Name: Progettazione e implementazione di simulazioni del sistema nervoso su LEGO Robot (Video) | JoVE Journal
Uploaded: 2013-05-25T14:00:00.000+00:00
Duration: 10 min 34 s
Description: Esplora la modellazione di reti neurali con la piattaforma robotica LEGO Mindstorms per la ricerca neuroscientifica. Questo metodo permette di prototipare e testare simulazioni del sistema nervoso invertebrato.

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

Ringraziamo il Dott. Chris Rogers (Tufts University) per la programmazione e il manoscritto suggerimenti. Ringraziamo Alex Giuliano e Deborah Lee per il sostegno alla produzione video. Finanziamenti erogati da un NSF Graduate Research Fellowship e un MURI ONR in biologia sintetica.

1. Costruire il modello di robot <ol><li> Scegli un organismo modello per lo studio che è ben rappresentata nella letteratura neuroethological. Invertebrati generalmente fanno buoni candidati perché i loro sistemi nervosi relativamente semplici sono stati ben studiati e sono in prevalenza costituiti di riflessi innati. Dimostreremo questo approccio con l&#39;aragosta americana, Homarus americanus. </li><li> Selezionare ben studiato i comportamenti riflessivi per scopi di modellazione. Abbiamo scelto le risposte del aragosta alla curva antenne e di rilevazione urto artiglio come l&#39;animale risponde riflessivamente alla piegatura di antenne per suscitare rheotaxis (orientamento al flusso d&#39;acqua), mentre i contatti artiglio mediano l&#39;evitamento di ostacoli. Riflessi semplici basandosi su decussating connessioni neurali da sensori bilateralmente simmetriche sono adatti per questo tipo di studio 1. </li><li> Costruire o scegliere una piattaforma robotica con opportuni sensori per i comportamenti selezionati al fine di eseguire il neuralesimulazione della rete. Mentre un robot dedicato può essere costruito come RoboLobster 12 o il Sprawl (scarafaggio) famiglia di robot 13, qui usiamo un kit disponibile in commercio per accelerare il processo di sperimentazione. Il LEGO Mindstorms NXT kit 2.0, fornendo modelli, componenti modulari e sensori stabilite, consente la rapida costruzione fisica del robot. </li><li> Selezionare o costruire sensori per abbinare le modalità di comportamenti selezionati al punto 1.2. Premade sensori del kit Mindstorms LEGO possono essere usati o sensori homebrew possono essere progettate 14,15. Abbiamo selezionato il sensore di contatto LEGO inclusa e un sensore di curva antenne personalizzato costituito da un sensore di curva FlexPoint impiombato a un connettore NXT. Per costruire un connettore resistivo personalizzato, tagliato un filo connettore NXT e saldare i cavi bianco e nero per i cavi del sensore. </li><li> Utilizzare studi neuroethological precedentemente pubblicati da trovare o sviluppare una rete neurale ipotetico per la modellazione purposes. La letteratura ha proposto varie reti neurali di spiegare il comportamento in vari organismi modello, dalle aragoste da 16 a 17 lampreda. Unità neurali funzionali dovrebbero essere identificati e le loro connessioni sinaptiche teorizzato. Esperimenti neuroethological romanzo può anche essere sviluppate e attuate se le circostanze consentono di laboratorio. </li></ol> 2. Programmazione del Sistema Nervoso <ol><li> Utilizzare il software LabVIEW con il modulo LabVIEW per LEGO MINDSTORMS NXT per creare strumenti virtuali (VI) che corrono equazioni per un neurone matematico e modello di sinapsi. Mentre qualsiasi modello pubblicato può essere utilizzato, si consiglia il tempo discreto map-based (DTM) modello 18. Questo permette computazionalmente efficiente funzionamento in tempo reale mantenendo una varietà di regimi di uscita neuronale. Due parametri di controllo, alfa e sigma, determinano la dinamica del neurone simulato per produrre vario uscita neurale compreso tonic Schiacciata, cottura caotico, il silenzio di rottura e intrinseco. VI di LabVIEW per LEGO Mindstorms per questo modello di neurone può essere trovato on-line qui: <a href="http://myfiles.neu.edu/blustein.d/neurobots" target="_blank">http://myfiles.neu.edu/blustein.d/neurobots</a> </li><li> Luogo VI in un ciclo while in modo che la rete si aggiornerà iterativo. </li><li> Collegare presinaptiche dei neuroni uscite picco attraverso le sinapsi ai neuroni post-sinaptici. </li><li> Passano iterativamente l&#39;aggiornamento dei parametri tramite registri a scorrimento per il ciclo di calcolo successivo. Il modello DTM aggiornamenti veloce (x) e lenta (y) variabili dinamiche che vengono passate alla prossima iterazione di calcoli. </li><li> Impostare i parametri di sinapsi per definire le caratteristiche della rete. Per ogni sinapsi, la forza sinaptica (gsyn), il tasso di rilassamento (gamma), e il potenziale di inversione (XRP) sono coefficienti nelle equazioni del modello DTM che determinano il comportamento sinaptica. Il valore di gsyn è un multipinza che determina l&#39;entità dell&#39;effetto corrente sinaptica da un evento spike, che vanno da 0.0 (nessun effetto) a 1.0 (100% di effetto). Il valore di gamma è un moltiplicatore che determina il tasso di decadimento della corrente sinaptica indipendentemente eventi spike, che vanno da 0,0 (decadimento completo) a 1.0 (nessun decadimento). Il valore del XRP determina il livello di eccitazione o inibizione della sinapsi, valori normalmente va da -3.0 a 3.0 con valori positivi rappresentano eccitazione e valori negativi rappresentano inibizione. I valori possono essere sintonizzati per le caratteristiche specifiche della rete. Qui usiamo le seguenti impostazioni: gamma = 0.95, gsyn = 0.60 e XRP = 2.2 (sinapsi eccitatoria) o -1.8 (sinapsi inibitoria). </li><li> Regolare i parametri di controllo sigma alfa e di modificare l&#39;attività dei neuroni basale. La dinamica del modello per vari parametri di controllo sono descritti in dettaglio in altra 18 ma tipicamente, alfa </em&gt; &lt;4 produce intrinsecamente silenziosa attività neurale per bassi valori di sigma o tonico chiodare per alti valori di sigma. La transizione tra il &#39;basso&#39; e &#39;alta&#39; valori di sigma si verifica in genere tra -1.0 e 1.0 a seconda del valore alfa. Scoppio attività neuronale è prodotta per alfa&gt; 4, quando i valori di sigma sono quasi a zero. Qui usiamo alpha = 4.05 e sigma = -3.10. </li><li> Utilizzare LabVIEW per informazioni sensore di ingresso nella rete. Per i sensori forniti, il VIS sono già disponibili all&#39;interno del modulo Mindstorms LabVIEW. Per i sensori resistivi personalizzati, utilizzare il sensore di luce VI come un quadro di programmazione. Informazioni sulla creazione di sensori homebrew può essere trovato altrove 14. </li><li> Inserire di grafici sul pannello frontale del programma LabVIEW per visualizzare l&#39;attività neuronale. </li><li> Sostituire temporaneamente ingressi sensori con centraline di controllo del pannello frontale, al fine di modificare manualmente il sensoreInformazioni di andare a rete neurale. </li><li> Eseguire la rete neuronale e regolare manualmente i comandi del pannello frontale per presentare vario input sensoriale. Verificare che la rete funzioni qualitativamente come previsto per le condizioni note. </li><li> Regolare la rete in base alle esigenze, modificando i parametri di neuroni e sinapsi. Primi tentativi di messa a punto della rete dovrebbe essere fatto modificando la forza sinaptica (gsyn) dei vari sinapsi. Altri parametri possono essere necessario un aggiustamento così. </li><li> Una volta che le funzioni di rete con una precisione qualitativa, sostituire le caselle di controllo del pannello frontale con l&#39;ingresso del sensore VI. </li></ol> 3. Sistema nervoso Test Simulation <ol><li> Impostare un ambiente controllato in cui osservare l&#39;animale e il robot in condizioni simili. Usiamo una vasca rettangolare che contiene gli ostacoli rocciosi (Figura 1). Il serbatoio può essere svuotato per accogliere il robot LEGO nello stesso spazio. </li><li> Monte avideo telecamera in testa per registrare l&#39;animale / comportamento del robot. Assicurarsi che il contrasto tra il soggetto e lo sfondo è elevato per consentire il monitoraggio automatico. Abbiamo dipinto il fondo del serbatoio di prova bianco. </li><li> Posto l&#39;animale in ambiente controllato e registrare video il comportamento. Assicurati di limitare le capacità sensoriali del aragosta per adeguarli a quelli del robot. Qui ci limitiamo sensoriali del aragosta coprendo gli occhi con un foglio di alluminio e maschera deafferenting chemiorecettori con acqua dolce 19. </li><li> Regolare l&#39;ambiente per soddisfare un robot LEGO (rimuovere l&#39;acqua se necessario) ed eseguire il robot nello stesso ambiente controllato. </li><li> Utilizzare uno script MATLAB per tracciare automaticamente i marcatori sui provini. Usiamo MouseLabTracker 20. </li><li> Creare e confrontare vettoriali trame dei movimenti del robot e animali. </li><li> Modificare il sistema nervoso e ripetere i passaggi 3,3-3,6 per osservare come diversi aspetti della elettronicasistema nervoso influenza il comportamento del robot. Qui registriamo il forza sinaptica tra gli artigli di bump neuroni sensori e il sistema del motore e le prestazioni del robot del monitor rispetto a quella di un astice. Alternativamente, le condizioni sensoriali in campo prova possono essere cambiate e gli effetti osservati in robot e animale. Per esempio, l&#39;arena qui descritta potrebbe essere sottoposto a diverse portate d&#39;acqua. </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>

