Name: Une plate-forme expérimentale pour étudier les performances en boucle fermée des interfaces cerveau-machine (Vidéo) | JoVE Journal
Uploaded: 2011-03-10T12:00:00.000+00:00
Duration: 10 min 51 s
Description: Découvrez comment créer une interface cerveau-machine en boucle fermée utilisant le neurone H1 de la drosophile pour stabiliser un robot mobile sur une table tournante. Cette méthode permet d'étudier les principes de contrôle neuronal en temps réel.

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 a été soutenue par une bourse de doctorat du Département de génie biologique et le financement de la Labs US Air Force Research. N. Ejaz a été soutenue par une bourse de doctorat de la Higher Education Commission pakistanaise et le financement de la Labs US Air Force Research.

1. Préparation Fly <ol><li> La première étape dans la mise en place des expériences consiste à préparer la volée afin que personne ne corrompt mouvement involontaire de la stabilité des enregistrements de neurones et que la tête de la mouche est correctement orientée avec le matériel de stimulation visuelle. Pour commencer à préparer la volée, il refroidir sur glace, puis utilisez bâtonnets à cocktail émoussé pour tenir les ailes vers le bas, et fixer à l'arrière de la mouche sur un morceau de double face-bande sur une lame de microscope. </li><li> Ensuite, utilisez une aiguille de l'électro-cautérisation à appliquer la cire d'abeille pour attacher les ailes à la diapositive et également de bloquer l'action du moteur en vol. Cette étape nécessite une manipulation rapide et précise afin que la mouche ne se réchauffe pas pendant la procédure. </li><li> Maintenant sous le microscope, tenez chaque jambe avec une pince et l'utilisation d'une paire de petits ciseaux pour les couper au niveau des articulations la plus proche du corps. Répétez cette opération pour la trompe. Pour éviter la volée de sécher, les trous doivent être scellés à la cire. </li><li> Ensuite, découpez l'une des ailes hors tension, puis tournez à la volée sur le côté. Retirez les morceaux restants de l'aile, tout en laissant la calyptra couvrant les haltères, et sceller le trou avec de la cire. Répétez cette procédure pour l'autre aile. </li><li> Afin de stimuler un neurone cible d'une manière définie, la tête de la mouche doit être correctement alignée avec les moniteurs d'ordinateur. Pour ce faire, vous aurez besoin d'un support personnalisé qui a un large espace pour le corps de la mouche et un appendice à une extrémité avec une entaille au cou, où la mouche sera placé. </li><li> Placez la volée sur le support avec son cou dans l'encoche, le pressant alors coller l'abdomen en place. Maintenant, placez le titulaire voler dans un stand de sorte que vous pouvez voir le devant de la tête de la mouche à travers le microscope. </li><li> Voir la volée avec une lumière rouge, un phénomène optique appelé la pupille de pseudo-peut être vu dans chaque oeil. L'élève de pseudo-fournit un cadre de référence qui peut être utilisé pour aligner la tête de la mouche avec le stimulus (Franceschini, 1975). Si l'élève pseudo-suppose une certaine forme, comme le montre l'image ci-dessous insérer, puis l'orientation de la tête de la mouche est parfaitement défini. <img src="/files/ftp_upload/1677/1677fig0.jpg" alt="pseudo-pupille" data-altupdatedat="1787634011000" data-alt="pseudo-élève"> </li><li> Utilisez un micromanipulateur d'orienter correctement la tête de la mouche, et ensuite utiliser la cire pour coller sur le support. </li><li> Ensuite, appuyez sur le thorax à plat et c'est de la cire pour le porteur. Cela permet à la capsule de la tête à l'arrière d'être ouvert afin que les électrodes peuvent être insérés dans le cerveau voler. </li><li> Utilisez un micro scalpel ou une aiguille fine pour l'injection soigneusement découpé une fenêtre sur la cuticule de la capsule céphalique droite. Soyez prudent de ne pas couper la droite tissu neural sous la cuticule. Une fois le morceau de cuticule est enlevé, ajouter quelques gouttes de solution de Ringer. </li><li> Utilisez une pince pour enlever les poils flottants, les dépôts de graisse, ou tissu musculaire qui peut couvrir la plaque lobula. La plaque lobula peuvent être identifiées par un motif caractéristique de branchement de la trachée argentée qui recouvre sa surface postérieure. </li><li> Coupez un petit trou dans la cuticule de la capsule-tête arrière gauche pour le positionnement d'une électrode de référence. Avec la volée préparés, permet de voir comment la position de l'électrode d'enregistrement. </li></ol> 2. Positionnement de l'électrode d'enregistrement <ol><li> Avec la volée préparés, nous allons procéder à la localisation et l'enregistrement des signaux du neurone H1. L'électrode d'enregistrement doit être placé à proximité du neurone H1. Le neurone H1 répond principalement à l'horizontale dos-à-face motion présentée à son champ récepteur (Krapp et al. 2001). </li><li> Pour la position de l'électrode d'enregistrement, l'utilisation de la trachée comme un repère visuel. Initialement, placer l'électrode entre la trachée supérieure. </li><li> Il aide à l'utilisation d'un amplificateur audio à convertir les potentiels enregistrés électriques en signaux acoustiques. Chaque pointe individu est transformé en un son caractéristique cliquant. Le plus proche de l'électrode arrive à un neurone individuel, la plus claire le déclic devient. </li><li> Pour identifier le neurone H1 au moyen de son choix de mouvement, de le stimuler avec le mouvement dans le sens horizontal. Avec l'électrode d'enregistrement en place, permet de passer à la stimulation visuelle et des enregistrements. </li></ol> 3. Stimulation enregistrements visuels et <ol><li> Les expériences en boucle fermée sont configurés de telle sorte que de telles que la stimulation des résultats neurone H1 dans le robot pour compenser