Name: 闭环神经机器人实验来检验神经网络的计算性能 (视频) | JoVE Journal
Uploaded: 2015-03-02T14:00:00.000+00:00
Duration: 11 min 18 s
Description: 了解闭环神经机器人实验方法，通过微电极阵列记录神经元活动并建立双向通信协议，实现生物神经网络与机器人系统的信息交换，显著提升机器人导航能力，为神经工程和脑机接口研究提供新思路。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

作者感谢博士生 Marta Bisio 在微电极阵列上培养和维持神经元网络方面所做的工作，同时感谢 NBT-IIT 的 Marina Nanni 博士和 Claudia Chiabrera 博士在解剖和解离操作中提供的技术协助。本研究工作获得了欧盟第七框架计划（信息与通信技术—未来新兴技术 FP7/2007-2013，FET 青年探索者计划）的资助，资助协议编号为 n° 284772 BRAIN BOW（<a href="http://www.brainbowproject.eu">www.brainbowproject.eu</a>）。作者还感谢 Silvia Chiappalone 在制作引言部分所用图示时提供的帮助。

1. 在微电极阵列上制备神经元培养
<ol>
	<li>按照文献29所述方法将神经元培养物接种于MEA芯片上。类似的操作流程也在文献9及本文的讨论部分中提供。</li>
	<li>在开始记录前5-10分钟打开MEA加热系统，以尽量减少细胞所受的热应激：将温度控制器的目标温度设为37 °C，并开启MEA下方的加热板（大多数商用MEA系统均配备此装置）；若条件允许，同时开启加热盖，以显著减少培养液蒸发。</li>
	<li>每次使用前，将透气性盖帽置于高压灭菌器中采用湿热法灭菌（30分钟，130 °C）。为避免蒸发并防止渗透压改变，在记录期间应始终保持培养物覆盖盖帽。</li>
	<li>在正式开始记录前30分钟，将神经元培养物放置于放大器中。 
	注意：仅将培养物从培养箱转移至放大器的操作，便会显著干扰其自发性电活动约半小时。在此期间，培养基温度将逐渐稳定。</li>
	<li>若具备碳氧混合气（carbair）供气系统，对于持续数小时以上的实验，应开始通入carbair（含5% CO2 和95% O2 + N2 的混合气体）：培养物需要该气体以维持氧气供应和稳定的pH水平。</li>
</ol>
2. MEA 信号采集记录参数的选择
<ol>
	<li>选择软件滤波器带宽以检测尖峰电位（即，多单位活动——MUA） 30在 RawDataDisplay 窗口中，勾选“300 Hz-3 kHz”复选框。</li>
	<li>开始数据采集：按下 RawDataDisplay 窗体中的“Start”按钮。</li>
	<li>将 RawDataDisplay 中用于检测尖峰的阈值增益设置为 7。 
	注意：根据所需的特异性/选择性权衡以及所采用的检测算法，该阈值可设置为计算出的标准差的6到10倍。</li>
	<li>将阈值记忆时间设为2秒，并在显示界面无放电活动时按下“锁定”按钮（这两个操作均在RawDataDisplay界面中）。勾选“从中位数估算标准差”，以从中位数绝对值计算噪声标准差 31,32如果难以提供不包含簇状放电活动的短暂时间窗口，则取消勾选此选项。在按下“锁定”按钮后取消勾选，因为底层算法计算量较大，可能导致计算机运行迟滞。</li>
	<li>打开峰电位检测程序（在 RawDataDisplay 窗体中勾选“Spike Detection”复选框）。如果峰电位检测已在运行（即，复选框已勾选），单击“数据记录”表单中的“重置”按钮，丢弃至此时刻为止检测到的峰电位。</li>
</ol>
3. 用于刺激神经元培养物及计算反应图谱的MEA电极选择
<ol>
	<li>记录神经元细胞在微电极阵列（MEA）上培养后的自发活动30分钟：在数据记录表单的“Spikes”框中，点击“Record”按钮，经过所需时间（本实验为30分钟）后，将数据保存至文件。</li>
	<li>确定最活跃的10个通道（即， 选择放电次数最多的10个通道，然后在任意MEA布局（编码、解码或连接图形式）中，通过拖动鼠标光标至目标区域来选中这些通道。通道选中后，在MEA布局的任意位置单击鼠标右键，从弹出菜单中选择“添加到左侧感觉区域”；这些电极将用于第3.5步中的电刺激。</li>
	<li>验证刺激器与MEA放大器是否正确连接：每个期望的刺激通道均需两根导线，此外还需一根同轴电缆用于传输同步信号（具体连接图请参考相应仪器的使用手册）。随后打开刺激器电源。</li>
	<li>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为双相方波电压信号。将半周期设为 300 µsec，幅值设为 1.5 Vpp33 . 
	注意：足够大的刺激以可靠地诱发神经反应时，极有可能干扰从相同位点记录活动。在本文其余部分中，用于传递刺激的电极不应被选用于记录任何相关信息。</li>
	<li>记录刺激反应：在 ConnectionMap 表单中按下开始按钮。系统将从所选电极中的每一个依次自动发出 30 次刺激，刺激间隔为 5 秒，同时从其余 59 个电极记录反应。</li>
	<li>计算连接图（即， 通过任意数学软件或过去开发的 SpyCode 应用程序（可应要求免费获取），计算每个刺激通道在某一电极施加刺激后，在特定时间窗口内从另一电极记录到响应的概率 28.</li>
