Un dispositivo estimulador simple para Evocando Point-como estímulos táctiles: A Searchlight para LFP a Spike Transiciones

Summary

Para dilucidar la compleja transición de potenciales de campo locales (LFPS) a los picos de un estimulador adecuado para estímulos periféricos mecánicos ligeros fue construido. Como una aplicación, las actividades Rematar grabados desde la corteza somatosensorial se analizaron mediante una estrategia de optimización multi-objetivo. Los resultados demostraron que el estimulador propuesto fue capaz de entregar estímulos táctiles con milisegundo y milímetros precisiones.

Abstract

Investigación neurofisiológica actual tiene el objetivo de desarrollar metodologías para investigar la ruta de señal de neurona a neurona, es decir, en las transiciones de los picos a los potenciales de campo locales (LFPS) y desde LFPs a los picos.

LFPs tienen una compleja dependencia actividad pico y su relación aún es poco conocido ^1. El esclarecimiento de estas relaciones de señal sería de gran ayuda tanto para el diagnóstico clínico (por ejemplo, los paradigmas de estimulación para la estimulación cerebral profunda) y para una comprensión más profunda de las estrategias de codificación neural en condiciones normales y patológicas (por ejemplo, epilepsia, enfermedad de Parkinson, dolor crónico). Para ello, hay que resolver los problemas técnicos relacionados con los dispositivos de estimulación, los paradigmas de estimulación y análisis computacional. Por lo tanto, un dispositivo de estimulación medida fue desarrollado con el fin de ofrecer estímulos bien regulados en el espacio y el tiempo, que no incurren en resonancia mecánica. Posteriormente,como un ejemplo, se extrajo un conjunto de relaciones LFP-pico fiables.

El rendimiento del dispositivo fue investigado por las grabaciones extracelulares, los picos de forma conjunta y respuestas LFP a los estímulos aplicados, de la rata corteza somatosensorial primaria. Entonces, por medio de una estrategia de optimización multi-objetivo, se estimó un modelo predictivo para la ocurrencia pico basado en LFPs.

La aplicación de este paradigma muestra que el dispositivo se adapta adecuadamente para ofrecer una alta frecuencia de estimulación táctil, superando actuadores piezoeléctricos comunes. Como una prueba de la eficacia del dispositivo, se presentaron los siguientes resultados: 1) el momento y la confiabilidad de las respuestas LFP también coinciden con las respuestas de pico, 2) LFPs son sensibles a la estimulación de la historia y capturar no sólo el promedio de respuesta, sino también la -juicio-a juicio fluctuaciones en la actividad pico y, por último, 3) mediante el uso de la LFP señalan que es posible estimar un rango of modelos predictivos que captan los diferentes aspectos de la actividad pico.

Introduction

En el contexto de la señal de procesamiento de la respuesta de impulso proporciona una caracterización fundamental del comportamiento de un sistema dinámico.

Aunque el estímulo impulso ideal no es prácticamente factible, es posible obtener una aproximación razonable de la misma mediante el uso de un elemento actuador que genera desplazamientos de alta frecuencia. Este tipo de luz de estimulación táctil-vibratoria se sabe que centrarse tanto en lo profundo de la piel (por ejemplo, la respuesta rápida, la adaptación rápida corpúsculos de Pacini) ² y los receptores superficiales (por ejemplo, bajo umbral de adaptación lenta estructuras discoidales Merkel) ^2.

Dispositivos de estimulación actuales, actuadores piezoeléctricos principalmente, están acusados ​​de una serie de inconvenientes, no por ello menos resonancias y pequeños desplazamientos. Para superar estas deficiencias, una implementación alternativa de estimulación de impulso-como se propone mediante el uso de una punta roma (una punta de cactus suavizado en nuestro caso) en posición verticalmontado en el centro de la membrana de un cono del altavoz de gama media. Esto proporciona la ventaja de desplazamientos más grandes y más amplio espectro de frecuencias.

Una aplicación eficaz de un dispositivo de este tipo era el estudio del problema neurofisiológico correspondiente de la LFPs a los picos de dependencia. Debido a la asociación temporal sutil entre estos eventos eléctricos se necesita un dispositivo regulado finamente para la entrega de los estímulos periféricos. Los estímulos tenían que ser tan rápido y espacialmente selectiva como sea posible con el fin de reducir el "ruido de fondo" y afilar las señales de interés. Para este propósito, el dispositivo de estimulación y el protocolo de entrega de estímulo fueron optimizados de forma conjunta para la tarea. En este trabajo se describe la técnica y se presentan algunos resultados representativos.

