在神经科学、药理学和疼痛行为学研究中准确量化实验动物的抓挠行为是评估瘙痒、疼痛模型以及药物疗效的关键环节。传统的人工观察和计数方法不仅耗时耗力主观性强且难以捕捉行为的细微动态。VisuScratch 大小鼠抓挠行为分析系统正是为了解决这一痛点而设计的自动化行为分析工具。它通过计算机视觉技术对实验视频进行实时或离线的智能分析自动识别、记录并统计动物的抓挠次数、持续时间和强度等参数为研究者提供客观、可重复的高通量数据。本文旨在为需要部署和使用 VisuScratch 系统的实验室技术人员、研究生或相关领域的研究者提供一个从环境准备、系统配置、数据采集到结果分析的完整实践指南。我们将不仅介绍如何操作软件更会深入解释关键参数设置背后的行为学原理、分析算法的常见工作模式以及在实际科研项目中如何验证分析结果的准确性并排查可能遇到的技术问题。1. 理解 VisuScratch 系统的核心工作原理与构成在开始安装和操作之前理解系统如何“看见”并“理解”抓挠行为至关重要。这有助于后续合理设置实验环境和分析参数避免因原理不清导致的误配置。1.1 基于计算机视觉的行为识别链路VisuScratch 并非简单地检测“运动”而是针对抓挠行为的特征进行模式识别。一个典型的分析链路包含以下步骤前景分割系统首先从视频序列中分离出运动的小鼠/大鼠前景和静止的笼具背景。这通常通过背景减除算法实现对光照稳定性和背景简洁性有要求。动物姿态估计识别出动物后系统会进一步定位其关键身体部位如鼻尖、耳朵、躯干中心、尾巴根部和四肢特别是前爪。在部分系统中这可能简化为追踪动物的重心和身体主轴。运动轨迹与特征提取系统持续追踪前爪或整个头部/前躯干的空间坐标计算其运动轨迹、速度、加速度以及相对于身体其他部位如耳后、肩部等瘙痒区域的位置关系。行为分类基于提取的运动学特征如高频、小幅、往复的运动模式系统应用预训练的机器学习模型或设定阈值规则将特定的运动片段分类为“抓挠行为”。例如一个经典的判定规则可能是前爪在头部/颈部区域附近以高于某一频率如每秒 10-15 次进行往复运动且持续超过一定时间如 0.3 秒。1.2 系统典型软硬件构成一套完整的 VisuScratch 分析系统通常包含以下部分硬件部分摄像装置推荐使用高帧率至少 30 fps最好 60 fps 以上、高分辨率的工业或网络摄像头以确保能清晰捕捉快速的抓挠动作。红外摄像头适用于暗周期行为观察。拍摄环境标准化的实验笼具如透明鼠笼背景简洁、均一与动物毛色对比度高。需要配备均匀、稳定的光源避免闪烁和阴影。计算单元性能足够的计算机台式机或工作站用于运行分析软件。分析速度取决于视频分辨率、帧率和算法复杂度。软件部分采集客户端用于控制摄像头、设置录制参数分辨率、帧率、编码格式、并录制原始视频文件。分析核心这是 VisuScratch 的核心模块包含视频解码、动物检测、轨迹追踪、特征计算和行为分类算法。用户界面提供参数配置、分析任务管理、结果可视化如生成行为轨迹叠加图、抓挠事件标记图和数据导出功能。数据输出分析结果通常以结构化数据形式导出如 CSV 或 Excel 文件包含每个抓挠事件的时间戳、持续时间、可能还有强度指标以及整个会话的统计摘要。2. 实验环境搭建与视频采集标准化分析结果的可靠性极大程度上依赖于原始视频的质量。不规范的采集环境是导致分析失败或数据偏差的主要原因。2.1 硬件环境配置清单在布置拍摄场地时请对照下表进行检查项目推荐配置目的与说明笼具标准透明塑料鼠笼尺寸适中如 30cm x 20cm x 15cm。提供标准化活动空间透明材质便于多角度观察。避免使用金属网底以免干扰爪部识别。背景纯色、不反光的背景板如哑光白色、蓝色或黑色置于笼具后方。最大化动物与背景的对比度简化前景分割步骤。光照均匀的漫射光源如 LED 平板灯避免直射光产生强烈阴影。光照强度稳定。确保视频亮度一致避免动物检测因光影变化而失效。对于昼夜节律研究需使用可控的红外照明。摄像头分辨率 ≥ 1080p帧率 ≥ 60 fps支持手动对焦和曝光锁定。固定于笼具正上方或侧前方。高帧率能准确捕捉快速抓挠动作固定机位和参数保证视频一致性。固定使用三脚架或支架牢固固定摄像头防止震动。防止背景因相机抖动而“被运动”干扰分析。环境安静、独立的房间减少人员走动和噪音干扰。保证动物行为不受外界惊扰视频中无无关移动物体。2.2 视频采集参数与流程使用 VisuScratch 配套的采集软件或任何能输出高质量原始视频的软件如 OBS Studio, ffmpeg进行录制。