Name: Eine experimentelle Plattform für die Closed-Loop-Performance von Brain-Machine Interfaces Study (Video) | JoVE Journal
Uploaded: 2011-03-10T12:00:00.000+00:00
Duration: 10 min 51 s
Description: Erfahren Sie, wie neuronale Signale der H1-Zelle im Fliegenhirn zur Stabilisierung eines mobilen Roboters in Echtzeit genutzt werden. Diese Closed-Loop-Schnittstelle verbindet biologische und robotische Systeme.

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

K. Peterson wurde von einem Doktoranden-Stipendium von der Abteilung für Bioengineering und der Finanzierung durch die US Air Force Research Labs unterstützt. N. Ejaz wurde durch ein Doktoranden-Stipendium von der Higher Education Commission Pakistan und Finanzierung von der US Air Force Research Labs unterstützt.

1. Fly Vorbereitung <ol><li> Der erste Schritt beim Aufbau der Experimente ist die Vorbereitung der Fliege, so dass keine unfreiwillige Bewegung korrumpiert die Stabilität des neuronalen Aufzeichnungen und dass der Kopf der Fliege richtig ausgerichtet ist mit der visuellen Stimulation Ausrüstung. Zu Beginn der Vorbereitung der Fliege, kühlen sie auf Eis und dann stumpf-Spiesse auf den Flügeln halten, und befestigen Sie den hinteren Teil des fliegen, um ein Stück doppelseitiges Klebeband-auf einen Objektträger. </li><li> Als Nächstes verwenden Sie ein elektro-Ausbrennen Nadel Bienenwachs gelten für die Flügel, um die Folie legen und auch die Wirkung des Fluges Motorblock. Dieser Schritt erfordert eine schnelle und genaue Handhabung so, dass die Fliege nicht warm während des Verfahrens. </li><li> Jetzt unter dem Mikroskop, halten jedes Bein mit einer Pinzette und verwenden Sie ein paar kleine Schere, um sie abzuschneiden an den Gelenken am nächsten an den Körper. Wiederholen Sie dies für den Rüssel. Um zu verhindern, die Fliege vor dem Austrocknen, müssen die Löcher mit Wachs versiegelt werden. </li><li> Dann schneiden einem der Flügel aus und dann wieder die Fliege auf seiner Seite. Entfernen Sie alle verbleibenden Teile der Flügel, während die Calyptra für den Halteren und Dichtung das Loch mit Wachs. Wiederholen Sie diesen Vorgang für den anderen Flügel. </li><li> Zur Stimulierung ein Ziel Neuron in definierter Weise hat sich die Fliege den Kopf, um richtig mit dem Computer-Monitoren ausgerichtet werden. Dazu benötigen Sie eine angepasste Halterung, die einen breiten Raum für Körper der Fliege und ein Anhängsel hat an einem Ende mit einer Kerbe, wo die Fliege um den Hals gelegt werden. </li><li> Legen Sie die Fliege auf den Halter mit dem Hals in die Kerbe, drücken sie nach unten, während Kleben den Bauch statt. Legen Sie nun die Fliege Halter in einen Stand, so dass Sie die vor der Fliege den Kopf durch das Mikroskop sehen kann. </li><li> Anzeigen der Fliege mit rotem Licht, ein so genanntes optisches Phänomen der pseudo-Schüler können in jedes Auge gesehen werden. Die pseudo-Schüler bietet einen Bezugsrahmen, mit dem die Fliege den Kopf mit dem Reiz (Franceschini 1975) ausrichten können. Wenn die Pseudo-Schüler übernimmt eine bestimmte Form, wie das Bild einfügen unten, dann die Ausrichtung der Fliege den Kopf ist perfekt definiert. <img src="/files/ftp_upload/1677/1677fig0.jpg" alt="Pseudo-Pupille" data-altupdatedat="1787634011000" data-alt="Pseudo-Schüler"> </li><li> Verwenden Sie einen Mikromanipulator richtig orientieren the fly den Kopf, und dann mit Wachs kleben an den Inhaber. </li><li> Anschließend drücken Sie den Brustkorb flach und Wachs es an den Inhaber. Dies ermöglicht den hinteren Kopf Kapsel geöffnet, so dass die Elektroden in das Gehirn der Fliege eingesetzt werden kann. </li><li> Verwenden Sie ein Mikro-Skalpell oder einer feinen Injektionsnadel sorgfältig geschnitten ein Fenster in die Kutikula der rechten Kopf-Kapsel. Achten Sie darauf, das Nervengewebe direkt unter der Kutikula geschnitten. Nachdem das Stück Nagelhaut wird entfernt, ein paar Tropfen von Ringer-Lösung. </li><li> Verwenden einer Pinzette, um eine schwimmende Haare, Fettablagerungen oder Muskelgewebe, dass die Lobula-Platte abdecken können, zu entfernen. Die Lobula Platte kann durch eine charakteristische Verzweigung der Luftröhre silbrig, dass seine hintere Fläche umfasst identifiziert werden. </li><li> Schneiden Sie ein kleines Loch in die Kutikula der linken hinteren Kopfkapsel für die Positionierung einer Referenzelektrode. Mit der Fliege vorbereitet, mal sehen, wie die Aufnahme Elektrodenposition. </li></ol> 2. Positionierung der Aufnahme-Elektrode <ol><li> Mit der Fliege vorbereitet, lasst uns gehen die Ortung und Aufnahme von Signalen aus dem H1 Neurons. Die Aufnahme Elektrode muss in unmittelbarer Nähe zum H1 Neuron platziert werden. Die H1 Neuron hauptsächlich reagiert auf horizontale back-to-front motion präsentiert seine rezeptiven Feld (Krapp et al. 2001). </li><li> Zur Positionierung der Aufnahme-Elektrode, die Luftröhre als optisches Wahrzeichen. Zunächst legen Sie die Elektrode zwischen der obersten Luftröhre. </li><li> Es hilft, einen Audio-Verstärker verwenden, um die aufgenommenen elektrischen Potentiale in akustische Signale umwandeln. Jede einzelne Spitze ist in einem charakteristischen Klick-Geräusch gemacht. Je näher der Elektrode wird auf ein einzelnes Neuron, je klarer das Klick-Geräusch wird. </li><li> Zur Identifizierung der H1 Neuron durch seine Bewegung Präferenz, stimulieren sie mit Bewegung in horizontaler Richtung. Mit der Aufnahme Elektrode vorhanden, können zu bewegen auf die visuelle Stimulation und Aufnahmen. </li></ol> 3. Visuelle Stimulation und Recordings <ol><li> Die Closed-Loop-Experimente sind Setup, so dass diese, dass die Stimulation des H1 Neuron Ergebnisse in der Roboter Ausgleich für die Bewegung der Drehteller. Um zu beginnen, statt eine Fliege vor zwei CRT Monitoren. Da die Fliege visuelle System ist 10-mal schneller als das menschliche ist, müssen die Monitore zeigen 200 Bilder pro Sekunde. Die Monitore und andere elektrische Geräte müssen elektromagnetisch abgeschirmt werden, um externe Störungen in der gemessenen neuronalen Signalübertragung zu minimieren. </li><li> Position der Zentren der Monitore bei + / - 45 Grad relativ zur Fliege Orientierung. Wie aus der Fliege Auge Äquator gesehen, umspannt jeden Monitor in einem Winkel von + / -25 Grad in der Horizontalen und +/ -19 Grad in der vertikalen Ebene. </li><li> Synchronized-Eingang