Name: Una plataforma experimental para estudiar el comportamiento de circuito cerrado de interfaces cerebro-máquina (Video) | JoVE Journal
Uploaded: 2011-03-10T12:00:00.000+00:00
Duration: 10 min 51 s
Description: Aprende a crear una interfaz cerebro-máquina cerrada utilizando la neurona H1 de la mosca para controlar un robot móvil en tiempo real. Este método permite estudiar principios de control neuronal aplicados a sistemas robóticos dinámicos.

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 fue apoyado por una beca de doctorado del Departamento de Bioingeniería y la financiación de los EE.UU. Laboratorios de Investigación de la Fuerza Aérea. N. Ejaz fue apoyado por una beca de doctorado de la Comisión de Educación Superior de Pakistán y la financiación de los EE.UU. Laboratorios de Investigación de la Fuerza Aérea.

1. Preparación volar <ol><li> El primer paso en la creación de los experimentos consiste en preparar la marcha para que no se corrompe el movimiento involuntario de la estabilidad de las grabaciones de las neuronas y que la cabeza de la mosca se ha orientado correctamente con el equipo de estimulación visual. Para comenzar a preparar la marcha, que se enfríe en hielo y luego utilizar embotado palillos para mantener las alas hacia abajo, y fijar la parte de atrás de la mosca a una pieza de doble cara, cinta sobre un portaobjetos de microscopio. </li><li> A continuación, utilice una aguja de electro-cauterización de aplicar la cera de abejas para fijar las alas a la diapositiva y también para bloquear la acción del motor de vuelo. Este paso requiere de un manejo rápido y preciso para que la marcha no se calienta durante el procedimiento. </li><li> Ahora bajo el microscopio, mantenga cada pierna con unas pinzas y usar un par de pequeñas tijeras para cortar en las articulaciones más cercana al cuerpo. Repita este procedimiento para la trompa. Para evitar que la marcha de la desecación, los orificios deben ser sellados con cera. </li><li> A continuación, corte una de las alas y luego gire a la marcha de su lado. Retire los trozos de las alas, mientras que deja el calyptra que cubre el halteres, y sellar el agujero con cera. Repita este procedimiento con la otra ala. </li><li> Para estimular una neurona diana de una manera definida, la cabeza de la mosca tiene que estar alineada con los monitores de ordenador. Para ello, se necesita un soporte personalizado que tiene un amplio espacio para el cuerpo de la mosca y un apéndice en un extremo con una muesca en el cuello se coloca la mosca. </li><li> Lugar la marcha en el soporte con el cuello en la ranura, presionando hacia abajo, mientras que pegar el abdomen en su lugar. Ahora ponga el titular de volar en una plataforma de modo que pueda ver la parte frontal de la cabeza de la mosca a través del microscopio. </li><li> Viendo la marcha con la luz roja, un fenómeno óptico llamado el pseudo-alumno se puede ver en cada ojo. La pupila de pseudo-proporciona un marco de referencia que se puede utilizar para alinear la cabeza de la mosca con el estímulo (Franceschini, 1975). Si el alumno pseudo-asume una forma determinada, como se muestra en el inserto imagen de abajo, entonces la orientación de la cabeza de la mosca está perfectamente definido. <img src="/files/ftp_upload/1677/1677fig0.jpg" alt="pseudo-pupila" data-altupdatedat="1787634011000" data-alt="pseudo-alumno"> </li><li> Use un micromanipulador para orientar correctamente la cabeza de la mosca, y luego utilizar la cera para pegar al titular. </li><li> A continuación, pulse el tórax en forma plana y la cera para el titular. Esto permite que la cápsula de la cabeza trasera que se abre para que los electrodos se pueden insertar en el cerebro de la mosca. </li><li> Use un micro bisturí o una aguja de inyección de finos para cortar cuidadosamente una ventana en la cutícula de la cápsula de la cabeza derecha. Tenga cuidado de no cortar el derecho de tejido neural por debajo de la cutícula. Una vez que la pieza de la cutícula se retira, se añaden unas gotas de solución de Ringer. </li><li> El uso de fórceps para quitar los pelos flotando, los depósitos de grasa o el tejido muscular, que pueden cubrir la placa lobula. La placa lobula pueden ser identificados por un patrón característico de ramificación de la tráquea plateada que cubre su superficie posterior. </li><li> Corte un pequeño agujero en la cutícula de la cápsula de la cabeza trasera izquierda de la colocación de un electrodo de referencia. Con la marcha preparados, vamos a ver cómo la posición del electrodo de registro. </li></ol> 2. Colocación del electrodo de registro <ol><li> Con la marcha preparados, vamos a proceder a la localización y el registro de señales de las neuronas H1. El electrodo de registro debe ser colocado en las proximidades de la neurona H1. La neurona H1 responde principalmente a horizontal de regreso a la moción presentada frente a su campo receptivo (Krapp et al. 2001). </li><li> Para colocar el electrodo de registro, el uso de la tráquea como un hito visual. En un principio, colocar el electrodo entre la tráquea superior. </li><li> Ayuda a utilizar un amplificador de audio para convertir los potenciales eléctricos registrados en señales acústicas. Cada espiga individuo se convierte en un sonido característico clic. Cuanto más cerca del electrodo llega a una neurona individual, la más clara del sonido de clic se convierte. </li><li> Para identificar las neuronas H1 por medio de su preferencia de movimiento, que estimulan con el movimiento en la dirección horizontal. Con el electrodo de registro en su lugar, vamos a pasar a la estimulación visual y grabaciones. </li></ol> 3. La estimulación visual y Grabaciones <ol><li> Los experimentos de circuito cerrado se configuran de manera que tal que la estimulación de los resultados de las neuronas H1 en el robot para compensar el