Un protocolo de estimulación basado en-pares de pulsos aleatorios ha sido diseñado y optimizado con el fin de evitar la habituación. Este protocolo ofrece la ventaja de la pareja clásicaed pulsos y la reducción de la posibilidad de bloqueo espuria entre los estímulos y las explosiones periódicas espontáneas de la actividad neuronal.

Al utilizar este aleatorizados a dos pulsos se pudo obtener respuestas LFP y pico rápidos y fiables y para capturar la característica especial de estas respuestas relacionadas con la dependencia de ambos LFPs y picos en la historia de la estimulación. De hecho, a partir de las respuestas del LFP primas, un conjunto de tres LFP características (la propia LFP, la LFP primera derivada y la fase de la primera derivada) correlacionar fuertemente con la respuesta promedio pico, también se extrajo.

Se han propuesto algunos métodos para ajustar los modelos que predicen los picos de LFPs ^3,4. En general un punto crítico del proceso de ajuste del modelo, común también a la predicción de eventos pico de la señal de estímulo, lo constituye la elección adecuada de la función objetivo de maximizar / minimizar. Si bien una serie de funciones objetivo ha sido propuestad (por ejemplo, la correlación y coherencia) ⁵ ninguno de ellos capta de forma conjunta toda la complejidad de las respuestas pico. De acuerdo con ello, se introduce un nuevo marco basado en la optimización multi-objetivo. Se demuestra que mediante el uso de la propuesta ideada y este marco computacional es posible estimar un conjunto de modelos de predicción basado en LFP fuerte para clavar las relaciones.

Protocol

Declaración de Ética

Para el estudio de cómo los estímulos sensoriales están representados por la actividad neuronal no hay alternativa a la utilización de los animales y el uso de un enfoque in vivo. Todos los animales han sido tratados a lo largo de las leyes italianas y europeas sobre el tratamiento de animales en la investigación científica (Comité de Bioética italiano, el Decreto Ley sobre el tratamiento de los animales en la investigación, 27 de enero 1992, n º 116). El Consejo Superior de Investigaciones Científicas, donde se han realizado los experimentos, se adhiere al Comité Internacional de Ciencia Animal de Laboratorio (ICLAS) en nombre de las Naciones Unidas, la Ciencia y Organizaciones Culturales (UNESCO), el Consejo de Organizaciones Internacionales de Ciencias Médicas (CIOMS ) y la Unión Internacional de Ciencias Biológicas (IUBS). Como tal, no se requería la aprobación específica del protocolo. La aprobación de la Secretaría de Salud se clasifica como "Biella 1, 3/2011" en los archivos de la Comisión de Ética de laUniversidad de Milán.

