JoVE Logo
Authors
Contact Us

Sign In

A subscription to JoVE is required to view this content. Sign in or start your free trial.

In This Article

  • Summary
  • Abstract
  • Introduction
  • Protocol
  • النتائج
  • Discussion
  • Disclosures
  • Acknowledgements
  • Materials
  • References
  • Reprints and Permissions

Summary

هنا ، نقدم بروتوكولا لاكتشاف وتحديد سلوك المطاردة المفترسة في نموذج الفأر. توفر هذه المنصة نموذجا بحثيا جديدا لدراسة الديناميكيات والآليات العصبية لسلوك المطاردة المفترسة في الفئران وستوفر منصة موحدة لدراسة سلوك المطاردة.

Abstract

يتضمن سلوك المطاردة المفترسة سلسلة من العمليات الفسيولوجية المهمة ، مثل الحركة والتعلم واتخاذ القرار التي تعتبر ضرورية لنجاح في التقاط الفريسة. ومع ذلك ، هناك عدد قليل من الطرق والأنظمة لدراسة سلوك المطاردة المفترسة في المختبر ، خاصة في الفئران ، وهو نموذج ثديي شائع الاستخدام. العوامل الرئيسية التي تحد من هذا البحث هي عدم القدرة على السيطرة على الفريسة الحية (على سبيل المثال ، الصراصير) والتحدي المتمثل في مواءمة المعايير التجريبية. كان الهدف من هذه الدراسة هو تطوير منصة تفاعلية لاكتشاف وقياس سلوكيات المطاردة المفترسة في الفئران على طعم آلي. تستخدم المنصة رؤية الكمبيوتر لمراقبة المواضع النسبية للماوس والطعم الآلي في الوقت الفعلي لبرمجة أنماط حركة الطعم الآلي ، وتتحكم أشرطة التمرير التفاعلية ثنائية الأبعاد مغناطيسيا في حركة الطعم الآلي لتحقيق نظام حلقة مغلقة. الطعم الآلي قادر على التهرب من الاقتراب من الفئران الجائعة في الوقت الفعلي ، ويمكن تعديل سرعة هروبه واتجاهه لتقليد عملية المطاردة المفترسة في سياقات مختلفة. بعد فترة قصيرة من التدريب غير الخاضع للإشراف (أقل من أسبوعين) ، تمكنت الفئران من أداء مهمة الافتراس بكفاءة عالية نسبيا (أقل من 15 ثانية). من خلال تسجيل المعلمات الحركية مثل سرعة ومسارات الطعم الآلي والفئران ، تمكنا من تحديد عملية المطاردة في ظل ظروف مختلفة. في الختام ، توفر هذه الطريقة نموذجا جديدا لدراسة السلوك المفترس ويمكن استخدامها لمزيد من التحقيق في الديناميكيات والآليات العصبية لسلوك المطاردة المفترسة.

Introduction

إن مطاردة المفترسة للفريسة ليس فقط دليلا حيا على النضال من أجل البقاء ولكنه أيضا محرك رئيسي لتطور الأنواع ، والحفاظ على التوازن البيئي وتدفق الطاقة فيالطبيعة 1،2. بالنسبة للحيوانات المفترسة ، يعد نشاط مطاردة الفريسة مسعى متطورا يتضمن مجموعة متنوعة من العمليات الفسيولوجية. تشمل هذه العمليات الحالات التحفيزية التي تدفع المفترس إلى الصيد3 ، والقدرات الإدراكية التي تسمح له باكتشاف الفريسة وتتبعها4،5،6 ، وقدرات اتخاذ القرار التي تملي مسار الصيد7 ، والوظيفة الحركية التي تمكن من المطاردة البدنية8،9 وآليات التعلم التي تصقل استراتيجيات الصيد بمرور الوقت10 ، 11. لذلك ، حظي السعي المفترس باهتمام كبير في السنوات الأخيرة كنموذج سلوكي مهم ومعقد.

