Name: Eksperymenty neurorobotyczne w pętli zamkniętej w celu przetestowania właściwości obliczeniowych sieci neuronowych (Wideo) | JoVE Journal
Uploaded: 2015-03-02T14:00:00.000+00:00
Duration: 11 min 18 s
Description: Odkryj eksperymenty neurorobotyczne w pętli zamkniętej badające właściwości obliczeniowe sieci neuronowych. Metoda wykorzystuje mikroelektrody do komunikacji między kulturami neuronalnymi a robotem.

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

Autorzy pragną podziękować doktorantce Marcie Bisio za hodowlę i utrzymanie sieci neuronowych za pomocą Micro-Electrod Arrays oraz dr Marinie Nanni i dr Claudii Chiabrera z NBT-IIT za pomoc techniczną przy procedurach preparacji i dysocjacji. Badania, które doprowadziły do uzyskania tych wyników, otrzymały dofinansowanie z Siódmego Programu Ramowego Unii Europejskiej (ICT-FET FP7/2007-2013, FET Young Explorers scheme) w ramach umowy o grant nr 284772 BRAIN BOW (<a href="http://www.brainbowproject.eu">www.brainbowproject.eu</a>). Autorzy pragną również podziękować Silvii Chiappalone za pomoc w tworzeniu grafik wykorzystanych we wstępie.

1. Przygotowanie hodowli neuronalnej na MEA
<ol>
	<li>Płytki hodowli neuronów na chipach MEA, jak opisano 29. Opis podobnej procedury znajduje się również w sekcji 9 oraz w sekcji Dyskusja.</li>
	<li>Włącz system grzewczy MEA na 5-10 minut przed rozpoczęciem nagrywania, aby zminimalizować naprężenia termiczne odczuwane przez ogniwa: ustaw docelową temperaturę regulatora temperatury na 37 °C i włącz płytę grzewczą poniżej samej MEA (dostępną w większości komercyjnych systemów MEA) oraz, jeśli jest dostępna, podgrzewaną pokrywę, aby znacznie zmniejszyć parowanie.</li>
	<li>Sterylizuj nasadki przepuszczające gaz przed każdym użyciem w autoklawie z wilgotnym ciepłem (30 min, 130 °C). Aby uniknąć parowania i zapobiec zmianom osmolarności, podczas nagrywania należy przykryć kultury nakrętkami.</li>
	<li>Umieść hodowlę neuronów we wzmacniaczu na 30 minut przed faktycznym rozpoczęciem nagrywania. 
	UWAGA: Samo przeniesienie kultur z inkubatora do wzmacniacza znacznie zakłóci spontaniczną aktywność na około pół godziny. W tym czasie temperatura pożywki hodowlanej ustabilizuje się.</li>
	<li>Jeśli dostępny jest obieg karbowo-powietrzny, należy rozpocząć cyrkulację powietrza (mieszaniny 5%CO2 i 95%O2 + N2) w przypadku eksperymentów dłuższych niż kilka godzin: kultury będą tego wymagać, aby utrzymać stabilny poziom tlenu i pH.</li>
</ol>
2. Wybór parametrów nagrywania dla akwizycji MEA
<ol>
	<li>Wybierz przepustowość filtra programowego do wykrywania skoków (tj. Aktywność wielu jednostek – MUA) 30: w formularzu RawDataDisplay zaznacz pole wyboru "300 Hz-3 kHz".</li>
	<li>Rozpocznij pobieranie danych: naciśnij przycisk "Start" w formularzu RawDataDisplay.</li>
	<li>Ustaw Threshold Gain dla wykrywania skoków w RawDataDisplay na 7. 
	UWAGA: W zależności od pożądanego kompromisu między specyficznością/selektywnością oraz przyjętego algorytmu detekcji, próg ten można ustawić w zakresie od 6 do 10 razy większą od obliczonego odchylenia standardowego.</li>
	<li>Ustaw pamięć progową na 2 sekundy i naciśnij przycisk "Zablokuj", gdy na wyświetlaczu nie jest widoczna żadna aktywność skokowa (oba polecenia są w formularzu RawDataDisplay). Zaznaczyć "Oszacować SD na podstawie mediany" w celu obliczenia odchylenia standardowego szumu od mediany wartości bezwzględnej obserwowanego sygnału 31,32, jeżeli trudno jest zapewnić nawet krótkie okna czasowe bez gwałtownego wzrostu. Usuń zaznaczenie tej opcji po naciśnięciu przycisku "Zablokuj", ponieważ podstawowy algorytm jest intensywny obliczeniowo i może powodować opóźnienia komputera.</li>
	<li>Włącz procedurę wykrywania wartości szczytowych (pole wyboru 'Wykrywanie wartości szczytowych' w formularzu RawDataDisplay). Jeśli wykrywanie spajków jest już uruchomione (tzn. pole wyboru jest już zaznaczone), odrzuć spajki wykryte do tego momentu, klikając przycisk "Resetuj" w formularzu Zapisu danych.</li>
</ol>
3. Wybór elektrod MEA do stymulacji hodowli neuronalnej i obliczania mapy odpowiedzi
<ol>
	<li>Rejestruj spontaniczną aktywność komórek nerwowych hodowanych w MEA przez 30 minut: zapisz dane do pliku, klikając przycisk "Zapisz" w polu "Spikes" formularza DataRecording, po upływie żądanego czasu (w tym przypadku 30 minut).</li>
	<li>Zidentyfikuj 10 najbardziej aktywnych kanałów (tj. 10 kanałów z największą liczbą skoków), a następnie wybierz te kanały w dowolnym układzie MEA (w formularzach Kodowanie, Dekodowanie lub Mapa połączeń), przeciągając kursor myszy nad żądanymi obszarami. Po wybraniu kanałów kliknij prawym przyciskiem myszy w dowolnym miejscu układu MEA i wybierz "Dodaj do lewego obszaru sensorycznego" w menu podręcznym: elektrody te będą używane do dostarczania stymulacji elektrycznej w kroku 3.5.</li>
	<li>Sprawdź, czy stymulator i MEA amplifier są prawidłowo podłączone: wszystkie konfiguracje wymagają dwóch przewodów na żądany kanał stymulacji, podczas gdy dodatkowy koncentryczny będzie wymagany do przesyłania sygnału synchronicznego (schematy połączeń można znaleźć w instrukcjach obsługi konkretnych przyrządów). Następnie przystąp do włączenia stymulatora.</li>
	<li>Zdefiniuj parametry bodźca w formularzu Mapa połączeń. Wszystkie stymulacje dostarczane do kultury to dwufazowe prostokątne fale napięciowe. Ustaw połowę czasu trwania na 300 μs i amplitudę na 1,5 Vpp33 . 
	UWAGA: Bodźce wystarczająco duże, aby niezawodnie wywoływać reakcje neuronalne, z dużym prawdopodobieństwem zagrożą rejestrowaniu aktywności z tych samych miejsc. W pozostałej części artykułu elektrody używane do dostarczania stymulacji nie powinny być wybierane do rejestrowania jakichkolwiek istotnych informacji.</li>
	<li>Nagraj reakcję na stymulację: naciśnij przycisk Start w formularzu ConnectionMap. Seria 30 bodźców, w odstępie 5 sekund, jest z kolei automatycznie dostarczana z każdej z wybranych elektrod, podczas gdy odpowiedzi są rejestrowane z pozostałych 59 elektrod.</li>
	<li>Oblicz mapę połączeń (tj. prawdopodobieństwo zaobserwowania odpowiedzi elektrody w przedziale czasowym po dostarczeniu bodźca z innej elektrody) dla każdego kanału stymulującego za pomocą dowolnego oprogramowania matematycznego lub SpyCode, aplikacji opracowanej w przeszłości (i swobodnie dostępnej na żądanie) do wykonywania obliczeń na danych neuronowych 28.</li>
	<li>Z map połączeń wybierz najlepsze elektrody: odrzuć wszystkie elektrody stymulujące, które nie wywołały reakcji (tj. w oknie czasowym następującym po stymulacji szybkość wypalania nie jest znacząco wyższa niż podczas spontanicznego wypalania).
