Name: Conception et implémentation de simulations du système nerveux sur LEGO Robots (Vidéo) | JoVE Journal
Uploaded: 2013-05-25T14:00:00.000+00:00
Duration: 10 min 34 s
Description: Découvrez la modélisation de réseaux neuronaux sur la plateforme LEGO Mindstorms NXT pour la recherche en neurosciences. Cette méthode permet de prototyper rapidement des simulations du système nerveux et de les comparer à des modèles animaux.

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

Nous remercions le Dr Chris Rogers (Tufts University) pour la programmation et manuscrit suggestions. Nous remercions Alex Giuliano et Deborah Lee appui à la production vidéo. Le financement fourni par une bourse de recherche doctorale NSF et un MURI ONR en biologie synthétique.

1. Construire le modèle de robot <ol><li> Choisir un organisme modèle pour l&#39;étude qui est bien représenté dans la littérature neuroethological. Invertébrés font généralement de bons candidats parce que leur système nerveux relativement simples ont été bien étudiés et sont principalement composé de réflexes innés. Nous allons démontrer cette approche en utilisant le homard, Homarus americanus. </li><li> Choisissez bien étudié les comportements réfléchis à des fins de modélisation. Nous avons choisi les réponses du homard à coude antennaire et à la détection de bosse griffe que l&#39;animal réagit par réflexe à la flexion des antennes pour obtenir rhéotaxie (orientation à l&#39;écoulement de l&#39;eau) tandis que les contacts de griffes médiation évitement d&#39;obstacles. Réflexes simples s&#39;appuyant sur ​​decussating connexions neuronales à partir de capteurs bilatéralement symétriques sont bien adaptés à ce type d&#39;étude 1. </li><li> Construire ou choisir une plate-forme robotique avec des capteurs appropriés pour les comportements sélectionnés afin de lancer le neuralla simulation de réseau. Alors un robot dédié peut être construit comme RoboLobster 12 ou le Sprawl (cafard) famille de robot 13, ici nous utilisons un kit disponible dans le commerce pour accélérer le processus expérimental. Le kit Mindstorms NXT 2.0 LEGO, fournissant des modèles, des composants modulaires et des capteurs en place, permet la construction physique rapide du robot. </li><li> Sélectionnez ou construire des capteurs pour correspondre aux modalités des comportements sélectionnés à l&#39;étape 1.2. Premade capteurs du kit Mindstorms LEGO peuvent être utilisés ou capteurs homebrew peuvent être conçues 14,15. Nous avons sélectionné le capteur tactile LEGO inclus et un capteur de courbure antennaire coutume composé d&#39;un capteur de courbure FlexPoint jointées à un connecteur NXT. Pour construire un connecteur résistive coutume, couper un fil de connecteur NXT et soudez les câbles noir et blanc pour les fils du capteur. </li><li> Utilisez études neuroethological publiés antérieurement à trouver ou à développer un réseau de neurones pour la modélisation hypothétique purposes. La littérature a proposé divers réseaux neuronaux pour expliquer le comportement de différents organismes modèles, de homards 16 à 17 lamproie. Unités de neurones fonctionnels doivent être identifiés et leurs connexions synaptiques théorisé. Neuroethological expériences nouvelles peuvent également être développées et mises en œuvre si les circonstances permettent de laboratoire. </li></ol> 2. Programmation du système nerveux <ol><li> Utilisez un logiciel LabVIEW avec le Module LabVIEW pour Lego Mindstorms NXT de créer des instruments virtuels (VI) qui fonctionnent équations pour un neurone mathématique et modèle de synapse. Alors que n&#39;importe quel modèle publié peut être utilisé, nous vous recommandons le temps discret à base de cartes (DTM) modèle 18. Cela permet un fonctionnement en temps réel de calcul efficace tout en maintenant une grande variété de régimes de sortie de décharge neuronale. Deux paramètres de contrôle, les alpha et sigma, déterminent la dynamique du neurone simulé pour produire une sortie de neurones varié comprenant tonic dopage, tir chaotique, silence éclatement et intrinsèque. VIs LabVIEW pour LEGO Mindstorms pour ce modèle neurone peut être consulté en ligne ici: <a href="http://myfiles.neu.edu/blustein.d/neurobots" target="_blank">http://myfiles.neu.edu/blustein.d/neurobots</a> </li><li> Lieu VIs dans une boucle While pour que le réseau met à jour de manière itérative. </li><li> Connectez les sorties pic neurone présynaptique par des synapses des neurones post-synaptiques. </li><li> Laissez-passer de manière itérative la mise à jour des paramètres par les registres à décalage pour le prochain cycle de calcul. Le DTM modèle mises à jour rapide (x) et lents variables (y) dynamiques qui sont passés à la prochaine itération de calculs. </li><li> Définissez les paramètres de synapse pour définir les caractéristiques du réseau. Pour chaque synapse, la force synaptique (gsyn), le taux de relaxation (gamma), et le potentiel d&#39;inversion (xrp) sont des coefficients