Diseño e implementación de simulaciones del sistema nervioso en LEGO Robots

El objetivo general de este método es crear rápidamente prototipos y probar simulaciones del sistema nervioso en una plataforma robótica. Esto se logra ejecutando simulaciones de redes neuronales en la plataforma Lego Mindstorms NXT y realizando pruebas de comparación lado a lado con el modelo animal. En primer lugar, se construye un robot para ser utilizado como plataforma para la simulación del sistema nervioso.

A continuación, se desarrolla una red neuronal hipotética basada en el estudio neuroetológico y se programa en la plataforma robótica. Se realizan estudios etológicos para comparar el rendimiento de las redes neuronales hipotéticas con el del sistema nervioso animal. Las deficiencias en el modelo pueden ser identificadas e informar su desarrollo posterior, las hipótesis de neurociencia a nivel de sistemas pueden ser probadas mediante la manipulación directa de los parámetros de simulación.

Hola, soy Dan Bluestein del Centro de Ciencias Marinas de la Universidad Northeastern. Aquí demostraremos un enfoque para implementar rápidamente simulaciones del sistema nervioso en una plataforma robótica. Al desarrollar este procedimiento para su uso en un kit de robótica disponible comercialmente, hemos hecho que este enfoque biorrobótico de la neurociencia sea asequible, eficiente y accesible para los investigadores sin experiencia en ingeniería robótica.

Este enfoque también es adecuado para el aula de secundaria y universidad, ya que sirve como base para un plan de estudios de biorobótica basado en la investigación práctica. El primer paso en la construcción de la plataforma robótica es elegir un organismo modelo para estudiar que esté bien representado en la literatura neuroetológica. Los invertebrados generalmente son buenos candidatos porque sus sistemas nerviosos relativamente simples han sido bien estudiados y están compuestos principalmente por reflejos innatos.

Demostraremos este enfoque utilizando la langosta americana Hamas Americana. El siguiente paso es seleccionar comportamientos reflexivos bien estudiados con fines de modelado. Con la langosta, podemos investigar las respuestas a la intención, la flexión, el golpe de garra y el flujo óptico.

Reflejos simples que dependen de las conexiones neuronales bilaterales. Los sensores simétricos son muy adecuados para este tipo de estudio. Usando el kit Lego Mindstorms NXT 2.0, construye un robot que se aproxime a la estructura corporal del modelo animal.

Se pueden utilizar otras plataformas robóticas, pero el kit disponible en el mercado que utilizamos aquí permite una implementación rápida. El siguiente paso es equipar el robot con sensores que coincidan con los sistemas elegidos para los sensores de estudio. Incluido en el kit Lego Mindstorms, se pueden usar sensores o sensores de preparación casera como se describe en una variedad de material publicado.

Utilizamos el sensor táctil de Lego, un sensor de curvatura de punto flexible de antena personalizado y un sensor de flujo óptico desarrollado por Centi Incorporated para construir un conector resistivo personalizado, como el empalme del sensor de antena, un cable conector NXT y soldamos los cables blanco y negro a los cables del sensor. Para comenzar a programar la simulación del sistema nervioso, utilice los estudios neuroetológicos publicados anteriormente para desarrollar una red neuronal con fines de modelado. La literatura ha propuesto redes neuronales para explicar el comportamiento de varios organismos modelo, desde langostas hasta lampres, se deben identificar unidades neuronales funcionales y sus conexiones sinápticas.

También se pueden desarrollar e implementar nuevos experimentos neuroetológicos teorizados si las circunstancias del laboratorio lo permiten. Utilice el software LabVIEW para programar la red para la plataforma Lego Mindstorms. Se utilizan instrumentos virtuales o BIS para un modelo de neurona y sinapsis y se pueden encontrar en línea.

Recomendamos el modelo basado en mapas de tiempo discretos desarrollado por Roloff porque permite una operación en tiempo real computacionalmente eficiente mientras mantiene una variedad de regímenes de salida de disparo neuronal, dos parámetros de control. Alpha y Sigma determinan la dinámica de la neurona simulada para producir salidas variadas, que incluyen tónico, pico, disparo caótico, estallido y silencio intrínseco. La vista de laboratorio proporciona un entorno de programación gráfica que es intuitivo y permite una implementación rápida de las neuronas de primer lugar y las sinapsis vi en un bucle while para que la red se actualice de forma iterativa.

A continuación, conecte las salidas de picos de las neuronas presinápticas a través de las sinapsis con las neuronas postsinápticas. A continuación, pase los parámetros de actualización iterativa a través de los registros de desplazamiento al siguiente ciclo de cálculo. El modelo DTM actualiza las variables dinámicas rápidas y lentas que se pasan a la siguiente iteración de cálculos.