Gli autori dichiarano di non avere interessi finanziari in competizione.

Quando si inizia esperimenti di simulazione del sistema nervoso biorobotic, ci sono alcune importanti linee guida da seguire. La scelta del giusto organismo modello è critica: scegliere un organismo che è facile da ottenere e mantenere. Gli invertebrati sono l&#39;ideale, perché di solito non richiedono l&#39;approvazione istituzionale per la sperimentazione e le loro esigenze di allevamento sono spesso meno esigenti di quelli dei vertebrati. Dal punto di vista scientifico, è utile scegliere un animale che ha un record ...

Indagini neurofisiologiche negli ultimi 100 anni hanno ampliato enormemente la nostra conoscenza della struttura del sistema nervoso e la funzione. Tuttavia, la maggior parte della ricerca del sistema nervoso fino ad oggi ha invocato l&#39;uso di preparati isolati o soggetti sobri. Mentre ci sono stati molti sforzi riusciti a registrare l&#39;attività neurale di comportarsi liberamente animali 2-5, l&#39;approccio biorobotic fornisce un valido strumento per consentire la manipolazione del sistema nervoso al fine di testare i sistemi di livello neuroscienze ipotesi 6. Sistemi nervosi simulati operanti sul robot possono essere sperimentalmente manipolati e permettono l&#39;estensione del software di modellazione per il mondo fisico. Questo approccio è stato ben implementato nel mondo accademico 7,8, ma il processo di costruzione di un robot biomimetico per la verifica di ipotesi può essere costoso e richiede tempo. Vi presentiamo un metodo per eseguire l&#39;approccio biorobotic utilizzando un robot disponibile in commercio kesso (LEGO Mindstorms NXT 2.0). L&#39;obiettivo di questo metodo è quello di fornire un modo rapido ed efficiente per testare sistemi livello neuroscienze ipotesi sul robotizzato 9 o bio-ibridi 10 incarnata simulazioni di reti neurali. Accelerare il processo di ipotesi di sperimentare migliora la produttività della ricerca. Il semplice piattaforma LEGO Mindstorms fornisce un banco di prova per sensori biomimetici e le reti neurali che dimostriamo con l&#39;aragosta americano (Homarus americanus) come organismo modello. Il metodo fornisce anche un potente hands-on strumento educativo in classe gli studenti in grado di progettare e gestire sistemi nervosi per i propri robot 11.

