Method Article

Замкнутые нервно-роботов экспериментов, чтобы проверить Вычислительные Свойства нейронных сетей

DOI:

10.3791/52341

⸱

March 2nd, 2015

 , 
1Neuroscience and Brain Technologies, Istituto Italiano di Tecnologia

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В этой статье представлена экспериментальная структура для проведения экспериментов с замкнутым циклом, в которой обработка информации (т.е. кодирование и декодирование) и обучение нейронных сборок изучаются во время непрерывного взаимодействия с роботизированным телом.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Кодирование информации в центральной нервной системе (ЦНС) остается неизученным. Появляется все больше доказательств того, что даже на очень низком уровне представление того или иного стимула может зависеть от контекста и истории. Если это действительно так, то двунаправленные взаимодействия между мозгом (или, если нужно, его уменьшенной моделью) и сенсомоторной системой могут пролить свет на то, как происходит кодирование и декодирование информации. Здесь вводится и описывается экспериментальная система, в которой активность нейронного элемента (т.е. сети нейронов, извлеченных из эмбрионального гиппокампа млекопитающих) получает контекст и используется для управления движением искусственного агента, в то время как информация об окружающей среде передается обратно в культуру в виде последовательности электрических стимулов. Эта архитектура позволяет быстро выбирать различные алгоритмы кодирования, декодирования и обучения для проверки различных гипотез о вычислительных свойствах нейронных сетей.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Многие функции функции головного мозга в настоящее время невозможно повторить в искусственную систему. Способность мозга быстро обрабатывать сложные сенсорную информацию и генерировать в ответ, точные моторных команд само по себе уже за пределами текущего государственно-оф-искусства. Но его способность адаптироваться к различным условиям путем изучения прошлого опыта делает это так намного превосходят систем управления человеческими развита. До сих пор попытки повторить или использовать эта пластичность встретились большого успеха, и понимание внутренней работы мозга ускользает схватывание исследователей. Один из главных вопросов при исследовании взаимоотношений между мозгом и поведением является неспособность правильно получить доступ ко всем переменным в системе: в идеале, оптимальный Экспериментальная установка позволит одновременную запись и стимулирование к большим количеством нейронов, долгосрочная стабильность мониторинг синапсов позиций и веса, контролируемой би-directioнал взаимодействие с окружающей средой. Трудность в отслеживании все эти переменные одновременно привело к изучению мозга поведения отношений в двух очень разных масштабах: либо с себя животных, без точного контроля над экспериментальных условиях 1-7 или с небольших изолированных частей, таких как частей нервной ткани, без общее представление о системе 8. В последнем случае, в то время как не разработаны экспериментальные установки не позволяет осуществлять полный контроль всех параметров, участвующих в функционировании даже простой нейронной сети, хорошо компромисс обеспечивается диссоциированных нейронов, выращенных в течение Micro-матриц электродов (МПС) 9. Эти устройства, рожденные в конце 70-х годов 10, имеют ряд преимуществ по сравнению с традиционными методами электрофизиологии: во-первых, возможность записи и стимуляции нейронных сетей в разных местах одновременно (как правило, 60 электродов). Кроме того, связь с МПС клеток почти неинвазивным, Позволяет наблюдать в той же сети в течение длительных периодов времени, до нескольких месяцев 11. Физиологические эффекты электрической стимуляции на диссоциированных культур были тщательно изучены благодаря этим устройствам, показывая, что многие свойства наблюдаются при более высокой шкалы (как, например, пластичности и обрабатывает простой памяти 12-14) сохраняются, несмотря на потерю архитектуры. Во время роста культуры, эти сети начинают показывать спонтанную активность около 7 дней в пробирке (DIV) 15,16. Сетевая активность, как правило, радикально меняться при дальнейшем росте; сначала одиночные всплески собрать в пачки (к концу второй недели) 17, а затем, как он меняется в очень сложной схеме синхронизации непериодических сети врывается 18, который представляет собой зрелого состояния сети. Было высказано предположение, что это 19 синхронно поведение, несколько похожа на что наблюдается в записи в естественных условияхь на спящих животных, обусловлено отсутствием сенсорного ввода.

Другой подход попытались получить лучшее понимание кодирования информации было принято проведении экспериментов в замкнутой системе, в которой различные типы сигналов были использованы для контроля стимуляции самой 11,20-23 нейронной сети. В этих экспериментах, внешний агент, способный взаимодействия с окружающей средой был использован для генерации сенсорную информацию, подаваемого в нейронной сети, которая, в свою очередь, полученного моторные команды для механизма эффекторной. Это позволило замечания о том, как динамические и адаптивные свойства нервной системы развивались в ответ на индуцированные изменения в окружающей среде.

