Name: a step-by-step implementation of deepbehavior, deep learning toolbox for automated behavior analysis
Uploaded: 2020-02-06T15:00:00
Description: Watch this Scientific Journal Video about A Step-by-Step Implementation of DeepBehavior, Deep Learning Toolbox for Automated Behavior Analysis at JoVE.com

Biz pingping Zhao ve Peyman Golshani iki fare sosyal etkileşim testleri orijinal kağıt2kullanılan ham veri sağlamak için teşekkür etmek istiyorum. Bu çalışma NIH NS109315 ve NVIDIA GPU hibeleri (AA) tarafından desteklenmiştir.

1. GPU ve Python Kurulumu
<ol><li>
GPU Yazılımı Bilgisayar derin öğrenme uygulamaları için ilk kurulum olduğunda, GPU'ya uygun yazılım ve sürücüler, GPU'nun ilgili web sitesinde bulunabilecek şekilde yüklenmelidir. (bu çalışmada kullanılanlar için Malzeme Tablosu'na bakınız).</li>
	<li>
Python 2.7 Kurulumu Makinenizde bir komut satırı istemi açın. Komut satırı: sudo apt-get install python-pip python-dev python-virtualenv</l...

<ol>
	<li>Krakauer, J. W., Ghazanfar, A. A., Gomez-Marin, A., MacIver, M. A., Poeppel, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Neuroscience+Needs+Behavior:+Correcting+a+Reductionist+Bias.">Neuroscience Needs Behavior: Correcting a Reductionist Bias.</a> Neuron. 93 (3), 480-490 (2017).</li><li>Arac, A., Zhao, P., Dobkin, B. H., Carmichael, S. T., Golshani, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=DeepBehavior:+A+Deep+Learning+Toolbox+for+Automated+Analysis+of+Animal+and+Human+Behavior+Imaging+Data.">DeepBehavior: A Deep Learning Toolbox for Automated Analysis of Animal and Human Behavior Imaging Data.</a> Front Syst Neurosci. 13, 20 (2019).</li><li>Pereira, T. D., Aldarondo, D. E., Willmore, L., Kislin, M., Wang, S. S., Murthy, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fast+animal+pose+estimation+using+deep+neural+networks.">Fast animal pose estimation using deep neural networks.</a> Nat Methods. 16 (1), 117-125 (2019).</li><li>Mathis, A., Mamidanna, P., Cury, K. M., Abe, T., Murthy, V. N., Mathis, M. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=DeepLabCut:+markerless+pose+estimation+of+user-defined+body+parts+with+deep+learning.">DeepLabCut: markerless pose estimation of user-defined body parts with deep learning.</a> Nat Neurosci. 21 (9), 1281-1289 (2018).</li><li>Stern, U., He, R., Yang, C. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Analyzing+animal+behavior+via+classifying+each+video+frame+using+convolutional+neural+networks.">Analyzing animal behavior via classifying each video frame using convolutional neural networks.</a> Sci Rep. 5, 14351 (2015).</li><li>Tinbergen, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=On+aims+and+methods+of+ethology.">On aims and methods of ethology.</a> Zeitschrift fu&#776;r Tierpsychologie. 20, 410-433 (1963).</li><li>LeCun, Y., Bengio, Y., Hinton, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Deep+Learning.">Deep Learning.</a> Nature. 521 (7553), 436-444 (2015).</li><li>Zhao, Z., Zheng, P., Xu, S., Wu, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Object+Detection+With+Deep+Learning:+A+Review.">Object Detection With Deep Learning: A Review.</a> IEEE Transactions on Neural Networks and Learning Systems. , 1-21 (2019).</li><li>He, K., Zhang, X., Ren, S., Deep Sun, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Residual+Learning+for+Image+Recognition.">Residual Learning for Image Recognition.</a> arXiv. , (2015).</li><li>Krizhevsky, A., Sutskever, I., Hinton, G. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=ImageNet+classification+with+deep+convolutional+neural+networks.">ImageNet classification with deep convolutional neural networks.</a> Proceedings of the 25th International Conference on Neural Information Processing Systems. 1, 1097-1105 (2012).</li><li>Szegedy, C., Wei, L., Yangqing, J., Sermanet, P., Reed, S., Anguelov, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Going+deeper+with+convolutions.">Going deeper with convolutions.</a> 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). , 7-12 (2015).</li><li>Stewart, R., Andriluka, M., Ng, A. Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=End-to-End+People+Detection+in+Crowded+Scenes.">End-to-End People Detection in Crowded Scenes.</a> 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). , 27-30 (2016).</li><li>Redmon, J., Farhadi, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=YOLOv3:+An+Incremental+Improvement.">YOLOv3: An Incremental Improvement.</a> arXiv. , (2018).</li><li>Cao, Z., Simon, T., Wei, S. E., Sheikh, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Realtime+Multi-Person+2D+Pose+Estimation+using+Part+Affinity+Fields.">Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields.</a> arXiv. , (2017).</li><li>Simon, T., Joo, H., Matthews, I., Sheikh, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Hand+Keypoint+Detection+in+Single+Images+using+Multiview+Bootstrapping.">Hand Keypoint Detection in Single Images using Multiview Bootstrapping.</a> arXiv. , (2017).</li><li>Wei, S. E., Ramakrishna, V., Kanade, T., Sheikh, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Convolutional+Pose+Machines.">Convolutional Pose Machines.</a> arXiv. , (2016).</li></ol>