	<ol>
		<li>Wybierz spośród pozostałych elektrod parę o najmniejszym przeskoku w odpowiedziach. Specjalnie dla każdej elektrody stymulującej oblicz średnią liczbę skoków w każdej elektrodzie rejestrującej, a następnie oblicz różnicę między odpowiadającymi elektrodami dla wszystkich par elektrod stymulujących. Wybierz parę, dla której suma bezwzględnych wartości różnic odpowiedzi na wszystkich kanałach nagrywania jest największa.</li>
	</ol>
	</li>
	<li>Wybierz jedną z tych elektrod, aby zakodować informacje sensoryczne z lewej strony robota, a drugą, aby zakodować odczyty z prawej strony: w tym celu przeciągnij kursor myszy na jedną elektrodę, kliknij prawym przyciskiem myszy na układ MEA, a następnie wybierz "Dodaj do lewego obszaru sensorycznego" (lub "Dodaj do prawego obszaru sensorycznego").</li>
</ol>
4. Łączenie kultury neuronalnej z robotem: wybór schematów kodowania i dekodowania
<ol>
	<li>Ustaw wartość "Typ kodowania" w formularzu kodowania na Liniowy.</li>
	<li>Określ minimalne i maksymalne wskaźniki stymulacji w formularzu Kodowanie. Użyj domyślnego zakresu 0,5-2 Hz.</li>
	<li>Ustaw parametr "Jitter" w formularzu Kodowanie na 0.</li>
	<li>Ustaw parametry algorytmu dekodowania w formularzu dekodowania (waga i współczynnik ekstynkcji) na 1, dla umiarkowanie aktywnej kultury (~1 skok/s na kanał). Zdefiniuj nową parę parametrów, jeśli szybkość wypalania mocno i stale odbiega od tej wartości. Zobacz dyskusję, aby zapoznać się z dokładną funkcją parametrów dekodowania.</li>
	<li>Ustaw parametry serii algorytmu dekodowania w formularzu dekodowania. Ustaw wagę na 0 (czas zaniku nie ma wtedy znaczenia), chyba że przedmiotem badań jest rozróżnienie między skokami a wybuchami. 
	UWAGA: Wartości sugerowane w kroku 4.4 zapewnią płynne ruchy robota i prędkości zgodne z czasami reakcji robota dla umiarkowanie aktywnych pierwotnych kultur szczurów. Parametry serii mają dokładnie taką samą funkcję, jak te opisane w kroku 4.4, ale zdarzeniem wyzwalającym jest wykrycie impulsu, a nie skoku: rzeczywista prędkość każdego koła jest po prostu sumą wkładu wykrytych skoków i impulsów.</li>
</ol>
5. Projekt areny nawigacyjnej dla robota
<ol>
	<li>W formularzu Projektanta Wirtualnej Areny wybierz arenę ograniczoną (granice areny są widoczne dla robota i nieprzekraczalne) lub bezgraniczną (jeśli robot wyjdzie z jednej strony areny, natychmiast wejdzie ponownie z przeciwnej) arenę i ustaw rozmiar areny w pikselach.
	<ol>
		<li>Nie używaj ograniczonych aren mniejszych niż 100 x 100 pikseli, aby umożliwić znaczny ruch. Nie używaj przeszkód o promieniu mniejszym niż 5 pikseli, ponieważ mogą one po prostu wpaść między linie wzroku robota.</li>
		<li>Pamiętaj, że bardzo duże rozmiary aren mogą spowodować pogorszenie wydajności komputera: jeśli wymagana jest duża arena, przetestuj wydajność oprogramowania na żądanej arenie przed rozpoczęciem trudnych do powtórzenia eksperymentów.</li>
	</ol>
	</li>
	<li>Ustaw pozycję startową robota ręcznie (kliknij przycisk "Wybór ręczny" w formularzu Projektanta Wirtualnej Areny, a następnie żądaną lokalizację) lub określając współrzędne robota na starcie eksperymentu w polach "Pozycja startowa robota".</li>
	<li>Dodaj dowolną liczbę nieprzekraczalnych przeszkód na arenie. Umieść je ręcznie na arenie po kliknięciu przycisku "Dodaj przeszkodę ręcznie" lub ustaw liczbę i zakres rozmiarów.</li>
	<li>Kliknij przycisk "Generuj arenę", aby wygenerować arenę z wybranymi funkcjami. Żadne zmiany nie nastąpią, dopóki ten przycisk nie zostanie naciśnięty.</li>
	<li>Zapisz zaprojektowaną arenę i załaduj odpowiedni plik przed użyciem w eksperymencie za pomocą przycisków poleceń w dolnej części formularza Projektanta wirtualnej areny.</li>
</ol>
6. Wybór elektrod MEA do rejestrowania aktywności neuronalnej z hodowli
<ol>
	<li>Jako tymczasowe elektrody rejestrujące wybierz te, na których zaobserwowano różne reakcje, w kroku 3.8: elektrody, które wykazały większe reakcje po stymulacji z "lewej" (lub "prawej") elektrody, będą stanowić "lewą" (lub "prawą") elektrodę rejestrującą. Nie używaj elektrod, które nie wykazywały znaczących reakcji na elektrodę stymulującą do sterowania robotem. Z wyskakującego menu układu MEA wybierz opcję "Dodaj do lewego obszaru silnika" (lub "Dodaj do prawego obszaru silnika"), aby zdefiniować elektrody rejestrujące.</li>
	<li>Wybierz obiekty do zarejestrowania w formularzu Menedżer eksperymentów. Na tym etapie skoki i znaczniki czasu stymulacji są jedynymi istotnymi informacjami.</li>
	<li>Wykonaj 10-minutową jazdę próbną: uruchom robota, klikając przycisk Rozpocznij eksperyment w formularzu Menedżer eksperymentów, kliknij go ponownie po upływie 10 minut. 
	UWAGA: Po ustawieniu wszystkich parametrów (kodowanie i dekodowanie, arena robota, elektrody stymulujące i rejestrujące, funkcje do nagrywania), wybór nazwy pliku poprosi o nazwę nagranych plików i miejsce docelowe, a następnie robot zacznie poruszać się po swojej arenie, postępując zgodnie ze zdefiniowanymi zasadami. Wszystkie wybrane funkcje są automatycznie zapisywane w czasie rzeczywistym.</li>
	<li>Powtórz kroki 3.6 i 6.1 dla danych uzyskanych w kroku 6.3, aby wybrać elektrody rejestrujące z danych zebranych podczas rzeczywistego uruchomienia robota (patrz Dyskusja, aby zapoznać się z uzasadnieniem tego dwuetapowego podejścia).</li>
</ol>
7. Przeprowadzanie eksperymentu neurorobotycznego
<ol>
	<li>Wybierz w formularzu Experiment Manager dane, które mają być rejestrowane: zaznacz pola wyboru Spike, Robot i Stimuli Data.</li>
	<li>Uruchom bieg robota przed uczeniem się: kliknij przycisk "Rozpocznij eksperyment" w formularzu Menedżer eksperymentów. Po wyświetleniu monitu wybierz nowe nazwy plików danych. Po upływie 30 minut ponownie kliknij przycisk "Rozpocznij eksperyment", aby zatrzymać pracę robota.</li>
	<li>Włącz protokół uczenia się (zaznacz pole wyboru "Dostarcz stymulację tężcową po uderzeniu" w formularzu Kierownik eksperymentu) i wykonaj bieg robota treningowego o tej samej długości, co faza przedtreningowa (tj. 30 minut). Pamiętaj, aby wprowadzić różne nazwy plików po wyświetleniu monitu, aby uniknąć nadpisania danych z kroku 7.2.</li>
	<li>Ponownie wyłącz protokół uczenia (odznacz pole wyboru "Dostarcz stymulację tężcową po trafieniu") i wykonaj uruchomienie robota po uczeniu. Po raz kolejny pamiętaj o zmianie nazw plików, aby zapobiec nadpisaniu.</li>
</ol>
8. Obliczanie mapy drugiej odpowiedzi
<ol>
	<li>Powtórz kroki 3.1-3.6. Wykorzystaj dane z tych nagrań, aby sprawdzić, czy protokół uczenia się wywołał jakiekolwiek zmiany we wzorcach spontanicznej lub wywołanej aktywności.</li>
</ol>

