Summary
Presentert her er en protokoll for å bygge en automatisk apparat som veileder en ape til å utføre fleksibel rekkevidde-til-tak oppgave. Apparatet kombinerer en 3D translational enhet og snu bordet for å presentere flere objekter i en vilkårlig posisjon i 3D-rom.
Abstract
Nå og fatte er høyt sammenkoblede bevegelser, og deres underliggende nevrale dynamikk har blitt mye studert i det siste tiåret. For å skille rekkevidde og gripe kodinger er det viktig å presentere ulike objekt identiteter uavhengig av deres posisjoner. Presentert her er utformingen av et automatisk apparat som er montert med et vende bord og tredimensjonal (3D) translational enhet for å oppnå dette målet. Snu tabellen skifter forskjellige objekter som tilsvarer forskjellige grep typer mens 3D translational enheten transporterer snu bordet i 3D-rom. Begge drives uavhengig av motorer, slik at målet posisjon og objektet er kombinert vilkårlig. I mellomtiden er håndleddet bane og grep typer registrert via motion capture-systemet og touch sensorer, henholdsvis. Videre representative resultater som demonstrerer vellykket trent ape bruker dette systemet er beskrevet. Det er forventet at dette apparatet vil lette forskere til å studere kinematikk, nevrale prinsipper, og hjerne-maskin-grensesnitt knyttet til øvre lem funksjon.
Introduction
Ulike apparater har blitt utviklet for å studere neural prinsipper underliggende nå og fatte bevegelse i ikke-menneskelige primater. I å nå oppgaver, berøringsskjerm1,2, skjerm markør styrt av en joystick3,4,5,6,7og Virtual Reality-teknologi8 , 9 andre priser , 10 har alle vært ansatt for å presentere 2D og 3D mål, henholdsvis. Å innføre ulike grep typer, ulikt formede objekter fast i en posisjon eller roterende rundt en akse ble mye brukt i fatte oppgaver11,12,13. Et alternativ er å bruke visuelle stikkord for å informere om å ta tak i det samme objektet med forskjellige grep typer14,15,16,17. Mer nylig har nå og gripe bevegelser blitt studert sammen (dvs. nå flere posisjoner og forstå med ulike grep typer i en eksperimentell økt)18,19,20, 21,22,23,24,25,26,27,28,29. Tidlige eksperimenter har presentert objekter manuelt, noe som uunngåelig fører til lav tid og romlig presisjon20,21. For å forbedre eksperimentell presisjon og lagre arbeidskraft, har automatisk presentasjons enheter styrt av programmer blitt mye brukt. For å variere målposisjonen og grep typen, har forskere eksponert flere objekter samtidig, men den relative (eller absolutte) plasseringen av mål og grep typene er bundet sammen, noe som fører til stive skyte mønstre gjennom lang tids trening22 ,27,28. Objekter er vanligvis presentert i et 2D-plan, som begrenser mangfoldet av nå bevegelse og nevrale aktivitet19,25,26. Nylig har Virtual Reality24 og robot arm23,29 blitt innført for å presentere objekter i 3D-rom.
Presentert her er detaljerte protokoller for å bygge og bruke et automatisert apparat30 som kan oppnå en kombinasjon av flere målposisjoner og grep typer i 3D-rom. Vi designet en snu tabellen for å bytte objekter og 3D translational enhet for å transportere snu bordet i 3D-rom. Både dreiebordet og translational enheten drives av uavhengige motorer. I mellomtiden er 3D-banen for motivet håndleddet og nevrale signaler registrert samtidig gjennom eksperimentet. Apparatet gir en verdifull plattform for studiet av øvre lem funksjon i rhesus ape.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alle atferdsmessige og kirurgiske prosedyrer likedannet til guide for omsorg og bruk av laboratorium Animals (Kina Helsedepartementet) og ble godkjent av Animal Care Committee ved Zhejiang University, Kina.
1. montere 3D translational-enheten
- Bygg en ramme av størrelse 920 mm x 690 mm x 530 mm med aluminiumskonstruksjon skinner (tverrsnitt: 40 mm x 40 mm).
- Sikre fire sokler til de to endene av Y-skinnene med skruer (M4) (figur 1B).
- Fest to Y-skinner på den øverste overflaten av rammen parallelt ved å feste de fire sokler til de fire hjørnene på den øverste overflaten med skruer (M6) (figur 1B).
- Koble to Y-skinner med en forbindelses aksel og to membran koblinger. Stram låseskruene på koblinger for å synkronisere aksler av to skinner (figur 1B).