Burada, deepbehavior, hayvan ve insan davranışı görüntüleme verianalizi2 için son zamanlarda geliştirilen derin öğrenme tabanlı araç kutusu uygulanması için bir adım-adım kılavuz sağlar. Her ağ mimarisi için çerçevelerin yüklenmesi için her adım için ayrıntılı açıklamalar sağlar ve bu çerçeveleri çalıştırabilmek için açık kaynak gereksinimlerinin yüklenmesi için bağlantılar sağlarız. Bunları nasıl yükleyebileceğimizi, eğitim verilerinin nasıl ol...

Davranış ayrıntılı bir analiz beyin ve davranış ilişkilerini anlamak için anahtardır. Yüksek zamansal çözünürlük ile nöronal popülasyonların kayıt ve manipüle için metodolojiler birçok heyecan verici gelişmeler olmuştur, ancak, davranış analizi yöntemleri aynı oranda gelişmiş değil ve dolaylı ölçümler ve indirgemecı yaklaşım ile sınırlıdır1. Son zamanlarda, derin öğrenme tabanlı yöntemler otomatik ve ayrıntılı davranış analizi2,3,4,5gerçekleştirmek için geliştirilmiştir. Bu protokol, DeepBehavior araç kutusu için adım adım uygulama kılavuzu sağlar.
Geleneksel davranış analizi yöntemleri genellikle birden çok değerlendirici tarafından verileri el ile etiketlemeyi içerir ve bu da deneycilerin bir davranışı nasıl tanımladığıkonusunda varyansa yol açar6. Verilerin manuel olarak etiketlanması, toplanan veri miktarıyla orantısız bir şekilde artan zaman ve kaynak gerektirir. Ayrıca, elle etiketlenmiş veriler, davranışın zenginliğini yakalamayan kategorik ölçümlere davranış sonuçlarını azaltır ve daha öznel olacaktır. Bu nedenle, mevcut geleneksel yöntemler doğal davranışlarda ayrıntıları yakalama sınırlı olabilir.
DeepBehavior araç kutusu, davranış analizi için derin öğrenmeyi kullanarak hassas, ayrıntılı, son derece zamansal ve otomatik bir çözüm sunar. Derin öğrenme, açık kaynak araç ve paketleri ile hızlı bir şekilde herkes tarafından erişilebilir hale gelmiştir. Konvolutional sinir ağları (CNNs) nesne tanıma ve izleme görevleri son derece etkili olduğu kanıtlanmıştır7,8. Günümüz CNN'leri ve yüksek performanslı grafik işleme birimleri (GPU) kullanılarak, büyük görüntü ve video veri setleri yüksek hassasiyetle hızlı bir şekilde işlenebilir7,9,10,11. DeepBehavior'de, tensorBox, YOLOv3 ve OpenPose2olmak üzere üç farklı kvolutional nöral ağ mimarisi vardır.
İlk çerçeve, Tensorbox, nesne algılama için birçok farklı CNN mimarileri içeren çok yönlü birçerçevedir 12. TensorBox, görüntü başına yalnızca bir nesne sınıfı algılamak için en uygun uyrdu. Elde edilen çıktılar, ilgi çekici nesnenin(Şekil 1)ve sınırlayıcı kutunun kartezyen koordinatlarını sınırlandırır.
İkinci CNN çerçevesi YOLOv3, "You Only Look Once"13anlamına gelir. YOLOv3, ayrı olarak izlenmesi gereken birden fazla ilgi çekici nesne olduğunda avantajlıdır. Bu ağın çıktısı, ilişkili nesne etiketi sınıfının yanı sıra video çerçevesindeki nesnenin sınırlayıcı kutusu kartezyen koordinatlarını içerir (Şekil 2).
Önceki iki çerçeve, hayvan deneklerinde standart laboratuvar deneylerinden toplanan genelleştirilmiş davranışsal veriler için avantajlıdır. Son CNN çerçeve OpenPoseolduğunu 14,15,16 hangi insan eklem poz tahmini için kullanılır. OpenPose görüntülerde insan vücudu, el, yüz ve ayak anahtar noktaları algılar. Çerçevenin çıktıları, insan öznesinin görüntüleri ve vücuttaki 25 kilit noktanın koordinatları ve her bir elin 21 kilit noktasının koordinatları olarak etiketlenmiştir(Şekil 3).
Yakın zamanda geliştirilen açık kaynaklı DeepBehavior araç kutumuzun uygulanması için bu ayrıntılı adım adım kılavuz, hayvan davranışlarını (örneğin pençenin hareketi) veya insan davranışını (örn. görevlere ulaşma) izlemek için son teknoloji kvolutional sinir ağları kullanır. Davranışı izleyerek, yararlı kinematik konum, hız ve ivme gibi davranışlardan türetilebilir. Protokol, her BIR CNN mimarisinin kurulumunu açıklar, eğitim veri kümelerinin nasıl oluşturulup oluşturulacak, ağların nasıl eğitilir, eğitilmiş ağda yeni videoların nasıl işlenir, yeni videolardaki ağdan nasıl veri çıkarılabildiğini ve nasıl çıkarılabildiğini gösterir. daha fazla analiz için yararlı hale getirmek için çıktı verilerini işleme sonrası.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>CUDA v8.0.61</td>
			<td>NVIDIA</td>
			<td>n/a</td>
			<td>GPU Software</td>
		</tr>
		<tr>
			<td>MATLAB R2016b</td>
			<td>Mathworks</td>
			<td>n/a</td>
			<td>Matlab</td>
		</tr>
		<tr>
			<td>Python 2.7</td>
			<td>Python</td>
			<td>n/a</td>
			<td>Python Version</td>
		</tr>
		<tr>
			<td>Quadro P6000</td>
			<td>NVIDIA</td>
			<td>n/a</td>
			<td>GPU Processor</td>
		</tr>
		<tr>
			<td>Ubuntu v16.04</td>
			<td>Ubuntu</td>
			<td>n/a</td>
			<td>Operating System</td>
		</tr>
	</tbody>
</table>