an den Computer-Monitoren wird durch zwei Videokameras auf einem kleinen, zweirädrigen ASURO Roboter montiert, dass für das Experiment modifiziert wurde zur Verfügung gestellt. </li><li> Position des Roboters auf einem Drehteller in einem zylindrischen Raum, dessen Wände sind mit einem Muster von vertikal ausgerichteten, schwarzen und weißen Streifen gesäumt. Durch Drehen des Dreh-Tabelle in der horizontalen Ebene, sind die Bewegungen des Roboters, nur einen Freiheitsgrad beschränkt. </li><li> Zunächst sowohl die Turn-Tisch und Roboter in Ruhe sind. Wenn der Drehteller in Bewegung setzt, führt die Drehung des Roboters, in die gleiche Richtung und die Videokameras erfassen die relative Bewegung zwischen dem Roboter und das Streifenmuster der Arena. </li><li> 45 Grad - Der batteriebetriebene Videokameras auf dem Roboter sind auf eine Orientierung von + / montiert. Sie fangen 200 Bilder pro Sekunde, um die Bildrate der Computer-Monitore vor dem fliegen übereinstimmen. </li><li> Melden Sie sich die Bilder präsentiert, die Computer-Monitore bei 200 Bildern pro Sekunde bei einer Auflösung von 640 x 480 (Graustufen). </li><li> Während der Fliege beobachtet die Bewegungen der Streifenmuster, notieren Sie die Band überbrückt gefiltert (z. B. zwischen 300 und 2 kHz) elektrische Signale mit einem Digital-Messkarte mit einer Abtastrate von mindestens 10 kHz. </li><li> Eine Schwelle anzuwenden die Band überbrückt gefiltert elektrische Signale an die Spitzen aus der Hintergrund-Aktivität zu trennen. Eine kausale, halb-Gauß-Filter ist mit den Spitzen gefaltet, um einen reibungslosen spiking Aktivität Schätzung für das H1-Zelle zu erhalten. </li><li> So schließen Sie die Schlaufe des Gehirns Maschine-Schnittstelle, ist ein Regelalgorithmus verwendet, um die Spike-Rate der H1-Zelle einen Roboter Geschwindigkeit, die Rückseite ist über eine Bluetooth-Schnittstelle zugeführt, um die zwei DC-Motoren steuern den Antrieb der Räder des Roboters zu konvertieren. </li><li> Reine Sinus-Wellen werden als Geschwindigkeitsprofile für die Turn-Tabelle gewählt. Die Sinus-Wellen haben eine DC-Offset, so dass die Drehteller dreht nur in die Richtung, die die H1 Neuron stimuliert entlang der Vorzugsrichtung. Die Stimulation der H1 Neuron Ergebnisse in der Roboter Ausgleich für die Bewegung der Drehteller. <img src="/files/ftp_upload/1677/1677fig1.jpg" alt="Abbildung 1" data-altupdatedat="1787634011000" data-alt="Abbildung 1"> Abbildung 1: Closed-Loop-Setup. In unserer Einrichtung ist spiking Aktivität der linken H1-Zelle verwendet werden, um die Bewegung eines Roboters auf einem Drehtisch montiert Kontrolle. Visuelle Bildbewegung als Folge der relativen Bewegung zwischen dem Roboter und dem Turn-Tabelle generiert wird über High-Speed-Kameras erfasst und angezeigt auf zwei CRT-Monitore vor dem fliegen. H1 spiking Aktivität aus der linken Hemisphäre wird verwendet, um die Echtzeit-Spike-Rate, die dann verwendet ein Steuergesetz zu einer Kompensation Geschwindigkeit des Roboters berechnen zu schätzen. Der Roboter gegenläufig stabilisiert das visuelle Bild Bewegung durch die Fliege im geschlossenen Regelkreis beobachtet. </li></ol> 4. Vertreter Outcome und Ergebnisse <ol><li> Wenn korrekt eingerichtet ist, ist die visuelle Stabilisierung erreicht, wenn die gegenläufige Drehung des Roboters die Rotation der Turn-Tabelle übereinstimmt, was wenig oder gar kein Muster Bewegung auf dem Computer-Monitore. Die Gesamtleistung des Systems hängt von der Regelalgorithmus eingesetzt, um den Kreis zu schließen. </li><li> Der erste Algorithmus testen wir ein Proportionalregler (Abbildung 2), wo die aktualisierte Roboter Geschwindigkeit ist proportional zur Differenz in Winkelgeschwindigkeiten zwischen dem Roboter, ωr und der Turn-Table, ωp. Unterschiedliche Werte für die statische Verstärkung, Kp, und Eingangsfrequenzen für den Drehteller Signal, ωp, werden ausgewählt, um die Leistung der Controller zu testen. <img src="/files/ftp_upload/1677/1677fig2.jpg" alt="Abbildung 2" data-altupdatedat="1787634011000" data-alt="Abbildung 2"> Abbildung 2: Proportional-Regler. (A) Die relative Bewegung zwischen dem Roboter und den Drehteller in die bevorzugte Richtung der H1-Zelle stimuliert, die Spike-Rate zu geben, ist F. Diese Spike-Rate in einer Geschwindigkeit Fehler, E umgewandelt und eine proportionale Steuerung wird verwendet, um die Schätzung aktualisiert Roboter Geschwindigkeit vr (t +1). Die Spike-Rate, F, ist die Geschwindigkeit Fehler, E umgewandelt, je nachdem, ob es kleiner oder größer als die spontane Spike-Rate, Fspont. Die Spike-Rate auf Fehler Umwandlung Geschwindigkeit ist durch die Projektion F über eine Cosinus (Intervall [π, 0]) Rechnung zu tragen Aufstockrate Schwelle Nichtlinearitäten getan. Die Konstanten 70 und 150 werden verwendet, um den 8-Bit-Eingangs-Geschwindigkeit des Roboters auf die minimalen und maximalen Winkelgeschwindigkeiten der Turn-Tabelle übereinstimmen. (B) Blockschaltbild Closed-Loop-System mit einem Proportional-Regler. Die Eingabe in das System ist ein sinosuidal Modulation der Drehteller Winkelgeschwindigkeit ist ωp (t), und die entsprechenden Roboter Antwort ωr (t +1) aufgezeichnet. </li><li> Probe Spuren für ω p und ω r sind hier für K p = 1 dargestellt und einer Eingangsfrequenz von 0,6 Hz für ω p (siehe Abbildung 3). Der Roboter (in grün) folgt der Turn-Tabelle (in blau) mit einer Verzögerungund einen kleineren Peak-Amplitude. Die horizontale Komponente des Musters Bewegung, dass die H1-Zelle stimuliert wird unten (in Rot). <img src="/files/ftp_upload/1677/1677fig3.jpg" alt="Abbildung 3" data-altupdatedat="1787634011000" data-alt="Abbildung 3"> Abbildung 3: Closed-Loop-Reaktionen. (A) Winkelgeschwindigkeiten für die Turn-Tabelle (blau), ωp und Roboter (grün), ωr, am Eingang Frequenz = 0,6 Hz. (B) Horizontal optischen Flusses wird gezeigt, wie aus eingeloggt Bilder (rot) berechnet. Pyramidal Lucas Kanade Methode (3 Pyramidenebenen) wird verwendet, um die Optik Strömungsfeld zwischen aufeinander folgenden Einzelbildern zu berechnen. Horizontal Winkelgeschwindigkeit wird durch die Summe der Projektionen der einzelnen Vektoren in die Strömungsfelder auf die horizontale Einheitsvektor i. berechnet Horizontal back-to-front Bewegung, dass die H1-Zelle erregt wird als PD (Vorzugsrichtung) bezeichnet, während horizontal von vorne nach hinten Bewegung, dass