哪些神经回路驱动自适应运动行为？ 这些行为在神经法中如何表示？ 马蒂斯实验室（哈佛大学罗兰研究所）的研究人员通过研究大脑/行为互动来解锁这些问题的答案。 由麦肯齐·马蒂斯（Mackenzie Mathis）领导的团队：“ \ [旨在]了解神经回路如何促进自适应运动行为。” 挑战是将特定的大脑事件与特定行为联系起来。 使用小鼠作为模型，科学家正在使用成像源DMK提供的高速摄像机跟踪行为事件和相应的大脑活动，并从自己的开源工具箱Deeplabcut中提供的摄像头37BUX287摄像机和机器学习算法。

Mathis实验室的研究人员使用机器学习工具和光遗传学来了解神经回路如何促进自适应运动行为。 图片来源：Cassandra Klos

从根本上讲，研究人员必须能够准确，剧烈地跟踪小鼠的行为并提供定量数据以描述动物运动。 “我们关心动物如何适应其环境，因此观察他们的运动动作是一种开始解释大脑如何做到这一点的好方法。因此，我们研究的第一步是在学习新任务时观察动物。” 。 她的研究团队使用DMK 37BUX287摄像机依靠多摄像机系统。 他们的测试对象很快：“ \ [… ]小鼠可以在大约200毫秒内伸出并抓住一个物体，因此我们想要高帧速率和良好的分辨率” Mathis博士说。

摄影提供了一种有效的记录动物行为的方法，但是姿势提取（即多个身体部位的几何配置）多年来一直是研究人员的问题。 在人类研究中，通过使用标记跟踪关节和肢体运动，或者最近通过新的深度学习方法来实现最新的运动捕获。 但是，由于各种原因，这种方法是不切实际的。 这意味着，到目前为止，使用手动数字的摄影（即人类编码视频框架）跟踪动物行为 - 这是一个劳动密集型过程，通常不精确，可能会增加数百小时的研究项目。

当前，DeepLabcut支持两个相机设置：两个DMK 37BUX287摄像机用于捕获高速摄影，其框架用于无标记的3D姿势提取。 图片来源：Cassandra Klos

为了使姿势提取自动化，Mathis博士的团队开发了DeepLabcut：一种开源软件，用于对用户定义的身体部位的无标记姿势估算。 根据（人）姿势估计算法，研究人员使用基于深跨网络的算法，他们专门针对该任务进行了训练。 在自然神经科学上发表的一篇论文中，作者写道，该团队能够通过“将预处理的模型适应新任务\ […通过]一种称为转移学习的现象来大大减少所需的培训数据量。” DeepLabcut变得如此强大和高效，以至于即使使用少数图像（〜200），“该算法可以达到出色的跟踪性能”。 许多科学家正在以“改变游戏规则的人”的形式开发该软件。 Mathis Lab还使用Imaging源的IC捕获，并将成像源摄像机的摄像头控制API添加到GitHub。

** deeplabcut **自动跟踪和标签（红色，白点和蓝色点）鼠标的运动。 图片来源：Mackenzie Mathis

Source: AI Revolutionizes Markerless Pose Extraction from Videography