Name: Closed-loop Neuro-Roboter-Experimente zur Computational Eigenschaften Neuronale Netze Testen (Video) | JoVE Journal
Uploaded: 2015-03-02T14:00:00.000+00:00
Duration: 11 min 18 s
Description: Erfahren Sie Closed-loop-Experimente zur Untersuchung neuronaler Netzwerke mit Robotern. Diese Methode ermöglicht die Analyse bidirektionaler Interaktionen zwischen biologischen Neuronen und künstlichen Systemen für die Neurotechnik.

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

playerTrialDesktop

Die Autoren möchten sich dank Ph.D. Student Marta Bisio zur Kultivierung und Pflege von neuronalen Netzwerken auf Mikroelektrodenarrays und Dr. Marina Nanni und Dr. Claudia Chiabrera von NBT-IIT für die technische Hilfe für die Dissektion und Dissoziation Verfahren. Die Forschung, die zu diesen Ergebnissen geführt Mittel aus dem Siebten Rahmenprogramm der Europäischen Union erhalten (ICT-FET FP7 / 2007-2013, FET Young Explorers Schema) unter Finanzhilfevereinbarung Nr 284.772 BRAIN BOW ( <a href="http://www.brainbowproject.eu">www.brainbowproject.eu</a> ). Die Autoren möchten auch Silvia Chiappalone für ihre Hilfe bei der Erstellung der in der Einleitung verwendeten Grafiken danken.