a step-by-step implementation of deepbehavior, deep learning toolbox for automated behavior analysis

Davranışı anlamak, beyindeki onu yönlendiren sinirsel mekanizmaları gerçekten anlamanın ilk adımıdır. Geleneksel davranış analizi yöntemleri genellikle doğal davranış ait zenginliği yakalamak yok. Burada, son metodolojimiz DeepBehavior'in görselleştirmeleriyle birlikte adım adım ayrıntılı talimatlar salıyoruz. DeepBehavior araç kutusu, davranışsal videoları hızla işlemek ve analiz etmek için kıvrımlı sinir ağları yla oluşturulmuş derin öğrenme çerçeveleri kullanır. Bu protokol, tek nesne algılama, birden çok nesne algılama ve üç boyutlu (3D) insan eklem poz izleme için üç farklı çerçeveler gösterir. Bu çerçeveler, davranış videosunun her karesi için ilgi çekici nesnenin karesyen koordinatlarını döndürer. DeepBehavior araç kutusundan toplanan veriler, geleneksel davranış çözümleme yöntemlerinden çok daha fazla ayrıntı içerir ve davranış dinamikleri hakkında ayrıntılı bilgiler sağlar. DeepBehavior davranış görevlerini sağlam, otomatik ve kesin bir şekilde ölçer. Davranışın tanımlanmasından sonra, davranış videolarından bilgi ve görselleştirmeleri ayıklamak için işlem sonrası kod sağlanır.

Protokol izlendiğinde, her ağ mimarisiiçin veri aşağıdaki gibi olmalıdır. TensorBox için, ilgi nesnesinin etrafında bir sınırlayıcı kutu çıkar. Örneğimizde, bir gıda peletinin görev eline ulaşan videoları kullandık ve hareketlerini izlemek için doğru pençeleri etiketledik. Şekil 1'degörüldüğü gibi, sağ pati hem ön görünüm hem de yan görüş kameralarında farklı konumlarda tespit edilebilir. Kamera kalibrasyonu ile işle...

