Projektowanie i implementacja symulacji układu nerwowego na robotach LEGO
25 maja 2013
Przedstawiono podejście do modelowania sieci neuronowych na platformie robotycznej LEGO Mindstorms. Metoda ta stanowi narzędzie symulacyjne do badań neurobiologicznych nad bezkręgowcami zarówno w laboratorium badawczym, jak i w klasie. Technika ta umożliwia badanie zasad biomimetycznego sterowania robotem.
Ogólnym celem tej metody jest szybkie prototypowanie i testowanie symulacji układu nerwowego na platformie robotycznej. Osiąga się to poprzez przeprowadzanie symulacji sieci neuronowych na platformie Lego Mindstorms NXT oraz przeprowadzanie testów porównawczych z modelem zwierzęcym. Po pierwsze, konstruowany jest robot, który ma służyć jako platforma do symulacji układu nerwowego.
Następnie opracowywana jest hipotetyczna sieć neuronowa oparta na badaniach neuroetologicznych i programowana na platformie robotycznej. Prowadzone są badania etologiczne w celu porównania wydajności hipotetycznych sieci neuronowych z wydajnością układu nerwowego zwierząt. Braki w modelu mogą być identyfikowane i informować o jego dalszym rozwoju, hipotezy neurobiologiczne na poziomie systemów mogą być testowane poprzez bezpośrednią manipulację parametrami symulacji.
Cześć, nazywam się Dan Bluestein i pracuję w Morskim Centrum Naukowym na Uniwersytecie Północno-Wschodnim. W tym miejscu zademonstrujemy podejście do szybkiej implementacji symulacji układu nerwowego na platformie robotycznej. Opracowując tę procedurę do wykorzystania w dostępnym na rynku zestawie do robotyki, sprawiliśmy, że to biorobotyczne podejście do neuronauki jest przystępne cenowo, wydajne i dostępne dla badaczy bez doświadczenia w inżynierii robotycznej.
Takie podejście doskonale nadaje się również do klas licealnych i uniwersyteckich, aby służyć jako podstawa praktycznego programu nauczania biorobotyki opartego na dociekaniach. Pierwszym krokiem w budowie platformy robotycznej jest wybór organizmu modelowego do badania, który jest dobrze reprezentowany w literaturze neuroetologicznej. Bezkręgowce są na ogół dobrymi kandydatami, ponieważ ich stosunkowo prosty układ nerwowy został dobrze przebadany i składa się głównie z wrodzonych odruchów.
Zademonstrujemy to podejście na przykładzie homara amerykańskiego Hamas Americana. Następnym krokiem jest wybór dobrze zbadanych zachowań odruchowych do celów modelowania. Dzięki homarowi możemy badać reakcje na zakręty, zgięcia, guzy pazurów i przepływ optyczny.
Proste odruchy polegające na obustronnych połączeniach nerwowych. Czujniki symetryczne doskonale nadają się do tego typu badań. Korzystając z zestawu Lego Mindstorms NXT 2.0, zbuduj robota, który jest zbliżony do budowy ciała modelu zwierzęcego.
Możliwe jest zastosowanie innych platform robotycznych, ale dostępny na rynku zestaw, którego tutaj używamy, pozwala na szybkie wdrożenie. Kolejnym krokiem jest wyposażenie robota w czujniki, które pasują do systemów wybranych do badania czujników. Dołączone do zestawu Lego Mindstorms mogą być używane lub można zaprojektować domowe czujniki parzenia zgodnie z opisem w różnych opublikowanych materiałach.