- Sett seks nøtter (M4) inn i bakre spor av Z-rail. Fest den ene siden av den høyre trekant RAM men til baksiden av Z-skinnen med skruer.
- Trekk den trekantede rammen til enden som er i front til skaftet og stram til skruene. Fest den andre høyre trekant RAM men til den andre Z-skinnen på samme måte (figur 1C).
- Fest de andre høyre vinklede sidene av to trekant RAM mer til glidebryterne på to Y-skinner med skruer (M6) (figur 1C).
- Koble til to Z-skinner med en forbindelses aksel-og membran koblinger, og stram låseskruene på koplingen (figur 1C).
- Fest de to T-formede forbindelsesplatene til baksiden av X-skinnen med muttere og skruer (M4). Deretter trekker de to T-formede platene til de to endene av X-Rail og stram skruene (figur 1d).
- Fest de to T-formede forbindelses brettene på glidebryterne med to Z-skinner med skruer (M6), henholdsvis (figur 1d).
- Sett trå motoren inn i aksel hullet på gir beholderen og skru sammen flenser (figur 1e).
- Fest forbindelses ringen til akselenden av den aktive X-skinnen med skruer (M4).
- Sett akselen til X-Rail inn i koplingen og fest gir beholderen til forbindelses Ringen med skruer (M4). Stram til låseskruene på koplingen (figur 1e).
- Fest de to andre trå motorene og gir reduksjonsgir til den aktive Y-skinnen og Z-skinnen ved hjelp av metodene beskrevet i trinn 1.11 – 1.12.
- Sett strøm-og kontrollkablene til de tre stepping-motorene på strøm-og kontroll portene til driverne, henholdsvis, og fest kablene med skruene på driver siden.
2. montering av dreiebordet
- Last ned. DWG design filer fra supplerende filer av dette papiret. Forbered objekter, mental aksel, finne bar, Rotator og tilfelle ved 3D-utskrift eller mekanisk prosessering.
- Sett trykk sensorene inn i sporet på objekt legemet og fest dem på de forhåndsdefinerte berørings områdene med dobbeltsidig tape (figur 2b).
Merk: hvert objekt består av fire delkomponenter: en backboard, objekt kropp med Groove inni, dekk bord og berørings sensorer. - Pass ledningene gjennom hullet i objektet backboard og fest dekselet på objekt huset med skruer (figur 2b).
- Pass ledninger av touch sensorer gjennom hullene på sidene av Rotator og Fest objekter på Rotator med skruer. (Figur 2C).
- Lodde trådendene av touch sensorer til den roterende wire endene av den elektriske slip ringen og vikle leddene med elektrisk tape (figur 2D).
- Fest etuiet til glidebryteren på X-skinnen med skruer. Plasser lageret i det nederste hullet i esken og fest feste feltet til den øverste overflaten av kabinettet med skruer (figur 2e).
- Plasser Rotator i saken fra side, samtidig aksene av Rotator, peiling og eske. Pass ledningene av den elektriske slip ringen gjennom det øverste hullet i saken (figur 2F).
- Sett metall akselen inn i lageret fra topp hullet i etuiet og Monter aksel nøkkelen til kilespor i Rotator (figur 2g).
- Sett den elektriske slip ringen rundt metall akselen. Plasser slutten av å finne bar inn i hakket av elektrisk slip ring for å hindre den ytre ringen fra roterende (figur 2g).
- Sett akselen av stepping motor inn i hullet av metall aksel og sikre motoren på toppen av esken med skruer. (Figur 2h).
- Sett inn strøm-og kontrollkablene til motoren i strøm-og kontroll portene på driveren og fest dem med skruer.
- Stick en tricolor LED (RGB) på forsiden av saken med tape og fikse høyre side bord på saken.
3. oppsett av styre systemet
- Sett inn retningen og puls kontroll ledningene til de fire motor førerne i de digitale I/O-portene (pins 81, 83, 85, 87) og digitale mot porter (pins 89, 91, 93, 95) for datainnsamlings kortet (DAQ). Fest ledningene med skruer.
- Sett inn kontroll ledningene til LED (grønn farge som brukes for "Go" Cue, blå farge som brukes for "feil" Cue, og rød farge representerer inaktiv) i den digitale I/O-porter (PIN 65 og 66) av DAQ kortet og sikre dem med skruer.
- Sett utgangs ledningene av touch sensorer og bryter knappen inn i digitale I/O-porter (PIN 67 – 77) av DAQ styret og fest ledningene med skruer.
