Ordnen Sie zunächst die Ausrüstung an und installieren Sie die Software für das DeepLabCut- oder DLC-Verfahren. Um die Umgebung zu erstellen, navigieren Sie zu dem Ordner, in den die DLC-Software heruntergeladen wurde. Verwenden Sie den Befehl change directory, cd folder name.
Führen Sie den ersten Befehl conda env create f DEEPLABCUT.yaml aus. Geben Sie dann conda activate Deeplabcut ein, um die Umgebung zu aktivieren. Öffnen Sie dann die grafische Benutzeroberfläche mit python m deeplabcut.
Nachdem die Benutzeroberfläche geöffnet wurde, klicken Sie unten in der Benutzeroberfläche auf Neues Projekt erstellen. Benennen Sie das Projekt, um es später leichter identifizieren zu können. Geben Sie einen Namen für den Experimentator ein und überprüfen Sie den Abschnitt "Speicherort", um zu überprüfen, wo das Projekt gespeichert wird.
Wählen Sie Ordner durchsuchen aus, um die Videos zum Trainieren des Modells zu suchen, und wählen Sie Videos in Projektordner kopieren aus, wenn die Videos in ihrem ursprünglichen Verzeichnis verbleiben sollen. Klicken Sie auf Erstellen, um ein neues Projekt zu generieren. Wählen Sie nach dem Erstellen des Modells die Option Konfiguration bearbeiten aus.
yaml, gefolgt von Bearbeiten, um die Konfigurationseinstellungsdatei zu öffnen. Ändern Sie die Körperteile so, dass alle Teile des Auges für die Verfolgung einbezogen werden. Passen Sie die Anzahl der auszuwählenden Frames an, um insgesamt 400 Frames für das Training von Videos zu erhalten.
Ändern Sie die Punktgröße in sechs, um sicherzustellen, dass die Standardbeschriftungsgröße klein genug ist, um eine genaue Platzierung an den Rändern des Auges zu gewährleisten. Navigieren Sie nach der Konfiguration zur Registerkarte Frames extrahieren der grafischen Benutzeroberfläche und wählen Sie unten Frames extrahieren aus. Navigieren Sie zur Registerkarte Beschriftungsrahmen, und wählen Sie Beschriftungsrahmen aus.
Suchen Sie im neuen Fenster nach Ordnern für jedes der ausgewählten Schulungsvideos und wählen Sie den ersten Ordner aus, um eine neue Beschriftungsoberfläche zu öffnen. Beschriften Sie die Punkte, die während der Konfiguration für jeden Frame des ausgewählten Videos definiert wurden. Nachdem Sie alle Frames beschriftet haben, speichern Sie die Beschriftungen und wiederholen Sie den Vorgang für das nächste Video.
Für eine genaue Markierung des Schielens verwenden Sie zwei Punkte in der Nähe der größten Spitze des Auges. Um ein Trainings-Dataset zu erstellen, navigieren Sie zur Registerkarte Train Network, und initiieren Sie das Train Network. Navigieren Sie nach Abschluss des Netzwerktrainings zu Netzwerk auswerten, und wählen Sie es aus.
Um Videos zu analysieren, navigieren Sie zur Registerkarte "Videos analysieren" und wählen Sie "Weitere Videos hinzufügen" aus, um die Videos auszuwählen. Wählen Sie Ergebnisse als CSV speichern, wenn eine CSV-Ausgabe der Daten ausreicht. Sobald alle Videos ausgewählt sind, klicken Sie auf Videos analysieren, um den Analyseprozess zu starten.
Wenden Sie abschließend die Makros an, um die Rohdaten in das Format zu konvertieren, das für die Analyse der euklidischen Distanz erforderlich ist. Das Modell erkannte sowohl nicht-schielende als auch schielende Instanzen genau und markierte die oberen und unteren Augenlidpunkte, um euklidische Abstände zu berechnen. Die mittleren quadratischen Fehlerwerte zwischen manuell beschrifteten und modellbeschrifteten Punkten zeigten nach 300 Frames eine minimale Variabilität, und die durchschnittlichen Wahrscheinlichkeitswerte für die korrekte Punkterkennung überstiegen 0,95 bei Verwendung von 400 Frames.
Die Konfusionsmatrix zeigte einen positiven prädiktiven Wert von 96,96 % und einen negativen prädiktiven Wert von 99,66 % für die Schielerkennung.
