JoVE Logo
АВТОРЫ
СВЯЖИТЕСЬ С НАМИ

Войдите в систему

Для просмотра этого контента требуется подписка на Jove Войдите в систему или начните бесплатную пробную версию.

В этой статье

  • Резюме
  • Аннотация
  • Введение
  • протокол
  • Результаты
  • Обсуждение
  • Раскрытие информации
  • Благодарности
  • Материалы
  • Ссылки
  • Перепечатки и разрешения

Резюме

В данной статье описан набор методов измерения подавляющей способности вдыхания алкогольных напитков по вызываемому васаби ощущению жжения.

Аннотация

Коммерческие пасты васаби, обычно используемые для приготовления пищи, содержат гомологичное соединение хемосенсорных изотиоцианатов (ITC), которые вызывают раздражающее ощущение при употреблении. Влияние вдыхания диетических алкогольных напитков на ощущение остроты васаби никогда не изучалось. В то время как большинство исследований сенсорной оценки сосредоточены на отдельных продуктах питания и напитках по отдельности, существует недостаток исследований обонятельного изучения вдыхания спиртных напитков во время употребления васаби. Здесь разрабатывается методология, сочетающая в себе использование поведенческого исследования на животных и сверточной нейронной сети для анализа мимики мышей, когда они одновременно нюхают спиртное и употребляют васаби. Результаты показывают, что обученная и валидированная модель глубокого обучения распознает 29% изображений, изображающих совместное лечение васаби и алкоголя, принадлежащих к классу васаби отрицательной алкогольно-положительной группы без необходимости предварительной фильтрации обучающих материалов. Статистический анализ шкалы гримас мыши, полученных по выбранным изображениям видеокадров, выявил значимую разницу (P < 0,01) между наличием и отсутствием ликвора. Этот вывод свидетельствует о том, что диетические алкогольные напитки могут оказывать уменьшающее влияние на реакции, вызванные васаби у мышей. Эта комбинаторная методология имеет потенциал для скрининга отдельных соединений ITC и сенсорного анализа компонентов спирта в будущем. Тем не менее, необходимы дальнейшие исследования для изучения основного механизма подавления остроты васаби, вызванного алкоголем.

Введение

Васабия японская, широко известная как васаби, получила признание в приготовлении пищи 1,2. Хорошо известен интенсивный сенсорный опыт, который он вызывает при употреблении, характеризующийся слезоточивостью, чиханием или кашлем. Эту характерную остроту васаби можно объяснить гомологичным соединением хемосенсорных изотиоцианатов (ИТК). Они представляют собой летучие сероорганические фитохимические вещества, которые можно разделить на ω-алкенил и ω-метилтиоалкилизотиоцианаты3. Среди этих соединений аллилизотиоцианат (АИТК) является наиболее преобладающим природным продуктом ИТК, обнаруженным в растениях, принадлежащих к семейству крестоцветных, таких как хрен и горчица4. Коммерческие пасты васаби обычно готовятся из хрена, что делает AITC химическим маркером, используемым для контроля качества этих коммерческих продуктов5.

Сочетание диетических алкогольных напитков с блюдами, настоянными на васаби, можно считать примером культурной предрасположенности6. Субъективно, это сочетание может дополнить остроту и остроту между васаби и напитком, улучшая общее кулинарное впечатление. Качественная поведенческая оценка животных (QBA) — это комплексный методический подход на всех животных, который изучает поведенческие изменения у испытуемых в ответ на краткосрочные или долгосрочные внешние стимулы с использованием числовыхтерминов. Этот метод включает в себя тесты на боль, моторные тесты, тесты на обучение и память, а также тесты на эмоции, специально разработанные для грызунов модели8. Тем не менее, исследования, изучающие синергетическую сенсорную оценку вкуса вместе с обонянием, до сих пор остаются редкими в литературе 9,10. Большинство исследований хеместетических ощущений ограничиваются изучением индивидуального потребления продуктов питания и напитковпо отдельности 11. Следовательно, существует недостаток исследований взаимодействия вкуса и запаха, связанного с вдыханием спиртного во время употребления васаби.