كنموذج ثديي مستخدم على نطاق واسع في المختبر ، تم توثيق الفئران لاصطياد الصراصير في بيئتها الطبيعية وفي الدراسات المختبرية12. ومع ذلك ، فإن تنوع الفريسة الحية وعدم القدرة على السيطرة عليها في تحديد سلوك المطاردة المفترسة يحد من قابلية تكرار التجارب وكذلك تبادل المقارنات بين المختبراتالمختلفة 13. أولا ، قد تختلف سلالات الكريكيت بين المختبرات ، مما يؤدي إلى اختلافات في خصائص الفريسة التي يمكن أن تؤثر على سلوك المطاردة. ثانيا ، تتمتع الصراصير الفردية بخصائص فريدة قد تؤثر على نتيجة التفاعلات المفترسة14. على سبيل المثال ، قد تختلف سرعة الهروب من كل لعبة كريكيت ، مما يؤدي إلى التباين في ديناميكيات المطاردة. بالإضافة إلى ذلك ، قد يكون لبعض الصراصير مسافة تحذير قصيرة ، مما قد يؤدي إلى عدم وجود عملية مطاردة ، حيث قد لا تتاح للحيوان المفترس الفرصة للانخراط في المطاردة. أخيرا ، قد تظهر بعض الصراصير سلوكا دفاعيا وعدوانية عند الإجهاد ، مما يعقد تفسير البيانات التجريبية15. من الصعب تحديد ما إذا كانت التغييرات في سلوك المفترس ناتجة عن الاستراتيجيات الدفاعية للفريسة أم أنها متأصلة في الأنماط السلوكية للحيوان المفترس. يضيف هذا الخط غير الواضح بين الدفاع عن الفريسة واستراتيجيات المفترس طبقة أخرى من التعقيد لدراسة المطاردة المفترسة.

إدراكا لهذه القيود ، تحول الباحثون إلى فريسة اصطناعية كوسيلة للتحكم في الظروف التجريبية وتوحيدها16،17. ثبت أن سبعة أنواع من القوارض ، بما في ذلك الفئران ، تظهر سلوكا مفترسا كبيرا تجاه الفريسةالاصطناعية 13. لذلك ، قد يكون الطعم الآلي الذي يمكن التحكم فيه ممكنا في دراسة سلوك المطاردة المفترسة. من خلال تصميم فريسة اصطناعية مختلفة ، يمكن للباحثين ممارسة مستوى من التحكم في الظروف التجريبية ، وهو أمر غير ممكن مع الفريسة الحية18،19. بالإضافة إلى ذلك ، استخدم عدد قليل من الدراسات السابقة أسماكا أو فريسة روبوتية يتم التحكم فيها بشكل مصطنع لدراسة سلوك التعليم والافتراس في الأسماك15،17،19. سلطت هذه الدراسات الضوء على قيمة الأنظمة الروبوتية في توفير محفزات متسقة وقابلة للتكرار وقابلة للتلاعب للبحث التجريبي ، ولكن على الرغم من هذه التطورات ، فإن مجال سلوك القوارض ، خاصة في الفئران ، يفتقر إلى منصة مخصصة لاكتشاف وقياس سلوك المطاردة المفترسة باستخدام الطعم الآلي.