movimiento de la mesa giratoria. Para comenzar, coloque una mosca frente a dos monitores de ordenador CRT. Debido a que el sistema visual volar es 10 veces más rápido que el de los humanos, los monitores deben mostrar 200 imágenes por segundo. Los monitores y otros equipos eléctricos deben ser electromagnéticamente protegidas para minimizar el ruido externo en la medida de señales neuronales. </li><li> Posición de los centros de los monitores en + / - 45 grados con respecto a la orientación de la mosca. Como se ha visto desde el ecuador del ojo de la mosca, cada monitor abarca un ángulo de + / -25 grados en la horizontal, y +/ -19 Grados en el plano vertical. </li><li> De entrada sincronizada de los monitores de ordenador es proporcionada por dos cámaras de vídeo montadas sobre un pequeño robot de dos ruedas ASURO que ha sido modificado para el experimento. </li><li> La posición del robot sobre una mesa giratoria dentro de un área cilíndrica cuyas paredes están revestidas con un patrón de orientación vertical, rayas blanco y negro. Al girar la placa giratoria en el plano horizontal, los movimientos de los robots están limitados a un solo grado de libertad. </li><li> Inicialmente tanto la mesa giratoria y robot están en reposo. Cuando el cambio de mesa comienza a moverse, su rotación lleva el robot, en la misma dirección y las cámaras de video grabar el movimiento relativo entre el robot y el patrón de rayas de la arena. </li><li> Las cámaras de vídeo de baterías en el robot se montan en una orientación de + / - 45 grados. Capturan a 200 imágenes por segundo para que coincida con la velocidad de fotogramas de los monitores de computadora al frente de la marcha. </li><li> Registro de las imágenes presentadas a los monitores de ordenador a 200 fotogramas por segundo con una resolución de 640 x 480 (en escala de grises). </li><li> Mientras que la mosca está observando los movimientos del patrón de rayas, disco del grupo, pasó filtrada (por ejemplo, entre 300 y 2 kHz) las señales eléctricas con una tarjeta de adquisición de Digital con una frecuencia de muestreo de al menos 10 kHz. </li><li> Un umbral se aplica a la banda pasó filtrado de señales eléctricas para separar los picos de la actividad de fondo. Una causal, un medio-filtro gaussiano convolucionada con los picos para obtener una estimación de picos de actividad suave para que la célula H1. </li><li> Para cerrar el círculo de la interfaz cerebro y una máquina, un algoritmo de control se utiliza para convertir la tasa pico de la celda H1 a una velocidad del robot que se alimenta de nuevo a través de una interfaz Bluetooth para controlar los dos motores DC en las ruedas del robot. </li><li> Ondas sinusoidales puras son elegidos como los perfiles de velocidad para el giro de la tabla. Las ondas sinusoidales tienen como DC-offset que el cambio de mesa sólo gira en el sentido que estimula las neuronas H1 a lo largo de su dirección preferida. La estimulación de los resultados de las neuronas H1 en el robot para compensar el movimiento de la mesa giratoria. <img src="/files/ftp_upload/1677/1677fig1.jpg" alt="Figura 1" data-altupdatedat="1787634011000" data-alt="Figura 1"> Figura 1: Configuración de circuito cerrado. En nuestra configuración, la actividad de remate de la celda H1 izquierda se utiliza para controlar el movimiento de un robot se encuentra montado sobre una plataforma giratoria. Movimiento de la imagen visual generado como resultado del movimiento relativo entre el robot y la tabla a su vez-es capturado a través de cámaras de alta velocidad y se muestra en dos monitores CRT en frente de la marcha. Actividad H1 remate desde el hemisferio izquierdo se utiliza para estimar la velocidad en tiempo real pico, que luego utiliza una ley de control para calcular la velocidad de compensación para el robot. El robot contra-rotación estabiliza el movimiento de la imagen visual observada por la mosca durante control en bucle cerrado. </li></ol> 4. Representante de resultados y resultados <ol><li> Cuando se configura correctamente, la estabilización visual se logra cuando la contra-rotación del robot coincide con la rotación de la mesa giratoria, lo que resulta en el movimiento de patrón de poco o nada en los monitores de ordenador. El rendimiento global del sistema depende del algoritmo de control utilizado para cerrar el ciclo. </li><li> El primer algoritmo que prueba es un controlador proporcional (figura 2) donde la velocidad del robot actualizado es proporcional a la diferencia de velocidades angulares entre el robot, ωr, y la mesa giratoria, ωp. Diferentes valores para la ganancia estática, Kp, y las frecuencias de entrada de la señal de la vuelta de mesa, ωp, son elegidos para probar el rendimiento del controlador. <img src="/files/ftp_upload/1677/1677fig2.jpg" alt="Figura 2" data-altupdatedat="1787634011000" data-alt="Figura 2"> Figura 2: controlador proporcional. (A) el movimiento relativo entre el robot y la tabla a su vez-en la dirección preferida estimula la celda H1 para dar la velocidad punta, F. Esta tasa pico se convierte en un error de velocidad, E, y un controlador proporcional se utiliza para estimar la robot actualizado velocidad, vr (t +1). La tasa de pico, F, se convierte en el error de velocidad, E, en función de si es menor o mayor que la tasa pico espontáneo, Fspont. La tasa pico de velocidad de la conversión de error se hace mediante la proyección de F sobre un coseno (intervalo [π, 0]) para dar cuenta de picos no linealidades tipo de umbral. Las constantes de 70 y 150 se utilizan para que coincida con la velocidad de entrada de 8 bits del robot para las velocidades angulares máxima y mínima de la mesa giratoria. (B) Diagrama de bloques mostrando sistema de circuito cerrado con un controlador proporcional. La entrada al sistema es una modulación sinosuidal de la velocidad angular a su vez la