- Sett start-stopp og retningskontroll ledningene til den peristaltisk pumpen inn i de digitale I/O-pinnene 1 og 80, henholdsvis. Sett strømnings hastighetskontroll ledningen inn i den analoge I/u-porten AO2. Fest ledningene med skruer.
- Sett opp et bevegelses opptakssystem som beskrevet av produsenten for å registrere hånd banen i 3D-rom.
Merk: et kommersielt bevegelses opptakssystem (se tabell over materialer) ble brukt, som består av åtte kameraer, en strøm hub, en Ethernet-svitsj og en støtteprogramvare (for eksempel cortex). Se håndboken for å få mer informasjon om oppsett av systemet. - Setup et nevrale signal oppkjøpet system som beskrevet av produsenten for å spille inn elektrofysiologi signal fra motivet.
Merk: et kommersielt datainnsamlingssystem (tabell av materialer) ble brukt, som består av et nevrale signal prosessor (NSP), front-end forsterker (FEA), forsterker strømforsyning (ASP), Head stadier, og dens støtteprogramvare (f. eks Central). Se i håndboken hvis du vil ha mer informasjon om systemoppsettet.
4. utarbeidelse av eksperimentell økt
- Initialiser 3D translational enheten og dreiebordet. Nærmere bestemt trekke glidere av alle lineære Slide rail til startpunktet (nedre venstre hjørne) og snu det første objektet (dvs. vertikalt plassert håndtak) av snu tabellen til ansikt forsiden av snu bordet.
- Slå på eksperimentelle enheter, inkludert motion capture-systemet, nevrale signal oppkjøp, DAQ Board, peristaltisk pumpe, og fire motorer.
- Oppsett av paradigme programvaren (figur 3a).
- Dobbeltklikk paradigmet. exe å åpne paradigmet programvare (tilgjengelig på forespørsel).
- Definer nummeret på de nådde posisjonene og deres 3D-koordinater (x, y og z, i millimeter) i forhold til utgangsposisjonene (trinn 4,2).
- Skriv koordinater for alle posisjoner i form av matrise i et. txt-dokument. Kontroller at hver rad inneholder x-, y-og z-koordinatene til én plassering atskilt med et mellomrom. Lagre txt dokumentet.
- Klikk Åpne fil i Pool panel av paradigme programvare og velg. txt dokumentet lagret før å laste presentasjonen stillinger i paradigmet programvare.
Merk: i denne studien ble åtte mål stillinger satt i henhold til dyrets rekkevidde, som er plassert på toppunktene i et Cuboid arbeidsområde9,10 (90 mm x 60 mm x 90 mm). - Sjekk objektene som skal presenteres i eksperimentet i objektet Pool av paradigme programvare.
- Juster eksperimentelle parametre i tidsparametere panel av paradigme programvare. Angi opprinnelig plan = 400 MS, motor Run = 2 000 MS, planlegging = 1 000 MS, Max reaksjonstid = 500 MS, maks rekkevidde tid = 1 000 MS, min hold tid = 500 MS, belønning = 60 MS, og Error Cue = 1 000 MS.
- Seat rhesus ape (med en mikro-elektrode array implantert i motor cortex) på ape stolen ved å sette inn kragen i sporet av stolen og fikse hodet.
- Fest ape stolen til aluminiums konstruksjonen ramme. Hold hodet 250 mm unna forsiden av Cuboid og hold øynene 50 mm over oversiden av Cuboid arbeidsområde (horisontal visuell vinkel: 20 °; vertikal visuell vinkel: 18 °).
- Konstruere en sporingsmal av motion capture-systemet.
- Fest tre reflekterende markører på slutten av armen (nær håndleddet) med dobbeltsidig tape. Kontroller at de tre markørene danner en scalene trekant.
- Klikk på Kjør -knappen av paradigmet programvare for å starte oppgaven.
- Klikk på Record -knappen på motion capture panel av cortex programvare for å spille inn baner av tre markører for 60 s når apekatten gjør oppgaven. Klikk på Stopp -knappen for å suspendere eksperimentet.
- Bygg en sporingsmal med tre markører på cortex-programvaren ved å bruke den innspilte baner og lagre malen.
Merk: Se manualen for cortex for å få mer informasjon om hvordan du bygger en modell.
- Koble GND portene på FEA og mikro-elektrode array implantert i Monkey ' s motor cortex med en wire og klype cocks. Sett deretter hodet stadier inn i kontakten på mikro-elektrode array31.
- Åpne Central programvare av nevrale signal oppkjøpet system og sette innspillingen parametre inkludert lagring bane, linje støykansellering, Spike filter, Spike terskel, etc.