<ol><li>Fetz, E. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Volitional+control+of+neural+activity%3A+implications+for+brain%E2%80%93computer+interfaces%5BTitle%5D)+AND+%22The+Journal+of+Physiology%22%5BJournal%5D)">Volitional control of neural activity: implications for brain–computer interfaces.</a> The Journal of Physiology. 579 (3), 571-579 (2007).</li>
<li>Carmena, J. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Learning+to+control+a+brain%E2%80%93machine+interface+for+reaching+and+grasping+by+primates%5BTitle%5D)+AND+%22PLoS+Biology%22%5BJournal%5D)">Learning to control a brain–machine interface for reaching and grasping by primates.</a> PLoS Biology. 1 (2), e42(2003).</li>
<li>Azin, M., Guggenmos, D. J., Barbay, S., Nudo, R. J., Mohseni, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+miniaturized+system+for+spike-triggered+intracortical+microstimulation+in+an+ambulatory+rat%5BTitle%5D)+AND+%22Biomedical+Engineering%2C+IEEE+Transactions+on%22%5BJournal%5D)">A miniaturized system for spike-triggered intracortical microstimulation in an ambulatory rat.</a> Biomedical Engineering, IEEE Transactions on. 58 (9), 2589-2597 (2011).</li>
<li>Angotzi, G. N., Boi, F., Zordan, S., Bonfanti, A., Vato, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+programmable+closed-loop+recording+and+stimulating+wireless+system+for+behaving+small+laboratory+animals%5BTitle%5D)+AND+%22Scientific+Reports%22%5BJournal%5D)">A programmable closed-loop recording and stimulating wireless system for behaving small laboratory animals.</a> Scientific Reports. 4, (2014).</li>
<li>Maher, M., Pine, J., Wright, J., Tai, Y. -C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+neurochip%3A+a+new+multielectrode+device+for+stimulating+and+recording+from+cultured+neurons%5BTitle%5D)+AND+%22Journal+of+Neuroscience%22%5BJournal%5D)">The neurochip: a new multielectrode device for stimulating and recording from cultured neurons.</a> Journal of Neuroscience. 87 (1), 45-56 (1999).</li>
<li>Olsson, R. H., Buhl, D. L., Sirota, A. M., Buzsaki, G., Wise, K. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Band-tunable+and+multiplexed+integrated+circuits+for+simultaneous+recording+and+stimulation+with+microelectrode+arrays%5BTitle%5D)+AND+%22Biomedical+Engineering%2C+IEEE+Transactions+on%22%5BJournal%5D)">Band-tunable and multiplexed integrated circuits for simultaneous recording and stimulation with microelectrode arrays.</a> Biomedical Engineering, IEEE Transactions on. 52 (7), 1303-1311 (2005).</li>
<li>Zanos, S., Richardson, A. G., Shupe, L., Miles, F. P., Fetz, E. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Neurochip-2%3A+an+autonomous+head-fixed+computer+for+recording+and+stimulating+in+freely+behaving+monkeys%5BTitle%5D)+AND+%22Neural+Systems+and+Rehabilitation+Engineering.+IEEE+Transactions+on%22%5BJournal%5D)">The Neurochip-2: an autonomous head-fixed computer for recording and stimulating in freely behaving monkeys.</a> Neural Systems and Rehabilitation Engineering. IEEE Transactions on. 19 (4), 427-435 (2011).</li>
<li>Reger, B. D., Fleming, K. M., Sanguineti, V., Alford, S., Mussa-Ivaldi, F. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Connecting+brains+to+robots%3A+an+artificial+body+for+studying+the+computational+properties+of+neural+tissues%5BTitle%5D)+AND+%22Artificial+Life%22%5BJournal%5D)">Connecting brains to robots: an artificial body for studying the computational properties of neural tissues.</a> Artificial Life. 6 (4), 307-324 (2000).</li>
<li>Hales, C. M., Roston, J. D., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+to+culture%2C+record+and+stimulate+neuronal+networks+on+micro-electrode+arrays+%28MEAs%29%5BTitle%5D)+AND+%22Journal+of+Visualized+Experiments%22%5BJournal%5D)">How to culture, record and stimulate neuronal networks on micro-electrode arrays (MEAs).</a> Journal of Visualized Experiments. (39), 2056(2010).</li>
<li>Gross, G., Rieske, E., Kreutzberg, G., Meyer, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+fixed-array+multi-microelectrode+system+designed+for+long-term+monitoring+of+extracellular+single+unit+neuronal+activity+in+vitro%5BTitle%5D)+AND+%22Neurosci+Lett%22%5BJournal%5D)">A new fixed-array multi-microelectrode system designed for long-term monitoring of extracellular single unit neuronal activity in vitro.</a> Neurosci Lett. 6 (2), 101-105 (1977).</li>
<li>Potter, S. M., DeMarse, T. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+approach+to+neural+cell+culture+for+long-term+studies%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">A new approach to neural cell culture for long-term studies.</a> Journal of Neuroscience Methods. 110 (1), 17-24 (2001).</li>
<li>le Feber, J., Stegenga, J., Rutten, W. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+effect+of+slow+electrical+stimuli+to+achieve+learning+in+cultured+networks+of+rat+cortical+neurons%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">The effect of slow electrical stimuli to achieve learning in cultured networks of rat cortical neurons.</a> PLoS One. 5 (1), e8871(2010).</li>
<li>Marom, S., Shahaf, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+learning+and+memory+in+large+random+networks+of+cortical+neurons%3A+lessons+beyond+anatomy%5BTitle%5D)+AND+%22Quarterly+reviews+of+biophysics%22%5BJournal%5D)">Development learning and memory in large random networks of cortical neurons: lessons beyond anatomy.</a> Quarterly reviews of biophysics. 35 (1), 63-87 (2002).</li>
<li>Shahaf, G., Marom, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Learning+in+networks+of+cortical+neurons%5BTitle%5D)+AND+%22The+Journal+of+Neuroscience%22%5BJournal%5D)">Learning in networks of cortical neurons.</a> The Journal of Neuroscience. 21 (22), 8782-8788 (2001).</li>
<li>Pelt, J., Vajda, I., Wolters, P. S., Corner, M. A., Ramakers, G. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dynamics+and+plasticity+in+developing+neuronal+networks+in+vitro%5BTitle%5D)+AND+%22Progress+in+Brain+Research%22%5BJournal%5D)">Dynamics and plasticity in developing neuronal networks in vitro.</a> Progress in Brain Research. 147, 171-188 (2005).</li>
<li>Chiappalone, M., Bove, M., Vato, A., Tedesco, M., Martinoia, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dissociated+cortical+networks+show+spontaneously+correlated+activity+patterns+during+in+vitro+development%5BTitle%5D)+AND+%22Brain+Research%22%5BJournal%5D)">Dissociated cortical networks show spontaneously correlated activity patterns during in vitro development.</a> Brain Research. 1093 (1), 41-53 (2006).</li>
<li>Tateno, T., Jimbo, Y., Robinson, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatio-temporal+cholinergic+modulation+in+cultured+networks+of+rat+cortical+neurons%3A+spontaneous+activity%5BTitle%5D)+AND+%22Neuroscience%22%5BJournal%5D)">Spatio-temporal cholinergic modulation in cultured networks of rat cortical neurons: spontaneous activity.</a> Neuroscience. 134 (2), 425-437 (2005).</li>
<li>Masquelier, T., Deco, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Network+bursting+dynamics+in+excitatory+cortical+neuron+cultures+results+from+the+combination+of+different+adaptive+mechanism%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Network bursting dynamics in excitatory cortical neuron cultures results from the combination of different adaptive mechanism.</a> PLoS One. 8 (10), e75824(2013).</li>
<li>Wagenaar, D. A., Madhavan, R., Pine, J., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Controlling+bursting+in+cortical+cultures+with+closed-loop+multi-electrode+stimulation%5BTitle%5D)+AND+%22The+Journal+of+Neuroscience%22%5BJournal%5D)">Controlling bursting in cortical cultures with closed-loop multi-electrode stimulation.</a> The Journal of Neuroscience. 25 (3), 680-688 (2005).</li>
<li>Martinoia, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Towards+an+embodied+in+vitro+electrophysiology%3A+the+NeuroBIT+project%5BTitle%5D)+AND+%22Neurocomputing%22%5BJournal%5D)">Towards an embodied in vitro electrophysiology: the NeuroBIT project.</a> Neurocomputing. 58-60, 1065-1072 (2004).</li>
<li>Mussa-Ivaldi, F. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((New+perspectives+on+the+dialogue+between+brains+and+machines%5BTitle%5D)+AND+%22Frontiers+in+Neuroscience%22%5BJournal%5D)">New perspectives on the dialogue between brains and machines.</a> Frontiers in Neuroscience. 4 (1), 44(2010).</li>
<li>Warwick, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Controlling+a+Mobile+Robot+with+a+Biological+Brain%5BTitle%5D)+AND+%22Defence+Science+Journal%22%5BJournal%5D)">Controlling a Mobile Robot with a Biological Brain.</a> Defence Science Journal. 60 (1), (2010).</li>
<li>Kudoh, S. N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Vitroid%E2%80%93the+robot+system+with+an+interface+between+a+living+neuronal+network+and+outer+world%5BTitle%5D)+AND+%22International+Journal+of+Mechatronics+and+Manufacturing+Systems%22%5BJournal%5D)">Vitroid–the robot system with an interface between a living neuronal network and outer world.</a> International Journal of Mechatronics and Manufacturing Systems. 4 (2), 135-149 (2011).</li>
<li>Jimbo, Y., Tateno, T., Robinson, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Simultaneous+induction+of+pathway-specific+potentiation+and+depression+in+networks+of+cortical+neurons%5BTitle%5D)+AND+%22Biophysical+Journal%22%5BJournal%5D)">Simultaneous induction of pathway-specific potentiation and depression in networks of cortical neurons.</a> Biophysical Journal. 76 (2), 670-678 (1999).</li>
<li>Chiappalone, M., Massobrio, P., Martinoia, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Network+plasticity+in+cortical+assemblies%5BTitle%5D)+AND+%22European+Journal+of+Neuroscience%22%5BJournal%5D)">Network plasticity in cortical assemblies.</a> European Journal of Neuroscience. 28 (1), 221-237 (2008).</li>
<li>Mulas, M., Massobrio, P., Martinoia, S., Chiappalone, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+simulated+neuro-robotic+environment+for+bi-directional+closed-loop+experiments%5BTitle%5D)+AND+%22Paladyn%22%5BJournal%5D)">A simulated neuro-robotic environment for bi-directional closed-loop experiments.</a> Paladyn. 1 (3), 179-186 (2010).</li>
<li>Novellino, A., et al. <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. 2007 (12725), 1-13 (2007).</li>
<li>Bologna, L. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Investigating+neuronal+activity+by+SPYCODE+multichannel+data+analyzer%5BTitle%5D)+AND+%22Neural+Networks%22%5BJournal%5D)">Investigating neuronal activity by SPYCODE multichannel data analyzer.</a> Neural Networks. 23 (6), 685-697 (2010).</li>
<li>Frega, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cortical+cultures+coupled+to+micro-electrode+arrays%3A+a+novel+approach+to+perform+in+vitro+excitotoxicity+testing%5BTitle%5D)+AND+%22Neurotoxicology+and+Teratology%22%5BJournal%5D)">Cortical cultures coupled to micro-electrode arrays: a novel approach to perform in vitro excitotoxicity testing.</a> Neurotoxicology and Teratology. 34 (1), 116-127 (2012).</li>
<li>Quian Quiroga, R., Panzeri, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Extracting+information+from+neuronal+populations%3A+information+theory+and+decoding+approaches%5BTitle%5D)+AND+%22Nature+Reviews+Neuroscience%22%5BJournal%5D)">Extracting information from neuronal populations: information theory and decoding approaches.</a> Nature Reviews Neuroscience. 10 (3), 173-185 (2009).</li>
<li>Donoho, D. L., Johnstone, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Ideal+spatial+adaptation+by+wavelet+shrinkage%5BTitle%5D)+AND+%22Biometrika%22%5BJournal%5D)">Ideal spatial adaptation by wavelet shrinkage.</a> Biometrika. 81 (3), 425-455 (1994).</li>
<li>Martinez, J., Pedreira, C., Ison, M. J., Quian Quiroga, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Realistic+simulation+of+extracellular+recordings%5BTitle%5D)+AND+%22Journal+of+neuroscience+methods%22%5BJournal%5D)">Realistic simulation of extracellular recordings.</a> Journal of neuroscience methods. 184 (2), 285-293 (2009).</li>
<li>Wagenaar, D. A., Pine, J., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effective+parameters+for+stimulation+of+dissociated+cultures+using+multi-electrode+arrays%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">Effective parameters for stimulation of dissociated cultures using multi-electrode arrays.</a> Journal of Neuroscience Methods. 138 (1-2), 27-37 (2004).</li>
<li>Tessadori, J., Mulas, M., Martinoia, S., Chiappalone, M. Biomedical Robotics and Biomechatronics (BioRob), 2012 4th IEEE RAS & EMBS International Conference on. , 332-337 (2012).</li>
<li>Tessadori, J., Bisio, M., Martinoia, S., Chiappalone, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Modular+neuronal+assemblies+embodied+in+a+closed-loop+environment%3A+toward+future+integration+of+brains+and+machines%5BTitle%5D)+AND+%22Frontiers+in+Neural+Circuits%22%5BJournal%5D)">Modular neuronal assemblies embodied in a closed-loop environment: toward future integration of brains and machines.</a> Frontiers in Neural Circuits. 6, (2012).</li>
<li>Neural Engineering (NER). Tessadori, J., et al. 2013 6th International IEEE/EMBS Conference on Neural Engineering, , 899-902 (2013).</li>
<li>Colombi, I., Mahajani, S., Frega, M., Gasparini, L., Chiappalone, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effects+of+antiepileptic+drugs+on+hippocampal+neurons+coupled+to+micro-electrode+arrays%5BTitle%5D)+AND+%22Frontiers+in+Neuroengineering%22%5BJournal%5D)">Effects of antiepileptic drugs on hippocampal neurons coupled to micro-electrode arrays.</a> Frontiers in Neuroengineering. 6, 10(2013).</li>
<li>Gal, A., Marom, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Entrainment+of+the+intrinsic+dynamics+of+single+isolated+neurons+by+natural-like+input%5BTitle%5D)+AND+%22Journal+of+Neuroscience%22%5BJournal%5D)">Entrainment of the intrinsic dynamics of single isolated neurons by natural-like input.</a> Journal of Neuroscience. 33 (18), 7912-7918 (2013).</li>
<li>Mainen, Z. F., Sejnowski, T. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reliability+of+spike+timing+in+neocortical+neurons%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Reliability of spike timing in neocortical neurons.</a> Science. 268 (5216), 1503-1506 (1995).</li>
<li>Maccione, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+novel+algorithm+for+precise+identification+of+spikes+in+extracellularly+recorded+neuronal+signals%5BTitle%5D)+AND+%22Journal+of+neuroscience+methods%22%5BJournal%5D)">A novel algorithm for precise identification of spikes in extracellularly recorded neuronal signals.</a> Journal of neuroscience methods. 177 (1), 241-249 (2009).</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 (1023).</li>
<li>Bakkum, D. J., Chao, Z. C., Potter, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatio-temporal+electrical+stimuli+shape+behavior+of+an+embodied+cortical+network+in+a+goal-directed+learning+task%5BTitle%5D)+AND+%22Journal+of+Neural+Engineering%22%5BJournal%5D)">Spatio-temporal electrical stimuli shape behavior of an embodied cortical network in a goal-directed learning task.</a> Journal of Neural Engineering. 5 (3), 310-323 (2008).</li>
<li>Truccolo, W., Hochberg, L. R., Donoghue, J. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Collective+dynamics+in+huma+and+monkey+sensorimotor+cortex%3A+predicting+single+neuron+spikes%5BTitle%5D)+AND+%22Nature+Neuroscience%22%5BJournal%5D)">Collective dynamics in huma and monkey sensorimotor cortex: predicting single neuron spikes.</a> Nature Neuroscience. 13 (1), 105-111 (2010).</li>
</ol>