	<li>从连接图中选择最佳电极：弃用所有未引发反应的刺激电极（即 在刺激后的时间窗内，放电率并不显著高于自发放电期间的放电率。
	<ol>
		<li>在剩余的电极中，选择反应重叠最小的一对电极。具体而言，针对每个刺激电极，计算其在每个记录电极中的平均峰电位数量，然后计算所有刺激电极对之间对应电极的差值。选择在所有记录通道上反应差值的绝对值之和最大的电极对。</li>
	</ol>
	</li>
	<li>选择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感官信息：操作时，将鼠标光标拖动至某一电极上，右键点击MEA布局，然后选择“添加到左侧感官区域”（或“添加到右侧感官区域”）。</li>
</ol>
4. 神经元培养物与机器人的接口：编码与解码方案的选择
<ol>
	<li>在编码表单中将“编码类型”设置为线性。</li>
	<li>在编码表单中定义最小和最大刺激频率。使用默认范围 0.5–2 Hz。</li>
	<li>在编码表单中将“抖动”参数设置为 0。</li>
	<li>在解码表单中将解码算法参数（权重和衰减系数）设置为 1，适用于中等活跃的培养物（约每通道每秒 1 次脉冲）。如果放电频率持续显著偏离该值，请定义新的参数组合。有关解码参数的具体功能，请参见讨论部分。</li>
	<li>在解码表单中设置解码算法的簇发放参数。将权重设为 0（此时衰减时间无关紧要），除非研究重点是区分单个脉冲与簇发放。 
	注意：步骤 4.4 中建议的参数值可产生平滑的机器人运动，并使速度与中等活跃的大鼠原代培养物对应的机器人反应时间相匹配。簇发放参数的功能与步骤 4.4 中所述参数完全相同，但触发事件是检测到簇发放而非单个脉冲：每个轮子的实际速度即为检测到的脉冲和簇发放贡献值的总和。</li>
</ol>
5. 机器人的导航区域设计
<ol>
	<li>在虚拟场地设计器表单中，选择有界场地（场地边界对机器人可见且不可穿越）或无界场地（若机器人从场地一侧离开，将立即从相对侧重新进入），并以像素为单位设置场地大小。
	<ol>
		<li>为确保机器人有足够的移动空间，请勿使用小于 100 × 100 像素的有界场地。障碍物半径不得小于 5 像素，否则可能恰好位于机器人的视线线条之间而无法被检测到。</li>
		<li>请注意，过大的场地尺寸可能导致计算机性能下降：若需使用大型场地，应在开始难以重复的实验前，先用目标场地测试软件运行性能。</li>
	</ol>
	</li>
	<li>可通过手动方式设置机器人的起始位置（点击虚拟场地设计器表单中的“手动选择”按钮，然后点击目标位置），或在“机器人起始位置”字段中直接输入实验开始时机器人的坐标。</li>
	<li>可在场地内添加任意数量的不可穿越障碍物。可通过点击“手动添加障碍物”按钮后在场地中手动放置，或设定障碍物数量及尺寸范围由系统自动生成。</li>
	<li>点击“生成场地”按钮，以生成包含所选特征的场地。在点击此按钮前，任何设置均不会生效。</li>
	<li>设计完成后，使用虚拟场地设计器表单底部的命令按钮保存场地，并在实验使用前加载相应的文件。</li>
</ol>
6. 从培养物中记录神经元活动的MEA电极选择
<ol>
	<li>在步骤 3.8 中观察到不同反应的电极中选择作为临时记录电极：在“左侧”（或“右侧”）刺激电极刺激后表现出较强反应的电极，将被定义为“左侧”（或“右侧”）记录电极。不要使用对任一刺激电极均无显著反应的电极来控制机器人。从 MEA 布局的弹出菜单中选择“添加到左侧运动区”（或“添加到右侧运动区”），以定义记录电极。</li>
	<li>在实验管理器表单中选择要记录的特征。在此阶段，尖峰信号和刺激时间戳是唯一相关的信息。</li>
	<li>进行 10 分钟测试运行：在实验管理器表单中点击“开始实验”按钮以启动机器人运行，10 分钟后再次点击该按钮。 
	注意：当所有参数设置完成（编码与解码方式、机器人场地、刺激与记录电极、记录特征）后，系统将提示选择记录文件的名称和存储路径，随后机器人将在其场地内按照预设规则开始移动。所有选定的特征将被实时自动保存。</li>
	<li>对步骤 6.3 中获取的数据重复执行步骤 3.6 和 6.1，以从实际机器人运行期间采集的数据中选择记录电极（该两步法的原理参见讨论部分）。</li>
</ol>
7. 进行神经机器人实验
<ol>
	<li>在实验管理器表单中选择要记录的数据：勾选“尖峰”、“机器人”和“刺激数据”复选框。</li>
	<li>启动预学习阶段的机器人运行：在实验管理器表单中点击“开始实验”按钮。提示时选择新的数据文件名。当30分钟结束后，再次点击“开始实验”按钮以停止机器人运行。</li>
	<li>开启学习协议（在实验管理器表单中勾选“击中后给予强直刺激”复选框），并执行与预训练阶段相同时长（i.e.，30 min）的训练阶段机器人运行。注意在提示时输入不同的文件名，以避免覆盖步骤7.2中的数据。</li>
	<li>再次关闭学习协议（取消勾选“击中后给予强直刺激”复选框），并执行学习后的机器人运行。同样，记得更改文件名以防止数据覆盖。</li>
</ol>
8. 第二次响应图谱计算
<ol>
	<li>重复步骤 3.1-3.6。利用这些记录的数据来检测学习方案是否在自发性活动或诱发性活动模式中诱导出任何变化。</li>
</ol>