Установка для выполнения воплотилась нейрофизиологии эксперименты была разработана, где колесная платформа датчика (физическое робот или его виртуальная модель) движется на арене и его профили скорости определяются активностью нейроновсистема (т.е., население крыс нейронов культивировали в течение МЭА). Робот характеризуется скоростью профилей двух независимо контролируемых колес и текущих показаний датчиков расстояния. Точная природа датчиков расстояния не относится; они могут быть активными или пассивными оптические датчики или ультразвуковые датчики. Очевидно, что этот вопрос не применяется в случае виртуальных роботов, в которых датчики могут быть разработаны с любой нужной функции.

В экспериментах, описанных в данном документе, робот всегда используется виртуальный реализации, с 6 датчиков расстояния, указывая на 30 °, 60 ° и 90 ° от робота движется в обоих направлениях. Деятельность трех левых и правых датчиков усредняются и деятельность биологического культуры обусловлен информации, собранной таких «супер-датчиков" (которая как раз и будет, называемых «левых» и «правых» датчиков в остальной этой работы). Прото-кол описано на самом деле может быть применен к физической робота с довольно незначительными изменениями. Информация, собранная с помощью робота (либо физической или виртуальной) кодируется в серии раздражителей, которые используются для управления активностью биологической нейронной сети, которая физически отделена от робота. Сами раздражители являются идентичными и, следовательно, не кодировать любую информацию. Что имеет отношение является их периодичность: Увеличивает шанс стимуляция, когда робот приближается к препятствию, с различных сайтов, доставки кодирования сенсорной информации от левого и правого глаза »робота. Нейронная сеть будет представлять различные ответы на входящем поезде раздражений: задача алгоритма декодирования, чтобы перевести полученную сетевую активность в команды, используемые для управления колеса робота. Учитывая «идеальной» поведение сети (то есть, с надежным и полностью отделены реакций на стимулы из разных электродов), это Расулат в роботе вождения в арене, не задев никаких препятствий. Большинство сетей присутствует поведение очень отличается от идеальности, поэтому простой протокол обучения введены: при активации, тетаническое стимуляции (краткие заклинания высокочастотной стимуляции, 20 Гц стимуляции в течение 2 секунд, вдохновленный протоколов, описанных в 24,25) следующие столкновение с препятствием будет доставлено. Если спутанностью стимуляция приводит к локальной укрепления подключения к сети, то это приведет к постепенному увеличению навигационные возможности робота.

HyBrainWare2, улучшенная версия программного обеспечения на заказ, опубликованной в 26, является архитектура ядра разработаны для работы с контролем различных устройств системы (стимулятор, сбора, обработки и визуализации, робот связи или моделирования). Это программное обеспечение было разработано в нашей лаборатории и свободно доступны по запросу. Это программное обеспечение обеспечивает интерфейс сплата сбора данных: как только пользователь начинает сбор данных с помощью графического интерфейса, программного обеспечения управляет сбора платы, чтобы начать отбор проб и / D преобразование данных, поступающих от регистрирующих электродов. Эти данные могут быть записаны, отображается экран или анализироваться в реальном времени, чтобы обнаружить спайки, в соответствии с параметрами, установленными пользователем (см раздел Процедура для деталей). Кроме того, в программном обеспечении, определение кодирования (перевод сенсорной информации в электростимуляции) и декодирование (перевод записанной деятельности в моторных команд для робота) алгоритмов должен быть указан. В частности, наша установка относительно удобно по сравнению с аналогичными системами, разработанными в прошлом 27, так как почти все переменные могут быть доступны пользователю непосредственно перед началом фактической эксперимент, в то время как все записанная информация автоматически сохраняется в формате, совместимом с анализ инструментов нейронная данных 28.

Следующий раздел Процедура описывает обучения эксперимент по гиппокампа культур диссоциированный крыса: все культивирования и экспериментальные параметры предназначены для этого конкретного препарата и, возможно, потребуется изменить, если отличается биологического субстрата, будет использоваться. Аналогичным образом, описанный опыт использует преимущества архитектуры с обратной связью, чтобы исследовать эффект обучения тетанической стимуляции, но сама архитектура является достаточно гибкой, чтобы быть использованы при исследовании различных особенностей диссоциированных нейронных сетей. Основные варианты предлагаемого эксперимента дополнительно описано в разделе обсуждения.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Подготовка нейронов культуры над МЭА