Поскольку считается, что вызванное васаби ощущение жжения является формой ноцицепции12, поведенческие оценки животных хорошо подходят для оценки ноцицептивных сенсорных реакций у животныхгрызунов 8,13,14. Метод оценки ноцицепции у мышей, известный как оценка по шкале гримас мышей (MGS), был разработан Langford et al.15,16. Этот метод поведенческого исследования представляет собой подход к оценке, связанный с болью, основанный на анализе выражений лица, демонстрируемых экспериментальными мышами. Экспериментальная установка проста и включает в себя прозрачную клетку и 2 камеры для записи видео. Используя передовые технологии 17,18,19 для автоматического сбора данных, можно получить количественные и качественные поведенческие показатели, улучшающие благополучие животных во время поведенческого мониторинга 20. Следовательно, MGS имеет потенциал для применения в изучении воздействия различных внешних стимулов на животных непрерывно и ad libitum. Тем не менее, процесс подсчета баллов включает в себя только отбор нескольких (менее 10) изображений видеокадров для оценки членами комиссии, и требуется предварительное обучение. Оценка большого количества образцов изображений может быть трудоемкой. Чтобы преодолеть эту трудоемкую задачу, в нескольких исследованиях использовались методы машинного обучения для прогнозирования балла MGS21,22. Тем не менее, важно отметить, что MGS является непрерывным измерением. Таким образом, модель многоклассовой классификации была бы более подходящей для оценки логической и категориальной проблемы, такой как определение того, похожи ли изображения мышей, одновременно глотающих васаби и нюхающих ликер, на изображения нормальных мышей.

В данном исследовании была предложена методология изучения взаимодействия вкуса и запаха у мышей. Эта методология сочетает в себе поведенческие исследования на животных со сверточной нейронной сетью (СНС) для анализа мимики мышей. Две мыши наблюдались трижды при нормальных поведенческих условиях, во время ноцицепции, вызванной васаби, и во время вдыхания спиртного в специально разработанной клетке. Выражения лиц мышей были записаны на видео, а сгенерированные кадровые изображения были использованы для оптимизации архитектуры модели глубокого обучения (DL). Затем модель была проверена с использованием независимого набора данных изображений и развернута для классификации изображений, полученных от экспериментальной группы. Чтобы определить степень подавления остроты васаби, когда мыши одновременно нюхали ликер во время употребления васаби, идеи, полученные с помощью искусственного интеллекта, были дополнительно подтверждены путем перекрестной проверки с помощью другого метода анализа данных, набравшего16 баллов MGS.

протокол

В этом исследовании два 7-недельных самца мышей ICR весом от 17 до 25 г были использованы для оценки поведения животных. Все процедуры содержания и экспериментов были одобрены Комитетом Гонконгского баптистского университета по использованию предметов с участием человека и животных в преподавании и исследованиях. В помещении для животных поддерживалась температура 25 °C и влажность воздуха 40%-70% в течение 12-часового цикла свет-темнота.

