研究脑机接口的闭环性能的实验平台
2011年3月10日
我们使用一个闭环飞人机界面，探讨神经元控制的一般原则。
我们利用果蝇大脑中视觉中间神经元 H one 细胞的活动来控制移动机器人的电机。机器人被放置在一个不断旋转的转盘上，单元的活动用于稳定机器人相对于环境免受外部运动的影响。从机器人记录的图案运动图像被采样并发送到位于苍蝇前面的两个计算机 CRT 监视器。
以每秒尖峰数为单位测量的 H one cell 的信号表示花样运动的速度。然后应用不同的控制定律，将记录的每秒尖峰转换为机器人电机的控制信号。大家好，我是来自伦敦帝国理工学院生物工程系 Holger Crops 实验室的 Navita Josh。
我是 Chris Peterson，同样来自 Holger Cups Lab。大家好，我是 Holger Cup。今天，我们将向您展示在苍蝇视觉系统中的单个细胞和机器人之间创建脑机接口的程序。
我们使用该程序来测试使用神经元信号在闭合唇条件下控制机器人系统的不同控制策略的性能。那么让我们开始吧。要开始准备苍蝇，请在冰上冷却，然后使用钝的鸡尾酒棒按住翅膀，并将苍蝇的背面固定在显微镜上的一块双面胶带上 接下来，使用 B 蜡将翅膀连接到载玻片上，并阻止飞行马达的动作。
此步骤需要快速准确的处理，以免果蝇在手术过程中变热。现在，在显微镜下，用镊子握住每条腿，用一把小剪刀在最靠近身体的关节处剪断它们。对长鼻重复此作。
为防止苍蝇变干，必须用蜡密封孔。接下来，切掉其中一个翅膀，然后将苍蝇侧翻。离开 katra 时去除任何剩余的翅膀碎片，覆盖 Hal 撕裂并用蜡密封孔。
对另一个机翼重复此过程。为了以定义的方式刺激目标神经元，苍蝇的头部必须与计算机显示器正确对齐。为此，您需要一个定制的支架，该支架为苍蝇的身体提供宽阔的空间，一端有一个附件，上面有一个缺口，苍蝇的脖子将被放置在该位置。
将门襟放在支架上，脖子在槽口中，将其向下压，同时将腹部粘合到位。现在，将苍蝇架放在支架上，以便您可以通过显微镜看到苍蝇头部的前部。用红光观察苍蝇，每只眼睛都可以看到称为伪瞳孔的光学现象。
如果伪瞳孔呈现某种形状，那么苍蝇头部的方向就完美定义了。使用微型机械手正确定位苍蝇的头部，然后用蜡将其粘在支架上。接下来，将胸部压平并将其打蜡到支架上。
这允许打开后头囊，以便将电极插入 fly Brain，使用微型手术刀或细注射针小心地在右头囊的角质层上切出一个窗口。小心不要切开角质层正下方的神经组织。去除角质层后，加入几滴林格溶液。
使用镊子去除可能覆盖 LOA 板的任何浮毛、脂肪沉积或肌肉组织。LOA 板可以通过覆盖其后表面的银色气管的特征性分支模式来识别。在左后头胶囊的角质层上切一个小孔，用于定位准备好飞扬的参比电极。
让我们看看如何定位记录电极。记录电极必须放置在靠近 H one 神经元的位置。H one 神经元主要响应呈现给其感受野的水平后向前运动。
要定位记录电极，请使用气管作为视觉地标。最初将电极放在最上部的气管之间。它有助于使用音频放大器将记录的电势转换为声学信号。
每个单独的尖峰都变成了一个独特的咔嗒声。电极越靠近单个神经元，咔嗒声就越清晰。要通过其运动偏好来识别 H one 神经元，请用水平方向的运动刺激它。
记录电极就位后，让我们继续进行视觉刺激和记录。首先，在两个 CRT 计算机显示器前面放置一只苍蝇。由于苍蝇视觉系统的速度比人类快 10 倍，因此监视器必须显示每秒 200 帧的位置。
显示器的中心相对于苍蝇方向呈正负 45 度。从苍蝇眼赤道上看，每个显示器在水平面上呈正负 25 度的角度，在垂直平面上呈正负 19 度的角度。计算机监视器的输入由安装在小型两轮 SRO 机器人上的两个摄像机提供，该机器人已针对实验进行了修改。
将机器人放置在转盘上圆柱形区域内，该区域的墙壁上衬有垂直方向的黑白条纹图案。通过在水平面上旋转转盘，机器人的运动被限制在一个自由度内。最初，转盘和机器人都处于静止状态。
当转盘开始移动时，它的旋转将机器人带到同一方向，摄像机记录机器人与竞技场条纹图案之间的相对运动。机器人上的电池供电摄像机安装在正负 45 度的方向上。它们每秒捕获 200 张图像，以匹配飞行日志前计算机显示器的帧速率。
图像以每秒 200 帧的速度呈现给计算机显示器，分辨率为 6 40 x 4 80 灰度。当苍蝇正在观察条纹图案记录的运动时，波段经过过滤。例如，在使用 10 kHz 采样率的数字采集板的 302 kHz 电信号之间，将阈值应用于通过滤波的电信号带，以将尖峰与背景活动分开。
因果半高斯滤波器与尖峰进行卷积，以获得 H one 细胞的平滑尖峰活动估计，以闭合脑机界面的回路。使用控制算法将 H one cell 的尖峰速率转换为机器人速度，通过蓝牙接口反馈，以控制驱动机器人车轮的两个直流电机。纯符号波被选为转盘的速度曲线。
符号波具有直流偏移，因此转盘仅沿其首选方向刺激 H one 神经元的方向旋转。整个控制系统的设置使得 H one 神经元的刺激导致机器人在正确设置时补偿转盘的移动。当机器人的反向旋转与转盘的旋转相匹配时，就可以实现视觉稳定，从而导致计算机显示器上的模式移动很少或没有。
系统的整体性能取决于用于闭合循环的控制算法。我们测试的第一个算法是比例控制器，其中更新的机器人速度与机器人 omega R 和转盘 Omega P 之间的角速度差成正比。选择转盘信号 omega P 的 KP 和输入频率来测试控制器的性能。
此处显示了 omega P 和 omega R 的样本轨迹，其中 KP 等于 1，omega P 的输入频率为 0.6 赫兹，绿色的机器人跟随蓝色的转盘，有滞后和较小的峰值振幅。刺激 H one 单元的 pattern 运动的水平分量在右侧以红色显示，用于转盘信号。Omega P 在 0.03 到 3 赫兹之间选择，并记录相应的机器人信号 omega R。
两个信号都通过快速的四年变换转换为频域，并在输入频率处计算幅度和相位值。KP 等于 1 的比例控制器的 BO d 幅度图显示了系统在测试输入频率上的响应。控制器的性能通常会随着频率的增加而降低。
