opin Neurobiol. 19, (3), 284-292 (2009).
    7. Heisenberg, M. What do the mushroom bodies do for the insect brain? An introduction. Learn Memory. 5, (1), 1-10 (1998).
    8. Zars, T. Behavioral functions of the insect mushroom bodies. Curr Opin Neurobiol. 10, (6), 790-795 (2000).
    9. Heisenberg, M. Mushroom body memoir: from maps to models. Nature Rev Neurosci. 4, (4), 266-275 (2003).
    10. Pelletier, Y., McLEOD, C. D. Obstacle perception by insect antennae during terrestrial locomotion. Physiol Entomol. 19, (4), 360-362 (1994).
    11. Suzuki, H. Antennal movements induced by odour and central projection of the antennal neurones in the honey-bee. J Insect Physiol. 21, (4), 831-847 (1975).
    12. Wachowiak, M. All in a sniff: olfaction as a model for active sensing. Neuron. 71, (6), 962-973 (2011).
    13. Bruce, T. J., Wadhams, L. J., Woodcock, C. M. Insect host location: a volatile situation. Trends Plant Sci. 10, (6), 269-274 (2005).
    14. Lunau, K., Wacht, S. Optical releasers of the innate proboscis extension in the hoverfly Eristalis tenax L.(Syrphidae, Diptera). J Comp Physiol [A]. 174, (5), 575-579 (1994).
    15. Szucsich, N. U., Krenn, H. W. Morphology and function of the proboscis in Bombyliidae (Diptera, Brachycera) and implications for proboscis evolution in Brachycera. Zoomorphology. 120, (2), 79-90 (2000).
    16. Harder, L. D. Measurement and estimation of functional proboscis length in bumblebees (Hymenoptera: Apidae). Can J Zool. 60, (5), 1073-1079 (1982).
    17. Hobbs, G. A. Further studies on the food-gathering behaviour of bumble bees (Hymenoptera: Apidae). Canadian Entomol. 94, (05), 538-541 (1962).
    18. Krenn, H. W. Functional morphology and movements of the proboscis of Lepidoptera (Insecta). Zoomorphology. 110, (2), 105-114 (1990).
    19. Krenn, H. W. Feeding mechanisms of adult Lepidoptera: structure, function, and evolution of the mouthparts. Annu Rev Entomol. 55, 307-327 (2010).
    20. Hepburn, H. R. Proboscis extension and recoil in Lepidoptera. J Insect Physiol. 17, (4), 637-656 (1971).
    21. Ramírez, G., Fagundez, C., Grosso, J. P., Argibay, P., Arenas, A., Farina, W. M. Odor Experiences during Preimaginal Stages Cause Behavioral and Neural Plasticity in Adult Honeybees. Front Behav Neurosci. 10, (2016).
    22. Takeda, K. Classical conditioned response in the honey bee. J Insect Physiol. 6, (3), 168-179 (1961).
    23. Bitterman, M. E., Menzel, R., Fietz, A., Schäfer, S. Classical conditioning of proboscis extension in honeybees (Apis mellifera). J Comp Psychol. 97, (2), 107 (1983).
    24. Lambin, M., Armengaud, C., Raymond, S., Gauthier, M. Imidacloprid-induced facilitation of the proboscis extension reflex habituation in the honeybee. Arch Insect Biochem Physiol. 48, (3), 129-134 (2001).
    25. Masterman, R., Smith, B. H., Spivak, M. Brood odor discrimination abilities in hygienic honey bees (Apis mellifera L.) using proboscis extension reflex conditioning. J Insect Behav. 13, (1), 87-101 (2000).
    26. Rix, R. R., Christopher Cutler, G. Acute Exposure to Worst-Case Concentrations of Amitraz Does Not Affect Honey Bee Learning, Short-Term Memory, or Hemolymph Octopamine Levels. J Econ Entomol. 110, (1), 127-132 (2017).
    27. Urlacher, E., et al. Measurements of Chlorpyrifos Levels in Forager Bees and Comparison with Levels that Disrupt Honey Bee Odor-Mediated Learning Under Laboratory Conditions. J Chem Ecol. 42, (2), 127-138 (2016).
    28. Charbonneau, L. R., Hillier, N. K., Rogers, R. E. L., Williams, G. R., Shutler, D. Effects of Nosema apis, N. ceranae, and coinfections on honey bee (Apis mellifera) learning and memory. Sci Rep. 6, (2016).