le mouvement de la table tournante. Pour commencer, placez une mouche devant deux écrans d'ordinateur à tube cathodique. Parce que le système visuel est volée 10 fois plus rapide que celle de l'humain, les moniteurs doivent afficher 200 images par seconde. Les moniteurs et autres équipements électriques doit être blindé électromagnétiquement pour minimiser le bruit externe dans le signal mesuré neuronale. </li><li> Position des centres des moniteurs à + / - 45 degrés par rapport à l'orientation de la mouche. Comme il ressort de l'équateur œil de la mouche, chaque moniteur tend un angle de + / -25 degrés à l'horizontale, et +/ -19 Degrés dans le plan vertical. </li><li> Entrée synchronisée aux moniteurs d'ordinateur est assurée par deux caméras vidéo montées sur un petit robot ASURO deux roues qui a été modifié pour l'expérience. </li><li> Placez le robot sur une table tournante dans une zone cylindrique dont les murs sont tapissés avec un motif d'orientation verticale, rayures noires et blanches. En tournant le tour de table dans le plan horizontal, les mouvements du robot sont limités à un seul degré de liberté. </li><li> Initialement fois le tour de table et le robot sont au repos. Lorsque le tour de table commence à se déplacer, effectue sa rotation du robot, dans la même direction et les caméras vidéo enregistrent le mouvement relatif entre le robot et le motif rayé de l'arène. </li><li> Les caméras vidéo à piles sur le robot sont montés à une orientation de + / - 45 degrés. Ils capturent 200 images par seconde pour correspondre à la fréquence d'image des moniteurs d'ordinateur en face de la volée. </li><li> Connexion des images présentées sur les écrans d'ordinateur à 200 images par seconde à une résolution de 640 x 480 (échelle de gris). </li><li> Alors que la mouche est à regarder les mouvements des rayures, d'enregistrer la bande-passé filtrée (par exemple, entre 300 et 2 kHz) des signaux électriques avec une carte d'acquisition numérique en utilisant un taux d'échantillonnage d'au moins 10 kHz. </li><li> Un seuil est appliqué à la bande-filtrée signaux électriques transmis à séparer les pointes de l'activité de fond. Une causalité, demi-filtre gaussien est convoluée avec les pointes d'obtenir une estimation de dopage en douceur l'activité de la cellule H1. </li><li> Pour fermer la boucle de l'interface cerveau-machine, un algorithme de contrôle est utilisé pour convertir le taux de pic de la cellule H1 à une vitesse du robot qui est réinjectée via une interface Bluetooth pour contrôler les deux moteurs DC entraînant les roues du robot. </li><li> Pur ondes sinusoïdales sont choisis comme les profils de vitesse pour le tour de table. Les ondes sinusoïdales ont une telle DC-offset que la table tournante tourne uniquement dans le sens qui stimule le neurone H1 long de sa direction préférée. Stimulation des résultats neurone H1 dans le robot pour compenser le mouvement de la table tournante. <img src="/files/ftp_upload/1677/1677fig1.jpg" alt="Figure 1" data-altupdatedat="1787634011000" data-alt="Figure 1"> Figure 1: configuration en boucle fermée. Dans notre configuration, l'activité de dopage de la cellule H1 gauche est utilisé pour contrôler le mouvement d'un robot monté sur une platine. Mouvement de l'image visuelle produite à la suite d'un mouvement relatif entre le robot et le tour de table est capturé par l'intermédiaire des caméras haute vitesse et affichés sur les moniteurs CRT deux à l'avant de la mouche. L'activité de dopage H1 de l'hémisphère gauche est utilisée pour estimer le taux en temps réel pic qui utilise alors une loi de commande pour calculer une vitesse de compensation pour le robot. Le robot contre-rotation stabilise le mouvement de l'image visuelle observée par la mouche au cours contrôle en boucle fermée. </li></ol> 4. Résultat Représentant et résultats <ol><li> Lorsque correctement configuré, la stabilisation visuelle est atteinte lorsque le contre-rotation du robot correspond à la rotation de la table tournante, entraînant le déplacement peu ou pas de tendance sur les écrans d'ordinateur. La performance globale du système dépend de l'algorithme de contrôle utilisé pour fermer la boucle. </li><li> Le premier algorithme, nous testons est un régulateur proportionnel (figure 2) où la vitesse du robot à jour est proportionnelle à la différence de vitesses angulaires entre le robot, ωr, et le tour de table, ωp. Des valeurs différentes pour le gain statique, Kp, et des fréquences d'entrée pour le signal de tour par tour de table, ωp, sont choisis pour tester les performances du contrôleur. <img src="/files/ftp_upload/1677/1677fig2.jpg" alt="Figure 2" data-altupdatedat="1787634011000" data-alt="Figure 2"> Figure 2: Régulateur proportionnel. (A) Le mouvement relatif entre le robot et le tour de table dans la direction préférée stimule la cellule H1 de donner le taux de pic, pic F. Ce taux est convertie en une erreur de vitesse, E, et un régulateur proportionnel est utilisé pour estimer la vitesse du robot à jour, vr (t +1). Le taux de pic, F, est converti à l'erreur de vitesse, E, basé sur s'il est inférieur ou supérieur au taux spontané pic, Fspont. Le taux de pic à la vitesse de conversion d'erreur se fait en projetant F sur un cosinus (intervalle [π, 0]) pour tenir compte des non-linéarités seuil du taux de dopage. Les constantes 70 et 150 sont utilisées pour correspondre à la vitesse d'entrée de 8 bits du robot pour les vitesses minimale et maximale angulaire de la table tournante. Schéma (b) montrant système en boucle fermée en utilisant un régulateur proportionnel. L'entrée du système est une modulation de la vitesse sinosuidal table tournante angulaire, ωp (t), et la réponse correspondante du robot ωr (t +1) est enregistrée. </li><li> Exemple de traces pour p ω et r ω sont présentés ici pour K p = 1 et une fréquence d'entrée de 0,6 Hz pour p