《Journal of Neuroscience Methods》:RMScratcher: An Edge-AI Platform for High-Throughput Analysis of Rodent Scratching Behavior
编辑推荐:
背景
定量分析与体感及神经免疫机制相关的啮齿动物抓挠行为至关重要,然而可扩展的高通量分析仍具挑战性。
新方法
研究人员开发了RMScratcher,这是一个结合了多通道采集与基于Jetson TX2的边缘计算以及增强型YOLOv8s框架的紧凑型平台。该系统融合
背景
定量分析与体感及神经免疫机制相关的啮齿动物抓挠行为至关重要,然而可扩展的高通量分析仍具挑战性。
新方法
研究人员开发了RMScratcher,这是一个结合了多通道采集与基于Jetson TX2的边缘计算以及增强型YOLOv8s框架的紧凑型平台。该系统融合了GhostConv(幽灵卷积)和Context Aggregation(上下文聚合)模块,实现了对发作次数(bouts)、接触(touch)、持续时间(duration)及抓挠区域的高效且精准的检测。
结果
RMScratcher在区分抓挠与其他行为方面准确率超过95%,可靠地量化了发作次数、接触、持续时间以及抓挠区域。其性能在多种啮齿动物模型和实验条件下均表现稳健。
与现有方法的比较
人工评分速度慢且易产生偏差,而现有的自动化工具通常缺乏通量和普适性。至关重要的是,现有文献中尚无识别抓挠区域的报道。RMScratcher以极少的硬件需求提供了这些功能。
结论
RMScratcher通过将视频记录与智能计算相结合,扩展了行为神经科学的方法学工具包。该平台促进了体感功能、神经免疫相互作用、行为表型以及异常感觉行为潜在神经机制的可重复性研究。
论文深度解读
本研究聚焦于瘙痒(pruritus)这一重要的体感模态,针对啮齿动物抓挠行为的自动化、高通量及解剖学精准分析需求,开发并验证了一套名为RMScratcher的边缘人工智能平台。该研究由南方科技大学的Moran Zhang、Xin Zeng、Min Chen、Jinxuan Liu、Li Li、Hongxiang Chen及Fangyi Chen共同完成,相关成果发表于《Journal of Neuroscience Methods》。
研究背景与现状
瘙痒作为一种引发抓挠欲望的不愉快皮肤感觉,不仅是慢性肾病、肝病等多种疾病的并发症,也是研究体感与神经免疫机制的关键指标。尽管过去二十年里,非计算机视觉(如磁场干扰检测、压力传感器、麦克风声学分析)与计算机视觉(如传统图像处理、机器学习及深度学习)方法在抓挠行为识别上取得了进展,但现有手段仍存在显著局限。非视觉方法往往具有侵入性且易受环境干扰,而基于深度学习的视觉方法虽然精度较高,却常受限于高昂的计算成本、单模型泛化能力不足以及在多通道高通量场景下的部署困难。此外,针对抓挠区域的空间定位分析在既往文献中尚属空白。因此,开发一种低成本、高精度且支持多通道同步处理的自动化系统成为迫切需求。
研究方法与技术路径
研究人员构建了RMScratcher系统,其核心架构包含四个高速MIPI摄像头(640 × 480分辨率)用于多角度数据采集,并由嵌入式NVIDIA Jetson TX2模块执行边缘计算。关键技术包括:1)两阶段信号滤波算法,将原始视频流转换为一维差分帧信号,实现潜在、确认及非抓挠事件的分类;2)改进的YOLOv8s目标检测算法,引入GhostConv(减少计算冗余)和Context Aggregation(增强全局特征表征)模块,用于精准识别耳、躯干及爪等关键解剖部位;3)结合几何建模与GPU辅助深度学习,实现抓挠区域的空间映射。实验对象涵盖SPF级雌性C57BL/6小鼠及Sprague-Dawley(SD)大鼠,并在多种化学诱导的急性和慢性瘙痒模型中进行验证。
研究结果
改进YOLOv8模型性能及消融实验
研究人员通过对比实验验证了改进后YOLOv8s模型的优越性。该模型在保持轻量化的同时,提升了检测精度,消融实验证实了GhostConv与Context Aggregation模块对提升模型在边缘设备上运行效率及特征提取能力的贡献。
讨论
研究结果表明,RMScratcher系统能够稳定地在多种化学瘙痒模型(包括三种急性模型的不同浓度梯度及两种慢性模型)中量化抓挠发作次数、接触频率及持续时间,且与人工注释的一致性极高(>95%)。四通道设计有效降低了大样本量研究中的人工评分负担。尽管该系统在行为量化上表现出色,但作者指出,若结合组织学或分子层面的机制数据将进一步增强结论的深度。此外,系统的紧凑设计与低功耗特性使其易于在常规实验室环境中部署。
结论
研究人员成功开发了RMScratcher,这是一种专为抓挠行为自动分析优化的基于边缘计算的高通量多通道啮齿动物行为识别系统。该系统在广泛的实验条件下展现了高效性与准确性,其性能已在超过500次实验观察中得到验证。通过融合低成本多摄像头采集、事件驱动的视频预处理过滤以及解剖学感知的行为解析,RMScratcher实现了对抓挠频率、持续时间和身体部位的实时或近实时量化。该系统不仅提升了行为分析的客观性与可重复性,也为体感处理、神经免疫互作及相关疾病行为的研究提供了通用的技术平台。
资助声明
本工作得到了国家重点研发计划、国家自然科学基金、深圳市基础研究项目及南山区科技计划等多个项目的资助。作者声明无利益冲突,并在手稿准备过程中使用了ChatGPT进行语言润色。