Watch this Scientific Journal Video about A Step-by-Step Implementation of DeepBehavior, Deep Learning Toolbox for Automated Behavior Analysis at JoVE.com

A Step-by-Step Implementation of DeepBehavior, Deep Learning Toolbox for Automated Behavior Analysis

Bu protokolün amacı, davranış izlemeyi otomatikleştirmek ve ayrıntılı davranış analizi yapmak için önceden oluşturulmuş kvolutional sinir ağları kullanmaktır. Davranış izleme herhangi bir video veri veya görüntü dizileri uygulanabilir ve herhangi bir kullanıcı tanımlı nesne izlemek için genelleştirilebilir.

DeepBehavior Adım Adım Uygulama, Otomatik Davranış Analizi için Derin Öğrenme Araç Kutusu

Understanding behavior is the first step to truly understanding neural mechanisms in the brain that drive it. Traditional behavioral analysis methods ...

Ayrıntılı bir davranış analizi yapmak beyin davranışı ilişkisini anlamak için çok önemlidir. Davranışı değerlendirmenin en iyi yollarından biri dikkatli gözlemlerdir. Ancak, gözlenen davranışı niteleme zaman alıcı ve zorludur.Klasik davranış analizi yöntemleri kolayca ölçülebilir değildir ve doğal olarak özneldir. Makine öğrenimi ve yapay zeka alanlarındaki bir dalı olan derin öğrenmedeki son gelişmeler, görüntü ve videoların otomatik ve objektif olarak ölçülmesi için fırsatlar sağlamaktadır. Burada kemirgenler ve insanlarda ayrıntılı davranış analizi yapmak için derin sinir ağları kullanan son zamanlarda geliştirilen yöntemleri sıyoruz.Bu tekniğin en büyük avantajı, davranış analizi için herhangi bir görüntüleme verisine esnekliği ve uygulanabilirliğidir. DeepBehavior Araç Kutusu tek nesne tanımlama, çoklu nesne algılama ve insan poz izleme destekler. Ayrıca daha derinlemesine kinematik analiz yöntemleri için MATLAB'da post processing kodunu salıyoruz.Tensor Kutusu'yu kurarak başlayın. Ortamı etkinleştirin, ardından Tensor Kutusu'nu klonlamak ve makineye ve ek bağımlılıklara yüklemek için GitHub'ı kullanın. Ardından, grafiksel kullanıcı arabirimini başlatın ve davranış çerçevelerinin geniş bir dağıtımından en az 600 görüntüyü etiketlendirin.Görüntüyü etiketlemek için ilgi çekici nesnenin sol üst köşesini ve ardından sağ alt köşeyi tıklatın. Ardından, sınırlayıcı kutunun tüm nesneyi yakaladığından emin olun. Bir sonraki kareye geçmek için hemen tıklatın.Eğitim görüntülerini bir ağ hiper parametre dosyasına bağlamak için overfeat_rezoom açın. bir metin düzenleyicisi json ve train_idl altında dosya yolunu değiştirin labels.json. Ardından test-idl altında aynı dosya yolunu ekleyin ve değişiklikleri kaydedin.600,000 yineleme için eğitime başlayacak ve çıkış klasöründe kıvrımlı sinir ağının elde edilen eğitilmiş ağırlıklarını oluşturacak eğitim komut dosyasını başlatın. Ardından, yeni görüntüler üzerinde tahmin gerçekleştirin ve ağın çıktılarını etiketli görüntüler ve sınırlayıcı kutu koordinatları olarak görüntüleyin. YOLOv3'e yükleyin.Ardından, görüntüleri Yolo_mark-veri-obga klasörüne yerleştirerek ve grafik kullanıcı arabiriminde tek tek etiketleyerek eğitim verilerini Yolo_mark etiketleyin. Yaklaşık 200 görüntüyü etiketle. Ardından, yapılandırma dosyasını ayarlayın.Yapılandırma dosyasını değiştirmek için YOLO-obj'yi açın. cfg klasörü. Toplu iş, alt bölüm ve sınıf satırlarını değiştirin.Ardından, bir YOLO katmanından önce her kıvrım katmanı için filtreyi değiştirin. Ağ ağırlıklarını indirin ve darknet-build'e yerleştirin. x64 klasörü.Eğitim algoritmasını çalıştırın ve tam olarak oluşturulduktan sonra yinelemeleri görüntüleyin. Bir insan nesnesinde birden fazla vücut parçasını izlemek için OpenPose'i yükleyin ve ardından istediğiniz videoyu işlemek için kullanın. DeepBehavior Araç Kutusu'nun yetenekleri, farelerin göreve ulaşan bir gıda peleti performans videolarında gösterilmiştir.Sağ pençeleri etiketlendi ve hareket ön ve yan görüş kameraları ile izlendi. Kamera kalibrasyonu ile post processing işleminden sonra, erişim 3D yörüngeleri elde edildi. YOLOv3 çıkışları birden çok sınırlayıcı kutudur, çünkü birden çok nesne izlenebilir.Sınırlayıcı kutular vücudun parçaları olabilir ilgi nesneleri etrafında. OpenPose'te ağ ortak konumları algıladıktan sonra kamera kalibrasyonu ile işlem sonrası bir 3B model oluşturuldu. Bu protokolde yer almayan kritik bir adım, cihazınızın başlamadan önce uygun Python sürümlerine ve bağımlılıklarına ve GPU yapılandırılmış aygıta sahip olmasını sağlamaktır.Başarıyla ağ dan parça davranışı elde ettikten sonra ek sonrası işleme daha fazla kinematik ve davranış desenleri analiz etmek için yapılabilir. Neden DeepBehavior Toolbox kemirgenler ve insan deneklerin hastalık modellerinde tanısal yaklaşımlar için geçerli dir doğrudan terapötik yarar değildir. Bu tekniklerin tanısal veya prognostik bir araç olarak kullanılması laboratuvarımızda aktif araştırma altındadır.Bu teknik, nörolojik hastalıkları olan hastalarda motor iyileşmedeğerlendirmek için klinik çalışmalarda kullanıldığı gibi kemirgenlerde yetenekli motor davranışın nöral mekanizmaları nın araştırılmasında da kullanılmaktadır.