<ol><li>Fetz, E. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Volitional+control+of+neural+activity%3A+implications+for+brain%E2%80%93computer+interfaces%5BTitle%5D)+AND+%22The+Journal+of+Physiology%22%5BJournal%5D)">Volitional control of neural activity: implications for brain–computer interfaces.</a> The Journal of Physiology. 579 (3), 571-579 (2007).</li>
<li>Carmena, J. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Learning+to+control+a+brain%E2%80%93machine+interface+for+reaching+and+grasping+by+primates%5BTitle%5D)+AND+%22PLoS+Biology%22%5BJournal%5D)">Learning to control a brain–machine interface for reaching and grasping by primates.</a> PLoS Biology. 1 (2), e42(2003).</li>
<li>Azin, M., Guggenmos, D. J., Barbay, S., Nudo, R. J., Mohseni, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+miniaturized+system+for+spike-triggered+intracortical+microstimulation+in+an+ambulatory+rat%5BTitle%5D)+AND+%22Biomedical+Engineering%2C+IEEE+Transactions+on%22%5BJournal%5D)">A miniaturized system for spike-triggered intracortical microstimulation in an ambulatory rat.</a> Biomedical Engineering, IEEE Transactions on. 58 (9), 2589-2597 (2011).</li>
<li>Angotzi, G. N., Boi, F., Zordan, S., Bonfanti, A., Vato, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+programmable+closed-loop+recording+and+stimulating+wireless+system+for+behaving+small+laboratory+animals%5BTitle%5D)+AND+%22Scientific+Reports%22%5BJournal%5D)">A programmable closed-loop recording and stimulating wireless system for behaving small laboratory animals.</a> Scientific Reports. 4, (2014).</li>
<li>Maher, M., Pine, J., Wright, J., Tai, Y. -C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+neurochip%3A+a+new+multielectrode+device+for+stimulating+and+recording+from+cultured+neurons%5BTitle%5D)+AND+%22Journal+of+Neuroscience%22%5BJournal%5D)">The neurochip: a new multielectrode device for stimulating and recording from cultured neurons.</a> Journal of Neuroscience. 87 (1), 45-56 (1999).</li>
<li>Olsson, R. H., Buhl, D. L., Sirota, A. M., Buzsaki, G., Wise, K. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Band-tunable+and+multiplexed+integrated+circuits+for+simultaneous+recording+and+stimulation+with+microelectrode+arrays%5BTitle%5D)+AND+%22Biomedical+Engineering%2C+IEEE+Transactions+on%22%5BJournal%5D)">Band-tunable and multiplexed integrated circuits for simultaneous recording and stimulation with microelectrode arrays.</a> Biomedical Engineering, IEEE Transactions on. 52 (7), 1303-1311 (2005).</li>
<li>Zanos, S., Richardson, A. G., Shupe, L., Miles, F. P., Fetz, E. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Neurochip-2%3A+an+autonomous+head-fixed+computer+for+recording+and+stimulating+in+freely+behaving+monkeys%5BTitle%5D)+AND+%22Neural+Systems+and+Rehabilitation+Engineering.+IEEE+Transactions+on%22%5BJournal%5D)">The Neurochip-2: an autonomous head-fixed computer for recording and stimulating in freely behaving monkeys.</a> Neural Systems and Rehabilitation Engineering. IEEE Transactions on. 19 (4), 427-435 (2011).</li>
<li>Reger, B. D., Fleming, K. M., Sanguineti, V., Alford, S., Mussa-Ivaldi, F. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Connecting+brains+to+robots%3A+an+artificial+body+for+studying+the+computational+properties+of+neural+tissues%5BTitle%5D)+AND+%22Artificial+Life%22%5BJournal%5D)">Connecting brains to robots: an artificial body for studying the computational properties of neural tissues.</a> Artificial Life. 6 (4), 307-324 (2000).</li>
<li>Hales, C. M., Roston, J. D., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+to+culture%2C+record+and+stimulate+neuronal+networks+on+micro-electrode+arrays+%28MEAs%29%5BTitle%5D)+AND+%22Journal+of+Visualized+Experiments%22%5BJournal%5D)">How to culture, record and stimulate neuronal networks on micro-electrode arrays (MEAs).</a> Journal of Visualized Experiments. (39), 2056(2010).</li>
<li>Gross, G., Rieske, E., Kreutzberg, G., Meyer, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+fixed-array+multi-microelectrode+system+designed+for+long-term+monitoring+of+extracellular+single+unit+neuronal+activity+in+vitro%5BTitle%5D)+AND+%22Neurosci+Lett%22%5BJournal%5D)">A new fixed-array multi-microelectrode system designed for long-term monitoring of extracellular single unit neuronal activity in vitro.</a> Neurosci Lett. 6 (2), 101-105 (1977).</li>
<li>Potter, S. M., DeMarse, T. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+approach+to+neural+cell+culture+for+long-term+studies%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">A new approach to neural cell culture for long-term studies.</a> Journal of Neuroscience Methods. 110 (1), 17-24 (2001).</li>
<li>le Feber, J., Stegenga, J., Rutten, W. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+effect+of+slow+electrical+stimuli+to+achieve+learning+in+cultured+networks+of+rat+cortical+neurons%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">The effect of slow electrical stimuli to achieve learning in cultured networks of rat cortical neurons.</a> PLoS One. 5 (1), e8871(2010).</li>
<li>Marom, S., Shahaf, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+learning+and+memory+in+large+random+networks+of+cortical+neurons%3A+lessons+beyond+anatomy%5BTitle%5D)+AND+%22Quarterly+reviews+of+biophysics%22%5BJournal%5D)">Development learning and memory in large random networks of cortical neurons: lessons beyond anatomy.</a> Quarterly reviews of biophysics. 35 (1), 63-87 (2002).</li>
<li>Shahaf, G., Marom, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Learning+in+networks+of+cortical+neurons%5BTitle%5D)+AND+%22The+Journal+of+Neuroscience%22%5BJournal%5D)">Learning in networks of cortical neurons.</a> The Journal of Neuroscience. 21 (22), 8782-8788 (2001).</li>
<li>Pelt, J., Vajda, I., Wolters, P. S., Corner, M. A., Ramakers, G. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dynamics+and+plasticity+in+developing+neuronal+networks+in+vitro%5BTitle%5D)+AND+%22Progress+in+Brain+Research%22%5BJournal%5D)">Dynamics and plasticity in developing neuronal networks in vitro.</a> Progress in Brain Research. 147, 171-188 (2005).</li>
<li>Chiappalone, M., Bove, M., Vato, A., Tedesco, M., Martinoia, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dissociated+cortical+networks+show+spontaneously+correlated+activity+patterns+during+in+vitro+development%5BTitle%5D)+AND+%22Brain+Research%22%5BJournal%5D)">Dissociated cortical networks show spontaneously correlated activity patterns during in vitro development.</a> Brain Research. 1093 (1), 41-53 (2006).</li>
<li>Tateno, T., Jimbo, Y., Robinson, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatio-temporal+cholinergic+modulation+in+cultured+networks+of+rat+cortical+neurons%3A+spontaneous+activity%5BTitle%5D)+AND+%22Neuroscience%22%5BJournal%5D)">Spatio-temporal cholinergic modulation in cultured networks of rat cortical neurons: spontaneous activity.</a> Neuroscience. 134 (2), 425-437 (2005).</li>
<li>Masquelier, T., Deco, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Network+bursting+dynamics+in+excitatory+cortical+neuron+cultures+results+from+the+combination+of+different+adaptive+mechanism%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Network bursting dynamics in excitatory cortical neuron cultures results from the combination of different adaptive mechanism.</a> PLoS One. 8 (10), e75824(2013).</li>
<li>Wagenaar, D. A., Madhavan, R., Pine, J., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Controlling+bursting+in+cortical+cultures+with+closed-loop+multi-electrode+stimulation%5BTitle%5D)+AND+%22The+Journal+of+Neuroscience%22%5BJournal%5D)">Controlling bursting in cortical cultures with closed-loop multi-electrode stimulation.</a> The Journal of Neuroscience. 25 (3), 680-688 (2005).</li>
<li>Martinoia, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Towards+an+embodied+in+vitro+electrophysiology%3A+the+NeuroBIT+project%5BTitle%5D)+AND+%22Neurocomputing%22%5BJournal%5D)">Towards an embodied in vitro electrophysiology: the NeuroBIT project.</a> Neurocomputing. 58-60, 1065-1072 (2004).</li>
