Summary

使用多功能自制摄像机和 DeepLabCut 跟踪操作调节室中的大鼠

Published: June 15, 2020
doi:

Summary

该协议描述了如何构建小型多功能摄像机,以及如何使用从中获得的视频来训练神经网络来跟踪动物在操作调节室中的位置。这是对从操作调理测试中获得的数据日志的标准分析的宝贵补充。

Abstract

操作调理室用于在神经科学领域进行广泛的行为测试。记录的数据通常基于腔室内存在的杠杆和鼻戳传感器的触发。虽然这提供了动物执行某些响应的时和方式的详细视图,但它不能用于评估不触发任何传感器的行为。因此,评估动物如何定位自己和在室内移动是很难的。为了获得这些信息,研究人员通常必须录制和分析视频。操作调节室的制造商通常可以为客户提供高质量的摄像机设置。但是,这些可能非常昂贵,不一定适合来自其他制造商或其他行为测试设置的腔室。当前协议描述了如何使用爱好电子元件构建廉价且多功能的摄像机。它进一步描述了如何使用图像分析软件包 DeepLabCut 跟踪强光信号的状态,以及大鼠的位置,在从操作调节室收集的视频中。前者在涵盖整个测试会话的视频中选择感兴趣的短段时有很大的帮助,后者能够分析无法从操作室生成的数据日志中获得的参数。

Introduction

在行为神经科学领域,研究人员通常使用操作调节室来评估啮齿动物中各种不同的认知和精神特征。虽然有一些不同的制造商的这种系统,他们通常共享某些属性,并具有几乎标准化的设计1,1,2,3。,3房间一般为方形或长方形,其中一面墙可以打开,将动物放在里面,其余一面或两面墙内有一个或两个墙,里面装着诸如杠杆、鼻戳开口、奖励托盘、响应轮和各种1、2、32灯等部件1腔室中的灯和传感器用于控制测试规程和,跟踪动物的行为1,2,3,4,5。2,34,51典型的操作调节系统允许非常详细的分析动物如何与不同操作和开口在房间中相互作用。通常,任何触发传感器的场合都可以由系统记录,用户可以在此数据中获取详细的日志文件,描述动物在测试4、 5的特定步骤中做了什么。虽然这提供了动物性能的广泛表示,但它只能用于描述直接触发一个或多个传感器4,5,的行为。因此,与动物在测试的不同阶段如何定位和在室内移动有关的方面,并没有很好地描述6、7、8、9、10。,8,9,106,这是不幸的,因为这些信息对于充分了解动物的行为是有价值的。例如,它可以用来澄清为什么某些动物在给定的测试6上表现不佳,来描述动物可能发展的策略,,以处理困难的任务6,7,8,9,10,或欣赏所谓的8,9,10简单行为,711,12,的真正复杂性。为了获得如此清晰的信息,研究人员通常转向,,,视频6、7、8、9、10、11,7,8的手动分析910

当从操作调节室录制视频时,相机的选择至关重要。房间通常位于隔离的隔间,协议经常利用步骤,没有可见光闪耀3,6,7,8,9。6,7,8,93因此,有必要将红外 (IR) 照明与红外感应摄像机结合使用,因为它即使在完全黑暗中也允许能见度。此外,在隔离隔间内放置摄像机的空间通常非常有限,这意味着使用具有宽视场(例如鱼眼镜片)的小型摄像机对9有强烈好处。虽然操作式调理系统的制造商通常可以为客户提供高质量的摄像机设置,但这些系统可能非常昂贵,不一定适合其他制造商的机室或其他行为测试的装置。然而,与使用独立摄像机的一个显著好处是,这些设置通常可以直接与操作调理系统13,14接口13,通过此,可以设置它们仅记录特定事件,而不是完整的测试会话,这极大地有助于以下分析。

当前协议描述了如何使用爱好电子元件构建廉价且多功能的摄像机。该摄像机使用鱼眼镜头,对红外照明敏感,并连接到一组红外发光二极管 (IR LED)。此外,它是为了有一个平坦和苗条的轮廓。这些方面共同使得它非常适合从大多数市售的可操作的调理室以及其他行为测试设置录制视频。该协议进一步描述了如何处理使用相机获得的视频,以及如何使用软件包 DeepLabCut15,16来帮助提取感兴趣的视频序列以及跟踪动物在其中的运动。15,这在一定程度上避免了使用独立摄像机对调理系统操作制造商提供的集成解决方案的回拉,并为手动行为评分提供了补充。