Autorzy deklarują, że nie mają konkurencyjnych interesów finansowych.

W artykule przedstawiono architekturę neurorobotyczną opartą na kontrolerze neuronalnym (tj. sieci neuronów pochodzących z kory mózgowej lub hipokampa zarodków szczurów), dwukierunkowo połączonej z wirtualnym robotem. Robot, który posiada czujniki i koła, zmuszony jest do poruszania się po statycznej arenie z przeszkodami, a jego zadanie polega na unikaniu kolizji.
Pierwszym i być może najbardziej krytycznym aspektem opisanej procedury jest przygotowanie samych kultur, ponieważ awaryjność będzie zwykle znacząca nawet w najlepszych warunkach technicznych. Szczegółowy opis technik hodowli wykracza jednak poza zakres niniejszej pracy. Zgodnie z ogólną wskazówką, nagrania powinny mieć miejsce, gdy szybkość wypalania sieci osiągnie stabilny poziom, zwykle po 3 tygodniach in vitro. Przybliżoną wskazówką zdrowych kultur jest obecność spontanicznej aktywności elektrofizjologicznej w kilku kanałach rejestrujących (co najmniej 20 kanałów na 60 dostępnych). Takie kultury charakteryzują się wysokim stopniem wzajemnych połączeń neuronalnych. W takich warunkach aktywność neuronalna zwykle staje się silnie zsynchronizowana, a czasami wykazuje zdarzenia padaczkowe, z intensywnym nagłym wzrostem, po którym następują minutowe okresy milczenia. Obie te cechy stanowią problem: nadmierna synchronizacja uniemożliwi rozróżnienie reakcji na bodźce z różnych elektrod, podczas gdy kultury wykazujące aktywność padaczkową zareagują na pierwszy prezentowany bodziec długim wybuchem aktywności, po którym następuje okres milczenia, niezależnie od kolejnych dostarczonych bodźców. Obie te kwestie mogą być znacznie złagodzone przez zastosowanie kultur wzorcowych 35, w których populacja neuronalna jest podzielona na dwie lub więcej słabo powiązanych ze sobą podgrup.
Inną kwestią jest to, że reakcje neuronalne silnie zależą od rozkładu napływających bodźców 38,39. W eksperymencie z zamkniętą pętlą dostarczona stymulacja jest funkcją odczytów czujnika, które z kolei są konsekwencją ruchu robota, a tym samym samych odpowiedzi neuronalnych. Oznacza to, że nie ma łatwego sposobu na wcześniejsze ustalenie, jakie reakcje zostaną zaobserwowane podczas rzeczywistego eksperymentu. W związku z tym dobór elektrod wejściowo-wyjściowych musi opierać się na kolejnych przybliżeniach. W opisanym protokole zaimplementowany jest dwuetapowy proces (a mianowicie kroki 5.5 i 6.4) w celu określenia mapy połączeń. W pierwszym kroku dostarczana jest regularna sekwencja bodźców, a odpowiedzi na takie bodźce są wykorzystywane do uzyskania pierwszej mapy połączeń i tymczasowego zestawu kanałów nagrywania. Ta konfiguracja jest następnie używana do przeprowadzenia jazdy testowej opisanej w kroku 6.4 i wybrania kanałów nagrywania, które będą monitorowane podczas rzeczywistego eksperymentu.
W sekcji Wyniki przedstawiono reprezentatywny wynik nawigacji oraz natychmiastowe ulepszenia wynikające z wprowadzenia paradygmatu uczenia się. W całym opisie protokołu wymieniono kilka innych możliwych wariantów eksperymentalnych. Na przykład dwa główne systemy kodowania zaimplementowane w HyBrainWare2 (liniowy i stochastyczny) zostały opracowane w celu zbadania dokładnej roli czasowej zmienności danych wejściowych w kodzie neuronowym 38. W przypadku liniowym chwilowa szybkość stymulacji jest funkcją parametrów zdefiniowanych przez użytkownika i zapisów z czujników robota. W przypadku stochastycznym, każda instancja ma określone prawdopodobieństwo, że zostanie wybrana do dostarczenia bodźca. Takie prawdopodobieństwo jest automatycznie obliczane przez HyBrainWare2, tak aby oczekiwane tempo stymulacji odpowiadało temu z poprzedniego przypadku. Możliwość dodania jittera do kodowania liniowego zapewnia płynne przejście między dwoma opisanymi powyżej przypadkami. W ten sam sposób zbadanie różnych kombinacji parametrów w sekcji dekodowania może pomóc rzucić światło na dokładną rolę pękania w sieciach neuronowych in vitro . Prędkość każdego koła robota wzrasta proporcjonalnie do parametru masy za każdym razem, gdy zdarzenie zostanie wykryte w odpowiednim obszarze wyjściowym, podczas gdy współczynnik ekstynkcji wskazuje, ile czasu w ciągu kilku sekund zajmuje jednemu z wkładów utrata 50% jego wartości. Rozpad jest prostym wykładnikiem. Warianty te zostały już uwzględnione w obecnym projekcie HyBrainWare2, ale istnieje o wiele więcej możliwości badawczych, jeśli uda się wprowadzić dodatkowe modyfikacje w oprogramowaniu lub eksperymentalną konfigurację.
Dość istotnym ograniczeniem opisanego tutaj protokołu jest wymóg opracowanego oprogramowania na zamówienie, HyBrainWare2 (dostępnego bezpłatnie na żądanie dla wszystkich zainteresowanych użytkowników). Oprogramowanie to zostało zaprojektowane dla zestawu urządzeń (stymulator, płytka akwizycyjna, wzmacniacz MEA) konkretnego modelu i producenta. Chociaż rzeczywiście możliwe jest dostosowanie go do pracy w różnych konfiguracjach, konwersja będzie wymagała pewnych umiejętności programistycznych. Podobnie, dołączone opcje obejmują tylko ograniczony zestaw wszystkich pytań eksperymentalnych, które można zbadać za pomocą takiej konfiguracji. Na przykład algorytm wykrywania skoków zaimplementowany w prezentowanej architekturze (precyzyjna detekcja skoków czasowych40) jest całkowicie zdefiniowany przez kilka zakodowanych na stałe parametrów, które należy zmienić, jeśli przedmiot rejestracji bardzo różni się od zdysocjowanych sieci neuronowych (np. komórek serca lub wycinków). Wreszcie, protokół uczenia się polega na dostarczaniu krótkiej, wysokiej częstotliwości (2 sekundy stymulacji 20 Hz, każdy impuls bodźca jest taki sam, jak te używane do kodowania informacji sensorycznych) stymulacji po każdym uderzeniu w przeszkodę. Jeśli robot uderzy w przeszkodę prawą stroną, stymulacja tężcowa jest dostarczana do elektrody, która zwykle koduje informacje po prawej stronie i to samo dotyczy uderzeń w lewą stronę. Ten protokół jest zakodowany na stałe i nie może być zmieniony przez użytkownika bez modyfikacji oprogramowania wychodzącego.
O ile przedstawiona tu konfiguracja nie jest pierwszym ucieleśnionym układem do hybrydowych eksperymentów w pętli zamkniętej 20,23,27,41,42, o tyle te zaprojektowane w przeszłości koncentrowały się na jednej tezie popartej danymi z ograniczonej liczby analogicznych preparatów. Z drugiej strony, opisany układ został wykorzystany w dużej liczbie eksperymentów (od 2012 r. zarejestrowano ponad 100 kultur) z preparatami różniącymi się modułowością i pochodzeniem, podczas gdy same eksperymenty dotyczyły różnych zagadnień (np. wpływu stymulacji tężcowej i znaczenia pękania, jak przedstawiono w wynikach). W niedalekiej przyszłości przewiduje się nowe sesje eksperymentalne, które mają na celu weryfikację trwałych efektów stymulacji zarówno tężcowej, jak i w pętli zamkniętej oraz związku między regularnością stymulacji a obserwowanymi reakcjami. Kolejną kwestią, którą należy się zająć, jest związek między spontaniczną a obserwowaną aktywnością, z pomysłem dodania nowego algorytmu dekodowania, który uwzględnia historię przeszłej aktywności i stymulacji 43.