1. Vorbereitung der neuronalen Kultur über einen MEA <ol><li> Platte neuronalen Kulturen auf MEA-Chips, wie beschrieben 29. Die Beschreibung eines ähnlichen Verfahrens ist ebenfalls vorhanden 9 und im Diskussionsabschnitt. </li><li> Drehen Sie den MEA-Heizung Anlage auf 5-10 Minuten vor Beginn der Aufnahme, um die thermische Belastung durch die Zellen, zu minimieren: Solltemperatur Ziel der Temperaturregler auf 37 ° C und schalten Sie die Heizplatte unter dem MEA selbst (in den meisten kommerziellen bereitgestellt MEA-Systeme) und, falls vorhanden, eine beheizte Abdeckung, um die Verdunstung signifikant reduzieren. </li><li> Sterilisieren gaspermeable Kappen vor jedem Gebrauch in einem Autoklaven mit feuchter Hitze (30 min, 130 ° C). Um Verdunstung zu vermeiden und Veränderungen in der Osmolarität zu verhindern, während der Aufnahme der Kulturen mit Kappen abgedeckt halten. </li><li> Legen Sie die neuronale Kultur im Verstärker 30 min vor dem eigentlichen Beginn der Aufzeichnung. HINWEIS: Einfach das Bewegen der Kulturen vom incubator zum Verstärker wird erheblich stören spontane Aktivität für etwa eine halbe Stunde. Während dieser Zeit wird Kulturmedium Temperatur zu stabilisieren. </li><li> Wenn ein carbair Schaltung verfügbar ist, starten Zirkulation carbair (eine Mischung aus 5% CO 2 und 95% O 2 + N 2) für Experimente länger als ein paar Stunden: Kulturen wird es um die beiden Sauerstoff- und pH-Werte zu erhalten benötigen stabil. </li></ol> 2. Auswahl der Aufnahmeparameter für MEA Acquisition <ol><li> Wählen Sie die Software-Filterbandbreite, um Spitzen zu erkennen (dh Mehrgeräteaktivität - MUA) 30: in der RawDataDisplay Form kennzeichnen die &quot;300 Hz-3 kHz&quot; Kontrollkästchen. </li><li> Starten Sie die Erfassung von Daten: Drücken Sie die Schaltfläche &quot;Start&quot; in der RawDataDisplay Form. </li><li> Set Threshold Verstärkung für Spike-Erkennung in der RawDataDisplay bis 7. HINWEIS: Je nach der gewünschten Spezifität / Selektivität Kompromiss und auf der angenommenen erkennenIonen-Algorithmus kann diese Schwelle zwischen 6 und 10 Mal die berechnete Standardabweichung festgelegt werden. </li><li> Stellen Sie Threshold Speicher bis 2 sec und drücken Sie die &quot;Lock&quot; -Taste, wenn keine Spikeaktivität auf dem Display sichtbar ist (beide Befehle im RawDataDisplay Form). Markieren Sie den &quot;Schätzen von SD Median&quot; Rauschstandardabweichung vom Mittelwert der Absolutwert des beobachteten Signals 31,32 zu berechnen, wenn es schwierig ist, selbst kurze Zeitfenster ohne spiking Aktivität liefern. Entfernen Sie das Häkchen aus dieser Möglichkeit nach dem Drücken der &quot;Lock&quot; -Taste, da der zugrunde liegende Algorithmus ist sehr rechenintensiv und kann dazu führen, den PC zurückbleiben. </li><li> Schalten Sie Spike Erkennungsroutine (&quot;Spike-Erkennung&quot; Checkbox in der RawDataDisplay Form). Wenn Spike-Erkennung wird bereits ausgeführt (dh, das Kontrollkästchen bereits markiert ist), zu verwerfen Spitzen bis zu diesem Zeitpunkt festgestellt, indem Sie auf die &quot;Reset&quot; -Taste in der Datenaufzeichnung Form. </li></ol> 3. Auswahl der MEA-Elektroden, um die neuronale Kultur und Antwortkarte Computation Stimulieren <ol><li> Nehmen Sie spontane Aktivität der Nervenzellen über die MEA 30 min kultiviert: Speichern von Daten, indem Sie die &quot;Record&quot; Schaltfläche Datei, in das Feld der Datenaufzeichnung als &quot;Spikes&quot;, nachdem die gewünschte Menge an Zeit (30 Minuten vergangen sind, in diesem fall). </li><li> Identifizieren Sie die 10 aktivsten Kanäle (dh 10 Kanäle mit der höchsten Spitze Zahl), dann wählen Sie die Kanäle in einer der MEA-Layouts (entweder in der Kodierung, Dekodierung oder Anschluss Karte Formen), indem Sie den Mauszeiger über die gewünschten Bereiche. Wenn die Kanäle ausgewählt werden, der rechten Maustaste irgendwo auf den MEA-Layout und wählen Sie &quot;In den sensorischen Bereich verlassen &#39;im Popup-Menü: diese Elektroden verwendet werden, um elektrische Stimulation in Schritt 3.5 zu liefern. </li><li> Überprüfen Sie, ob Stimulator und MEA-Verstärker richtig angeschlossen sind: alle Konfigurationen require zwei Drähte pro gewünschte Stimulationskanal, während ein zusätzliches Koaxialkabel erforderlich, um die Synchronität Signalübertragung (bitte in den Anleitungen für den spezifischen Instrumente für die Anschlusspläne beziehen) werden. Gehen Sie dann zu den Stimulator einzuschalten. </li><li> Definieren Reizparameter in der Verbindungskarte Form. Alle zu der Kultur zuge Stimulationen zweiphasigen Rechteckspannungswellen. Stellen Halbzeit zu 300 &amp; mgr; s und Amplitude auf 1,5 V pp 33. HINWEIS: Stimuli groß genug, um zuverlässig zu evozieren neuronalen Reaktionen sehr wahrscheinlich Kompromiss die Aufnahme der Tätigkeit von den gleichen Stellen. Im Rest des Papiers sollte Elektroden zur Stimulation Abgabe verwendet nicht zum Aufzeichnen relevante Informationen ausgewählt werden. </li><li> Nehmen Reaktion auf die Stimulation: drücken Sie die Schaltfläche Start in der ConnectionMap Form. Eine Reihe von 30 Stimuli mit einem Intervall von 5 Sekunden wird wiederum automatisch aus jeder der ausgewählten Elektroden geliefert, während Reaktionen Datensatzaus den verbleibenden 59 Elektroden ed. </li><li> Berechnen einer Verbindungsabbildung (dh die Wahrscheinlichkeit der Beobachtung einer Antwort von einer Elektrode, die innerhalb eines Zeitfensters nach der Lieferung von Stimulus aus einer anderen Elektrode) für jeden Kanal durch die Stimulierung jedem Mathematik Software oder SpyCode, eine Anwendung in der Vergangenheit entwickelt (und frei verfügbar auf Anfrage), um Berechnungen auf neuronalen Daten 28 durchzuführen. </li><li> Von den Anschlusskarten, wählen Sie am besten Elektroden: werfen Sie alle Stimulationselektroden, die keine Reaktionen hervorrufen haben (dh in dem Zeitfenster nach der Stimulation, Feuerraten sind nicht wesentlich höher als beim spontanen Feuer). <ol><li> Wählen Sie unter den übrigen Elektroden, das Paar mit der geringsten overleap in Antworten. Speziell für jede Stimulationselektrode, berechnen die durchschnittliche Spitze Zahl in jeder Aufzeichnungselektrode, dann berechnen Sie die Differenz zwischen den entsprechenden Elektroden für alle Stimulationselektroden-Paaren. Wählen Sie das Paar für which die Summe der absoluten Werte der Differenzen über die Reaktion aller Aufzeichnungskanäle am höchsten ist. </li></ol></li><li> Wählen Sie eine dieser Elektroden auf sensorische Informationen von der linken Seite des Roboters und der anderen, um Messwerte von der rechten Seite Code Code: Um dies zu tun, ziehen Sie den Mauszeiger über eine Elektrode mit der rechten Maustaste auf den MEA-Layout wählen &#39;In den sensorischen Bereich verlassen &quot;(oder&quot; nach rechts sensorischen Bereich hinzufügen &quot;). </li></ol> 4. Anbindung der neuronalen Kultur mit der Robot: Auswahl von Coding and Decoding Schemes <ol><li> Set &#39;Kodierung-Art &quot;im Coding Formular Linear. </li><li> Legen Sie minimale und maximale Stimulationsraten im Coding Form. Verwenden Sie den Standardbereich von 0,5 bis 2 Hz. </li><li> Stellen Sie die &quot;Jitter&quot; Parameter in der Codierung Form auf 0. </li><li> Festlegen der Dekodieralgorithmus Parameter bei der Decodierung Form (Gewicht und Extinktionskoeffizient) bis 1 für eine mäßig aktive Kultur (~ 1 Spitze / sec pro channel). Definieren Sie eine neue Parameterpaar, wenn Feuerraten stark und ständig von diesem Wert abweichen. Siehe Diskussion für die genaue Funktion der Parameter für die Decodierung. </li><li> Stellen Sie den Decodieralgorithmus platzen Parameter in der Decoding-Formular. Stellen Gewicht auf 0 (Abklingzeit ist dann irrelevant), es sei denn, zwischen Spikes und Bursts ist das Thema der Studie. HINWEIS: Die in Schritt 4.4 vorgeschlagenen Werte glatt Roboterbewegungen und Geschwindigkeiten kompatibel mit Roboterreaktionszeiten für mäßig aktive Ratte Primärkulturen zu produzieren. Die Burst-Parameter haben genau dieselbe Funktion wie jene in dem Schritt 4.4 beschrieben, aber das Auslöseereignis die Erfassung eines Burst anstelle einer Spitze: die Ist-Geschwindigkeit von jedem Rad ist einfach die Summe der Beiträge der detektierten Spitzen und platzt. </li></ol> 5. Entwurf der Navigation Arena für den Roboter <ol><li> Im virtuellen Bereich Designer bilden zwischen begrenzt (die Grenzen der Arena sichtbar für den Roboter und i wählen,mpassable) oder unbegrenzte (wenn der Roboter Ausgänge von einer Seite der Arena, es wird sofort neu eingeben von der gegenüberliegenden) Arena und den Arena Größe in Pixel. <ol><li> Verwenden Sie keine beschränkte Arenen kleiner als 100 x 100 Pixel, um eine signifikante Bewegung zu ermöglichen. Verwenden Sie keine Hindernisse mit einem Radius kleiner als 5 Pixel, wie sie können einfach zwischen den Sichtlinien des Roboters zu fallen. </li><li> Beachten Sie, dass sehr große Arena Größen kann dazu führen, die Leistung des Computers zu beeinträchtigen: wenn eine große Arena ist erforderlich, Test-Software die Leistung mit der gewünschten Arena vor Beginn schwer Wiederholungsversuchen. </li></ol></li><li> Set Roboterstartposition entweder manuell (klicken Sie auf die &#39;Manuelle Auswahl&#39; in der virtuellen Arena Designer Form, dann die gewünschte Stelle) oder durch Angabe der Koordinaten des Roboters an Experiment starten in der &quot;Robot Startposition&quot; Felder. </li><li> Fügen Sie beliebig viele unpassierbare Hindernisse in der Arena. Entweder legen Sie sie Menschenduell in der Arena nach Anklicken des &quot;Obstacle hinzufügen Manuell-Taste oder stellen Sie Anzahl und Größe Bereich. </li><li> Klicken Sie auf die &#39;Gene Arena&#39;, um die Arena mit den ausgewählten Funktionen zu generieren. Es werden keine Änderungen auftreten, bis diese Taste gedrückt wird. </li><li> Speichern Sie die entworfen Arena und laden Sie die relativen Datei, vor der Verwendung in einem Experiment mit den Schaltflächen im unteren Teil des virtuellen Arena Designer Form. </li></ol> 6. Auswahl MEA Elektroden zum Treffer neuronale Aktivität von der Kultur <ol><li> Wählen Sie als temporäre Aufzeichnungselektroden derjenigen, auf denen unterschiedliche Reaktionen, die in Schritt 3.8, wurden beobachtet: Elektroden, die größer Antworten nach Stimulation von der &quot;linken&quot; (oder &quot;rechts&quot;) Elektrode bilden die &quot;linke&quot; zeigte (oder &quot;rechts&quot;) Aufzeichnungselektroden. Verwenden Sie keine Elektroden, die keine signifikanten Reaktionen nicht zeigen entweder Stimulationselektrode zur Steuerung des Roboters. From die MEA Layout Pop-up-Menü wählen Sie &quot;In den linken Motorbereich&quot; (oder &quot;nach rechts Motorbereich hinzufügen&quot;), um Aufzeichnungselektroden zu definieren. </li><li> Wählen Sie die Funktionen, die in der Experiment-Manager Form aufzuzeichnen. In dieser Phase, Spannungsspitzen und Stimulation Zeitmarken sind das einzige relevante Informationen. </li><li> Führen Sie eine 10 Minuten Testfahrt: Beginn der Roboter, indem Sie auf die Start-Schaltfläche Experiment im Experiment-Manager Form auszuführen, klicken Sie noch einmal nach 10 Minuten vergangen sind. HINWEIS: Wenn alle Parameter eingestellt sind (Kodierung und Dekodierung, Roboter-Arena, anregend und Aufzeichnungselektroden, verfügt über den Rekord), wird ein Dateiname für Namen und Ziel aufgenommenen Dateien fragen, dann wird der Roboter in Bewegung in der Arena, nach den definierten Regeln. Alle ausgewählten Funktionen werden automatisch in Echtzeit gespeichert. </li><li> Wiederholen Sie die Schritte 3.6 und 6.1 auf die in Schritt 6.3 gewonnenen Daten, um die Aufzeichnungselektroden von Daten, die während einer tatsächlichen Roboterlauf gesammelt wählen (siehe Discussion für das Grundprinzip dieser zweistufigen Ansatz). </li></ol> 7. Durchführen eines Neuro-Roboter-Experiment <ol><li> Wählen Sie in der Experiment-Manager die Daten aufgezeichnet werden sollen bilden: markieren Sie den Spike, Roboter und Stimuli Datenkontrollkästchen. </li><li> Starten Sie eine pre-Learning-Roboter Lauf: Klicken Sie auf die &quot;Start Experiment &#39;in der Experiment-Manager Form. Wählen Sie neue Dateinamen für Dateien, wenn Sie dazu aufgefordert. Wenn 30 Minuten lang sind, klicken Sie auf die Schaltfläche &quot;Start Experiment&quot; erneut, um den Roboter Lauf zu stoppen. </li><li> Schalten Sie den Lernprotokoll (markieren Sie die &quot;Deliver tetanische Stimulation Nach Hit&quot; Kontrollkästchen in der Experiment-Manager Form) und führen Sie die Schulungsroboter Lauf, der die gleiche Länge wie die Pre-Workout Phase (dh, 30 min). Denken Sie daran, Eingang unterschiedliche Dateinamen, wenn aufgefordert, das Überschreiben von Daten aus Schritt 7.2 zu vermeiden. </li><li> Schalten Sie den Lernprotokoll wieder (deaktivieren Sie das Kontrollkästchen &quot;Deliver tetanische Stimulation Nach Hit &#39;) Und führen Sie die Post-Lernroboter laufen. Wieder einmal daran denken, Dateinamen zu überschreiben, um zu verhindern, ändern. </li></ol> 8. Zweite Antwort Karte Computation <ol><li> Wiederholen Sie die Schritte 3,1-3,6. Verwenden Sie die Daten aus diesen Aufnahmen, um zu testen, ob alle Änderungen entweder in den spontanen oder Aktivitätsmuster hervorgerufen durch den Lernprotokoll induziert worden. </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>