1 赫兹的增益略有增加是由于仅使用一个 H one 单元而导致的机器人信号振荡的结果，其动态输出范围主要涵盖水平后向前运动。Bodhi 相位图显示，对于小于 0.6 赫兹的输入频率，控制器相位滞后小于 PI。这表明控制器在小于 0.6 赫兹的频率下是稳定的，而在大于或等于 1 赫兹的输入频率下是不稳定的。
将具有静态 KP 的比例控制器的性能与自适应控制器的性能进行了比较，其中 KP 的值每 50 毫秒更新一次。基于峰值加标率。F max 在时间间隔 T 减去 500 毫秒上计算，以 T.As 大积分时间窗口的结果，比例控制器在测试的参数范围内表现优于自适应控制器，自适应控制器具有与比例控制器相似的相位特性，转台周围的分级模式被移除，实验室环境用作飞行 H 一个细胞的自然视觉输入的近似值。
平均而言，自然视觉输入的 Bodhi 幅度图显示出比分级视觉输入的增益略高，这可能是因为自然视觉图像中空间频率的范围更广。用于分级与自然视觉输入的 Bodhi 期图特征相似。我们刚刚向您展示了如何在细胞、五视觉系统和机器人之间创建一个脑机接口。
在此过程中，有几个关键步骤。首先，打开头囊时避免深切，以免伤脑。其次，小心放置电极，使其仅从我们从 H 1 单元记录的一个单元中记录。
第三，始终保持大脑湿润并防止其干燥。就是这样。感谢您的观看，祝您实验好运。
概述
本研究利用闭环飞脑机接口探索神经元控制原理。通过利用果蝇大脑中H1神经元的活动，研究人员旨在稳定动态环境中的移动机器人。
关键研究组成部分
科学领域
- 神经科学
- 机器人学
- 神经元控制系统
背景
- H1神经元是果蝇大脑中的视觉中间神经元。
- 理解神经元控制可以提高机器人稳定性。
- 闭环系统对于实时调整至关重要。
- 这项研究将生物信号与机器人系统整合。
研究目的
- 探究神经元信号如何控制机器人运动。
- 测试使用H1神经元活动的不同控制策略。
- 创建用于实验分析的脑机接口。
使用的方法
- 准备果蝇进行神经元记录。
- 使用旋转转盘上的移动机器人。
- 记录H1神经元对视觉刺激的反应活动。
- 应用控制法则将神经元峰值转化为电机指令。
主要结果
- H1神经元的活动与机器人的稳定性相关。
- 不同的控制法则产生不同程度的成功。
- 实时调整改善了机器人在动态条件下的性能。
- 该接口有效地连接了生物和机器人系统。
结论
- 神经元信号可以有效用于控制机器人系统。
- 闭环接口为神经元控制提供了宝贵的见解。
- 这项研究为高级脑机接口铺平了道路。
常见问题
Executive Industry Relevance
This experimental platform enables mechanistic de-risking of closed-loop control strategies by linking neuronal signal dynamics to robotic output under real-time feedback conditions. It supports target validation in neuromodulation and neuroprosthetics by quantifying how biological signal variability impacts system stability and performance. The approach provides predictive confidence for translational biomarker alignment in brain-machine interface development.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Interrogates therapeutic hypotheses by testing how H1 neuron activity translates into controlled motor output under closed-loop conditions.
- Operational Value: Enables functional target validation through real-time measurement of neural signal fidelity and system responsiveness.
- Predictive Value: Supports portfolio triage by identifying control laws that stabilize output despite neuronal signal variability.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems (H1 neuron recordings) for downstream screening of control algorithms under standardized visual stimulation.
- Operational Value: Ensures assay reproducibility through spike-rate thresholding and causal filtering to isolate neural signal from background noise.
- Scalability: Supports platform reuse across varying input frequencies and control law parameters for comparative screening.
Translational & Preclinical Research
- Scientific Value: Maintains disease-relevant system fidelity by using naturalistic visual input to approximate complex stimulus environments.