    29. Urlacher, E., Devaud, J. -M., Mercer, A. R. C-type allatostatins mimic stress-related effects of alarm pheromone on honey bee learning and memory recall. PLOS ONE. 12, (3), e0174321 (2017).
    30. Eiri, D. M., Nieh, J. C. A nicotinic acetylcholine receptor agonist affects honey bee sucrose responsiveness and decreases waggle dancing. J Exp Biol. 215, (12), 2022-2029 (2012).
    31. Liang, C. -H., Chuang, C. -L., Jiang, J. -A., Yang, E. -C. Magnetic Sensing through the Abdomen of the Honey bee. Sci Rep. 6, (2016).
    32. Erber, J., Pribbenow, B., Bauer, A., Kloppenburg, P. Antennal reflexes in the honeybee: tools for studying the nervous system. Apidologie. 24, 283 (1993).
    33. Erber, J., Kierzek, S., Sander, E., Grandy, K. Tactile learning in the honeybee. J Comp Physiol [A]. 183, (6), 737-744 (1998).
    34. Erber, J., Pribbenow, B. Antennal Movements in the Honeybee: How Complex Tasks are Solved by a Simple Neuronal System. Prerational Intelligence: Adaptive Behavior and Intelligent Systems Without Symbols and Logic, Volume 1, Volume 2 Prerational Intelligence: Interdisciplinary Perspectives on the Behavior of Natural and Artificial Systems, Volume 3. 109-121 (2000).
    35. McAfee, A., Collins, T. F., Madilao, L. L., Foster, L. J. Odorant cues linked to social immunity induce lateralized antenna stimulation in honey bees (Apis mellifera L). Sci Rep. 7, (2017).
    36. Dötterl, S., Vater, M., Rupp, T., Held, A. Ozone Differentially Affects Perception of Plant Volatiles in Western Honey Bees. J Chem Ecol. 42, (6), 486-489 (2016).
    37. Wang, Z., et al. Honey Bees Modulate Their Olfactory Learning in the Presence of Hornet Predators and Alarm Component. PLOS ONE. 11, (2), e0150399 (2016).
    38. Søvik, E., Plath, J. A., Devaud, J. -M., Barron, A. B. Neuropharmacological Manipulation of Restrained and Free-flying Honey Bees, Apis mellifera. J Vis Exp. (117), e54695 (2016).
    39. Fang, Y., Du, S., Abdoola, R., Djouani, K., Richards, C. Motion Based Animal Detection in Aerial Videos. Procedia Computer Science. 92, 13-17 (2016).
    40. Miller, B., Lim, A. N., Heidbreder, A. F., Black, K. J. An Automated Motion Detection and Reward System for Animal Training. Cureus. 7, (12), (2015).
    41. Birgiolas, J., Jernigan, C. M., Smith, B. H., Crook, S. M. SwarmSight: Measuring the temporal progression of animal group activity levels from natural-scene and laboratory videos. Behav Res Methods. (2016).
    42. Stern, U., Zhu, E. Y., He, R., Yang, C. -H. Long-duration animal tracking in difficult lighting conditions. Sci Rep. 5, 10432 (2015).
    43. Macrì, S., Mainetti, L., Patrono, L., Pieretti, S., Secco, A., Sergi, I. A tracking system for laboratory mice to support medical researchers in behavioral analysis. Engineering in Medicine and Biology Society (EMBC), 2015 37th Annual International Conference of the IEEE. 4946-4949 (2015).
    44. Crall, J. D., Gravish, N., Mountcastle, A. M., Combes, S. A. BEEtag: a low-cost, image-based tracking system for the study of animal behavior and locomotion. PLOS ONE. 10, (9), e0136487 (2015).
    45. York, J. M., Blevins, N. A., McNeil, L. K., Freund, G. G. Mouse short-and long-term locomotor activity analyzed by video tracking software. J Vis Exp. (76), e50252 (2013).
    46. Noldus, L. P., Spink, A. J., Tegelenbosch, R. A. EthoVision: a versatile video tracking system for automation of behavioral experiments. Behav Res Methods. 33, (3), 398-414 (2001).