a-step-step-implementation-deepbehavior-deep-learning-toolbox-for

Research

JoVE Journal

Behavior

Contextual and Cued Fear Conditioning Test Using a Video Analyzing System in Mice

The contextual and cued fear conditioning test is one of the behavioral tests that assesses the ability of mice to learn and remember an association between environmental cues and aversive experiences. In this test, mice are placed into a conditioning chamber and are given parings of a conditioned stimulus (an auditory cue) and an aversive unconditioned stimulus (an electric footshock). After a delay time, the mice are exposed to the same conditioning chamber and a differently shaped chamber with presentation of the auditory cue. Freezing behavior during the test is measured as an index of fear memory. To analyze the behavior automatically, we have developed a video analyzing system using the ImageFZ application software program, which is available as a free download at http://www.mouse-phenotype.org/. Here, to show the details of our protocol, we demonstrate our procedure for the contextual and cued fear conditioning test in C57BL/6J mice using the ImageFZ system. In addition, we validated our protocol and the video analyzing system performance by comparing freezing time measured by the ImageFZ system or a photobeam-based computer measurement system with that scored by a human observer. As shown in our representative results, the data obtained by ImageFZ were similar to those analyzed by a human observer, indicating that the behavioral analysis using the ImageFZ system is highly reliable. The present movie article provides detailed information regarding the test procedures and will promote understanding of the experimental situation.

This article presents a protocol for a contextual and cued fear conditioning test using a video analyzing system to assess fear learning and memory in mice.

Farelerde Video Analiz Sistemi kullanma ve bağlamsal cued Korku Klima Testi

The contextual and cued fear conditioning test is one of the behavioral tests that assesses the ability of mice to learn and remember an association ...

Davranış

Assessment of Social Cognition in Non-human Primates Using a Network of Computerized Automated Learning Device (ALDM) Test Systems

Fagot &#38; Paleressompoulle1 and Fagot &#38; Bonte2 have published an automated learning device (ALDM) for the study of cognitive abilities of monkeys maintained in semi-free ranging conditions. Data accumulated during the last five years have consistently demonstrated the efficiency of this protocol to investigate individual/physical cognition in monkeys, and have further shown that this procedure reduces stress level during animal testing3. This paper demonstrates that networks of ALDM can also be used to investigate different facets of social cognition and in-group expressed behaviors in monkeys, and describes three illustrative protocols developed for that purpose. The first study demonstrates how ethological assessments of social behavior and computerized assessments of cognitive performance could be integrated to investigate the effects of socially exhibited moods on the cognitive performance of individuals. The second study shows that batteries of ALDM running in parallel can provide unique information on the influence of the presence of others on task performance. Finally, the last study shows that networks of ALDM test units can also be used to study issues related to social transmission and cultural evolution. Combined together, these three studies demonstrate clearly that ALDM testing is a highly promising experimental tool for bridging the gap in the animal literature between research on individual cognition and research on social cognition.

Assessment of Social Cognition in Non-human Primates Using a Network of Computerized Automated Learning Device ALDM Test Systems

Fagot &#38; Paleressompoulle1 have published an automated learning device (ALDM) aimed at testing individual cognitive abilities in semi-free ranging monkeys. The main goal of our protocol is to use a network of ALDM test units to study social cognition in non-human primates.