progettazione e implementazione di simulazioni del sistema nervoso su lego robot

Designing and Implementing Nervous System Simulations on LEGO Robots

Vi presentiamo un metodo per utilizzare il LEGO Mindstorms NXT piattaforma robotica disponibile in commercio per testare i sistemi di livello di neuroscienze ipotesi. Il primo passo del metodo è quello di sviluppare una simulazione del sistema nervoso di specifici comportamenti riflessivi di un adeguato organismo modello, qui usiamo l&#39;aragosta americana. Riflessi esterocettivi mediate da decussating (incrocio) connessioni neurali in grado di spiegare i taxi di un animale verso o lontano da uno stimolo come descritto da Braitenberg e sono particolarmente adatti per le indagini utilizzando la piattaforma NXT. Viene programmato 1 La simulazione del sistema nervoso utilizzando il software LabVIEW sul LEGO piattaforma Mindstorms. Una volta che il sistema nervoso è adeguatamente regolati, esperimenti comportamentali passino sul robot e sull&#39;animale sotto identiche condizioni ambientali. Controllando l&#39;ambiente sensoriale vissuta dai campioni, si possono osservare differenze di uscita comportamentali. Queste differenze possono puntare a specifiche deficiencrie del modello del sistema nervoso e servono per informare l&#39;iterazione del modello per il particolare comportamento in fase di studio. Questo metodo consente la manipolazione sperimentale dei sistemi nervosi elettronici e serve come un modo per esplorare neuroscienze ipotesi specificamente per quanto riguarda la base neurofisiologica di comportamenti riflessivi innati semplici. Il kit Mindstorms NXT LEGO costituisce una piattaforma accessibile ed efficiente su cui testare schemi di controllo di robot biomimetici preliminari. L&#39;approccio è adatto anche per l&#39;aula di scuola per servire come base per un hands-on basato sulla ricerca curriculum biorobotica.

Ingressi da artigli di un astice nel suo sistema nervoso mediano trattativa ostacolo in un ambiente nuovo. Figura 1 mostra uno screenshot del video utilizzato per analizzare il comportamento di un LEGO robot (Figura 1A) e un&#39;aragosta (Figura 1B) in ambito di test. Dell&#39;arena test è stato non modificata tra i test robot animale e tranne che l&#39;acqua è stata svuotata dal serbatoio per le prove robot. Risultati di monitoraggio video ...

Viene presentato un approccio alla modellazione rete neurale sulla piattaforma robotica LEGO Mindstorms. Il metodo fornisce uno strumento di simulazione per invertebrati ricerca neuroscientifica sia nel laboratorio di ricerca e l&#39;aula. Questa tecnica permette la ricerca di principi di controllo di robot biomimetici.