<li>Mussa-Ivaldi, F. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((New+perspectives+on+the+dialogue+between+brains+and+machines%5BTitle%5D)+AND+%22Frontiers+in+Neuroscience%22%5BJournal%5D)">New perspectives on the dialogue between brains and machines.</a> Frontiers in Neuroscience. 4 (1), 44(2010).</li>
<li>Warwick, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Controlling+a+Mobile+Robot+with+a+Biological+Brain%5BTitle%5D)+AND+%22Defence+Science+Journal%22%5BJournal%5D)">Controlling a Mobile Robot with a Biological Brain.</a> Defence Science Journal. 60 (1), (2010).</li>
<li>Kudoh, S. N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Vitroid%E2%80%93the+robot+system+with+an+interface+between+a+living+neuronal+network+and+outer+world%5BTitle%5D)+AND+%22International+Journal+of+Mechatronics+and+Manufacturing+Systems%22%5BJournal%5D)">Vitroid–the robot system with an interface between a living neuronal network and outer world.</a> International Journal of Mechatronics and Manufacturing Systems. 4 (2), 135-149 (2011).</li>
<li>Jimbo, Y., Tateno, T., Robinson, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Simultaneous+induction+of+pathway-specific+potentiation+and+depression+in+networks+of+cortical+neurons%5BTitle%5D)+AND+%22Biophysical+Journal%22%5BJournal%5D)">Simultaneous induction of pathway-specific potentiation and depression in networks of cortical neurons.</a> Biophysical Journal. 76 (2), 670-678 (1999).</li>
<li>Chiappalone, M., Massobrio, P., Martinoia, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Network+plasticity+in+cortical+assemblies%5BTitle%5D)+AND+%22European+Journal+of+Neuroscience%22%5BJournal%5D)">Network plasticity in cortical assemblies.</a> European Journal of Neuroscience. 28 (1), 221-237 (2008).</li>
<li>Mulas, M., Massobrio, P., Martinoia, S., Chiappalone, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+simulated+neuro-robotic+environment+for+bi-directional+closed-loop+experiments%5BTitle%5D)+AND+%22Paladyn%22%5BJournal%5D)">A simulated neuro-robotic environment for bi-directional closed-loop experiments.</a> Paladyn. 1 (3), 179-186 (2010).</li>
<li>Novellino, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Connecting+neurons+to+a+mobile+robot%3A+an+in+vitro+bidirectional+neural+interface%5BTitle%5D)+AND+%22Computational+Intelligence+and+Neuroscience%22%5BJournal%5D)">Connecting neurons to a mobile robot: an in vitro bidirectional neural interface.</a> Computational Intelligence and Neuroscience. 2007 (12725), 1-13 (2007).</li>
<li>Bologna, L. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Investigating+neuronal+activity+by+SPYCODE+multichannel+data+analyzer%5BTitle%5D)+AND+%22Neural+Networks%22%5BJournal%5D)">Investigating neuronal activity by SPYCODE multichannel data analyzer.</a> Neural Networks. 23 (6), 685-697 (2010).</li>
<li>Frega, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cortical+cultures+coupled+to+micro-electrode+arrays%3A+a+novel+approach+to+perform+in+vitro+excitotoxicity+testing%5BTitle%5D)+AND+%22Neurotoxicology+and+Teratology%22%5BJournal%5D)">Cortical cultures coupled to micro-electrode arrays: a novel approach to perform in vitro excitotoxicity testing.</a> Neurotoxicology and Teratology. 34 (1), 116-127 (2012).</li>
<li>Quian Quiroga, R., Panzeri, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Extracting+information+from+neuronal+populations%3A+information+theory+and+decoding+approaches%5BTitle%5D)+AND+%22Nature+Reviews+Neuroscience%22%5BJournal%5D)">Extracting information from neuronal populations: information theory and decoding approaches.</a> Nature Reviews Neuroscience. 10 (3), 173-185 (2009).</li>
<li>Donoho, D. L., Johnstone, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Ideal+spatial+adaptation+by+wavelet+shrinkage%5BTitle%5D)+AND+%22Biometrika%22%5BJournal%5D)">Ideal spatial adaptation by wavelet shrinkage.</a> Biometrika. 81 (3), 425-455 (1994).</li>
<li>Martinez, J., Pedreira, C., Ison, M. J., Quian Quiroga, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Realistic+simulation+of+extracellular+recordings%5BTitle%5D)+AND+%22Journal+of+neuroscience+methods%22%5BJournal%5D)">Realistic simulation of extracellular recordings.</a> Journal of neuroscience methods. 184 (2), 285-293 (2009).</li>
<li>Wagenaar, D. A., Pine, J., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effective+parameters+for+stimulation+of+dissociated+cultures+using+multi-electrode+arrays%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">Effective parameters for stimulation of dissociated cultures using multi-electrode arrays.</a> Journal of Neuroscience Methods. 138 (1-2), 27-37 (2004).</li>
<li>Tessadori, J., Mulas, M., Martinoia, S., Chiappalone, M. Biomedical Robotics and Biomechatronics (BioRob), 2012 4th IEEE RAS & EMBS International Conference on. , 332-337 (2012).</li>
<li>Tessadori, J., Bisio, M., Martinoia, S., Chiappalone, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Modular+neuronal+assemblies+embodied+in+a+closed-loop+environment%3A+toward+future+integration+of+brains+and+machines%5BTitle%5D)+AND+%22Frontiers+in+Neural+Circuits%22%5BJournal%5D)">Modular neuronal assemblies embodied in a closed-loop environment: toward future integration of brains and machines.</a> Frontiers in Neural Circuits. 6, (2012).</li>
<li>Neural Engineering (NER). Tessadori, J., et al. 2013 6th International IEEE/EMBS Conference on Neural Engineering, , 899-902 (2013).</li>
<li>Colombi, I., Mahajani, S., Frega, M., Gasparini, L., Chiappalone, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effects+of+antiepileptic+drugs+on+hippocampal+neurons+coupled+to+micro-electrode+arrays%5BTitle%5D)+AND+%22Frontiers+in+Neuroengineering%22%5BJournal%5D)">Effects of antiepileptic drugs on hippocampal neurons coupled to micro-electrode arrays.</a> Frontiers in Neuroengineering. 6, 10(2013).</li>
<li>Gal, A., Marom, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Entrainment+of+the+intrinsic+dynamics+of+single+isolated+neurons+by+natural-like+input%5BTitle%5D)+AND+%22Journal+of+Neuroscience%22%5BJournal%5D)">Entrainment of the intrinsic dynamics of single isolated neurons by natural-like input.</a> Journal of Neuroscience. 33 (18), 7912-7918 (2013).</li>
<li>Mainen, Z. F., Sejnowski, T. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reliability+of+spike+timing+in+neocortical+neurons%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Reliability of spike timing in neocortical neurons.</a> Science. 268 (5216), 1503-1506 (1995).</li>
<li>Maccione, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+novel+algorithm+for+precise+identification+of+spikes+in+extracellularly+recorded+neuronal+signals%5BTitle%5D)+AND+%22Journal+of+neuroscience+methods%22%5BJournal%5D)">A novel algorithm for precise identification of spikes in extracellularly recorded neuronal signals.</a> Journal of neuroscience methods. 177 (1), 241-249 (2009).</li>
<li>DeMarse, T. B., Wagenaar, D. A., Blau, A. W., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+neurally+controlled+animat%3A+biological+brains+acting+with+simulated+bodies%5BTitle%5D)+AND+%22Autonomous+Robots%22%5BJournal%5D)">The neurally controlled animat: biological brains acting with simulated bodies.</a> Autonomous Robots. 11 (3), 305-310 (1023).</li>
<li>Bakkum, D. J., Chao, Z. C., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatio-temporal+electrical+stimuli+shape+behavior+of+an+embodied+cortical+network+in+a+goal-directed+learning+task%5BTitle%5D)+AND+%22Journal+of+Neural+Engineering%22%5BJournal%5D)">Spatio-temporal electrical stimuli shape behavior of an embodied cortical network in a goal-directed learning task.</a> Journal of Neural Engineering. 5 (3), 310-323 (2008).</li>
<li>Truccolo, W., Hochberg, L. R., Donoghue, J. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Collective+dynamics+in+huma+and+monkey+sensorimotor+cortex%3A+predicting+single+neuron+spikes%5BTitle%5D)+AND+%22Nature+Neuroscience%22%5BJournal%5D)">Collective dynamics in huma and monkey sensorimotor cortex: predicting single neuron spikes.</a> Nature Neuroscience. 13 (1), 105-111 (2010).</li>
</ol>

