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

Das übergeordnete Ziel des folgenden Experiments ist es, die bidirektionale Interaktion zwischen einem biologischen Netzwerk aus dissoziierten Neuronen und einem kleinen Roboter zu untersuchen. Der kontinuierliche Dialog kann die Recheneigenschaften des neuronalen Systems verändern und so eine Art Lernen auslösen. Dies wird erreicht, indem eine neuronale Kultur über einem Mikroelektrodenarray vorbereitet wird, um eine mehrstündige experimentelle Sitzung zu ermöglichen, ohne die Zellaktivität zu beeinträchtigen.

In einem zweiten Schritt wird eine Antwortkarte der Kultur berechnet, die die Auswahl der Stimulationselektroden für das eigentliche Closed-Loop-Experiment ermöglicht. Anschließend werden Codierungs- und Dekodierungsparameter definiert, um den Informationsaustausch zwischen biologischen und elektronischen Systemen zu ermöglichen. Die Ergebnisse zeigen eine signifikante Steigerung der Navigationsfähigkeiten des robotischen Agenten, basierend auf dem Vergleich der durchschnittlichen zurückgelegten Strecke zwischen Treffern unter verschiedenen Kontrollbedingungen.

Diese Methode kann uns helfen, wichtige Fragen in unserem technischen Bereich zu beantworten, wie zum Beispiel: Können wir ein Wörterbuch erstellen, um die Sprache der Neuronen in die Sprache der Maschinen zu übersetzen und umgekehrt? Im Allgemeinen werden Personen, die neu in dieser Methode sind, aufgrund der technologischen Komplexität des Versuchsaufbaus und der Softwarearchitektur Schwierigkeiten haben. Das Verfahren wird von Martha Bizo, Doktorandin meines Labors, demonstriert.

Der erste Schritt besteht darin, ein Mikroelektrodenarray oder einen MEA-Chip mit 60 Elektroden vorzubereiten, der zur Stimulation oder Aufzeichnung des neuronalen Netzes verwendet werden kann. Nach dem Plattieren neuronaler Kulturen auf dem ME warten A-Chips etwa drei Wochen, bis das neuronale Netzwerk ausgereift ist. Heizen Sie am Tag des Experiments das MEA-Heizsystem fünf bis 10 Minuten lang vor, indem Sie den Temperaturregler auf 37 Grad Celsius einstellen und die Heizplatte unterhalb des MEA selbst einschalten.

Verwenden Sie auch eine beheizte Abdeckung, um die Verdampfung zu reduzieren, indem Sie sterilisierte gasdurchlässige Kappen im Autoklaven verwenden. Decken Sie die Kulturen mit einer Kappe ab, um die Verdunstung zu begrenzen und Änderungen der Osmolarität während der Aufzeichnung zu verhindern. Lassen Sie nun den Autobären über die Kultur zirkulieren, um sowohl den Sauerstoff- als auch den pH-Wert stabil zu halten. Lassen Sie die Kultur 30 Minuten ruhen Nach der Ruhephase zeichnen Sie die spontane Aktivität der neuronalen Zellen 30 Minuten lang auf.

Speichern Sie dann die Daten in einer Datei, indem Sie auf die Schaltfläche "Aufzeichnen" im Feld "Spikes" des Datenaufzeichnungsformulars klicken. Identifizieren Sie im Formular zur Anzeige von Rohdaten die 10 Kanäle mit der höchsten Spike-Anzahl. Wählen Sie dann diese Kanäle in einem der MEA-Layouts aus.

Hier wird die Codierungsform angezeigt, indem Sie den Mauszeiger über die gewünschten Bereiche ziehen. Sobald die Kanäle ausgewählt sind, klicken Sie mit der rechten Maustaste auf eine beliebige Stelle im MEA-Layout und wählen Sie im Popup-Menü die Option Zum linken sensorischen Bereich hinzufügen. Diese Elektroden werden in einem weiteren Schritt zur elektrischen Stimulation verwendet.

Überprüfen Sie anschließend, ob der Stimulator und der MEA-Verstärker richtig angeschlossen sind. Alle Konfigurationen erfordern zwei Drähte pro gewünschtem Stimulationskanal, während ein zusätzliches Koaxialkabel erforderlich ist, um das Synchronisationssignal zu übertragen. Wenn Sie fertig sind, schalten Sie den Stimulator ein.