1. Preparación de los animales de experimentación

1. Seleccione ratas macho de aproximadamente 300-400 g de tamaño.
2. Anestesiar las ratas para la preparación experimental.
   1. Inyectar por vía intraperitoneal una solución barbitúrico (pentobarbital, 50 mg / kg para inducción, 10 mg / kg para el mantenimiento).
   2. Compruebe el nivel de anestesia por bajo umbral y de alto umbral estímulos mecánicos sobre una pata asegurar que no se produce el reflejo de retracción.
   3. Prepare la piel del cráneo por el afeitado de la bóveda craneal con precisión y luego hacer una incisión para exponer la superficie craneal.
   4. Canular la tráquea, por una cánula traqueal (diámetro interior de 2 mm y un diámetro exterior de 2,5 mm) que se fijan por la ligadura quirúrgica alrededor de la propia tráquea.
   5. Lateralmente al segmento traqueal exponer la vena yugular y canular que la inserción de una cánula (PE10) conectada a una jeringa que se fijan por la ligadura quirúrgica alrededor del vaso.
3. Monte la rata en un aparato estereotáxico.
   1. Fije el cuerpo de la rata y el lugar en una posición supina.
   2. Fijar la cabeza con barras de oído y bloquear el hocico. Ponga una o dos gotas de anestésico local (lidocaína) en el oído de la rata antes de colocar las barras de oído.
4. Regular la temperatura de la almohadilla estereotáxica por un cojín de la calefacción con control electrónico, manteniendo la temperatura a 37,5 ° C.
5. Conecte el tubo traqueal para el aparato de anestesia respiratoria.
   1. Ajuste el dispositivo de anestesia respiratoria a 1 carrera / s entrega de isoflurano (2,5% 0,4-0,8 L / min) y O ₂ (0.15-0.2 L / min).
6. Limpie cuidadosamente la bóveda craneal por un antiséptico tópico de povidona yodada.
7. Tome un bisturí estéril y cortado longitudinalmente en la línea media de la base de la boca hasta el ángulo del hueso occipital.
   1. Divaricate de las fronteras de la herida por un retractor y fijarlos por dos pequeñas pinzas cocker aplicado to los bordes de la herida.
   2. Identificar el periostio señalando una luz sobre una bóveda de cráneo observando la superficie translúcida. Rayar cuidadosamente la bóveda de extracción de huesos el periostio y la exposición de la superficie del hueso.
   3. Proporcionar la hemostasia con una punta de algodón o una esponja quirúrgica sobre la superficie del hueso si hemorragias focales aparecen sobre el hueso.
8. Con una pluma de punta fina, identificar el punto bregma estereotáctica en el punto de cruce de las suturas mediosagittal y coronal.
   1. Bajo el control microscopio quirúrgico, identificar el área estereotáctica (S1HL) que recubre la corteza somatosensorial contralateral a la pata posterior utilizado para el experimento (bregma, AP -0,5 a 1,2 mm, LL -2,3 a 2,5 mm).
9. Con una pluma de punta fina dibujar el perímetro de la plaza que delimita el orificio a perforar.
   1. Perforar un agujero de 9 mm ² en el cuadro azul identificado previamente la eliminación de las baldosas ósea.
   2. Limpiar y absorber hemorragias óseas potenciales. Retire cuidadosamente la duramadre y cubrir la superficie cortical con una esponja quirúrgica empapada en líquido cefalorraquídeo artificial mantenida a 37,5 ° C.
10. Fijar la matriz de electrodos a un soporte conectado a un micromanipulador electrónico.
    1. Conecte el jefe de la matriz para el preamplificador por un microconector.
    2. Unidad manualmente la matriz de electrodos (bajo control microscopio quirúrgico) hasta la superficie cortical (sin tocarlo).
    3. Encienda los amplificadores con señal auditiva.
    4. Conduce, por el control electrónico, se llega a la matriz de electrodos tocar la superficie cortical hasta que el contacto, señalado por un cambio de sonido del ruido claro.
    5. Tire hacia abajo de la matriz de electrodos en pasos controlados electrónicamente (2 m / paso) hasta que se alcanza una profundidad de 350-400 m (capa cortical IV).
    6. Compruebe la capacidad de respuesta de las neuronas por toques de luz en la pata posterior contralateral.
    7. Ajuste la profundidad de unos pasos más hasta que se observe una respuesta clara clavar.
    8. Paralyze la rata por thriethiodide Galamina intravenosa (20 mg / kg / h). Use las dosis refractadas a través del experimento para mantener los niveles curarización (0,2 ml / 1 hora).

2. Tratamiento de Señales

1. Ajuste el filtro de paso de banda de software para [0,1 6000] Hz.
   1. Registrar las señales neuronales de la matriz de microelectrodos 8 canales muestreados a 32 kHz.
2. Después de que termina la adquisición, exportar las señales grabadas en un formato binario adecuado para el procesamiento posterior.
   1. Realice el procedimiento de pico de clasificación por medio de la caja de herramientas Wave_clus ^11.

3. Fabricación y configuración del dispositivo de estimulación

1. Montar un tallo de cactus (con punta roma) ortogonalmente a la superficie de un altavoz de rango medio pegar la base del tallo de la tapa.
2. Programe unmicrocontrolador para entregar pulsos de voltaje a un circuito controlador para el altavoz.
   1. Programar el microcontrolador para entregar dos pares de pulsos de corriente por segundo (ver Figura 1 C).
3. Monte el altavoz y el microcontrolador mediante un L293D h-puente con componentes pasivos básicos (véase la Figura 1A).
4. Conectar el microcontrolador a una batería recargable 12 V.