ω (voir figure 3). Le robot (en vert) suit la table tournante (en bleu) avec un décalageet une petite pointe d'amplitude. La composante horizontale du mouvement modèle qui stimule la cellule H1 est indiqué ci-dessous (en rouge). <img src="/files/ftp_upload/1677/1677fig3.jpg" alt="Figure 3" data-altupdatedat="1787634011000" data-alt="Figure 3"> Figure 3: Réponses en boucle fermée. (A) vitesses angulaires pour le tour de table (bleu), ωp, et le robot (vert), ωr, à la fréquence d'entrée = 0,6 Hz. (B) de flux optique horizontale est montré tel qu'il est calculé à partir d'images connecté (rouge). Lucas Kanade pyramidal méthode (3 niveaux de la pyramide) est utilisé pour calculer le champ de flux optique entre les images successives. Horizontal vitesse angulaire est calculé en additionnant les projections de vecteurs individuels dans les champs d'écoulement sur l'unité horizontale vecteur i. Horizontal dos-à-face qui excite le mouvement de la cellule H1 est appelée PD (direction privilégiée) tout en devant horizontale-à-dos le mouvement qui inhibe la cellule H1 est appelée ND (direction null). </li><li> Fréquences d'entrée pour le signal de tour par tour de table, ωp, sont choisis entre 0,03 à 3 Hz et le signal du robot correspondant, ωr, est enregistrée. Les deux signaux sont transformés dans le domaine fréquentiel par une transformée de Fourier rapide (voir figure 4) et les valeurs d'amplitude et de phase sont calculés à la fréquence d'entrée. <img src="/files/ftp_upload/1677/1677fig4.jpg" alt="Figure 4" data-altupdatedat="1787634011000" data-alt="Figure 4"> Figure 4: Réponse en fréquence des signaux de vitesse angulaire pour le tour de table, ωp, et le robot, ωr, sont transformées dans le domaine fréquentiel en utilisant les transformation de Fourier rapide (FFT) pour calculer l'amplitude et de composants phase à la fréquence d'entrée.. Composants de la phase de la FFT ne sont pas représentés dans la figure. </li><li> Le diagramme de Bode grandeur pour le régulateur proportionnel avec K p = 1 montre la réponse du système au cours des fréquences d'entrée testé (voir figure 5-a). Les performances du contrôleur diminue généralement avec l'augmentation des fréquences. Le gain a légèrement augmenté à 1 Hz est le résultat d'oscillations dans le signal du robot en raison de l'aide un seul H1-cellulaire dont la dynamique (de sortie) gamme couvre principalement horizontale le mouvement de retour à l'avant. <img src="/files/ftp_upload/1677/1677fig5.jpg" alt="Figure 5" data-altupdatedat="1787634011000" data-alt="Figure 5"> Figure 5: les performances du contrôleur proportionnel. Les diagrammes de Bode amplitude et la phase pour le régulateur proportionnel (en moyenne plus de 8 mouches), gain statique Kp = 1,0 (a) le diagramme de Bode amplitude suit approximativement une caractéristique filtre passe-bas. Le gain a légèrement augmenté à 1 Hz est le résultat d'oscillations dans le signal du robot, ωr, en raison de l'aide un seul H1-cellulaire dont la dynamique (de sortie) gamme couvre principalement horizontale revenir à la motion avant. Le nombre d'oscillations dans le signal du robot, ωr, diminue avec l'augmentation des fréquences d'entrée menant à gagner légèrement augmenté à ces fréquences. (B) le diagramme de Bode de phase est inférieure à 180 ° pour des fréquences d'entrée ≤ 1 Hz et à l'instabilité des approches à 3 Hz. Au delà d'une fréquence d'entrée, le régulateur devient instable à cause de la cinématique du robot. Cette instabilité se produit seulement au-delà de la gamme de réponse optimale connue du système de volée visuelle (Warzecha et al. 1999). </li><li> L'intrigue phase de Bode (voir figure 5-b) montre une phase de latence du contrôleur inférieur Π pour des fréquences d'entrée &lt;0,6 Hz. Cela montre que le contrôleur est stable pour des fréquences &lt;0,6 Hz et instable pour des fréquences d'entrée ≥ 1 Hz. </li><li> La performance du régulateur proportionnel avec un Kp statique (en bleu) a été comparé avec un contrôleur adaptatif (en rouge), où la valeur de K p est mis à jour toutes les 50 ms sur la base des taux de crête pic, C max, calculé sur l'intervalle de temps [t-500ms - t] (voir figure 6). En conséquence de la fenêtre de temps d'intégration de grandes, le régulateur proportionnel est plus performant que le contrôleur adaptatif pour la gamme de paramètres testés (voir la figure 7-a). La fenêtre de temps initial d'intégration de 500 ms a été choisi pour des raisons techniques liées à la plateforme de robot que nous utilisons. Le contrôleur adaptatif avait une caractéristique de phase similaire à celle du régulateur proportionnel (voir figure 7-b). <img src="/files/ftp_upload/1677/1677fig6.jpg" alt="Figure 6" data-altupdatedat="1787634011000" data-alt="Figure 6"> Figure 6: gain du régulateur adaptatif. Le régulateur proportionnel utilise un gain statique, Kp, alors que le contrôleur adaptatif estimations du gain en continu pendant le contrôle en boucle fermée. Le gain dynamique, Kp, est inversement proportionnelle à la vitesse maximale pointe, Fmax, sur l'intervalle t-500ms ≤ τ ≤ t. La figure montre trois cas où Fmax est estimé au cours du temps. Basé sur des valeurs estimées de Fmax, Kp est plus élevé pendant fenêtre de temps 2 (vert) et le plus bas pendant 3 fenêtre de temps (en orange). <img src="/files/ftp_upload/1677/1677fig7.jpg" alt="Figure 7" data-altupdatedat="1787634011000" data-alt="Figure 7"> Figure 7: Régulateur proportionnel vs adaptative. Bode amplitude et la phase de la proportionnelle (Kp = 1) et adaptative de contrôleur(A) les mises à jour contrôleur adaptatif de la valeur de Kp toutes les 50 ms sur la base des Fmax pic de pic estimation du taux au cours de la dernière 500ms. L'intrigue régulateur proportionnel de gain (en bleu) est plus élevé que celui du contrôleur adaptatif (rouge) indiquant qu'il est plus performant à toutes les fréquences