dans les équations du modèle DTM qui déterminent le comportement synaptique. La valeur de gsyn est un multiPince qui détermine l&#39;amplitude de l&#39;effet de courant synaptique à partir d&#39;un événement transitoire, allant de 0,0 (pas d&#39;effet) à 1,0 (100% d&#39;effet). La valeur de gamma est un multiplicateur qui détermine le taux de décroissance du courant synaptique indépendamment des événements pic, allant de 0,0 (décomposition complète) à 1.0 (pas de pourriture). La valeur de xrp détermine le niveau de l&#39;excitation ou l&#39;inhibition de la synapse, les valeurs typiquement gamme de -3,0 à 3,0 avec des valeurs positives représentatives d&#39;excitation et des valeurs négatives représentant l&#39;inhibition. Les valeurs peuvent être ajustées en fonction de vos caractéristiques spécifiques du réseau. Ici, nous utilisons les paramètres suivants: gamma = 0,95, gsyn = 0,60 et xrp = 2.2 (synapse excitatrice) ou -1.8 (synapse inhibitrice). </li><li> Ajustez les paramètres de contrôle Sigma Alpha et de modifier l&#39;activité des neurones de référence. La dynamique du modèle de paramètres de contrôle variés sont décrits en détail ailleurs 18 mais en général, alpha </em&gt; &lt;4 produit intrinsèquement activité neuronale silencieux pour des valeurs ou des toniques de dopage pour les hautes valeurs sigma sigma faible. La transition entre «faible» et «élevé» des valeurs sigma se produit généralement compris entre -1,0 et 1,0 en fonction de la valeur alpha. Éclatement de l&#39;activité des neurones est produite pour alpha&gt; 4 lorsque les valeurs sigma sont proches de zéro. Ici, nous utilisons alpha = 4,05 et sigma = -3.10. </li><li> Utilisez les VIs LabVIEW à l&#39;information du capteur d&#39;entrée dans votre réseau. Pour les capteurs fournis, le VIS sont déjà disponibles dans le module LabVIEW Mindstorms. Pour capteurs résistifs personnalisés, utilisez le capteur VI Léger comme un cadre de programmation. Informations sur la création capteurs homebrew peut être trouvé ailleurs 14. </li><li> Insérez chartes graphiques sur la face avant du programme LabVIEW pour visualiser l&#39;activité neuronale. </li><li> Remplacer temporairement les entrées capteurs avec des boîtes de contrôle du panneau avant afin de manipuler manuellement le capteurles informations allant vers le réseau neuronal. </li><li> Exécutez le réseau neuronal et d&#39;ajuster manuellement les commandes du panneau avant de présenter entrées sensorielles variées. Assurez-vous que le réseau fonctionne qualitativement comme prévu pour des conditions connues. </li><li> Ajuster le réseau en fonction des besoins en modifiant les paramètres de neurones et synapses. Premiers essais de mise au point du réseau doivent être effectués en changeant la force synaptique (gsyn) des différents synapses. D&#39;autres paramètres peuvent être nécessaire d&#39;ajuster ainsi. </li><li> Une fois que le réseau fonctionne avec une précision qualitative, remplacer les boîtiers de commande de la face avant avec l&#39;entrée du capteur VIs. </li></ol> 3. Nerveux Testing System Simulation <ol><li> Mettre en place un environnement contrôlé pour observer l&#39;animal et le robot dans des conditions similaires. Nous utilisons un réservoir rectangulaire contenant obstacles de roche (figure 1). Le réservoir peut être vidé pour accueillir le robot LEGO dans le même espace. </li><li> Mont avideo tête de caméra pour enregistrer l&#39;animal / comportement du robot. Assurez-vous que le contraste entre le sujet et le fond est élevée pour permettre un suivi automatique. Nous avons peint le fond de l&#39;essai blanc réservoir. </li><li> Placez l&#39;animal dans l&#39;environnement contrôlé et enregistrement vidéo le comportement. Veillez à limiter les capacités sensorielles de la langouste pour correspondre à ceux du robot. Ici, nous limitons les capacités sensorielles du homard en couvrant les yeux avec un masque de feuille d&#39;aluminium et deafferenting chemoreceptors à l&#39;eau douce 19. </li><li> Ajuster l&#39;environnement pour répondre à un robot LEGO (élimination de l&#39;eau si nécessaire) et exécuter le robot dans le même environnement contrôlé. </li><li> Utiliser un script MATLAB pour suivre automatiquement les marqueurs sur les spécimens. Nous utilisons MouseLabTracker 20. </li><li> Créer et comparer des parcelles de vecteurs de mouvements du robot et l&#39;animal. </li><li> Modifier le système nerveux et répétez les étapes 3.3 à 3.6 pour observer comment les différents aspects de l&#39;électroniquesystème nerveux affecte le comportement du robot. Ici, nous ajustons la force synaptique entre les neurones griffe bosse de capteurs et le système moteur et les performances du robot moniteur par rapport à celle d&#39;un homard. Alternativement, les conditions sensorielles dans l&#39;arène de test peuvent être modifiés et les effets observés en robot et animal. Par exemple, la scène décrite ici pourrait être soumis à différents débits d&#39;eau. </li></ol>