die H1-Zelle hemmt als ND (null Richtung) bezeichnet wird. </li><li> Eingangsfrequenzen für den Drehteller Signal, ωp, sind zwischen 0,03-3 Hz und die entsprechenden Roboter-Signal, ωr gewählt, wird aufgezeichnet. Beide Signale werden in den Frequenzbereich durch eine schnelle Fourier-Transformation transformiert (siehe Abbildung 4) und die Amplitude und Phase-Werte werden am Eingang Frequenz berechnet. <img src="/files/ftp_upload/1677/1677fig4.jpg" alt="Abbildung 4" data-altupdatedat="1787634011000" data-alt="Abbildung 4"> Abbildung 4: Frequenzgang Winkelgeschwindigkeit Signale für die Turn-Tisch, ωp und Roboter, ωr, sind in den Frequenzbereich mit der schnellen Fourier-Transformation (FFT)-Methode auf Amplitude und Phase-Komponenten bei der Eingangsfrequenz berechnen verwandelt.. Phase-Komponenten der FFT sind nicht in der Abbildung dargestellt. </li><li> Die Bode Größenordnung Grundstück für die proportionale Steuerung mit K p = 1 zeigt die Reaktion des Systems über die getesteten Eingangsfrequenzen (siehe Abbildung 5-a). Die Leistung der Controller in der Regel mit zunehmender Frequenz. Die leicht erhöhte Verstärkung bei 1 Hz ist als Folge der Schwingungen in der Roboter-Signal durch Verwendung von nur einem H1-Zelle, deren Dynamik (Ausgang) Bereich umfasst vor allem horizontale back-to-front Bewegung. <img src="/files/ftp_upload/1677/1677fig5.jpg" alt="Abbildung 5" data-altupdatedat="1787634011000" data-alt="Abbildung 5"> Abbildung 5: Proportional Controller-Leistung. Das Bode-Betrag und Phase Plots für die Proportional-Regler (gemittelt über 8 Fliegen), statische Verstärkung Kp = 1,0 (a) das Bode-Größe Grundstück etwa folgt ein Tiefpassfilter charakteristisch. Die leicht erhöhte Verstärkung bei 1 Hz ist als Folge der Schwingungen in der Roboter-Signal, ωr, die auf die Verwendung nur eines H1-Zelle, deren Dynamik (output)-Bereich umfasst im Wesentlichen horizontal von hinten nach vorne Bewegung. Die Anzahl der Schwingungen in der Roboter-Signal, ωr mit zunehmender Eingangsfrequenzen führt zu leicht höheren Gewinn zu erzielen bei diesen Frequenzen zu verringern. (B) der Bode Phase Grundstück ist kleiner als 180 ° für Eingangsfrequenzen ≤ 1 Hz und Ansätze Instabilität bei 3 Hz. Ab einem bestimmten Eingangsfrequenz, so wird der Regler instabil aufgrund der Kinematik des Roboters. Diese Instabilität tritt nur auf, jenseits der bekannten optimale Reaktion Bereich der Fliege visuelle System (Warzecha et al. 1999). </li><li> Das Bode-Phase-Plot (siehe Abbildung 5-b) zeigt einen Controller Phasenverschiebung weniger als Π für Eingangsfrequenzen &lt;0,6 Hz. Dies zeigt, dass der Regler stabil ist für Frequenzen &lt;0,6 Hz und instabil für Eingangsfrequenzen ≥ 1 Hz. </li><li> Die Leistung des Proportional-Regler mit einer statischen Kp (in blau) wurde mit einem adaptiven Regler (in rot), wobei der Wert für K p aktualisiert alle 50 ms basiert auf dem Gipfel Spike-Rate, F max, über Zeitintervall berechnet im Vergleich [t-500ms - t] (siehe Abbildung 6). Als Folge der großen Integration Zeitfenster, die proportional Controller besser als der adaptive Regler für die Parameter Reichweite getestet führt (siehe Abbildung 7-a). Die erste Zeit Integration Fenster von 500 ms wurde aus technischen Gründen im Zusammenhang mit der Roboter-Plattform sind wir mit ausgewählt. Der adaptive Regler hatte eine ähnliche Phase charakteristisch wie die Proportionalregler (siehe Abbildung 7-b). <img src="/files/ftp_upload/1677/1677fig6.jpg" alt="Abbildung 6" data-altupdatedat="1787634011000" data-alt="Abbildung 6"> Abbildung 6: Adaptive Steuerung zu gewinnen. Die Proportional-Regler verwendet eine statische Verstärkung, Kp, während die adaptive Steuerung schätzt den Gewinn kontinuierlich während geschlossenen Regelkreis. Die dynamische Verstärkung, Kp, ist umgekehrt proportional zur maximalen Spike-Rate, Fmax, über das Intervall t-500ms ≤ τ ≤ t. Abbildung zeigt drei Fälle, in denen Fmax im Laufe der Zeit geschätzt wird. Ausgehend von einem geschätzten Werte von Fmax, ist Kp höchsten während Zeitfenster 2 (grün) und am niedrigsten bei Zeitfenster 3 (orange). <img src="/files/ftp_upload/1677/1677fig7.jpg" alt="Abbildung 7" data-altupdatedat="1787634011000" data-alt="Abbildung 7"> Abbildung 7: Proportional vs adaptive Steuerung. Bode Betrag und Phase Parzellen für die proportionale (Kp = 1) und adaptive Steuerung(A) die adaptive Steuerung aktualisiert den Wert von Kp alle 50ms auf dem Gipfel Spike-Rate Schätzung Fmax in den letzten 500ms basiert. Die proportionale Verstärkung des Reglers Grundstück (blau) ist höher als die der adaptive Regler (rot) zeigt, dass es besser ist, erklingt in allen Eingangsfrequenzen. (B) der Bode Phase Parzellen für beide Controller ähnlich mit einem signifikanten Unterschied bei f = 0,3 Hz sind. Beide Controller-Ansatz Instabilität bei 3 Hz. Signifikant verschieden Verstärkung und Phase-Werte sind mit einem Sternchen (Wilcoxon-Methode, p = 0,05) angegeben. </li><li> Das Gittermuster rund um die Drehscheibe wurde entfernt und die Testumgebung wurde als eine Annäherung an naturalistischen visuellen Input für die Fliege H1-Zelle verwendet. Im Durchschnitt der Bode Größenordnung Plot (siehe Abbildung 8-a) für die naturalistische visuellen Input (in blau) zeigte geringfügig höhere Gewinne als die mit Gitter visuellen Input (in rot) wahrscheinlich, weil die breitere Palette von Ortsfrequenzen in naturalistischen Bildern ausgenutzt wird. Das Bode-Phase Plot Eigenschaften zum Reiben vs naturalistischen visuellen Eingänge waren ähnlich (siehe Abbildung 8-b). <img src="/files/ftp_upload/1677/1677fig8.jpg" alt="Abbildung 8" data-altupdatedat="1787634011000" data-alt="Abbildung 8"> Abbildung 8: Stripped Muster vs Laborumgebung. Das Bode-Betrag und Phase Plots für die Proportional-Regler, wenn mit abisolierten Muster (rot) vs Laborumgebung (blau) visuelle Bilder unter Closed-Loop vorgestellt (a) die Bode Größenordnung Grundstück für wenn Laborumgebung Bilder verwendet werden, ist geringfügig höher als beim Strippen Muster verwendet wird (außer bei f = 0,1 Hz), was eine bessere Leistung unter solchen Reiz. (B) der Bode Phase Grundstück sowohl unter Sehbedingungen folgen dem gleichen Muster, wobei beide nähern Instabilität bei 3 Hz. Signifikant verschieden Verstärkung und Phase-Werte sind mit einem Sternchen (Wilcoxon-Methode, p = 0,05) angegeben. </li></ol>