Używamy czujnika dotykowego Lego, niestandardowego czujnika zgięcia punktu flex anteny oraz optycznego czujnika przepływu opracowanego przez Centi Incorporated, aby zbudować niestandardowe złącze rezystancyjne, takie jak czujnik anteny, połączyć przewód złącza NXT i czarne i białe przewody do przewodów czujnika. Aby rozpocząć programowanie symulacji układu nerwowego, należy skorzystać z wcześniej opublikowanych badań neuroetologicznych w celu opracowania sieci neuronowej do celów modelowania. W literaturze zaproponowano sieci neuronowe w celu wyjaśnienia zachowania różnych organizmów modelowych od homarów po minogi, należy zidentyfikować funkcjonalne jednostki neuronowe i ich połączenia synaptyczne.
Teoretyczne nowatorskie eksperymenty neuroetologiczne mogą być również opracowywane i wdrażane, jeśli pozwalają na to warunki laboratoryjne. Użyj oprogramowania LabVIEW, aby zaprogramować sieć dla platformy Lego Mindstorms. Używane są instrumenty wirtualne lub BIS dla modelu neuronów i synaps, które można znaleźć w Internecie.
Polecamy dyskretny model oparty na mapie czasu opracowany przez firmę Roloff, ponieważ pozwala on na wydajną obliczeniowo operację w czasie rzeczywistym przy zachowaniu różnych reżimów wyjściowych odpalania neuronów, dwóch parametrów kontrolnych. Alfa i Sigma określają dynamikę symulowanego neuronu w celu wytworzenia różnych danych wyjściowych, w tym toniku, wystrzelenia, chaotycznego odpalania, pękania i wewnętrznej ciszy. Widok Lab zapewnia graficzne środowisko programowania, które jest intuicyjne i pozwala na szybkie wdrożenie neuronów pierwszego miejsca i synaps vi w pętli while, dzięki czemu sieć będzie aktualizowana iteracyjnie.
Następnie połącz wyjścia kolców neuronów presynaptycznych przez synapsy z neuronami postsynaptycznymi. Następnie przekaż iteracyjnie aktualizowane parametry przez rejestry przesuwne do następnego cyklu obliczeniowego. Model DTM aktualizuje szybkie i wolne zmienne dynamiczne, które są przekazywane do następnej iteracji obliczeń.
Parametry usługi Synapse muszą być ustawione w celu zdefiniowania geometrii sieci. Model DTM określa siłę synapsy, szybkość relaksacji i wartości potencjału odwrócenia, które można dostroić do konkretnej charakterystyki sieci, ale zalecamy następujące ustawienia. JS równa się 0,60, gamma równa się 0,95, a XRP równa się 2,2 dla synapsy pobudzającej lub ujemnej 1,8.
W przypadku synapsy hamującej dostosuj parametry kontrolne alfa i sigma, aby zmodyfikować wyjściową aktywność neuronów. Zalecamy użycie wartości alfa równej 4,05 i wartości sigma równej minus 3,10. Użyj czujnika widoku laboratorium vs.Aby
wprowadzić informacje z czujnika do sieci. W przypadku dostarczonych czujników, vi są już dostępne w module widoku laboratorium Mindstorms. W przypadku niestandardowych czujników odpornych należy użyć czujnika światła VI jako ramy programowania.
Wstaw wykresy graficzne na przednim panelu programu widoku laboratorium, aby zobrazować aktywność neuronalną. Tymczasowo zastąp wejścia czujników skrzynkami kontrolnymi na panelu przednim, aby ręcznie manipulować informacjami z czujnika przechodzącymi do sieci neuronowej, uruchomić sieć neuronową i ręcznie dostosować elementy sterujące na panelu przednim, aby prezentować różne dane sensoryczne. Upewnij się, że sieć działa jakościowo zgodnie z przewidywaniami dla znanych warunków.
Dostosuj sieć zgodnie z potrzebami, zmieniając parametry neuronu i synapsy. Pierwsze próby dostrojenia sieci powinny być wykonane poprzez zmianę siły różnych synaps. Inne parametry również mogą wymagać dostosowania.
