使用DeepLabCut进行动物步态分析的管道验证
L Savannah Dewberry1, Carlos Cruz2, Kaitlin Southern2
1Department of Anesthesiology, School of Medicine, Duke University, Durham, NC, USA.
Journal of biomechanical engineering
|August 13, 2025
概括
深度实验室的DeepLabCut (DLC) 和通过声势和区域的自动步态分析 (AGATHA) 已被集成用于大鼠步态分析. 结合DLC和AGATHA,可以提供互补的时空,动态和动态步态尺度.
科学领域:
- 生物机械分析分析
- 动物运动研究动物运动研究.
- 计算神经科学是一种计算神经科学.
背景情况:
- 通过口味和区域的自动步态分析 (AGATHA) 分析了时空步态适应.
- 阿加萨缺乏测量运动变量的能力,比如关节角度.
- DeepLabCut (DLC) 设计用于精确测量动力学变量.
研究的目的:
- 将DeepLabCut (DLC) 与通过色调和区域 (AGATHA) 的自动步行分析算法集成.
- 为了比较DLC和AGATHA测量的步态变量.
- 评估DLC和AGATHA的联合实用性,以进行全面的步态分析.
主要方法:
- 手动数字化高速视频以训练DLC进行自动标记追踪.
- 开发一个MATLAB管道,从DLC坐标计算步态参数 (脚高度,背部角度,中脚角度).
- 分析了418个使用DLC和AGATHA的Sprague-Dawley大鼠视频.
主要成果:
- 在速度,后肢功率因子,步伐长度和步骤宽度方面,DLC表现出比AGATHA更高的变化.
- DLC成功测量了AGATHA中缺少的动力学变量 (联合角度).
- 阿加萨提供了DLC无法获得的时空和动态测量.
结论:
- DLC和AGATHA为步态分析提供互补的数据集.
- 单独使用AGATHA,单独使用DLC或两者之间的选择取决于所需的特定步行变量.
- 综合DLC-AGATHA分析通过结合动力学和时空/动态测量来增强步态研究的范围.