mesa, ωp (t), y la correspondiente respuesta ωr robot (t +1) se registra. </li><li> Las huellas de la muestra para p ω y ω r se muestran aquí para K p = 1 y una frecuencia de entrada de 0,6 Hz para p ω (ver figura 3). El robot (en verde) sigue el turno de mesa (en azul) con un retrasoy un pequeño pico de amplitud. La componente horizontal del movimiento de patrón que estimula las células H1 se muestra a continuación (en rojo). <img src="/files/ftp_upload/1677/1677fig3.jpg" alt="Figura 3" data-altupdatedat="1787634011000" data-alt="Figura 3"> Figura 3: Respuestas de circuito cerrado. (A) la velocidad angular de la mesa giratoria (azul), ωp, y el robot (verde), ωr, en la frecuencia de entrada = 0,6 Hz. (B) el flujo óptico horizontal se muestra como se calcula a partir de las imágenes registradas (rojo). Lucas método piramidal Kanade (3 niveles de la pirámide) se utiliza para calcular el campo de flujo óptico entre cuadros de imagen sucesivos. Velocidad angular horizontal se calcula mediante la suma de las proyecciones de los vectores individuales en los campos de flujo en la unidad horizontal vector i. Horizontal hacia atrás para adelante el movimiento que excita a la célula H1 se conoce como PD (dirección preferida), mientras horizontal delante a atrás del movimiento que inhibe la célula H1 se conoce como ND (dirección null). </li><li> Las frecuencias de entrada de la señal de la vuelta de mesa, ωp, son elegidos entre 0,03-3 Hz y la señal del robot correspondiente, ωr, se registra. Ambas señales son transformadas en el dominio de la frecuencia de la transformada rápida de Fourier (ver gráfico 4) y los valores de amplitud y fase se calculan en la frecuencia de entrada. <img src="/files/ftp_upload/1677/1677fig4.jpg" alt="Figura 4" data-altupdatedat="1787634011000" data-alt="Figura 4"> Figura 4: Respuesta de frecuencia de señales velocidad angular de la mesa giratoria, ωp, y el robot, ωr, se transforman en el dominio de la frecuencia utilizando la transformada rápida de Fourier (FFT) para calcular la amplitud y la fase de los componentes en la frecuencia de entrada.. Componentes de la fase de FFT no se muestran en la figura. </li><li> El diagrama de Bode de magnitud para el controlador proporcional con K p = 1 se muestra la respuesta del sistema a través de las frecuencias de entrada a prueba (ver la figura 5-a). El rendimiento del controlador por lo general disminuye con el aumento de las frecuencias. La ganancia ligeramente mayor a 1 Hz es el resultado de las oscilaciones en la señal del robot debido al uso de una sola celda H1-cuya dinámica (de salida) rango abarca principalmente el movimiento horizontal de atrás hacia delante. <img src="/files/ftp_upload/1677/1677fig5.jpg" alt="Figura 5" data-altupdatedat="1787634011000" data-alt="Figura 5"> Figura 5: el rendimiento del controlador proporcional. Los diagramas de Bode de magnitud y fase para el controlador proporcional (un promedio de 8 moscas), la ganancia estática Kp = 1.0 (a) el diagrama de Bode magnitud sigue aproximadamente una característica de filtro de paso bajo. La ganancia ligeramente mayor a 1 Hz es el resultado de las oscilaciones en la señal de robot, ωr, debido al uso de una sola celda H1-cuya dinámica (de salida) rango abarca principalmente el movimiento horizontal al frente. El número de oscilaciones en la señal de robot, ωr, disminuyen con el aumento de las frecuencias de entrada que lleva al aumento levemente mayor a estas frecuencias. (B) el diagrama de Bode fase es menor de 180 ° para las frecuencias de entrada ≤ 1 Hz y la inestabilidad se acerca a 3 Hz. Más allá de una cierta frecuencia de entrada, el controlador se vuelve inestable, debido a la cinemática del robot. Esta inestabilidad se produce sólo más allá del rango de respuestas conocidas óptimo del sistema de vuelo visual (Warzecha et al. 1999). </li><li> El diagrama de fase de Bode (véase la figura 5-b) muestra un controlador en atraso de fase menor que Π de las frecuencias de entrada &lt;0,6 Hz. Esto muestra que el controlador es estable para las frecuencias de &lt;0,6 Hz e inestable para las frecuencias de entrada ≥ 1 Hz. </li><li> El rendimiento del controlador proporcional con una estática Kp (en azul) se comparó con un controlador adaptativo (en rojo), donde se actualiza el valor de K p cada 50 ms sobre la base de la tasa pico de punta, F max, calculada sobre el intervalo de tiempo [l-500ms - t] (véase el gráfico 6). Como resultado de la ventana de tiempo de integración general, el controlador proporcional se comporta mejor que el controlador de adaptación para el rango del parámetro a prueba (ver figura 7-a). La ventana de tiempo de integración inicial de 500 ms fue elegido por razones técnicas relacionadas con la plataforma de robot que estamos usando. El controlador de adaptación tuvo una característica de fase similar a la del controlador proporcional (ver figura 7-b). <img src="/files/ftp_upload/1677/1677fig6.jpg" alt="Figura 6" data-altupdatedat="1787634011000" data-alt="Figura 6"> Figura 6: Aumento de adaptación del controlador. El controlador proporcional utiliza una ganancia estática, Kp, mientras que el controlador adaptativo estima que el aumento de forma continua durante el control de lazo cerrado. La ganancia dinámica, Kp, es inversamente proporcional a la velocidad máxima de pico, Fmax, durante el intervalo de t-500ms ≤ τ ≤ t. La figura muestra tres casos en los que Fmax se estima a través del tiempo. Con base en los valores estimados de Fmax, Kp es mayor durante la ventana de tiempo 2 (verde) y menor en ventana de tiempo de 3 (naranja). <img src="/files/ftp_upload/1677/1677fig7.jpg" alt="Figura 7" data-altupdatedat="1787634011000" data-alt="Figura 7"> Figura 7: controlador proporcional vs adaptación. Diagramas de Bode de magnitud y fase para el proporcional (Kp = 1) y el controlador de adaptación(A) las actualizaciones del