Bilgisayarlı Otomatik Öğrenme Cihazı (aldm) Test Sistemleri bir Ağı Kullanma Olmayan insan Primatlar Sosyal Biliş Değerlendirilmesi

Fagot &#38; Paleressompoulle1 and Fagot &#38; Bonte2 have published an automated learning device (ALDM) for the study of cognitive abilities of monkeys ...

Quantifying Learning in Young Infants: Tracking Leg Actions During a Discovery-learning Task

Task-specific actions emerge from spontaneous movement during infancy. It has been proposed that task-specific actions emerge through a discovery-learning process. Here a method is described in which 3-4 month old infants learn a task by discovery and their leg movements are captured to quantify the learning process. This discovery-learning task uses an infant activated mobile that rotates and plays music based on specified leg action of infants. Supine infants activate the mobile by moving their feet vertically across a virtual threshold. This paradigm is unique in that as infants independently discover that their leg actions activate the mobile, the infants&#8217; leg movements are tracked using a motion capture system allowing for the quantification of the learning process. Specifically, learning is quantified in terms of the duration of mobile activation, the position variance of the end effectors (feet) that activate the mobile, changes in hip-knee coordination patterns, and changes in hip and knee muscle torque. This information describes infant exploration and exploitation at the interplay of person and environmental constraints that support task-specific action. Subsequent research using this method can investigate how specific impairments of different populations of infants at risk for movement disorders influence the discovery-learning process for task-specific action.

A method is described in which 3-4 month old infants learn a task by discovery and their leg movements are captured to quantify the learning process.

Genç Bebeklerdeki Öğrenme miktarının: Takip Bacak Eylemler Discovery-öğrenme Görev sırasında

Task-specific actions emerge from spontaneous movement during infancy. It has been proposed that task-specific actions emerge through a discovery-learning ...

A Method for Remotely Silencing Neural Activity in Rodents During Discrete Phases of Learning

This protocol describes how to temporarily and remotely silence neuronal activity in discrete brain regions while animals are engaged in learning and memory tasks. The approach combines pharmacogenetics (Designer-Receptors-Exclusively-Activated-by-Designer-Drugs) with a behavioral paradigm (sensory preconditioning) that is designed to distinguish between different forms of learning. Specifically, viral-mediated delivery is used to express a genetically modified inhibitory G-protein coupled receptor (the Designer Receptor) into a discrete brain region in the rodent. Three weeks later, when designer receptor expression levels are high, a pharmacological agent (the Designer Drug) is administered systemically 30 min prior to a specific behavioral session. The drug has affinity for the designer receptor and thus results in inhibition of neurons that express the designer receptor, but is otherwise biologically inert. The brain region remains silenced for 2-5 hr (depending on the dose and route of administration). Upon completion of the behavioral paradigm, brain tissue is assessed for correct placement and receptor expression. This approach is particularly useful for determining the contribution of individual brain regions to specific components of behavior and can be used across any number of behavioral paradigms.

This protocol describes how to temporarily and remotely silence neuronal activity in discrete brain regions while rats are engaged in learning and memory tasks. The approach combines pharmacogenetics (Designer-Receptors-Exclusively-Activated-by-Designer-Drugs) with a behavioral paradigm (sensory preconditioning) that is designed to distinguish between different components of learning.

Öğrenmenin Ayrık Aşama sırasında Kemirgenler uzaktan suskunluğu Sinir Aktivitesi Bir Yöntem

This protocol describes how to temporarily and remotely silence neuronal activity in discrete brain regions while animals are engaged in learning and ...

A General Method for Evaluating Deep Brain Stimulation Effects on Intravenous Methamphetamine Self-Administration

Substance use disorders, particularly to methamphetamine, are devastating, relapsing diseases that disproportionally affect young people. There is a need for novel, effective and practical treatment strategies that are validated in animal models. Neuromodulation, including deep brain stimulation (DBS) therapy, refers to the use of electricity to influence pathological neuronal activity and has shown promise for psychiatric disorders, including drug dependence. DBS in clinical practice involves the continuous delivery of stimulation into brain structures using an implantable pacemaker-like system that is programmed externally by a physician to alleviate symptoms. This treatment will be limited in methamphetamine users due to challenging psychosocial situations. Electrical treatments that can be delivered intermittently, non-invasively and remotely from the drug-use setting will be more realistic. This article describes the delivery of intracranial electrical stimulation that is temporally and spatially separate from the drug-use environment for the treatment of IV methamphetamine dependence. Methamphetamine dependence is rapidly developed in rodents using an operant paradigm of intravenous (IV) self-administration that incorporates a period of extended access to drug and demonstrates both escalation of use and high motivation to obtain drug.