  1. Пластина нейронов культур на МПС чипов, как описано 29. Описание аналогичной процедуры также предусмотрено 9 и в разделе обсуждения.
  2. Включите систему MEA отопления на 5-10 минут до начала записи, чтобы свести к минимуму тепловую нагрузку испытали клетками: установить целевой температуры контроллера температуры до 37 ° C и перейти на нагревательной пластины под себя (при условии, в большинстве коммерческих МЭА МЭС системы) и, если возможно, с подогревом крышка для того, чтобы значительно уменьшить испарение.
  3. Стерилизацию газопроницаемые крышки перед каждым использованием в автоклаве с влажным жаром (30 мин, 130 ° C). Чтобы избежать испарения и предотвращения изменения осмолярности, держать культуры, покрытые шапками во время записи.
  4. Поместите нейронов культуры в усилитель 30 минут до фактического начала записи.
    ПРИМЕЧАНИЕ: просто перемещая культур от МКПubator к усилителю значительно нарушить спонтанную активность около половины часа. В течение этого времени культуры средняя температура стабилизируется.
  5. Если carbair схема имеется, начать циркуляцию carbair (смесь 5% CO 2 и 95% O 2 + N 2) для экспериментов дольше, чем на пару часов: культуры потребует от него для того, чтобы сохранить как кислород, так и рН уровней стабильной.

2. Выбор параметров записи для приобретения MEA

  1. Выберите пропускная способность программный фильтр, чтобы обнаружить спайки (то есть, Multi-Unit деятельности - MUA) 30: в виде RawDataDisplay отметки «300 Гц-3 кГц" флажок.
  2. Начните сбор данных: нажмите кнопку "Пуск" в виде RawDataDisplay.
  3. Установленного порога усиления для обнаружения всплеска в RawDataDisplay к 7.
    Примечание: В зависимости от желаемой специфичности / селективности компромисса и приняла обнаруженияАлгоритм ион, этот порог может быть установлен между 6 и 10 раз вычисляется стандартное отклонение.
  4. Установленного порога памяти в 2 сек и нажмите кнопку "LOCK", когда ни пики активности не видно на дисплее (обе команды находятся в форме RawDataDisplay). Марк "Расчетный SD от среднего", чтобы вычислить шума стандартное отклонение от средней величины абсолютной величине наблюдаемого сигнала 31,32, если это трудно обеспечить даже короткие временные окна без пики активности. Снимите отметку с этой опции после нажатия на кнопку «Блокировка», как основной алгоритм вычислений и может привести к ПК отставать.
  5. Включите процедуры определения шип (флажок 'Обнаружение Спайка »в виде RawDataDisplay). Если обнаружение всплеск уже запущен (то есть, флажок уже отмечалось), отказаться от шипов, обнаруженные до этого момента, нажав кнопку «Сброс» в виде записи данных,

3. Выбор МЭС Электроды для стимулирования вычисления нейронов Культура и реагирования на карте

  1. Запись спонтанной активности нейронов клетки, культивируемые в течение МЭС в течение 30 мин: сохранить данные в файл, нажав кнопку "Запись", в поле "шипы" в форме DataRecording, после желаемое количество времени прошло (30 мин, в этом случае).
  2. Определить 10 наиболее активных каналов (например, 10 каналов с самой высокой кол шип), затем выберите те каналы, в любом из МПС макетов (или в кодирование, декодирование или подключения к Карта формы) путем перетаскивания курсора мыши на требуемых областях. После того, как выбраны каналы, щелкните правой кнопкой мыши в любом месте на макете MEA и выберите пункт "Добавить налево сенсорной области" в всплывающем меню: эти электроды будут использоваться для доставки электрической стимуляции в шаге 3.5.
  3. Убедитесь, что стимулятор и усилитель MEA подключены правильно: все конфигурации RequГнев два провода в нужной стимуляции канала, в то время как дополнительный коаксиальный кабель будут необходимы для передачи сигнала синхронности (пожалуйста, обратитесь к руководствам специфики инструментов для схем подключения). Перейдите то, чтобы включить стимулятор далее.
  4. Определить параметры стимула в виде соединения карт. Все раздражения, доставленные в культуре двухфазные волны квадрат напряжения. Установите половину длительности до 300 мкс и амплитудой до 1,5 V стр 33.
    Примечание: Стимулы достаточно большим, чтобы надежно вызывают нейронные ответы, весьма вероятно, компромиссом записи активности из одних и тех же участках. В остальной части статьи, электроды, используемые для доставки стимуляции не следует выбирать для записи любую соответствующую информацию.
  5. Запись ответ на стимуляцию: нажмите кнопку Пуск в виде ConnectionMap. Серия 30 стимулами, с интервалом 5 сек, в свою очередь, автоматически доставлены от каждого из выбранных электродов, а ответы записиред от остальных 59 электродов.
  6. Вычислить Карта связи (т.е. вероятность обнаружения ответа от электрода в течение временного интервала после родов стимула из другого электрода) для каждого стимулирующего канала через любой Математическое программное обеспечение или SpyCode, приложение, разработанное в прошлом (и свободно доступны по запросу) для выполнения вычислений на нейронных данных 28.
  7. С карты подключения, выберите лучшие электроды: отбросить все стимулирующие электроды, которые не вызывают реакции (то есть в окне времени после стимуляции, выпустив ставки не значительно выше, чем при спонтанном стрельбы).
    1. Выберите среди остальных электродов, пары с минимум перескочить в ответах. Специально для каждого стимулирующего электрода, вычислить среднее количество шипов в каждом регистрирующего электрода, затем вычислить разницу между соответствующими электродами для всех стимулирующих электродов пар. Выберите несколько для whicч сумма абсолютных значений разностей реагирования на все записи каналов является самой высокой.
  8. Выберите один из этих электродов для кодирования сенсорной информации с левой стороны робота и другой для кодирования показания с правой стороны: для того, чтобы это сделать, перетащить курсор мыши над одним электродом, щелкните правой кнопкой мыши на плане MEA выберите "Добавить налево сенсорной области '(или' Добавить в правильном сенсорной области»).