controlador de adaptación el valor de Kp cada 50 ms sobre la base de la estimación máxima Fmax alza la tasa en los últimos 500 ms. La trama controlador de ganancia proporcional (azul) es mayor que la del controlador adaptativo (rojo) indicando que se está desempeñando mejor en todas las frecuencias de entrada. (B) la fase de Bode para los dos controladores son similares con una diferencia significativa en f = 0,3 Hz. Ambos controladores de aproximación inestabilidad a 3 Hz. Los valores de ganancia y fase significativamente diferentes se indican con un asterisco (método de la suma de rangos de Wilcoxon, p = 0,05). </li><li> El patrón de rejilla alrededor de la mesa giratoria se ha retirado y el entorno de laboratorio se utiliza como una aproximación de la información visual naturalista de la mosca de H1 de las células. En promedio, el diagrama de Bode de magnitud (ver la figura 8-a) de la entrada visual naturalista (en azul) mostraron un aumento ligeramente superior a la de entrada con reja visual (en rojo), probablemente debido a la amplia gama de frecuencias espaciales en el naturalista imágenes visuales se explota. Las características de fase de Bode para rallar vs naturalista entradas visuales fueron similares (véase la figura 8-b). <img src="/files/ftp_upload/1677/1677fig8.jpg" alt="Figura 8" data-altupdatedat="1787634011000" data-alt="Figura 8"> Figura 8: Stripped patrón o un entorno de laboratorio. La magnitud de Bode y parcelas de fase para el controlador proporcional cuando se presenta con los patrones de pelado (rojo) vs laboratorio de medio ambiente (azul) las imágenes visuales en circuito cerrado (a) el diagrama de Bode para la magnitud en que las imágenes entorno de laboratorio se utilizan es ligeramente superior al modelo desnudo se usa (excepto en f = 0,1 Hz), que indica un mejor desempeño en dicho estímulo. (B) el diagrama de Bode fase, tanto en condiciones visuales siguen el mismo patrón, con la inestabilidad tanto se acerca a 3 Hz. Los valores de ganancia y fase significativamente diferentes se indican con un asterisco (método de la suma de rangos de Wilcoxon, p = 0,05). </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> Volar la disección debe ser realizado con cuidado asegurándose que orientar correctamente la marcha con respecto a los monitores de ordenador. </li><li> La separación de los picos de la neurona H1 de las espigas de todas las otras neuronas para conseguir una buena señal a ruido que se puede utilizar para controlar el robot de forma fiable. </li><li> Se debe tener cuidado para evitar que el tejido nervioso que se sequen durante el transcurso del experimento. </li><li> Las cámaras están conectadas a los ordenadores mediante un cable Ethernet. Se debe tener cuidado para que no se sobre-herida durante el experimento, ya que ello afecta a la rotación del robot. </li><li> Actualmente estamos utilizando la actividad pico de una H1 para configurar una tarea de estabilización en un solo sentido de giro de orientación. Podemos añadir un segundo electrodo para obtener señales de H1 de izquierda y derecha, de modo que podemos estudiar los algoritmos de estabilización de control en ambos sentidos de giro de orientación. </li><li> Podemos quitar la arena que contienen las bandas de orientación vertical en blanco y negro y utilizar el entorno de laboratorio como el estímulo visual de la mosca. Esto nos permitirá estudiar el rendimiento de circuito cerrado con imágenes naturalistas. </li><li> El robot puede ser retirado de la mesa giratoria y se les permite moverse por el entorno de laboratorio, mientras que en el control de lazo cerrado. Esto nos permitirá investigar los algoritmos de control que participan en la prevención de colisiones. </li><li> Los cables de conexión de las cámaras de las computadoras se pueden eliminar mediante la implementación de un sistema de transmisión inalámbrica, que nos da una configuración de robot totalmente desbocada. </li><li> Las medidas de rendimiento de los algoritmos de control diferentes nos dará una comprensión de cómo las diferentes estrategias son capaces de hacer frente a las señales neuronales no estacionario y variable. Este conocimiento se puede aplicar a diferentes clínicas y no clínicas interfaces cerebro-máquina. </li><li> Esta instalación experimental es el primer paso hacia la grabación de las señales neuronales de comportarse animales. Nuestro objetivo es poner la mosca en el robot y el uso de su actividad neuronal de control en bucle cerrado. En tal configuración, que sería capaz de registrar la actividad neuronal de la mosca mientras se recibe la estimulación multisensorial, como resultado del movimiento del robot. </li><li> Registrar las señales de una célula única. En la configuración que usted debe, el celular más adecuado sería el H1 de las células. Aislar las respuestas de las neuronas H1 de otras neuronas con campos receptivos similares, por ejemplo, H2, es importante mantener una buena señal-ruido para las grabaciones neuronal. Las respuestas de los H1 y H2 las neuronas puede ser discriminado por señalar que el H2 se ha caracterizado por baja espontánea y media de la tasa de adición de la neurona H1. Las neuronas también pueden ser discriminados en base a su morfología (Krapp et al. 2001). </li><li> Nuestro sistema nos permite comparar la ganancia en lazo cerrado logrado por nuestra mosca-robot de interfaz en una tarea de estabilización de imagen, y para comparar su rendimiento con las ganancias optomotor circuito cerrado observado en experimentos anteriores en moscas (Bender y Dickinson 2006, Warzecha et al . 1996, Heisenberg y Wolf, 1990). Además, nos permite investigar dependientes del Estado los cambios en el procesamiento de información visual en condiciones de circuito cerrado (Chiappe et al. 2010, Maimón et al. 2010, Longden y Krapp 2009, Longden y Krapp 2010). </li></ol>