<ol><li>Chiappe, E. M., Seelig, J. D., Reiser, M. B., Jayaraman, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Walking+modulates+speed+sensitivity+in+Drosophila+motion+vision%5BTitle%5D)+AND+%22Curr.+Biol%22%5BJournal%5D)">Walking modulates speed sensitivity in Drosophila motion vision.</a> Curr. Biol. 20, 1470-1475 (2010).</li>
<li>Franceschini, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sampling+of+the+visual+environment+by+the+compound+eye+of+the+fly%3A+fundamentals+and+applications%5BTitle%5D)+AND+%22Photoreceptor+optics%22%5BJournal%5D)">Sampling of the visual environment by the compound eye of the fly: fundamentals and applications.</a> Photoreceptor optics. Snyder, A. W., Menzel, R. , Springer. Berlin Heidelberg New York. 98-125 (1975).</li>
<li>Karmeier, K., Tabor, R., Egelhaaf, M., Krapp, H. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Early+visual+experience+and+the+receptive-field+organization+of+optic+flow+processing+interneurons+in+the+fly+motion+pathway%5BTitle%5D)+AND+%22Vis.+Neurosci%22%5BJournal%5D)">Early visual experience and the receptive-field organization of optic flow processing interneurons in the fly motion pathway.</a> Vis. Neurosci. 18, 1-8 (2001).</li>
<li>Krapp, H. G., Hengstenberg, B., Hengstenberg, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dendritic+structure+and+receptive-field+organization+of+optic+flow+processing+interneurons+in+the+fly%5BTitle%5D)+AND+%22Jour.+of+Neurophys%22%5BJournal%5D)">Dendritic structure and receptive-field organization of optic flow processing interneurons in the fly.</a> Jour. of Neurophys. 79, 1902-1917 (1998).</li>
<li>Krapp, H. G., Hengstenberg, R., Egelhaaf, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Binocular+contributions+to+optic+flow+processing+in+the+fly+visual+system%5BTitle%5D)+AND+%22Jour.+of+Neurophys%22%5BJournal%5D)">Binocular contributions to optic flow processing in the fly visual system.</a> Jour. of Neurophys. 85, 724-734 (2001).</li>
<li>Longden, K. D., Krapp, H. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Octopaminergic+modulation+of+temporal+frequency+coding+in+an+identified+optic-flow+processing+interneuron%5BTitle%5D)+AND+%22Frontiers+in+Systems+Neuroscience%22%5BJournal%5D)">Octopaminergic modulation of temporal frequency coding in an identified optic-flow processing interneuron.</a> Frontiers in Systems Neuroscience. 4, 153-153 (2010).</li>
<li>Bender, J. A., Dickinson, M. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+comparison+of+visual+and+haltere-mediated+feedback+in+the+control+of+body+saccades+in+Drosophila+melanogaster%5BTitle%5D)+AND+%22J.+Exp.+Bio%22%5BJournal%5D)">A comparison of visual and haltere-mediated feedback in the control of body saccades in Drosophila melanogaster.</a> J. Exp. Bio. 209, 4597-4606 (2006).</li>
<li>Longden, K. D., Krapp, H. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((State-dependent+performance+of+optic+flow-processing+interneurons%5BTitle%5D)+AND+%22J.+Neurophysiol%22%5BJournal%5D)">State-dependent performance of optic flow-processing interneurons.</a> J. Neurophysiol. 102, 3606-3618 (2009).</li>
<li>Maimon, G., Straw, A. D., Dickinson, M. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Active+flight+increases+the+gain+of+visual+motion+processing+in%5BTitle%5D)+AND+%22%22%5BJournal%5D)">Active flight increases the gain of visual motion processing in.</a> 13, 393-399 (2010).</li>
<li>Petrovitz, R., Dahmen, H., Egelhaaf, M., Krapp, H. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Arrangement+of+optical+axes+and+spatial+resolution+in+the+compound+eye+of+the+female+blowfly+Calliphora%5BTitle%5D)+AND+%22J+Comp+Physiol+A%22%5BJournal%5D)">Arrangement of optical axes and spatial resolution in the compound eye of the female blowfly Calliphora.</a> J Comp Physiol A. 186, 737-746 (2000).</li>
<li>Warzecha, A. K., Horstmann, W., Egelhaaf, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Temperature-dependence+of+neuronal+performance+in+the+motion+pathway+of+the+blowfly+Calliphora+Erythrocephala%5BTitle%5D)+AND+%22J+Exp+Biology%22%5BJournal%5D)">Temperature-dependence of neuronal performance in the motion pathway of the blowfly Calliphora Erythrocephala.</a> J Exp Biology. 202, 3161-3170 (1999).</li>
</ol>

