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

El objetivo general del siguiente experimento es investigar la interacción bidireccional entre una red biológica de neuronas disociadas y un pequeño robot. El diálogo continuo puede modificar las propiedades computacionales del sistema neuronal, induciendo una especie de aprendizaje. Esto se logra mediante la preparación de un cultivo neuronal sobre una guía de microelectrodos para permitir una sesión experimental de varias horas sin comprometer la actividad celular.

Como segundo paso, se calcula un mapa de respuesta del cultivo, que permite la selección de electrodos estimulantes para el experimento de bucle cerrado real. A continuación, se definen los parámetros de codificación y decodificación para permitir el intercambio de información entre los sistemas biológicos y electrónicos. Los resultados muestran un aumento significativo en las capacidades de navegación del agente robótico a partir de la comparación de la distancia media recorrida entre impactos en diferentes condiciones de control.

Este método puede ayudarnos a responder preguntas clave en nuestro campo de la ingeniería, como por ejemplo, ¿podemos llegar a un diccionario para traducir el lenguaje de las neuronas al lenguaje de las máquinas y viceversa? Por lo general, las personas nuevas en este método tendrán dificultades debido a la complejidad tecnológica de la configuración experimental y la arquitectura del software. La demostración del procedimiento estará a cargo de Martha Bizo, estudiante de doctorado de mi laboratorio.

El primer paso es preparar una guía de microelectrodos o un chip MEA con 60 electrodos que se puede utilizar para estimular o grabar la red neuronal. Después de colocar cultivos neuronales en el ME, los chips A esperan unas tres semanas hasta que la red neuronal haya madurado. El día del experimento, precaliente el sistema de calefacción MEA durante cinco a 10 minutos ajustando el controlador de temperatura a 37 grados Celsius y encendiendo la placa calefactora debajo del MEA.

Además, use una cubierta calentada para reducir la evaporación, usando tapas permeables al gas esterilizadas en autoclave, cubra los cultivos con una tapa para limitar la evaporación y evitar cambios en la osmolaridad durante el registro. Ahora circula el oso sobre el cultivo para mantener estables los niveles de oxígeno y pH. Deje reposar el cultivo durante 30 minutos Después del período de descanso, registre la actividad espontánea de las células neuronales durante 30 minutos.

A continuación, guarde los datos en un archivo haciendo clic en el botón de grabación en el cuadro de picos del formulario de registro de datos. En el formulario de visualización de datos sin procesar, identifique los 10 canales con el mayor número de picos. A continuación, seleccione esos canales en cualquiera de los diseños de MEA.

El formulario de codificación se muestra aquí arrastrando el cursor del ratón sobre las áreas deseadas. Una vez seleccionados los canales, haga clic con el botón derecho del ratón en cualquier parte del diseño MEA y seleccione añadir al área sensorial izquierda en el menú emergente. Estos electrodos se utilizarán para administrar estimulación eléctrica en un paso posterior.

A continuación, verifique que el estimulador y el amplificador MEA estén conectados correctamente. Todas las configuraciones requieren dos cables por canal de estimulación deseado, mientras que se requiere un cable coaxial adicional para transportar la señal de sincronía. Cuando esté listo, encienda el estimulador.

El siguiente paso es definir los parámetros del estímulo en el formulario de mapa de conexión. Todos los estímulos entregados al cultivo son por ondas de voltaje cuadrado fásico. Establezca la duración media en 300 microsegundos y establezca la amplitud en 1,5 voltaje máximo de tope.

Comience a registrar la respuesta a la estimulación presionando el botón de inicio. En el formulario de mapa de conexión, una serie de 30 estímulos a 0,2 hercios se entregan automáticamente desde uno de los electrodos de estimulación previamente seleccionados. Mientras este electrodo actúa como electrodo de estimulación, se registran las respuestas de los 59 electrodos restantes en el chip MEA.

Luego, con un retraso de cinco segundos entre series, la serie de 30 estímulos se repite a su vez en cada uno de los nueve electrodos de estimulación identificados restantes, mientras que las grabaciones se recopilan de los 59 electrodos restantes. Siguiente mapa de conexión a la computadora para cada canal estimulante utilizando código espía, una aplicación que realiza cálculos sobre datos neuronales. A partir de los mapas de conexión, descarte de un análisis posterior todos los electrodos estimulantes que no evocaron respuestas.

Luego, de entre los electrodos restantes, seleccione el par con la menor superposición en las respuestas como se describe en el protocolo de texto, seleccione uno de estos electrodos para codificar la información sensorial desde el lado izquierdo del robot y el otro para codificar las lecturas desde el lado derecho. Para ello, arrastre el cursor del ratón sobre un electrodo, haga clic con el botón derecho en el diseño MEA y, a continuación, seleccione añadir al área sensorial izquierda. A continuación, arrastre el cursor sobre el otro electrodo.