<ol><li> 1) de alta velocidad CRT (LG Studioworks 221U) </li><li> Cámaras de alta velocidad (Prosilica, GC640) </li><li> Robot de la plataforma (ASURO con las modificaciones de encargo) </li><li> Módem Bluetooth de serie (Bluesmirf) </li><li> Micro Step Drive (Applied Motion Systems, ST5-SI) </li><li> Motor paso a paso (Sanyo Denki, 103H6704-0140) </li><li> Electrodos de tungsteno (FH-co.com - Código del producto - UEW SHG SE 3P1M) </li><li> Amplificador extracelular (NPI EXT 10-2F) </li><li> Micromanipulador motorizados (Scientifica, PS-700-Z) </li><li> Microscopio estéreo (Leica, MZ95) </li></ol>

una plataforma experimental para estudiar el comportamiento de circuito cerrado de interfaces cerebro-máquina

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

La naturaleza no estacionaria y la variabilidad de las señales neuronales es un problema fundamental en la interfaz cerebro-máquina. Hemos desarrollado un interfaz cerebro-máquina para evaluar la solidez de las diferentes leyes de control se aplica a una tarea de imágenes de circuito cerrado de estabilización. Aprovechando la bien caracterizada volar vía visuomotora que registrar la actividad eléctrica de un identificó, las neuronas sensibles al movimiento, H1, para controlar la rotación de guiñada de un robot de dos ruedas. El robot está equipado con dos cámaras de video de alta velocidad aportaciones del movimiento visual de una mosca colocada delante de dos monitores de ordenador CRT. La actividad de las neuronas H1 indica la dirección y la velocidad relativa de rotación del robot. La actividad neuronal se filtra y se realimenta en el sistema de dirección del robot por medio de un control proporcional y proporcional / adaptación. Nuestro objetivo es probar y optimizar el rendimiento de las leyes de control en diferentes condiciones de circuito cerrado para una aplicación más amplia también en otras interfaces cerebro de la máquina.

Usamos un circuito cerrado volar-máquina para investigar los principios generales de control neuronal.

Una plataforma experimental para estudiar el comportamiento de circuito cerrado de interfaces cerebro-máquina

La naturaleza no estacionaria y la variabilidad de las señales neuronales representan un problema fundamental en las interfaces cerebro-máquina. Desarrollamos una interfaz cerebro-máquina...