<ol><li> Fly Dissektion muss durchgeführt werden sorgfältig darauf achten, dass wir richtig orientieren the fly in Bezug auf die Computermonitore. </li><li> Die Trennung der Spikes von der H1 Neuron aus der Spikes von allen anderen Neuronen um ein gutes Signal-Rausch-Verhältnis, die dann verwendet werden, um den Roboter zuverlässig steuern zu bekommen. </li><li> Es ist darauf zu jeder Nervengewebe vor dem Austrocknen im Laufe des Experiments zu verhindern. </li><li> Die Kameras sind mit Computern über ein Ethernet-Kabel angeschlossen. Achten Sie darauf, dass sie nicht über-Wunde während des Experiments, wie das wäre die Drehung des Roboters beeinflussen. </li><li> Derzeit sind wir mit dem Spike-Aktivität von einem H1 zu einer Stabilisierung Aufgabe nur in einer Richtung von Gier Rotation Setup. Wir können hinzufügen, eine zweite Elektrode, um Signale von den linken und rechten H1 ist so, dass wir die Stabilisierung Regelalgorithmen in beide Richtungen von Gier Rotation Studie erhalten. </li><li> Wir entfernen die Arena mit den vertikal ausgerichteten schwarzen und weißen Streifen und die Nutzung der Testumgebung als optischer Reiz für die Fliege. Dies wird uns erlauben, closed-loop Performance mit naturalistischen Bildern zu studieren. </li><li> Der Roboter kann aus der Wende-Tisch entfernt und man ließ sie in der Testumgebung, während in Closed-Loop-Steuerung bewegen. Dies wird uns erlauben, Steuer-und Regelalgorithmen in Kollisionsvermeidung zu erforschen. </li><li> Die Drähte, die Kameras an den Computer können durch die Implementierung eines drahtlosen Übertragung System entfernt werden, so dass wir eine völlig hemmungslose Roboter-Setup. </li><li> Die Kennzahlen der verschiedenen Steuer-und Regelalgorithmen wird uns verstehen, wie unterschiedliche Strategien der Lage sind, mit nicht-stationäre und variable neuronale Signale zu bewältigen. Dieses Wissen kann dann in verschiedenen klinischen und nicht klinischen Gehirn-Maschine-Schnittstellen eingesetzt werden. </li><li> Dieser Versuchsaufbau ist der erste Schritt zur Aufnahme neuronaler Signale von verhaltenden Tier. Unser Ziel ist es, die Fliege an der Roboter-Platz und nutzen ihre neuronale Aktivität für Regelungstechnik. In einer solchen Konstellation wären wir in der Lage, neuronale Aktivität von the fly aufzeichnen, während sie erhält, ist multisensorischen Stimulation als Folge der Bewegung des Roboters. </li><li> Rekord nur Signale von einer Zelle. In der Konfiguration sollten wir Sie, würde das am besten geeignete Zelle die H1-Zelle. Isolating die Antworten der H1 Neuron von anderen Neuronen mit ähnlichen rezeptiven Feldern, zB H2, ist es wichtig, ein gutes Signal-Rausch-Verhältnis zu erhalten für die neuronale Aufnahmen. Die Antworten der H1 und H2 Neuronen können mit der Feststellung, dass die H2 charakteristisch unteren spontane hat und mittlere Aufstockrate als die H1 Neuron diskriminiert werden. Die Neuronen können auch auf der Basis ihrer Morphologie (Krapp et al. 2001) unterschieden werden. </li><li> Unser System ermöglicht es uns, die Closed-Loop-Verstärkung durch unsere Fly-Roboter-Schnittstelle auf eine Bildstabilisierung Aufgabe erreicht zu vergleichen und ihre Leistungsfähigkeit im closed-loop optomotorischen Gewinne in früheren Experimenten am Fliegen (Bender &amp; Dickinson 2006, Warzecha et al vergleichen . 1996, Heisenberg &amp; Wolf, 1990). Darüber hinaus ermöglicht es uns, state-abhängige Veränderungen in der visuellen Informationsverarbeitung untersucht werden, unter Closed-Loop-Bedingungen (Chiappe et al. 2010, Maimon et al. 2010, Longden &amp; Krapp 2009, Longden &amp; Krapp 2010). </li></ol>