4. Взаимодействие нейронной культуры с роботом: Выбор кодирования и декодирования схем

  1. Установите значение "Кодирование типа 'в кодировке форме к линейной.
  2. Определить максимальные и минимальные цены стимуляции в виде кодирования. Используйте диапазон по умолчанию 0,5-2 Гц.
  3. Установите параметр "дрожание" в виде кодирования, 0.
  4. Установите параметры алгоритма декодирования при декодировании форма (вес и коэффициент поглощения) до 1, для умеренно активного культуры (~ 1 шип / сек на Channэл). Определить новую пару параметров, если темпы стрельбы сильно и постоянно отклоняться от этого значения. См обсуждение для точного зависимости от параметров декодирования.
  5. Установите алгоритм декодирования взрыв параметры при декодировании форме. Установите вес 0 (время распада является то не имеет значения), если различие между шипами и всплесков не является предметом исследования.
    ПРИМЕЧАНИЕ: Значения, предложенные в шаге 4,4 будет производить плавные движения робота и скорости, совместимые с временем реакции робота для умеренно активных крыс первичных культур. Разразившегося параметры имеют точно такую ​​же функцию, как те, что описаны в шаге 4.4, но инициирующее событие является обнаружение всплеска вместо шпиля: фактическая скорость каждого колеса просто сумма вкладов обнаруженных шипами и очередями.

5. Проектирование навигации Arena для робота

  1. В виртуальном Арена виде конструктора, выбор между ограниченным (границы арене видны робота, и яmpassable) или безгранично (если робот выходит из одной стороны арены, он будет сразу повторно ввести с противоположной одного) арене и установить размер арены в пикселях.
    1. Не используйте ограниченных аренах меньше, чем 100 х 100 пикселей, с тем чтобы позволить значительное движение. Не используйте препятствия с радиусом меньше, чем 5 пикселей, как они могут просто упасть между линиями зрения робота.
    2. Имейте в виду, что очень большие размеры арены может привести к производительности компьютера деградировать: если требуется большая арена, тест производительности программного обеспечения с требуемой арене перед началом трудно повторных экспериментах.
  2. Установите робота исходное положение либо вручную (нажмите кнопку "Ручной выбор" в виртуальной форме Арена дизайнер, то желаемое место), либо указав координаты робота в эксперименте начать в "Robot Исходное положение" поля.
  3. Добавить любое количество непреодолимыми препятствиями в пределах арены. Либо поместите их человекпенно на арене после нажатия "Добавить препятствие вручную" кнопку или установите номер и диапазон размеров.
  4. Нажмите кнопку "Создать арену», чтобы создать арену с выбранными функциями. Никаких изменений не произойдет до тех пор, пока не будет нажата эта кнопка.
  5. Сохранить на проектную арену и загрузить файл с произвольным, перед использованием в эксперименте, с командными кнопками в нижней части виртуального Арена виде конструктора.