- Operational Value: Enables continuity from discovery through preclinical validation by linking neural activity to quantifiable behavioral output (robot stabilization).
- Risk-Adjusted Advancement: Informs go/no-go decisions by revealing frequency-dependent stability limits of proportional vs. adaptive controllers.
Pipeline & Workflow Integration
The method integrates into the discovery continuum from target validation through lead identification by providing quantitative, closed-loop readouts of neuronal control efficacy.
- Discovery Biology: Supports hypothesis testing and pathway clarification by isolating H1 neuron response to horizontal motion stimuli.
- Screening: Delivers assay readiness and reproducibility via band-pass filtering, thresholding, and half-Gaussian smoothing of spike trains.
- Analytics: Enables condition comparison through frequency-domain transformation (FFT) and Bode plot analysis of gain and phase margins.
- Translational Research: Connects to preclinical continuity by demonstrating how control law selection impacts real-time system stability under dynamic conditions.
- Enterprise Reuse: Functions as a reusable platform for evaluating diverse control strategies using identifiable neuronal signals as inputs.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence by reducing mechanistic ambiguity in how neural signals drive behavioral output.
- Operational Value: Enhances standardization and scalability through precise electrode placement, visual stimulus control, and signal processing pipelines.
- Strategic Value: Improves go/no-go decisions and capital efficiency by identifying control laws that maintain stability across input frequencies.
- Portfolio Impact: Enables risk-adjusted prioritization by revealing performance trade-offs between proportional and adaptive control under varying neural signal dynamics.
Implementation Considerations
- Requires expertise in electrophysiology, robotic control systems, and signal processing for neural signal acquisition and closed-loop feedback.
- Dependent on instrumentation including micro manipulators, digital acquisition boards (≥10 kHz sampling), CRT monitors (200 fps), and Bluetooth-enabled motor control.
- Necessitates cross-team standardization in fly preparation, electrode positioning, and visual stimulus alignment to ensure reproducible H1 neuron recording.
- Involves adaptation considerations when translating findings to other model systems due to species-specific neural dynamics and stimulus response properties.
- Practical limitations include reliance on single-neuron recordings, which may limit dynamic range and increase susceptibility to oscillations at higher frequencies.
