闭环神经机器人实验以测试神经元网络的计算特性

以下实验的总体目标是研究离解神经元构成的生物网络与小型机器人之间的双向相互作用。这种持续的交互可改变神经元系统的计算特性，从而诱导出某种学习行为。该目标通过在微电极阵列上制备神经元培养物来实现，以便在不损害细胞活性的前提下，进行持续数小时的实验记录。

第二步是计算培养物的响应图谱，从而为实际的闭环实验选择刺激电极。接下来，定义编码和解码参数，以实现生物系统与电子系统之间的信息交换。结果表明，在不同控制条件下，通过比较命中之间移动的平均距离，机器人代理的导航能力显著提高。

该方法有助于回答我们工程领域中的关键问题，例如，我们能否建立一种字典，将神经元的语言翻译成机器的语言，反之亦然？通常，初次接触该方法的人员会因实验装置和软件架构的技术复杂性而遇到困难。本次实验操作将由我实验室的博士生 Martha Bizo 进行演示。

第一步是准备一个具有60个电极的微电极阵列（MEA）芯片，用于刺激或记录神经网络。在将神经元培养物接种到MEA芯片上后，需等待约三周时间，直至神经网络成熟。实验当天，将温度控制器设为37摄氏度，并打开MEA下方的加热板，预热MEA加热系统5至10分钟。

同时使用加热盖，并采用经高压灭菌的透气盖覆盖培养物，以减少蒸发，限制蒸发并防止记录期间渗透压发生变化。现在将碳酸氢盐缓冲液持续通入培养物中，以维持稳定的氧气和pH水平。静置培养物30分钟。静置结束后，记录神经元细胞的自发活动30分钟。

然后，通过点击数据记录表单中尖峰区域的记录按钮，将数据保存到文件中。在原始数据展示表单中，找出尖峰数量最多的10个通道，然后在任意一种MEA布局中选择这些通道。

通过将鼠标光标拖动到目标区域来显示编码形式。选择通道后，在MEA布局的任意位置单击右键，然后在弹出菜单中选择“添加到左侧感觉区域”。这些电极将在后续步骤中用于传递电刺激。

接下来，验证刺激器和MEA放大器是否正确连接。每个所需的刺激通道都需要两根导线，此外还需要一根同轴电缆来传输同步信号。准备就绪后，打开刺激器电源。

下一步是在连接图表格中定义刺激参数。所有施加于培养物的刺激均采用相位方波电压。将半持续时间设置为 300 微秒，将幅度设置为 1.5 峰峰值电压。

通过按下开始按钮，开始记录对刺激的反应。在连接图中，系统会自动从先前选定的刺激电极之一发出一系列30次、频率为0.2赫兹的刺激脉冲。当该电极作为刺激电极时，其余59个电极将同步记录MEA芯片上的反应信号。

然后，在每组刺激之间间隔 5 秒，依次在其余 9 个已确定的刺激电极上重复进行 30 次刺激序列，同时从其余 59 个电极采集记录信号。接下来，使用 SpyCode 软件（一种用于对神经数据进行计算的应用程序）为每个刺激通道生成计算机连接图谱。根据连接图谱，排除所有未引发反应的刺激电极，不再纳入后续分析。

然后，在剩余的电极中，根据文本方案中所述，选择反应重叠最少的一对电极，将其中一个电极用于编码机器人左侧的感官信息，另一个电极用于编码右侧的读数。具体操作为：将鼠标光标拖动至其中一个电极上，在MEA布局上右键单击，然后选择“添加到左侧感官区域”；接着将光标拖动至另一个电极上。

右键单击并选择添加到右侧感觉区域。接下来在编码表单中，通过将编码类型设置为线性来选择编码方案。然后使用默认范围 0.5 至 2 Hz 定义最小和最大刺激频率，并将抖动参数设置为零。

然后在解码界面中设置解码算法参数，即将速度变化和衰减时间常数参数设为1，适用于平均每通道每秒约有一个脉冲的中等活跃程度的培养物。接下来，在解码界面中将解码算法的爆发参数设置为零。

如果速度变化为零，则衰减时间无关紧要。在实验管理器表单中，通过勾选保存尖峰数据、机器人数据和刺激数据的复选框，选择要记录的数据。现在，在实验管理器表单中点击开始实验按钮，启动一次预学习机器人运行。

当系统提示时，为数据文件选择新的文件名。让实验运行30分钟，然后单击停止实验按钮以终止机器人运行。

接下来，通过在“实验管理器”表单中勾选“在10次刺激后开始学习协议”来启动学习协议。然后再次点击“开始实验”按钮，以重新执行为期30分钟的训练机器人运行。

在本次学习过程中，机器人的刺激信号会从不规则刺激转变为泰坦尼克刺激。当机器人碰撞到障碍物时，将采用泰坦尼克刺激来训练神经网络。保存数据后，通过取消勾选“输出至单宁酸刺激”选项，再次关闭学习程序。

勾选复选框后，点击“开始实验”以执行为期30分钟的学习后机器人运行。与之前相同，请记得更改文件名以防止覆盖。除之前展示的虚拟机器人外，此组训练运行还可用于神经网络及实体机器人。

图中显示了一个虚拟机器人在持续 20 分钟的空 MEA 对照实验中所遵循的路径。本对照实验中，MEA 上未接种任何细胞。浅绿色区域为机器人可自由移动的范围，深绿色圆形代表机器人通过其距离传感器可感知的不可通过障碍物。

在每次试验中，机器人从场地的左上区域出发，行进至终点位置，终点以一个大的粉色圆点表示。较小的黑色圆点代表与障碍物发生碰撞的位置。用颜色编码的路径表示经过的时间。

在此项无神经网络的实验中，机器人在遇到第一个障碍物时即停止运行。图中显示的是在开环实验中一个虚拟机器人的运动路径，该实验中机器人实际上处于“失明”状态。传递给神经网络的刺激序列并非编码感觉信息，而仅仅是规则的序列。

图中显示了一个虚拟机器人在20分钟闭环实验中的运动轨迹，该实验中，当机器人碰撞到障碍物后，神经网络会接收到负面反馈。请注意，与开环实验不同，该机器人成功绕过了许多障碍物。这表明，神经元与人工元件之间需要实现双向交互，才能使机器人获得良好的导航性能。

该图表展示了机器人导航性能，以连续两次命中之间移动的像素数表示。前两列显示了两种对照实验的移动距离分布，即空MEA和开环配置。第三列和第四列分别显示了未施加泰坦刺激和施加泰坦刺激条件下的性能表现。

每次与障碍物碰撞后，引入的Titanic刺激显著增强。机器人在两次连续碰撞之间行进的距离增加，从而提升了机器人的导航性能。该图表表示机器人采用特定解码算法在有限时间内成功通过短路径的概率。

由于突发放电和孤立峰电位的相对权重不同，各种解码范式彼此之间存在差异。该技术的发展为神经机器人学和神经假体领域中的未解之谜（URGs）开辟了道路，以探索如何连接大脑与机器，从而提升现代神经接口的性能。观看本视频后，您应能够充分理解如何规划并实施一项混合实验，以研究具身化生物神经网络的计算特性。