6. Выбор МЭС Электроды для записи нейронной активности от культуры

  1. Выберите в качестве временных электродов записи тех, на которых разные ответы, на этапе 3.8, были замечены: электроды, которые показали большие ответов после стимуляции с "левой" (или "правый") электрода будет представлять «влево» (или «право») Запись электроды. Не используйте электроды, которые не показали существенных ответов либо стимулирующий электрод для управления роботом. FROM расположение MEA всплывающее меню, выберите "Добавить в левой части моторного '(или' Добавить в правой части двигателя»), чтобы определить регистрирующих электродов.
  2. Выбор компонентов для записи в виде эксперимента Manager. На данном этапе, шипы и стимулирование метки времени только соответствующая информация.
  3. Выполните тест-драйв 10 мин: начать Робот Пробег, нажав на кнопку Experiment Пуск в виде эксперимента менеджер, щелкните его еще раз после 10 мин прошло.
    ПРИМЕЧАНИЕ: После того как все параметры были установлены (кодирование и декодирование, робот арена, стимулирования и записи электроды, есть для записи), выбора имени файла будет просить записанное имя файлов и назначения, затем робот начнет двигаться в арене, следуя определенным правилам. Все выбранные объекты будут автоматически сохранены в режиме реального времени.
  4. Повторите этапы 3,6 и 6,1 по данным, полученным на стадии 6.3, с целью выбора записи электроды из данных, собранных во время фактического запуска робота (см дискуссия Moderatorп, для обоснования этого двухступенчатого подхода).

7. Выполнение Нейро-роботов эксперимент

  1. Выберите в эксперименте менеджера форме данных, которые должны быть записаны: отметить Спайк, робот и флажки Стимулы данных.
  2. Запустите предварительно обучения Робот Пробег: нажмите кнопку "Пуск эксперимент" в виде эксперимента Manager. Выберите новые имена файлов для файлов данных при запросе. Когда 30 минут прошло, нажмите кнопку "Начать эксперимент", чтобы остановить робота пробег.
  3. Включите протокол обучения (отметьте 'Доставка тетанические стимуляция в хит "флажок в форме эксперимента управляющего) и выполнять учебный Робот Пробег, такой же длины, как на этапе предпроектной подготовки (например, 30 мин). Не забудьте имен входных различных файловых при запросе, чтобы избежать перезаписи данных, начиная с шага 7.2.
  4. Выключите протокол обучения снова (Снять флажок «Доставка тетанические стимуляция в хит ') И выполнить пост-обучения робота пробег. Опять же, не забудьте изменить имена файлов для предотвращения перезаписи.

8. Второй ответ Карта Расчет

  1. Повторите шаги 3.1-3.6. Используйте данные из этих записей, чтобы проверить, если какие-либо изменения были вызваны либо в спонтанных или вызванных паттернов активности по протоколу обучения.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Разработаны экспериментальные основы разрешено тестирование можно ли обмен информацией между культуры нейронов и виртуальной реализации физического робота 34. На рисунке 1 показано несколько образцов, полученных путей, проходимых виртуального робота в 20 мин экспериментов в различных условиях : слева направо надлежащего эксперимент с обратной связью, 'Пустая МПС "робота эксперимент (клетки не высевают на МЭС для этого контрольного эксперимента) и робот эксперимент с разомкнутым контуром (скорость стимуляции постоянным вместо кодирования сенсорной информации) представлены. Представительные следы подтверждают, что двунаправленный взаимодействие между нейронными и искусственных элементов необходимо для того, чтобы получить хорошие навигационные выступления робота. Тем не менее, робот испытывает несколько хитов против препятствий.

На рисунке 2, навигационных характеристик робота, еxpressed в виде пикселей путешествовали между последующими хитов, показано в разных условиях. Первые две колонки показывают распределение расстояний путешествовал в контрольных экспериментах, упомянутых выше ("пустой МЭС» и разомкнутой конфигурации), в то время как третий и четвертый столбцы отображать производительность без и с, соответственно, доставку тетанической стимуляции, следующих друг за хит с препятствием. Введение тетанической стимуляции (См процессуального, точка 7,2) значительно улучшает расстояние между двумя последовательными хитами, тем самым улучшая навигации выступления робота 35.

На рисунке 3, навигационные характеристики робота с разными условиями декодирования представлена. Для этого, другая конфигурация арена была принята. Это помогло количественно успешное навигации робота в арене 36: как описано в стадии 4,1 процедуры, роботпредставил серию коротких треков. Вероятность успеха просто отношение числа успешно скрещенных дорожек более от количества представленных композиций. В частности, в ходе экспериментов было проведено в режиме реального времени идентификация пакета и изолированных шипами. Декодирования парадигмы отличаются друг от друга из-за относительных весов всплесков и изолированных всплесков (См Порядок, указывает 3,5-3,6 и обсуждение).

figure-results-1
Рисунок 1: нейронная сеть и робот имеет двунаправленный обмен информацией Эта цифра показывает три представительства пути, пройденного роботом в течение 20 минут эксперимента.. В частности, светло-зеленые районы являются бесплатными для робота к проживанию, в то время как темно-зеленые пиксели представляют непроходимые препятствия, которые робот может воспринимать через свои датчиков расстояния. В каждом испытании, робот начинает Iн левой верхней части арены и едет в свою окончательную позицию, изображается в виде большого розового точкой. Меньшие черные точки представляют хит-парад на препятствие, в то время как путь цветом обеспечивает индикацию времени эволюции движения робота. Бар цвета на правой выражает время, прошедшее с начала эксперимента в течение нескольких минут. (А) Путь последующим течение эксперимента с обратной связью. (В) Путь последующим во время "пустой" MEA эксперимента (клетки не культивируют на MEA поверхность). (C) путь, пройденный в процессе эксперимента с открытым контуром (скорость стимуляции постоянным в течение всего эксперимента). Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию рисунка.