Die Autoren erklären, dass sie keine konkurrierenden finanziellen Interessen haben.

In diesem Artikel wird eine Neuro-Architektur Roboter auf einem neuronalen Steuerung (dh ein Netz von Neuronen aus dem Kortex oder des Hippokampus von embryonalen Ratten) bidirektional an einen virtuellen Roboter verbunden basiert, wird vorgestellt. Der Roboter, der Sensoren und Räder hat, ist gezwungen, in einem statischen Arena mit Hindernisse bewegen und ihre Aufgabe besteht darin, Vermeidung von Kollisionen. Der erste und vielleicht wichtigste Aspekt des beschriebenen Verfahrens ist die Herstellung der Kulturen selbst, da die Fehlerrate dazu neigen, signifikant sogar in den besten technischen Bedingungen. Eine detaillierte Beschreibung der Techniken, die Kultivierung wird jedoch außerhalb des Umfangs der vorliegenden Arbeit. Als allgemeine Regel sollte die Aufnahmen auf, wenn die Netzwerk-Feuerungsrate erreicht einen stabilen Pegel, in der Regel nach 3 Wochen in vitro. Eine grobe Angabe der gesunden Kulturen ist das Vorhandensein von spontanen elektrophysiologische Aktivität in mehreren Aufnahme channels (mindestens 20 Kanäle über 60 verfügbar). Solche Kulturen sind durch einen hohen Grad der neuronalen Interkonnektivität gekennzeichnet. Unter solchen Bedingungen wird die neuronale Aktivität in der Regel wird stark synchronisiert und in Zeiten, zeigt es epileptiforme Ereignissen, mit intensiven spiking gefolgt von Minuten langen Ruheperioden 37. Beide Funktionen stellen ein Problem: exzessive Synchronisation wird es unmöglich machen, Reaktionen auf Reize aus verschiedenen Elektroden zu unterscheiden, während Kulturen epileptiforme Aktivität zeigt, wird auf den ersten Reiz mit einer langen Ausbruch von Aktivität vorgestellt, gefolgt von einer Ruhephase zu reagieren, unabhängig davon, jede aufeinanderfolgende Impulse geliefert. Beide diese Probleme stark durch die Verwendung von gemusterten Kulturen 35, in welcher das neuronale Population in zwei oder mehrere schwach miteinander verbundenen Untergruppen aufgeteilt gelindert werden. Ein weiteres Problem ist, dass neuronale Reaktionen hängen stark von der Verteilung eingehender stimuli 38,39. In einem Closed-Loop-Experiment wird die gelieferten Stimulations eine Funktion der Sensorwerte, die ihrerseits eine Folge von Roboterbewegung und damit der neuronalen Antworten selbst. Dies impliziert, daß es keine einfache Möglichkeit, vorab festzustellen, was Antworten werden während des eigentlichen Experiments beobachtet werden. Infolgedessen muss die Auswahl des Eingabe-Ausgabe-Elektroden auf sukzessive Approximationen verlassen. In dem beschriebenen Protokoll kann ein zweistufiges Verfahren (nämlich die Schritte 5.5 und 6.4) durchgeführt wird, um zu versuchen, eine Verbindung der Karte zu bestimmen. Im ersten Schritt wird eine reguläre Folge von Stimulationen geliefert und Antworten auf solche Stimuli verwendet, um eine erste Verbindungskarte und eine temporäre Menge von Aufzeichnungskanälen abzuleiten. Dann wird diese Konfiguration verwendet, um die in Schritt 6.4 beschrieben Probefahrt durchführen und wählen Sie die Aufnahmekanäle, die während des eigentlichen Experiments überwacht wird. Im Ergebnisbereich, ein Vertreter Navigations result und die sofortige Verbesserungen durch die Einführung eines Lernparadigma gebracht werden vorgestellt. Während der Protokollbeschreibung sind mehrere andere mögliche Versuchsvarianten erwähnt. Zum Beispiel können die in HyBrainWare2 implementiert zwei Haupt Codiersysteme (linear und stochastische) wobei entwickelt die genaue Rolle der zeitlichen Eingangs Variabilität auf dem neuronalen Code 38 zu untersuchen. Im linearen Fall, erfolgt sofort Stimulationsrate in Abhängigkeit von benutzerdefinierten Parametern und Robotersensoren Aufnahmen. In der stochastischen Fall wird jedes Mal, beispielsweise eine vorgegebene Wahrscheinlichkeit, gewählt, um einen Anreiz zu liefern. Solchen Wahrscheinlichkeit wird automatisch durch HyBrainWare2 berechnet, so dass die erwarteten Stimulationsraten übereinstimmen, für den ersten Fall. Die Möglichkeit, Jitter in den linearen Codierung bietet einen reibungslosen Übergang zwischen den beiden oben beschriebenen Fällen. In der gleichen Weise, sich mit verschiedenen Kombinationen von Parametern in der Decodierabschnitt helfen könnte Aufschluss über die precise Rolle platzt in in vitro neuronale Netze. Die Geschwindigkeit von jedem Rad des Roboters erhöht sich proportional zur Gewichtsparameter jedesmal, wenn ein Ereignis in dem entsprechenden Ausgangsbereich erfaßt wird, während der Extinktionskoeffizient zeigt an, wie viel Zeit in Sekunden, die einer der Beiträge nimmt auf 50% seines Wertes verlieren . Der Zerfall ist eine einfache Exponentialfunktion. Diese Varianten wurden bereits berücksichtigt in das aktuelle Design der HyBrainWare2 genommen worden, aber viele weitere Forschungsmöglichkeiten sind offen, wenn weitere Änderungen in der Software oder Versuchsaufbau eingebracht werden kann. Ein ziemlich erhebliche Einschränkung der hier beschriebene Protokoll ist die Forderung der entwickelt kundenspezifische Software, HyBrainWare2 (auf Anfrage frei verfügbar für alle interessierten Nutzer). Diese Software wurde für eine Reihe von Geräten (Stimulator, Erfassungskarte, MEA-Verstärker) an ein bestimmtes Modell und Hersteller konzipiert. Zwar ist es möglich, passen sie auf di arbeitenfferent Setups, wird die Konvertierung einige Programmierkenntnisse zu nehmen. Ebenso decken die enthaltenen Optionen nur eine begrenzte Menge aller experimentellen Fragen, die durch ein solches Setup untersucht werden konnte. Beispielsweise wird die Spitzendetektionsalgorithmus in der dargestellten Architektur implementiert (genaue Zeit Spitzendetektions 40) vollständig durch mehrere hartcodierte Parameter, die geändert werden müssen, wenn der Gegenstand der Anmeldung ist sehr verschieden von dissoziierten neuronalen Netzen (zB Herzzellen definiert oder Scheiben). Schließlich wird der Lern ​​Protokoll besteht aus der Lieferung eines kurzen Hochfrequenz (2 sec mit 20 Hz Anregung jedes Auslöseimpulses ist die gleiche wie jene, die zur sensorischen Informationscode) Stimulation nach jedem Hindernis treffen. Wenn der Roboter auf ein Hindernis trifft mit seiner rechten Seite wird das tetanische Stimulation auf der Elektrode, die in der Regel-Codes für die rechte Seite Informationen und das gleiche gilt für die linke Seite Ergebnisse geliefert. Dieses Protokoll ist fest codiert und können nicht bohne Modifizierung austretenden Software e durch den Benutzer geändert wird. Während die Einstellung hier dargestellt ist nicht die erste verkörperten System für Hybrid geschlossener Schleife Experimenten 20,23,27,41,42, waren diejenigen, die in der Vergangenheit entwickelt, auf einem einzigen Dissertation von Daten aus einer begrenzten Anzahl von analogen Zubereitungen unterstützt fokussiert . Auf der anderen Seite hat sich die beschriebene Einrichtung für eine große Anzahl von Experimenten (mehr als 100 Kulturen haben seit 2012 aufgenommen wurden) mit den Vorbereitungen für die unterschiedlichen Modularität und Herkunft verwendet wurden, während die Experimente selbst adressierten verschiedenen Themen (zB Auswirkungen der tetanischen Stimulation und Relevanz von Platzen, wie in den Ergebnissen vorgelegt). In naher Zukunft werden neue experimentelle Sitzungen vorgesehen, um die anhaltende Wirkung der beiden tetanische und Closed-Loop-Stimulation und die Beziehung zwischen Stimulation Ordnungsmäßigkeit zu überprüfen und beobachteten Reaktionen. Eine weitere Problemstellung ist die Verbindung zwischen spontanen und beobachtete Aktivität, mitdie Idee, das Hinzufügen eines neuen Decodieralgorithmus, die berücksichtigt, die Geschichte der letzten Aktivität und Stimulation 43.