    47. Egnor, S. E. R., Branson, K. Computational Analysis of Behavior. Annu Rev Neurosci. 39, (1), 217-236 (2016).
    48. Cholé, H., Junca, P., Sandoz, J. -C. Appetitive but not aversive olfactory conditioning modifies antennal movements in honeybees. Learn Memory. 22, (12), 604-616 (2015).
    49. Shen, M., et al. Interactive tracking of insect posture. Pattern Recognit. 48, (11), 3560-3571 (2015).
    50. Mujagić, S., Würth, S. M., Hellbach, S., Dürr, V. Tactile conditioning and movement analysis of antennal sampling strategies in honey bees (apis mellifera l). J Vis Exp. (70), (2012).
    51. Shen, M., Szyszka, P., Deussen, O., Galizia, C. G., Merhof, D. Automated tracking and analysis of behavior in restrained insects. J Neurosci Methods. 239, 194-205 (2015).
    52. Bellard, F., Niedermayer, M. FFmpeg. Available from: http://ffmpeg.org (2012).
    53. Cucchiara, R., Grana, C., Piccardi, M., Prati, A. Detecting moving objects, ghosts, and shadows in video streams. IEE Trans Pattern Anal Mach. 25, (10), 1337-1342 (2003).
    54. Shaw, J. R. QuickFill: An efficient flood fill algorithm. The Code Project. (2004).
    55. Zhang, H., Wu, K. A vehicle detection algorithm based on three-frame differencing and background subtraction. Computational Intelligence and Design (ISCID), 2012 Fifth International Symposium on Computational Intelligence and Design. 1, 148-151 (2012).
    56. Elgammal, A., Harwood, D., Davis, L. Non-parametric Model for Background Subtraction. Computer Vision - ECCV 2000. 751-767 (2000).
    57. Zeileis, A., Grothendieck, G. zoo: S3 infrastructure for regular and irregular time series. arXiv preprint math/0505527. (2005).
    58. SwarmSight.org. Swarmsight. Available from: http://swarmsight.org/ (2017).
    59. Smith, B. H., Burden, C. M. A Proboscis Extension Response Protocol for Investigating Behavioral Plasticity in Insects: Application to Basic, Biomedical, and Agricultural Research. J Vis Exp. (91), e51057 (2014).
    60. Abbass, H. How to split a video or audio file with VLC Player. Darktips. Available from: https://darktips.com/split-video-audio-file/ (2012).
    61. SwarmSight.org. SwarmSight Appendage Tracking CSV File Column Reference. Available from: http://swarmsight.org/Examples/Appendage%20Tracking/ColumnReference (2017).
    62. R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. Vienna, Austria. Available from: http://www.R-project.org/ (2014).
    63. Team, R. s RStudio: integrated development for R. RStudio, Inc. Boston, MA. (2015).
    64. Venables, W. N., Ripley, B. D. Modern Applied Statistics with S-PLUS. Springer Science & Business Media. New York. (2013).
    65. Smith, B. H., Menzel, R. An Analysis of Variability in the Feeding Motor Program of the Honey Bee; the Role of Learning in Releasing a Modal Action Pattern. Ethology. 82, (1), 68-81 (1989).
    66. Smith, B. H. An analysis of blocking in odorant mixtures: an increase but not a decrease in intensity of reinforcement produces unblocking. Behavioral neuroscience. 111, (1), 57 (1997).
    67. Birgiolas, J. SwarmSight Antenna Tracking CSV files. Available from: https://github.com/JustasB/SwarmSight/tree/master/Examples/Appendage%20Tracking/Birgiolas%20et.%20al.%20(2015)%20JOVE%20figures/Figures%204%265/CSVs (2017).
    68. Kalman, R. E. A New Approach to Linear Filtering and Prediction Problems. J Basic Eng. 82, (1), 35-45 (1960).

    Comments

    0 Comments


      Post a Question / Comment / Request

      You must be signed in to post a comment. Please or create an account.

      Video Stats