figure-results-2
Рисунок 2: Результаты деятельности зависят от закрытого-loop и тетаническое стимуляция. Этот график сообщает распределения расстояния, пройденного роботом между последовательными хитами в разных условиях. В частности, первые два распределения представляют контрольные эксперименты ("пустой" для записей, не имеющих нейронов высевали на МПС, 'Открыть петля "(ПР) для эксперимента с« слепого »робота). Последние две колонки представляют собой «Замкнутый контур» состоянии без (CL) и (CL + TS) протокола обучения реализуется через тетанические стимуляции (TS), доставляются к культуре следующей ударов о препятствия. В каждом окне, центральный горизонтальный сегмент представляет собой медиану распределения, пустой площади среднее значение, центральный бар проходит в первый и третий квартили и усы распространяется на 5-й и 95-й процентили. Выбросы представляются в виде алмазов. Статистика были выполнены с использованием Крускала-Уоллиса один дисперсионного анализана уровнях: сравнение Студент-Ньюмена-Keuls попарно показывает, что все средние значения значительно отличаются с р <0,05.

figure-results-3
Рисунок 3: Декодирование влияет роботизированной производительность Диаграмма выше представляет собой вероятность того, при заданном алгоритме декодирования, на робот успешно перемещаться по короткой дорожке в ограниченном количестве времени.. Идентификация всплесков и изолированных пиков выполняется в режиме реального времени, в течение самого эксперимента. В первом случае ("Spikes ') все обнаруженные пики представляют один и тот же относительный вес, во второй и третьей распределений вес 0 был установлен на, соответственно, изолированных пиков и шипов, принадлежащих к пачке. Последние две колонки представляют результаты, полученные в случае, когда все шипы, учитываются, но с другой удельного веса в соответствии с их положением.В частности, в четвертой колонке шипами изолирован давали более высокий удельный вес, чем пакетных событий, в то время как весовой инвертируется для декодирования по отношению к данным пятой колонке. В каждом графике, центральная линия представляет собой медиану распределения, пустой площади среднее значение, в то время как центральная панель простирается на первой и третьей квартили и усы распространяется на 5-й и 95-й процентили. Статистика были выполнены с использованием Крускала-Уоллиса дисперсионного анализа на рядах. Парного сравнения (метод Стьюдента-Ньюмена-Keuls,) показывает, что значимые различия (р <0,05) можно наблюдать между колоннами 1 и 4, 2 и 4, 2 и 5, 2 и 3.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В этой статье нейро-роботов архитектура, основанная на нейронной контроллера (например, сеть нейронов, идущих от коры головного мозга или гиппокампа эмбрионов крыс) с двунаправленным, подключенного к виртуальной робота, представлен. Робот, который имеет датчики и колеса, вынужден переехать в статическом арене с препятствиями и его задача состоит в том, избегая столкновений.

Первый и, возможно, наиболее важным аспектом описанной процедуры является получение культур сами, а интенсивность отказов будет, как правило, значительное даже в лучших технических условий. Подробное описание методов культивирования, однако, выходит за рамки настоящей работы. В качестве общего принципа, записи должно происходить, когда скорость в сети стрельбы достигает стабильного уровня, как правило, после 3 недель в пробирке. Приблизительное представление здоровых культур при спонтанном электрофизиологических активности в различных записи Channселей (по крайней мере, 20 каналов по 60 доступна). Такие культуры характеризуются высокой степенью нейронов для подключения. В таких условиях, нейронная активность, как правило, становится сильно синхронизированы и, порой, он отображает эпилептиформные события, с интенсивным пики с последующим минут длиной периодов молчания 37. Обе эти функции представляют собой проблему: чрезмерное синхронизации сделает невозможным, чтобы отличить реакции на раздражители из разных электродов, в то время как культуры, обладающие активностью эпилептиформная будет реагировать на первый стимул представленной с длинной вспышки активности, за которым следует период молчания, независимо от того, последовательные стимулы доставлено. Оба эти проблемы могут быть сильно улучшены по занятости узорчатых культур 35, в котором нейронная популяция разделяется на две или более слабо связанных между собой подгрупп.