Merk: Vennligst referer til manualen for nevrale signal oppkjøpet system for mer informasjon om programvareinnstilling. - Åpne synkroniseringsprogramvaren (figur 3b, tilgjengelig på forespørsel). Klikk på tre Koble knappene i Cerebus, motion capture, og paradigme paneler for å koble synkroniseringen programvare med nevrale signal oppkjøpet system, motion capture system og paradigme programvare, henholdsvis.
- Klikk på Kjør -knappen av paradigmet programvare for å fortsette eksperimentet.
- Klikk på Record -knappen på filen Storage panel of Central programvare for å starte innspillingen av nevrale signaler.
- Sjekk den lagrede sporingsmalen og klikk på Record -knappen på motion capture panel av cortex programvare for å starte innspillingen banen Monkey ' s håndleddet.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Størrelsen på hele arbeidsområdet til apparatet er 600 mm, 300 mm, og 500 mm i henholdsvis x-, y-og z-akser. Den maksimale belastningen på 3D translational-enheten er 25 kg, mens dreiebordet (inkludert trå motoren) er vektet 15 kg og kan transporteres med en hastighet på opptil 500 mm/s. Den Kinematisk presisjonen til 3D translational-enheten er mindre enn 0,1 mm, og støyen fra apparatet er mindre enn 60 dB.
For å demonstrere nytten av systemet, er apen trent (tidligere trent i en nå oppgave) å gjøre en forsinket rekkevidde-å-gripe oppgave med systemet30. Ved hjelp av prosedyren presentert ovenfor, den paradigme programvaren automatisk presenterer atferdsdata eksperimentet rettssaken ved prøving (~ 500 forsøk per økt). Spesielt må apekatten starte en rettssak (Figur 4) ved å trykke på knappen og holde den før "Go" Cue. Som et første skritt ("motor Run" fase), den 3D translational enheten transporterer snu bordet til en pseudo tilfeldig valgt posisjon, og på samme tid, vil snu tabellen også rotere for å presentere en pseudo tilfeldig valgt objekt. Denne motoren kjøre fase varer 2 s og alle fire motorer (tre i 3D translational enheten og en i snu bordet) start og stopp på samme tid. Motoren kjøre fase etterfølges av en "planlegging" fase (1 sekund), der apekatten planlegger følgende bevegelse. Når den grønne LED ("Go" Cue) slås på, skal apen slipper knappen, komme inn i snu bordet og ta tak i objektet med tilsvarende grep type så snart som mulig (maksimal reaksjonstid = 0,5 s; maksimal bevegelsestid = 1 s). Apen mottar en vann belønning etter et minimum hold tid på 0,5 s. En prøve er avbrutt, og den blå LED slår på hvis ape utgivelser knappen før "Go" Cue eller ikke slipper knappen innen maksimal reaksjonstid etter stikkordet.
Synkroniseringen programvare mottar begivenhet etiketter (e.g., knapp opp på, gå stikkordet, knapp av, etc., skikkelsen 4) fra paradigme programvare og en "starte-fortegnelse" avmerke fra forslag fange system, så sender seg å nevrale signal oppkjøpet system inne virkelig-tid under eksperimentet. Alle etikettene er lagret med nevrale signaler, men banen av håndleddet er lagret i en egen fil. Å justere nevrale signaler og bane i tid, tidsstempelet av "Start-Record" etiketten ble tatt som den av den første prøven på banen, deretter inkrementelle tidsstempler ble tildelt for de andre prøvene i henhold til bildefrekvensen av motion capture system. Figur 3 viser de tids justerte arrangements etikettene, banen til håndleddet og eksempel neuronal aktivitet.
Banen til håndleddet i løpet av den nådde fasen i alle vellykkede forsøk ble trukket ut og delt dem inn i åtte grupper basert på målposisjoner (figur 5). For hver gruppe av baner, gjennomsnittlig verdier og 95% sikkerhet intervaller på hver timepoint ble beregnet. Banen plottet i figur 5 viser at endene av åtte grupper av banen danner en Cuboid, som har samme størrelse som den forhåndsdefinerte Cuboid arbeidsområde (trinn 4.3.4). Den peristimulus tid histogram (PSTH) for enkelt Nevron ble plottet med hensyn til å nå posisjon og objekt, henholdsvis. Pigg togene i vellykkede forsøk var binned med et glidende vindu på 50 MS og glattet med en Gaussian kernel (σ = 100 MS). Gjennomsnittsverdiene og 95% av sikkerhets intervallene for hver gruppe ble beregnet av bootstrap-metoden (n = 2 000). Figur 6 viser PSTHs av to eksempel neurons tuning både nå posisjon og objekter. Den Nevron i figur 6a viser betydelige selektivitet under den nå og holder faser, mens Nevron i figur 6b begynner å tune posisjoner og gjenstander fra midten av "motor Run" fase.