4. Protocolo de Estimulación

1. Pegue la cara dorsal de la pata trasera de un marco sólido, exponiendo la superficie volar y evitar torsiones articulares.
2. Coloque la punta del dispositivo de estimulación sobre la posición de las extremidades / pata deseado.
3. Encienda el dispositivo de estimulación.

Desconectado pasos:

5. La evaluación de las respuestas de Spike

1. Para cada neurona registrada, calcular la Información Mutua Shannon (MI) del estímulo evocado actividad del enriquecimiento (estímulo categoría es o bien 1, estímulo, o 0, ningún estímulo).
   1. Estimar la probabilidad de respuesta condicional p (r | s), donde s representa la categoría de estímulo y r representa el número de espigas emitidos dentro de una ventana de tiempo fijo.
   2. Corrija el estimado MI utilizando el procedimiento descrito barajar ^9.

6. La evaluación de las respuestas del LFP

1. Se filtra la señal grabada en la gama de frecuencias [0,1 100] Hz con el fin de obtener la señal de LFP
2. Calcular LFPSNR, una medida de la capacidad de respuesta del LFP, como se explica en la referencia ^10.

7. Modelo de estimación

1. Generar un modelo de la forma
   
   donde las x argumentos representan tres características diferentes (LFP x ₁ de la propia LFP, < em> x ₂ su derivado y x ₃ la fase de Hilbert de su derivado) y F se expresa como sigue
   
   los coeficientes G son los pesos de una combinación lineal y F es un operador que toma, ya sea el valor absoluto, la potencia o el valor original de cada x _i.
2. Utilice el algoritmo NSGAII para estimar los parámetros del modelo y operadores usando los tres objetos siguientes: i) a nivel local, base del juicio a prueba, medida de ajuste , Donde N y N _{sp r} representan, respectivamente, los picos en general cuentan y la longitud del vector de respuesta; ii) una medida global de ajuste basado en el promedio de respuestaad/50941/50941eq4.jpg "width =" 205 "/> donde N _resp representa la longitud de la respuesta media; iii) una medida de la complejidad del modelo (véase también) ¹⁰ .

8. La confirmación histológica

1. Sacrificar la rata.
   1. Al final de grabaciones experimentales, poner el animal bajo anestesia profunda gaseoso (isoflurano 2%, 4 L / min) y inyectar por vía intravenosa una sobredosis de barbitúricos (> 50 mg / kg, pentobarbital).
   2. Espere el arresto cardíaco.
   3. Desmonte la rata del aparato estereotáxico
2. Perfusión.
   1. Coloque la rata que pone sobre una rejilla en una palangana para recoger la sangre y los fluidos de la perfusión.
   2. Abra el tórax mediante la disección del esternón separarse de las inserciones costales.
   3. Bloquee el proceso xifoides esternal con una pinza cocker y cr vuelcoanially el esternón y divaricate las costillas sobre el corazón.
   4. Identificar el ventrículo izquierdo y la aurícula derecha, coloque una aguja de punta embotada calibre nueve (conectado a la cánula de perfusión) en el ventrículo y abrir con tijeras finas quirúrgicos de la aurícula derecha.
   5. Iniciar la perfusión con solución fría (4 ° C) heparinizada fisiológica (250 ml) seguido de la perfusión de una solución de formalina al 4% (250 ml).
3. Extraer el cerebro contra el cráneo con la apertura de la bóveda craneal con unas pinzas adecuadas y colocar el cerebro en una solución de formalina al 10%.
4. Después de una semana, preparar los cortes histológicos por un microtomo (10 micras de espesor).
5. Teñir el cerebro secciones coronal y sagital con una solución de violeta de cresilo.

Representative Results

Características de excursiones Consejo

Para la caracterización de las propiedades dinámicas del dispositivo de estimulación de propuesta, una serie de experimentos se establecieron. Se utilizó un dispositivo específico que consiste en un arseniuro de galio Diodo emisor infrarrojos junto con un fototransistor de silicio para evaluar el desplazamiento de su punta, la duración del desplazamiento y los posibles retrasos de desplazamiento. Por medio de este conmutador interruptor óptico colocamos la punta del estimulador en el borde del agujero de diodo emisor de luz (height = 1 mm) y tanto el microcontrolador y las salidas de fototransistor se registraron. El procedimiento de colocación se vio facilitada por un dispositivo de microstepper con una resolución máxima de 1 mm.