بناء على الأسباب المذكورة أعلاه ، قمنا بتصميم منصة تفاعلية مفتوحة المصدر في الوقت الفعلي لدراسة سلوك المطاردة المفترسة في الفئران. يمكن للطعم الآلي الموجود في المنصة الهروب من الفئران في الوقت الفعلي ، ويمكن التحكم في الطعم الآلي بدرجة كبيرة ، حتى نتمكن من تعيين اتجاهات أو سرعات هروب مختلفة لمحاكاة سيناريوهات الافتراس المختلفة. تم استخدام برنامج Python على الكمبيوتر لإنشاء معلمات الحركة للفريسة الروبوتية ، والتي تم دمجها مع متحكم STM32 لتشغيل المحركات المؤازرة والتحكم في حركة الشرك الآلي. يمكن تكييف نظام الأجهزة المعياري مع بيئة المختبر المحددة في الوقت الفعلي ، ويمكن لنظام البرنامج ضبط صعوبة النظام بالإضافة إلى المؤشرات لخدمة الغرض البحثي بشكل أفضل وفقا للاحتياجات التجريبية. يسمح النظام خفيف الوزن بتقليل وقت معالجة الكمبيوتر بشكل كبير ، وهو أمر ضروري لفعالية النظام ويحسن قابليته للنقل. تدعم المنصة الميزات التقنية التالية: فريسة اصطناعية مرنة ويمكن التحكم فيها لسهولة التكرار والنمذجة ؛ أقصى محاكاة لعملية الصيد في بيئة طبيعية ؛ التفاعل في الوقت الفعلي وزمن انتقال منخفض للنظام ؛ قابلية التوسع في الأجهزة والبرامج بالإضافة إلى قابلية التوسع ؛ الفعالية من حيث التكلفة وسهولة الاستخدام. باستخدام هذه المنصة ، نجحنا في تدريب الفئران على أداء المهام المفترسة في ظل ظروف مختلفة وتمكنا من تحديد المعلمات مثل المسار والسرعة والمسافة النسبية أثناء المطاردة المفترسة. توفر المنصة طريقة سريعة لإنشاء نموذج مطاردة مفترسة لمزيد من التحقيق في الآليات العصبية الكامنة وراء المطاردة المفترسة.

Protocol

يتم توفير الفئران البالغة C57BL / 6J (ذكور ، تتراوح أعمارهم بين 6 و 8 أسابيع) من قبل مركز مختبر الجامعة الطبية للجيش. يتم تنفيذ جميع الإجراءات التجريبية وفقا للإرشادات المؤسسية لرعاية وتمت الموافقة عليها من قبل لجنة رعاية واستخدامه في الجامعة الطبية للجيش (رقم 10). AMUWEC20210251). يتم إيواء الفئران في ظروف يتم التحكم في درجة حرارتها (22-25 درجة مئوية) مع دورة إضاءة / ظلام عكسية مدتها 12 ساعة (الأضواء من الساعة 20:00 إلى 8:00) وحرية الوصول إلى الطعام والماء.

1. إعداد الأجهزة لمنصة تفاعلية في الوقت الفعلي

  1. قم بتركيب كاميرا ويب على عارضة فوق المنصة بأكملها لمراقبة مواضع الماوس والطعم الآلي في الساحة أدناه في الوقت الفعلي ونقل الصور إلى الكمبيوتر (الشكل 1 أ).
  2. صمم ساحة دائرية كبيرة (قطرها 800 مم ، ارتفاع 300 مم) تتكون من لوح أكريليك مربع في الأسفل وأنبوب أكريليك كحدود. ضع أربعة أيقونات متباعدة بشكل متساو (مربع ، مثلث ، دائرة ، وصليب) على الجدران الداخلية للساحة لتكون بمثابة إشارات بصرية (الشكل 1 ب).
    ملاحظة: يجب تغطية الجدار الداخلي لأنبوب الأكريليك وسطح لوحة الأكريليك المربعة بملصق غير شفاف.
  3. استخدم مغناطيس نيوديميوم دائري (قطر 40 مم ، ارتفاع 10 مم ، يبلغ طول الصراصير حوالي 2-4 سم 4,22) مع كريات الطعام (5 × 0.2 مجم) كطعم آلي. قم بتوصيل ملصق أزرق بسطح المغناطيس لتحديد الهوية والموقع.
  4. قم بتركيب شريط تمرير ثنائي الأبعاد (مع حركة فعالة تبلغ 1000 مم) أسفل الساحة. قم بتثبيت مغناطيس نيوديميوم آخر على حامله كمغناطيس سحب لسحب الطعم الآلي مغناطيسيا وعن بعد.
  5. قم بقيادة مغناطيس المجتذب بواسطة محركات مؤازرة يتم التحكم فيها بواسطة لوحة STM32 ودائرة تبديل. باستخدام وضع اتجاه السرعة لتشغيل محرك سيرفو (75 مم لكل 16,000 نبضة) ، يقوم تردد موجة PWM عند منفذ الإخراج على لوحة STM32 بتشفير السرعة ، والمستويات العالية أو المنخفضة (3.3 فولت أو 0 فولت) تشفير الاتجاه الأمامي أو الخلفي (الشكل 1C).
    ملاحظة: يتم عرض دائرة التبديل في الشكل التكميلي 1 ، والذي يوضح فقط مخطط اتصال إشارة السرعة والاتجاه المطلوب لحركة شريحة واحدة والتحكم في الشريحة الأخرى بنفس الطريقة. يمكن توصيل الأسلاك الأرضية في دائرتي التحكم في الشرائح معا.