<ol><li>Braitenberg, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Taxis%2C+kinesis+and+decussation%5BTitle%5D)+AND+%22Prog.+in+Brain+Res%22%5BJournal%5D)">Taxis, kinesis and decussation.</a> Prog. in Brain Res. 17, 210-222 (1965).</li>
<li>Schregardus, D. S., Pieneman, A. W., Ter Maat, A., Jansen, R. F., Brouwer, F., Gahr, M. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+lightweight+telemetry+system+for+recording+neuronal+activity+in+freely+behaving+small+animals%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">A lightweight telemetry system for recording neuronal activity in freely behaving small animals.</a> Journal of Neuroscience Methods. 155 (1), 62-71 (2006).</li>
<li>Kagaya, K., Takahata, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Readiness+discharge+for+spontaneous+initiation+of+walking+in+crayfish%5BTitle%5D)+AND+%22Journal+of+Neuroscience%22%5BJournal%5D)">Readiness discharge for spontaneous initiation of walking in crayfish.</a> Journal of Neuroscience. 30 (4), 1348-1362 (2010).</li>
<li>Schrameck, J. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Crayfish+Swimming%3A+Alternating+Motor+Output+and+Giant+Fiber+Activity%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Crayfish Swimming: Alternating Motor Output and Giant Fiber Activity.</a> Science. 169 (3946), 698-700 (1970).</li>
<li>Kanz, J. E., Eberly, L. B., Cobbs, J. S., Pinsker, H. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuronal+correlates+of+siphon+withdrawal+in+freely+behaving+Aplysia%5BTitle%5D)+AND+%22J.+Neurophysiol%22%5BJournal%5D)">Neuronal correlates of siphon withdrawal in freely behaving Aplysia.</a> J. Neurophysiol. 42 (6), 1538-1556 (1979).</li>
<li>Webb, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Validating+biorobotic+models%5BTitle%5D)+AND+%22Journal+of+Neural+Engineering%22%5BJournal%5D)">Validating biorobotic models.</a> Journal of Neural Engineering. 3, 1-20 (2006).</li>
<li>Wessnitzer, J., Asthenidis, A., Petrou, G., Webb, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+cricket-controlled+robot+orienting+towards+a+sound+source%5BTitle%5D)+AND+%22Proceedings+of+the+12th+Annual+conference+on+Towards+autonomous+robotic+systems%22%5BJournal%5D)">A cricket-controlled robot orienting towards a sound source.</a> Proceedings of the 12th Annual conference on Towards autonomous robotic systems. , 1-12 (2011).</li>
<li>Grasso, F., Atema, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Integration+of+flow+and+chemical+sensing+for+guidance+of+autonomous+marine+robots+in+turbulent+flows%5BTitle%5D)+AND+%22Environ.+Fluid+Mech%22%5BJournal%5D)">Integration of flow and chemical sensing for guidance of autonomous marine robots in turbulent flows.</a> Environ. Fluid Mech. 2 (1), 95-114 (2002).</li>
<li>Westphal, A., Rulkov, N. F., Ayers, J., Brady, D., Hunt, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Controlling+a+lamprey-based+robot+with+an+electronic+nervous+system%5BTitle%5D)+AND+%22Smart+Struct.+and+Systems%22%5BJournal%5D)">Controlling a lamprey-based robot with an electronic nervous system.</a> Smart Struct. and Systems. 8 (1), 39-52 (2011).</li>
<li>Chao, Z. C., Bakkum, D. J., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Shaping+embodied+neural+networks+for+adaptive+goal-directed+behavior%5BTitle%5D)+AND+%22PLoS+Computational+Biology%22%5BJournal%5D)">Shaping embodied neural networks for adaptive goal-directed behavior.</a> PLoS Computational Biology. 4 (3), e1000042(2008).</li>
<li>Building nervous systems for robots: an interactive and collaborative neuroscience curriculum. Blustein, D., Schultheis, K., Ayers, J. National Science Teachers Association National Conference, San Francisco, C.A, , (2011).</li>
<li>Ayers, J., Blustein, D., Westphal, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Conserved+Biomimetic+Control+Architecture+for+Walking%2C+Swimming+and+Flying+Robots%5BTitle%5D)+AND+%22Lect.+Notes+on+Artif.+Intelli%22%5BJournal%5D)">A Conserved Biomimetic Control Architecture for Walking, Swimming and Flying Robots.</a> Lect. Notes on Artif. Intelli. 7375, 1-12 (2012).</li>