La respuesta de los dispositivos se muestra en la Figura 2A. La línea roja representa la respuesta fototransistor seguido por la respuesta microcontrolador que indica el comienzo exacto del desplazamiento de su punta. Cabe destacar que un retraso sistemático debido a COMMUTciones estaba presente y cuantificado (figura 2B, media = 583 microsegundos en 100 ensayos) resultante como abundantemente por debajo de la precisión de tiempo deseado (1 mseg). Por último, se midió la duración de desplazamiento de su punta que fue de 3,96 ms en promedio, como se muestra en la figura 2C.

Aleatorizado Protocolo pares de pulso para capturar LFP y Relaciones Pico

Para entender la relación entre la LFP y los picos, lo primero que propusimos generar un dispositivo de estimulación que pueden provocar respuestas rápidas y confiables de ambas señales. La Figura 3A muestra la distribución entre-estímulo intervalo, asegurando que el dispositivo provocó una modulación de la actividad Rematar. La descripción del dispositivo y el funcionamiento se detalla en la sección Protocolo.

En las figuras 3B y 3C se muestran las respuestas del LFP y de pico para una neurona representante, respectivamente. Midiendo Mutual Informaación de picos y SNR para LFPs (Figuras 4A y 4B) estaba claro que tanto codificar una cantidad sustancial de información acerca de la ocurrencia de estímulo.

Curiosamente LFPs y picos también proporcionaron información sobre la historia de estimulación (Figuras 4C-E). En particular, las respuestas del LFP se redujeron sustancialmente cuando el estímulo actual fue precedida por un impulso anterior con una pequeña inter-estímulo-intervalo suficiente (Figuras 4C y 4D). Codificación neuronal de la historia estimulación correlacionada positivamente con MI aunque exhibieron valores sustancialmente inferiores (Figura 4E).

Luego preguntamos qué características de la señal LFP correlaciona mejor con la respuesta de pico. Después de un análisis preliminar, se identificaron tres características LFP que se correlacionan fuertemente con el promedio de respuesta pico: el promedio LFP, su derivada y la fase del derivado LFP (

Una estrategia multi-objetivo para el punto de predicción basado en LFPs

Espiga trenes tienen típicamente estructuras temporales complejas que presentan correlaciones significativas en varias escalas de tiempo. Así que, ¿qué aspectos de la respuesta neuronal son capturados por LFPs?

Una buena prueba para sondear la comprensión de la relación LFP-pico es preguntar qué tan bien los picos son predecibles con sólo mirar la señal LFP. Por lo tanto, utilizando el anterior conjunto de características LFP (ver Figura 4F), el objetivo fue construir un modelo predictivo que, en cualquier momento, lee los valores de estas características y genera una predicción binaria sobre la ocurrencia de un ataque masivo.

Un problema crítico en relación con la instalación de un modelo de predicción de pico está constituido por la elección de una función objetivo apropiado. Las opciones más comunes son el coeficiente de Pearson y la función de coherencia ^5. Interesalternativas ting son proporcionados por las métricas de pico ^6. Mientras que las dos primeras medidas se basan en las respuestas neuronales promedio y por lo tanto no capturan la estructura completa de las espiga trenes, este último es computacionalmente exigente y no es práctico para fines de ajuste. Se propone una solución alternativa basada en la optimización multi-objetivo. La idea es reducir al mínimo conjuntamente más funciones objetivos (en adelante simplemente llamados objetivos). Estos objetivos tienen que ser computacionalmente eficiente para calcular y capaz de capturar diferentes aspectos de la respuesta neuronal.

Al utilizar el concepto de óptimo de Pareto entonces podemos encontrar un conjunto de modelos, cada uno optimizado para compensaciones específicas entre estos objetivos. Con el fin de estimar las superficies óptimas de Pareto del algoritmo NSGAII se utilizó ^12. Se identificaron tres funciones objetivo: uno global basada en la distancia en las respuestas promedio, una local basado en la distancia en un ensayo de prueba-a-base y un objetivo adicional que penaliza la complejidad del modelo (ver la sección de Protocolo relativa).

Los resultados obtenidos por el ajuste de una neurona representante de nuestro conjunto de datos se muestran en las Figuras 5A y 5B. Figura 5A informa de la distancia global (PF) y la distancia locales (SM) entre el modelo y las respuestas verdaderas. Tenga en cuenta que las distancias para cada modelo son óptimas en el sentido de Pareto para que ningún modelo es mejor o peor que cualquier otro en ambas distancias. El mismo principio es válido para todas las tres distancias consideradas conjuntamente (Figura 5B).