2. تصميم البرمجيات لمنصة تفاعلية في الوقت الحقيقي

  1. استخدم البرنامج الرئيسي لاكتشاف الموضع النسبي للماوس والطعم الآلي ونقل إشارة حركة الطعم الآلي إلى متحكم STM32 (الشكل 1 د).
  2. عندما يتلقى الكمبيوتر صورا من كاميرا الويب ، قم بمعالجة الإطارات في بيئة Python.
  3. قم بتحويل كل إطار من نموذج ألوان RGB إلى نموذج ألوان HSV باستخدام وحدة OpenCV20 (cv2.cvtColor).
    ملاحظة: نظرا لأن الفئران هي علف ليلي ومن أجل استقرار تحديد الهوية ، يجب إجراء التجارب في ظل ظروف إضاءة منخفضة ومستقرة ، مما يضمن ظروف إضاءة متسقة في الساحة وتجنب الظلال الجزئية. كانت الإضاءة في هذه التجربة حوالي 95 لوكس.
  4. احصل على صور قناع للماوس والطعم الآلي بناء على نطاقات الألوان الخاصة بهما في نموذج ألوان HSV ، على التوالي (cv2.inRange).
  5. قم بتطبيق التصفية المتوسطة على صورة القناع لجعل ملامح الماوس والطعم الآلي أكثر وضوحا واستقرارا (cv2.medianBlur).
  6. احصل على معلومات كفاف الماوس والطعم الآلي باستخدام وظيفة الكشف عن الكفاف (cv2.findContours) ، ثم ابحث عن الحد الأدنى من المستطيل الذي يمكن أن يغطي منطقة الكنتور. استخدم الإحداثيات المركزية لهذا المستطيل كموضع للماوس والطعم الآلي ، على التوالي ، واحفظها كملفات TXT.
  7. بناء على معلومات موضع الماوس وطعم الروبوت في كل إطار ، احسب سرعة الماوس والمسافة النسبية إلى طعم الروبوت واحفظ هذه المعلمات كملفات TXT.
    ملاحظة: بالنظر إلى التكلفة الزمنية للحسابات المتعلقة بمعالجة الصور ، تبلغ سرعة المعالجة الفعلية للبرنامج النصي حوالي 41 إطارا في الثانية ، مما يعني أن النظام يمكنه اكتشاف حركات الماوس والطعم الآلي في حوالي 24 مللي ثانية. تم اختبار تأخير النظام بين إرسال أمر الحركة واكتشاف الحركة هو 59.4 ± 7.3 مللي ثانية (ن = 8) ، وبالتالي فإن التأخير بين حركة الماوس وحركة الفريسة التي يثيرها الماوس يبلغ حوالي 83 مللي ثانية (الصراصير لها وقت رد فعل أقل من 250 مللي ثانية22).
  8. اعتمادا على المسافة النسبية بين الفأر والطعم الآلي ومواقعهما في الساحة ، حدد استراتيجية الهروب من الطعم الآلي21،22،23.