作者声明不存在任何竞争性经济利益。

本文介绍了一种基于神经控制器的神经机器人架构（即，一个由胚胎大鼠皮层或海马来源的神经元网络）与一个虚拟机器人进行双向连接。该机器人配备传感器和轮子，被限制在带有障碍物的静态环境中运动，其任务是避免发生碰撞。
所述实验流程中第一个且可能是最关键的环节是培养物本身的制备，因为在即使技术条件最佳的情况下，失败率仍然可能很高。然而，详细的培养技术描述不在本研究的范围之内。作为一般性指导原则，记录应在神经网络放电率达到稳定水平时进行，通常是在体外培养3周后 in vitro。培养物状态良好的一个粗略指标是在多个记录通道中观察到自发的电生理活动（在60个可用通道中至少有20个通道具有活动）。这类培养物的特点是神经元之间具有高度的相互连接性。在此条件下，神经活动通常会变得高度同步，有时会出现癫痫样事件，表现为强烈的簇状放电，随后是持续数分钟的静默期37。这两种特征都会带来问题：过度同步化将导致无法区分不同电极对刺激的响应；而表现出癫痫样活动的培养物在接收到首个刺激后会产生长时间的放电爆发，随后进入静默期，此后无论再施加何种刺激均无反应。通过使用模式化培养物35可显著缓解上述两个问题，此类培养物将神经元群体分割为两个或多个弱相互连接的亚群。
另一个问题是，神经反应强烈依赖于输入刺激的分布38,39。在闭环实验中，施加的刺激是传感器读数的函数，而传感器读数又取决于机器人的运动，因而也间接取决于神经反应本身。这意味着无法在实验开始前轻易确定实际实验过程中将观察到哪些反应。因此，输入-输出电极的选择必须依赖于逐步逼近的方法。在本方案中，采用了一个两步过程（即步骤5.5和6.4）来尝试确定连接图谱。第一步中，施加一系列规律的刺激，利用对这些刺激的反应建立初步的连接图谱和临时的记录通道集合。随后，利用该配置执行步骤6.4中所述的测试运行，以筛选出在实际实验中将被监测的记录通道。
在结果部分，展示了一项具有代表性的导航结果，并呈现了引入学习范式后立即产生的改进效果。在实验方案描述过程中，还提到了若干其他可能的实验变体。例如，HyBrainWare2 中实现的两种主要编码系统（线性与随机）旨在探究时间输入变异性对神经编码的精确作用。 38在线性情况下，瞬时刺激频率是用户定义参数和机器人传感器记录的函数。在随机情况下，每个时间点被选中以传递刺激的概率是给定的。该概率由HyBrainWare2自动计算，以使期望的刺激频率与前一种情况相匹配。在线性编码中引入抖动的可能性，可在上述两种情况之间实现平滑过渡。同样，在解码部分探索不同参数组合，可能有助于阐明簇状放电在其中的精确作用。 体外 神经网络。每当在相应的输出区域检测到事件时，机器人每个轮子的速度会根据权重参数成比例地增加，而消光系数则表示其中一个贡献值衰减至其初始值50%所需的时间（单位为秒）。该衰减过程遵循简单的指数衰减规律。这些变体已被纳入当前HyBrainWare2的设计中，但如果能够在软件或实验设置中引入更多修改，则仍存在大量进一步研究的可能性。
本文所述方案的一个相当显著的局限性在于需要使用专门开发的定制软件 HyBrainWare2（可应所有感兴趣用户的要求免费获取）。该软件是为特定型号和制造商的一组设备（刺激器、采集板、MEA 放大器）设计的。尽管确实可以将其适配到不同的实验装置上，但这种转换需要一定的编程技能。同样，软件中包含的选项仅覆盖了可通过此类装置研究的全部实验问题中有限的一部分。例如，当前架构中实现的峰电位检测算法（精确时间峰电位检测40）完全由若干硬编码参数定义，如果记录对象与离体神经网络差异较大（例如，心肌细胞或脑片），则需要修改这些参数。最后，学习协议规定每次机器人碰撞障碍物后，需给予一次短暂的高频刺激（2 秒 20 Hz 刺激，每个刺激脉冲与用于编码感觉信息的脉冲相同）。如果机器人右侧发生碰撞，则强直刺激将施加于通常编码右侧信息的电极；左侧碰撞时同理。该协议为硬编码实现，用户若不修改现有软件则无法更改。
尽管本文所展示的装置并非首个用于混合式闭环实验的具身系统 20,23,27,41,42，过去设计的实验主要围绕单一论点展开，其数据来源于数量有限的类似样本。而另一方面，所描述的装置自2012年以来已用于大量实验（已记录超过100个培养样本），所使用的样本在模块性和来源上各不相同，且实验本身涉及不同的科学问题例如 强直刺激的影响及簇状放电的相关性（如结果所示）。在不久的将来，计划开展新的实验，以验证强直刺激和闭环刺激的持久效应，以及刺激规律性与所观察到的反应之间的关系。另一个需要解决的问题是自发活动与观测活动之间的关联，拟通过引入一种新的解码算法来实现，该算法将考虑既往活动历史和刺激历史。 43.