Figur 1: trinnvise instruksjoner for 3D-translational enhets samling.
I-I X-Rail, I-III Y-rail, I-II Z-rail, II tilkobling sjakter, III stepping Motors, IV planetariske Gear reduksjonsgir, V kobler ringer, VI membran koblinger, VII sokler, VIII T-formet tilkobling boards, IX høyre trekant rammer. (A) materialene for den translational enheten heten. (B) bygge rammen og montere Y-skinnene (trinn 1.1 – 1.4). (C) festing av to Z-skinner på Y-skinner (trinn 1.5 – 1.7). (D) festing X-Rail på Z-Rails (trinn 1,8 og 1,9). (E) installasjon av trå motor og gir recuder (trinn 1,10 og 1,11). (F) ferdig montert 3D translational enhet (trinn 1,12 og 1,3). Vennligst klikk her for å se en større versjon av dette tallet.
Figur 2: trinnvise instruksjoner for den snu tabellsamlingen.
(A) materialer for å snu tabellen forsamlingen. (B) montering av objekter og installering av berørings sensorer (trinn 2,2). (C) sikring av objekter på Rotator (trinn 2,3). (D) koble ledninger av sensorer til elektrisk slip ring (trinn 2,4). (E) installere basen på 3D translational enhet og plassere finne bar og peiling (trinn 2,5). (F) putting Rotator inn i saken (trinn 2,6). (G) Monter akselen og den elektriske slip ringen (trinn 2,7 og 2,8). (H) installering av trå motoren (trinn 2,9). Vennligst klikk her for å se en større versjon av dette tallet.
Figur 3: det grafiske brukergrensesnittet til paradigmet og synkronisering programvare.
(A) en skreddersydd LabView program for å kontrollere atferdsdata oppgaven. (B) en skreddersydd-laget c + + program for å kommunisere med paradigmet programvare, nevrale signal oppkjøpet system, og Motion Capture system. Vennligst klikk her for å se en større versjon av dette tallet.
Figur 4: tids justerte data i en vellykket prøveversjon.
Alle hendelses beregningene, Håndledds baner (X, Y og Z) og neuronal aktivitet (eksempel enhet 1 – 3) ble registrert samtidig. De korte svarte linjene i den øverste raden er hendelses etikettene. "Button on" viser tidspunktet da apen trykket ned knappen; "Posisjons indeks" er et tall fra 1 – 8 som angir hvilken rekkevidde posisjon som vises. "Object index" er et tall fra 1 – 6 som angir hvilket objekt som presenteres. "Motor on" indikerer starttiden for fire motorer. "Motor off" indikerer deres stopp tid; "Go Cue" indikerer øyeblikket når den grønne LED låter på; "Button off" indikerer øyeblikket når apen slipper knappen; "Touch on" indikerer øyeblikket når berørings sensorene i objektet registrerer hånden. "Belønning på" indikerer øyeblikket når pumpen begynner å levere vann belønning og representerer slutten av en rettssak. "Button on", "position index", og "Object index" etiketter lagres suksessivt i en svært kort tid i begynnelsen av en rettssak. Rad 2 – 4 (merket med X, Y og Z) plotte banen til håndleddet i 3D innspilt av motion capture-systemet. Rad 5 – 7 (merket med Unit 1, 2 og 3) viser Spike togene i tre eksempel neurons innspilt av nevrale signal oppkjøpet system. Den nederste raden viser tidslinjen for en fullstendig prøveversjon som er delt inn i seks faser basert på hendelses etiketter. Vennligst klikk her for å se en større versjon av dette tallet.
Figur 5: baner av håndleddet registrert av motion capture-systemet.
Alle vellykkede forsøk er delt inn i åtte grupper i henhold til målposisjoner (merket med bokstaven A til H). Hver heltrukne linje er en gjennomsnittlig bane for én gruppe, og skyggen representerer variansen i baner. Dette tallet er endret fra en tidligere studie30. Vennligst klikk her for å se en større versjon av dette tallet.
Figur 6: PSTHs av to eksempel neurons (A og B).
De loddrette stiplede linjene fra høyre til venstre i rekkefølge er motor on, motor av, Go Cue on, Button off og touch on. Hver heltrukket linje (i forskjellige farger) i PSTH representerer en gjennomsnittlig skuddhastighet på tvers av forsøk mot én mål posisjon, og skyggen representerer 95% sikkerhets intervaller (bootstrap, 2 000 ganger). For både A og B, den øvre og nedre panelene viser PSTH med hensyn til ulike posisjoner og objekter, henholdsvis. Vennligst klikk her for å se en større versjon av dette tallet.