软件设置视频编码优先选择H.264或HEVC并在码率与文件大小间取得平衡。避免使用压缩率过高的编码以免丢失细节。分辨率与帧率根据摄像头能力设置例如1920x1080 60 fps。帧率必须保持恒定可变帧率VFR会导致时间计算错误。曝光与白平衡设置为手动模式并根据环境光线调整到合适值后锁定。自动模式会导致画面明暗和颜色波动严重影响分析稳定性。录制格式保存为.mp4或.avi等通用格式。标准化录制流程预录制检查每次实验前录制一段空笼视频检查背景是否干净、光照是否均匀、有无反光点。动物适应将动物放入实验笼具后给予至少 10-15 分钟的适应期然后再开始正式录制以减少探索行为对抓挠分析的干扰。时长与标记单次录制时长根据实验设计确定如 30 分钟或 1 小时。在视频开始或结束时可在镜头前放置一个写有实验编号、动物ID、日期时间的标签卡便于后期数据管理。文件命名采用系统化的命名规则例如[实验日期]_[动物编号]_[处理组]_[批次].mp4。注意采集环节的“垃圾进”必然导致分析环节的“垃圾出”。多花10分钟优化拍摄环境能节省后期数小时的问题排查和数据纠偏时间。3. VisuScratch 软件配置与核心参数详解假设你已经成功安装了 VisuScratch 分析软件。首次使用时针对一个新的实验项目需要进行一系列配置。3.1 新建项目与视频导入启动软件创建新项目命名为你的实验名称如CQ_Itch_Model_202405。将录制好的视频文件导入到项目媒体库中。软件可能支持批量导入。3.2 分析区域ROI与背景建模设置这是最关键的第一步告诉软件“在哪里”和“以什么为基准”进行分析。设定分析区域在软件界面中通过绘制矩形或多边形框选出鼠笼的有效区域。排除笼外、水瓶、食槽等固定不动的部分。这能减少不必要的计算和干扰。# 伪配置示例实际在软件界面中操作 ROI: shape: rectangle coordinates: [x1, y1, x2, y2] # 左上角和右下角坐标 enabled: true背景建模/学习原理软件需要知道“静止的背景”是什么样子。它通过分析一段视频初始帧或你指定的一段空笼视频来建立背景模型。操作在参数设置中找到“背景学习”或“背景建模”选项。通常你需要指定一段不包含动物的视频片段如录制开始前10秒让软件学习背景。对于光照非常稳定的环境也可以使用一张空笼图片作为静态背景。关键参数“学习率”或“更新速度”。如果设置为0则使用固定背景如果大于0背景模型会随时间缓慢更新以适应微小的光照变化。在短期实验中通常设为0或一个极小的值如0.001以保持背景稳定。3.3 动物检测与追踪参数这部分参数决定了软件如何“找到”并“跟上”动物。检测阈值控制将像素识别为“前景”动物的灵敏度。值调低更敏感但可能将阴影或噪声误检为动物值调高更严格但可能丢失动物部分身体尤其是尾巴或移动缓慢时。需要根据实际视频调整。# 伪配置示例 Detection: threshold: 25 # 典型范围 15-40值越小越敏感 min_blob_size: 100 # 最小斑点像素数过滤噪声追踪算法与参数算法选择软件可能提供多种追踪器如基于质心的Centroid Tracker或更复杂的Kalman Filter等。对于单只动物、遮挡少的场景简单质心追踪即可。最大丢失帧数当动物短暂静止或被遮挡时允许追踪器在多长时间内帧数保持对其的追踪。设置过短会导致ID切换设置过长可能将两只动物误判为同一只。典型值在10-30帧之间对应0.3-1秒。3.4 抓挠行为识别参数这是系统的核心判别逻辑参数设置需紧密结合行为学定义。感兴趣区域定义动物身体的哪些部位附近发生的运动算作“潜在抓挠”。通常需要定义一个围绕头颈部的区域。# 伪配置示例定义头部区域 Scratch_ROI: type: relative_to_body # 相对于身体 offset_from_nose: [ -20, -30, 40, 20 ] # 相对于鼻尖的偏移量 [左上右下] 像素运动特征阈值频率抓挠是高频往复运动。需要设置最小运动频率如12 Hz。软件内部可能通过计算爪部轨迹的功率谱或过零率来评估。幅度抓挠动作的位移幅度较小。需设置最大运动幅度阈值以区分抓挠与理毛、站立等大幅动作。持续时间单次抓挠事件的最短持续时间如0.2 秒。低于此阈值的短暂运动被忽略。分类模型如果使用机器学习高级版本可能允许用户用自己的标注数据训练或微调分类模型。这需要准备已由人工标注好抓挠事件的视频片段作为训练集。