1. Конструкция клетки

  1. Подготовьте кирпичи из акрилонитрилбутадиенстирола в 3 различных размерах для строительства каркаса: 8 мм x 8 мм x 2 мм, 16 мм x 16 мм x 6 мм и 32 мм x 16 мм x 6 мм.
  2. Подготовьте пластину из бутадиенакрилонитриенстирола (312 мм x 147 мм x 2 мм) в качестве основания клетки.
  3. Подготовьте непрозрачную акриловую пластину размером 239 мм x 107 мм толщиной 2 мм, которая будет использоваться в качестве нижней пластины.
  4. Подготовьте прозрачную акриловую пластину размером 239 мм x 107 мм толщиной 5 мм, которая будет использоваться в качестве верхней пластины.
  5. Подготовьте прозрачную акриловую пластину размером 107 мм x 50 мм толщиной 7 мм, которая будет использоваться в качестве клеммной пластины.
  6. Соорудите 2 непрозрачные боковые стены, сложив кирпич на высоту 54 мм.
  7. Вставьте акриловые пластины в клетку на основе бутадиенакрилола, как показано на рисунке 1A.
  8. Приготовьте камеру для чау, которая состоит из пяти прозрачных акриловых пластин размером 90 мм x 50 мм и толщиной 2 мм, как показано на рисунке 1B. Среди 5 прозрачных акриловых пластин используйте 2 пластины по бокам, 1 пластину для верха, 1 пластину для нижней части и 1 пластину для терминала.
  9. Подготовьте прозрачную акриловую тарелку размером 60 мм x 50 мм и 2 мм в качестве вступительной тарелки для чау и поместите ее в камеру чау.

2. Оценка поведения животных

  1. Однопометники 2 7-недельных самцов мышей ICR живут вместе в обычной клетке.
  2. Обеспечьте однопометникам из 2 мышей свободный доступ к гранулам корма и водопроводной воде на 1-недельный период адаптации.
  3. Через 1 неделю познакомьте однопометников из 2 мышей с бутылочкой этанола (~40% v/v).
    ПРИМЕЧАНИЕ: Убедитесь, что им разрешено нюхать или вдыхать предоставленный водный этанол только в неограниченном количестве, в то время как употребление алкоголя ограничено.
  4. Проведите поведенческие эксперименты с использованием модели мыши в возрасте 9-10 недель и прозрачной клетки в кабинке, которая изображена на рисунке 1А.
  5. Разберите все акриловые пластины и пластины из бутадиен-акрилонитрина и тщательно очистите их. Начните с полоскания их сверхчистой водой не менее 3 раз, а затем высушите бумажными полотенцами. Затем сбрызните их 75% этанолом, а затем очистите их бумагой для линз. Наконец, дайте им высохнуть на воздухе не менее 15 минут.
  6. Взвешивайте мышей и записывайте вес их тела перед каждым повторением поведенческого эксперимента.
  7. В свежем виде приготовьте смесь васаби и арахисового масла, взвесив 1 г покупного васаби и 4,5 г арахисового масла. Смешайте их в полиэтиленовом пакете на молнии.
    ПРИМЕЧАНИЕ: Из-за летучести изотиоцианатов в васаби важно хранить коммерческий васаби в морозильной камере при температуре -20 °C.
  8. Взвесьте и положите на тарелку для введения чау две пасты по 0,5 г арахисового масла или смесь васаби и арахисового масла, как показано на рисунке 1B, C.
  9. Поместите готовую тарелку для введения чау-чау в камеру чау-чау, как показано на рисунке 1B, C, чтобы позволить двум мышам иметь свободный доступ к пище во время каждого сеанса видеозаписи.
  10. Заполните нижнюю канавку 30 мл жидкости, чистой воды или раствора (~42% v/v этанола), чтобы облегчить одновременный вдох, как показано на рисунке 1B, C.
  11. Начните запись с помощью камер на 2 смартфонах, размещенных на подставках для телефона у каждого терминала.
    ПРИМЕЧАНИЕ: Технические характеристики видеороликов следующие: ширина кадра, 1920; высота рамы, 1080; скорость передачи данных, 20745 кбит/с; Частота кадров, 30,00 кадров в секунду (fps).
  12. Осторожно поместите 2 обученных однопометников мышей в спроектированную платформу для изучения поведения животных сверху и быстро закрепите клетку верхней пластиной.
    ПРИМЕЧАНИЕ: Убедитесь, что этот шаг выполнен в течение 15 секунд.
  13. Записывайте каждое видео в течение 2-3 минут.
    ПРИМЕЧАНИЕ: Убедитесь, что вся продолжительность эксперимента, от приготовления смеси арахисового масла и васаби до завершения видеозаписи, ограничена 5 минутами.
  14. Повторите весь эксперимент 3 раза.
    ПРИМЕЧАНИЕ: Убедитесь, что каждая реплика эксперимента разделена не менее чем на 6 часов.
  15. Имитируйте разные сценарии.
    Примечание: Например, в этой работе пара мышей была разделена на 4 группы с 4 различными сценариями, которые были смоделированы с использованием экспериментальных условий, описанных выше. Эти сценарии включают сценарий А для исследования предыстории, сценарий В для исследования положительного контроля, сценарий С для исследования взаимодействия вкуса и запаха васаби и алкоголя и сценарий D для исследования отрицательного контроля. В таблице 1 приведена краткая информация об этих сценариях.