Los parámetros de Synapse deben establecerse para definir la geometría de la red. El modelo DTM especifica la intensidad de una sinapsis, la tasa de relajación y los valores de potencial de inversión se pueden ajustar para las características específicas de su red, pero recomendamos los siguientes ajustes. JS es igual a 0,60, gamma es igual a 0,95 y XRP es igual a 2,2 para una sinapsis excitatoria o menos 1,8.

Para una sinapsis inhibitoria, ajuste los parámetros de control alfa y sigma para modificar la actividad neuronal basal. Se recomienda utilizar un valor alfa igual a 4,05 y un valor sigma igual a menos 3,10. Utilice el sensor de vista de laboratorio frente

a la entrada de información del sensor en la red. Para los sensores proporcionados, los vi ya están disponibles dentro del módulo de vista de laboratorio de Mindstorms. Para sensores resistentes personalizados, utilice el sensor de luz VI como marco de programación.

Inserte gráficos en el panel frontal del programa de vista de laboratorio para visualizar la actividad neuronal. Reemplace temporalmente las entradas del sensor con cajas de control del panel frontal para manipular manualmente la información del sensor que va a la red neuronal, ejecutar la red neuronal y ajustar manualmente los controles del panel frontal para presentar una entrada sensorial variada. Confirme que la red funciona cualitativamente según lo previsto para las condiciones conocidas.

Ajuste la red según sea necesario cambiando los parámetros de neurona y sinapsis. Los primeros intentos de sintonizar la red deben hacerse cambiando la fuerza de las diversas sinapsis. Es posible que también sea necesario ajustar otros parámetros.

Una vez que la red funcione con precisión cualitativa, reemplace las cajas de control del panel frontal con la entrada del sensor VI y programe la red en la plataforma NXT a través de una conexión USB. Para probar la simulación del sistema nervioso, establezca un entorno controlado en el que observar al animal y al robot en condiciones similares. Monta una cámara de video en el techo para grabar comportamientos.

Asegúrese de que el contraste entre el sujeto y el fondo sea alto. Para permitir el seguimiento automático. Coloque al animal en el entorno controlado y grabe en video el comportamiento.

Asegúrese de limitar las capacidades sensoriales de la langosta para que coincidan con las del robot. Aquí restringimos la visión de la langosta y la detección de quimioterapia cubriendo los ojos con una máscara de papel de aluminio y abollando los receptores de quimioterapia con agua dulce. Modifique el entorno para permitir el funcionamiento del robot Lego.

Repita la prueba de comportamiento y el procedimiento de grabación de video con el robot. Utilice MATLAB para realizar un seguimiento automático del animal y del robot. Utilizamos el script de MATLAB mouse lab tracker, que está disponible en línea.

Crea y compara gráficos de los movimientos de los animales y los robots. Modifique la red neuronal y repita el experimento de seguimiento del comportamiento para observar cómo diferentes aspectos del sistema nervioso electrónico afectan el comportamiento del robot. Por ejemplo, se pueden ajustar las fuerzas sinápticas en ciertos nodos de la red neuronal.

Alternativamente, se pueden modificar las condiciones sensoriales en el campo de pruebas y observar los efectos en robots y animales. Al comparar el rendimiento conductual de un robot y un animal, podemos investigar los principios de la función del sistema nervioso. La fuerza sináptica de las neuronas sensoriales del trasero en garra en el sistema nervioso se varió en un robot y se rastreó el comportamiento resultante.

Las líneas rojas representan el movimiento de los robots con sinapsis excitadoras débiles. Las líneas azules muestran sinapsis excitadoras de intensidad media, y las líneas verdes muestran el movimiento del robot con sinapsis excitadoras fuertes. Las trayectorias de la langosta están representadas por líneas negras, el hipotético sistema nervioso con conexiones excitatorias de nivel medio de la protuberancia de la pinza.

Las neuronas sensoriales producen una salida conductual similar a la del animal. De los datos se pueden extraer parámetros cuantitativos para la comparación, como la longitud del camino y la velocidad media al caminar. Como se muestra en esta tabla, acabamos de mostrar cómo utilizar una plataforma robótica asequible y accesible para ejecutar y probar simulaciones del sistema nervioso.

Este enfoque es útil para la prueba rápida de hipótesis del sistema nervioso y puede ser adoptado rápidamente por biólogos y otros investigadores sin experiencia en robótica. Existen algunas limitaciones inherentes al uso de esta plataforma, como las capacidades de procesamiento del chip NXT y la gama de sensores disponibles para la implementación robótica. No obstante, este enfoque es una herramienta poderosa para la implementación en etapas tempranas de simulaciones del sistema nervioso incorporado y puede servir como punto de partida para investigaciones biorrobóticas más profundas utilizando plataformas personalizadas cuando las utilizan estudiantes de secundaria y universitarios.

Este enfoque proporciona un emocionante método basado en la investigación para enseñar neurociencia, robótica y el valor de la ciencia interdisciplinaria a los científicos del futuro. Gracias por mirar.