This article describes the delivery of intracranial electrical stimulation that is temporally and spatially separate from the drug-use environment for the treatment of IV methamphetamine dependence.

İntravenöz Metamfetamin Self-İdaresi Derin Beyin Stimülasyonu Etkileri değerlendirilmesi için Genel Bir Yöntem

Substance use disorders, particularly to methamphetamine, are devastating, relapsing diseases that disproportionally affect young people.  There is a need ...

Protocol for Data Collection and Analysis Applied to Automated Facial Expression Analysis Technology and Temporal Analysis for Sensory Evaluation

We demonstrate a method for capturing emotional response to beverages and liquefied foods in a sensory evaluation laboratory using automated facial expression analysis (AFEA) software. Additionally, we demonstrate a method for extracting relevant emotional data output and plotting the emotional response of a population over a specified time frame. By time pairing each participant's treatment response to a control stimulus (baseline), the overall emotional response over time and across multiple participants can be quantified. AFEA is a prospective analytical tool for assessing unbiased response to food and beverages. At present, most research has mainly focused on beverages. Methodologies and analyses have not yet been standardized for the application of AFEA to beverages and foods; however, a consistent standard methodology is needed. Optimizing video capture procedures and resulting video quality aids in a successful collection of emotional response to foods. Furthermore, the methodology of data analysis is novel for extracting the pertinent data relevant to the emotional response. The combinations of video capture optimization and data analysis will aid in standardizing the protocol for automated facial expression analysis and interpretation of emotional response data.

A protocol for capturing and statistically analyzing emotional response of a population to beverages and liquefied foods in a sensory evaluation laboratory using automated facial expression analysis software is described.

Duyusal için Veri Toplama ve Otomatik Yüz İfade Analizi Teknoloji Analizi Uygulamalı ve Geçici Analiz Protokolü

We demonstrate a method for capturing emotional response to beverages and liquefied foods in a sensory evaluation laboratory using automated facial ...

Using a Split-belt Treadmill to Evaluate Generalization of Human Locomotor Adaptation

Understanding the mechanisms underlying locomotor learning helps researchers and clinicians optimize gait retraining as part of motor rehabilitation. However, studying human locomotor learning can be challenging. During infancy and childhood, the neuromuscular system is quite immature, and it is unlikely that locomotor learning during early stages of development is governed by the same mechanisms as in adulthood. By the time humans reach maturity, they are so proficient at walking that it is difficult to come up with a sufficiently novel task to study de novo locomotor learning. The split-belt treadmill, which has two belts that can drive each leg at a different speed, enables the study of both short- (i.e., immediate) and long-term (i.e., over minutes-days; a form of motor learning) gait modifications in response to a novel change in the walking environment. Individuals can easily be screened for previous exposure to the split-belt treadmill, thus ensuring that all experimental participants have no (or equivalent) prior experience. This paper describes a typical split-belt treadmill adaptation protocol that incorporates testing methods to quantify locomotor learning and generalization of this learning to other walking contexts. A discussion of important considerations for designing split-belt treadmill experiments follows, including factors like treadmill belt speeds, rest breaks, and distractors. Additionally, potential but understudied confounding variables (e.g., arm movements, prior experience) are considered in the discussion.

We describe a protocol for investigating human locomotor adaptation using the split-belt treadmill, which has two belts that can drive each leg at a different speed. We specifically focus on a paradigm designed to test the generalization of adapted locomotor patterns to different walking contexts (e.g., gait speeds, walking environments).

Split-kemer koşu bandı kullanarak genelleme insan Lokomotor uyum değerlendir

Understanding the mechanisms underlying locomotor learning helps researchers and clinicians optimize gait retraining as part of motor rehabilitation. ...

Automated Analysis of a Nematode Population-based Chemosensory Preference Assay

The nematode, Caenorhabditis elegans' compact nervous system of only 302 neurons underlies a diverse repertoire of behaviors. To facilitate the dissection of the neural circuits underlying these behaviors, the development of robust and reproducible behavioral assays is necessary. Previous C. elegans behavioral studies have used variations of a "drop test", a "chemotaxis assay", and a "retention assay" to investigate the response of C. elegans to soluble compounds. The method described in this article seeks to combine the complementary strengths of the three aforementioned assays. Briefly, a small circle in the middle of each assay plate is divided into four quadrants with the control and experimental solutions alternately placed. After the addition of the worms, the assay plates are loaded into a behavior chamber where microscope cameras record the worms' encounters with the treated regions. Automated video analysis is then performed and a preference index (PI) value for each video is generated. The video acquisition and automated analysis features of this method minimizes the experimenter's involvement and any associated errors. Furthermore, minute amounts of the experimental compound are used per assay and the behavior chamber's multi-camera setup increases experimental throughput. This method is particularly useful for conducting behavioral screens of genetic mutants and novel chemical compounds. However, this method is not appropriate for studying stimulus gradient navigation due to the close proximity of the control and experimental solution regions. It should also not be used when only a small population of worms is available. While suitable for assaying responses only to soluble compounds in its current form, this method can be easily modified to accommodate multimodal sensory interaction and optogenetic studies. This method can also be adapted to assay the chemosensory responses of other nematode species.