Viele Funktionen der Hirnfunktion sind derzeit nicht möglich, ein künstliches System replizieren. Die Fähigkeit des Gehirns, um schnell zu verarbeiten komplexe sensorische Informationen und zur Erzeugung, in der Antwort, ist präzise motorische Befehle an sich bereits über die aktuelle state-of-the-art. Aber seine Fähigkeit, unterschiedlichen Bedingungen durch das Lernen aus den Erfahrungen der Vergangenheit anzupassen, macht es so weit überlegen menschliche entwickelten Steuerungssysteme. Bisher versucht zu replizieren oder nutzen diese Plastizität haben wenig Erfolg, und das Verständnis für das Innenleben des Gehirns hat das Verständnis der Forscher entgangen. Eines der Hauptprobleme bei der Untersuchung der Beziehung zwischen Gehirn und Verhalten ist die Unfähigkeit, richtig greifen alle Variablen im System: im Idealfall eine optimale Versuchsaufbau würde gleichzeitige Aufnahme und Stimulation zu einer großen Anzahl von Nervenzellen ermöglichen, langfristige Stabilität , Überwachung von Synapsen Positionen und Gewichte, und kontrollierbar bi-directional Wechselwirkung mit der Umgebung. Die Schwierigkeit bei der gleichzeitigen Verfolgung all diese Variablen führte zur Untersuchung von Gehirn-Verhalten Beziehung zu zwei sehr unterschiedlichen Skalen: entweder mit lebenden Tier, ohne eine genaue Kontrolle über Versuchsbedingungen 1-7 oder mit kleinen, isolierten Teile, wie Teile der neuronales Gewebe, ohne Gesamtansicht des Systems 8. Im letzteren Fall, wenn kein entwickelt Versuchsaufbau ermöglicht die komplette Überwachung aller in der Arbeitsweise auch ein einfaches neuronales Netz beteiligten Parameter, ein guter Kompromiss wird von dissoziierten Neuronen über Micro-Elektroden Arrays (MEAs) 9 gewachsen ist. Diese Geräte am Ende der 70-er 10 geboren haben mehrere Vorteile gegenüber herkömmlichen Elektrotechniken: erstens die Möglichkeit der Aufzeichnung und Stimulieren einer neuralen Netzwerk an vielen verschiedenen Stellen auf einmal (gewöhnlich 60 Elektroden). Außerdem ist die Kopplung von MEAs mit Zellen fast nicht invasiveUnd ermöglicht die Beobachtung des gleichen Netzes für längere Zeiträume bis zu mehreren Monaten 11. Die physiologischen Wirkungen der elektrischen Stimulation auf dissoziierte Kulturen wurden ausgiebig dank dieser Vorrichtungen untersucht und zeigt, daß viele Eigenschaften bei höheren Skalen beobachtet (wie beispielsweise Plastizität und einfache Speicher verarbeitet 12-14) sind trotz des Verlustes von Architektur erhalten. Während der Kulturwachstum, beginnen diese Netzwerke, die Spontanaktivität bei etwa 7 Tage in vitro (DIV) 15,16. Netzwerkaktivität eher radikal mit weiterem Wachstum zu ändern; zunächst als Einzelspitzen sammeln nicht in Bursts (gegen Ende der zweiten Woche) 17, der später als sie sich ändert in ein hoch komplexes Muster synchronisiert ist, nicht-periodische Netzwerk Bursts 18, die das reife Zustand eines Netzwerks darstellt. Es wurde vorgeschlagen, 19, dass diese Synchron-Verhalten, ähnlich dem in in vivo Aufzeichnung beobachtetIngs auf schlafenden Tiere wird durch den Mangel an Sinnes verursacht. Ein anderer Ansatz versucht, ein besseres Verständnis des Informationscodierung wird durch Ausführen einer Closed-Loop-Experimente, in denen verschiedene Arten von Signalen verwendet, um die Stimulation der neuronalen Netzwerk selbst 11,20-23 Steuerung übernommen gewinnen. In diesen Experimenten wurde ein externes Mittel, das zur Wechselwirkung mit der Umgebung verwendet worden ist, um sensorische Information an das neuronale Netz, die wiederum hergestellten Kraftbefehlen für einen auslösenden Mechanismus gespeist erzeugen. Dies ermöglichte Beobachtungen, wie dynamische und adaptive Eigenschaften neuronaler Systeme als Antwort auf induzierte Veränderungen in der Umwelt entwickelt. Ein Setup ausführen &quot;verkörpert Neurophysiologie Experimente entwickelt, wo eine Sensorplattform mit Rädern (eine physische Roboter oder virtuellen Modell) bewegt sich in einer Arena und ihre Geschwindigkeitsprofile werden durch die Aktivität eines neuronalen bestimmtSystem (dh, eine Bevölkerung von Rattenneuronen über eine MEA kultiviert). Der Roboter wird durch die Geschwindigkeitsprofile der zwei unabhängig gesteuerte Räder und durch die Strommesswerte der Abstandssensoren sind. Die genaue Art der Abstandssensoren ist nicht relevant; sie können aktive oder passive optische Sensoren oder Ultraschallsensoren sein. Es ist klar, tritt dieses Problem nicht im Fall der virtuelle Roboter, in dem Sensoren können mit einer beliebigen Funktion ausgelegt werden gelten. In den Experimenten, die hier beschrieben wird, ist der Roboter verwendet immer die virtuelle Umsetzung mit 6 Abstandssensoren, der auf 30 °, 60 ° und 90 ° von der Roboter Position in beiden Richtungen. Die Aktivität der drei linken und rechten Sensoren gemittelt wird und die Aktivität der biologischen Kultur wird durch die von solchen &quot;Super-Sensoren (die nur als&quot; links &quot;und&quot; rechts &quot;Sensoren im Rest bezeichnet wird gesammelten Informationen angetrieben dieser Arbeit). Die Protocol beschrieben tatsächlich in die physische Roboter mit relativ geringfügigen Anpassungen verwendet werden. Die von dem Roboter (entweder physisch oder virtuell) gesammelten Informationen werden in einer Reihe von Stimuli, die verwendet werden, um die Aktivität des biologischen neuronalen Netzwerk, die physikalisch von dem Roboter getrennten manipulieren kodiert. Die Reize selbst sind alle identisch und somit keine Informationen zu codieren. Entscheidend ist ihre Häufigkeit: Stimulationsfrequenz erhöht sich, wenn der Roboter auf ein Hindernis nähert, mit unterschiedlichen Liefer Websites Codierung sensorischer Information aus dem linken und rechten &quot;Augen&quot; des Roboters. Das neuronale Netz wird unterschiedliche Antworten auf den ankommenden Zug von Reizen präsentiert: Die Aufgabe des Decodierungsalgorithmus, um die resultierende Netzwerkaktivität in Befehle verwendet, um die Räder des Roboters steuern, umzusetzen. Bei einer &quot;perfekten&quot; Netzwerkverhalten (dh mit einer zuverlässigen und völlig getrennt von Reaktionen auf verschiedene Reize Elektroden), würde dies Result in der Roboterfahr in seiner Arena, ohne auf jedes Hindernis. Die meisten Netzwerke vorhanden ein Verhalten sehr verschieden von Idealität, also eine einfache Lern Protokoll wird eingeführt: wenn aktiviert, tetanische Stimulation (kurze Phasen der Hochfrequenzstimulation, 20 Hz-Stimulation für 2 Sekunden, inspiriert von in 24,25 beschriebenen Protokolle) im Anschluss an eine Kollision mit einem Hindernis wird ausgeliefert. Wenn die tetanische Stimulation führt zu einer lokalen Verstärkung der Netzwerkverbindung, führt dies zu einer Progression der Navigationsfähigkeiten des Roboters führen. HyBrainWare2, eine verbesserte Version der kundenspezifische Software in 26 veröffentlicht wurde, ist die Core-Architektur entwickelt, um die Steuerung der verschiedenen Geräte des Systems (Stimulator, Datenerfassung, Verarbeitung und Visualisierung, Kommunikation oder Robotersimulation) zu behandeln. Diese Software wurde in unserem Labor entwickelt und ist auf Anfrage frei verfügbar. Diese Software stellt die Schnittstelle mitdie Datenerfassungskarte: sobald der Benutzer beginnt die Datenerfassung von der GUI steuert die Software die Erfassungskarte, die Probenahme und A / D-Wandlung der Daten, die von den Aufzeichnungselektroden starten. Diese Daten können dann aufgezeichnet, angezeigt Bild oder in Echtzeit analysiert, um Spannungsspitzen zu erkennen, entsprechend den vom Benutzer eingestellten Optionen (siehe Vorgehensweise Abschnitt). Weiterhin in der Software, die Definition Codierung (Übersetzung von sensorischer Information in ein elektrisches Stimulations) und Decodieren (Übersetzen von Aktivität in Kraftbefehle für den Roboter) Algorithmen angegeben werden. Insbesondere ist unser Setup relativ benutzerfreundlich im Vergleich zu ähnlichen Systemen in der Vergangenheit 27 ausgebildet ist, da fast alle Variablen können vom Anwender aufgerufen werden kurz vor Beginn der eigentlichen Experiment, während alle aufgezeichneten Informationen werden automatisch in einem Format mit kompatiblen gespeichert ein neuronales Datenanalyse-Toolbox 28. Der folgende Abschnitt beschreibt ein Verfahren Lernversuch dissoziierten Ratten-Hippocampus-Kulturen: alle die Kultivierung und Versuchsparameter sind für dieses bestimmte Zubereitung zur Verfügung gestellt und kann geändert werden müssen, wenn eine andere biologische Substrat verwendet werden soll. In ähnlicher Weise erfolgt die beschriebene Experiment Vorteil der closed-loop-Architektur, um den Lerneffekt tetanische Stimulation untersucht, aber die Architektur selbst ist flexibel genug, um bei der Untersuchung der verschiedenen Funktionen von dissoziierten neuronalen Netzwerken verwendet werden. Hauptvarianten des vorgeschlagenen Experiments sind weiter in der Diskussion Abschnitt erklärt.