d'entrée. (B) les diagrammes de Bode de phase pour les deux contrôleurs sont similaires avec une différence significative à f = 0,3 Hz. Les deux contrôleurs d'approche d'instabilité, de 3 Hz. Significativement différent des valeurs de gain et de phase sont indiqués par un astérisque (méthode Wilcoxon, p = 0,05). </li><li> Le modèle de grille autour de la table tournante a été enlevé et l'environnement de laboratoire a été utilisé comme une approximation de l'entrée visuelle naturalistes pour la mouche H1-cellulaire. En moyenne, le diagramme de Bode ampleur (voir figure 8-a) pour l'entrée naturalistes visuelle (en bleu) ont montré des gains légèrement supérieur à la une avec entrée caillebotis visuel (en rouge), probablement parce que la plus large gamme de fréquences spatiales au naturaliste des images visuelles est exploitée. Les caractéristiques Bode de phase pour caillebotis vs naturalistes stimuli visuels étaient similaires (voir figure 8-b). <img src="/files/ftp_upload/1677/1677fig8.jpg" alt="Figure 8" data-altupdatedat="1787634011000" data-alt="Figure 8"> Figure 8: Stripped pattern vs environnement de laboratoire. L'ampleur et Bode parcelles de phase pour le régulateur proportionnel lorsqu'ils sont présentés avec des modèles dépouillés (rouge) vs laboratoire de l'environnement (en bleu) des images visuelles dans boucle fermée (a) le diagramme de Bode grandeur lorsque les images sont utilisées environnement de laboratoire est légèrement plus élevé que lorsque modèle dépouillé est utilisé (sauf à f = 0,1 Hz) indiquant de meilleures performances sous stimulus tel. (B) le diagramme de Bode de phase sous deux conditions visuelles suivent le même schéma, avec les deux instabilité approchant à 3 Hz. Significativement différent des valeurs de gain et de phase sont indiqués par un astérisque (méthode 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> Volez la dissection doit être effectuée avec soin de s&#39;assurer que nous orienter correctement la volée à l&#39;égard des moniteurs d&#39;ordinateur. </li><li> Séparer les pointes du neurone H1 à partir des pointes de tous les autres neurones pour obtenir un bon signal sur bruit, qui peut ensuite être utilisé pour contrôler le robot de manière fiable. </li><li> Des précautions doivent être prises pour éviter toute tissu neural de sécher le cours de l&#39;expérience. </li><li> Les caméras sont reliées à des ordinateurs avec un câble Ethernet. Des précautions doivent être prises pour qu&#39;ils ne soient pas trop plaie pendant l&#39;expérience comme susceptible d&#39;affecter la rotation du robot. </li><li> Actuellement, nous utilisons l&#39;activité d&#39;un pic de H1 à l&#39;installation d&#39;une tâche de stabilisation dans un seul sens de rotation de lacet. Nous pouvons ajouter une deuxième électrode pour capter les signaux de H1 à la fois gauche et droite de sorte que nous pouvons étudier les algorithmes de contrôle de stabilisation dans les deux sens de rotation de lacet. </li><li> Nous pouvons supprimer l&#39;arène contenant les bandes orientés verticalement en noir et blanc et d&#39;utiliser l&#39;environnement de laboratoire que le stimulus visuel de la mouche. Cela nous permettra d&#39;étudier les performances en boucle fermée avec des images naturalistes. </li><li> Le robot peut être retiré de la table tournante et autorisés à se déplacer autour de l&#39;environnement de laboratoire tout en contrôle en boucle fermée. Cela nous permettra d&#39;étudier les algorithmes de contrôle impliqués dans l&#39;évitement des collisions. </li><li> Les fils reliant les caméras pour les ordinateurs peuvent être éliminées par la mise en œuvre d&#39;un système de transmission sans fil, nous donnant une configuration totalement débridée robotique. </li><li> Les mesures de la performance des algorithmes de contrôle différents va nous donner une compréhension de la façon dont différentes stratégies sont en mesure de faire face aux non-stationnaires et variable des signaux neuronaux. Cette connaissance peut ensuite être appliqué à différentes cliniques et non cliniques interfaces cerveau-machine. </li><li> Cette configuration expérimentale est la première étape vers l&#39;enregistrement de signaux neuronaux de se comporter des animaux. Notre objectif est de placer à la volée sur le robot et l&#39;utilisation de son activité de neurones pour contrôle en boucle fermée. Dans une telle configuration, nous serions en mesure d&#39;enregistrer l&#39;activité neuronale de la mouche alors qu&#39;elle est la stimulation multisensorielle reçoit comme un résultat du mouvement du robot. </li><li> Enregistrer des signaux que d&#39;une cellule. Dans la configuration que nous devrions vous, la cellule la plus appropriée serait le H1-cellulaire. Isoler les réponses du neurone H1 d&#39;autres neurones avec des champs récepteurs similaires, par exemple H2, est important pour maintenir un bon signal sur bruit pour les enregistrements de neurones. Les réponses des H1 et H2 neurones peut être discriminé en notant que le H2 a caractéristiquement inférieurs spontanée et du taux moyen de dopage que le neurone H1. Les neurones peuvent également être victimes de discrimination sur la base de leur morphologie (Krapp et al. 2001). </li><li> Notre système nous permet de comparer le gain en boucle fermée obtenue par notre mouche-robot d&#39;interface sur une tâche de stabilisation d&#39;image, et de comparer ses performances avec des gains en boucle fermée optomoteur observé dans les expériences précédentes sur les mouches (Bender &amp; Dickinson 2006, Warzecha et al . 1996, Heisenberg &amp; Wolf, 1990). En outre, elle nous permet d&#39;étudier l&#39;état-dépendant des changements dans le traitement des informations visuelles en boucle fermée des conditions (Chiappe et al. 2010, Maimon et al. 2010, Longden &amp; Krapp 2009, Longden &amp; Krapp 2010). </li></ol>