Haga clic con el botón derecho y seleccione agregar al área sensorial derecha. A continuación, en el formulario de codificación, seleccione el esquema de codificación estableciendo el tipo de codificación en lineal. A continuación, defina las tasas de estimulación mínima y máxima utilizando el rango predeterminado de 0,5 a dos hercios y establezca el parámetro de fluctuación en cero.

Luego, en el formulario de decodificación, establezca los parámetros del algoritmo de decodificación. Es decir, el cambio de velocidad y la constante de tiempo de los parámetros de decaimiento a uno para un cultivo moderadamente activo con aproximadamente un pico por segundo por canal. A continuación, establezca los parámetros de ráfaga del algoritmo de decodificación en el formulario de decodificación en cero.

El tiempo de decaimiento es irrelevante si el cambio de velocidad es cero. En el formulario Administrador de experimentos, seleccione los datos que se van a registrar haciendo clic en las casillas de verificación Guardar datos de picos, Datos de robot y Datos de estímulos. Ahora inicie una ejecución de robot de preaprendizaje seleccionando el botón iniciar experimento en el formulario del administrador de experimentos.

Cuando se le solicite, seleccione nuevos nombres de archivo para los archivos de datos. Deje que el experimento se ejecute durante 30 minutos. A continuación, haga clic en el botón Detener experimento para detener la ejecución del robot.

A continuación, encienda el protocolo de aprendizaje marcando la entrega a 10 estimulación después. Presione la casilla de verificación en el formulario del administrador de experimentos. A continuación, vuelva a hacer clic en el botón de inicio del experimento para volver a realizar la ejecución del robot de entrenamiento durante 30 minutos.

Durante esta carrera de aprendizaje, la estimulación del robot cambia de un estímulo irregular a uno titánico. Cuando el robot choca con un obstáculo, el estímulo Titanic se utiliza para entrenar la red neuronal. Después de guardar los datos, vuelva a apagar el protocolo de aprendizaje desmarcando la opción entregar a la estimulación tánica.

Después de presionar la casilla de verificación, luego haga clic en iniciar experimento para realizar una ejecución de robot posterior al aprendizaje de 30 minutos. Al igual que antes, recuerde cambiar los nombres de los archivos para evitar que se anulen. Además del robot virtual mostrado anteriormente, este mismo conjunto de carreras de entrenamiento se puede utilizar con una red neuronal y un robot físico.

Aquí se muestra el camino seguido por un robot virtual durante un experimento de MEA vacío de 20 minutos. No había células plateadas en el MEA para este experimento de control. Las áreas de color verde claro están libres para que el robot se mueva, y los círculos de color verde oscuro representan obstáculos intransitables que el robot puede percibir a través de sus sensores de distancia.

En cada prueba, el robot comienza en la sección superior izquierda de la arena y viaja a su posición final representada como un gran punto rosa. Los puntos negros más pequeños representan golpes contra un obstáculo. Las rutas codificadas por colores indican el tiempo transcurrido.

En este experimento sin red neuronal, el robot se detuvo ante el primer obstáculo que encontró. Aquí se muestra el camino de un robot virtual durante un experimento de bucle abierto en el que el robot queda efectivamente cegado. En lugar de codificar la información sensorial, los trenes de estimulación entregados a la red neuronal son solo secuencias regulares.

Aquí se muestra el camino seguido por un robot virtual durante un experimento de circuito cerrado de 20 minutos en el que la red neuronal recibió retroalimentación satánica después de que el robot golpeó un obstáculo. Tenga en cuenta que, a diferencia del experimento de circuito abierto, este robot navegó con éxito alrededor de muchos obstáculos. Esto indica que es necesaria una interacción bidireccional entre los elementos neuronales y artificiales para obtener un buen rendimiento de navegación del robot.

Este gráfico muestra el rendimiento de navegación del robot expresado en píxeles recorridos entre impactos posteriores. Las dos primeras columnas muestran la distribución de las distancias recorridas, dos experimentos de control, el MEA vacío y las configuraciones de bucle abierto. La tercera y cuarta columna muestran el rendimiento sin y con la entrega de la estimulación del Titanic.

Después de cada golpe contra un obstáculo, la introducción de la estimulación del Titanic mejora significativamente. La distancia recorrida entre dos impactos consecutivos, mejorando así el rendimiento de navegación del robot. Este gráfico representa la probabilidad de que un algoritmo de decodificación determinado del robot navegue con éxito a través de una pista corta en un tiempo limitado.

Los paradigmas de decodificación difieren entre sí debido a los pesos relativos de las ráfagas y picos aislados después de su desarrollo. Esta técnica allanó el camino para que los URG en el campo de la neurorobótica y la neuroprótesis exploraran cómo conectar los cerebros y las máquinas con el fin de mejorar el rendimiento de las interfaces neuronales modernas. Después de ver este video, debería tener una buena comprensión de cómo planificar y ejecutar un experimento híbrido para investigar las propiedades computacionales de una red neuronal biológica incorporada.