Journal Of Modern Research Physics

fa طراحی و ساخت سیستم کاشتنی برای بررسی حرکات رفتاری موش صحرائی مبتنی بر روشهای بینایی ماشین و شبکه‌های عصبی عمیق برای کاربردهای علوم اعصاب Design and Development of an Implantable System for Behavioral Analysis in Rats Using Machine Vision and Deep Neural Networks for Neuroscience Applications نانوفیزیک Special كاربردي Applicable پایش دقیق و کمّی رفتار حیوانات آزمایشگاهی، به ویژه مدل‌های حیوانی علوم اعصاب، اهمیت بسیاری در درک عملکرد مدارهای عصبی و ارتباط آن‌ها با رفتارهای پیچیده دارد. در رفتارشناسی محاسباتی، با هدف خودکارسازی، افزایش دقت و کاهش وابستگی مطالعات به ناظر انسانی و تکرارپذیری نتایج، سیستم‌ها و الگوریتم‌های پردازشی نوینی در حال توسعه‌اند. در این پژوهش، سیستمی متشکل از دوربین‌های بررسی رفتار محیطی و یک ایمپلنت مینیاتوری با قابلیت کاشت بر روی جمجمه موش صحرائی، طراحی و ساخته شده که حرکات بدن حیوان، مردمک چشم و زوایای حرکتی سر را ثبت می‌کند. ایمپلنت دارای حسگر IMU برای اندازه‌گیری شتاب و حرکت زاویه‌ای سر و دوربین مادون‌قرمز برای مردمک‌سنجی می‌باشد که وزن نهایی آن حدود 4.5 گرم است. همچنین نرم‌افزاری برای پردازش و مصوّرسازی داده‌های رفتاری توسعه داده شده‌است. از ترکیب داده‌های شتاب‌سنج و ژیروسکوپ برای محاسبه زوایای اویلری سر حیوان و از روش‌های بینایی ماشین سنتی و شبکه‌های عصبی عمیق برای پردازش تصاویر استفاده می‌شود. الگوریتم‌های آستانه‌گذاری و لبه‌یابی، سرعت پردازش ۲۵ فریم بر ثانیه را برای ردیابی مردمک موش‌های رنگدانه‌دار و مرکز بدن فراهم می‌کنند که برای کنترل حلقه-بسته سیستم‌های عصبی مناسب است. برای تخمین حالت بدن و بررسی مردمک موش‌های زال، شبکه عصبی DeepLabCut همراه با روش‌های تقویت داده و یادگیری انتقالی استفاده شده که خطای مدل مردمک‌سنجی به ازای ۴۴۸ تصویر برچسب‌گذاری‌شده و ۳۰,۰۰۰ دور آموزشی، به ۳.۳۱ پیکسل کاهش یافته‌است. روش‌های یادگیری عمیق با وجود دقت بالا، بار پردازشی بالایی نیز دارند. لذا الگوریتم پردازشی مناسب با توجه به هدف آزمایش و سخت‌افزار در دسترس، انتخاب می‌شود. این سیستم چندگانه مطالعه رفتاری، قابلیت استفاده هم‌زمان با تکنیک اپتوژنتیک و ثبت‌های الکتروفیزیولوژی داشته و ابزاری مفید برای مطالعات علوم شناختی فراهم می‌کند. Accurate and quantitative monitoring of laboratory animals’ behavior, particularly in neuroscience models, is essential for understanding the neural-circuit function and its relation with complex behaviors. In computational ethology, novel systems and algorithms have been developed to make experiments automated, more precise, and less reliant on human observers, which could improve the reproducibility and repeatability of the results. In this research, a system composed of behavior-monitoring cameras and a miniature cranial implant for rats was designed and fabricated to record the animal’s body movement, track eye movements, and measure head orientation. The implant integrates an Inertial Measurement Unit (IMU) to measure head acceleration and angular velocity, as well as an infrared miniature camera for pupillometry; the total weight was about 4.5 g. A custom-developed software tool is designed to capture, process, and visualize the data. Sensor fusion of accelerometer and gyroscope data was used to compute the Euler angles of head motion. Classical computer-vision and deep neural-network algorithms were utilized for image analysis. Thresholding and edge-detection algorithms enabled real-time tracking of the pupil in pigmented rats and the body center, with a processing speed of 25 frames per second, which is suitable for closed-loop neural control. For body-pose estimation and pupil tracking in albino rats, the DeepLabCut networks were used along with data augmentation and transfer learning methods. This approach reduced the pupil detection error to 3.31 pixels after training on 448 labeled images for 30,000 iterations. While deep learning methods provide high accuracy, they impose substantial computational demands; therefore, the suitable algorithm should be chosen based on the experimental objective and available hardware resources. The proposed behavioral monitoring system can be used simultaneously with optogenetics and electrophysiological recordings, which provides a versatile and beneficial tool for advancing research in cognitive neuroscience.   اپتوژنتیک, رفتارشناسی محاسباتی, تحلیل خودکار ویدیویی رفتار, ردیابی مردمک, شبکه‌های یادگیری عمیق Optogenetics, computational ethology, automated video behavior analysis, pupil tracking, neural network 1 17 http://jmrph.khu.ac.ir/browse.php?a_code=A-10-385-1&slc_lang=fa&sid=1 Mohammad Ismail Zibaii محمد اسماعیل زیبائی mizibaye@gmail.com 10031947532846001424 10031947532846001424 Yes Shahid Beheshti University دانشگاه شهید بهشتی Seyedeh Mahshad Hosseini سیده مهشاد حسینی s.mahshadhosseini@gmail.com 10031947532846001425 10031947532846001425 No Shahid Beheshti University دانشگاه شهید بهشتی