    ملاحظة: إذا كان الماوس بعيدا نسبيا عن الطعم الآلي (>250 مم) ، فمن المفترض أن الطعم الآلي في منطقة آمنة. لنفترض أن الماوس قريب بدرجة كافية من الطعم الآلي (<80 مم ، نظرا لأن المسافة النسبية في هذه الطريقة يتم تحديدها بناء على مركز الماوس والإغراء الآلي ، فقد قمنا بتعديل مسافة العتبة هذه بناء على طول جسم الماوس ، حوالي 11 سم ، وقطر الإغراء ، 4 سم). في هذه الحالة ، يعتبر الالتقاط ناجحا ، وسيتوقف الطعم الآلي ، مما يسمح للفأر باستهلاك كريات الطعام عليه (الشكل 2 أ). في استراتيجية الهروب من الخط المستقيم ، إذا كان الطعم في منطقة مركز الساحة (المسافة إلى الحدود >75 مم) ، مما يشير إلى مساحة كافية في جميع اتجاهات الهروب ، فسوف يتحرك في الاتجاه الذي يتحرك فيه الماوس نحو نفسه. على العكس من ذلك ، إذا كان الطعم قريبا من جدار الساحة كما هو موضح في المنطقة المحيطة (المسافة إلى الحدود ≤75 مم) ، مما يدل على عدم كفاية مساحة الحركة المستمرة ، فسوف يتحول بزاوية 90 درجة إلى الجانب بمسافة أكبر إلى حدود الساحة (مساحة متاحة أكثر ، الشكل 2 ب). في استراتيجية الهروب القائمة على الأدوار ، سيتحول الطعم الآلي بزاوية 90 درجة إلى الجانب مع مساحة أكبر للهروب ، ويتم الحكم عليه بفواصل زمنية تبلغ 0.5 ثانية (الشكل 2C).
  9. بعد تحديد استراتيجية الهروب ، اطلب من البرنامج النصي Python تشفير إشارات السرعة والاتجاه بشكل منفصل وإرسالها إلى STM32 عبر المنفذ التسلسلي (ser.port = 'COM3') بمعدل بت 115200.
    ملاحظة: يتم تجميع البرامج النصية في STM32 في بيئة C. عندما يتم استقبال إشارة السرعة ، يتم تحويلها إلى موجة PWM من التردد المقابل بواسطة مقسم تردد المذبذب البلوري والإخراج (تردد بلورة STM32 هو 72000000). بعد تلقي إشارة الاتجاه ، يتم تحويل الإشارة الرقمية عن طريق سحب جهد منفذ الإخراج لأعلى أو لأسفل (0 أو 3.3 فولت).
  10. أستخدم ناسخ المنفذ التسلسلي لنسخ برنامج C مترجم إلى STM32.
  11. استخدم برنامج إعادة الضبط لنقل الطعم الآلي إلى وسط الساحة.
    ملاحظة: من خلال اكتشاف موضع الطعم الآلي في الساحة ، يتم دفع الطعم الآلي باستمرار نحو الموضع المركزي (5 سم / ثانية) ، وعندما يتم اكتشاف مسافة <20 مم من الوضع المركزي ، يعتبر أنه وصل إلى مركز الساحة ويتوقف عن الحركة. قم بتشغيل برنامج إعادة التعيين قبل تشغيل البرنامج الرئيسي.