<table><tbody><tr><td>Stimulus Generator 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 Acquisition Card</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 Multichannel System-National Adapterplatine für Instrumente</td><td>Entwickelt an der Universität Genua (Italien)</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><a href="https://docs.google.com/forms/d/1ffdr_a5OhzuuAduiPvoLJIvR4x_fDfsKvuM6RcRPLhU/viewform">HyBrainWare2: Kontaktinformationen</a></td></tr></tbody></table>

closed-loop neuro-roboter-experimente zur computational eigenschaften neuronale netze testen

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

Die Informationskodierung im Zentralnervensystem (ZNS) ist noch unerforscht. Es gibt immer mehr Hinweise darauf, dass die Repräsentation eines bestimmten Stimulus selbst auf einem sehr niedrigen Niveau vom Kontext und der Geschichte abhängen kann. Wenn dies tatsächlich der Fall ist, können bidirektionale Interaktionen zwischen dem Gehirn (oder gegebenenfalls einem reduzierten Modell davon) und dem sensomotorischen System Aufschluss darüber geben, wie die Kodierung und Dekodierung von Informationen durchgeführt wird. Hier wird ein experimentelles System vorgestellt und beschrieben, in dem die Aktivität eines neuronalen Elements (d.h. eines Netzwerks von Neuronen, das aus embryonalen Säugetier-Hippocampi extrahiert wurde) in einen Kontext gesetzt und zur Steuerung der Bewegung eines künstlichen Agenten verwendet wird, während Umweltinformationen als Sequenz von elektrischen Reizen an die Kultur zurückgespielt werden. Diese Architektur ermöglicht eine schnelle Auswahl verschiedener Kodierungs-, Dekodierungs- und Lernalgorithmen, um verschiedene Hypothesen zu den Recheneigenschaften neuronaler Netze zu testen.