3.5 启动分析与过程监控配置完成后将视频文件加入分析队列启动分析任务。预览与调试在分析过程中或分析完成后务必使用软件的“回放与事件叠加”功能。软件应能在原始视频上以矩形框、轨迹线或高亮标记的形式显示动物的检测框、运动轨迹以及被识别为抓挠的事件通常用红色闪烁或标记表示。验证随机抽查视频片段人工观察软件标记的抓挠事件是否准确。同时注意观察是否有明显的抓挠行为被软件遗漏假阴性或非抓挠行为被误判为抓挠假阳性。4. 结果解读、导出与人工验证流程分析完成后不能直接采信原始数据必须经过验证和清洗。4.1 输出数据结构解读软件通常会生成两种类型的数据事件级数据一个列表记录每一次被抓挠事件。# 示例scratch_events.csv Animal_ID,Start_Time(s),End_Time(s),Duration(s),Intensity(可能),X_Center,Y_Center Mouse01,125.34,125.89,0.55,12,320,150 Mouse01,187.12,187.45,0.33,8,315,148 Mouse02,45.67,46.30,0.63,15,450,200Start_Time,End_Time,Duration定义了事件何时发生、持续多久。Intensity可能是一个衍生指标如该时段内运动向量的平均幅值或频率积分。X_Center,Y_Center事件发生的大致空间位置。会话摘要数据每个视频文件的总体统计。# 示例session_summary.csv File_Name,Animal_ID,Total_Duration(s),Total_Scratch_Events,Mean_Duration(s),Total_Scratch_Time(s),Scratch_Bouts_Per_Min exp1_mouse01.mp4,Mouse01,1800,45,0.52,23.4,1.5 exp1_mouse02.mp4,Mouse02,1800,28,0.61,17.08,0.93Total_Scratch_Events总抓挠次数。Total_Scratch_Time所有抓挠事件持续时间之和。Scratch_Bouts_Per_Min每分钟抓挠次数是常用的核心指标。4.2 人工验证与信度评估自动化分析必须与人工评分进行比对以评估其信度。抽样从所有实验视频中随机抽取一定比例如20%或所有视频的特定时间段如前5分钟和后5分钟。双盲评分由至少两名不了解实验分组的研究人员独立观看抽样视频使用手动事件记录器如 Behavioral Observation Research Interactive Software, BORIS 或简单的秒表计数记录抓挠事件。计算一致性指标评分者间信度计算两名人工评分者之间的一致性如 Cohen‘s Kappa。这评估人工标准的稳定性。人机一致性将 VisuScratch 的输出与人工评分可取平均值进行比对。常用指标包括准确率、精确率、召回率如果人工标注了精确到帧的事件可以计算这些分类指标。皮尔逊相关系数比较人工与机器计算出的Total_Scratch_Events或Total_Scratch_Time的相关性。r 0.9通常认为信度很高。Bland-Altman 图可视化人机测量结果的一致性界限。只有人机一致性达到可接受水平根据研究领域标准例如相关系数 0.85后续的批量数据分析才具有说服力。5. 常见问题排查与优化策略在实际使用中你会遇到各种分析结果不理想的情况。下表列出了常见问题、可能原因及解决思路。问题现象可能原因检查与解决思路动物完全无法被检测到1. 前景检测阈值过高。2. 动物颜色与背景对比度太低。3. ROI区域设置错误动物在区域外。4. 光照太暗或过曝。1. 调低检测阈值查看实时检测预览。2. 更换背景或动物垫料增加对比度。3. 重新调整ROI确保覆盖整个活动区域。4. 调整光源和摄像头曝光。动物ID频繁切换或追踪丢失1. 动物移动过快或画面模糊。2. “最大丢失帧数”设置过短。3. 多只动物相互遮挡如果分析多只。4. 笼内有与动物大小相似的移动物体如粪便被踢动。1. 提高摄像头帧率确保画面清晰。2. 适当增加“最大丢失帧数”。3. 对于多只动物需使用更复杂的多目标追踪算法或改为单只分析。4. 清理笼具保持环境简洁。抓挠事件漏检严重假阴性1. 抓挠定义过于严格频率阈值过高、幅度阈值过低。2. 