一种用于小鼠疼痛研究中同步行为与脑动态的自动化斜视法

我们的实验室致力于研究复杂脑部疾病的电网络机制，重点关注大脑活动在不同状态下的协调方式。因此，我们开发了这种自动化分析方法来处理squint数据，从而更有效地促进与偏头痛相关的squint行为的围神经生理记录。在偏头痛研究领域，随着偏头痛啮齿类动物模型的应用日益增多，研究开始深入探索偏头痛背后的神经环路基础，并识别更多参与偏头痛样状态的中枢机制，这一研究方向正逐渐成为一个新兴领域。

本方案旨在解决客观量化疼痛样反应的研究空白，使其能够与神经生理学等机制性测量方法相结合。我们的方法提供了一种广泛可行的手段，可同时以亚秒级分辨率量化自发性疼痛反应及其相关的脑电网络活动。本研究的一个重要目标或期望是，推动在动物模型偏头痛实验中实时测量脑活动的应用。

我们正在研究偏头痛样发作期间全脑电网络活动随时间的变化。我们的目标不仅是观察偏头痛活动在大脑中随时间推移的演变过程，还希望开发基于大脑的偏头痛活动标志物，以在啮齿类动物模型中更有效地测试治疗手段。首先，准备设备并安装用于 DeepLabCut 或 DLC 程序的软件。

创建环境时，需导航至下载 DLC 软件的文件夹。使用更改目录命令 cd 文件夹名称。运行第一条命令：conda env create -f DEEPLABCUT.yaml。

然后输入 conda activate Deeplabcut 以启用该环境。接着使用 python -m deeplabcut 打开图形用户界面。界面打开后，点击界面底部的“创建新项目”。

为项目命名，以便日后方便识别。输入实验人员的姓名，并检查位置部分以确认项目将保存的位置。选择“浏览文件夹”以定位用于训练模型的视频，并选择“将视频复制到项目文件夹”以确保视频保留在其原始目录中。

单击“创建”以生成新项目。创建模型后，选择编辑 config.yaml，然后选择“编辑”以打开配置设置文件。

修改身体部位，以包含眼睛的所有部分用于追踪。调整选取的帧数，使每个训练视频总共获得 400 帧。将点的大小更改为 6，以确保默认标签大小足够小，能够准确放置在眼睛边缘周围。

配置完成后，进入图形用户界面的“提取帧”选项卡，然后在底部选择“提取帧”。接着转到“标记帧”选项卡并选择“标记帧”。在新窗口中，找到每个选定训练视频对应的文件夹，选择第一个文件夹以打开新的标记界面。

为所选视频的每一帧中标记在配置期间定义的点。标记完所有帧后，保存标签，并对下一个视频重复此过程。为准确标记斜视，需在眼睛最高点附近使用两个点。

要创建训练数据集，请转到“训练网络”选项卡，然后启动“训练网络”。网络训练完成后，请转到并选择“评估网络”。要分析视频，请转到“分析视频”选项卡，然后选择“添加更多视频”以选择相应的视频。

如果数据的 CSV 输出已满足需求，请选择“将结果保存为 CSV”。在选定所有视频后，单击“分析视频”以启动分析过程。最后，应用宏将原始数据转换为用于欧几里得距离分析所需的格式。

该模型能够准确检测非斜视和斜视情况，并标记上下眼睑的关键点以计算欧氏距离。在300帧之后，人工标注点与模型标注点之间的均方根误差值表现出极小的变异性；当使用400帧时，关键点正确检测的平均似然值超过0.95。混淆矩阵显示，斜视检测的阳性预测值为96.96%，阴性预测值为99.66%。