<ol><li> 1) High-Speed ​​CRT Displays (LG Studioworks 221U) </li><li> High-Speed-Kameras (Prosilica GC640) </li><li> Robot Platform (ASURO mit kundenspezifische Modifikationen) </li><li> Serielle Bluetooth Modem (Bluesmirf) </li><li> Micro Step Drive (Applied Motion Systems, ST5-SI) </li><li> Stepper Motor (Sanyo Denki, 103H6704-0140) </li><li> Wolfram-Elektroden (fh-co.com - Item-Code - UEW SHG SE 3P1M) </li><li> Extrazelluläre Amplifier (NPI EXT 10-2F) </li><li> Motorisierte Mikromanipulator (Scientifica, PS-700-Z) </li><li> Stereo-Mikroskop (Leica, MZ95) </li></ol>

eine experimentelle plattform für die closed-loop-performance von brain-machine interfaces study

An Experimental Platform to Study the Closed-loop Performance of Brain-machine Interfaces

Die nicht-stationären Natur und Variabilität der neuronalen Signale ist ein grundsätzliches Problem in Gehirn-Maschine-Schnittstellen. Wir entwickelten ein Gehirn-Maschine-Schnittstelle, um die Robustheit der verschiedenen Steuer-Gesetze angewendet, um eine Closed-Loop-Bildstabilisierung Aufgabe zu beurteilen. Unter Ausnutzung der gut charakterisierten fliegen visuomotorische Weg erfassen wir die elektrische Aktivität von einem identifiziert, motion-sensitive Neuronen, H1, um die Gier-Drehung einer zweirädrigen Roboter zu steuern. Der Roboter ist mit 2 Hochgeschwindigkeits-Videokameras für die visuelle Bewegung Eingang zu einer Fliege vor 2 CRT Monitore platziert ausgestattet. Die Aktivität der Neuronen H1 zeigt die Richtung und die relative Geschwindigkeit des Roboters Rotation. Die neuronale Aktivität wird gefiltert und wieder in die Lenkung des Roboters durch proportional und proportional / adaptive Regelung zugeführt. Unser Ziel ist es, testen und optimieren die Leistung der verschiedenen Gesetze über die Kontrolle unter closed-loop Bedingungen für eine breitere Anwendung auch in anderen Hirn-Maschine-Schnittstellen.

Wir verwenden eine Closed-Loop-fly-Maschine-Schnittstelle auf allgemeine Prinzipien der neuronalen Steuerung zu untersuchen.

Eine experimentelle Plattform für die Closed-Loop-Performance von Brain-Machine Interfaces Study

Die nicht-stationäre Natur und Variabilität neuronaler Signale stellen ein grundlegendes Problem bei der Entwicklung von Gehirn-Maschine-Schnittstellen dar. Wir haben eine Gehirn-Maschine- ...