Wiele cech funkcji mózgu jest obecnie niemożliwych do odtworzenia w sztucznym systemie. Zdolność mózgu do szybkiego przetwarzania złożonych informacji sensorycznych i generowania w odpowiedzi precyzyjnych poleceń motorycznych sama w sobie wykracza już poza obecny stan wiedzy. Jednak jego zdolność do przystosowania się do różnych warunków poprzez uczenie się na podstawie wcześniejszych doświadczeń sprawia, że jest on znacznie lepszy od systemów kontroli opracowanych przez człowieka. Do tej pory próby odtworzenia lub wykorzystania tej plastyczności nie przyniosły większych sukcesów, a zrozumienie wewnętrznego funkcjonowania mózgu wymknęło się naukowcom. Jednym z głównych problemów podczas badania związku między mózgiem a zachowaniem jest niezdolność do prawidłowego dostępu do wszystkich zmiennych w systemie: idealnie, optymalna konfiguracja eksperymentalna pozwoliłaby na jednoczesne rejestrowanie i stymulację dużej liczby neuronów, długoterminową stabilność, monitorowanie pozycji i wagi synaps oraz kontrolowaną dwukierunkową interakcję z otoczeniem. Trudność w jednoczesnym śledzeniu wszystkich tych zmiennych doprowadziła do badania relacji mózg-zachowanie w dwóch bardzo różnych skalach: albo z zachowującymi się zwierzętami, bez dokładnej kontroli nad warunkami eksperymentalnymi 1-7, albo z małymi, izolowanymi częściami, takimi jak fragmenty tkanki neuronalnej, bez ogólnego obrazu systemu 8. W tym drugim przypadku, podczas gdy żadna opracowana konfiguracja eksperymentalna nie pozwala na pełne monitorowanie wszystkich parametrów związanych z działaniem nawet prostej sieci neuronowej, dobrym kompromisem są zdysocjowane neurony wyhodowane na mikromatrycach elektrod (MEA) 9. Urządzenia te, które narodziły się pod koniec lat 70-tych, mają kilka zalet w porównaniu z tradycyjnymi technikami elektrofizjologicznymi: po pierwsze, możliwość nagrywania i stymulowania sieci neuronowej w wielu różnych miejscach jednocześnie (zwykle 60 elektrod). Co więcej, sprzężenie MEA z komórkami jest prawie nieinwazyjne, co pozwala na obserwację tej samej sieci przez długi czas, do kilku miesięcy11. Dzięki tym urządzeniom dokładnie zbadano fizjologiczny wpływ stymulacji elektrycznej na zdysocjowane kultury, ujawniając, że wiele właściwości obserwowanych w wyższych skalach (takich jak na przykład plastyczność i proste procesy pamięciowe 12-14) jest zachowanych pomimo utraty architektury. Podczas wzrostu kultur sieci te zaczynają wykazywać spontaniczną aktywność po około 7 dniach in vitro (DIV) 15,16. Aktywność sieci ma tendencję do radykalnych zmian wraz z dalszym wzrostem; Najpierw, gdy pojedyncze skoki zbierają się w wybuchy (pod koniec drugiego tygodnia) 17, później, gdy zmieniają się w wysoce złożony wzór zsynchronizowanych, nieokresowych wybuchów sieciowych 18, który reprezentuje dojrzały stan sieci. Zasugerowano, że to synchroniczne zachowanie, nieco podobne do tego obserwowanego w nagraniach in vivo na śpiących zwierzętach, jest spowodowane brakiem bodźców sensorycznych.
Podjęto inne podejście, aby lepiej zrozumieć kodowanie informacji, przeprowadzając eksperymenty z pętlą zamkniętą, w których różne typy sygnałów były używane do kontrolowania stymulacji samej sieci neuronalnej 11,20-23. W tych eksperymentach czynnik zewnętrzny zdolny do interakcji z otoczeniem został wykorzystany do wygenerowania informacji sensorycznych przekazywanych do sieci neuronowej, która z kolei wytworzyła polecenia motoryczne dla mechanizmu efektorowego. Pozwoliło to na obserwacje, w jaki sposób dynamiczne i adaptacyjne właściwości układów nerwowych ewoluowały w odpowiedzi na indukowane zmiany w środowisku.
Stworzono konfigurację do przeprowadzania eksperymentów z 'ucieleśnioną neurofizjologią', gdzie kołowa platforma sensoryczna (fizyczny robot lub jego wirtualny model) porusza się po arenie, a jej profile prędkości są determinowane przez aktywność systemu neuronalnego (tj. populacji neuronów szczurów hodowanych na MEA). Robot charakteryzuje się profilami prędkości swoich dwóch niezależnie sterowanych kół oraz aktualnymi odczytami czujników odległości. Dokładny charakter czujników odległości nie ma znaczenia; Mogą to być aktywne lub pasywne czujniki optyczne lub czujniki ultradźwiękowe. Oczywiście kwestia ta nie dotyczy robotów wirtualnych, w których czujniki mogą być projektowane z dowolną pożądaną funkcją.
W opisanych tu eksperymentach, używany robot jest zawsze wirtualną implementacją, z 6 czujnikami odległości skierowanymi na 30°, 60° i 90° od robota zmierzającego w obu kierunkach. Aktywność trzech lewych i prawych czujników jest uśredniana, a aktywność kultury biologicznej jest napędzana przez informacje zebrane przez takie "superczujniki" (które w dalszej części tej pracy będą po prostu określane jako "lewy" i "prawy" czujnik). Opisany protokół może być faktycznie zastosowany do fizycznego robota z dość niewielkimi poprawkami. Informacje zbierane przez robota (fizyczne lub wirtualne) są kodowane w serii bodźców, które są wykorzystywane do manipulowania aktywnością biologicznej sieci neuronowej, która jest fizycznie oddzielona przez robota. Same bodźce są identyczne, a zatem nie kodują żadnej informacji. Istotna jest ich częstotliwość: szybkość stymulacji wzrasta, gdy robot zbliża się do przeszkody, a różne miejsca dostarczania kodują informacje sensoryczne z lewych i prawych "oczu" robota. Sieć neuronowa będzie prezentować różne reakcje na nadchodzący ciąg bodźców: zadaniem algorytmu dekodującego jest przełożenie wynikowej aktywności sieci na polecenia służące do sterowania kołami robota. Biorąc pod uwagę "idealne" zachowanie sieci (tj. z niezawodnymi i całkowicie odseparowanymi reakcjami na bodźce z różnych elektrod), skutkowałoby to tym, że robot poruszałby się po swojej arenie, nie uderzając w żadną przeszkodę. Większość sieci zachowuje się bardzo różnie od ideału, dlatego wprowadzany jest prosty protokół uczenia się: po aktywacji dostarczana jest stymulacja tężcowa (krótkie okresy stymulacji o wysokiej częstotliwości, stymulacja 20 Hz przez 2 sekundy, inspirowana protokołami opisanymi w 24,25). Jeśli stymulacja tężcowa spowoduje lokalne wzmocnienie łączności sieciowej, będzie to skutkowało stopniowym wzrostem możliwości nawigacyjnych robota.
HyBrainWare2, ulepszona wersja niestandardowego oprogramowania opublikowanego w 26, jest podstawową architekturą opracowaną do obsługi sterowania różnymi urządzeniami systemu (stymulator, akwizycja, przetwarzanie i wizualizacja danych, komunikacja robotów lub symulacja). To oprogramowanie zostało opracowane w naszym laboratorium i jest dostępne bezpłatnie na żądanie. To oprogramowanie zapewnia interfejs z płytą akwizycji danych: gdy użytkownik rozpocznie akwizycję danych z GUI, oprogramowanie steruje płytą akwizycji, aby rozpocząć próbkowanie i konwersję A/D danych pochodzących z elektrod rejestrujących. Dane te mogą być następnie rejestrowane, wyświetlane na ekranie lub analizowane w czasie rzeczywistym w celu wykrycia skoków, zgodnie z opcjami ustawionymi przez użytkownika (szczegółowe informacje można znaleźć w sekcji Procedura). Ponadto w oprogramowaniu musi zostać określona definicja algorytmów kodowania (przekształcania informacji sensorycznych w stymulację elektryczną) i dekodowania (tłumaczenia zarejestrowanej aktywności na polecenia motoryczne dla robota). W szczególności nasza konfiguracja jest stosunkowo przyjazna dla użytkownika w porównaniu z podobnymi systemami zaprojektowanymi w ciągu ostatnich 27 lat, ponieważ prawie wszystkie zmienne mogą być dostępne dla użytkownika tuż przed rozpoczęciem właściwego eksperymentu, podczas gdy wszystkie zarejestrowane informacje są automatycznie zapisywane w formacie zgodnym z zestawem narzędzi do analizy danych neuronowych 28.
Poniższa sekcja Procedura opisuje eksperyment edukacyjny na zdysocjowanych kulturach hipokampa szczura: wszystkie parametry hodowli i eksperymentu są przewidziane dla tego konkretnego preparatu i mogą wymagać modyfikacji, jeśli ma być użyty inny substrat biologiczny. Podobnie, opisany eksperyment wykorzystuje architekturę zamkniętej pętli do zbadania efektu uczenia się stymulacji tężcowej, ale sama architektura jest na tyle elastyczna, że można ją wykorzystać w badaniu różnych cech zdysocjowanych sieci neuronowych. Główne warianty proponowanego eksperymentu są bardziej szczegółowo wyjaśnione w sekcji Dyskusja.