Другая проблема заключается в том, что нейронные реакции сильно зависит от распределения поступающей Стимуля 38,39. В эксперименте с обратной связью, доставляются стимуляции является функцией от показаний датчиков, которые, в свою очередь, являются следствием движения робота и, следовательно, самих нейронных ответов. Это означает, что нет простой способ создания заранее, какие ответы будут наблюдаться при реальном эксперименте. В результате, выбор ввода-вывода электродов должны полагаться на последовательных приближений. В описываемом протокола, двухступенчатый процесс (а именно, шаги 5,5 и 6,4) реализован, чтобы попытаться определить карту соединения. На первой стадии, регулярная последовательность раздражений и доставляется в ответ на стимулы, такие используются для получения первой карты соединения и временный набор каналов записи. Эта конфигурация используется для выполнения тест-драйв, описанные в шаге 6.4 и выбора каналов записи, которое будет контролировать в течение реального эксперимента.

В разделе Результаты, представитель Навигация Резии и немедленного улучшения, вызванные введением обучения парадигмы представлены. В описании протокола, несколько других возможных вариантах опыта упоминаются. Например, два основных системы кодирования, реализованные в HyBrainWare2 (линейные и стохастические), где разработаны, чтобы исследовать, какую роль играет изменчивости временного ввода на нервной код 38. В линейном случае, мгновенная скорость стимуляции функции пользовательских параметров и датчиков робот записей. В стохастическом случае каждый момент времени имеет заданную вероятность быть выбран, чтобы доставить стимул. Такая вероятность вычисляется автоматически по HyBrainWare2 так, что ожидаемые темпы стимуляции совпадать с первом случае. Возможность добавления джиттера линейного кодирования обеспечивает плавный переход между этими двумя случаями, описанными выше. Таким же образом, исследуя различные комбинации параметров в разделе декодирования может помочь пролить свет на PreciSE роль разрыва в в пробирке нейронных сетей. Скорость каждого колеса робота возрастает пропорционально параметра веса каждый раз обнаружении события в соответствующей области вывода, в то время как коэффициент экстинкции указывает, сколько времени в секундах, один из вкладов принимает потерять 50% своей стоимости , Распад простой экспоненты. Те варианты уже были учтены в текущей конструкции HyBrainWare2, но многие другие научно-исследовательские возможности открыты, если дополнительные изменения в программном обеспечении или экспериментальной установки могут быть введены.

А существенное ограничение протокола описанного здесь является требование развитого программного обеспечения на заказ, HyBrainWare2 (в свободном доступе по запросу всем заинтересованным пользователям). Это программное обеспечение было разработано для набора устройств (стимулятора, приобретение борту, усилитель MEA) от конкретной модели и производителя. Хотя это действительно возможно, чтобы адаптировать его к работе над диразличны х установок, преобразование займет некоторое навыков программирования. Аналогичным образом, в вариантах охватывают лишь ограниченный набор всех экспериментальных вопросов, которые могут быть исследованы с помощью таких установок. Например, алгоритм обнаружения шип реализован в представленной архитектуры (точное время обнаружения шип 40) полностью определяется несколько жестко закодированных параметров, которые должны быть изменены, если объект регистрации очень отличается от диссоциированных нейронных сетей (например, сердечных клеток или ломтики). И, наконец, протокол обучения состоит из доставке короткого, высокой частоты (2 сек 20 Гц стимуляции, каждый импульс стимул является таким же, как те, которые используются для кодирования сенсорной информации) после стимуляции каждой препятствий удара. Если робот встречает препятствие с правой стороны, тетаническое стимуляция поставляется с электродом, что обычно коды для правой стороны информации и то же самое справедливо и для левой стороны хитов. Этот протокол является жестко и не может бе изменено пользователем без изменения, выходящего программного обеспечения.

