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

L'obiettivo generale del seguente esperimento è studiare l'interazione bidirezionale tra una rete biologica di neuroni dissociati e un piccolo robot. Il dialogo continuo può modificare le proprietà computazionali del sistema neuronale, inducendo una forma di apprendimento. Questo risultato si ottiene preparando una coltura neuronale su un'array di microelettrodi, in modo da consentire una sessione sperimentale di diverse ore senza compromettere l'attività cellulare.

Come secondo passaggio, viene calcolata una mappa di risposta della coltura, che permette la selezione degli elettrodi stimolanti per l'effettivo esperimento in loop chiuso. Successivamente, vengono definiti i parametri di codifica e decodifica al fine di consentire lo scambio di informazioni tra sistemi biologici ed elettronici. I risultati mostrano un aumento significativo delle capacità di navigazione dell'agente robotico, basato sul confronto della distanza media percorsa tra i contatti sotto diverse condizioni di controllo.

Questo metodo può aiutarci a rispondere a domande fondamentali nel nostro campo ingegneristico, ad esempio: possiamo creare un dizionario per tradurre il linguaggio dei neuroni nel linguaggio delle macchine e viceversa? In generale, le persone nuove rispetto a questo metodo incontreranno difficoltà a causa della complessità tecnologica dell'allestimento sperimentale e dell'architettura software. La procedura sarà dimostrata da Martha Bizo, studentessa di dottorato del mio laboratorio.

Il primo passo consiste nel preparare un chip con microelettrodi, o MEA, dotato di 60 elettrodi che possono essere utilizzati per stimolare o registrare la rete neurale. Dopo aver seminato le colture neuronali sui chip MEA, attendere circa tre settimane affinché la rete neurale maturi. Nel giorno dell'esperimento, preriscaldare il sistema di riscaldamento MEA per cinque-dieci minuti impostando il regolatore di temperatura a 37 gradi Celsius e accendendo la piastra riscaldante posizionata al di sotto del chip MEA.

Utilizzare inoltre un coperchio riscaldato per ridurre l'evaporazione, coprendo le colture con tappi sterili, permeabili ai gas e autoclavati, al fine di limitare l'evaporazione e prevenire variazioni nell'osmolarità durante la registrazione. Ora far circolare car bear sulla coltura per mantenere stabili i livelli di ossigeno e di pH. Lasciare riposare la coltura per 30 minuti. Al termine del periodo di riposo, registrare l'attività spontanea delle cellule neuronali per 30 minuti.

Quindi salvare i dati in un file facendo clic sul pulsante di registrazione nella casella dei picchi del modulo di registrazione dei dati. Nel modulo di visualizzazione dei dati grezzi, identificare i 10 canali con il numero maggiore di picchi. Successivamente, selezionare tali canali in uno qualsiasi dei layout MEA.

La forma di codifica è mostrata qui trascinando il cursore del mouse sulle aree desiderate. Una volta selezionati i canali, fare clic con il tasto destro del mouse in qualsiasi punto della disposizione della MEA e selezionare "aggiungi all'area sensoriale sinistra" nel menu a comparsa. Questi elettrodi verranno utilizzati per erogare stimolazione elettrica in un passaggio successivo.

Successivamente, verificare che lo stimolatore e l'amplificatore MEA siano correttamente collegati. Tutte le configurazioni richiedono due fili per ogni canale di stimolazione desiderato, mentre è necessario un cavo coassiale aggiuntivo per trasmettere il segnale di sincronia. Quando pronto, accendere lo stimolatore.

Il passo successivo consiste nel definire i parametri dello stimolo nel modulo della mappa di connessione. Tutte le stimolazioni erogate alla coltura avvengono mediante onde di tensione quadre fasica. Impostare la semidurata a 300 microsecondi e l'ampiezza a 1,5 volt di picco.

Iniziare la registrazione della risposta alla stimolazione premendo il pulsante di avvio. Nella mappa di connessione, una serie di 30 stimoli a 0,2 hertz viene automaticamente erogata da uno degli elettrodi di stimolazione precedentemente selezionati. Mentre questo elettrodo funge da elettrodo di stimolazione, le risposte vengono registrate dai restanti 59 elettrodi sul chip MEA.

Quindi, con un ritardo di cinque secondi tra le serie, la serie di 30 stimoli viene ripetuta a turno su ciascuno dei restanti nove elettrodi di stimolazione identificati, mentre le registrazioni vengono raccolte dai restanti 59 elettrodi. Successivamente, tramite un collegamento al computer, si crea una mappa di connessione per ogni canale stimolante utilizzando SpyCode, un'applicazione che esegue calcoli sui dati neurali. A partire dalle mappe di connessione, escludere dall'ulteriore analisi tutti gli elettrodi stimolanti che non hanno evocato risposte.

Quindi, tra gli elettrodi rimanenti, selezionare la coppia con il minore sovrapposizione nelle risposte come descritto nel protocollo testuale; selezionare uno di questi elettrodi per codificare le informazioni sensoriali dal lato sinistro del robot e l'altro per codificare le letture dal lato destro. Per fare ciò, trascinare il cursore del mouse su un elettrodo, fare clic con il tasto destro sulla disposizione della MEA, quindi selezionare "aggiungi all'area sensoriale sinistra". Successivamente, trascinare il cursore sull'altro elettrodo.