Gdy sieć będzie działać z jakościową dokładnością, wymień skrzynki kontrolne na panelu przednim na wejście czujnika VI'S zaprogramuj sieć na platformę NXT za pomocą połączenia USB. Aby przetestować symulację układu nerwowego, skonfiguruj kontrolowane środowisko, w którym będziesz obserwować zwierzę i robota w podobnych warunkach. Zamontuj kamerę wideo nad głową, aby nagrywać zachowania.
Upewnij się, że kontrast między obiektem a tłem jest duży. Aby umożliwić automatyczne śledzenie. Umieść zwierzę w kontrolowanym środowisku i nagraj wideo zachowanie.
Pamiętaj, aby ograniczyć zdolności sensoryczne homara, aby odpowiadały możliwościom robota. Tutaj ograniczamy widzenie homara i wykrywanie chemioterapii, zakrywając oczy maską z folii aluminiowej i wgniatając receptory chemii świeżą wodą. Zmodyfikuj otoczenie, aby umożliwić działanie robota Lego.
Powtórz procedurę testowania zachowania i filmowania za pomocą robota. Użyj MATLAB, aby automatycznie śledzić zwierzę i robota. Używamy skryptu MATLAB do śledzenia laboratorium myszy, który jest dostępny online.
Twórz i porównuj wykresy ruchów zwierząt i robotów. Zmodyfikuj sieć neuronową i powtórz eksperyment śledzenia behawioralnego, aby zaobserwować, jak różne aspekty elektronicznego układu nerwowego wpływają na zachowanie robota. Na przykład można dostosować siłę synaps w niektórych węzłach sieci neuronowej.
Alternatywnie, warunki sensoryczne na arenie testowej mogą być modyfikowane, a efekty obserwowane u robotów i zwierząt. Porównując wydajność behawioralną robota i zwierzęcia, możemy zbadać zasady funkcjonowania układu nerwowego. Siła synaptyczna z neuronów czuciowych pośladków pazurów do układu nerwowego była zmieniana na robocie, a wynikowe zachowanie było śledzone.
Czerwone linie reprezentują roboty ruchowe ze słabymi synapsami pobudzającymi. Niebieskie linie pokazują synapsy pobudzające o średniej sile, a zielone linie pokazują ruch robota z silnymi synapsami pobudzającymi. Ścieżki homara są reprezentowane przez czarne linie, hipotetyczny układ nerwowy z połączeniami pobudzającymi średniego poziomu od guza pazurów.
Neurony czuciowe wytwarzają podobne wyniki behawioralne jak zwierzę. Parametry ilościowe do porównania można wyodrębnić z danych, takich jak długość ścieżki i średnia prędkość chodzenia. Jak pokazano w tej tabeli, właśnie pokazaliśmy, jak korzystać z niedrogiej i dostępnej platformy robotów do uruchamiania i testowania symulacji układu nerwowego.
Takie podejście jest przydatne do szybkiego testowania hipotez układu nerwowego i może być szybko przyjęte przez biologów i innych badaczy bez doświadczenia w robotyce. Istnieje kilka nieodłącznych ograniczeń związanych z korzystaniem z tej platformy, takich jak możliwości przetwarzania układu NXT i zakres czujników dostępnych do implementacji robotycznej. Niemniej jednak podejście to jest potężnym narzędziem do wczesnej implementacji symulacji ucieleśnionego układu nerwowego i może służyć jako punkt wyjścia do bardziej dogłębnych badań biorobotycznych przy użyciu niestandardowych platform, gdy są używane przez uczniów szkół średnich i studentów.
Podejście to zapewnia ekscytującą, opartą na dociekaniach metodę nauczania neuronauki, robotyki i wartości nauki interdyscyplinarnej dla naukowców przyszłości. Dzięki za oglądanie.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Niniejszy artykuł przedstawia metodę modelowania sieci neuronowych z wykorzystaniem platformy robotycznej LEGO Mindstorms. Służy ona jako narzędzie symulacyjne w badaniach z zakresu neuronauki bezkręgowców, które można zastosować zarówno w warunkach laboratoryjnych, jak i w celach edukacyjnych.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauka
- Robotyka
- Systemy biomimetyczne
Wprowadzenie
- Metoda ma na celu prototypowanie i testowanie symulacji układu nerwowego.