Das entwickelte experimentelle Rahmen erlaubt das Testen, ob ein Austausch von Informationen zwischen einer Kultur von Neuronen und die virtuelle Realisierung einer physikalischen Roboters möglich ist 34. 1 zeigt mehrere Proben erhalten Pfade durch einen virtuellen Roboter 20 min Experimente unter verschiedenen Bedingungen gereist : von links, um eine ordnungsgemäße Closed-Loop-Experiment, eine &quot;leere MEA&quot; Roboter-Experiment (keine Zellen auf der MEA für diese Kontrollexperiment vernickelt) und eine Open-Loop-Roboter Experiment rechts (Stimulationsrate ist statt Programmierung Sensorinformationen konstant) vertreten sind. Die repräsentativen Spuren bestätigen, daß eine bidirektionale Interaktion zwischen den Neuronen und künstliche Elemente notwendig, um eine gute Navigation Leistungen des Roboters erhalten. Dennoch erfährt der Roboter mehrere Treffer gegen die Hindernisse. In Abbildung 2 ist die Navigationsleistung des Roboters, eals Pixel zwischen aufeinanderfolgenden Treffern reiste xpressed wird unter verschiedenen Bedingungen gezeigt. Die ersten beiden Spalten zeigen die Verteilung der Abstände in den oben (&quot;leere MEA &#39;und Open-Loop-Konfigurationen) genannten Kontrollexperimenten gereist, während die dritte und vierte Spalte zeigt die Leistung, ohne und mit bzw. die Lieferung der tetanischen Stimulation nach jedem treffen auf ein Hindernis. Die Einführung der tetanischen Stimulation (Vgl Ordnung, Punkt 7.2) deutlich verbessert die zurückgelegte Strecke zwischen zwei aufeinanderfolgenden Treffern und verbessert so die Navigation Leistungen des Roboters 35. In Abbildung 3 wird die Navigationsleistung eines Roboters mit unterschiedlichen Decodierbedingungen dargestellt. Zu diesem Zweck wurde eine andere Arena-Konfiguration festgestellt. Dies trug dazu bei, um die erfolgreiche Navigation des Roboters in der Arena 36 quantifizieren, wie in Schritt 4.1 des Verfahrens beschrieben wurde, ist der Roboterpräsentiert eine Reihe von kurzen Strecken. Die Erfolgsrate ist einfach das Verhältnis der Anzahl der erfolgreich überquerten Spuren, auf die Anzahl der dargestellten Spuren. Insbesondere bei den Versuchen ein Echtzeit-Identifizierung des Burst und isoliert Spitzen durchgeführt wurde. Die Decodierung Paradigmen voneinander unterscheiden aufgrund der relativen Gewichte von Bursts und isoliert Spikes (Vgl Verfahren weist 3,5-3,6 und Diskussion). <img alt="Figur 1" src="/files/ftp_upload/52341/52341fig1highres.jpg" width="700" /> Abbildung 1: Ein neuronales Netzwerk und ein Roboter einen bidirektionalen Informationsaustausch Diese Figur zeigt drei repräsentative Pfade durch den Roboter über 20 Minuten des Experiments gereist.. Insbesondere sind hellgrün Bereichen kostenlos für den Roboter zu bewegen, während die dunkelgrünen Pixeln darstellen unpassierbare Hindernisse, dass der Roboter durch seine Distanz-Sensoren wahrnehmen. In jedem Versuch startet i der Robotern das links oben auf der Arena und fährt auf seine endgültige Position, da ein großer rosa Punkt dargestellt. Die kleineren schwarzen Punkte stellen Zugriffe auf ein Hindernis, wobei die farbcodierten Pfad stellt eine Anzeige der Zeitentwicklung der Roboterbewegung. Der Farbbalken auf der rechten Seite drückt Zeit vom Beginn des Experiments in Minuten vergangen. (A) Pfad während einer Closed-Loop-Experiment gefolgt. (B) Pfad während einer &quot;leeren&quot; MEA Experiment gefolgt (keine Zellen auf der MEA kultiviert werden Oberfläche). (C) Pfad folgen während einer Open-Loop-Experiment (Stimulationsfrequenz während des gesamten Experiments konstant ist). <a href="/files/ftp_upload/52341/52341fig1highres.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version der Abbildung zu sehen.</a> <img alt="Abbildung 2" src="/files/ftp_upload/52341/52341fig2.jpg" /> Abbildung 2: Die Performance-Ergebnisse werden von geschlossenen betroffen-loop und tetanische Stimulation. Diese Grafik gibt die Verteilung der Strecken durch den Roboter zwischen aufeinander folgenden Hits in verschiedenen Bedingungen abgedeckt. Insbesondere stellen die ersten beiden Distributionen Kontrollexperimente (&quot;Empty&quot; für Aufnahmen ohne Neuronen auf der MEA, &quot;Open Loop&quot; (OL) für Versuch mit einem &quot;blinden&quot; Roboter vernickelt). Die letzten beiden Spalten den Zustand &quot;Closed-Loop&quot; darstellen, ohne (CL) und mit (CL + TS) die durch tetanische Stimulation (TS) implementiert Learning-Protokoll, an der Kultur folgende Treffer gegen ein Hindernis geliefert. In jeder Box, die zentrale Horizontalsegment entspricht dem Median der Verteilung, den leeren Platz der Mittelwert erstreckt sich die zentrale Bar mit dem ersten und dem dritten Quartil und die Barthaare an den 5. und 95. Perzentile zu erweitern. Ausreißer werden als Rauten dargestellt. Die Statistik wurde unter Verwendung des Kruskal-Wallis-Varianzanalyseauf den Plätzen: der Student-Newman-Keuls paarweisen Vergleich zeigt, dass alle Mittelwerte signifikant mit p &lt;0,05 sind. <img alt="Figur 3" src="/files/ftp_upload/52341/52341fig3.jpg" /> Abbildung 3: Die Dekodierung beeinflusst Roboterleistung Die obige Grafik stellt die Wahrscheinlichkeit für einen bestimmten Decodieralgorithmus, der der Roboter erfolgreich über eine kurze Strecke in einer begrenzten Zeit zu navigieren.. Identifizierung von Bursts und isolierte Spitzen wird in Echtzeit während des Experiments selbst ausgeführt. Im ersten Fall (&quot;Spikes&quot;) präsentieren alle erkannten Spitzen die gleiche relative Gewicht, für den zweiten und dritten Distributionen ein Gewicht von 0 wurde für jeweils gesetzt, isoliert Stacheln und Dornen auf einen Burst gehört. Die beiden letzten Spalten die in dem Fall, wo alle die Spitzen berücksichtigt erhaltenen Ergebnisse, jedoch mit einer unterschiedlichen relativen Gewichts entsprechend ihrer Position.Insbesondere in der vierten Spalte isoliert Spitzen wurden höhere relative Gewicht als Burst Ereignisse gegeben, während die Gewichtung für die Dekodierung in bezug auf das fünfte Spaltendaten invertiert. In jedem Diagramm die Mittellinie stellt den Median der Verteilung, den leeren Platz der Mittelwert, während die zentrale Bar erstreckt sich auf die erste und dritte Quartil und die Barthaare an den 5. und 95. Perzentile zu erweitern. Die Statistik wurde unter Verwendung der Kruskall-Wallis Varianzanalyse an Rängen. Die paarweisen Vergleich (Student-Newman-Keuls-Verfahren) zeigt, dass signifikante Unterschiede (p &lt;0,05) zwischen den Spalten 1 und 4, 2 und 4, 2 und 5, 2 und 3 beobachtet werden.

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

Information coding in the Central Nervous System (CNS) remains unexplored. There is mounting evidence that, even at a very low level, the representation ...