<li>A Biologically Inspired Passive Antenna for Steering Control of a Running Robot. Cowan, N., Ma, E., Cutkosky, M., Full, R. Proceedings of ISRR'2003, , 541-550 (2003).</li>
<li>Gasperi, M., Hurbain, P. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGasperi%2C+M+%22Extreme+NXT%3A+Extending+the+LEGO+MINDSTORMS+NXT+to+the+Next+Level%22">Extreme NXT: Extending the LEGO MINDSTORMS NXT to the Next Level</a>. , Apress. Berkeley, C.A. (2007).</li>
<li>Gasperi, M. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGasperi%2C+M+%22LabVIEW+for+LEGO+MINDSTORMS+NXT%22">LabVIEW for LEGO MINDSTORMS NXT</a>. , National Technology and Science Press. Allendale, N.J. (2008).</li>
<li>Kennedy, D., Davis, W. Chapter 27 Organization of invertebrate motor systems. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKennedy%2C+D+%22Handbook+of+Physiology%22">Handbook of Physiology</a>. 1, 1023-1088 (1977).</li>
<li>Buchanan, J., Grillner, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Newly+identified+%22glutamate+interneurons%22+and+their+role+in+locomotion+in+the+lamprey+spinal+cord%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Newly identified "glutamate interneurons" and their role in locomotion in the lamprey spinal cord.</a> Science. 236 (4799), 312-314 (1987).</li>
<li>Rulkov, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Modeling+of+spiking-bursting+neural+behavior+using+two-dimensional+map%5BTitle%5D)+AND+%22Physical+Review+E%22%5BJournal%5D)">Modeling of spiking-bursting neural behavior using two-dimensional map.</a> Physical Review E. 65, (2002).</li>
<li>Derby, C. D., Atema, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Narrow-spectrum+chemoreceptor+cells+in+the+walking+legs+of+the+lobster%2C+Homarus+americanus%3A+Taste+specialists%5BTitle%5D)+AND+%22Journal+of+Comparative+Physiology+A%22%5BJournal%5D)">Narrow-spectrum chemoreceptor cells in the walking legs of the lobster, Homarus americanus: Taste specialists.</a> Journal of Comparative Physiology A. 146 (2), 181-189 (1982).</li>
<li>Tort, A. B. L., Neto, W. P., Amaral, O. B., Kazlauckas, V., Souza, D. O., Lara, D. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+simple+webcam-based+approach+for+the+measurement+of+rodent+locomotion+and+other+behavioural+parameters%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">A simple webcam-based approach for the measurement of rodent locomotion and other behavioural parameters.</a> Journal of Neuroscience Methods. 157 (1), 91-97 (2006).</li>
<li>Huxley, T. H. The Crayfish, An Introduction to the Study of Zoology. , C. Kegan Paul & Co. London. (1880).</li>
<li>Blustein, D., Ayers, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+conserved+network+for+control+of+arthropod+exteroceptive+optical+flow+reflexes+during+locomotion%5BTitle%5D)+AND+%22Lect.+Notes+on+Artif.+Intelli%22%5BJournal%5D)">A conserved network for control of arthropod exteroceptive optical flow reflexes during locomotion.</a> Lect. Notes on Artif. Intelli. 6226, 72-81 (2010).</li>
<li>Webb, B., Scutt, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+simple+latency-dependent+spiking-neuron+model+of+cricket+phonotaxis%5BTitle%5D)+AND+%22Biological+Cybernetics%22%5BJournal%5D)">A simple latency-dependent spiking-neuron model of cricket phonotaxis.</a> Biological Cybernetics. 82 (3), 247-269 (2000).</li>
<li>Demarse, T. B., Wagenaar, D. A., Blau, A. W., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Neurally+Controlled+Animat%3A+Biological+Brains+Acting+with+Simulated+Bodies%5BTitle%5D)+AND+%22Autonomous+Robots%22%5BJournal%5D)">The Neurally Controlled Animat: Biological Brains Acting with Simulated Bodies.</a> Autonomous Robots. 11 (3), 305-310 (2001).</li>
<li>Novellino, A., D'Angelo, P., Cozzi, L., Chiappalone, M., Sanguineti, V., Martinoia, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Connecting+neurons+to+a+mobile+robot%3A+an+in+vitro+bidirectional+neural+interface%5BTitle%5D)+AND+%22Computational+Intelligence+and+Neuroscience%22%5BJournal%5D)">Connecting neurons to a mobile robot: an in vitro bidirectional neural interface.</a> Computational Intelligence and Neuroscience. , 12725(2007).</li>
</ol>