Utilizamos la actividad de una interneurona visual en el cerebro de la mosca, la célula H1, para controlar los motores de un robot móvil. El robot se coloca sobre una plataforma giratoria en constante rotación y la actividad de la célula se utiliza para estabilizar al robot respecto al entorno frente a movimientos externos. Las imágenes del movimiento de patrones registradas desde el robot se muestrean y envían a dos monitores CRT de computadora, que están posicionados frente a la mosca.Las señales de la célula H medidas en picos por segundo indican la velocidad del movimiento del patrón. Luego se aplican diferentes leyes de control para convertir los picos registrados por segundo en una señal de control para los motores del robot. Hola, soy Navita Josh del Laboratorio Holger Crops del departamento de Bioingeniería del Imperial College de Londres.Soy Chris Peterson, también del laboratorio de Holger Cups. Hola, y yo soy Holger Cup. Hoy les mostraremos un procedimiento para crear una interfaz cerebro-máquina entre células individuales del sistema visual de la mosca y un robot.Utilizamos este procedimiento para evaluar el rendimiento de diferentes estrategias de control mediante señales neuronales para manejar sistemas robóticos en condiciones de bucle cerrado. Comencemos. Para preparar la mosca, enfríela en hielo y luego use palillos redondeados para mantener las alas hacia abajo y fijar la parte dorsal de la mosca a una tira de cinta adhesiva de doble cara sobre un portaobjetos de microscopio. A continuación, use cera B para sujetar las alas al portaobjetos y también para bloquear la actividad del motor de vuelo.Este paso requiere un manejo rápido y preciso para que la mosca no se caliente durante el procedimiento. Ahora, bajo el microscopio, sostenga cada pata con pinzas y use un par de tijeras pequeñas para cortarlas en las articulaciones más cercanas al cuerpo. Repita esto con el probóscide.Para evitar que la mosca se seque, los orificios deben sellarse con cera. A continuación, corte una de las alas y luego coloque la mosca de lado. Retire cualquier trozo restante del ala dejando la katra, cubriendo las lágrimas de Hal, y selle el orificio con cera.Repita este procedimiento para el otro ala. Para estimular una neurona diana de una manera definida, la cabeza de la mosca debe alinearse correctamente con los monitores del ordenador. Para ello, necesitará un soporte personalizado que tenga un espacio amplio para el cuerpo de la mosca y una prolongación en un extremo con una muesca tallada donde se colocará el cuello de la mosca.Coloque la mosca sobre el soporte con su cuello en la muesca, presionándola hacia abajo mientras fija el abdomen en su lugar con pegamento. A continuación, coloque el soporte de la mosca en un atril para poder observar la parte frontal de la cabeza de la mosca a través del microscopio. Al observar la mosca con luz roja, puede verse un fenómeno óptico llamado pupila pseudo en cada ojo.Si la pupila pseudo asume una determinada forma, entonces la orientación de la cabeza de la mosca queda perfectamente definida. Utilice un micromanipulador para orientar correctamente la cabeza de la mosca y luego use cera para pegarla al soporte. A continuación, presione el tórax hacia abajo hasta que quede plano y sujételo con cera al soporte.Esto permite abrir la cápsula cefálica posterior para insertar electrodos en el cerebro de la mosca; utilice un escalpelo microscópico o una aguja de inyección fina para cortar cuidadosamente una ventana en la cutícula de la cápsula cefálica derecha. Tenga cuidado de no cortar el tejido neural justo debajo de la cutícula. Una vez eliminado el trozo de cutícula, agregue unas gotas de solución de Ringer.Utilice pinzas para eliminar cualquier pelo flotante, depósitos de grasa o tejido muscular que pueda cubrir la placa LOA. La placa LOA puede identificarse por un patrón ramificado característico de tráqueas plateadas que cubre su superficie posterior. Corte un pequeño orificio en la cutícula de la cápsula cefálica trasera izquierda para posicionar un electrodo de referencia con el preparado en vuelo.Veamos cómo posicionar el electrodo de registro. El electrodo de registro debe colocarse en estrecha proximidad al neurona H uno. El neurona H uno responde principalmente al movimiento horizontal de atrás hacia adelante presentado en su campo receptivo.Para colocar el electrodo de registro, utilice la tráquea como punto de referencia visual. Coloque inicialmente el electrodo entre los anillos superiores de la tráquea. Es útil emplear un amplificador de audio para convertir los potenciales eléctricos registrados en señales acústicas.Cada espiga individual se convierte en un sonido característico de clic. Cuanto más cerca se encuentra el electrodo de una neurona individual, más nítido se vuelve el sonido de clic. Para identificar la neurona H mediante su preferencia de movimiento, estímúlela con movimiento en dirección horizontal.Con el electrodo de registro en su lugar, pasemos a la estimulación visual y las grabaciones. Para comenzar, coloque una mosca frente a dos monitores CRT de computadora. Debido a que el sistema visual de la mosca es 10 veces más rápido que el humano, los monitores deben mostrar 200 cuadros por segundo.Los centros de los monitores están situados a más o menos 45 grados con respecto a la orientación de las moscas. Visto desde el ecuador del ojo de la mosca, cada monitor subtiende un ángulo de más o menos 25 grados en el plano horizontal y de más o menos 19 grados en el plano vertical. La entrada a los monitores de computadora es proporcionada por dos cámaras de video montadas en un pequeño robot SRO de dos ruedas que ha sido modificado para el experimento.Coloque el robot sobre una plataforma giratoria dentro de un área cilíndrica cuyas paredes están revestidas con un patrón de franjas negras y blancas orientadas verticalmente. Al girar la plataforma en el plano horizontal, los movimientos del robot quedan