3. التعود (الشكل 2 د)

  1. اربط الماوس لمدة 12 ساعة لتقليل وزن جسم إلى 90-95٪ من المعدل الطبيعي ، مع حرية الوصول إلى الماء خلال هذه الفترة.
  2. أولا ، قم بتشغيل برنامج إعادة الضبط لنقل الطعم الآلي إلى وسط الساحة ، ثم عزل الماوس الجائع على حافة الساحة بحاجز.
  3. اضبط مسار حفظ الملف وسرعة حركة الطعم الآلي (5 سم / ثانية) في البرنامج الرئيسي. ثم انقر فوق تشغيل ، ولاحظ في نافذة الفيديو المنبثقة ما إذا كان يتم التعرف على أفخاخ الماوس والروبوت بثبات.
  4. قم بإزالة الحاجز وابدأ المؤقت لمراقبة السلوك المفترس للماوس لمدة 20 دقيقة ، وتسجيل الوقت الذي يأخذ فيه الماوس حبيبات طعام لأول مرة من الطعم الآلي. إذا فشل الماوس في القيام بذلك ، فأوقف الطعم وضعه بجوار الماوس للتغذية.
  5. أعد الفأر إلى قفصه واترك فترة نقاهة لمدة 24 ساعة مع حرية الوصول إلى الطعام والماء. ثم كرر التعود. إذا لم يكن هناك فرق كبير في الوقت اللازم لاسترجاع الطعام لأول مرة بين تجربتين متتاليتين داخل نفس المجموعة من ، فضع في اعتبارك أن التعود قد اكتمل. تستغرق هذه الفترة عادة من 3 إلى 5 تجارب.
  6. بعد كل اعتياد ، نظف الساحة بشكل صحيح بنسبة 75٪ كحول وماء.

4. مهمة الافتراس (الشكل 2 د)

  1. ابدأ مهمة الافتراس مباشرة بعد التعود.
  2. اربط الماوس لمدة 12 ساعة لتقليل وزن جسم إلى 90-95٪ من المعدل الطبيعي ، مع حرية الوصول إلى الماء خلال هذه الفترة.
  3. أولا ، قم بتشغيل برنامج إعادة تعيين لنقل الطعم الآلي إلى وسط الساحة ، ثم عزل الفأر الجائع على حافة الساحة بحاجز.
  4. اضبط مسار حفظ الملف وسرعة حركة الطعم الآلي (0-60 سم / ثانية ، يمكن ضبط سرعات مختلفة وفقا للاحتياجات التجريبية) في البرنامج الرئيسي. ثم انقر فوق تشغيل ، ولاحظ في نافذة الفيديو المنبثقة ما إذا كان الماوس والطعم الآلي قد تم اكتشافهما بثبات.
  5. قم بإزالة الحاجز وابدأ المؤقت لمراقبة السلوك المفترس للماوس لمدة 60 ثانية.
    1. إذا نجح الماوس في التقاط الطعم الآلي في غضون 60 ثانية ، فأغلق البرنامج الرئيسي واسمح للفأر بتناول جميع كريات الطعام قبل إعادته إلى القفص.
    2. إذا لم يلتقط الماوس الطعم الآلي في غضون 60 ثانية ، فحرر الماوس مباشرة في القفص دون أي مكافأة أو عقاب.
  6. قم بإجراء جولة ثانية من مهام الافتراس بعد 4 ساعات ، وكرر الخطوات 4.3-4.5.
  7. اسمح للماوس بفترة نقاهة مدتها 24 ساعة مع حرية الوصول إلى الطعام والماء. ثم كرر مهمة الافتراس. إذا قضى أكثر من 80٪ من الفئران أقل من 15 ثانية في تجربتين متتاليتين ، فإن الفئران تعتبر مفترسة ماهرة.
  8. بعد كل مهمة افتراس ، قم بتنظيف الساحة بشكل صحيح باستخدام 75٪ من الكحول والماء.

النتائج

للهروب من مفترس ، غالبا ما تستخدم الفريسة استراتيجيات هروب مرنة ومتغيرة ، مثل تغيير سرعات الهروب أو الفرار في اتجاهات غير متوقعة21،22،23. في هذه الدراسة ، يتم التحكم في نمط حركة الطعم الآلي بمرونة في السرعة والاتجاه حتى نت...