Les auteurs déclarent qu&#39;ils n&#39;ont aucun intérêt financier concurrents.

Lors de l&#39;initiation des expériences de simulation du système nerveux biorobotic, il ya quelques règles importantes à suivre. Choisir le bon modèle organisme est critique: choisir un organisme qui est facile à obtenir et à maintenir. Les invertébrés sont idéales car elles ne nécessitent généralement pas l&#39;approbation institutionnel à l&#39;expérimentation et à leurs besoins d&#39;élevage sont souvent moins exigeants que ceux des vertébrés. D&#39;un point de vue scientifique, il est avantageux de choisir un anima...

Investigations neurophysiologiques au cours des 100 dernières années ont élargi considérablement notre connaissance de la structure du système nerveux et la fonction. Cependant, la majorité de la recherche sur le système nerveux à ce jour a misé sur l&#39;utilisation de préparations isolées ou des sujets sobres. Bien qu&#39;il y ait eu beaucoup d&#39;efforts réussis pour enregistrer l&#39;activité neurale de se comporter librement animaux 2-5, l&#39;approche biorobotic offre un outil précieux pour permettre une manipulation du système nerveux afin de tester les systèmes au niveau neurosciences hypothèses 6. Systèmes nerveux simulés d&#39;exploitation sur des robots peuvent être manipulés expérimentalement et permettent l&#39;extension du logiciel de modélisation du monde physique. Cette approche a été mise en œuvre dans le monde universitaire 7,8 mais le processus de construction d&#39;un robot biomimétique pour la vérification d&#39;hypothèses peut être long et coûteux. Nous présentons une méthode pour exécuter l&#39;approche biorobotic utilisant un commerce robotique kil (LEGO Mindstorms NXT 2.0). Le but de cette méthode est de fournir un moyen rapide et efficace pour tester les systèmes niveau neurosciences hypothèses sur robotisé 9 ou bio-hybrides 10 simulations de réseaux de neurones incarnés. Accélérer le processus de l&#39;hypothèse d&#39;expérimenter améliore la productivité de la recherche. Le simple plate-forme LEGO Mindstorms fournit un banc d&#39;essai pour les capteurs biomimétiques et les réseaux neuronaux qui nous démontrons l&#39;aide du homard américain (Homarus americanus) comme organisme modèle. La méthode fournit également un puissant outil pratique pédagogique en classe que les élèves peuvent concevoir et manipuler des systèmes nerveux pour leurs propres robots 11.