limitados a un solo grado de libertad. Inicialmente, tanto la plataforma giratoria como el robot están en reposo.Cuando la plataforma giratoria comienza a moverse, su rotación arrastra al robot en la misma dirección, y las cámaras de video registran el movimiento relativo entre el robot y el patrón rayado de la arena. Las cámaras de video alimentadas por batería que están montadas en el robot tienen una orientación de más o menos 45 grados. Capturan 200 imágenes por segundo para coincidir con la frecuencia de cuadros de los monitores de computadora frente al registro de la mosca.Las imágenes se presentan a los monitores de la computadora a 200 cuadros por segundo con una resolución de seis 40 por cuatro 80 en escala de grises. Mientras la mosca observa los movimientos del patrón rayado grabado, la señal pasa por un filtro de banda. Por ejemplo, entre 302 kilohertz, las señales eléctricas se adquieren mediante una tarjeta digital con una frecuencia de muestreo de al menos 10 kilohertz. Se aplica un umbral a las señales eléctricas filtradas por banda para separar los picos de la actividad de fondo.Se convoluciona un filtro gaussiano medio causal con las señales de disparo para obtener una estimación suavizada de la actividad de disparo de la célula H uno y cerrar así el bucle de la interfaz cerebro-máquina. Se utiliza un algoritmo de control para convertir la tasa de disparo de la célula H uno en una velocidad del robot, que se realimenta mediante una interfaz Bluetooth para controlar los dos motores de corriente continua que accionan las ruedas del robot. Se eligen ondas sinusoidales puras como perfiles de velocidad para la plataforma giratoria.Las ondas tienen un desplazamiento de corriente continua (DC) de tal manera que la plataforma giratoria solo rota en la dirección que estimula la neurona H uno en su dirección preferida. Todo el sistema de control está configurado de forma que la estimulación de la neurona H uno provoca que el robot compense el movimiento de la plataforma giratoria cuando se configura correctamente. La estabilización visual se logra cuando la rotación contraria del robot iguala la rotación de la plataforma giratoria, lo que resulta en un movimiento mínimo o nulo del patrón en las pantallas del ordenador.El rendimiento general del sistema depende del algoritmo de control utilizado para cerrar el lazo. El primer algoritmo que probamos es un controlador proporcional en el que la velocidad actualizada del robot es proporcional a la diferencia entre las velocidades angulares del robot omega R y la de la mesa giratoria Omega P. Se seleccionan distintos valores para la ganancia estática KP y para las frecuencias de entrada de la señal de la mesa giratoria omega P con el fin de evaluar el desempeño del controlador.Se muestran aquí trazas de ejemplo para omega P y omega R con KP igual a uno y una frecuencia de entrada de 0,6 hercios para omega P; el robot en verde sigue la plataforma giratoria en azul con un retraso y una amplitud pico menor. En la derecha se muestra la componente horizontal del movimiento del patrón que estimula la célula H uno, en rojo, junto con las frecuencias de entrada para la señal de la plataforma giratoria. Las frecuencias de entrada para omega P se eligen entre 0,03 y tres hercios, y se registra la señal correspondiente del robot, omega R.Ambas señales se transforman al dominio de la frecuencia mediante una transformada rápida de Fourier, y se calculan los valores de amplitud y fase en la frecuencia de entrada. La gráfica de magnitud BO para el controlador proporcional con KP igual a uno muestra la respuesta del sistema en las frecuencias de entrada ensayadas. El rendimiento del controlador generalmente disminuye con el aumento de las frecuencias.La ligera ganancia aumentada a un hercio es el resultado de oscilaciones en la señal del robot debidas al uso de una sola celda H1 cuyo rango dinámico de salida cubre principalmente el movimiento horizontal de atrás hacia adelante. La gráfica de fase Bodhi muestra un retardo de fase del controlador menor que PI para frecuencias de entrada inferiores a 0,6 hercios. Esto indica que el controlador es estable para frecuencias inferiores a 0,6 hercios e inestable para frecuencias de entrada mayores o iguales a un hercio.El rendimiento del controlador proporcional con una KP estática se comparó con un controlador adaptativo en el que el valor de KP se actualiza cada 50 milisegundos. Basado en la frecuencia máxima de picos, F máx, calculada durante el intervalo de tiempo T menos 500 milisegundos hasta T. Como resultado de la gran ventana de tiempo de integración, el controlador proporcional funciona mejor que el controlador adaptativo para el rango de parámetros probado; el controlador adaptativo presentó una característica de fase similar a la del controlador proporcional, el patrón de gradación alrededor de la plataforma giratoria fue eliminado y el entorno del laboratorio se utilizó como una aproximación de la entrada visual naturalista para la célula H1 de la mosca.En promedio, la gráfica de magnitud Bodhi para la entrada visual naturalista mostró ganancias ligeramente más altas que la de la entrada visual con escala, probablemente porque se aprovecha el rango más amplio de frecuencias espaciales en las imágenes visuales naturalistas. Las características de la gráfica de fase Bodhi para las entradas visuales con escala y naturalista fueron similares. Acabamos de mostrarle cómo crear una interfaz cerebro-máquina entre una célula del sistema visual y un robot.Existen algunos pasos críticos durante este procedimiento. Primero, evite cortes profundos al abrir la cápsula cefálica para prevenir lesiones en el cerebro. Segundo, coloque el electrodo cuidadosamente de modo que registre únicamente de una célula; grabamos de la célula H una.En tercer lugar, mantenga el cerebro húmedo en todo momento y evite que se seque. Eso es todo. Gracias por ver este video y buena suerte con los experimentos.

