FLLIT, izlenen bir hayvanın vücut ve bacak kompozisyonlarını hesaplayan bir algoritmadır. Ve bu hem normal hem de hastalık yürüyüş davranışları altında yatan devre karakterize için yararlıdır. FLLIT hakkında benzersiz bir şey eğitim için herhangi bir kullanıcı açıklamalı veri setleri gerektirmez ve dolayısıyla tam otomatik olmasıdır.
Ama aynı zamanda otomatik olarak yürüyüş ölçümleri bir dizi üreten parça verileri analiz, görselleştirme için yürüyüş çizimleri ve bir parça video. Prosedürü gösteren Animesh Banerjee, benim laboratuvar bir doktora sonrası meslektaşım olacaktır. Bir denemeye başlamadan önce, kayıt istasyonunun arena odasını tutmak için üzerinde bir sahne olan yüksek hızlı bir kameraya sahip olduğunu doğrulayın.
Kamera ve örnek arasında bir difüzör ile sahnenin üst kısmında kızılötesi LED ışıkları yerleştirin. Kayıt başlamadan yaklaşık 40 dakika önce, 5-7 dakika boyunca buz üzerinde boş bir aşağılık içine sinek aktarın. Sinekler uyuşturulurken, odanın arenasını ve cam kaydıraklarını temizlemek için su ve mendil kullanın ve odanın altındaki cam kaydıraktan birini bantlayın.
Temiz bir fırça kullanarak, odaya bir anestezi sinek aktarın ve ikinci bir slayt ve bant ile oda güvenli. Sonra oda sıcaklığında 15-20 dakika için acclimate odacıklı sinek sağlar. FLLIT analizi için videolar oluşturmak için önce güç kaynağını açın ve bağlı bilgisayar sistemindeki görüntüleyici uygulamasını açın.
Kayıt kare hızını saniyede 1,000 kare olarak değiştirin ve deklanşör hızını bir milisaniyeye ayarlayın. Kayıt arenada sinek ile oda yerleştirin ve CANLI düğmesine tıklayın. Sinek odanın zemininde dik yürürken kamerabacak uçları üzerinde duruldu ve Kayıt tıklayın doğruladı.
Kayıt sırasında, sineğin arenanın kenarına dokunmadan nispeten düz bir yörüngede yürümesini, bacak başına en az üç adım yürümesini, yürüyüş sırasında duraklamamasını ve yürüme mesafesinin en az bir buçuk vücut uzunluğuna eşit olduğundan emin olun. Çözümlemenin sonunda kaydı durdurmak ve dosyaları mraw veya tiff formatında uygun klasörlere kaydetmek için Yapılan Kaydı tıklatın. FLLIT'yi yüklemek için önce programı herhangi bir işletim sistemine indirin.
Zip dosyasının içeriğini ayıklayın ve örnek veri kümelerini indirin. Ubuntu'da FLLIT'yi yüklemek için FLLIT/Derlenmiş dizine gidin ve Terminalde Aç'ı seçmek için sağ tıklatın. Örnek bir veri kümesi indirin ve FLLIT-master/Compiled altında veri seti klasörlerinin yerleştirileceği bir klasör verisi oluşturun.
MATLAB çalışma zamanı kitaplıklarını HOME/MCR'ye yükleyin. MATLAB çalışma zamanı kitaplığı yüklemesi tamamlandığında, çalıştırılabilir hakların FLLIT'ye kaydedildiğinden emin olmak için komutu sorun. Sonra FLLIT yürütmek için komutu girin.
Videonun bölümlemi için dosyayı tek tek TIFF dosyalarına dönüştürün ve dönüştürülen dosyaları FLLIT veri klasörüne kaydedin. Tüm dosyalar aktarıldığında FLLIT'yi çalıştırın. Açılır pencerede, yalnızca bacak bölümleme sini gerçekleştirmek için 0'ı seçin veya bacak bölümleme ile bacak izlemeyi içerecek şekilde 1'i seçin.
İzlenecek videonun kare kare TIFF görüntülerini içeren klasörü ve ilgi çekici dosyayı seçin ve Ekle'yi tıklatın. Ardından, seçili videonun bölümlenmesini ve izlenmesini başlatmak için Bitti'yi tıklatın. İzlemenin doğruluğunu kontrol etmek ve hata düzeltmeleri gerçekleştirmek için Veri Klasörünü Seç'i tıklatın ve ardından izlenecek klasörü seçin.
İzlemeyi Görüntüle'yi tıklatın ve ilk karedeki tüm bacaklar için etiketlemeyi denetleyin. Bir bacak yanlış etiketlenmişse ve düzeltme gerekiyorsa, görüntülemeyi duraklatın ve tahminini ayarlayın. Paneli Ayarlamak için Bacak'ta düzeltme gerektiren bacağı seçin ve görüntü penceresindeki bu bacağın doğru konumuna çift tıklayın.
Ardından Kaydet ve Çıkar'ı tıklatın. Bölümlenmiş ve izlenen verileri işlemek için Veri İşlemi'ni tıklatın. İlk olarak, yakalanan videonun gerçek görüş alanını hesaplayın, böylece geçit parametreleri ölçülebilir.
Açılır pencerede videonun kaydedildiği saniyedeki kare sayısını girin ve hesaplanan görüş alanını milimetre cinsinden girin. İzleme sonuçlarına erişmek için sonuçları ve izleme klasörlerini açın. İzlenen sineğin videosunu oluşturmak için Video Yap'ı seçin.
Bacak segmentasyonu, izleme ve veri işlemenin ardından, FLLIT otomatik olarak gövdepozisyonları için ham veri üretir ve her bacak pençesi, 20 yürüyüş parametre ve eşlik eden çizimler ve izlenen videolar. SCA3 vücut veering ile bir ataksik yürüyüş tarafından typified, düzensiz ayak yerleştirme, ve kısa lurching adımları. Mutant SCA3 sineklerinin yürüyüş karakterize ve insan hastaların benzer bir yürüyüş görüntülemek olup olmadığını araştırmak için, FLLIT tarafından oluşturulan ilgili yürüyüş parametreleri analiz edilebilir.
SCA3-Q84 uçar daha fazla döner sergilemek, düşük ayak izi düzenlilik tarafından sergilenen düzensiz ayak yerleşimi, ve artan bacak etki alanı örtüşme, uzunluk ve alan genişlemiş bacak etki alanları, ve adım uzunluğu azaldı. FLLIT ayrıca arena merkezli ve vücut merkezli görünümlerde izlenen sinek ve bacakları gösteren bir video oluşturabilir, vücut yörüngesi, yön başlığı, ve her bacağın dikey ve yanal deplasmanları. SCA3-Q27 sinekleri ile karşılaştırıldığında, SCA3-Q84 sinekler farklı boyutlarda düzensiz kesişen bacak etki alanları sergilemek, bir lurching göstergesi, ataxic yürüyüş.
Vücut ve bacak pençe pozisyonları için ham veri daha ilgi belirli hareketleri için analiz edilebilir. Örneğin, FLLIT kullanımı grubumuzun Parkinson hastalığının Drosophila modelleri tarafından görüntülenen katı fenotiplerin dopaminerjik nöron disfonksiyonundan kaynaklandığını belirlemesine olanak sağladı.