<table><tbody><tr><td>Generator bodźców 4002</td> Systemy <td></td><td></td><td>wielokanałowe</td></tr><tr><td>MEA1060-INV-BC</td> Systemy <td></td><td></td><td>wielokanałowe</td></tr><tr><td>TC02</td> Systemy <td></td><td></td><td>wielokanałowe</td></tr><tr><td>NI 6255 Karta akwizycyjna</td><td>National Instruments</td><td></td><td></td></tr><tr><td>Microsoft Visual Studio 2008</td><td>Microsoft</td><td></td><td></td></tr><tr><td>2078P Multichannel System-National Płytka adaptera instrumentów</td><td>Opracowana na Uniwersytecie w Genui (Włochy)</td><td></td><td></td></tr><tr><td>Matlab 2010</td><td>Mathworks</td><td></td><td></td></tr><tr><td>HyBrainWare2</td><td></td><td></td><td><a href="https://docs.google.com/forms/d/1ffdr_a5OhzuuAduiPvoLJIvR4x_fDfsKvuM6RcRPLhU/viewform">HyBrainWare2: Informacje kontaktowe</a></td></tr></tbody></table>

eksperymenty neurorobotyczne w pętli zamkniętej w celu przetestowania właściwości obliczeniowych sieci neuronowych

Closed-loop Neuro-robotic Experiments to Test Computational Properties of Neuronal Networks

Kodowanie informacji w ośrodkowym układzie nerwowym (OUN) pozostaje niezbadane. Istnieje coraz więcej dowodów na to, że nawet na bardzo niskim poziomie reprezentacja danego bodźca może być zależna od kontekstu i historii. Jeśli tak jest w istocie, dwukierunkowe interakcje między mózgiem (lub, jeśli zajdzie taka potrzeba, jego zredukowanym modelem) a systemem sensoryczno-motorycznym mogą rzucić światło na to, w jaki sposób odbywa się kodowanie i dekodowanie informacji. Tutaj przedstawiono i opisano system eksperymentalny, w którym aktywność elementu neuronalnego (tj. sieci neuronów wyekstrahowanych z hipokampów ssaków embrionalnych) jest kontekstuowana i wykorzystywana do kontrolowania ruchu sztucznego czynnika, podczas gdy informacje środowiskowe są przekazywane z powrotem do kultury jako sekwencja bodźców elektrycznych. Architektura ta umożliwia szybki wybór różnych algorytmów kodowania, dekodowania i uczenia się w celu testowania różnych hipotez dotyczących właściwości obliczeniowych sieci neuronowych.

Opracowana struktura eksperymentalna pozwoliła na przetestowanie, czy możliwa jest wymiana informacji między kulturą neuronów a wirtualną realizacją fizycznego robota 34. Rycina 1 przedstawia kilka przykładów ścieżek pokonanych przez wirtualnego robota podczas 20-minutowych eksperymentów w różnych warunkach: od lewej do prawej przedstawiono właściwy eksperyment w pętli zamkniętej, eksperyment z robotem i „pustym MEA” (w tym eksperymencie kontrolnym na MEA nie wysiano komórek) oraz eksperyment z robotem w pętli otwartej (częstotliwość stymulacji jest stała zamiast kodować informacje z czujnika). Reprezentatywne przebiegi potwierdzają, że interakcja dwukierunkowa między elementami neuronalnymi a sztucznymi jest niezbędna do uzyskania dobrych wyników nawigacyjnych robota. Niemniej jednak robot wielokrotnie uderza w przeszkody.
Na Rysunku 2 przedstawiono wydajność nawigacyjną robota w różnych warunkach, wyrażoną jako liczba pikseli przebytych pomiędzy kolejnymi kolizjami. Dwie pierwsze kolumny pokazują rozkład przebytych odległości w wyżej wspomnianych eksperymentach kontrolnych (konfiguracje „pusta MEA” oraz pętla otwarta), natomiast trzecia i czwarta kolumna prezentują wydajność odpowiednio bez i z zastosowaniem stymulacji tężcowej po każdym uderzeniu w przeszkodę. Wprowadzenie stymulacji tężcowej (por. Procedura, punkt 7.2) znacząco zwiększa odległość przebywaną pomiędzy dwiema kolejnymi kolizjami, poprawiając tym samym wydajność nawigacyjną robota 35.
Na Rysunku 3 przedstawiono wyniki nawigacji robota w różnych warunkach dekodowania. W tym celu zastosowano inną konfigurację areny. Pomogło to w ilościowym określeniu skuteczności nawigacji robota w obrębie areny 36: zgodnie z opisem w kroku 4.1 procedury, robotowi prezentowano serię krótkich ścieżek. Wskaźnik sukcesu to po prostu stosunek liczby pomyślnie pokonanych ścieżek do liczby zaprezentowanych ścieżek. W szczególności podczas eksperymentów przeprowadzano identyfikację serii impulsów (bursts) oraz pojedynczych impulsów (isolated spikes) w czasie rzeczywistym. Paradygmaty dekodowania różnią się od siebie względnymi wagami serii i pojedynczych impulsów (patrz: Procedura, punkty 3.5-3.6 oraz Dyskusja).
<img alt="Analiza ruchliwości mikroorganizmów; diagram śledzący ścieżki ruchu w czasie z wykorzystaniem gradientu kolorów." src="/files/ftp_upload/52341/52341fig1highres.jpg" width="700" data-altupdatedat="1787630408000" data-alt="Rysunek 1"> 
Rysunek 1: Sieć neuronalna i robot prowadzą dwukierunkową wymianę informacji. Na tym rysunku przedstawiono trzy reprezentatywne ścieżki przebyte przez robota w ciągu 20 minut eksperymentu. W szczególności jasnozielone obszary są wolne od przeszkód i dostępne dla robota, natomiast ciemnozielone piksele reprezentują przeszkody nie do pokonania, które robot może wykryć za pomocą czujników odległości. W każdej próbie robot startuje z górnej lewej sekcji areny i przemieszcza się do pozycji końcowej, przedstawionej jako duży różowy punkt. Mniejsze czarne kropki oznaczają kolizje z przeszkodą, a kolorowa ścieżka wskazuje ewolucję czasową ruchu robota. Pasek kolorów po prawej stronie określa czas upływający od początku eksperymentu w minutach. (A) Ścieżka przebyta podczas eksperymentu w pętli zamkniętej. (B) Ścieżka przebyta podczas eksperymentu z „pustą” MEA (na powierzchni MEA nie hodowano komórek). (C) Ścieżka przebyta podczas eksperymentu w pętli otwartej (częstotliwość stymulacji jest stała przez cały czas trwania eksperymentu). <a href="/files/ftp_upload/52341/52341fig1highres.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję rysunku.</a>
<img alt="Wykres pudełkowy analizy dystansu między uderzeniami; kategorie: EMPTY, OL, CL, CL+TS." src="/files/ftp_upload/52341/52341fig2.jpg" data-altupdatedat="1787630408000" data-alt="Rysunek 2"> 
Rysunek 2: Wyniki wydajności są zależne od pętli zamkniętej i stymulacji tetanicznej.Wykres ten przedstawia rozkłady dystansów pokonanych przez robota pomiędzy kolejnymi uderzeniami w różnych warunkach. W szczególności, dwie pierwsze rozkłady reprezentują eksperymenty kontrolne („Empty” dla pomiarów bez neuronów posianych na MEA, „Open loop” (OL) dla eksperymentu z „ślepym” robotem). Dwie ostatnie kolumny reprezentują warunek „Closed loop” bez (CL) oraz z (CL + TS) protokołem uczenia zaimplementowanym poprzez stymulację tetaniczną (TS), dostarczaną do hodowli po uderzeniach w przeszkodę. W każdym pudełku środkowy poziomy odcinek reprezentuje medianę rozkładu, pusty kwadrat wartość średnią, centralny słupek obejmuje pierwszy i trzeci kwartyl, a wąsy sięgają 5th i 95th percentyla. Wartości odstające są przedstawione jako romby. Analizy statystyczne wykonano przy użyciu jednoczynnikowej analizy wariancji Kruskalla-Wallisa dla rang: porównania parzyste Student-Newman-Keuls wykazują, że wszystkie wartości mediany różnią się istotnie przy p &lt; 0.05.
<img alt="Wykres pudełkowy porównujący wskaźnik sukcesu; metoda: analiza statystyczna, diagram, analiza danych." src="/files/ftp_upload/52341/52341fig3.jpg" data-altupdatedat="1787630408000" data-alt="Rycina 3"> 
Rycina 3: Dekodowanie wpływa na wydajność robota. Powyższy wykres przedstawia prawdopodobieństwo, dla danego algorytmu dekodowania, że robot pomyślnie pokona krótki tor w ograniczonym czasie. Identyfikacja serii (bursts) i pojedynczych impulsów (isolated spikes) jest przeprowadzana w czasie rzeczywistym podczas samego eksperymentu. W pierwszym przypadku („Spikes”) wszystkie wykryte impulsy mają taką samą wagę względną; dla drugiej i trzeciej dystrybucji wagę 0 przypisano odpowiednio dla pojedynczych impulsów oraz impulsów należących do serii. Dwie ostatnie kolumny przedstawiają wyniki uzyskane w przypadku, gdy uwzględniono wszystkie impulsy, ale z różną wagą względną w zależności od ich pozycji. W szczególności w czwartej kolumnie pojedynczym impulsom przypisano wyższą wagę względną niż zdarzeniom seryjnym, natomiast w przypadku dekodowania w piątej kolumnie wagi są odwrócone. Na każdym wykresie linia środkowa reprezentuje medianę rozkładu, pusty kwadrat wartość średnią, centralny słupek obejmuje pierwszy i trzeci kwartyl, a wąsy sięgają 5th i 95th percentyla. Statystyki wykonano za pomocą jednoczynnikowej analizy wariancji Kruskall-Wallisa dla rang. Porównania parowe (metoda Studenta-Newmana-Keulsa) wykazują, że istotne różnice (p <0.05) można zaobserwować między kolumnami 1 i 4, 2 i 4, 2 i 5 oraz 2 i 3.

W tym artykule przedstawiono eksperymentalny framework do przeprowadzania eksperymentów w pętli zamkniętej, w którym przetwarzanie informacji (tj. kodowanie i dekodowanie) oraz uczenie się zespołów neuronalnych są badane podczas ciągłej interakcji z ciałem robota.