Tilleggsfiler. Vennligst klikk her for å laste ned filene.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Det opptreden apparater er beskrevet her over setter i forbindelse med en prøve-klok kombinasjonen av annerledes rekkevidde og griper bevegelser (i.e., det apekatt kanne begripe annerledes formet emner dersom noe vilkårlig 3D plasseringene inne hver prøve). Dette oppnås gjennom kombinasjonen av en tilpasset snu tabell som bytter forskjellige objekter og en lineær translational enhet som transporterer snu tabellen til flere posisjoner i 3D-rom. I tillegg er det nevrale signaler fra ape, bane av håndleddet, og hånd figurer kunne bli registrert og synkronisert for nevrofysiologiske forskning.
Apparatet, som inkluderer separat drevet 3D translational enhet og dreiebord, presenterer flere målposisjoner og objekter uavhengig. Det vil si at alle forhåndsdefinerte posisjoner og objekter ble kombinert vilkårlig, noe som er viktig i å studere multivariabel koding14,25,28. Tvert imot, hvis objektet som skal grep er knyttet til posisjon (for eksempel, objektet er festet på et panel), er det vanskelig å avgjøre om en enkelt Nevron Tunes et objekt eller posisjon18,27,32. Videre presenterer apparatet objekter i 3D-rom i stedet for på et 2D-plan19,27, som aktiverer flere neurons med romlig modulering.
Den boltet forbindelse er mye brukt mellom delkomponenter av apparatet, noe som resulterer i høy expansibility og fleksibilitet. Ved å designe form av objekter og plassering av touch sensorer, et stort antall grep typer ble nettopp indusert og identifisert. Den 3D translational enheten kan flytte noen Delkomponenten mindre enn 25 kg i 3D-rom og er kompetent for de fleste oppgaver som involverer romlig forskyvning. Videre, selv om apparatet ble designet for å trene rhesus ape (Macaca mulatta), på grunn av den justerbare rekkevidden av 3D translational enheten, er det også kompetent for andre primater med lignende eller større kroppsstørrelser eller til og med mennesker.
En stor bekymring for atferdsdata oppgaven kombinere nå og gripe bevegelsen er om hånd holdning er forskjellig på tvers av ulike nå posisjoner selv om Monkey griper objekt med samme grep type. Selv nå og fatte er generelt ansett som to forskjellige bevegelser, deres effekt Orer (arm og hånd) er koblet til. Dermed er det uunngåelig at den nå bevegelsen samhandler med å fatte. Ifølge observasjonene i dette eksperimentet endret Monkey håndleddet vinkel litt når fatte det samme objektet i ulike posisjoner, men vesentlige forskjeller i hånden holdning ble ikke observert.
En potensiell begrensning av apparatet er at det eksperimentelle rommet ikke er helt mørkt på grunn av infrarødt lys fra Motion Capture-systemet. Apekatten kan se målobjektet gjennom hele stien, noe som fører til uønsket tuning før planleggingsperioden. For å kontrollere visuell tilgang til et objekt, kan en valgbar glass styrt av paradigme programvaren plasseres mellom hodet og apparatet. Den valgbar glass er ugjennomsiktig under Baseline og planlegging faser og svinger gjennomsiktig etter "Go" Cue. På denne måten styres den visuelle informasjonen nøyaktig. På samme måte kan hvit støy brukes til å maskere motoren kjører lyd, noe som hindrer ape fra å identifisere objektets plassering av lyden av motoren. En annen begrensning av apparatet er at bevegelsen av fingrene ikke kan spores. Dette er fordi apen må nå hånden inn i snu bordet for å gripe objektet, som blokkerer kameraene fra å fange merker på hånden.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har ingenting å avsløre.
Acknowledgments
Vi takker Mr. Shijiang Shen for hans råd om apparat design og MS Guihua Wang for hennes hjelp med dyr omsorg og opplæring. Dette arbeidet ble støttet av National Key forsknings-og utviklings program i Kina (2017YFC1308501), National Natural Science Foundation i Kina (31627802), den offentlige prosjekter i Zhejiang-provinsen (2016C33059), og de grunnleggende forskningsmidler for Sentrale universiteter.