Der nächste Schritt besteht darin, die Stimulusparameter in der Verbindungskartenform zu definieren. Alle Stimulationen, die an die Kultur abgegeben werden, erfolgen durch phasische Rechteckspannungswellen. Stellen Sie die halbe Dauer auf 300 Mikrosekunden und die Amplitude auf 1,5 Spitzenspannung ein.

Beginnen Sie mit der Aufzeichnung der Reaktion auf die Stimulation, indem Sie die Starttaste drücken. In der Verbindungskarte wird automatisch eine Reihe von 30 Stimuli bei 0,2 Hertz von einer der zuvor ausgewählten Stimulationselektroden abgegeben. Während diese Elektrode als Stimulationselektrode fungiert, werden die Reaktionen der restlichen 59 Elektroden auf dem MEA-Chip aufgezeichnet.

Mit einer Verzögerung von fünf Sekunden zwischen den Serien wird dann die Serie von 30 Stimuli nacheinander auf jeder der verbleibenden neun identifizierten Stimulationselektroden wiederholt, während Aufzeichnungen von den restlichen 59 Elektroden gesammelt werden. Als nächstes wird die Computerverbindung für jeden Stimulationskanal mithilfe von Spionagecode zugeordnet, einer Anwendung, die Berechnungen mit neuronalen Daten durchführt. Verwerfen Sie aus den Verbindungskarten alle Stimulationselektroden, die keine Reaktionen hervorgerufen haben.

Wählen Sie dann unter den verbleibenden Elektroden das Paar mit der geringsten Überlappung der Reaktionen aus, wie im Textprotokoll beschrieben, wählen Sie eine dieser Elektroden aus, um sensorische Informationen von der linken Seite des Roboters zu codieren, und die andere, um Messwerte von der rechten Seite zu codieren. Ziehen Sie dazu den Mauszeiger über eine Elektrode, klicken Sie mit der rechten Maustaste auf das MEA-Layout und wählen Sie dann Zum linken sensorischen Bereich hinzufügen. Ziehen Sie dann den Cursor über die andere Elektrode.

Klicken Sie mit der rechten Maustaste und wählen Sie Zum rechten sensorischen Bereich hinzufügen. Wählen Sie als Nächstes im Codierungsformular das Codierungsschema aus, indem Sie den Codierungstyp auf linear festlegen. Definieren Sie dann die minimalen und maximalen Stimulationsraten mit dem Standardbereich von 0,5 bis zwei Hertz und setzen Sie den Jitter-Parameter auf Null.

Legen Sie dann im Decodierungsformular die Parameter des Decodierungsalgorithmus fest. Das ist die Geschwindigkeitsänderung und die Zeitkonstante der Zerfallsparameter auf eins für eine mäßig aktive Kultur mit etwa einer Spitze pro Sekunde und Kanal. Legen Sie als Nächstes die Burst-Parameter des Decodierungsalgorithmus im Decodierungsformular auf Null fest.

Die Abklingzeit ist irrelevant, wenn die Geschwindigkeitsänderung Null ist. Wählen Sie im Formular "Experiment-Manager" die aufzuzeichnenden Daten aus, indem Sie auf die Kontrollkästchen "Spike-Daten speichern", "Roboterdaten" und "Stimuli-Daten" klicken. Starten Sie nun einen Pre-Learning-Roboterlauf, indem Sie im Experimentmanager-Formular auf die Schaltfläche Experiment starten klicken.

Wenn Sie dazu aufgefordert werden, wählen Sie neue Dateinamen für die Datendateien aus. Lassen Sie das Experiment 30 Minuten lang laufen. Klicken Sie dann auf die Schaltfläche Experiment stoppen, um den Roboterlauf zu stoppen.

Schalten Sie als Nächstes das Lernprotokoll ein, indem Sie die Stimulation "Auf 10 abgeben" danach markieren. Aktivieren Sie das Kontrollkästchen im Experiment-Manager-Formular. Klicken Sie dann erneut auf die Schaltfläche Experiment starten, um den Trainingsroboterlauf erneut für 30 Minuten durchzuführen.