Progettazione e implementazione di simulazioni del sistema nervoso su LEGO Robot

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

L'obiettivo generale di questo metodo è realizzare rapidamente prototipi e testare simulazioni del sistema nervoso su una piattaforma robotica. Questo risultato si ottiene eseguendo simulazioni di reti neurali sulla piattaforma Lego Mindstorms NXT e conducendo test comparativi affiancati con il modello animale. Innanzitutto, viene costruito un robot da utilizzare come piattaforma per la simulazione del sistema nervoso.Viene quindi sviluppata una rete neurale ipotetica basata su uno studio neuroetologico e programmata sulla piattaforma robotica. Si conducono studi etologici per confrontare le prestazioni della rete neurale ipotetica con quelle del sistema nervoso animale. Le carenze del modello possono essere identificate e utilizzate per informare ulteriori sviluppi; ipotesi in neuroscienze a livello di sistemi possono essere testate mediante la manipolazione diretta dei parametri della simulazione.Ciao, sono Dan Bluestein del Marine Science Center della Northeastern University. Qui dimostreremo un approccio per implementare rapidamente simulazioni del sistema nervoso su una piattaforma robotica. Sviluppando questa procedura per un kit robotico disponibile in commercio, abbiamo reso questo approccio biorobotico alle neuroscienze accessibile, economico ed efficiente anche per ricercatori senza esperienza in ingegneria robotica.Questo approccio è particolarmente adatto anche per l'insegnamento nelle scuole superiori e nei corsi universitari, in quanto può costituire la base per un programma didattico pratico di biorobotica basato sull'indagine. Il primo passo nella costruzione della piattaforma robotica consiste nello scegliere un organismo modello da studiare, ben rappresentato nella letteratura di etologia neuroscientifica. Gli invertebrati sono in genere ottimi candidati, poiché i loro sistemi nervosi relativamente semplici sono stati ampiamente studiati e sono composti principalmente da riflessi innati.Illustreremo questo approccio utilizzando l’aragosta americana Homarus americanus. Il passo successivo consiste nella selezione di comportamenti riflessi ampiamente studiati ai fini della modellizzazione. Con l’aragosta, è possibile analizzare le risposte a stimoli tattili, flessione, urti con le chele e flusso ottico.Reflessi semplici che si basano su connessioni neurali incrociate provenienti da sensori bilaterali simmetrici sono particolarmente adatti per questo tipo di studio. Utilizzando il kit Lego Mindstorms NXT 2.0, costruire un robot che approssimi la struttura corporea del modello animale.È possibile utilizzare altre piattaforme robotiche, ma il kit disponibile in commercio che usiamo qui consente un'implementazione rapida. Il passo successivo consiste nell'equipaggiare il robot con sensori che corrispondano ai sistemi scelti per lo studio dei sensori. I sensori inclusi nel kit Lego Mindstorms possono essere utilizzati oppure possono essere progettati sensori artigianali, come descritto in una varietà di materiale pubblicato.Utilizziamo il sensore tattile Lego, un sensore personalizzato per la flessione dell'antenna e un sensore di flusso ottico sviluppato da Centi Incorporated per costruire un connettore resistivo personalizzato, come ad esempio il giunto del sensore dell'antenna, un cavo connettore NXT e saldare i fili nero e bianco ai terminali del sensore. Per iniziare la programmazione della simulazione del sistema nervoso, utilizzare studi neuroetologici precedentemente pubblicati per sviluppare una rete neurale ai fini della modellizzazione. La letteratura ha proposto reti neurali per spiegare il comportamento di vari organismi modello, dai granchi ai lampredi; occorre identificare le unità neurali funzionali e le loro connessioni sinaptiche.Se le condizioni del laboratorio lo permettono, possono essere sviluppati e implementati anche nuovi esperimenti neuroetologici teorizzati. Utilizzare il software LabVIEW per programmare la rete per la piattaforma Lego Mindstorms. Vengono utilizzati strumenti virtuali o BIS per un modello di neurone e sinapsi, reperibili online.Si consiglia il modello basato sulla mappa temporale discreta sviluppato da Roloff perché consente un funzionamento in tempo reale computazionalmente efficiente pur mantenendo una varietà di regimi di scarica neuronale tramite due parametri di controllo. Alfa e Sigma determinano la dinamica del neurone simulato per produrre uscite diverse, tra cui attività tonica, potenziali d'azione, scariche caotiche, bursting e silenzio intrinseco. LabVIEW fornisce un ambiente di programmazione grafica intuitivo e consente un rapido sviluppo: posizionare innanzitutto il neurone e le sinapsi VI all'interno di un ciclo while in modo che la rete venga aggiornata in modo iterativo.Successivamente, collegare le uscite degli impulsi del neurone pre-sinaptico attraverso sinapsi ai neuroni post-sinaptici. Quindi, trasmettere iterativamente i parametri aggiornati attraverso i registri a scorrimento al ciclo di calcolo successivo. Il modello DTM aggiorna le variabili dinamiche rapide e lente che vengono trasmesse all'iterazione successiva dei calcoli.I parametri delle sinapsi devono essere impostati per definire la geometria della rete. Il