Materials
| Name | Company | Catalog Number | Comments |
| Active X-rail | CCM Automation technology Inc., China | W50-25 | Effective travel, 600 mm; Load, 25 kg |
| Active Y-rail | CCM Automation technology Inc., China | W60-35 | Effective travel, 300 mm, Load 35 kg |
| Active Z-rail | CCM Automation technology Inc., China | W50-25 | Effective travel, 500 mm; Load 25 kg |
| Bearing | Taobao.com | 6004-2RSH | Acrylic |
| Case | Custom mechanical processing | TT-C | Acrylic |
| Connecting ring | CCM Automation technology Inc., China | 57/60-W50 | |
| Connecting shaft | CCM Automation technology Inc., China | D12-700 | Diam., 12 mm;Length, 700 mm |
| Diaphragm coupling | CCM Automation technology Inc., China | CCM 12-12 | Inner diam., 12-12mm |
| Diaphragm coupling | CCM Automation technology Inc., China | CCM 12-14 | Inner diam., 14-12mm |
| Electric slip ring | Semring Inc., China | SNH020a-12 | Acrylic |
| Locating bar | Custom mechanical processing | TT-L | Acrylic |
| Motion capture system | Motion Analysis Corp. US | Eagle-2.36 | |
| Neural signal acquisition system | Blackrock Microsystems Corp. US | Cerebus | |
| NI DAQ device | National Instruments, US | USB-6341 | |
| Object | Custom mechanical processing | TT-O | Acrylic |
| Passive Y-rail | CCM Automation technology Inc., China | W60-35 | Effective travel, 300 mm; Load 35 kg |
| Passive Z-rail | CCM Automation technology Inc., China | W50-25 | Effective travel, 500 mm; Load 25 kg |
| Pedestal | CCM Automation technology Inc., China | 80-W60 | |
| Peristaltic pump | Longer Inc., China | BT100-1L | |
| Planetary gearhead | CCM Automation technology Inc., China | PLF60-5 | Flange, 60×60 mm; Reduction ratio, 1:5 |
| Right triangle frame | CCM Automation technology Inc., China | 290-300 | |
| Rotator | Custom mechanical processing | TT-R | Acrylic |
| Servo motor | Yifeng Inc., China | 60ST-M01930 | Flange, 60×60 mm; Torque, 1.91 N·m; for Y- and Z-rail |
| Servo motor | Yifeng Inc., China | 60ST-M01330 | Flange, 60×60 mm; Torque, 1.27 N·m; for X-rail |
| Shaft | Custom mechanical processing | TT-S | Acrylic |
| Stepping motor | Taobao.com | 86HBS120 | Flange, 86×86 mm; Torque, 1.27 N·m; Driving turning table |
| Touch sensor | Taobao.com | CM-12X-5V | |
| Tricolor LED | Taobao.com | CK017, RGB | |
| T-shaped connecting board | CCM Automation technology Inc., China | 110-120 |
References
- Leone, F. T., Monaco, S., Henriques, D. Y., Toni, I., Medendorp, W. P. Flexible Reference Frames for Grasp Planning in Human Parietofrontal Cortex. eNeuro. 2 (3), (2015).
- Caminiti, R., et al. Early coding of reaching: frontal and parietal association connections of parieto-occipital cortex. European Journal of Neuroscience. 11 (9), 3339-3345 (1999).
- Georgopoulos, A. P., Schwartz, A. B., Kettner, R. E. Neuronal population coding of movement direction. Science. 233 (4771), 1416-1419 (1986).
- Fu, Q. G., Flament, D., Coltz, J. D., Ebner, T. J. Temporal encoding of movement kinematics in the discharge of primate primary motor and premotor neurons. Journal of Neurophysiology. 73 (2), 836-854 (1995).
- Moran, D. W., Schwartz, A. B. Motor cortical representation of speed and direction during reaching. Journal of Neurophysiology. 82 (5), 2676-2692 (1999).
- Carmena, J. M., et al. Learning to control a brain-machine interface for reaching and grasping by primates. PLoS Biology. 1 (2), E42 (2003).
- Li, H., et al. Prior Knowledge of Target Direction and Intended Movement Selection Improves Indirect Reaching Movement Decoding. Behavioral Neurology. , 2182843 (2017).
- Reina, G. A., Moran, D. W., Schwartz, A. B. On the relationship between joint angular velocity and motor cortical discharge during reaching. Journal of Neurophysiology. 85 (6), 2576-2589 (2001).
- Taylor, D. M., Tillery, S. I., Schwartz, A. B. Direct cortical control of 3D neuroprosthetic devices. Science. 296 (5574), 1829-1832 (2002).