3. Распознавание изображений

Как и во многих исследованиях по обработке изображений 23,24,25, классификационная модель была получена путем обучения СНС. Скрипт для операций DL был написан на Python v.3.10 на Jupyter Notebook (anaconda3). Он доступен в следующем репозитории GitHub: git@github.com:TommyNHL/imageRecognitionJove.git. Для создания и обучения CNN использовались библиотеки с открытым исходным кодом, в том числе: numpy v.1.21.5, seaborn v.0.11.2, matplotlib v.3.5.2, cv2 v.4.6.0, sklearn v.1.0.2, tensorflow v.2.11.0 и keras v.2.11.0. Эти библиотеки предоставляли необходимые инструменты и функциональные возможности для разработки и обучения СНС распознаванию изображений.

  1. Экспортируйте серию изображений видеокадров из собранных видеоклипов, чтобы создать набор данных для обучения модели с помощью предоставленной записной книжки Jupyter Notebook с именем Step1_ExtractingAndSavingVideoFrameImages.ipynb.
  2. Выбирайте изображения только с помощью хотя бы 1 мыши, потребляющей предоставленную пасту. Примеры выбранных изображений представлены на Дополнительном рисунке 1, Дополнительном рисунке 2, Дополнительном рисунке 3, Дополнительном рисунке 4, Дополнительном рисунке 5, Дополнительном рисунке 6 и Дополнительном рисунке 7.
  3. Выполняйте увеличение данных путем горизонтального переворачивания созданных изображений, реализуя скрипт, предоставленный в записной книжке Jupyter Notebook с именем Step2_DataAugmentation.ipynb.
  4. Резервируйте данные изображений из каждой секундной репликации для внешней независимой проверки модели СНС. Используйте образы из каждой первой и третьей репликации для внутреннего обучения и тестирования модели.
  5. Предварительная обработка данных изображения, используемых в моделировании CNN, путем запуска скрипта в Jupyter Notebook с именем Step3_CNNmodeling_TrainTest.ipynb, включая изменение размера изображения, преобразование черного цвета и нормализацию сигнала изображения.
  6. Случайным образом разделите учебные материалы на внутренние обучающие и тестовые наборы данных в соотношении 8:2.
  7. Инициализируйте архитектуру для CNN. Спроектируйте количество выходов CNN на основе количества сценариев, которые необходимо изучить.
    Примечание: Например, в этом исследовании нейронная сеть была предназначена для классификации 3 классов. Убедитесь, что скрипт для обработки дисбаланса данных по весу класса скомпилирован.
  8. Найдите комбинацию гиперпараметров, которая дает минимальные потери на внутренних тестовых образцах для построения СНС.
  9. Примите оптимальную комбинацию гиперпараметров для построения архитектуры CNN.
  10. Откройте предоставленные записные книжки Jupyter Step4_CNNmodel_ExternalValOriginal.ipynb и Step5_CNNmodel_ExternalValFlipped.ipynb. Проверьте полученную модель, используя независимые (исходные и перевернутые) изображения из второго тиража поведенческого эксперимента на животных.
  11. Разверните полученную и проверенную модель для классификации изображений видеокадров, сгенерированных экспериментальной группой, с помощью Jupyter Notebook Step6_CNNmodel_Application.ipynb.
    ПРИМЕЧАНИЕ: Например, в данной работе это сценарий С.

