En boucle fermée expériences neuro-robotique l'analyse des propriétés de calcul de réseaux neuronaux

L’objectif général de l’expérience suivante est d’étudier l’interaction bidirectionnelle entre un réseau biologique de neurones dissociés et un petit robot. Le dialogue continu peut modifier les propriétés computationnelles du système neuronal, induisant une sorte d’apprentissage. Ceci est réalisé en préparant une culture neuronale sur un réseau de micro-électrodes afin de permettre une session expérimentale de plusieurs heures sans compromettre l’activité cellulaire.

Dans un deuxième temps, une carte de réponse de la culture est calculée, ce qui permet de sélectionner des électrodes stimulantes pour l’expérience en boucle fermée proprement dite. Ensuite, des paramètres de codage et de décodage sont définis afin de permettre l’échange d’informations entre les systèmes biologiques et électroniques. Les résultats montrent une augmentation significative des capacités de navigation de l’agent robotique sur la base de la comparaison de la distance moyenne parcourue entre les tirs dans différentes conditions de contrôle.

Cette méthode peut nous aider à répondre à des questions clés dans notre domaine de l’ingénierie, telles que : pouvons-nous arriver à un dictionnaire pour traduire le langage des neurones dans le langage des machines et vice versa ? En général, les personnes qui ne connaissent pas cette méthode auront du mal à cause de la complexité technologique de la configuration expérimentale et de l’architecture logicielle. Martha Bizo, doctorante de mon laboratoire, fera la démonstration de la procédure.

La première étape consiste à préparer un réseau de micro-électrodes ou une puce MEA avec 60 électrodes qui peuvent être utilisées pour stimuler ou enregistrer le réseau neuronal. Après avoir plaqué des cultures neuronales sur le ME, les puces A attendent environ trois semaines jusqu’à ce que le réseau neuronal ait mûri. Le jour de l’expérience, préchauffez le système de chauffage MEA pendant cinq à 10 minutes en réglant le régulateur de température à 37 degrés Celsius et en allumant la plaque chauffante sous le MEA lui-même.

Utilisez également un couvercle chauffant pour réduire l’évaporation à l’aide d’un autoclave, des bouchons perméables aux gaz stérilisés recouvrez les cultures d’un capuchon pour limiter l’évaporation et éviter les changements d’osmolarité pendant l’enregistrement. Faites maintenant circuler la voiture sur la culture pour maintenir des niveaux d’oxygène et de pH stables. Laissez la culture reposer pendant 30 minutes Après la période de repos, enregistrez l’activité spontanée des cellules neuronales pendant 30 minutes.

Enregistrez ensuite les données dans un fichier en cliquant sur le bouton d’enregistrement dans la case des pointes du formulaire d’enregistrement des données. Dans le formulaire d’affichage des données brutes, identifiez les 10 canaux avec le nombre de pointes le plus élevé. Sélectionnez ensuite ces canaux dans l’une des dispositions MEA.

La forme de codage est affichée ici en faisant glisser le curseur de la souris sur les zones souhaitées. Une fois les chaînes sélectionnées, cliquez avec le bouton droit de la souris n’importe où sur la disposition MEA et sélectionnez Ajouter à la zone sensorielle gauche dans le menu contextuel. Ces électrodes seront utilisées pour délivrer une stimulation électrique dans une étape ultérieure.

Ensuite, vérifiez que le stimulateur et l’amplificateur MEA sont correctement connectés. Toutes les configurations nécessitent deux fils par canal de stimulation souhaité, tandis qu’un câble coaxial supplémentaire est nécessaire pour transporter le signal de synchronie. Lorsque vous êtes prêt, allumez le stimulateur.

L’étape suivante consiste à définir les paramètres de stimulus dans le formulaire de carte de connexion. Toutes les stimulations délivrées à la culture sont par des ondes de tension carrées phasiques. Réglez la demi-durée sur 300 microsecondes et réglez l’amplitude sur 1,5 tension maximale de crête.

Commencez à enregistrer la réponse à la stimulation en appuyant sur le bouton de démarrage. Dans la forme de la carte de connexion, une série de 30 stimuli à 0,2 hertz est automatiquement délivrée à partir de l’une des électrodes de stimulation précédemment sélectionnées. Pendant que cette électrode agit en tant que stimulation, les réponses des électrodes sont enregistrées à partir des 59 électrodes restantes sur la puce MEA.

Ensuite, avec un délai de cinq secondes entre les séries, les séries de 30 stimuli sont répétées à tour de rôle sur chacune des neuf électrodes de stimulation identifiées restantes, tandis que les enregistrements sont recueillis à partir des 59 électrodes restantes. Ensuite, cartographiez la connexion de l’ordinateur pour chaque canal stimulant à l’aide d’un code espion, une application qui effectue des calculs sur des données neuronales. À partir des cartes de connexion, écarter de l’analyse ultérieure toutes les électrodes stimulantes qui n’ont pas suscité de réponses.

Ensuite, parmi les électrodes restantes, sélectionnez la paire avec le moins de chevauchement dans les réponses comme décrit dans le protocole texte, sélectionnez l’une de ces électrodes pour coder les informations sensorielles du côté gauche du robot et l’autre pour coder les lectures du côté droit. Pour ce faire, faites glisser le curseur de la souris sur une électrode, cliquez avec le bouton droit de la souris sur la disposition MEA, puis sélectionnez Ajouter à la zone sensorielle gauche. Faites ensuite glisser le curseur sur l’autre électrode.