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

Research

Investigación

JoVE Journal

Neuroscience

Neurociencia

Se presenta un método para recoger las señales de electrocorticográfica con fines de investigación de los seres humanos que están sometidos a supervisión de la epilepsia invasiva. Se muestra cómo utilizar la plataforma de software BCI2000 de recogida de datos, procesamiento de señales y la presentación del estímulo. En concreto, se demuestra Sigfried, una herramienta basada en BCI2000 de mapas en tiempo real funcional del cerebro.

Grabación electrocorticográfica Humanos (ECoG) Las señales de la investigación neurocientífica y en tiempo real el mapeo cortical funcional

Desarrollo de un sistema cerebro-máquina efectiva (IMC) para la restauración y rehabilitación de la locomoción bípeda requiere decodificación precisa de la intención del usuario. Aquí se presenta un nuevo protocolo experimental y la técnica de recogida de datos para la adquisición simultánea no invasiva de la actividad neuronal, la actividad muscular, y de todo el cuerpo cinemática durante diversas tareas y condiciones de locomoción.

Electroencefalografía simultánea del cuero cabelludo (EEG), electromiografía (EMG) y de todo el cuerpo de grabación inercial segmentaria para Multi-modal Neural Decodificación

En este artículo, se presenta un marco experimental para realizar experimentos de bucle cerrado, en el que se estudia el procesamiento de información (es decir, codificación y decodificación) y el aprendizaje de ensamblajes neuronales durante la interacción continua con un cuerpo robótico.

Experimentos Neuro-robótica de circuito cerrado para comprobar propiedades computacionales de Redes Neuronales

La monitorización de la actividad cerebral durante las tareas motoras verticales es de gran valor cuando se investiga la fuente neural de los trastornos del movimiento. Aquí, demostramos un protocolo que combina la espectroscopia funcional de infrarrojo cercano con el monitoreo continuo de la actividad muscular y cinemática durante 4 tipos de tareas motoras.

Funcional Espectroscopia de Infrarrojo Cercano de las Regiones sensoriales y motoras del cerebro con simultánea cinemática y EMG Supervisión Durante las tareas motoras

Con este experimento, uno podría ser capaz de detectar la conciencia en personas con trastornos de la conciencia. Además, el enfoque puede crear un canal de comunicación simple que permite a las personas dar respuestas simples de SÍ/NO a las preguntas.

Evaluación y comunicación para las personas con trastornos de la conciencia

Presentamos protocolos y métodos de análisis para construir interfaces coa adaptativas que transmiten, parametrizan, analizan y modifican las señales del cuerpo humano y del corazón en bucle cercano. Esta configuración interfaces señales derivadas de los sistemas nerviosos periféricos y centrales de la persona con entradas sensoriales externas para ayudar a realizar un seguimiento del cambio biofísico.

Control de proxy en tiempo real de señales periféricas re-parametrizadas utilizando una interfaz de bucle cercano

Este documento analiza cómo construir una interfaz cerebro-computadora confiando en equipos de grado de consumidor y potenciales evocados visualmente en estado estacionario. Para ello, se integró un electroencefalógrafo monocanal que aprovecha electrodos secos con gafas de realidad aumentada para la presentación de estímulos y la visualización de datos de salida. El sistema final fue no invasivo, portátil y portátil.

Una interfaz cerebro-computadora portátil de un solo canal y no invasiva para la industria y la atención médica

El propósito de este estudio es proporcionar una referencia importante para el funcionamiento clínico estándar de la interfaz cerebro-computadora de imágenes motoras (MI-BCI) para la disfunción motora de las extremidades superiores después de un accidente cerebrovascular.

Interfaz cerebro-computadora de imágenes motoras en la rehabilitación de la disfunción motora de las extremidades superiores después de un accidente cerebrovascular

Este estudio presenta un sistema de interfaz cerebro-computadora (BCI) para pacientes con accidente cerebrovascular, que combina señales de electroencefalografía y electrooculografía para controlar una mano robótica de la extremidad superior, mejorando las actividades diarias. En la evaluación se utilizó el Test Bimanual de Berlín para el Ictus (BeBiTS).

Sistema robótico de extremidades superiores controlado por interfaz cerebro-computadora para mejorar las actividades diarias en pacientes con accidente cerebrovascular

Este estudio presenta un protocolo estandarizado y reproducible para implementar la herramienta de análisis EEG Espacio-Temporal-Frecuencia (STFEEG) para la decodificación de EEG por imágenes motoras, incorporando segmentación configurable espacio-temporal-frecuencia, extracción de características basada en Patrones Espaciales Comunes (CSP), múltiples algoritmos de clasificación y capacidades de visualización.

STFEEG-Tool: Una herramienta de análisis de EEG espacio-temporal-frecuencia para imágenes motoras Interfaces cerebro-ordenador

Aprende a crear una interfaz cerebro-máquina cerrada utilizando la neurona H1 de la mosca para controlar un robot móvil en tiempo real. Este método permite estudiar principios de control neuronal aplicados a sistemas robóticos dinámicos.

Una plataforma experimental para estudiar el comportamiento de circuito cerrado de interfaces cerebro-máquina

Explorar más videos