4. Ручная оценка шкалы гримас мыши

ПРИМЕЧАНИЕ: Для проверки выводов, полученных в результате прогнозирования модели CNN, был применен другой метод, ранее разработанный и проверенный Langford et al.16. Этот метод включает в себя оценку MGS на основе 5 конкретных единиц действия лица мыши (AU): сжатие орбиты, выпячивание носа, выпячивание щек, сужение ушей наружу и изменение усов. Каждому AU присваивается балл 0, 1 или 2, указывающий на отсутствие, умеренное присутствие или очевидное присутствие AU соответственно. Эта система оценки позволяет количественно оценить и масштабировать каждую AU для оценки уровня ноцицепции или дискомфорта, испытываемого мышами.

  1. Сделайте 3 видеокадра, на которых однопометники глотают пасту для каждого видеоклипа. Убедитесь, что каждый кадр разделен не менее чем 3 секундами.
  2. Выполняйте слепой код и случайным образом переупорядочивайте изображения из разных классов сценариев в последовательности, используя предоставленный файл шаблона с именем "shuffleSlides.pptm" (дополнительный файл 1) и выполняя встроенный код макроса.
  3. Предложите не менее 10 членам команды-организатора оценить образцы изображений.
  4. Обучите участников комиссии оценивать образцы изображений с помощью MGS. Предоставьте участникам дискуссии учебные материалы, которые включают в себя оригинальную статью о MGS и руководство к ней15,16.
  5. Рассчитайте балл MGS каждого животного в захваченном кадре, усреднив все баллы соответствующих 5 AU лица. Представьте оценку MGS в виде среднего значения ± стандартной погрешности измерения (SEM).
  6. Определение наличия статистически значимых различий между различными классами сценариев с помощью одностороннего дисперсионного анализа (ANOVA) с помощью апостериорного теста множественного сравнения Бонферрони.
    ПРИМЕЧАНИЕ: Значение P < 0,05 считается статистически значимым.

Результаты

Основной целью данного исследования является создание надежной основы для изучения взаимодействия вкуса и запаха у мышей. Эта структура включает в себя использование искусственного интеллекта и QBA для разработки модели предиктивной классификации. Кроме того, выводы, полученные в ход?...

Обсуждение

Предлагаемый метод изучения взаимодействия вкуса и запаха в данной работе основан на оригинальном методе поведенческого кодирования выражения боли на лице у мышей, который был разработан Langford et al.16. В нескольких недавно опубликованных статьях была представлена технологи...

Раскрытие информации

Авторы заявляют об отсутствии конфликта интересов.

Благодарности

З. Цай хотел бы выразить признательность за финансовую поддержку со стороны благотворительного фонда Kwok Chung Bo Fun для создания кафедры экологического и биологического анализа Kwok Yat Wai.

Материалы

NameCompanyCatalog NumberComments
Absolute ethanol (EtOH)VWR Chemicals BDHCAS# 64-17-5
Acrylonitrile butadiene styrene bricksJiahuifeng Flagship Storehttps://shop.paizi10.com/jiahuifeng/chanpin.html
Acrylonitrile butadiene styrene platesJiahuifeng Flagship Storehttps://shop.paizi10.com/jiahuifeng/chanpin.html
Allyl isothiocyanate (AITC)Sigma-AldrichCAS# 57-06-7
Anhydrous dimethyl sulfoxideSigma-AldrichCAS# 67-68-5
Chinese spiritYanghe Qingcihttps://www.chinayanghe.com/article/45551.html
Commercial wasabiS&B FOODS INC.https://www.sbfoods-worldwide.com
Formic acid (FA)VWR Chemicals BDHCAS# 64-18-6
GraphPad Prism 5GraphPadhttps://www.graphpad.com
HPLC-grade acetonitrile (ACN)VWR Chemicals BDHCAS# 75-05-8
HPLC-grade methanol (MeOH)VWR Chemicals BDHCAS# 67-56-1
Microsoft Excel 2016Microsofthttps://www.microsoft.com 
Microsoft PowerPoint 2016Microsofthttps://www.microsoft.com
Milli-Q water systemMilliporehttps://www.merckmillipore.com
Mouse: ICRLaboratory Animal Services Centre (The Chinese University of Hong Kong, Hong Kong, China)N/A
Peanut butterSkippyhttps://www.peanutbutter.com/peanut-butter/creamy
Python v.3.10Python Software Foundationhttps://www.python.org 
Transparent acrylic platesTaobao Storehttps://item.taobao.com/item.htm?_u=32l3b7k63381&id=60996545797
0&spm=a1z09.2.0.0.77572e8dFPM
EHU