modello DTM specifica la forza di una sinapsi; i valori del tasso di rilassamento e del potenziale di inversione possono essere regolati in base alle caratteristiche specifiche della rete, ma raccomandiamo le seguenti impostazioni. JS è uguale a 0,60, gamma è uguale a 0,95 e XRP è uguale a 2,2 per una sinapsi eccitatoria o a -1,8.Per una sinapsi inibitoria, regolare i parametri di controllo alpha e sigma per modificare l'attività neuronale di base. Si raccomanda di utilizzare un valore di alpha pari a 4,05 e un valore di sigma pari a -3,10. Utilizzare il sensore LabVIEW vs.Per inserire le informazioni del sensore nella rete. Per i sensori forniti, i vi sono già disponibili nel modulo di visualizzazione del laboratorio Mindstorms. Per sensori resistivi personalizzati, utilizzare il VI del sensore di luce come struttura di programmazione.Inserire grafici nel pannello frontale del programma LabVIEW per visualizzare l'attività neuronale. Sostituire temporaneamente gli ingressi dei sensori con caselle di controllo nel pannello frontale, in modo da manipolare manualmente le informazioni provenienti dai sensori inviate alla rete neurale, eseguire la rete neuronale e regolare manualmente i controlli del pannello frontale per fornire diversi input sensoriali. Verificare che la rete funzioni qualitativamente come previsto nelle condizioni note.Regolare la rete modificando i parametri dei neuroni e delle sinapsi, secondo necessità. I primi tentativi di taratura della rete devono essere effettuati cambiando l'intensità delle diverse sinapsi. Potrebbe essere necessario regolare anche altri parametri.Una volta che la rete funziona con accuratezza qualitativa, sostituire le caselle di controllo del pannello frontale con le VI di ingresso del sensore e programmare la rete sulla piattaforma NXT tramite una connessione USB. Per testare la simulazione del sistema nervoso, impostare un ambiente controllato in cui osservare l'animale e il robot in condizioni simili. Montare una videocamera sopraelevata per registrare i comportamenti.Assicurarsi che il contrasto tra il soggetto e lo sfondo sia elevato, al fine di consentire il tracciamento automatico. Posizionare l'animale in un ambiente controllato e registrare in video il comportamento.Assicurarsi di limitare le capacità sensoriali dell'astice in modo che corrispondano a quelle del robot. Qui riduciamo la vista e la rilevazione chimica dell'astice coprendo gli occhi con una maschera di alluminio e intorpidendo i recettori chimici con acqua dolce. Modificare l'ambiente per consentire il funzionamento del robot Lego.Ripetere la procedura di test del comportamento e di ripresa video utilizzando il robot. Utilizzare MATLAB per tracciare automaticamente l'animale e il robot. Utilizziamo lo script MATLAB Mouse Lab Tracker, disponibile online.Crea e confronta grafici dei movimenti dell'animale e del robot. Modifica la rete neurale e ripeti l'esperimento di tracciamento del comportamento per osservare come diversi aspetti del sistema nervoso elettronico influenzino il comportamento del robot. Ad esempio, è possibile regolare le intensità sinaptiche in determinati nodi della rete neurale.In alternativa, le condizioni sensoriali nell'arena di prova possono essere modificate e gli effetti osservati sia nel robot che nell'animale. Confrontando le prestazioni comportamentali di un robot e di un animale, possiamo indagare i principi del funzionamento del sistema nervoso. La forza sinaptica dai neuroni sensoriali della zona caudale del granchio entranti nel sistema nervoso è stata variata su un robot e il comportamento risultante è stato monitorato.Le linee rosse rappresentano il movimento di robot con sinapsi eccitatorie deboli. Le linee blu mostrano sinapsi eccitatorie di intensità media, e le linee verdi mostrano il movimento del robot con sinapsi eccitatorie forti. I percorsi del granchio sono rappresentati da linee nere, mentre il sistema nervoso ipotetico è rappresentato con connessioni eccitatorie di livello medio provenienti dal contatto della chela.I neuroni sensoriali producono un output comportamentale simile per l'animale. Dai dati è possibile estrarre parametri quantitativi per il confronto, come la lunghezza del percorso e la velocità media di camminata. Come mostrato in questa tabella, abbiamo appena illustrato come utilizzare una piattaforma robotica economica e accessibile per eseguire e testare simulazioni del sistema nervoso.Questo approccio è utile per la verifica rapida di ipotesi sul sistema nervoso e può essere adottato rapidamente da biologi e altri ricercatori senza esperienza in robotica. Esistono alcune limitazioni intrinseche nell'utilizzo di questa piattaforma, come le capacità di elaborazione del chip NXT e la gamma di sensori disponibili per l'implementazione robotica. Tuttavia, questo approccio rappresenta uno strumento potente per l'implementazione iniziale di simulazioni di sistemi nervosi incarnati e può fungere da punto di partenza per indagini bio-robotiche più approfondite, mediante l'uso di piattaforme personalizzate, da parte di studenti delle scuole superiori e universitari.Questo approccio offre un metodo basato su indagini stimolanti per insegnare le neuroscienze, la robotica e il valore della scienza interdisciplinare ai futuri scienziati. Grazie per aver guardato.