<ol><li> 1) Haute vitesse écrans CRT (LG Studioworks 221U) </li><li> Caméras à grande vitesse (Prosilica, GC640) </li><li> Robot Platform (ASURO avec des modifications personnalisées) </li><li> Modem Bluetooth de série (BlueSMIRF) </li><li> Micro Step Drive (Applied Motion Systems, ST5-SI) </li><li> Moteur pas à pas (Sanyo Denki, 103H6704-0140) </li><li> Électrodes tungstène (fh-co.com - Code article - STE SHG SE 3P1M) </li><li> Amplificateur extracellulaire (NPI EXT 10-2F) </li><li> Micromanipulateur motorisé (Scientifica, PS-700-Z) </li><li> Microscope stéréo (Leica, MZ95) </li></ol>

une plate-forme expérimentale pour étudier les performances en boucle fermée des interfaces cerveau-machine

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

La nature non stationnaire et de la variabilité des signaux neuronaux est un problème fondamental dans l&#39;interfaçage cerveau-machine. Nous avons développé une interface cerveau-machine pour évaluer la robustesse des différentes lois de contrôle-appliqués à une tâche en boucle fermée de stabilisation d&#39;image. Profitant de la bien caractérisés volée voie visuomotrice nous enregistrons l&#39;activité électrique d&#39;un identifiés, sensibles au mouvement des neurones, H1, pour contrôler la rotation de lacet d&#39;un robot à deux roues. Le robot est équipé de 2 caméras vidéo à haute vitesse offrant entrée du mouvement visuel à une mouche placée en face de deux écrans d&#39;ordinateur à tube cathodique. L&#39;activité du neurone H1 indique la direction et la vitesse relative de rotation du robot. L&#39;activité neuronale est filtrée et réinjectée dans le système de direction du robot par le biais du contrôle proportionnel et proportionnel / adaptatifs. Notre objectif est de tester et d&#39;optimiser les performances des différentes lois sur le contrôle en boucle fermée des conditions pour une application plus large que dans d&#39;autres interfaces cerveau-machine.

Nous utilisons une boucle fermée fly-machine interface pour enquêter sur les principes généraux de contrôle neuronal.

Une plate-forme expérimentale pour étudier les performances en boucle fermée des interfaces cerveau-machine

La nature non stationnaire et la variabilité des signaux neuronaux constituent un problème fondamental dans les interfaces cerveau-machine. Nous avons développé une interface cerveau-machine...