Eksperymenty neurorobotyczne w pętli zamkniętej w celu przetestowania właściwości obliczeniowych sieci neuronowych

Information coding in the Central Nervous System (CNS) remains unexplored. There is mounting evidence that, even at a very low level, the representation ...

Ogólnym celem następnego eksperymentu jest zbadanie dwukierunkowej interakcji pomiędzy biologiczną siecią dysocjowanych neuronów a małym robotem. Ciągły dialog może modyfikować właściwości obliczeniowe systemu neuronalnego, indukując rodzaj uczenia się. Osiąga się to poprzez przygotowanie hodowli neuronalnej na matrycy mikroelektrod, aby umożliwić wielogodzinną sesję eksperymentalną bez naruszania aktywności komórek.W drugim kroku obliczana jest mapa odpowiedzi kultury, która umożliwia wybór elektrod stymulujących do właściwego eksperymentu w pętli zamkniętej. Następnie definiowane są parametry kodowania i dekodowania, aby umożliwić wymianę informacji między systemami biologicznymi a elektronicznymi. Wyniki wykazują znaczący wzrost zdolności nawigacyjnych agenta robotycznego, oparty na porównaniu średniej odległości przebytej między zderzeniami w różnych warunkach sterowania.Metoda ta może pomóc w udzieleniu odpowiedzi na kluczowe pytania w naszej dziedzinie inżynierii, takie jak: czy możemy stworzyć słownik pozwalający tłumaczyć język neuronów na język maszyn i odwrotnie? Zazwyczaj osoby rozpoczynające pracę z tą metodą napotykają trudności ze względu na złożoność technologiczną konfiguracji eksperymentalnej oraz architektury oprogramowania. Procedurę zaprezentuje Martha Bizo, doktorantka w moim laboratorium.Pierwszym krokiem jest przygotowanie matrycy mikroelektrod lub chipa MEA z 60 elektrodami, które mogą być wykorzystane do stymulacji lub rejestracji sieci neuronalnej. Po wysianiu kultur neuronalnych na chipach MEA należy odczekać około trzech tygodni do czasu dojrzewania sieci neuronalnej. W dniu eksperymentu należy rozgrzać system grzewczy MEA przez 5 do 10 minut, ustawiając kontroler temperatury na 37 °C i włączając płytkę grzejną znajdującą się pod samym MEA.Należy również zastosować podgrzewaną osłonę w celu ograniczenia parowania, używając sterylizowanych w autoklawie nakrętek przepuszczających gazy; przykrycie kultur nakrętką ograniczy parowanie i zapobiegnie zmianom osmolarności podczas rejestracji. Następnie należy wprowadzić przepływ karbonianu w celu utrzymania stabilnego poziomu tlenu i pH. Pozostawić kulturę do odpoczynku na 30 minut. Po okresie odpoczynku rejestrować spontaniczną aktywność komórek neuronalnych przez 30 minut.Następnie zapisz dane w pliku, klikając przycisk rejestrowania w polu kolców (spikes) w formularzu rejestracji danych. W formularzu wyświetlania surowych danych zidentyfikuj 10 kanałów o najwyższej liczbie kolców. Następnie zaznacz te kanały w dowolnym z układów MEA.Formularz kodowania jest prezentowany poprzez przeciąganie kursora myszy nad wybranymi obszarami. Po wybraniu kanałów należy kliknąć prawym przyciskiem myszy w dowolnym miejscu układu MEA i wybrać opcję „add to left sensory area” w menu wysuwanym. Elektrody te zostaną wykorzystane do dostarczenia stymulacji elektrycznej w kolejnym kroku.Następnie należy sprawdzić, czy stymulator i wzmacniacz MEA są prawidłowo podłączone. Wszystkie konfiguracje wymagają dwóch przewodów na każdy wybrany kanał stymulacji, natomiast dodatkowy kabel koncentryczny jest niezbędny do przesyłania sygnału synchronizacji. Po przygotowaniu włącz stymulator.Kolejnym krokiem jest zdefiniowanie parametrów stymulacji w formularzu mapy połączeń. Wszystkie stymulacje dostarczane do hodowli odbywają się za pomocą fazowych prostokątnych fal napięcia. Ustaw półokres trwania na 300 microseconds oraz amplitudę na 1,5 peak tope voltage.Rozpocznij rejestrację odpowiedzi na stymulację, naciskając przycisk start. W mapie połączeń automatycznie podawana jest seria 30 stymulacji z częstotliwością 0,2 Hz z jednej z wcześniej wybranych elektrod stymulujących. Podczas gdy ta elektroda pełni funkcję elektrody stymulującej, odpowiedzi są rejestrowane z pozostałych 59 elektrod na chipie MEA.Następnie, z pięciosekundowym odstępem między seriami, serie 30 bodźców są powtarzane kolejno na każdym z pozostałych dziewięciu zidentyfikowanych elektrod stymulujących, podczas gdy rejestracja danych odbywa się z pozostałych 59 elektrod. Następnie tworzona jest komputerowa mapa połączeń dla każdego kanału stymulującego przy użyciu spy code, aplikacji służącej do obliczeń na danych neuronalnych. Z map połączeń należy wykluczyć z dalszej analizy wszystkie elektrody stymulujące, które nie wywołały odpowiedzi.Następnie spośród pozostałych elektrod wybierz parę o najmniejszym nakładaniu się odpowiedzi, zgodnie z opisem w protokole tekstowym; jedną z tych elektrod wyznacz do kodowania informacji sensorycznych z lewej strony robota, a drugą do kodowania odczytów z prawej strony. Aby to zrobić, przesuń kursor myszy nad jedną elektrodę, kliknij prawym przyciskiem myszy na układ MEA, a następnie wybierz opcję dodaj do lewego obszaru sensorycznego. Następnie przesuń kursor nad drugą elektrodę.Kliknij prawym przyciskiem myszy i wybierz opcję dodaj do prawego obszaru sensorycznego. Następnie w formularzu kodowania wybierz schemat kodowania, ustawiając typ kodowania na liniowy. Następnie zdefiniuj minimalną i maksymalną częstotliwość stymulacji, korzystając z domyślnego zakresu od 0.5 do 2 Hz, i ustaw parametr jitter na zero.Następnie w formularzu dekodowania ustaw parametry algorytmu dekodowania. To jest, ustaw parametry zmiany prędkości oraz stałą czasową zaniku na wartość jeden dla kultury o umiarkowanej aktywności z około jednym kolcem na sekundę na kanał. Następnie w formularzu dekodowania ustaw parametry serii (burst) algorytmu dekodowania na zero.Czas zaniku jest nieistotny, jeśli zmiana prędkości wynosi zero. W formularzu menedżera eksperymentu zaznacz dane do rejestracji, klikając pola wyboru zapisz dane o kolcach, dane robota oraz dane o bodźcach. Następnie uruchom próbny przebieg robota przed nauką, wybierając przycisk start eksperymentu w formularzu menedżera eksperymentu.Po wyświetleniu odpowiedniego komunikatu wybierz nowe nazwy dla plików danych. Pozostaw eksperyment w toku przez 30 minut. Następnie kliknij przycisk zatrzymania eksperymentu, aby zakończyć pracę robota.Następnie włącz protokół uczenia, zaznaczając opcję dostarczenia 10 stymulacji później. Zaznacz odpowiednie pole wyboru w formularzu menedżera eksperymentu. Następnie ponownie kliknij przycisk start eksperymentu, aby ponownie przeprowadzić trening robota przez 30 minut.Podczas tej serii uczenia stymulacja z robota zmienia się z nieregularnej na stymulację typu Titanic. Gdy robot uderzy w przeszkodę, stymulacja typu Titanic jest wykorzystywana do trenowania sieci neuronowej. Po zapisaniu danych ponownie wyłącz protokół uczenia, odznaczając opcję deliver to tannic stimulation.Po zaznaczeniu pola wyboru kliknij przycisk start experiment, aby przeprowadzić 30-minutowy przebieg robota po nauce. Podobnie jak wcześniej, pamiętaj o zmianie nazw plików, aby zapobiec ich nadpisaniu. Oprócz wspomnianego wcześniej robota wirtualnego, ten sam zestaw przebiegów treningowych można zastosować w przypadku sieci neuronowej oraz fizycznego robota.Przedstawiono tutaj ścieżkę pokonaną przez wirtualnego robota podczas 20 minutowego eksperymentu z pustą MEA. W tym eksperymencie kontrolnym na MEA nie wysiano żadnych komórek. Jasnozielone obszary są dostępne dla robota, a ciemnozielone okręgi reprezentują nieprzejezdne przeszkody, które robot może wykryć za pomocą swoich czujników odległości.W każdej próbie robot startuje z górnego lewego sektora areny i przemieszcza się do pozycji końcowej, przedstawionej jako duża różowa kropka. Mniejsze czarne kropki reprezentują uderzenia w przeszkodę. Ścieżki oznaczone kolorami wskazują upływ czasu.W tym eksperymencie, przeprowadzonym bez użycia sieci neuronowej, robot zatrzymywał się przy pierwszej napotkanej przeszkodzie. Przedstawiono tutaj ścieżkę wirtualnego robota podczas eksperymentu w pętli otwartej, w którym robot jest de facto oślepiony. Zamiast kodować informacje sensoryczne, impulsy stymulujące dostarczane do sieci neuronowej stanowią zwykłe sekwencje.Przedstawiono tutaj ścieżkę, którą poruszał się wirtualny robot podczas 20-minutowego eksperymentu w pętli zamkniętej, w którym sieć neuronowa otrzymywała sprzężenie zwrotne po uderzeniu robota w przeszkodę. Należy zauważyć, że w przeciwieństwie do eksperymentu w pętli otwartej, robot ten z powodzeniem ominął wiele przeszkód. Wskazuje to, że dwukierunkowa interakcja między elementami neuronalnymi a sztucznymi jest niezbędna do uzyskania dobrych wyników nawigacji robota.Wykres ten przedstawia wydajność nawigacji robota wyrażoną jako liczbę pikseli przebytych pomiędzy kolejnymi zderzeniami. Dwie pierwsze kolumny pokazują rozkład przebytych odległości w dwóch eksperymentach kontrolnych: w konfiguracjach pustego MEA oraz pętli otwartej. Trzecia i czwarta kolumna przedstawiają wydajność odpowiednio bez i z zastosowaniem stymulacji Titanic.Po każdym zderzeniu z przeszkodą, wprowadzenie stymulacji typu Titanic znacząco poprawia dystans pokonany między dwoma kolejnymi uderzeniami, zwiększając tym samym sprawność nawigacyjną robota. Wykres ten przedstawia prawdopodobieństwo pomyślnego pokonania przez robota krótkiego toru w ograniczonym czasie dla danego algorytmu dekodowania.Paradygmaty dekodowania różnią się od siebie ze względu na wzglomne wagi serii impulsów (bursts) oraz pojedynczych impulsów (spikes). Po opracowaniu, technika ta utorowała drogę do zastosowania URGs w dziedzinie neurorobotyki i neuroprotetyki, aby zbadać sposoby łączenia mózgów z maszynami w celu poprawy wydajności współczesnych interfejsów neuronowych. Po obejrzeniu tego filmu powinni Państwo posiadać dobrą wiedzę na temat planowania i przeprowadzania hybrydowego eksperymentu służącego do badania właściwości obliczeniowych ucieleśnionej biologicznej sieci neuronowej.