- Wykorzystuje platformę LEGO Mindstorms NXT do przeprowadzania symulacji.
- Obejmuje bezpośrednie porównania z modelami zwierzęcymi.
- Koncentruje się na badaniach neuroetologicznych w celu oceny wydajności.
Cel badania
- Opracowanie platformy robotycznej do symulacji układu nerwowego.
- Porównanie robotycznych sieci neuronalnych z rzeczywistymi układami nerwowymi zwierząt.
- Zidentyfikowanie niedoskonałości modelu w celu jego dalszego rozwoju.
Zastosowane metody
- Budowa robota jako platformy symulacyjnej.
- Opracowanie hipotetycznej sieci neuronowej w oparciu o badania etologiczne.
- Programowanie sieci neuronowej na platformie robotycznej.
- Przeprowadzenie badań etologicznych w celu porównania wydajności.
Główne wyniki
- Wydajność robotycznej sieci neuronowej jest oceniana w odniesieniu do modelu zwierzęcego.
- Zidentyfikowane niedociągnięcia stanowią podstawę do dalszego rozwoju modelu.
- Parametry symulacji mogą być modyfikowane w celu testowania hipotez z zakresu neuronauki.
Wnioski
- Platforma LEGO Mindstorms jest skuteczna w symulowaniu sieci neuronowych.
- Podejście to zwiększa zrozumienie zasad sterowania biomimetycznego.
- Stanowi ona wartościowe narzędzie zarówno do celów badawczych, jak i edukacyjnych.
Najczęściej zadawane pytania
Znaczenie dla Przemysłu
Ta metoda umożliwia szybkie prototypowanie i testowanie hipotez w symulacjach układu nerwowego z wykorzystaniem dostępnej platformy robotycznej, wspierając wczesną redukcję ryzyka mechanistycznego w badaniach z zakresu neurobiologii. Dzięki możliwości bezpośredniej manipulacji parametrami symulacji oraz bezpośredniemu porównaniu behawioralnemu z modelami zwierzęcymi, metoda ta zapewnia pewność prognostyczną modeli sieci neuronowych przed przejściem do bardziej złożonych systemów przedklinicznych. Podejście to jest szczególnie wartościowe dla walidacji celów w neuronauce bezkręgowców i oferuje skalowalną, wielokrotnie wykorzystywalną strukturę dla odkryć opartych na hipotezach w środowiskach akademickich i translacyjnych.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne etapy odkrywania i walidacja celu
- Wartość naukowa: Wspiera weryfikację hipotez terapeutycznych poprzez modelowanie zachowań refleksyjnych opartych na badaniach neuroetologicznych.
- Wartość naukowa: Umożliwia biologiczną redukcję ryzyka poprzez iteracyjne ulepszanie symulacji sieci neuronowych w oparciu o zaobserwowane rozbieżności behawioralne.
- Wartość naukowa: Zwiększa pewność wyboru celu terapeutycznego poprzez identyfikację funkcjonalnych połączeń synaptycznych sterujących wrodzonymi odpowiedziami refleksyjnymi.
Przesiewy i opracowanie testów
- Wartość operacyjna: Przygotowuje zwalidowane systemy inspirowane biologicznie do dalszych etapów analizy poprzez standaryzowaną integrację czujników i aktualizację neuronową w czasie rzeczywistym.
- Wartość operacyjna: Zwiększa powtarzalność testów dzięki kontrolowanym warunkom środowiskowym i ilościowemu śledzeniu zachowań (np. długość ścieżki, prędkość chodzenia).
- Wartość operacyjna: Ułatwia przygotowanie do screeningu, umożliwiając szybką iterację parametrów synaptycznych w celu oceny odporności sieci przy różnych bodźcach sensorycznych.
