哪些神經迴路驅動適應運動行為?這些行為在神經編碼中又如何表現呢?
哈佛大學羅蘭研究中心(Rowland Institute)的馬蒂斯實驗室Mathis Lab 研究人員透過腦/行為互動研究，揭示了這些問題的答案。 由馬蒂斯Mackenzie Mathis博士所領導的團隊「[目的]在於瞭解神經迴路對於適應性運動行為所產生的影響」。 其研究的挑戰在於將特定的行為與特定腦部活動相連結。以老鼠作為研究個體，這些科學家們使用The Imaging Source DMK 37BUX287相機進行高速錄影，結合實驗室自行開發的開源軟體工具DeepLabCut所寫成的機器學習演算法，來追蹤老鼠的行為事件及相應其腦部活動。
| 圖1 : 馬蒂斯實驗室(Mathis Lab)的研究人員藉由機器學習工具及光遺傳學原理，瞭解神經迴路對於適應性運動行為的影響。 (照片來源: Cassandra Klos) |
|
就本質上，研究人員必須能夠精確且全面地追蹤老鼠的行為並提供定量資料，來描述動物的動態。 馬蒂斯博士表示:「我們想瞭解動物們如何適應環境，而觀察牠們的運動行為是一個很好的開始，以闡釋大腦如何達成這些任務。
因此，研究計畫的第一步就是在動物學習新任務時對其進行觀察。」其團隊借重DMK 37BUX287所構成的多相機影像追蹤系統。他們的研究個體行動相當快速，馬蒂斯博士接著表示:「…老鼠能夠在大約200毫秒內快速地觸及並抓取物體，因此我們必須採用高畫面播放速率且優質解析度的相機。」
影片錄影是有效記錄動物行為的一種方法，然而擷取姿態(即多個身體部位的幾何構型) ，多年來一直是研究人員的一項難題。 在人體研究領域中，先進的動態捕捉可透過標記來追蹤關節和四肢動作。
然而，基於種種因素，運用於研究動物體上，這種方法卻不切實際。 也就是說，至今，人們仍然使用手動數位元錄影方式來追蹤動物行為 (即以人工方式逐幀編碼標注影片) – 這種勞力密集的過程往往導致結果不夠精確，且額外增加了數百甚或數千小時的研究時間。
| 圖2 : 近期，DeepLabCut裝備兩臺DMK 37 BUX287相機以捕捉高速錄影，並藉由其影像幀數進行無標記3D姿態擷取。(source: Cassandra Klos) |
|
為了自動擷取研究個體的姿態，馬蒂斯博士團隊開發了DeepLabCut: 一套開源軟體，由使用者自訂身體部位的無標記姿態估算。根據(人體)姿態估計演算法DeeperCut，研究人員使用基於深度卷積神經網路(CNN)的演算法，專門針對此項任務進行訓練。
| 圖3 : DeepLabCut 自動追蹤及標記(紅、白、藍點)老鼠的動態。 (source: Mackenzie Mathis) |
|
根據《Nature Neuroscience》期刊中所發表的一篇論文，作者表述該團隊藉由「調整預訓練過的模組運用至新的任務上[....過程經由] 即被稱為遷移學習(transfer learning)的現象。」而得以顯著地減少所必要的訓練資料的資料量。 DeepLabCut程式設計庫具穩健性且高效率，即使是相對少量的圖像(約200)，「其演算法亦能達到極佳的追蹤表現。」
許多科學家們皆讚譽此軟體套件是一項顛覆傳統、完全嶄新的發展。 馬蒂斯實驗室也使用了The Imaging Source 的IC Capture並增添The Imaging Source相機應用程式camera control API至GitHub。