Während dieses Lernlaufs wechselt die Stimulation durch den Roboter von unregelmäßigem zu titanischem Stimulus. Trifft der Roboter auf ein Hindernis, wird der Titanic-Stimulus genutzt, um das neuronale Netz zu trainieren. Schalten Sie nach dem Speichern der Daten das Lernprotokoll wieder aus, indem Sie die Option "Abgabe an Tanninstimulation" deaktivieren.

Nachdem Sie auf das Kontrollkästchen geklickt haben, klicken Sie dann auf Experiment starten, um einen 30-minütigen Roboterlauf nach dem Lernen durchzuführen. Denken Sie wie zuvor daran, die Dateinamen zu ändern, um ein Überschreiben zu verhindern. Zusätzlich zu dem zuvor gezeigten virtuellen Roboter können dieselben Trainingsläufe mit einem neuronalen Netzwerk und einem physischen Roboter verwendet werden.

Hier ist der Weg zu sehen, den ein virtueller Roboter während eines 20-minütigen leeren MEA-Experiments zurückgelegt hat. Für dieses Kontrollexperiment wurden keine Zellen auf dem MEA plattiert. Die hellgrünen Flächen sind für den Roboter frei, um sich zu bewegen, und die dunkelgrünen Kreise stellen unüberwindbare Hindernisse dar, die der Roboter durch seine Abstandssensoren wahrnehmen kann.

Bei jedem Versuch startet der Roboter im oberen linken Bereich der Arena und fährt zu seiner endgültigen Position, die als großer rosa Punkt dargestellt wird. Die kleineren schwarzen Punkte stellen Treffer gegen ein Hindernis dar. Die farbcodierten Pfade zeigen die verstrichene Zeit an.

Bei diesem Experiment ohne neuronales Netz wurde der Roboter durch das erste Hindernis gestoppt, auf das er stieß. Hier ist der Weg eines virtuellen Roboters während eines Open-Loop-Experiments zu sehen, bei dem der Roboter effektiv geblendet wird. Anstatt sensorische Informationen zu kodieren, sind die Stimulationszüge, die an das neuronale Netzwerk abgegeben werden, nur regelmäßige Sequenzen.

Hier ist der Weg zu sehen, den ein virtueller Roboter während eines 20-minütigen Experiments mit geschlossenem Regelkreis zurücklegte, bei dem das neuronale Netzwerk satanisches Feedback erhielt, nachdem der Roboter auf ein Hindernis gestoßen war. Beachten Sie, dass dieser Roboter im Gegensatz zum Open-Loop-Experiment viele Hindernisse erfolgreich umfahren hat. Dies deutet darauf hin, dass eine bidirektionale Interaktion zwischen den neuronalen und künstlichen Elementen notwendig ist, um gute Navigationsleistungen des Roboters zu erhalten.

Dieses Diagramm zeigt die Navigationsleistung des Roboters, ausgedrückt als Pixel, die zwischen nachfolgenden Treffern zurückgelegt werden. Die ersten beiden Spalten zeigen die Verteilung der zurückgelegten Strecken, zwei Kontrollexperimente, die leere MEA und die Open-Loop-Konfigurationen. Die dritte und vierte Säule zeigen die Performance ohne und mit der Abgabe von Titanic-Stimulation.

Nach jedem Aufprall auf ein Hindernis verbessert sich die Einführung der Titanic-Stimulation erheblich. Die zurückgelegte Strecke zwischen zwei aufeinanderfolgenden Treffern, wodurch die Navigationsleistung des Roboters verbessert wird. Dieses Diagramm stellt die Wahrscheinlichkeit dar, mit der ein gegebener Dekodierungsalgorithmus des Roboters in einer begrenzten Zeit erfolgreich durch eine kurze Strecke navigiert.

Die Dekodierungsparadigmen unterscheiden sich voneinander aufgrund der relativen Gewichtung von Bursts und isolierten Spikes nach seiner Entwicklung. Diese Technik ebnete den Weg für URGs im Bereich der Neurorobotik und Neuroprothetik, um zu erforschen, wie Gehirne und Maschinen miteinander verbunden werden können, um die Leistung moderner neuronaler Schnittstellen zu verbessern. Nachdem Sie sich dieses Video angesehen haben, sollten Sie ein gutes Verständnis dafür haben, wie Sie ein hybrides Experiment planen und durchführen, um die Recheneigenschaften eines verkörperten biologischen neuronalen Netzwerks zu untersuchen.