Badania translacyjne i przedkliniczne
- Wartość translacyjna: Zachowanie istotności w kontekście choroby poprzez modelowanie odruchowych zachowań w systemach bezkręgowych o dobrze opisanej neuroetologii.
- Wartość translacyjna: Wsparcie dopasowania biomarkerów translacyjnych poprzez mierzalne wyniki behawioralne, które korelują ze stanami sieci neuronalnych.
- Wartość translacyjna: Dostarczanie informacji dla decyzji o rozwoju projektu z uwzględnieniem ryzyka poprzez wskazanie braków w modelach układu nerwowego przed etapem kosztownej walidacji.
Integracja potoków i przepływów pracy
Metoda ta wpisuje się w kontinuum procesu badawczego – od generowania hipotez po identyfikację związków wiodących, szczególnie w badaniach nad neurobiologią i systemami biomimetycznymi – umożliwiając iteracyjne udoskonalanie modelu w oparciu o empiryczne dane behawioralne.
- Biologia odkrywcza: Usprawnia weryfikację hipotez i wyjaśnianie szlaków sygnałowych poprzez symulowanie architektur neuronalnych opracowanych na podstawie literatury etologicznej.
- Przesiewanie: Zapewnia gotowość do analizy dzięki manipulacji parametrami w czasie rzeczywistym i ilościowej analizie ruchu w zestandaryzowanych warunkach.
- Analityka: Dostarcza mierzalne wyniki, takie jak wykresy trajektorii i wskaźniki prędkości, które umożliwiają analizę porównawczą między zachowaniami robotycznymi a zwierzęcymi.
- Badania translacyjne: Łączy etap odkryć z ciągłością przedkliniczną poprzez modelowanie wrodzonych odruchów, które można przenieść na proste systemy sterowania motorycznego.
- Ponowne wykorzystanie w przedsiębiorstwie: Służy jako platforma wielokrotnego użytku do testowania wielu hipotez dotyczących układu nerwowego w odniesieniu do różnych organizmów modelowych i modalności sensorycznych.
Wpływ operacyjny i przedsiębiorstwowy
- Wartość naukowa: Zwiększa pewność predykcyjną modeli neuronowych poprzez redukcję niejednoznaczności w mechanizmach transformacji sensoromotorycznej.
- Wartość operacyjna: Zapewnia standaryzację i skalowalność dzięki zastosowaniu komercyjnie dostępnego sprzętu oraz programowania graficznego (LabVIEW), co umożliwia szybkie wdrożenie.
- Wartość strategiczna: Usprawnia podejmowanie decyzji go/no-go poprzez wczesne identyfikowanie wad modeli, ograniczając inwestycje w błędne hipotezy neurobiologiczne.
- Wpływ na portfolio: Umożliwia priorytetyzację celów neuronaukowych z uwzględnieniem ryzyka poprzez iteracyjne udoskonalanie modeli w oparciu o dane behawioralne.
Uwagi dotyczące wdrożenia
- Wymaga wiedzy specjalistycznej z zakresu neuroetologii, modelowania neuronalnego oraz środowisk programowania graficznego, takich jak LabVIEW.
- Zależy od dostępu do sprzętu LEGO Mindstorms NXT oraz kompatybilnych czujników (dotyku, zgięcia, przepływu optycznego) w celu implementacji biomimetycznej.
- Wymaga standaryzacji międzyzespołowej w zakresie kalibracji czujników, protokołów śledzenia zachowań oraz procedur dostrajania parametrów.
- Wiąże się z koniecznością uwzględnienia adaptacji przy rozszerzaniu modelu na inne układy bezkręgowców lub kręgowców o odmiennych architekturach neuronalnych.
- Obejmuje ograniczenia praktyczne, takie jak ograniczona moc obliczeniowa układu NXT oraz niewielki zakres czujników, co może wpływać na symulacje złożonych sieci.