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

Research

Ricerca

JoVE Journal

Neuroscience

Neuroscienze

Origami di DNA è un potente metodo per la realizzazione di oggetti in nanoscala precise programmando l'auto-assemblaggio di molecole di DNA. Qui, descriviamo come origami di DNA può essere utilizzato per progettare un robot in grado di rilevare segnali biologici e rispondenti, per il cambiamento di forma, successivamente trasmesso ad un effetto desiderato.

Progettazione di un robot bio-sensibile da DNA Origami

In questo articolo, viene presentato un quadro sperimentale per eseguire esperimenti a circuito chiuso, in cui l'elaborazione delle informazioni (cioè codifica e decodifica) e l'apprendimento di assemblaggi neuronali vengono studiati durante l'interazione continua con un corpo robotico.

Closed-loop di esperimenti neuro-robotica a prova le proprietà computazionali di neuronali Networks

L'obiettivo generale di questo metodo è quello di stabilire una procedura sperimentale basata su SSVEP integrando più programmi software per consentire lo studio dell'interazione cervello-robot con robot umanoidi, che è prospettico nell'assistere i malati e gli anziani, nonché nell'eseguire lavori insalubri o pericolosi.

SSVEP-based Procedura sperimentale per Brain-Robot Interaction con Humanoid Robots

Un paradigma è presentato per la formazione e l'analisi di un compito di raggiungere abile automatizzata nei ratti. L'analisi dei tentativi tirando rivela sottoprocessi distinti di apprendimento motorio.

Indagare abilità motorie processi di apprendimento con un robot Manipulandum

Vi presentiamo un protocollo il design modulare e produzione di robot intelligenti per aiutare i lavoratori scientifici e tecnici di progettare robot intelligenti con le attività di produzione speciale in base alle esigenze personali e individualizzato di progettazione.

La modularità e la produzione di un Robot intelligente basato su una strategia di controllo ad anello chiuso

I nodi robot distribuiti forniscono sequenze di stimoli alla luce blu per orientare le traiettorie di crescita delle piante rampicanti. Attivando il fototropismo naturale, i robot guidano le piante attraverso le decisioni binarie sinistra-destra, facendole crescere in modelli predefiniti che invece non sono possibili quando i robot sono domeggiati.

Rilevamento robotico e fornitura di stimoli per la crescita guidata delle piante

Questo protocollo fornisce un elenco dettagliato dei passaggi da eseguire per la produzione, il controllo e la valutazione delle prestazioni di arrampicata di un robot morbido ispirato al geco.

Valutazione di produzione, controllo e prestazioni di un robot morbido ispirato a Gecko

Questo lavoro descrive un sistema di sperimentazione online che fornisce esperimenti visualizzati, tra cui la visualizzazione di teorie, concetti e formule, la visualizzazione del processo sperimentale con banchi di prova virtuali tridimensionali (3D) e la visualizzazione del sistema di controllo e monitoraggio utilizzando widget come grafici e telecamere.

Sistema di sperimentazione online interattivo e visualizzato per l'istruzione e la ricerca ingegneristica

Si stima che 1 persona su 6 in tutto il mondo avrà un ictus nel corso della vita, causando disabilità a lungo termine, i cui meccanismi di riabilitazione sono ancora poco compresi. Questo studio propone un protocollo per valutare l'attivazione cerebrale mediante spettroscopia funzionale nel vicino infrarosso (fNIRS) durante una sessione di terapia robotica degli arti inferiori.

Un esperimento che utilizza la spettroscopia funzionale nel vicino infrarosso e i movimenti di puntamento multiarticolare dell'arto inferiore assistiti da robot

Qui presentiamo un protocollo per la simulazione e il monitoraggio di un processo di assemblaggio semi-automatizzato in scala, attraverso la collaborazione di un robot collaborativo e la verifica tramite un sistema di visione artificiale per il controllo qualità.

Simulazione di un processo di assemblaggio in scala con collaborazione di un braccio robotico e monitoraggio attraverso un sistema di visione per il controllo qualità

Esplora la modellazione di reti neurali con la piattaforma robotica LEGO Mindstorms per la ricerca neuroscientifica. Questo metodo permette di prototipare e testare simulazioni del sistema nervoso invertebrato.

Progettazione e implementazione di simulazioni del sistema nervoso su LEGO Robot

Esplora altri video