目前，大脑功能的许多特征尚无法在人工系统中复制。大脑能够快速处理复杂的感官信息，并据此产生精确的运动指令，这一能力本身已超越了当前最先进的技术水平。而大脑通过从过往经验中学习，进而适应不同环境的能力，更使其远胜于人类设计的各类控制系统。迄今为止，人们在复制或利用这种可塑性方面收效甚微，对大脑内部运作机制的理解也依然未能被科研人员完全掌握。在研究大脑与行为关系的过程中，一个主要难题在于无法全面获取系统中的所有变量：理想的实验装置应能实现对大量神经元的同步记录与刺激，具备长期稳定性，可监测突触的位置与权重变化，并能实现与环境之间可控的双向交互。由于难以同时追踪上述所有变量，目前对大脑与行为关系的研究往往局限于两个截然不同的尺度：一是在行为动物上开展研究，但对实验条件缺乏精细控制； 1-7 或使用小块且孤立的部分，例如神经组织片段，缺乏对系统的整体观察 8在后一种情况下，尽管目前尚无任何设计的实验装置能够完全监测简单神经网络运作中涉及的全部参数，但通过在微电极阵列（MEAs）上培养的离体神经元，可在监测能力与实验可行性之间实现良好平衡。 9。这些设备诞生于20世纪70年代末 10与传统的电生理学技术相比，多电极阵列（MEAs）具有多项优势：首先，能够在多个不同位置同时记录和刺激神经网络（通常为60个电极）。此外，MEA与细胞的耦合几乎为非侵入性，可实现对同一神经网络长时间的持续观察，最长可达数月之久 11通过这些设备，已对电刺激在分离培养物上的生理效应进行了广泛研究，揭示了在更高尺度上观察到的许多特性（例如，可塑性和简单的记忆过程） 12-14) 在结构丧失后仍得以保留。在培养生长过程中，这些网络大约在第7天开始表现出自发性活动。 体外 （体外培养天数） 15,16网络活动随着进一步生长会发生显著变化；最初单个峰电位逐渐聚集形成簇状放电（约在第二周后期） 17，随后转变为一种高度复杂的同步非周期性网络簇发放电模式 18，代表了网络的成熟状态。已有研究建议 19 这种同步行为与观察到的某些现象有一定程度的相似性 体内 在睡眠动物中记录到的信号是由感觉输入缺失引起的。
另一种方法通过开展闭环实验，试图更深入地理解信息编码机制，在这些实验中，采用不同类型的信号来控制神经网络本身的刺激过程11,20-23。在这些实验中，利用一个能够与环境相互作用的外部代理生成感觉信息，并将其输入神经网络，神经网络则相应地产生运动指令以驱动效应器机制。这使得研究人员能够观察神经系统的动态特性和适应性特征如何随着环境中诱发的变化而演化。
开发了一种用于开展“具身神经生理学”实验的装置，该装置由一个带轮子的传感器平台（物理机器人或其虚拟模型）在实验区域内移动，其速度特征由神经系统的活动决定即，即在MEA上培养的大鼠神经元群体）。机器人的特征由其两个独立控制的轮子的速度曲线以及距离传感器的电流读数决定。距离传感器的具体类型并不重要，可以是主动或被动的光学传感器，也可以是超声波传感器。显然，在虚拟机器人的情况下，这一限制不适用，因为虚拟传感器可被设计为具有任意期望的特性。
在本文所述实验中，所使用的机器人始终为虚拟实现，配备6个距离传感器，分别朝向机器人行进方向左右两侧的30°、60°和90°位置。三个左侧和三个右侧传感器的活动分别取平均值，生物神经网络的活动由这些“超级传感器”所采集的信息驱动（在本研究后续部分中，将简称为“左”和“右”传感器）。所描述的协议实际上也可应用于物理机器人，仅需进行少量调整。机器人（无论是物理还是虚拟）所采集的信息被编码为一系列刺激信号，用于调控与机器人物理分离的生物神经网络的活动。这些刺激信号本身完全相同，因此并不直接编码任何信息。关键在于其频率：当机器人接近障碍物时，刺激频率升高，而不同的刺激施加位点则对应编码机器人左、右“眼”所感知的感觉信息。神经网络对传入的刺激序列会产生不同的响应，解码算法的任务是将神经网络的活动转化为控制机器人轮子运动的指令。假设神经网络行为为“理想”状态（即，且对来自不同电极的刺激具有可靠且完全分离的响应），机器人将在其活动区域内行进而不会撞击任何障碍物。大多数神经网络的行为与理想状态相去甚远，因此引入了一种简单的学习协议：激活时施加强直刺激（短暂的高频刺激，20 Hz 刺激持续 2 秒，借鉴自文献中描述的协议） 24,25在与障碍物发生碰撞后，将施加一次强直刺激。如果该强直刺激导致网络连接性的局部增强，则将逐步提升机器人的导航能力。
HyBrainWare2 是先前发表的定制软件26的改进版本，是用于控制系统中各类设备（刺激器、数据采集、处理与可视化、机器人通信或仿真）的核心架构。该软件由本实验室开发，可根据请求免费获取。该软件提供了与数据采集板的接口：当用户通过图形用户界面（GUI）启动数据采集后，软件将控制采集板开始对记录电极传来的信号进行采样和模数转换。随后，可根据用户设定的选项（详见实验步骤部分）对数据进行记录、实时显示或实时分析以检测神经脉冲信号。此外，用户需在软件中定义编码（将感觉信息转换为电刺激）和解码（将记录到的神经活动转换为机器人的运动指令）算法。特别地，与以往设计的类似系统相比27，本系统的软件具有较高的用户友好性，因为在实际实验开始前，几乎所有参数均可由用户直接设置，且所有记录的数据会自动保存为与神经数据分析工具箱兼容的格式28。
以下“实验步骤”部分描述了一项在分离的大鼠海马神经元培养物上进行的学习实验：针对该特定制备方法，提供了全部的培养与实验参数；若使用不同的生物基质，这些参数可能需要相应调整。类似地，本实验利用闭环架构来研究强直刺激的学习效应，但该架构本身具有足够的灵活性，也可用于研究分离神经网络的其他特性。本方案的主要变体在“讨论”部分将进一步说明。