conception et implémentation de simulations du système nerveux sur lego robots

Designing and Implementing Nervous System Simulations on LEGO Robots

Nous présentons une méthode pour utiliser la plate-forme disponible dans le commerce LEGO Mindstorms NXT robotique pour tester les systèmes niveau neurosciences hypothèses. La première étape de la méthode est de développer une simulation du système nerveux de comportements réflexes spécifiques d&#39;un organisme modèle approprié, ici nous utilisons le homard américain. Réflexes exteroceptifs médiées par decussating (croisement) connexions neuronales peuvent expliquer les taxis de l&#39;animal vers ou à partir d&#39;un stimulus tel que décrit par Braitenberg et sont particulièrement bien adaptés pour la recherche en utilisant la plate-forme NXT. 1 La simulation du système nerveux est programmé en utilisant le logiciel LabVIEW sur le LEGO plate-forme Mindstorms. Une fois que le système nerveux est réglé correctement, expériences comportementales sont exécutés sur le robot et sur l&#39;animal dans des conditions environnementales identiques. En contrôlant le milieu sensorielle vécue par les spécimens, les différences de comportement des sorties peuvent être observés. Ces différences peuvent pointer vers deficienc spécifiques dans le modèle du système nerveux et servent à informer l&#39;itération du modèle pour le comportement particulier à l&#39;étude. Cette méthode permet la manipulation expérimentale des systèmes nerveux électroniques et sert comme un moyen d&#39;explorer des hypothèses neuroscientifiques concernant spécifiquement la base neurophysiologique de comportements réflexes innés simples. Le kit Lego Mindstorms NXT offre une plate-forme abordable et efficace sur lequel tester des systèmes de contrôle de robots biomimétiques préliminaires. L&#39;approche est aussi bien adapté pour les salles de classe de l&#39;école secondaire à servir de base pour un hands-on basé sur l&#39;enquête curriculum de biorobotique.

Entrées des griffes d&#39;un homard dans son système nerveux médiation négociation d&#39;obstacle dans un nouvel environnement. Figure 1 montre une capture d&#39;écran de la vidéo utilisée pour analyser le comportement d&#39;un robot LEGO (figure 1A) et un homard (figure 1B) dans l&#39;arène de test. L&#39;arène de test a été non modifiée entre les essais de robots animaux, sauf que l&#39;eau a été vidée de la cuve pour les essais de robots. ...

Une approche de modélisation de réseau neuronal sur la plate-forme robotique LEGO Mindstorms est présentée. La méthode fournit un outil de simulation pour les invertébrés recherche en neurosciences à la fois dans le laboratoire de recherche et de la salle de classe. Cette technique permet l&#39;étude des principes de contrôle de robots biomimétiques.

Conception et implémentation de simulations du système nerveux sur LEGO Robots

We present a method to use the commercially available LEGO Mindstorms NXT robotics platform to test systems level neuroscience hypotheses. The first step ...

L'objectif général de cette méthode est de concevoir rapidement et de tester des simulations de systèmes nerveux sur une plateforme robotique. Cela est réalisé en exécutant des simulations de réseaux neuronaux sur la plateforme Lego Mindstorms NXT, et en effectuant des tests comparatifs parallèles avec le modèle animal. Premièrement, un robot est construit pour servir de plateforme à la simulation du système nerveux.Un réseau neuronal hypothétique, basé sur une étude neuro-éthologique, est ensuite conçu et programmé sur la plateforme robotique. Des études éthologiques sont menées afin de comparer les performances du réseau neuronal hypothétique à celles du système nerveux animal. Les insuffisances du modèle peuvent être identifiées et orienter son développement ultérieur ; des hypothèses en neurosciences au niveau des systèmes peuvent ainsi être testées par manipulation directe des paramètres de simulation.Bonjour, je suis Dan Bluestein du centre des sciences marines de l’université Northeastern. Ici, nous allons démontrer une méthode permettant de mettre en œuvre rapidement des simulations du système nerveux sur une plateforme robotique. En développant cette procédure pour une uti