Nous utilisons l'activité d'un interneurone visuel dans le cerveau de la mouche, la cellule H1, pour commander les moteurs d'un robot mobile. Le robot est placé sur une plateforme tournante en rotation constante, et l'activité de la cellule est utilisée pour stabiliser le robot par rapport à l'environnement face aux mouvements externes. Des images du mouvement de motifs enregistrées depuis le robot sont échantillonnées et envoyées vers deux écrans d'ordinateur CRT, positionnés devant la mouche.Les signaux de la cellule H mesurés en pics par seconde indiquent la vitesse du mouvement du motif. Différentes lois de commande sont ensuite appliquées pour convertir les pics enregistrés par seconde en un signal de commande pour les moteurs du robot. Bonjour, je suis Navita Josh du laboratoire Holger Crops du département de génie biomédical de l'Imperial College London.Je suis Chris Peterson, également du laboratoire de Holger Cups. Bonjour, je suis Holger Cup. Aujourd'hui, nous allons vous montrer une procédure permettant de créer une interface cerveau-machine entre des cellules individuelles du système visuel de la drosophile et un robot.Nous utilisons cette procédure pour tester les performances de différentes stratégies de contrôle à l’aide de signaux neuronaux afin de piloter des systèmes robotiques en conditions de boucle fermée. Commençons donc. Pour commencer la préparation de la drosophile, refroidissez-la sur de la glace, puis utilisez des cure-dents émoussés pour maintenir les ailes vers le bas et fixer le dos de la drosophile sur un morceau de ruban adhésif double face placé sur une lame de microscope. Ensuite, utilisez de la cire B pour fixer les ailes sur la lame et bloquer également l’activité du moteur de vol.Cette étape exige une manipulation rapide et précise afin que la mouche ne se réchauffe pas pendant le protocole. Ensuite, sous le microscope, maintenez chaque patte avec une pince et utilisez une petite paire de ciseaux pour les sectionner au niveau des articulations les plus proches du corps. Répétez cette opération pour le proboscis.Pour éviter que la mouche ne s'assèche, les trous doivent être scellés avec de la cire. Ensuite, coupez une des ailes, puis placez la mouche sur le côté. Retirez tous les morceaux restants d'aile tout en laissant le katra, recouvrez les déchirures de Hal et scellez le trou avec de la cire.Répétez cette procédure pour l'autre aile. Pour stimuler un neurone cible d'une manière définie, il faut aligner correctement la tête de la drosophile par rapport aux écrans d'ordinateur. Pour ce faire, vous aurez besoin d'un support sur mesure comportant un espace large pour le corps de la drosophile et une extension à une extrémité, munie d'une encoche dans laquelle on placera le cou de la drosophile.Placez la mouche sur le support, le cou dans l'encoche, en appuyant vers le bas tout en collant l'abdomen en place. Placez maintenant le support de la mouche sur un pied afin de pouvoir observer l'avant de la tête de la mouche au microscope. En observant la mouche avec une lumière rouge, un phénomène optique appelé la fausse pupille peut être vu dans chaque œil.Si la fausse pupille prend une certaine forme, l'orientation de la tête de la mouche est parfaitement définie. Utilisez un micromanipulateur pour orienter correctement la tête de la mouche, puis fixez-la au support à l'aide de cire. Ensuite, aplatissez le thorax et fixez-le également au support avec de la cire.Cela permet d'ouvrir la capsule céphalique postérieure afin d'insérer des électrodes dans le cerveau de la drosophile. Utilisez un micro-scalpel ou une fine aiguille d'injection pour découper soigneusement une fenêtre dans la cuticule de la capsule céphalique droite. Veillez à ne pas sectionner le tissu nerveux situé juste sous la cuticule. Une fois le fragment de cuticule retiré, ajoutez quelques gouttes de solution de Ringer.Utilisez une pince pour retirer les poils flottants, les dépôts de graisse ou les tissus musculaires qui pourraient recouvrir la plaque LOA. La plaque LOA peut être identifiée par un motif ramifié caractéristique de trachées argentées qui recouvre sa surface postérieure. Faites un petit trou dans la cuticule de la capsule céphalique arrière gauche afin de positionner une électrode de référence avec le sujet préparé en vol.Examinons comment positionner l'électrode d'enregistrement. L'électrode d'enregistrement doit être placée en proximité étroite avec le neurone H un. Le neurone H un répond principalement à un mouvement horizontal de l'arrière vers l'avant présenté dans son champ récepteur.Pour positionner l'électrode d'enregistrement, utilisez la trachée comme repère visuel. Placez initialement l'électrode entre les anneaux supérieurs de la trachée. Il est utile d'utiliser un amplificateur audio pour convertir les potentiels électriques enregistrés en signaux acoustiques.Chaque pic individuel est transformé en un son de clic caractéristique. Plus l'électrode s'approche d'un neurone individuel, plus le son de clic devient net. Pour identifier le neurone H selon sa préférence de mouvement, stimulez-le avec un mouvement dans la direction horizontale.Avec l'électrode d'enregistrement en place, passons à la stimulation visuelle et aux enregistrements. Pour commencer, placez une drosophile devant deux écrans d'ordinateur à tube cathodique. Étant donné que le système visuel de la drosophile est 10 fois plus rapide que celui de l'humain, les écrans doivent afficher 200 images par seconde.Les centres des écrans sont situés à plus ou moins 45 degrés par rapport à l'orientation des mouches. Vu depuis l'équateur de l'œil de la mouche, chaque écran sous-tend un angle de plus ou moins 25 degrés dans le plan horizontal et de plus ou moins 19 degrés dans le plan vertical. L'entrée des signaux vers les écrans est fournie par deux caméras vidéo montées sur un petit robot SRO à deux roues, modifié pour l'expérience.Placer le robot sur une table tournante située dans une zone cylindrique dont les parois sont recouvertes d'un motif de bandes verticales noires et blanches. En faisant tourner la table tournante