We present a behavior recording setup and protocol that enables automated analysis of the nematode, Caenorhabditis elegans' preference for soluble compounds in a population-based assay. This article describes the construction of a behavior chamber, the behavioral assay protocol, and video analysis software usage.

Nematod Popülasyona Dayalı Kemoterapi Tercihi Testinin Otomatik Analizi

The nematode, Caenorhabditis elegans' compact nervous system of only 302 neurons underlies a diverse repertoire of behaviors. To facilitate the dissection ...

Paw-Print Analysis of Contrast-Enhanced Recordings (PrAnCER): A Low-Cost, Open-Access Automated Gait Analysis System for Assessing Motor Deficits

Gait analysis is used to quantify changes in motor function in many rodent models of disease. Despite the importance of assessing gait and motor function in many areas of research, the available commercial options have several limitations such as high cost and lack of accessible, open code. To address these issues, we developed PrAnCER, Paw-Print Analysis of Contrast-Enhanced Recordings, for automated quantification of gait. The contrast-enhanced recordings are produced by using a translucent floor that obscures objects not in contact with the surface, effectively isolating the rat&#8217;s paw prints as it walks. Using these videos, our simple software program reliably measures a variety of spatiotemporal gait parameters. To demonstrate that PrAnCER can accurately detect changes in motor function, we employed a haloperidol model of Parkinson&#8217;s disease (PD). We tested rats at two doses of haloperidol: high dose (0.30 mg/kg) and low dose (0.15 mg/kg). Haloperidol significantly increased stance duration and hind paw contact area in the low dose condition, as might be expected in a PD model. In the high dose condition, we found a similar increase in contact area but also an unexpected increase in stride length. With further research, we found that this increased stride length is consistent with the bracing-escape phenomenon commonly observed at higher doses of haloperidol. Thus, PrAnCER was able to detect both expected and unexpected changes in rodent gait patterns. Additionally, we confirmed that PrAnCER is consistent and accurate when compared with manual scoring of gait parameters.

Paw-Print Analysis of Contrast-Enhanced Recordings PrAnCER: A Low-Cost, Open-Access Automated Gait Analysis System for Assessing Motor Deficits

We describe a novel gait analysis system, Paw-Print Analysis of Contrast-Enhanced Recordings (PrAnCER), an open-access automated system for the quantification of gait characteristics in rats that utilizes a novel semitransparent floor to automatically quantify gait. This system was validated using the haloperidol model of Parkinson&#8217;s Disease.

Kontrastlı Gelişmiş Kayıtların (PrAnCER) Paw-Print Analizi: Motor Açıklarının Değerlendirilmesi için Düşük Maliyetli, Açık Erişimli Otomatik Yürüyüş Analiz Sistemi

Gait analysis is used to quantify changes in motor function in many rodent models of disease. Despite the importance of assessing gait and motor function ...

A Methodology for Capturing Joint Visual Attention Using Mobile Eye-Trackers

With the advent of new technological advances, it is possible to study social interactions at a microlevel with unprecedented accuracy. High frequency sensors, such as eye-trackers, electrodermal activity wristbands, EEG bands, and motion sensors provide observations at the millisecond level. This level of precision allows researchers to collect large datasets on social interactions. In this paper, I discuss how multiple eye-trackers can capture a fundamental construct in social interactions, joint visual attention (JVA). JVA has been studied by developmental psychologists to understand how children acquire language, learning scientists to understand how small groups of learners work together, and social scientists to understand interactions in small teams. This paper describes a methodology for capturing JVA in colocated settings using mobile eye-trackers. It presents some empirical results and discusses implications of capturing microobservations to understand social interactions.

Using multimodal sensors is a promising way to understand the role of social interactions in educational settings. This paper describes a methodology for capturing joint visual attention from colocated dyads using mobile eye-trackers.

Mobil Göz İzleyicileri Kullanarak Ortak Görsel Dikkat Yakalama Için Bir Metodoloji

With the advent of new technological advances, it is possible to study social interactions at a microlevel with unprecedented accuracy. High frequency ...