<table><tbody><tr><td>刺激发生器 4002</td><td>Multi Channel Systems</td><td></td><td></td></tr><tr><td>MEA1060-Inv-BC</td><td>Multi Channel Systems</td><td></td><td></td></tr><tr><td>TC02</td><td>Multi Channel Systems</td><td></td><td></td></tr><tr><td>NI 6255 数据采集卡</td><td>National Instruments</td><td></td><td></td></tr><tr><td>Microsoft Visual Studio 2008</td><td>Microsoft</td><td></td><td></td></tr><tr><td>2078P 多通道系统 - National Instruments 适配板</td><td>意大利热那亚大学研制</td><td></td><td></td></tr><tr><td>Matlab 2010</td><td>Mathworks</td><td></td><td></td></tr><tr><td>HyBrainWare2</td><td></td><td></td><td>&lt;a href=&quot;https://docs.google.com/forms/d/1ffdr_a5OhzuuAduiPvoLJIvR4x_fDfsKvuM6RcRPLhU/viewform">HyBrainWare2：联系方式&lt;/a&gt;</td></tr></tbody></table>

闭环神经机器人实验以测试神经元网络的计算特性

Closed-loop Neuro-robotic Experiments to Test Computational Properties of Neuronal Networks

中枢神经系统（CNS）中的信息编码机制仍待探索。越来越多的证据表明，即使在非常低级的水平上，特定刺激的表征也可能依赖于上下文和历史因素。如果情况确实如此，那么大脑（或必要时其简化模型）与感觉-运动系统之间的双向相互作用，将有助于揭示信息的编码与解码是如何实现的。本文介绍并描述了一种实验系统，在该系统中，神经元元件的活动（即，从胚胎哺乳动物海马体中提取的神经元网络）被赋予特定环境背景，并用于控制一个人工代理的运动，同时将环境信息作为一系列电刺激反馈给神经元培养物。该架构可快速筛选多种编码、解码和学习算法，以检验关于神经元网络计算特性的不同假设。

所开发的实验框架可用于检验神经元培养物与虚拟物理机器人之间能否实现信息交换34。图1展示了虚拟机器人在不同条件下进行20分钟实验所获得的运动轨迹的若干样本：从左至右分别为正常的闭环实验、"空MEA"机器人实验（该对照实验中未在MEA上接种细胞）以及开环机器人实验（刺激频率保持恒定，而非编码传感器信息）。代表性轨迹表明，只有在神经元系统与人工系统之间实现双向交互时，机器人才能表现出良好的导航性能。然而，机器人在运行过程中仍多次撞击障碍物。
在图2中，展示了机器人在不同条件下的导航性能，以连续两次碰撞之间移动的像素数表示。前两列显示了上述对照实验（“空MEA”和开环配置）中移动距离的分布情况，而第三列和第四列则分别显示了在每次碰撞障碍物后未给予和给予强直刺激时的导航性能。引入强直刺激（参见实验步骤，第7.2步）显著增加了连续两次碰撞之间移动的距离，从而显著提升了机器人的导航性能35。
在图3中展示了机器人在不同解码条件下导航性能的表现。为此，采用了不同的实验场地配置。这有助于量化机器人在场地内成功导航的表现36：如实验步骤4.1所述，机器人被给予一系列短轨迹任务。成功率即为成功通过的轨迹数量与总给予轨迹数量的比值。特别地，在实验过程中，对簇状放电和孤立峰电位进行了实时识别。不同的解码范式之间的差异在于簇状放电与孤立峰电位的相对权重（参见实验步骤3.5–3.6及讨论部分）。
<img alt="微生物运动性分析；使用颜色梯度随时间追踪运动路径示意图。" src="/files/ftp_upload/52341/52341fig1highres.jpg" width="700" data-altupdatedat="1787630408000" data-alt="图1"> 
图1：神经元网络与机器人之间进行双向信息交换。 本图展示了机器人在20分钟实验过程中行进的三条代表性路径。其中，浅绿色区域为机器人可自由移动的区域，而深绿色像素代表机器人可通过其距离传感器感知到的不可通过障碍物。在每次试验中，机器人从场地的左上区域出发，行进至最终位置，该位置以一个较大的粉红色圆点表示。较小的黑色圆点代表与障碍物发生碰撞的位置，而用颜色编码的路径则反映了机器人运动随时间的演变情况。右侧的颜色条表示自实验开始以来经过的时间（单位：分钟）。(A) 闭环实验期间机器人所遵循的路径。(B) “空白”MEA实验期间的路径（MEA表面未培养细胞）。(C) 开环实验期间的路径（刺激频率在整个实验过程中保持恒定）。<a href="/files/ftp_upload/52341/52341fig1highres.jpg" target="_blank">请点击此处查看该图的高清版本。</a>
<img alt="Box plot diagram of hit distance analysis; categories: EMPTY, OL, CL, CL+TS." src="/files/ftp_upload/52341/52341fig2.jpg" data-altupdatedat="1787630408000" data-alt="Figure 2"> 
图2：闭环刺激和强直刺激影响性能结果。 该图展示了机器人在不同条件下连续碰撞之间行进距离的分布情况。其中，前两个分布代表对照实验（“Empty”表示MEA上未接种神经元的记录，“开环”（OL）表示使用“盲”机器人的实验）。后两列代表闭环条件，分别为未实施（CL）和实施了通过强直刺激（TS）实现的学习协议（CL + TS），强直刺激在机器人碰撞障碍物后传递至神经元网络。每个箱线图中，中央水平线段表示分布的中位数，空心方块表示均值，中间条带延伸至第一和第三四分位数，触须线延伸至第5百分位数th 和 95th 百分位数。离群值以菱形表示。统计分析采用基于秩的Kruskall-Wallis单因素方差分析：Student-Newman-Keuls法多重比较显示，所有中位数之间差异均具有统计学意义（p < 0.05）。 &lt; 0.05.
<img alt="Success rate comparison box plot; method: statistical analysis, diagram, data analysis." src="/files/ftp_upload/52341/52341fig3.jpg" data-altupdatedat="1787630408000" data-alt="Figure 3"> 
图3：解码影响机器人性能。 上图表示在限定时间内，机器人通过短距离轨道并成功导航的概率，该概率基于特定的解码算法。实验过程中实时进行簇发放（bursts）和孤立峰电位（isolated spikes）的识别。在第一种情况（“峰电位”）中，所有检测到的峰电位具有相同的相对权重；在第二和第三种分布中，孤立峰电位和属于簇发放的峰电位分别被赋予0权重。最后两列代表在计入所有峰电位但根据其位置赋予不同相对权重情况下的解码结果。具体而言，在第四列中，孤立峰电位的相对权重高于簇发放事件，而在第五列数据对应的解码中，权重关系则相反。在每个图中，中间线条表示分布的中位数，空心方块表示均值，中间条形延伸至第一和第三四分位数，触须线延伸至第5百分位数th 和 95th 百分位数。采用Kruskall-Wallis秩和检验进行单因素方差分析。组间两两比较（Student-Newman-Keuls法）显示存在显著差异（p &lt;在第1列与第4列、第2列与第4列、第2列与第5列、第2列与第3列之间可以观察到显著性差异（p < 0.05）。