dans le plan horizontal, les mouvements du robot sont limités à un seul degré de liberté. Initialement, la table tournante et le robot sont au repos.Lorsque le plateau tournant commence à bouger, sa rotation entraîne le robot dans la même direction, et les caméras vidéo enregistrent le mouvement relatif entre le robot et le motif rayé de l'arène. Les caméras vidéo alimentées par batterie fixées sur le robot sont orientées à plus ou moins 45 degrés. Elles captent 200 images par seconde afin de correspondre à la fréquence d'images des écrans d'ordinateur placés devant le journal de vol. Les images sont présentées aux écrans d'ordinateur à 200 images par seconde, avec une résolution de six 40 par quatre 80 en niveaux de gris. Pendant que la mouche observe les mouvements du motif rayé enregistré, la bande est filtrée. Par exemple, entre 302 kilohertz, les signaux électriques sont acquis numériquement à l’aide d’une carte d’acquisition fonctionnant à une fréquence d’échantillonnage d’au moins 10 kilohertz. Un seuil est appliqué aux signaux électriques filtrés en bande passante afin de distinguer les pics d’activité de l’activité de fond.Un filtre gaussien demi-causal est convolué avec les pics pour obtenir une estimation lissée de l'activité de décharge du neurone H un afin de boucler l'interface cerveau-machine. Un algorithme de contrôle est utilisé pour convertir la fréquence de décharge du neurone H un en une vitesse de robot, qui est réinjectée via une interface Bluetooth pour commander les deux moteurs à courant continu actionnant les roues du robot. Des ondes sinusoïdales pures sont choisies comme profils de vitesse pour la platine tournante.Les signaux sinusoïdaux présentent un décalage continu tel que la platine ne tourne que dans le sens qui stimule le neurone H un dans sa direction préférentielle. L'ensemble du système de contrôle est configuré de manière à ce que la stimulation du neurone H un entraîne une compensation par le robot du mouvement de la platine, lorsque le dispositif est correctement mis en place. La stabilisation visuelle est obtenue lorsque la rotation inverse du robot s'ajuste à la rotation de la platine, ce qui se traduit par un déplacement minimal, voire nul, du motif sur les écrans d'ordinateur.Les performances globales du système dépendent de l'algorithme de contrôle utilisé pour boucler le système. Le premier algorithme que nous testons est un contrôleur proportionnel, dans lequel la vitesse mise à jour du robot est proportionnelle à la différence des vitesses angulaires entre le robot omega R et la table tournante Omega P. Différentes valeurs du gain statique KP et des fréquences d'entrée pour le signal de la table tournante omega P sont choisies afin d'évaluer les performances du contrôleur.Des tracés types pour ωP et ωR sont présentés ici pour KP égal à un et une fréquence d'entrée de 0,6 hertz. Pour ωP, le robot en vert suit le plateau tournant en bleu avec un décalage temporel et une amplitude crête plus faible. La composante horizontale du mouvement du motif qui stimule la cellule H1 est représentée à droite en rouge. Les fréquences d'entrée pour le signal du plateau tournant, ωP, sont choisies entre 0,03 et 3 hertz, et le signal correspondant du robot, ωR, est enregistré.Les deux signaux sont transformés dans le domaine fréquentiel par une transformée rapide sur quatre ans, et les valeurs d'amplitude et de phase sont calculées à la fréquence d'entrée. Le diagramme de magnitude BO du contrôleur proportionnel avec KP égal à un montre la réponse du système sur les fréquences d'entrée testées. Les performances du contrôleur diminuent généralement avec l'augmentation des fréquences.Le gain légèrement accru à un hertz est dû à des oscillations dans le signal du robot résultant de l'utilisation d'une seule cellule H1 dont la plage dynamique de sortie couvre principalement les mouvements horizontaux de l'arrière vers l'avant. Le diagramme de phase Bodhi montre un déphasage du contrôleur inférieur à PI pour des fréquences d'entrée inférieures à 0,6 hertz. Cela indique que le contrôleur est stable pour des fréquences inférieures à 0,6 hertz et instable pour des fréquences d'entrée supérieures ou égales à un hertz.Les performances du contrôleur proportionnel à KP statique ont été comparées à celles d'un contrôleur adaptatif dans lequel la valeur de KP est mise à jour toutes les 50 millisecondes. Sur la base du taux maximal de décharge, F max calculé sur l'intervalle de temps allant de T moins 500 millisecondes à T. En raison de la grande fenêtre de temps d'intégration, le contrôleur proportionnel offre de meilleures performances que le contrôleur adaptatif pour la plage de paramètres testée ; le contrôleur adaptatif présentait une caractéristique de phase similaire à celle du contrôleur proportionnel, le motif de gradation autour du plateau tournant a été supprimé et l'environnement du laboratoire a été utilisé comme approximation d'une entrée visuelle naturaliste pour la cellule H1 de la mouche.En moyenne, le tracé de la magnitude de Bodhi pour l'entrée visuelle naturaliste présentait des gains légèrement plus élevés que celui obtenu avec une entrée visuelle de type gradation, probablement parce que l'éventail plus large de fréquences spatiales présent dans les images visuelles naturalistes est exploité. Les caractéristiques du tracé de phase de Bodhi pour les entrées visuelles de type gradation et naturalistes étaient similaires. Nous venons de vous montrer comment créer une interface cerveau-machine entre une cellule du système visuel cinq et un robot.Il existe quelques étapes critiques durant cette procédure. Premièrement, évitez les incisions profondes lors de l'ouverture de la capsule céphalique afin de ne pas endommager le cerveau. Deuxièmement, positionnez soigneusement l'électrode de manière à enregistrer uniquement à partir d'une seule cellule ; nous enregistrons à partir de la cellule H une cellule.Troisièmement, maintenez le cerveau humide en tout temps et évitez qu'il ne s'assèche. Voilà, c'est tout. Merci d'avoir regardé et bonne chance avec les expériences.