Discussion

في هذا البروتوكول ، لتحقيق التحكم في الوقت الفعلي بزمن انتقال منخفض للنظام ، نستخدم OpnenCV ، وهي مكتبة رؤية حاسوبية خفيفة الوزن وفعالة ، ونموذج ألوان لتحديد مواضع الفئران وشيك الروبوت. يتطلب ذلك أن تكون الإضاءة في الساحة مستقرة نسبيا وأن يتم تجنب الظلال في الساحة قدر الإمك...

Disclosures

المؤلفون ليس لديهم ما يكشفون عنه.

Acknowledgements

هذه الدراسة مدعومة من قبل المؤسسة الوطنية للعلوم الطبيعية في الصين إلى YZ (32171001 ، 32371050).

Materials

NameCompanyCatalog NumberComments
Acrylic cylinderSENTAIPMMADiameter 800 mm
Height 300 mm
Thickness 8 mm
Anti-vibration tableVEOOCustom madeLength 1500 mm
Width 1500 mm
Height 750 mm
CameraJIERUIWEITONGHF868SSPixel Size 3 µm ´ 3 µm
480P: 120 fps
Camera support frameRUITUCustom madeMaximum width 3300 mm
Maximum height 2600 mm
Circuit boardWXRKDZCustom madeLength 60 mm
Width 40 mm
Hole spacing 2.54 mm
ComputerDELLPrecision 5820 TowerInter(R) Xeon(R) W-2155 CPU
NVIDIA GeForce RTX 2080Ti
DuPont LineTELESKYCustom made30 cm
Food pelletsBio-serveF0759520 mg
Platform support frameHENGDONGOB3030Length 1600 mm
Height 900 mm
Width 800 mm
Regulated power supplyZHAOXINPS-3005DOutput voltage: 0-30 V
Output current:0-3 A
Round magnetic blockYPEYPE-230213-5Diameter 40 mm
Thickness 10 mm
Servo Motor DriverFEREMEFCS860P0.1 kw-5.5 kw
SVPWM
220 VAC+10%
~-15%
RS-485
Slide railJUXIANGJX45Length 1000 mm
Width 1000 mm
Square acrylic plateSENTAIPMMALength 800 mm
Width 800 mm
Thickness 10 mm
Square Magnetic BlockRUITONGN35Length 100 mm
Width 50 mm
Thickness 20 mm
Stm32ZHENGDIANYUANZIF103STM32F103ZET6
72 MHz clock
TransistorSemtechC1185362N2222A, NPN