Ссылки

  1. Isshiki, K., Tokuoka, K., Mori, R., Chiba, S. Preliminary examination of allyl isothiocyanate vapor for food preservation. Biosci Biotechnol Biochem. 56 (9), 1476-1477 (1992).
  2. Li, X., Wen, Z., Bohnert, H. J., Schuler, M. A., Kushad, M. M. Myrosinase in horseradish (Armoracia rusticana) root: Isolation of a full-length cDNA and its heterologous expression in Spodoptera frugiperda insect cells. Plant Sci. 172 (6), 1095-1102 (2007).
  3. Depree, J. A., Howard, T. M., Savage, G. P. Flavour and pharmaceutical properties of the volatile sulphur compounds of Wasabi (Wasabia japonica). Food Res Int. 31 (5), 329-337 (1998).
  4. Hu, S. Q., Wei, W. Study on extraction of wasabi plant material bio-activity substances and anti-cancer activities. Adv Mat Res. 690 - 693, 1395-1399 (2013).
  5. Lee, H. -. K., Kim, D. -. H., Kim, Y. -. S. Quality characteristics and allyl isothiocyanate contents of commercial wasabi paste products. J Food Hyg Saf. 31 (6), 426-431 (2016).
  6. Bacon, T. Wine, wasabi and weight loss: Examining taste in food writing. Food Cult Soc. 17 (2), 225-243 (2014).
  7. Fleming, P. A., et al. The contribution of qualitative behavioural assessment to appraisal of livestock welfare. Anim Prod Sci. 56, 1569-1578 (2016).
  8. Shi, X., et al. Behavioral assessment of sensory, motor, emotion, and cognition in rodent models of intracerebral hemorrhage. Front Neurol. 12, 667511 (2021).
  9. Stevenson, R. J., Prescott, J., Boakes, R. A. Confusing tastes and smells: How odours can influence the perception of sweet and sour tastes. Chem Senses. 24 (6), 627-635 (1999).
  10. Pfeiffer, J. C., Hollowood, T. A., Hort, J., Taylor, A. J. Temporal synchrony and integration of sub-threshold taste and smell signals. Chem Senses. 30 (7), 539-545 (2005).
  11. Simons, C. T., Klein, A. H., Carstens, E. Chemogenic subqualities of mouthfeel. Chem Senses. 44 (5), 281-288 (2019).
  12. Andrade, E. L., Luiz, A. P., Ferreira, J., Calixto, J. B. Pronociceptive response elicited by TRPA1 receptor activation in mice. Neuroscience. 152 (2), 511-520 (2008).
  13. Palazzo, E., Marabese, I., Gargano, F., Guida, F., Belardo, C., Maione, S. Methods for evaluating sensory, affective and cognitive disorders in neuropathic rodents. Curr Neuropharmacol. 19 (6), 736-746 (2020).
  14. Topley, M., Crotty, A. M., Boyle, A., Peller, J., Kawaja, M., Hendry, J. M. Evaluation of motor and sensory neuron populations in a mouse median nerve injury model. J Neurosci Methods. 396, 109937 (2023).
  15. Langford, D. J., et al. . Mouse Grimace Scale (MGS): The Manual. , (2015).
  16. Langford, D. J., et al. Coding of facial expressions of pain in the laboratory mouse. Nat Methods. 7 (6), 447-449 (2010).
  17. Liu, H., Fang, S., Zhang, Z., Li, D., Lin, K., Wang, J. MFDNet: Collaborative poses perception and matrix Fisher distribution for head pose estimation. IEEE Trans Multimedia. 24, 2449-2460 (2022).
  18. Liu, T., Wang, J., Yang, B., Wang, X. NGDNet: Nonuniform Gaussian-label distribution learning for infrared head pose estimation and on-task behavior understanding in the classroom. Neurocomputing. 436, 210-220 (2021).