Una ventaja principal que se da por la estimación de un conjunto de modelos óptimos en lugar de uno solo radica en el hecho de que los diferentes modelos, basados ​​en transacciones óptimas entre los objetivos especificados, captar diferentes aspectos de la verdadera respuesta neuronal. Esto se muestra en la Figura 6, donde el diagnóstico de trama originalesse reportan carneros (Figuras 6A y 6D) y los predichos (Figuras 6B, 6C, 6E y 6F), a partir de dos neuronas representativos: los modelos que reduzcan al mínimo la captura de telefonía local la fase más fiable de las respuestas neuronales (Figuras 6B y 6E ), mientras que los modelos basados ​​en un equilibrio razonable entre lo local y lo mundial distancia mejor capturan la variabilidad neurona y descargas espontáneas en todo el rango temporal completa (0-50 ms, Figuras 6C y 6F).

Figura 1. (A) Esquema de circuito del conductor. El componente principal es un L293D H-puente. Los comandos del microcontrolador se entregan en p ins de D1 y D2. (B) Blunted movimientos de punta para la estimulación mecánica ligera. El tamaño de la cuadrícula en el papel cuadriculado es 1 mm. Haga clic aquí para ver la imagen más grande .

Figura 2. Sugerencia características de desplazamiento. (A) Las salidas del microcontrolador (línea azul) y del fototransistor (línea roja). La línea vertical verde se pone a 0 indica el inicio del desplazamiento de su punta. (B) La distribución de probabilidad de los retrasos de desplazamiento punta eficaces obtuvo más de 100 ensayos. (C) La distribución de probabilidad de la duración del desplazamiento de su punta en promedio en 100 ensayos./ Ftp_upload/50941/50941fig2highres.jpg "target =" _blank "> Haga clic aquí para ver la imagen más grande.

Figura 3. (A) la distribución entre estímulos-Interval. (B, C) ​​"en el aire" estímulos no evocan respuestas (véase la parte superior de ambos gráficos en el rango de 1.000 a 1.200 ensayos). Comparar a la verdadera carrera de prueba de estímulo (en los ejes de ordenadas) de 0 a 1000, donde entre el 15 a 40 milisegundos de retraso de la aparición de estímulo (tiempo 0 en la abscisa) respuestas claras se pueden observar. La parcela en (B) se refiere a la respuesta de la LFP, mientras que la parcela en (C) se refiere a la respuesta de pico. En el eje de las y de los más figura de la derecha, están las posiciones ("DEDO GORDO", "II", y #34;. III ", etc) de los estímulos sobre la extremidad posterior de ratas clic aquí para ver la imagen más grande .

Figura 4. (A, B) de información mutua y la LFP _SNR como una función del tiempo a lo largo de diferentes dígitos. (C) LFP valores normalizados después de corto (<100 ms) y largo (> 300 ms) entre estímulos-Intervalo (IStimI) . (D) Potencia media de las respuestas LFP después de larga y corta IStimI. Cada punto representa una grabación distinto. (E) MI acerca largo / corto IStimI en función de los mayores valores de IM sobre ocurrencia de estímulo (Imax). Cada punto representa anuncioneurona istinct. (F) El PSTH de una neurona representante también se correlaciona con tres características de la respuesta: LFP. La señal bruta promedio, el promedio de derivados y la fase del derivado Haga clic aquí para ver la imagen más grande .

Figura 5. (A, B) la distancia local y global entre las respuestas predichas y reales para una neurona representativa. (B) Evaluación conjunta de las tres distancias. Soluciones óptimas de Pareto se estimaron utilizando el algoritmo NSGAII. Haga clic aquí para ver la imagen más grande .

Figura 6. Verdadero (A, D) y estimado (B, C y E, F, respectivamente) las respuestas de dos neuronas representativas. X, y, z representan, respectivamente, la señal LFP primas, sus derivados y la fase de su derivada. Haz clic aquí para ver más grande imagen .

Discussion

Este trabajo presenta en primer lugar una nueva, simple y de bajo costo dispositivo permite ofrecer estímulos sensoriales rápidas y espacialmente puntuales. A continuación, un emparejado protocolo de estimulación de impulsos aleatorios y un conjunto de análisis computacional fueron validados. El objetivo general es establecer un marco para la estimación de las relaciones LFP-pico en los registros electrofisiológicos durante la estimulación táctil.