本文提出了一种用于开展闭环实验的实验框架，其中信息处理（即在与机器人身体持续交互的过程中，研究神经元集合的编码与解码及其学习机制。

中枢神经系统（CNS）中的信息编码机制仍待探索。越来越多的证据表明，即使在非常基础的层面，其信息表征方式……

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。这种持续的交互能够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，从而可在不损害细胞活性的情况下进行持续数小时的实验。 第二步，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。接着，定义编码与解码参数，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，机器人代理在连续命中之间所行进的平均距离显著增加，显示出其导航能力的显著提升。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 示范演示。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。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。现在将碳酸盐缓冲液循环通入培养物中，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。随后，在任意一种多电极阵列（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。所有配置均要求每个期望的刺激通道使用两根导线，同时需要一条额外的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。将半周期持续时间设为 300 微秒，幅值设为 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。在连接图模式下，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，选择响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突发参数设为零。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选择“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。在本次学习运行过程中，来自机器人的刺激会从不规则刺激转变为泰坦刺激。当机器人碰撞到障碍物时，使用泰坦刺激来训练神经网络。保存数据后，通过取消勾选“输送至泰坦刺激”来再次关闭学习协议。勾选确认框后，点击“开始实验”以执行一段持续30分钟的学习后机器人运行。与之前相同，务必修改文件名以避免覆盖。除此前展示的虚拟机器人外，该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 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。每次试验中，机器人从 arena 的左上区域出发，移动至终点位置，终点以一个大的粉红色圆点表示。较小的黑色圆点代表与障碍物的碰撞位置。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。图中显示的是虚拟机器人在开环实验中的路径，此时机器人实际上处于“失明”状态。提供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。此处显示的是一次持续 20 分钟的闭环实验中虚拟机器人所遵循的路径，实验中当机器人碰撞到障碍物后，神经网络会接收到“受阻”反馈（satanic feedback）。请注意，与开环实验不同，该机器人成功绕过了多个障碍物。这表明，神经元与人工组件之间需要存在双向交互，才能实现机器人良好的导航性能。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。前两列显示了移动距离的分布情况，即两个对照实验：空 MEA 和开环配置。第三列和第四列分别显示了未施加和施加 Titanic 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答问题（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混合实验，以研究具身生物神经网络的计算特性。

closed-loop-neuro-robotic-experiments-to-test-computational

Research

科研

JoVE Journal

Neuroscience

神经科学

闭环神经机器人实验来检验神经网络的计算性能

我们利用闭环果蝇-机器接口来研究神经控制中的普遍原理。...

一种用于研究脑机接口闭环性能的实验平台

本视频展示了利用海马神经元构建三维神经元培养物并与平面微电极阵列耦合的方法。分离的神经元在微电极阵列的活性区域上形成二维网络，并附着于带有膜插件的多孔板中的玻璃微珠上。当将这些带有神经元的微珠转移至电极上时，它们会自组织成相互连接的三维神经网络。...

构建耦合微电极阵列的三维神经元网络

在乐高机器人上设计与实现神经系统模拟

闭环协议在现代电生理学中正日益普及。我们介绍一种简单、通用且成本低廉的方法，用于在皮层锥体神经元中执行复杂的电生理学实验方案 体外使用台式计算机和数字采集板。...

实时电生理学：利用闭环协议探究神经元动态及其更广泛应用

本文描述了一种培养 体外 由空间上受限、功能上相互连接的神经元回路组成的模块化网络。使用聚合物掩模在培养基底上构图蛋白层，以促进细胞在特定区域的黏附。接种的神经元在包被区域生长，形成自发连接并表现出电生理活性.

由功能互连回路构成的模块化神经网络的设计、表面处理、细胞接种与培养

在多电极阵列上培养的小鼠神经元细胞在接受电刺激后表现出反应增强。本方案演示了如何培养神经元、如何记录其活动，以及如何建立一种训练网络以响应特定刺激模式的实验方案。...

微电极阵列上神经元细胞培养物对刺激反应的时程依赖性增强

本方案演示了如何使用电生理系统，根据神经元活动模式触发闭环刺激。同时还提供了可轻松修改以适配不同刺激设备的示例 Matlab...

利用神经元放电活动在神经生理学实验中触发闭环刺激

我们总结了一种通过计算建模来模拟视网膜神经元在电刺激下行为的工作流程。该计算模型具有良好的通用性，包含自动化步骤，可用于模拟多种生理场景，并预测未来实验的结果 体内/体外...

用于视觉假体研究的视网膜神经元计算建模——基本方法

我们介绍一种灵活的化学和多模式刺激方法，可同时对多条秀丽隐杆线虫（Caenorhabditis...

自动化多模态刺激与同步记录多种小型生物的神经元活动

本研究探讨了可调节的柔性气动机器人对脑卒中后全脑网络拓扑结构的增强作用。图论分析表明，聚类系数、路径长度和全局效率均有显著改善。研究结果突显了可编程机器人方案在调节神经可塑性及优化脑卒中康复过程中功能恢复方面的潜力。...

软体气动机器人调节中风后手功能康复的脑网络图论指标

本方案展示了如何利用基于物理的神经模拟来解读神经治疗药物的电生理生物标志物，并揭示其对神经回路的影响，从而为神经治疗药物的开发提供一种具有机制基础的方法。...

利用人类新皮层神经求解器揭示神经治疗对脑电图影响的神经机制研究方案

了解闭环神经机器人实验方法，通过微电极阵列记录神经元活动并建立双向通信协议，实现生物神经网络与机器人系统的信息交换，显著提升机器人导航能力，为神经工程和脑机接口研究提供新思路。

闭环神经机器人实验以测试神经元网络的计算特性

探索更多视频