Wir nutzen die Aktivität eines visuellen Interneurons im Fliegenhirn, der H1-Zelle, um die Motoren eines mobilen Roboters zu steuern. Der Roboter befindet sich auf einer ständig rotierenden Drehscheibe, und die Aktivität der Zelle wird verwendet, um den Roboter relativ zur Umgebung gegenüber äußeren Bewegungen zu stabilisieren. Bilder der von dem Roboter aufgezeichneten Bewegungsmuster werden abgetastet und an zwei Computer-CRT-Monitore gesendet, die vor der Fliege positioniert sind.Die Signale der H-One-Zelle, gemessen in Spikes pro Sekunde, zeigen die Geschwindigkeit der Bewegung des Musters an. Anschließend werden verschiedene Regelgesetze angewendet, um die aufgezeichneten Spikes pro Sekunde in ein Steuersignal für die Motoren des Roboters umzuwandeln. Hallo, ich bin Navita Josh aus dem Holger Crops Labor der Abteilung für Bioingenieurwesen am Imperial College London.Ich bin Chris Peterson, ebenfalls aus Holger Cups Labor. Hallo, und ich bin Holger Cup. Heute zeigen wir Ihnen ein Verfahren zur Erstellung einer Gehirn-Maschine-Schnittstelle zwischen einzelnen Zellen des visuellen Systems der Fliege und einem Roboter.Wir verwenden dieses Verfahren, um die Leistungsfähigkeit verschiedener Steuerungsstrategien anhand neuronaler Signale zur Steuerung robotischer Systeme unter geschlossener Regelkreisbedingung zu testen. Beginnen wir also. Um die Fliege vorzubereiten, kühlen Sie sie auf Eis ab und verwenden Sie abgerundete Cocktailspieße, um die Flügel herunterzudrücken und den Rücken der Fliege auf einem Stück doppelseitigem Klebeband an einer Mikroskopplatte zu fixieren. Anschließend befestigen Sie mit B-Wachs die Flügel am Objektträger und blockieren damit gleichzeitig die Aktivität des Flugmotors.Dieser Schritt erfordert schnelles und präzises Vorgehen, damit die Fliege während des Verfahrens nicht aufwärmt. Halten Sie nun unter dem Mikroskop jedes Bein mit einer Pinzette fest und schneiden Sie es mit einer kleinen Schere an den Gelenken, die dem Körper am nächsten liegen, ab. Wiederholen Sie dies für den Rüssel.Um zu verhindern, dass die Fliege austrocknet, müssen die Löcher mit Wachs versiegelt werden. Danach wird ein Flügel abgeschnitten und die Fliege auf die Seite gedreht. Entfernen Sie alle verbleibenden Flügelreste, lassen Sie jedoch den Katra unangetastet, bedecken Sie die Hal-Tränen und verschließen Sie das Loch mit Wachs.Wiederholen Sie diesen Vorgang für den anderen Flügel. Um ein Zielneuron auf definierte Weise zu stimulieren, muss der Kopf der Fliege korrekt mit den Computermonitoren ausgerichtet sein. Dazu benötigen Sie einen speziell angefertigten Halter, der einen breiten Platz für den Körper der Fliege bietet und an einem Ende eine Vorrichtung mit einer ausgeschnittenen Kerbe aufweist, in die der Hals der Fliege eingelegt wird.Platzieren Sie die Fliege mit ihrem Hals in der Kerbe des Halters und drücken Sie sie herunter, während Sie den Hinterleib mit Klebstoff fixieren. Stellen Sie nun den Fliegenhalter in einen Halter, sodass Sie das Vorderende des Fliegenkopfs durch das Mikroskop betrachten können. Betrachten Sie die Fliege mit rotem Licht, dann ist ein optisches Phänomen, das als Pseudopupille bezeichnet wird, in jedem Auge sichtbar.Wenn die Pseudopupille eine bestimmte Form annimmt, ist die Orientierung des Fliegenkopfs eindeutig definiert. Orientieren Sie den Fliegenkopf mit einem Mikromanipulator korrekt und befestigen Sie ihn anschließend mit Wachs am Halter. Danach drücken Sie den Thorax flach nach unten und fixieren Sie ihn mit Wachs am Halter.Dadurch kann die hintere Kopfkapsel geöffnet werden, sodass Elektroden in das Fliegenhirn eingeführt werden können. Verwenden Sie ein mikrochirurgisches Skalpell oder eine feine Injektionsnadel, um vorsichtig ein Fenster in die Cuticula der rechten Kopfkapsel zu schneiden. Achten Sie darauf, das darunterliegende Nervengewebe nicht zu verletzen. Sobald das Stück Cuticula entfernt ist, geben Sie einige Tropfen Ringer-Lösung hinzu.Entfernen Sie mit einer Pinzette etwaige schwimmende Haare, Fettabscheidungen oder Muskelgewebe, die die LOA-Platte bedecken könnten. Die LOA-Platte ist an einem charakteristischen verzweigten Muster silbriger Tracheen erkennbar, das ihre hintere Oberfläche bedeckt. Schneiden Sie ein kleines Loch in das Cuticula des linken hinteren Kopfkapsels, um eine Referenzelektrode für das flugfähige Präparat zu positionieren.Sehen wir uns an, wie die Ableitelektrode positioniert wird. Die Ableitelektrode muss in unmittelbarer Nähe des H-one-Neurons platziert werden. Das H-one-Neuron reagiert hauptsächlich auf horizontale Bewegungen von hinten nach vorne, die in seinem Rezeptivfeld dargestellt werden.Um die Ableitelektrode zu positionieren, verwenden Sie die Luftröhre als visuellen Orientierungspunkt. Platzieren Sie die Elektrode zunächst zwischen den obersten Abschnitten der Luftröhre. Es ist hilfreich, einen Audioverstärker zu verwenden, um die aufgezeichneten elektrischen Potentiale in akustische Signale umzuwandeln.Jeder einzelne Aktionspotential wird in ein charakteristisches Klickgeräusch umgewandelt. Je näher die Elektrode einem einzelnen Neuron kommt, desto klarer wird das Klickgeräusch. Um das H-Neuron anhand seiner Bewegungspräferenz zu identifizieren, stimulieren Sie es mit einer Bewegung in horizontaler Richtung.Wenn die Ableitelektrode platziert ist, fahren wir mit der visuellen Stimulation und den Ableitungen fort. Platzieren Sie zunächst eine Fliege vor zwei CRT-Computermonitoren. Da das visuelle System der Fliege zehnmal schneller ist als das des Menschen, müssen die Monitore 200 Bilder pro Sekunde anzeigen.Die Mittelpunkte der Monitore befinden sich bei plus oder minus 45 Grad relativ zur Ausrichtung der Fliege. Gesehen vom Äquator des Fliegenauges, spannt jeder Monitor einen Winkel von plus oder minus 25 Grad in der horizontalen und plus oder minus 19 Grad in der vertikalen Ebene auf. Die Eingabe für die Computermonitore wird durch zwei Videokameras bereitgestellt, die an einem kleinen zweirädrigen SRO-Roboter montiert sind, der für das Experiment modifiziert wurde.Platzieren Sie den Roboter auf einem Drehteller innerhalb eines zylindrischen Bereichs, dessen Wände mit einem Muster aus vertikal ausgerichteten schwarzen und weißen Streifen ausgekleidet sind. Durch die Drehung des Drehtellers in der horizontalen Ebene werden die Bewegungen des Roboters auf nur einen Freiheitsgrad beschr&auml;nkt. Anfangs befinden sich sowohl der Drehteller als auch der Roboter in Ruhe.Wenn sich das Drehtablett zu bewegen beginnt, überträgt die Drehung die Roboter in dieselbe Richtung, und die Videokameras zeichnen die relative Bewegung zwischen dem Roboter und dem gestreiften Muster der Arena auf. Die batteriebetriebenen Videokameras am Roboter sind in einem Winkel von plus oder minus 45 Grad ausgerichtet. Sie nehmen 200 Bilder pro Sekunde auf, um der Bildwiederholfrequenz der Computermonitore vor der Fly-Log-Einheit zu entsprechen.Die Bilder werden auf den Computermonitoren mit 200 Bildern pro Sekunde bei einer Auflösung von sechs 40 mal vier 80 Graustufen dargestellt. Während die Fliege die Bewegungen des gestreiften Musters beobachtet, werden die elektrischen Signale bandgefiltert aufgezeichnet. Zum Beispiel zwischen 302 Kilohertz elektrische Signale mit einer digitalen Erfassungskarte und einer Abtastrate von mindestens 10 Kilohertz. Eine Schwelle wird auf die bandgefilterten elektrischen Signale angewendet, um die Spikes von der Hintergrundaktivität zu trennen.Ein kausaler halber Gauß-Filter wird mit den Spikes gefaltet, um eine geglättete Schätzung der Spikaktivität der H-eins-Zelle zu erhalten, um die Rückkopplungsschleife der Gehirn-Maschinen-Schnittstelle zu schließen. Ein Regelalgorithmus wird verwendet, um die Spikrate der H-eins-Zelle in eine Roboter-Geschwindigkeit umzuwandeln, die über eine Bluetooth-Schnittstelle zurückgegeben wird, um die beiden Gleichstrommotoren zu steuern, die die Räder des Roboters antreiben. Reine Sinuswellen werden als Geschwindigkeitsprofile für das Drehteller gewählt.Die Signale haben eine Gleichstrom-Offset, sodass sich die Drehscheibe nur in die Richtung dreht, die das H-eins-Neuron entlang seiner bevorzugten Richtung stimuliert. Das gesamte Steuersystem ist so eingerichtet, dass die Stimulation des H-eins-Neurons dazu führt, dass der Roboter die Bewegung der Drehscheibe ausgleicht, wenn er korrekt eingerichtet ist. Visuelle Stabilisierung wird erreicht, wenn die Gegenrotation des Roboters der Rotation der Drehscheibe entspricht, wodurch eine geringe oder keine Musterbewegung auf den Computermonitoren resultiert.Die Gesamtleistung des Systems hängt vom verwendeten Regelalgorithmus zur Schleifenrückführung ab. Der erste getestete Algorithmus ist ein Proportionalregler, bei dem die aktualisierte Roboter-Geschwindigkeit proportional zur Differenz der Winkelgeschwindigkeiten zwischen dem Roboter Omega R und dem Drehteller Omega P ist. Verschiedene Werte für die statische Verstärkung KP sowie Eingangsfrequenzen für das Drehteller-Signal Omega P werden gewählt, um die Leistung des Reglers zu testen.Beispielhafte Kurvenverläufe für Omega P und Omega R sind hier für KP gleich eins und eine Eingangsfrequenz von 0,6 Hertz für Omega P dargestellt; der Roboter in Grün folgt der Drehscheibe in Blau mit einer Verzögerung und einer geringeren Spitzenamplitude. Die horizontale Komponente der Musterbewegung, die die H1-Zelle anregt, ist rechts in Rot dargestellt – Eingangsfrequenzen für das Drehscheibensignal. Omega P wird zwischen 0,03 und drei Hertz gewählt, und das entsprechende Robotersignal Omega R wird aufgezeichnet.Beide Signale werden durch eine schnelle Fourier-Transformation in den Frequenzbereich überführt, und die Amplituden- und Phasenwerte werden bei der Eingangsfrequenz berechnet. Das Betragsdiagramm des BO d für den proportionalen Regler mit KP gleich eins zeigt die Reaktion des Systems über die getesteten Eingangsfrequenzen hinweg. Die Leistung des Reglers nimmt im Allgemeinen mit steigenden Frequenzen ab.Die leicht erhöhte Verstärkung bei einem Hertz resultiert aus Oszillationen im Robotersignal, die darauf zurückzuführen sind, dass lediglich eine H1-Zelle verwendet wird, deren dynamischer Ausgabebereich hauptsächlich horizontale Bewegungen von hinten nach vorne abdeckt. Das Bodhi-Phasendiagramm zeigt eine Phasenverzögerung des Reglers, die bei Eingangsfrequenzen unterhalb von 0,6 Hertz geringer ist als die einer PI-Regelung. Dies zeigt, dass der Regler für Frequenzen unterhalb von 0,6 Hertz stabil ist, für Eingangsfrequenzen größer oder gleich einem Hertz jedoch instabil wird.Die Leistung des Proportionalreglers mit einem statischen KP-Wert wurde mit einem adaptiven Regler verglichen, bei dem der KP-Wert alle 50 Millisekunden aktualisiert wurde. Basierend auf der maximalen Spikerate. F max, berechnet über das Zeitintervall von T minus 500 Millisekunden bis T. Aufgrund des großen Integrationszeitfensters zeigt der Proportionalregler eine bessere Leistung als der adaptive Regler im getesteten Parameterbereich; der adaptive Regler wies jedoch eine ähnliche Phasencharakteristik wie der Proportionalregler auf, das Bewegungsmuster um die Drehscheibe wurde entfernt, und die Laborumgebung wurde als Annäherung an natürliche visuelle Reize für die Fliege H1-Zelle verwendet.Im Durchschnitt wies das Bodhi-Betragsschaubild für den naturalistischen visuellen Input leicht höhere Verstärkungen auf als das mit graduiertem visuellem Input, wahrscheinlich weil der breitere Bereich räumlicher Frequenzen in naturalistischen visuellen Bildern ausgenutzt wird. Die Eigenschaften des Bodhi-Phasenschaubilds für graduierten im Vergleich zu naturalistischen visuellen Eingaben waren ähnlich. Wir haben Ihnen soeben gezeigt, wie man eine Schnittstelle zwischen einer Zelle des fünfteiligen visuellen Systems und einem Roboter erstellt.Während dieses Verfahrens gibt es einige kritische Schritte. Zunächst ist darauf zu achten, beim Öffnen der Kopfkapsel keine tiefen Schnitte zu machen, um das Gehirn nicht zu verletzen. Zweitens muss die Elektrode sorgfältig positioniert werden, sodass sie nur von einer einzigen Zelle aufzeichnet; wir nehmen die Ableitung von der H1-Zelle vor.Drittens halten Sie das Gehirn stets feucht und verhindern Sie, dass es austrocknet. Das war's. Vielen Dank fürs Zuschauen und viel Erfolg bei den Experimenten.