Faites un clic droit et sélectionnez Ajouter à la zone sensorielle droite. Ensuite, dans le formulaire de codage, sélectionnez le schéma de codage en définissant le type de codage sur linéaire. Définissez ensuite les taux de stimulation minimum et maximum en utilisant la plage par défaut de 0,5 à deux hertz et réglez le paramètre de gigue sur zéro.

Ensuite, dans le formulaire de décodage, définissez les paramètres de l’algorithme de décodage. Il s’agit de la variation de vitesse et de la constante de temps des paramètres de décomposition à un pour une culture modérément active avec environ un pic par seconde et par canal. Ensuite, réglez les paramètres de rafale de l’algorithme de décodage dans le formulaire de décodage sur zéro.

Le temps de décroissance n’a pas d’importance si le changement de vitesse est nul. Dans le formulaire du gestionnaire d’expériences, sélectionnez les données à enregistrer en cochant les cases Enregistrer les données de pointe, les données du robot et les données de stimuli. Lancez maintenant un robot de pré-apprentissage exécuté en sélectionnant le bouton démarrer l’expérience dans le formulaire du gestionnaire d’expériences.

Lorsque vous y êtes invité, sélectionnez de nouveaux noms de fichiers pour les fichiers de données. Laissez l’expérience s’exécuter pendant 30 minutes. Cliquez ensuite sur le bouton d’arrêt de l’expérience pour arrêter l’exécution du robot.

Ensuite, activez le protocole d’apprentissage en marquant la livraison à 10 stimulation après. Cochez la case dans le formulaire du gestionnaire de tests. Cliquez ensuite à nouveau sur le bouton de démarrage de l’expérience pour exécuter à nouveau l’exécution du robot d’entraînement pendant 30 minutes.

Au cours de cet apprentissage, la stimulation du robot passe d’un stimulus irrégulier à un stimulus titanesque. Lorsque le robot heurte un obstacle, le stimulus Titanic est utilisé pour entraîner le réseau neuronal. Après avoir enregistré les données, désactivez à nouveau le protocole d’apprentissage en décochant la livraison à la stimulation tannique.

Après avoir coché la case, cliquez sur Démarrer l’expérience pour effectuer une exécution de robot post-apprentissage de 30 minutes. Comme précédemment, n’oubliez pas de modifier les noms de fichiers pour éviter le remplacement. En plus du robot virtuel présenté précédemment, ce même ensemble de courses d’entraînement peut être utilisé avec un réseau neuronal et un robot physique.

On voit ici le chemin suivi par un robot virtuel au cours d’une expérience MEA à vide de 20 minutes. Il n’y avait pas de cellules plaquées sur le MEA pour cette expérience de contrôle. Les zones vert clair sont libres pour le robot de se déplacer, et les cercles vert foncé représentent des obstacles infranchissables que le robot peut percevoir grâce à ses capteurs de distance.

Dans chaque essai, le robot commence dans la partie supérieure gauche de l’arène et se déplace jusqu’à sa position finale, représentée par un gros point rose. Les petits points noirs représentent les coups contre un obstacle. Les chemins d’accès codés en couleur indiquent le temps écoulé.

Dans cette expérience sans réseau neuronal, le robot a été arrêté par le premier obstacle qu’il a rencontré. La trajectoire d’un robot virtuel au cours d’une expérience en boucle ouverte au cours de laquelle le robot est effectivement mis à l’aveuglette. Au lieu de coder des informations sensorielles, les trains de stimulation délivrés au réseau neuronal ne sont que des séquences régulières.

Voici le chemin suivi par un robot virtuel au cours d’une expérience en boucle fermée de 20 minutes au cours de laquelle le réseau neuronal a reçu un retour satanique après que le robot ait heurté un obstacle. Notez que contrairement à l’expérience en boucle ouverte, ce robot a réussi à contourner de nombreux obstacles. Cela indique qu’une interaction bidirectionnelle entre les éléments neuronaux et artificiels est nécessaire afin d’obtenir de bonnes performances de navigation du robot.

Ce graphique montre les performances de navigation du robot, exprimées en pixels parcourus entre les appels suivants. Les deux premières colonnes affichent la distribution des distances parcourues, deux expériences de contrôle, l’AEM vide et les configurations en boucle ouverte. Les troisième et quatrième colonnes affichent la performance sans et avec la délivrance de la stimulation Titanic.

Après chaque coup contre un obstacle, l’introduction de la stimulation Titanic s’améliore considérablement. La distance parcourue entre deux tirs consécutifs, améliorant ainsi les performances de navigation du robot. Ce graphique représente la probabilité pour un algorithme de décodage donné du robot de naviguer avec succès sur une piste courte dans un laps de temps limité.

Les paradigmes de décodage diffèrent les uns des autres en raison des poids relatifs des rafales et des pics isolés après son développement. Cette technique a ouvert la voie aux URG dans le domaine de la neurorobotique et des neuroprothèses pour explorer comment connecter les cerveaux et les machines afin d’améliorer les performances des interfaces neuronales modernes. Après avoir regardé cette vidéo, vous devriez avoir une bonne compréhension de la planification et de l’exécution d’une expérience hybride pour étudier les propriétés de calcul d’un réseau neuronal biologique incarné.