Das übergeordnete Ziel des folgenden Experiments besteht darin, die bidirektionale Interaktion zwischen einem biologischen Netzwerk dissoziierter Neuronen und einem kleinen Roboter zu untersuchen. Der kontinuierliche Austausch kann die rechnerischen Eigenschaften des neuronalen Systems verändern und eine Art Lernen hervorrufen. Dies wird erreicht, indem eine neuronale Kultur auf einem Mikroelektrodenarray präpariert wird, um eine experimentelle Sitzung über mehrere Stunden durchzuführen, ohne die Zellaktivität zu beeinträchtigen.Im zweiten Schritt wird eine Antwortkarte der Kultur berechnet, die die Auswahl stimulierender Elektroden für das eigentliche Closed-Loop-Experiment ermöglicht. Anschließend werden Codierungs- und Decodierungsparameter definiert, um den Informationsaustausch zwischen biologischen und elektronischen Systemen zu ermöglichen. Die Ergebnisse zeigen eine signifikante Verbesserung der Navigationsfähigkeiten des robotischen Agents, basierend auf dem Vergleich der durchschnittlich zurückgelegten Distanz zwischen Treffern unter verschiedenen Kontrollbedingungen.Diese Methode kann uns dabei helfen, zentrale Fragen in unserem ingenieurwissenschaftlichen Bereich zu beantworten, beispielsweise: Können wir ein Wörterbuch erstellen, um die Sprache der Neuronen in die Sprache der Maschinen und umgekehrt zu übersetzen? In der Regel haben Personen, die neu in dieser Methode sind, Schwierigkeiten aufgrund der technologischen Komplexität des experimentellen Aufbaus und der Software-Architektur. Die Durchführung des Verfahrens wird Martha Bizo, Doktorandin in meinem Labor, demonstrieren.Der erste Schritt besteht darin, einen Mikroelektrodenarray oder MEA-Chip mit 60 Elektroden vorzubereiten, der zur Stimulation oder Ableitung des neuronalen Netzwerks verwendet werden kann. Nach dem Aufbringen neuronaler Kulturen auf die MEA-Chips warten Sie etwa drei Wochen, bis das neuronale Netzwerk ausgereift ist. Am Tag des Experiments heizen Sie das MEA-Heizsystem fünf bis zehn Minuten vor, indem Sie den Temperaturregler auf 37 Grad Celsius einstellen und die Heizplatte unterhalb des MEA-Chips einschalten.Verwenden Sie außerdem eine beheizte Abdeckung, um die Verdunstung zu reduzieren, und decken Sie die Kulturen mit gasdurchlässigen, autoklavierten Kappen ab, um Verdunstung zu begrenzen und Veränderungen der Osmolarität während der Aufzeichnung zu verhindern. Lassen Sie nun Karbonat-Puffer über die Kultur zirkulieren, um stabile Sauerstoff- und pH-Werte aufrechtzuerhalten. Lassen Sie die Kultur 30 Minuten ruhen. Nach der Ruhephase nehmen Sie die spontane Aktivität der neuronalen Zellen 30 Minuten lang auf.Danach die Daten speichern, indem der Aufnahmeknopf im Spikes-Feld des Datenaufnahmeformulars angeklickt wird. Im Rohdaten-Anzeigeformular die 10 Kanäle mit der höchsten Spikesanzahl identifizieren. Anschließend diese Kanäle in einem der MEA-Layouts auswählen.Die Codierform wird hier angezeigt, indem der Mauszeiger über die gewünschten Bereiche gezogen wird. Sobald die Kanäle ausgewählt sind, klicken Sie mit der rechten Maustaste an einer beliebigen Stelle des MEA-Layouts und wählen Sie im Kontextmenü „zum linken sensorischen Bereich hinzufügen“. Diese Elektroden werden in einem späteren Schritt zur Abgabe elektrischer Stimulation verwendet.Als Nächstes überprüfen Sie, ob der Stimulator und der MEA-Verstärker korrekt angeschlossen sind. Alle Konfigurationen erfordern zwei Drähte pro gewünschtem Stimulationskanal, während ein zusätzlicher Koaxialkabel benötigt wird, um das Synchronisationssignal zu übertragen. Wenn alles bereit ist, schalten Sie den Stimulator ein.Der nächste Schritt besteht darin, die Reizparameter im Verbindungsplan-Formular festzulegen. Alle der Kultur zugeführten Stimuli erfolgen mittels phasischer, rechteckförmiger Spannungsimpulse. Stellen Sie die Halbzeitdauer auf 300 Mikrosekunden ein und legen Sie die Amplitude auf 1,5 Volt (Spitze zu Spitze) fest.Beginnen Sie mit der Aufzeichnung der Antwort auf die Stimulation, indem Sie die Start-Taste drücken. Im Verbindungsplan wird automatisch eine Serie von 30 Stimuli mit 0,2 Hertz von einer der zuvor ausgewählten Stimulations-Elektroden abgegeben. Während diese Elektrode als Stimulations-Elektrode fungiert, werden Antworten von den verbleibenden 59 Elektroden auf dem MEA-Chip aufgezeichnet.Danach werden die Serien mit 30 Stimuli jeweils auf den verbleibenden neun identifizierten Stimulations-Elektroden wiederholt, wobei zwischen den Serien eine Pause von fünf Sekunden liegt und gleichzeitig Aufzeichnungen von den verbleibenden 59 Elektroden gesammelt werden. Anschließend erstellt man mithilfe von SpyCode, einer Anwendung zur Berechnung neuronaler Daten, für jeden stimulierenden Kanal eine Computer-Verbindungskarte. Aus diesen Verbindungskarten werden alle stimulierenden Elektroden für die weitere Analyse ausgeschlossen, die keine Antworten hervorgerufen haben.Danach unter den verbleibenden Elektroden das Paar mit der geringsten Überlappung in den Antworten auswählen, wie im Textprotokoll beschrieben, und eine dieser Elektroden zur Kodierung sensorischer Informationen aus der linken Seite des Roboters und die andere zur Kodierung von Messwerten aus der rechten Seite bestimmen. Ziehen Sie dazu den Mauszeiger über eine Elektrode, klicken Sie rechts in das MEA-Layout und wählen Sie „zum linken sensorischen Bereich hinzufügen“. Danach den Cursor über die andere Elektrode ziehen.Rechtsklicken und „Zum rechten sensorischen Bereich hinzufügen“ auswählen. Anschließend im Codierungsformular das Codierungsschema auswählen, indem der Codierungstyp auf linear gesetzt wird. Danach die minimale und maximale Stimulationsrate definieren, indem der Standardbereich von 0,5 bis zwei Hertz verwendet wird, und den Jitter-Parameter auf null setzen.Danach im Decodierungsformular die Parameter des Decodierungsalgorithmus festlegen. Das bedeutet, die Parameter für die Geschwindigkeitsänderung und die Abklingzeitkonstante für eine mäßig aktive Kultur mit ungefähr einem Spikes pro Sekunde und Kanal auf eins setzen. Anschließend im Decodierungsformular die Burst-Parameter des Decodierungsalgorithmus auf null setzen.Die Abklingzeit ist unerheblich, wenn die Geschwindigkeitsänderung null beträgt. Wählen Sie im Formular des Experimentmanagers die aufzuzeichnenden Daten aus, indem Sie die Kontrollkästchen für das Speichern von Spikedaten, Roboterdaten und Stimulationsdaten aktivieren. Starten Sie nun einen Roboterlauf vor dem Lernen, indem Sie im Formular des Experimentmanagers die Schaltfläche „Experiment starten“ auswählen.Wählen Sie bei entsprechender Aufforderung neue Dateinamen für die Datendateien. Lassen Sie das Experiment 30 Minuten lang laufen. Klicken Sie dann auf die Schaltfläche „Experiment stoppen“, um den Roboterlauf zu beenden.Schalten Sie als Nächstes das Lernprotokoll ein, indem Sie die Auslieferung nach 10 Stimuli 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 ändert sich die Stimulation durch den Roboter von unregelmäßig zu Titanic-Stimulation. Wenn der Roboter auf ein Hindernis trifft, wird die Titanic-Stimulation verwendet, um das neuronale Netzwerk zu trainieren. Nachdem die Daten gespeichert wurden, schalten Sie das Lernprotokoll erneut aus, indem Sie die Zustellung der tannischen Stimulation deaktivieren.Nachdem Sie das Kontrollkästchen aktiviert haben, klicken Sie auf „Experiment starten“, um einen 30-minütigen Robotertest nach dem Lernvorgang durchzuführen. Wie zuvor sollten Sie darauf achten, Dateinamen zu ändern, um Überschreibungen zu vermeiden. Zusätzlich zum zuvor gezeigten virtuellen Roboter kann dieser gleiche Satz an Trainingsläufen auch mit einem neuronalen Netzwerk und einem physischen Roboter verwendet werden.Hier ist der Weg dargestellt, dem ein virtueller Roboter während eines 20-minütigen leeren MEA-Experiments folgt. Für dieses Kontrollexperiment wurden keine Zellen auf das MEA aufgebracht. Die hellgrünen Bereiche sind für den Roboter frei begehbar, während die dunkelgrünen Kreise unbewegliche Hindernisse darstellen, die der Roboter mithilfe seiner Abstandssensoren wahrnehmen kann.In jedem Versuch startet der Roboter im oberen linken Bereich der Arena und bewegt sich zu seiner Endposition, die als großer rosa Punkt dargestellt ist. Die kleineren schwarzen Punkte stellen Kollisionen mit einem Hindernis dar. Die farbkodierten Pfade zeigen die verstrichene Zeit an.In diesem Experiment ohne neuronales Netzwerk wurde der Roboter durch das erste Hindernis angehalten, auf das er stieß. Gezeigt ist hier der Weg eines virtuellen Roboters während eines Open-Loop-Experiments, bei dem der Roboter effektiv geblendet ist. Anstelle von sensorischen Informationen werden dem neuronalen Netzwerk nur regelmäßige Stimulationssequenzen zugeleitet.Hier ist der Weg dargestellt, dem ein virtueller Roboter während eines 20-minütigen Closed-Loop-Experiments folgte, 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 umfuhr. Dies zeigt, dass eine bidirektionale Interaktion zwischen den neuronalen und den künstlichen Elementen notwendig ist, um eine gute Navigationsleistung des Roboters zu erzielen.Dieses Diagramm zeigt die Navigationsleistung des Roboters, ausgedrückt als zurückgelegte Pixel zwischen aufeinanderfolgenden Kollisionen. Die ersten beiden Spalten zeigen die Verteilung der zurückgelegten Distanzen bei zwei Kontrollversuchen, der leeren MEA und der Open-Loop-Konfiguration. Die dritte und vierte Spalte zeigen die Leistung ohne und mit der Applikation der Titanic-Stimulation.Nach jedem Zusammenstoß mit einem Hindernis verbessert sich die Einführung der Titanic-Stimulation signifikant. Die zwischen zwei aufeinanderfolgenden Zusammenstößen zurückgelegte Distanz verbessert somit die Navigationsleistung des Roboters. Dieses Diagramm stellt die Wahrscheinlichkeit dafür dar, dass ein bestimmter Dekodierungsalgorithmus des Roboters es ermöglicht, eine kurze Strecke innerhalb eines begrenzten Zeitraums erfolgreich zu durchlaufen.Die Decodierparadigmen unterscheiden sich hinsichtlich des relativen Gewichts von Burstaktivität und isolierten Spikes voneinander. Diese Technik ebnete den Weg für URGs im Bereich der Neuro-Robotik und Neuroprothetik, um zu erforschen, wie Gehirne und Maschinen miteinander verbunden werden können, um die Leistungsfähigkeit moderner neuronaler Schnittstellen zu verbessern. Nach dem Anschauen dieses Videos sollten Sie ein gutes Verständnis dafür haben, wie man ein hybrides Experiment plant und durchführt, um die Berechnungseigenschaften eines verkörperten biologischen neuronalen Netzwerks zu untersuchen.