Fare clic con il tasto destro e selezionare "aggiungi all'area sensoriale destra". Successivamente, nel modulo di codifica, selezionare lo schema di codifica impostando il tipo di codifica su lineare. Quindi definire le frequenze minima e massima di stimolazione utilizzando l'intervallo predefinito da 0,5 a due hertz e impostare il parametro di jitter a zero.

Quindi, nel modulo di decodifica, impostare i parametri dell'algoritmo di decodifica. Ovvero, modificare la velocità e il parametro della costante di decadimento a uno per una coltura moderatamente attiva con circa un picco al secondo per canale. Successivamente, impostare i parametri del burst dell'algoritmo di decodifica nel modulo di decodifica a zero.

Il tempo di decadimento è irrilevante se la variazione di velocità è nulla. Nel modulo del gestore dell'esperimento, selezionare i dati da registrare cliccando sulle caselle di controllo salva dati dei picchi, dati del robot e dati degli stimoli. Avviare ora un'esecuzione del robot pre-apprendimento selezionando il pulsante inizia esperimento nel modulo del gestore dell'esperimento.

Quando richiesto, selezionare nuovi nomi di file per i file di dati. Attendere che l'esperimento venga eseguito per 30 minuti. Quindi fare clic sul pulsante per interrompere l'esperimento per fermare l'esecuzione del robot.

Successivamente, attivare il protocollo di apprendimento selezionando la consegna di 10 stimolazioni dopo. Selezionare la casella di controllo nel modulo del gestore dell'esperimento. Quindi fare clic nuovamente sul pulsante avvia esperimento per eseguire nuovamente l'esecuzione del robot di addestramento per 30 minuti.

Durante questa fase di apprendimento, la stimolazione proveniente dal robot passa da irregolare a stimolo titanico. Quando il robot urta un ostacolo, lo stimolo titanico viene utilizzato per addestrare la rete neurale. Dopo aver salvato i dati, disattivare nuovamente il protocollo di apprendimento deselezionando la consegna della stimolazione tannica.

Dopo aver selezionato la casella di controllo, fare clic su "inizia esperimento" per eseguire una sessione del robot post-apprendimento della durata di 30 minuti. Come in precedenza, ricordarsi di modificare i nomi dei file per evitare sovrascritture. Oltre al robot virtuale mostrato in precedenza, questo stesso insieme di sessioni di addestramento può essere utilizzato con una rete neurale e un robot fisico.

Qui è mostrato il percorso seguito da un robot virtuale durante un esperimento MEA vuoto della durata di 20 minuti. Per questo esperimento di controllo, nessuna cellula è stata seminata sull'MEA. Le aree color verde chiaro sono libere e accessibili al movimento del robot, mentre i cerchi verdi scuri rappresentano ostacoli insormontabili che il robot può rilevare attraverso i suoi sensori di distanza.

In ogni prova, il robot parte dalla sezione in alto a sinistra dell'arena e si sposta fino alla posizione finale indicata da un grande punto rosa. I punti neri più piccoli rappresentano gli urti contro un ostacolo. I percorsi codificati per colore indicano il tempo trascorso.

In questo esperimento senza rete neurale, il robot è stato fermato dal primo ostacolo incontrato. Qui è mostrato il percorso di un robot virtuale durante un esperimento in anello aperto in cui il robot è di fatto accecato. Invece di codificare informazioni sensoriali, gli stimoli applicati alla rete neurale sono semplici sequenze regolari.

Qui è mostrato il percorso seguito da un robot virtuale durante un esperimento in loop chiuso della durata di 20 minuti, in cui la rete neurale ha ricevuto un feedback correttivo dopo che il robot ha urtato un ostacolo. Si noti che, a differenza dell'esperimento in loop aperto, questo robot ha navigato con successo aggirando numerosi ostacoli. Ciò indica che un'interazione bidirezionale tra gli elementi neuronali e quelli artificiali è necessaria per ottenere buone prestazioni di navigazione del robot.

Questo grafico mostra le prestazioni di navigazione del robot espresse in pixel percorsi tra colpi successivi. Le prime due colonne mostrano la distribuzione delle distanze percorse, in due esperimenti di controllo, le configurazioni con MEA vuota e in anello aperto. Le colonne tre e quattro mostrano le prestazioni senza e con la somministrazione della stimolazione Titanic.

Dopo ogni urto contro un ostacolo, l'introduzione della stimolazione Titanic migliora in modo significativo. La distanza percorsa tra due urti consecutivi migliora così le prestazioni di navigazione del robot. Questo grafico rappresenta la probabilità che un determinato algoritmo di decodifica del robot navighi con successo lungo un percorso breve in un tempo limitato.

I paradigmi di decodifica differiscono l'uno dall'altro a causa dei pesi relativi di burst e picchi isolati dopo il loro sviluppo. Questa tecnica ha aperto la strada alle URG nel campo della neuro-robotica e della neuroprotesi, permettendo di esplorare come connettere cervelli e macchine al fine di migliorare le prestazioni delle moderne interfacce neurali. Dopo aver visto questo video, si dovrebbe avere una buona comprensione di come pianificare ed eseguire un esperimento ibrido per indagare le proprietà computazionali di una rete neurale biologica incarnata.