El dispositivo, el protocolo y el enfoque analítico han contribuido conjuntamente al resultado, a saber, la primera demostración de un enfoque determinista capaces de describir y predecir la transición de la LFP-a-punto, un proceso neuronal aún es poco conocido ^1.

Un punto crítico fue representado por el valor apropiado de la junta microcontrolador programable, que regula la fuerza y ​​la duración de la excursión punta tirado por el polvo-cap. Una solución adecuada que permita estímulos de alta frecuencia confiable y relativamente gran pancementos se ha descrito en la sección Resultados. En comparación con los actuadores piezoeléctricos convencionales del dispositivo proporciona dos ventajas principales: escapó el problema típico de resonancia mecánica y permitió relativamente grandes desplazamientos de punta.

Las neuronas de la corteza S1 son conocidos para expresar grandes campos receptivos y respuestas rápidas a la estimulación táctil ^8. El ayuno, el impulso como estímulos son idóneos para reclutar a receptores de la piel superficiales y profundos (por ejemplo, Merkel o corpúsculos de Pacini) ^2, y cambiar oportunamente los parámetros del estímulo (intensidad, duración, derivados de rampa) una preferencia podría reclutar a una de estas clases de receptores diferentes . El protocolo a dos pulsos aleatorios tenía por objeto reducir el arrastre de predicción de las oscilaciones neuronales a los estímulos ocurrencia que típicamente ocurre durante estímulos periódicos. Por otro lado las variables intervalo entre los pulsos apareados nos permitió extraer una clara dependencE En la historia de la estimulación. Para la estimación de la estructura y los parámetros de nuestro modelo predictivo que se basó en un algoritmo de optimización multi-objetivo bien conocido, llamado el Dominado Non-Sorting Algoritmo Genético II o NSGAII ^12. Un problema principal en la adaptación de un modelo predictivo para la ocurrencia pico se basa en el estructura temporal complejo de espiga trenes reales. La medición de la distancia entre los trenes pico predichos y reales ha demostrado ser una tarea computacionalmente caro ^6. El uso de NSGAII, un algoritmo de optimización multiobjetivo, permite romper el problema en múltiples distancias, computacionalmente eficientes.

Para evaluar la bondad de un modelo que necesitábamos para cuantificar el error en la predicción representada por la distancia entre espiga trenes previstos y reales. Dos criterios principales para evaluar las predicciones del modelo se tomaron en consideración. El proceso de adaptación ha devuelto un conjunto de modelos en lugar de uno solo. Curiosamente cada modelo in el conjunto parecía captar diferentes aspectos de la espiga trenes originales.

En conclusión, el marco elaborado, basado en dispositivo de estimulación, protocolo optimizado de manera conjunta y análisis, se podría utilizar para obtener más conocimientos sobre la relación LFP-pico y para mejorar las estrategias actuales para la programación eficiente de interfaces cerebro-máquina y las neuroprótesis.

Materials

Name	Company	Catalog Number	Comments
Microstepper	AB Transvertex (Stockholm, Sweden)		The microstepper used to pull down the electrode matrix
32-channel Cheetah System	Neuralynx (MT, USA)		The electrophysiological recording system
L293D h-bridge	RS Components (Cinisello Balsamo, Italy)		The bridge used to connect the microcontroller to the speaker
H21A3 Optical Interrupter Switch	Fairchild Semiconductor Corporation (San Jose, California)		The phototransistor used to estabilish the tip displacement
Arduino Uno	Arduino (Duemilanove, Italy)		The microcontroller used to deliver current pulse to the speaker
Microelectrode Matrices GB1	FHC
Isoflurane	Rhodia Organique Fine Ltd.		The anesthetic used to prepare animals
Stereotaxic apparatus	Narishighe (Tokyo, Japan)
Sprague-Dawley male rats	Charles River (Calco, LC, Italy)
Gallamine thriethiodide	Sigma-Aldrich		The compound used to curarize the animals
Cresyl violet	Sigma-Aldrich
Topical antiseptics (Betadine 10%)	Meda Pharma (Milanm Italy)
Heparine	Sigma-Aldrich
Formaldehyde	Carlo Erba Reagents (Pomigliano Milanese, Milan, Italy)