closed-loop-neuro-robotic-experiments-to-test-computational

Research

JoVE Journal

Neuroscience

Neuronauka

Eksperymenty neurorobotyczne w zamkniętym układzie w celu przetestowania właściwości obliczeniowych sieci neuronowych

Wykorzystujemy interfejs maszyna-mucha w pętli zamkniętej do badania ogólnych zasad kontroli neuronalnej.

Platforma eksperymentalna do badania wydajności interfejsów mózg-maszyna w pętli zamkniętej

Ten film pokazuje rozwój hodowli neuronów 3D połączonej z planarnym układem mikroelektrod z neuronami hipokampa. Izolowane neurony tworzą sieć 2D w obszarze aktywnym układu mikroelektrod i przylegają do szklanych mikrokulek w wielodołkowej płytce z wkładką membranową. Po przeniesieniu tych pokrytych neuronami mikrokulek do elektrody, organizują się one w połączoną sieć neuronową 3D.

Budowa trójwymiarowych sieci neuronowych sprzężonych z układami mikroelektrod

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.

Projektowanie i implementacja symulacji układu nerwowego na robotach LEGO

Protokoły zamkniętej pętli stają się coraz bardziej powszechne we współczesnej elektrofizjologii. Przedstawiamy prosty, wszechstronny i niedrogi sposób wykonywania złożonych protokołów elektrofizjologicznych w korowych neuronach piramidowych in vitro, przy użyciu komputera stacjonarnego i cyfrowej płytki akwizycyjnej.

Elektrofizjologia w czasie rzeczywistym: wykorzystanie protokołów zamkniętej pętli do badania dynamiki neuronów i nie tylko

Ten manuskrypt opisuje protokół do budowy in vitro modułowych sieci składających się z przestrzennie ograniczonych, funkcjonalnie połączonych obwodów neuronalnych. Maska polimerowa służy do modelowania warstwy białka w celu promowania adhezji komórkowej nad substratem hodowlanym. Platerowane neurony rosną na pokrytych obszarach, tworząc spontaniczne połączenia i wykazując aktywność elektrofizjologiczną.

Projektowanie, obróbka powierzchniowa, posiewanie komórkowe i hodowla modułowych sieci neuronowych składających się z funkcjonalnie połączonych obwodów

Komórki neuronalne myszy hodowane na układach wieloelektrodowych wykazują zwiększoną reakcję po stymulacji elektrycznej. Protokół ten pokazuje, jak hodować neurony, jak rejestrować aktywność i jak ustanowić protokół trenowania sieci w celu reagowania na wzorce stymulacji.

Zależny od czasu wzrost odpowiedzi sieci na stymulację kultur komórek neuronalnych na układach mikroelektrod

Ten protokół pokazuje, jak używać systemu elektrofizjologicznego do stymulacji w pętli zamkniętej wywołanej wzorcami aktywności neuronalnej. Dostępny jest również przykładowy kod Matlab, który można łatwo modyfikować dla różnych urządzeń stymulacyjnych.

Wykorzystanie aktywności neuronów do wyzwalania bodźców w pętli zamkniętej w eksperymentach neurofizjologicznych

Podsumowujemy przepływ pracy, aby obliczeniowo modelować zachowanie neuronu siatkówki w odpowiedzi na stymulację elektryczną. Model obliczeniowy jest wszechstronny i obejmuje etapy automatyzacji, które są przydatne w symulowaniu szeregu scenariuszy fizjologicznych i przewidywaniu wyników przyszłych badań in vivo/in vitro.

Modelowanie obliczeniowe neuronów siatkówki do badań nad protezami wzrokowymi - podstawowe podejścia

Prezentujemy metodę elastycznej chemicznej i multimodalnej stymulacji oraz rejestrowania jednoczesnej aktywności neuronalnej wielu robaków Caenorhabditis elegans. Metoda ta wykorzystuje mikrofluidykę, sprzęt i oprogramowanie typu open source oraz nadzorowaną automatyczną analizę danych, aby umożliwić pomiar zjawisk neuronalnych, takich jak adaptacja, hamowanie czasowe i przesłuchy bodźców.

Zautomatyzowana stymulacja multimodalna i jednoczesna rejestracja neuronów z wielu małych organizmów

Niniejsze badanie analizuje wpływ konfigurowalnego miękkiego robota pneumatycznego na poprawę topologii sieci całego mózgu po udarze. Analiza teorii grafów wskazuje na istotne ulepszenia współczynnika klastrowania, długości ścieżki oraz globalnej efektywności. Wyniki podkreślają potencjał programowalnych protokołów robotycznych do modulowania neuroplastyczności i optymalizacji funkcjonalnej regeneracji w rehabilitacji po udarze.

Miękki robot pneumatyczny moduluje metryki teorii grafów sieci mózgowej w celu rehabilitacji rąk po udarze

Ten protokół pokazuje, jak symulacje neuronalne oparte na fizyce mogą być wykorzystywane do interpretacji biomarkerów elektro fizjologicznych neuroterapeutyków i ujawniania ich wpływu na obwody neuronalne, zapewniając uzasadnione mechanistycznie podejście do rozwoju neuroterapeutyki.

Protokół do ujawnienia neuronalnych mechanizmów działania neuroterapeutycznego na elektroencefalografii z wykorzystaniem ludzkiego neurosolvera kory nowej mózgu

Wprowadzenie

W ostatnich latach neuroterapia stała się coraz bardziej popularna jako metoda leczenia różnych zaburzeń psychicznych i neurologicznych. Jednak mechanizmy działania neuroterapii na poziomie neuronalnym pozostają częściowo niejasne. Elektroencefalografia (EEG) jest jednym z najczęściej stosowanych narządów diagnostycznych w neuroterapii, ponieważ umożliwia rejestrację aktywności elektrycznej mózgu w czasie rzeczywistym. W tym artykule przedstawiamy protokół do badania neuronalnych mechanizmów działania neuroterapii na EEG za pomocą ludzkiego neurosolvera kory nowej mózgu.

Materiał i metody

1. Przygotowanie danych

Aby rozpocząć, zebrane zostaną dane EEG od pacjentów, którzy przechodzą neuroterapię. Dane te będą przetwarzane w celu usunięcia artefaktów i zakłóceń, a następnie zostaną przefiltrowane w celu uzyskania odpowiednich zakresów częstotliwości.

2. Modelowanie matematyczne

Następnie, wykorzystując ludzki neurosolver kory nowej mózgu, dane EEG zostaną przekształcone w model matematyczny opisujący aktywność neuronalną w korze nowej mózgu. Neurosolver kory nowej mózgu jest zaawansowanym narzędziem komputerowym, które pozwala na symulację działania neuronów i sieci neuronowych w korze mózgu.

3. Analiza wrażliwości

Po utworzeniu modelu matematycznego, przeprowadzona zostanie analiza wrażliwości w celu zidentyfikowania kluczowych parametrów i zmiennych, które mają wpływ na działanie neuroterapii. Analiza ta pomoże zrozumieć, jak neuroterapia modyfikuje aktywność neuronalną w korze mózgu i jak te zmiany wpływają na działanie terapeutyczne.

4. Weryfikacja modelu

Na koniec, model matematyczny zostanie zweryfikowany poprzez porównanie jego prognoz z rzeczywistymi danymi EEG pacjentów, którzy przeszli neuroterapię. Ta weryfikacja pomoże określić dokładność i przydatność modelu w przewidywaniu działania neuroterapii.

Wyniki

Protokół ten pozwoli na lepsze zrozumienie mechanizmów działania neuroterapii na poziomie neuronalnym. Dzięki zastosowaniu ludzkiego neurosolvera kory nowej mózgu, będziemy w stanie zidentyfikować kluczowe elementy aktywności neuronalnej, które są modyfikowane przez neuroterapię i które mają bezpośredni wpływ na efekty terapeutyczne.

Podsumowanie

Przedstawiony protokół do badania neuronalnych mechanizmów działania neuroterapii na EEG z wykorzystaniem ludzkiego neurosolvera kory nowej mózgu zapewnia nowatorskie podejście do zrozumienia i ulepszania neuroterapii. Dzięki temu protokołowi będziemy w stanie lepiej zrozumieć, jak neuroterapia działa na poziomie neuronalnym i jak te informacje mogą być wykorzystane do ulepszania metod leczenia różnych zaburzeń psychicznych i neurologicznych.

Odkryj eksperymenty neurorobotyczne w pętli zamkniętej badające właściwości obliczeniowe sieci neuronowych. Metoda wykorzystuje mikroelektrody do komunikacji między kulturami neuronalnymi a robotem.

Eksperymenty neurorobotyczne w pętli zamkniętej w celu przetestowania właściwości obliczeniowych sieci neuronowych

Przeglądaj więcej filmów