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

Research

Forschung

JoVE Journal

Neuroscience

Neurowissenschaften

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

Dieses Video zeigt die Entwicklung einer 3D-Neuronenkultur, die mit einem planaren Mikroelektrodenarray mit Hippocampus-Neuronen gekoppelt ist. Die isolierten Neuronen bilden ein 2D-Netzwerk auf der aktiven Fläche des Mikroelektrodenarrays und haften an Glasmikrokügelchen in einer Multi-Well-Platte mit einem Membraneinsatz. Nach der Übertragung dieser mit Neuronen beschichteten Mikrokügelchen auf die Elektrode organisieren sie sich zu einem miteinander verbundenen neuronalen 3D-Netzwerk.

Aufbau dreidimensionaler neuronaler Netzwerke, die an Mikroelektrodenarrays gekoppelt sind

Ein Ansatz zur Modellierung neuronalen Netzes auf der LEGO Mindstorms Robotik-Plattform vorgestellt. Das Verfahren stellt ein Simulationstool für wirbellose neurowissenschaftlichen Forschung sowohl in der Forschung Labor und Klassenzimmer. Diese Technik ermöglicht die Untersuchung von biomimetischen Prinzipien Robotersteuerung.

Entwerfen und Implementieren von Nervous System Simulationen auf LEGO Roboter

Closed-Loop-Protokolle werden in der modernen Elektrophysiologie immer weiter verbreitet. Wir stellen eine einfache, vielseitige und kostengünstige Möglichkeit vor, komplexe elektrophysiologische Protokolle in kortikalen Pyramidenneuronen in vitro mit einem Desktop-Computer und einer digitalen Erfassungsplatine durchzuführen.

Echtzeit-Elektrophysiologie: Mit Closed-loop Protokolle Probe neuronaler Dynamik und darüber hinaus

Diese Handschrift beschreibt ein Protokoll, um in vitro modulare Netzwerke aus räumlich beschränkt, funktionell miteinander verbundenen neuronalen wachsen. Eine Polymermaske zum Strukturieren einer Proteinschicht verwendet, um die zelluläre Adhäsion über die Kultivierungssubstrat zu fördern. Vernickelt Neuronen wachsen auf beschichteten Bereiche Gründung spontane Verbindungen und elektrophysiologische Aktivität zeigen.

Design, Oberflächenbehandlung, Cellular-Überzug und Kultivierung von Modular Neuronale Netze Bestehend aus Funktionell mit Inter-Schaltungen

Maus-neuronale Zellen, die auf Multi-Elektroden-Arrays kultiviert werden, zeigen eine Erhöhung der Reaktion nach elektrischer Stimulation. Dieses Protokoll demonstriert, wie man Neuronen kultiviert, wie man Aktivität aufnimmt und wie man ein Protokoll aufbaut, um die Netze zu trainieren, um auf Stimulationsmuster zu reagieren.

Zeitabhängige Erhöhung der Netzwerkreaktion auf die Stimulation von neuronalen Zellkulturen auf Mikroelektroden-Arrays

Dieses Protokoll zeigt, wie ein elektrophysiologisches System zur geschlossenen Stimulation verwendet wird, das durch neuronale Aktivitätsmuster ausgelöst wird. Beispiel-Matlab-Code, der leicht für verschiedene Stimulationsgeräte geändert werden kann, wird ebenfalls bereitgestellt.

Verwenden von Neuron Spiking Activity zum Auslösen von Closed-Loop Stimuli in neurophysiologischen Experimenten

Wir fassen einen Workflow zusammen, um das Verhalten eines Netzhautneurons als Reaktion auf elektrische Stimulation rechnerisch zu modellieren. Das Berechnungsmodell ist vielseitig und umfasst Automatisierungsschritte, die nützlich sind, um eine Reihe von physiologischen Szenarien zu simulieren und die Ergebnisse zukünftiger In-vivo/In-vitro-Studien zu antizipieren.

Computational Modeling of Retinal Neurons for Visual Prosthesis Research - Grundlegende Ansätze

Wir stellen eine Methode zur flexiblen chemischen und multimodalen Stimulation und Aufzeichnung simultaner neuronaler Aktivität von vielen Caenorhabditis elegans-Würmern vor. Diese Methode nutzt Mikrofluidik, Open-Source-Hard- und Software sowie überwachte automatisierte Datenanalyse, um die Messung neuronaler Phänomene wie Anpassung, zeitliche Hemmung und Reizübersprechen zu ermöglichen.

Automatisierte multimodale Stimulation und simultane neuronale Ableitung von mehreren kleinen Organismen

Diese Studie untersucht die Auswirkungen eines konfigurierbaren weichen pneumatischen Roboters auf die Verbesserung der Netzwerktopologie des gesamten Gehirns nach einem Schlaganfall. Die Analyse der Graphentheorie zeigt signifikante Verbesserungen des Clustering-Koeffizienten, der Pfadlänge und der globalen Effizienz. Die Ergebnisse unterstreichen das Potenzial programmierbarer robotischer Protokolle zur Modulation der Neuroplastizität und zur Optimierung der funktionellen Wiederherstellung in...

Weicher pneumatischer Roboter moduliert die Metriken der Graphentheorie des Gehirnnetzwerks für die Rehabilitation der Hand nach einem Schlaganfall

Dieses Protokoll zeigt, wie physikbasierte neuronale Simulationen genutzt werden können, um elektrophysiologische Biomarker von Neurotherapeutika zu interpretieren und deren Auswirkungen auf neuronale Schaltkreise aufzudecken, wodurch ein mechanistisch fundierter Ansatz für die neurotherapeutische Entwicklung bereitgestellt wird.

Ein Protokoll zur Aufdeckung neuronaler Mechanismen neurotherapeutischer Effekte auf die Elektroenzephalographie mit dem humanen neokortikalen Neurosolver

Erfahren Sie Closed-loop-Experimente zur Untersuchung neuronaler Netzwerke mit Robotern. Diese Methode ermöglicht die Analyse bidirektionaler Interaktionen zwischen biologischen Neuronen und künstlichen Systemen für die Neurotechnik.

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

Weitere Videos entdecken