designing-and-implementing-nervous-system-simulations-on-lego-robots

Research

Recherche

JoVE Journal

Neuroscience

Neurosciences

ADN origami est une puissante méthode pour fabriquer des objets nanométriques précis en programmant l'auto-assemblage de molécules d'ADN. Ici, nous décrivons comment l'ADN origami peut être utilisé pour concevoir un robot robotique capable de détecter des signaux biologiques et répondre par changement de forme, puis relayés à un effet désiré.

Conception d&#39;un robot Bio-sensible de l&#39;ADN origami

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

L’objectif global de cette méthode est d’établir une procédure expérimentale basée sur SSVEP en intégrant plusieurs logiciels pour permettre l’étude de l’interaction cerveau-robot avec des robots humanoïdes, ce qui est prospectif pour aider les malades et les personnes âgées ainsi que pour effectuer des travaux insalubres ou dangereux.

SSVEP basé procédure expérimentale pour Brain-Robot Interaction avec des robots humanoïdes

Un paradigme est présenté pour la formation et l'analyse d'une tâche qualifiée atteignant automatisée chez les rats. Analyse des tentatives de traction révèle sous-processus distincts de l'apprentissage moteur.

Enquête sur les processus d&#39;apprentissage de compétences du moteur avec une robotique manipulandum

Nous présentons un protocole sur la conception modulaire et la production de robots intelligents pour aider les travailleurs scientifiques et techniques à concevoir des robots intelligents avec des tâches de production spécial issu des besoins personnels et individualisé de conception.

La conception modulaire et la Production d’un Robot Intelligent basé sur une stratégie de commande en boucle fermée

Les nœuds robotisés distribués fournissent des séquences de stimuli de lumière bleue pour orienter les trajectoires de croissance des plantes grimpantes. En activant le phototropisme naturel, les robots guident les plantes à travers des décisions binaires gauche-droite, les faisant passer en modèles prédéfinis qui, en revanche, ne sont pas possibles lorsque les robots sont dormants.

Fourniture de détection robotique et de stimuli pour la croissance guidée des plantes

Ce protocole fournit une liste détaillée des étapes à effectuer pour la fabrication, le contrôle et l’évaluation des performances d’escalade d’un robot soft inspiré par gecko.

Évaluation de la fabrication, du contrôle et de la performance d’un robot soft inspiré par Gecko

Ce travail décrit un système d’expérimentation en ligne qui fournit des expériences visualisées, y compris la visualisation de théories, de concepts et de formules, la visualisation du processus expérimental avec des bancs d’essai virtuels tridimensionnels (3D) et la visualisation du système de contrôle et de surveillance à l’aide de widgets tels que des graphiques et des caméras.

Système d’expérimentation en ligne interactif et visualisé pour l’enseignement et la recherche en ingénierie

On estime qu'1 personne sur 6 dans le monde aura un accident vasculaire cérébral au cours de sa vie, entraînant une invalidité à long terme, dont les mécanismes de rééducation sont encore mal connus. Cette étude propose un protocole pour évaluer l’activation cérébrale par spectroscopie fonctionnelle proche infrarouge (fNIRS) lors d’une séance de thérapie robotique des membres inférieurs.

Une expérience utilisant la spectroscopie fonctionnelle proche infrarouge et les mouvements de pointage multi-articulaires assistés par robot du membre inférieur

Ici, nous présentons un protocole de simulation et de suivi d’un processus d’assemblage semi-automatisé à l’échelle, grâce à la collaboration d’un robot collaboratif et à la vérification via un système de vision par ordinateur pour le contrôle de la qualité.

Simulation d’un processus d’assemblage à l’échelle avec collaboration d’un bras robotique et suivi par un système de vision pour le contrôle qualité

Découvrez la modélisation de réseaux neuronaux sur la plateforme LEGO Mindstorms NXT pour la recherche en neurosciences. Cette méthode permet de prototyper rapidement des simulations du système nerveux et de les comparer à des modèles animaux.

Conception et implémentation de simulations du système nerveux sur LEGO Robots

Explorer plus de vidéos