已作出努力,以一般格式编写协议,以强调整个过程可以适应不同操作调理测试的视频。为了说明某些关键概念,使用执行 5 选择串行反应时间测试 (5CSRTT)17 的大鼠视频作为示例。

Protocol

所有包括动物处理的程序都已经获得马尔默-隆德动物研究伦理委员会的批准。 1. 构建摄像机 注:材料表中提供了构建摄像机所需的组件列表。也请参阅图1,图 2,图 3,图 4,图 5。 将磁性金属环(与鱼眼镜头包一起)连?…

Representative Results

摄像机性能 代表性的结果是在28.5厘米×25.5厘米、高度为28.5厘米的老鼠的可操作调理室中收集的。连接鱼眼镜头后,当摄像机放置在房间上方时,摄像机可捕捉整个地板面积和周围墙壁的很大部分(图 7A)。因此,即使摄像机位于摄像机顶部的中心位置,也可以获得良好的视图。这对于类似的操作室应该如此。红外 LED 能够照亮整个腔室(?…

Discussion

该协议描述了如何构建一个廉价而灵活的摄像机,可用于录制来自操作调节室和其他行为测试设置的视频。它进一步演示了如何使用 DeepLabCut 跟踪这些视频中的强光信号,以及如何用于帮助识别涵盖完整测试会话的视频文件中感兴趣的简短视频片段。最后,介绍了如何使用对老鼠头部的跟踪来补充操作调节测试期间行为分析。

该协议为可售的可操作调理室视频录制解决方案?…

Disclosures

The authors have nothing to disclose.

Acknowledgements

这项工作得到了瑞典大脑基金会、瑞典帕金森基金会和瑞典政府临床研究基金(M.A.C.)以及温纳-格伦基金会(M.A.C,E.K.H.C)、奥伦基金会(M.A.C)和布兰塞弗洛·邦康帕尼·卢多维西基金会、Née Bildt基金会(S.F.)的资助。

Materials

32 Gb micro SD card with New Our Of Box Software (NOOBS) preinstalled The Pi hut (https://thpihut.com) 32GB
330-Ohm resistor The Pi hut (https://thpihut.com) 100287 This article is for a package with mixed resistors, where 330-ohm resistors are included.
Camera module (Raspberry Pi NoIR camera v.2) The Pi hut (https://thpihut.com) 100004
Camera ribbon cable (Raspberry Pi Zero camera cable stub) The Pi hut (https://thpihut.com) MMP-1294 This is only needed if a Raspberry Pi zero is used. If another Raspberry Pi board is used, a suitable camera ribbon cable accompanies the camera component
Colored LEDs The Pi hut (https://thpihut.com) ADA4203 This article is for a package with mixed colors of LEDs. Any color can be used.
Female-Female jumper cables The Pi hut (https://thpihut.com) ADA266
IR LED module (Bright Pi) Pi Supply (https://uk.pi-supply.com) PIS-0027
microcomputer motherboard (Raspberry Pi Zero board with presoldered headers) The Pi hut (https://thpihut.com) 102373 Other Raspberry Pi boards can also be used, although the method for automatically starting the Python script only works with Raspberry Pi zero. If using other models, the python script needs to be started manually.
Push button switch The Pi hut (https://thpihut.com) ADA367
Raspberry Pi power supply cable The Pi hut (https://thpihut.com) 102032
Raspberry Pi Zero case The Pi hut (https://thpihut.com) 102118
Raspberry Pi, Mod my pi, camera stand with magnetic fish eye lens and magnetic metal ring attachment The Pi hut (https://thpihut.com) MMP-0310-KIT

References

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

Play Video

Cite This Article
Clemensson, E. K. H., Abbaszadeh, M., Fanni, S., Espa, E., Cenci, M. A. Tracking Rats in Operant Conditioning Chambers Using a Versatile Homemade Video Camera and DeepLabCut. J. Vis. Exp. (160), e61409, doi:10.3791/61409 (2020).

View Video