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

Research

Recherche

JoVE Journal

Neuroscience

Neurosciences

Nous présentons une méthode pour collecter des signaux electrocorticographic des fins de recherche de l'homme qui sont en cours de surveillance d'épilepsie invasive. Nous montrons comment utiliser la plate-forme BCI2000 logiciels pour la collecte des données, traitement du signal et la présentation du stimulus. Plus précisément, nous démontrons Sigfried, un outil basé sur BCI2000 en temps réel la cartographie fonctionnelle du cerveau.

Enregistrement de l&#39;homme (Electrocorticographic ECoG) Signaux pour la recherche neuroscientifique et en temps réel la cartographie fonctionnelle corticale

Développement d'un système cerveau-machine interface (IMC) efficace pour la restauration et la réhabilitation de locomotion bipède nécessite décodage précis de l'intention de l'utilisateur. Nous présentons ici un protocole expérimental original et technique de collecte de données pour l'acquisition simultanée non-invasive de l'activité neuronale, l'activité musculaire et du corps entier cinématique au cours de diverses tâches et les conditions de locomotion.

Électroencéphalographie simultanée du cuir chevelu (EEG), l&#39;électromyographie (EMG), et l&#39;ensemble du corps d&#39;enregistrement d&#39;inertie segmentaire pour Multi-modal Neural Decoding

Dans cet article, un cadre expérimental pour réaliser des expériences en boucle fermée est présenté, dans lequel le traitement de l’information (c’est-à-dire le codage et le décodage) et l’apprentissage des assemblages neuronaux sont étudiés pendant l’interaction continue avec un corps robotique.

En boucle fermée expériences neuro-robotique l&#39;analyse des propriétés de calcul de réseaux neuronaux

La surveillance de l’activité cérébrale pendant les tâches motrices debout est d’une grande valeur pour l’étude de la source neuronale des troubles du mouvement. Ici, nous démontrons un protocole qui combine la spectroscopie proche infrarouge fonctionnelle avec la surveillance continue de l’activité musculaire et cinématique pendant 4 types de tâches motrices.

Près fonctionnelle spectroscopie infrarouge des régions sensorielles et motrices cérébrales avec simultanée cinématique et EMG surveillance Pendant tâches motrices

Avec cette expérience, on pourrait être capable de détecter la conscience chez les personnes atteintes de troubles de la conscience. De plus, l’approche peut créer un canal de communication simple qui permet aux gens de donner des réponses simples OUI/NON à des questions.

Évaluation et communication pour les personnes atteintes de troubles de la conscience

Nous présentons des protocoles et des méthodes d’analyse pour construire des interfaces co-adaptatives qui diffusent, paramétrisent, analysent et modifient les signaux du corps humain et du cœur en boucle rapprochée. Cette configuration interface les signaux dérivés des systèmes nerveux périphériques et centraux de la personne avec des entrées sensorielles externes pour aider à suivre le changement biophysique.

Contrôle proxy en temps réel des signaux périphériques re-paramétrisés à l’aide d’une interface en boucle étroite

Cet article explique comment construire une interface cerveau-ordinateur en s’appuyant sur un équipement de qualité grand public et des potentiels évoqués visuellement à l’état stable. Pour cela, un électroencéphalographe monocanal exploitant des électrodes sèches a été intégré à des lunettes de réalité augmentée pour la présentation des stimuli et la visualisation des données de sortie. Le système final était non invasif, portable et portable.

Une interface cerveau-ordinateur portable à canal unique et non invasive pour l’industrie et les soins de santé

Le but de cette étude est de fournir une référence importante pour le fonctionnement clinique standard de l’interface cerveau-ordinateur par imagerie motrice (MI-BCI) pour la dysfonction motrice des membres supérieurs après un AVC.

Imagerie motrice Interface cerveau-ordinateur dans la rééducation de la dysfonction motrice des membres supérieurs après un AVC

Cette étude présente un système d’interface cerveau-ordinateur (BCI) pour les patients victimes d’un AVC, qui combine des signaux d’électroencéphalographie et d’électrooculographie pour contrôler une main robotique d’un membre supérieur, améliorant ainsi les activités quotidiennes. L’évaluation a été effectuée à l’aide du test bimanuel de Berlin pour l’AVC (BeBiTS).

Système robotique de membre supérieur contrôlé par interface cerveau-ordinateur pour améliorer les activités quotidiennes chez les patients victimes d’un AVC

Cette étude présente un protocole standardisé et reproductible pour mettre en œuvre l’outil d’analyse EEG Spatial-Temporel-Fréquence (STFEEG) pour le décodage EEG par imagerie motrice, intégrant une segmentation spatial-temporelle-fréquence configurable, l’extraction de caractéristiques basée sur les Common Spatial Patterns (CSP), des algorithmes de classification multiples et des capacités de visualisation.

STFEEG-Tool : Un outil d’analyse EEG spatio-temporel-fréquence pour l’imagerie motrice Interfaces cerveau-ordinateur

Découvrez comment créer une interface cerveau-machine en boucle fermée utilisant le neurone H1 de la drosophile pour stabiliser un robot mobile sur une table tournante. Cette méthode permet d'étudier les principes de contrôle neuronal en temps réel.

Une plate-forme expérimentale pour étudier les performances en boucle fermée des interfaces cerveau-machine

Explorer plus de vidéos