an-experimental-platform-to-study-closed-loop-performance-brain

Research

Forschung

JoVE Journal

Neuroscience

Neurowissenschaften

Wir stellen eine Methode zum Sammeln electrocorticographic Signale für die Forschung von Menschen, die sich einer invasiven Monitoring-Epilepsie sind. Wir zeigen, wie das BCI2000 Software-Plattform für die Datenerfassung, Signalverarbeitung und Stimulus Präsentation zu nutzen. Insbesondere zeigen wir, Sigfried, ein BCI2000-basiertes Tool für die Echtzeit-funktionelles Brain Mapping.

Aufnahme Menschliche Electrocorticographic (ECoG) Signale für neurowissenschaftliche Forschung und Real-time Funktionelle kortikale Mapping

Entwicklung eines effektiven Gehirn-Maschine-Interface (BMI) für die Wiederherstellung und Sanierung der zweibeinigen Fortbewegung erfordert eine genaue Entschlüsselung des Benutzers Absicht. Hier präsentieren wir eine neuartige experimentelle Protokoll und Datenerhebung Technik zur gleichzeitigen nichtinvasiven Erfassung neuronaler Aktivität, Muskelaktivität und Ganzkörper-Kinematik während der verschiedenen Aufgaben und Bedingungen Fortbewegung.

Gleichzeitige Scalp Elektroenzephalographie (EEG), Elektromyographie (EMG) und Ganzkörper-Segment Inertial Recording für Multi-modal Neural Decoding

In diesem Artikel wird ein experimenteller Rahmen zur Durchführung von Closed-Loop-Experimenten vorgestellt, in dem die Informationsverarbeitung (d.h. Codierung und Dekodierung) und das Lernen neuronaler Anordnungen während der kontinuierlichen Interaktion mit einem Roboterkörper untersucht werden.

Closed-loop Neuro-Roboter-Experimente zur Computational Eigenschaften Neuronale Netze Testen

Die Überwachung der Gehirnaktivität während aufrechter motorischer Aufgaben ist von großem Wert, wenn es darum geht, die neuronale Ursache von Bewegungsstörungen zu untersuchen. Hier demonstrieren wir ein Protokoll, das funktionelle Nahinfrarotspektroskopie mit einer kontinuierlichen Überwachung der Muskel- und kinematischen Aktivität bei 4 Arten von motorischen Aufgaben kombiniert.

Funktionale Nahinfrarotspektroskopie der die sensorischen und motorischen Hirnregionen mit Simultaneous kinematische und EMG-Überwachung Während Motor Aufgaben

Mit diesem Experiment könnte man in der Lage sein, Bewusstsein bei Menschen mit Bewusstseinsstörungen zu erkennen. Darüber hinaus kann durch den Ansatz ein einfacher Kommunikationskanal geschaffen werden, der es den Menschen ermöglicht, einfache Ja/Nein-Antworten auf Fragen zu geben.

Assessment und Kommunikation für Menschen mit Bewusstseinsstörungen

Wir präsentieren Protokolle und Methoden von Analysen, um koadaptive Schnittstellen zu erstellen, die menschliche Körper- und Herzsignale in enger Schleife streamen, parametrisieren, analysieren und modifizieren. Dieses Setup verbindet Signale, die vom peripheren und zentralen Nervensystem der Person abgeleitet werden, mit externen sensorischen Eingängen, um biophysikalische Veränderungen zu verfolgen.

Echtzeit-Proxy-Steuerung von re-parametrisierten Peripheriesignalen über eine Close-Loop-Schnittstelle

In diesem Artikel wird erörtert, wie eine Gehirn-Computer-Schnittstelle aufgebaut werden kann, indem man sich auf Geräte in Verbraucherqualität und stationäre, visuell evozierte Potenziale stützt. Zu diesem Zweck wurde ein Einkanal-Elektroenzephalograph, der trockene Elektroden nutzt, mit einer Augmented-Reality-Brille zur Reizdarstellung und Visualisierung der Ausgangsdaten integriert. Das endgültige System war nicht-invasiv, tragbar und tragbar.

Eine einkanalige und nicht-invasive tragbare Gehirn-Computer-Schnittstelle für Industrie und Gesundheitswesen

Das Ziel dieser Studie ist es, eine wichtige Referenz für den klinischen Standardbetrieb der motorischen Bildsprache Gehirn-Computer-Schnittstelle (MI-BCI) bei motorischer Dysfunktion der oberen Gliedmaßen nach Schlaganfall zu liefern.

Motorische Vorstellungskraft Gehirn-Computer-Schnittstelle bei der Rehabilitation der motorischen Dysfunktion der oberen Gliedmaßen nach einem Schlaganfall

In dieser Studie wird ein Gehirn-Computer-Interface (BCI)-System für Schlaganfallpatienten vorgestellt, das Elektroenzephalographie- und Elektrookulographie-Signale kombiniert, um eine Roboterhand der oberen Gliedmaßen zu steuern und so die täglichen Aktivitäten zu verbessern. Bei der Evaluation wurde der Berliner Bimanuelle Test für Schlaganfall (BeBiTS) durchgeführt.

Gehirn-Computer-Schnittstelle-gesteuertes Robotersystem für die oberen Gliedmaßen zur Verbesserung der täglichen Aktivitäten bei Schlaganfallpatienten

Diese Studie präsentiert ein standardisiertes und reproduzierbares Protokoll zur Implementierung des Spatial-Temporal-Frequency EEG Analysis Tool (STFEEG) zur EEG-Dekodierung motorischer Bildgestaltung, das konfigurierbare räumlich-zeitliche Frequenzsegmentierung, auf Basis von Common Spatial Patterns (CSP)-basierter Merkmalextraktion, mehrere Klassifikationsalgorithmen und Visualisierungsfunktionen integriert.

STFEEG-Tool: Ein räumlich-temporal-frequentes EEG-Analysewerkzeug für motorische Bildbildung von Gehirn-Computer-Schnittstellen

Erfahren Sie, wie neuronale Signale der H1-Zelle im Fliegenhirn zur Stabilisierung eines mobilen Roboters in Echtzeit genutzt werden. Diese Closed-Loop-Schnittstelle verbindet biologische und robotische Systeme.

Eine experimentelle Plattform für die Closed-Loop-Performance von Brain-Machine Interfaces Study

Weitere Videos entdecken