- Wang, W., Chan, S. S., Heldman, D. A., Moran, D. W. Motor cortical representation of hand translation and rotation during reaching. Journal of Neuroscience. 30 (3), 958-962 (2010).
- Murata, A., Gallese, V., Luppino, G., Kaseda, M., Sakata, H. Selectivity for the shape, size, and orientation of objects for grasping in neurons of monkey parietal area AIP. Journal of Neurophysiology. 83 (5), 2580-2601 (2000).
- Raos, V., Umiltá, M. A., Murata, A., Fogassi, L., Gallese, V. Functional Properties of Grasping-Related Neurons in the Ventral Premotor Area F5 of the Macaque Monkey. Journal of Neurophysiology. 95 (2), 709 (2006).
- Schaffelhofer, S., Scherberger, H. Object vision to hand action in macaque parietal, premotor, and motor cortices. eLife. 5, (2016).
- Baumann, M. A., Fluet, M. C., Scherberger, H. Context-specific grasp movement representation in the macaque anterior intraparietal area. Journal of Neuroscience. 29 (20), 6436-6448 (2009).
- Riehle, A., Wirtssohn, S., Grun, S., Brochier, T. Mapping the spatio-temporal structure of motor cortical LFP and spiking activities during reach-to-grasp movements. Frontiers in Neural Circuits. 7, 48 (2013).
- Michaels, J. A., Scherberger, H. Population coding of grasp and laterality-related information in the macaque fronto-parietal network. Scientific Reports. 8 (1), 1710 (2018).
- Fattori, P., et al. Hand orientation during reach-to-grasp movements modulates neuronal activity in the medial posterior parietal area V6A. Journal of Neuroscience. 29 (6), 1928-1936 (2009).
- Asher, I., Stark, E., Abeles, M., Prut, Y. Comparison of direction and object selectivity of local field potentials and single units in macaque posterior parietal cortex during prehension. Journal of Neurophysiology. 97 (5), 3684-3695 (2007).
- Stark, E., Asher, I., Abeles, M. Encoding of reach and grasp by single neurons in premotor cortex is independent of recording site. Journal of Neurophysiology. 97 (5), 3351-3364 (2007).
- Velliste, M., Perel, S., Spalding, M. C., Whitford, A. S., Schwartz, A. B. Cortical control of a prosthetic arm for self-feeding. Nature. 453 (7198), 1098-1101 (2008).
- Vargas-Irwin, C. E., et al. Decoding complete reach and grasp actions from local primary motor cortex populations. Journal of Neuroscience. 30 (29), 9659-9669 (2010).
- Mollazadeh, M., et al. Spatiotemporal variation of multiple neurophysiological signals in the primary motor cortex during dexterous reach-to-grasp movements. Journal of Neuroscience. 31 (43), 15531-15543 (2011).
- Saleh, M., Takahashi, K., Hatsopoulos, N. G. Encoding of coordinated reach and grasp trajectories in primary motor cortex. Journal of Neuroscience. 32 (4), 1220-1232 (2012).
- Collinger, J. L., et al. High-performance neuroprosthetic control by an individual with tetraplegia. The Lancet. 381 (9866), 557-564 (2013).
- Lehmann, S. J., Scherberger, H. Reach and gaze representations in macaque parietal and premotor grasp areas. Journal of Neuroscience. 33 (16), 7038-7049 (2013).
- Rouse, A. G., Schieber, M. H. Spatiotemporal distribution of location and object effects in reach-to-grasp kinematics. Journal of Neuroscience. 114 (6), 3268-3282 (2015).
- Rouse, A. G., Schieber, M. H. Spatiotemporal Distribution of Location and Object effects in Primary Motor Cortex Neurons during Reach-to-Grasp. Journal of Neuroscience. 36 (41), 10640-10653 (2016).
- Hao, Y., et al. Neural synergies for controlling reach and grasp movement in macaques. Neuroscience. 357, 372-383 (2017).
- Takahashi, K., et al. Encoding of Both Reaching and Grasping Kinematics in Dorsal and Ventral Premotor Cortices. Journal of Neuroscience. 37 (7), 1733-1746 (2017).
- Chen, J., et al. An automated behavioral apparatus to combine parameterized reaching and grasping movements in 3D space. Journal of Neuroscience Methods. 312, 139-147 (2019).
- Zhang, Q., et al. Development of an invasive brain-machine interface with a monkey model. Chinese Science Bulletin. 57 (16), 2036 (2012).
- Hao, Y., et al. Distinct neural patterns enable grasp types decoding in monkey dorsal premotor cortex. Journal of Neural Engineering. 11 (6), 066011 (2014).
