AI人工智能小鼠旷场箱实验入门指南：从设备搭建到数据分析

1次阅读

共计 1982 个字符，预计需要花费 5 分钟才能阅读完成。

旷场实验（Open Field Test）是神经科学领域评估小鼠焦虑行为、运动活性和探索能力的经典方法。通过记录动物在方形开放区域内的运动轨迹、中心区域停留时间等参数，研究人员可以量化分析动物的行为特征。传统方法依赖人工观察和手动记录，存在三大痛点：

主观性强：不同实验人员对行为判读标准不一致
效率低下：单次实验需要 30-60 分钟人工记录
数据维度少：难以捕捉微观行为（如理毛、站立等）

目前市面主流解决方案可分为两类：

商用系统（如 Noldus EthoVision）
优点：即插即用，配套分析软件完善
缺点：封闭系统（无法自定义算法），单套价格约 $15k-$30k
开源方案（如 Biobserve Viewer）
优点：支持二次开发，基础版免费
缺点：需要编程基础，硬件兼容性要求高

建议新手选择 USB 摄像头（如 Logitech C920）+ 自制 40cm×40cm 旷场箱的入门方案，成本可控制在 $200 以内。

import cv2

# 初始化摄像头
cap = cv2.VideoCapture(0) 
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720)

# 定义 ROI 区域 (示例坐标)
roi_x, roi_y, roi_w, roi_h = 200, 150, 800, 800

while True:
    ret, frame = cap.read()
    if not ret: break

    # ROI 裁剪与灰度转换
    roi = frame[roi_y:roi_y+roi_h, roi_x:roi_x+roi_w]
    gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY)

    # 显示实时画面（按 Q 退出）cv2.imshow('Preview', gray)
    if cv2.waitKey(1) & 0xFF == ord('q'): break

cap.release()

import torch

# 加载预训练模型
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')
model.classes = [15]  # 只检测小鼠类别

# 单帧检测示例
def detect_mouse(frame):
    results = model(frame)
    boxes = results.xyxy[0].cpu().numpy()
    return boxes[boxes[:,4] > 0.5]  # 置信度阈值 0.5

import numpy as np

heatmap = np.zeros((roi_h, roi_w), dtype=np.float32)

# 更新热力图（每次检测后调用）def update_heatmap(boxes):
    for x1,y1,x2,y2,conf,cls in boxes:
        center = (int((x1+x2)/2), int((y1+y2)/2))
        cv2.circle(heatmap, center, 5, 1, -1)

# 可视化（归一化到 0 -255）vis_heatmap = cv2.normalize(heatmap, None, 0, 255, cv2.NORM_MINMAX)

设中心区域为边长为 $L_{center}$ 的正方形，当小鼠中心坐标 $(x,y)$ 满足：

$$\frac{L}{2} – \frac{L_{center}}{2} \leq x \leq \frac{L}{2} + \frac{L_{center}}{2}$$
$$\frac{L}{2} – \frac{L_{center}}{2} \leq y \leq \frac{L}{2} + \frac{L_{center}}{2}$$

统计满足条件的帧数占比即可得到停留时间比例。

相邻两帧间位移 $\Delta d$ 与时间间隔 $\Delta t$ 的比值：

$$v = \frac{\sqrt{(x_t – x_{t-1})^2 + (y_t – y_{t-1})^2}}{\Delta t}$$

建议采样频率≥25fps 以保证精度。