References

  1. Gregr, E. J., et al. Cascading social-ecological costs and benefits triggered by a recovering keystone predator. Science. 368 (6496), 1243-1247 (2020).
  2. Brown, J. S., Vincent, T. L. Organization of predator-prey communities as an evolutionary game. Evolution. 46 (5), 1269-1283 (1992).
  3. Zhao, Z. -. D., et al. Zona incerta gabaergic neurons integrate prey-related sensory signals and induce an appetitive drive to promote hunting. Nat Neurosci. 22 (6), 921-932 (2019).
  4. Hoy, J. L., Yavorska, I., Wehr, M., Niell, C. M. Vision drives accurate approach behavior during prey capture in laboratory mice. Curr Biol. 26 (22), 3046-3052 (2016).
  5. Holmgren, C. D., et al. Visual pursuit behavior in mice maintains the pursued prey on the retinal region with least optic flow. eLife. 10, e70838 (2021).
  6. Johnson, K. P., et al. Cell-type-specific binocular vision guides predation in mice. Neuron. 109 (9), 1527-1539.e4 (2021).
  7. Nahin, P. J. . Chases and Escapes: The Mathematics of Pursuit and Evasion. , (2007).
  8. Mcghee, K. E., Pintor, L. M., Bell, A. M. Reciprocal behavioral plasticity and behavioral types during predator-prey interactions. Am Nat. 182 (6), 704-717 (2013).
  9. Belyaev, R. I., et al. scavenging: Functional analysis of vertebral mobility and backbone properties in carnivorans. J Anat. 244 (2), 205-231 (2024).
  10. Weihs, D., Webb, P. W. Optimal avoidance and evasion tactics in predator-prey interactions. J Theor Biol. 106 (2), 189-206 (1984).
  11. Peterson, A. N., Soto, A. P., Mchenry, M. J. Pursuit and evasion strategies in the predator-prey interactions of fishes. Integr Comp Biol. 61 (2), 668-680 (2021).
  12. Galvin, L., Mirza Agha, B., Saleh, M., Mohajerani, M. H., Whishaw, I. Q. Learning to cricket hunt by the laboratory mouse (mus musculus): Skilled movements of the hands and mouth in cricket capture and consumption. Behav Brain Res. 412, 113404 (2021).
  13. Timberlake, W., Washburne, D. L. Feeding ecology and laboratory predatory behavior toward live and artificial moving prey in seven rodent species. Anim Learn Behav. 17 (1), 2-11 (1989).
  14. Sunami, N., et al. Automated escape system: Identifying prey's kinematic and behavioral features critical for predator evasion. J Exp Biol. 227 (10), jeb246772 (2024).
  15. Szopa-Comley, A. W., Ioannou, C. C. Responsive robotic prey reveal how predators adapt to predictability in escape tactics. Proc Natl Acad Sci U S A. 119 (23), e2117858119 (2022).
  16. Krause, J., Winfield, A. F. T., Deneubourg, J. -. L. Interactive robots in experimental biology. Trends Ecol Evol. 26 (7), 369-375 (2011).
  17. Swain, D. T., Couzin, I. D., Leonard, N. E. Real-time feedback-controlled robotic fish for behavioral experiments with fish schools. Proceedings of the IEEE. 100 (1), 150-163 (2012).
  18. Eyal, R., Shein-Idelson, M. Preytouch: An automated system for prey capture experiments using a touch screen. bioRxiv. , (2024).
  19. Ioannou, C. C., Rocque, F., Herbert-Read, J. E., Duffield, C., Firth, J. A. Predators attacking virtual prey reveal the costs and benefits of leadership. Proc Natl Acad Sci U S A. 116 (18), 8925-8930 (2019).
  20. Farhan, A., et al. An OpenCV-based approach for automated cardiac rhythm measurement in zebrafish from video datasets. Biomolecules. 11 (10), 1476 (2021).
  21. Hein, A. M., et al. An algorithmic approach to natural behavior. Curr Biol. 30 (11), R663-R675 (2020).
  22. Kiuchi, K., Shidara, H., Iwatani, Y., Ogawa, H. Motor state changes escape behavior of crickets. iScience. 26 (8), 107345 (2023).
  23. Wilson-Aggarwal, J. K., Troscianko, J. T., Stevens, M., Spottiswoode, C. N. Escape distance in ground-nesting birds differs with individual level of camouflage. Am Nat. 188 (2), 231-239 (2016).
  24. Mathis, A., et al. Deeplabcut: Markerless pose estimation of user-defined body parts with deep learning. Nat Neurosci. 21 (9), 1281-1289 (2018).
  25. Kane, G. A., Lopes, G., Saunders, J. L., Mathis, A., Mathis, M. W. Real-time, low-latency closed-loop feedback using markerless posture tracking. eLife. 9, e61909 (2020).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Explore More Articles

JoVE 219

This article has been published

Video Coming Soon

JoVE Logo

Privacy

Terms of Use

Policies

Contact Us

Recommend to library

JoVE NEWSLETTERS

Research

Education

Authors

Librarians

ABOUT JoVE

Copyright © 2025 MyJoVE Corporation. All rights reserved