  19. Liu, T., Liu, H., Yang, B., Zhang, Z. LDCNet: Limb direction cues-aware network for flexible human pose estimation in industrial behavioral biometrics systems. IEEE Trans Industr Inform. 20 (6), 8068-8078 (2023).
  20. Grant, E. P., et al. What can the quantitative and qualitative behavioural assessment of videos of sheep moving through an autonomous data capture system tell us about welfare. Appl Anim Behav Sci. 208, 31-39 (2018).
  21. Vidal, A., Jha, S., Hassler, S., Price, T., Busso, C. Face detection and grimace scale prediction of white furred mice. Mach Learn Appl. 8, 100312 (2022).
  22. Zylka, M. J., et al. Development and validation of Painface, A software platform that simplifies and standardizes mouse grimace analyses. J Pain. 24 (4), 35-36 (2023).
  23. Liu, H., Zhang, C., Deng, Y., Liu, T., Zhang, Z., Li, Y. F. Orientation cues-aware facial relationship representation for head pose estimation via Transformer. IEEE Trans Image Process. 32, 6289-6302 (2023).
  24. Liu, H., Liu, T., Chen, Y., Zhang, Z., Li, Y. F. EHPE: Skeleton cues-based Gaussian coordinate encoding for efficient human pose estimation. IEEE Trans Multimedia. , (2022).
  25. Liu, H., et al. TransIFC: Invariant cues-aware feature concentration learning for efficient fine-grained bird image classification. IEEE Trans Multimedia. , (2023).
  26. Akkaya, I. B., Halici, U. Mouse face tracking using convolutional neural networks. IET Comput Vis. 12 (2), 153-161 (2018).
  27. Andresen, N., et al. Towards a fully automated surveillance of well-being status in laboratory mice using deep learning: Starting with facial expression analysis. PLoS One. 15 (4), e0228059 (2020).
  28. Ernst, L., et al. Improvement of the mouse grimace scale set-up for implementing a semi-automated Mouse Grimace Scale scoring (Part 1). Lab Anim. 54 (1), 83-91 (2020).
  29. Tuttle, A. H., et al. A deep neural network to assess spontaneous pain from mouse facial expressions. Mol Pain. 14, 1744806918763658 (2018).
  30. Lencioni, G. C., de Sousa, R. V., de Souza Sardinha, E. J., Corrêa, R. R., Zanella, A. J. Pain assessment in horses using automatic facial expression recognition through deep learning-based modeling. PLoS One. 16 (10), e0258672 (2021).
  31. Steagall, P. V., Monteiro, B. P., Marangoni, S., Moussa, M., Sautié, M. Fully automated deep learning models with smartphone applicability for prediction of pain using the Feline Grimace Scale. Sci Rep. 13, 21584 (2023).

Перепечатки и разрешения

Запросить разрешение на использование текста или рисунков этого JoVE статьи

Запросить разрешение

Смотреть дополнительные статьи

JoVE210

This article has been published

Video Coming Soon

JoVE Logo

Конфиденциальность

Условия эксплуатации

Политика

СВЯЖИТЕСЬ С НАМИ

РЕКОМЕНДОВАТЬ БИБЛИОТЕКЕ

НОВОСТИ JoVE

Исследования

Образование

АВТОРЫ

Библиотекарь

О JoVE

Авторские права © 2025 MyJoVE Corporation. Все права защищены