头部/抓挠ROI区域设置太小或位置不准。3. 动物抓挠身体侧面或后腿不在定义的ROI内。1. 观察漏检事件的运动特征适当放宽频率或幅度阈值。2. 根据动物姿态扩大或调整抓挠ROI。3. 如果研究涉及全身抓挠需重新定义ROI或使用全身姿态估计。大量非抓挠行为被误判假阳性1. 抓挠定义过于宽松。2. 动物理毛、咀嚼、嗅探等高频小幅度动作被误判。3. 因笼具振动或光影变化产生的虚假“运动”。1. 提高频率或幅度阈值增加最短持续时间要求。2. 结合运动轨迹模式抓挠更往复、位置固定与理毛更连续、位置移动进行区分可能需要更高级的特征或模型。3. 加固摄像头确保背景稳定使用手动曝光锁定。分析速度极慢1. 视频分辨率或帧率过高。2. 计算机性能不足CPU/GPU。3. 分析参数如追踪算法过于复杂。1. 在不影响识别的前提下适当降低分析用的视频分辨率或帧率。2. 检查软件是否支持GPU加速并启用。3. 简化分析流程例如在单只动物场景使用更快的追踪器。不同批次数据波动大1. 光照条件不一致。2. 摄像头参数对焦、曝光发生变化。3. 背景或笼具有更换。1. 标准化拍摄环境使用光照计监测。2. 固定所有摄像头参数并记录在实验日志中。3. 使用完全相同的背景和笼具或在每次实验前重新进行背景建模。6. 生产环境下的最佳实践与扩展建议当 VisuScratch 从方法验证阶段进入常规科研生产流程时需要建立更严格的规范。6.1 建立实验室标准操作程序拍摄协议文档化编写详细的 SOP规定摄像头型号、摆放距离与角度、光照型号与强度、笼具型号、背景板颜色、录制参数、动物适应时长等所有细节。配置模板化为不同类型的实验如小鼠 vs 大鼠侧拍 vs 顶拍创建并保存不同的 VisuScratch 分析参数模板。新实验直接加载对应模板确保分析条件一致。数据管理规范化建立统一的文件夹结构和命名规则。例如Project_Root/ ├── 00_Protocols/ # 存放SOP和实验设计 ├── 01_Raw_Videos/ # 按日期和实验分组存放原始视频 │ ├── 2024-05-10_GroupA/ │ └── 2024-05-10_GroupB/ ├── 02_Analysis_Configs/ # 存放软件配置模板 ├── 03_Software_Output/ # 存放原始分析结果CSV等 ├── 04_Validation_Data/ # 存放人工验证的抽样数据和信度报告 └── 05_Processed_Data/ # 存放最终用于统计的清洗后数据定期信度复检即使系统已通过初期验证在更换动物品系、疾病模型或拍摄环境后仍需重新进行抽样和人工验证确保分析信度没有漂移。6.2 结果分析与统计考量数据清洗在统计分析前检查并处理异常值。例如某次抓挠持续时间长达数十秒这很可能是一次误判如动物长时间理毛需要结合视频回放进行确认或剔除。选择合适的指标Total_Scratch_Events总次数和Total_Scratch_Time总时长可能反映不同的生理状态。在报告中需明确说明使用的是哪个指标或同时报告。考虑时间分布抓挠行为可能不是均匀分布的。分析抓挠事件的时序图Bout Time Course可以揭示行为模式在给药后或疾病进程中的动态变化这比单一的总量指标包含更多信息。6.3 系统扩展与高级应用与其它行为参数整合VisuScratch 可能只是行为分析的一部分。可以考虑将其与开源工具如 DeepLabCut 用于更精细的姿态估计或 SLEAP结合或使用其他商业系统同步分析运动总距离、静止时间、站立次数等构建更全面的行为表型谱。自定义模型训练如果软件支持针对特殊模型如背颈部皮损模型导致抓挠姿势改变或特殊品系可以人工标注一批数据对内置的分类模型进行微调以提升在该特定场景下的准确率。自动化流水线对于高通量实验室可以使用 Python 或 Shell 脚本将视频采集、文件传输、VisuScratch 批处理分析、结果提取与汇总等步骤串联起来实现端到端的自动化分析流水线极大提升效率。VisuScratch 这类自动化工具的价值在于将研究者从重复、枯燥的观察计数中解放出来但其输出的数据质量永远取决于输入视频的质量和参数设置的合理性。最有效的使用方式是研究者将自己对“抓挠行为”的生物学定义通过合理的环境控制和参数配置“翻译”给计算机视觉系统。建立严格的实验 SOP、坚持进行定期的人工验证、并深入理解软件每个参数的行为学意义是将自动化分析工具转化为可靠科研产出的必经之路。