В то время как установка представленные здесь, не первый воплощённый система гибридного замкнутого цикла экспериментов 20,23,27,41,42, те, предназначенные в прошлом были сосредоточены на одном диссертации подтверждается данными из ограниченного числа аналогичных препаратов , С другой стороны, описано установка была использована для большого количества экспериментов (более 100 культур были зарегистрированы с 2012) с препаратами разной для модульности и происхождения, а сами эксперименты рассмотрены различные проблемы (например, воздействие тетанической стимуляции и Актуальность разрыва, как представлено в результатах). В ближайшее время новые экспериментальные занятия предусмотрены для проверки долгосрочные последствия как тетанической и замкнутым контуром стимуляции и отношения между стимуляции регулярности и наблюдается ответов. Другой вопрос, который необходимо рассмотреть, является связующим звеном между спонтанной и наблюдаемой деятельности, сИдея добавления нового алгоритма декодирования, которая принимает во внимание историю прошлой деятельности и стимулирования 43.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Авторы заявляют, что у них нет конкурирующих финансовых интересов.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Авторы благодарности кандидат студент Марта Bisio для культивирования и поддержания нейронных сетей с микро-матриц электродов и д-р Марина Нанни и д-р Клаудиа Chiabrera из НСТ-ИИТ за техническую помощь для процедур рассечение и диссоциации. Научных исследований, ведущих к этим результатам получил финансирование от Седьмой рамочной программы Европейского Союза (ИКТ-FET FP7 / 2007-2013, FET Young Explorers схема) под грантового соглашения N ° 284772 BRAIN носа ( www.brainbowproject.eu ). Авторы также хотели бы поблагодарить Сильвия Chiappalone за помощь в создании графики, используемые во введении.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Генератор стимулов 4002Многоканальные системы
MEA1060-INV-BCМногоканальные системы
TC02Многоканальные системы
NI 6255 Карта захватаданных Национальные инструменты
Microsoft Visual Studio 2008Многоканальная система Microsoft
2078P Национальная Плата адаптера для приборов, разработанная в Университете Генуи (Италия)
Matlab 2010Mathworks
HyBrainWare2HyBrainWare2: Контактная информация

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Volitional control of neural activity: implications for brain–computer interfaces. The Journal of Physiology. 579 (3), 571-579 (2007).">Fetz, E. E. Volitional control of neural activity: implications for brain–computer interfaces. The Journal of Physiology. 579 (3), 571-579 (2007).
  2. Learning to control a brain–machine interface for reaching and grasping by primates. PLoS Biology. 1 (2), e42(2003).">Carmena, J. M., et al. Learning to control a brain–machine interface for reaching and grasping by primates. PLoS Biology. 1 (2), e42(2003).
  3. A miniaturized system for spike-triggered intracortical microstimulation in an ambulatory rat. Biomedical Engineering, IEEE Transactions on. 58 (9), 2589-2597 (2011).">Azin, M., Guggenmos, D. J., Barbay, S., Nudo, R. J., Mohseni, P. A miniaturized system for spike-triggered intracortical microstimulation in an ambulatory rat. Biomedical Engineering, IEEE Transactions on. 58 (9), 2589-2597 (2011).
  4. A programmable closed-loop recording and stimulating wireless system for behaving small laboratory animals. Scientific Reports. 4, (2014).">Angotzi, G. N., Boi, F., Zordan, S., Bonfanti, A., Vato, A. A programmable closed-loop recording and stimulating wireless system for behaving small laboratory animals. Scientific Reports. 4, (2014).
  5. The neurochip: a new multielectrode device for stimulating and recording from cultured neurons. Journal of Neuroscience. 87 (1), 45-56 (1999).">Maher, M., Pine, J., Wright, J., Tai, Y. -C. The neurochip: a new multielectrode device for stimulating and recording from cultured neurons. Journal of Neuroscience. 87 (1), 45-56 (1999).
  6. Band-tunable and multiplexed integrated circuits for simultaneous recording and stimulation with microelectrode arrays. Biomedical Engineering, IEEE Transactions on. 52 (7), 1303-1311 (2005).">Olsson, R. H., Buhl, D. L., Sirota, A. M., Buzsaki, G., Wise, K. D. Band-tunable and multiplexed integrated circuits for simultaneous recording and stimulation with microelectrode arrays. Biomedical Engineering, IEEE Transactions on. 52 (7), 1303-1311 (2005).
  7. The Neurochip-2: an autonomous head-fixed computer for recording and stimulating in freely behaving monkeys. Neural Systems and Rehabilitation Engineering. IEEE Transactions on. 19 (4), 427-435 (2011).">Zanos, S., Richardson, A. G., Shupe, L., Miles, F. P., Fetz, E. E. The Neurochip-2: an autonomous head-fixed computer for recording and stimulating in freely behaving monkeys. Neural Systems and Rehabilitation Engineering. IEEE Transactions on. 19 (4), 427-435 (2011).
  8. Connecting brains to robots: an artificial body for studying the computational properties of neural tissues. Artificial Life. 6 (4), 307-324 (2000).">Reger, B. D., Fleming, K. M., Sanguineti, V., Alford, S., Mussa-Ivaldi, F. A. Connecting brains to robots: an artificial body for studying the computational properties of neural tissues. Artificial Life. 6 (4), 307-324 (2000).
  9. How to culture, record and stimulate neuronal networks on micro-electrode arrays (MEAs). Journal of Visualized Experiments. (39), 2056(2010).">Hales, C. M., Roston, J. D., Potter, S. M. How to culture, record and stimulate neuronal networks on micro-electrode arrays (MEAs). Journal of Visualized Experiments. (39), 2056(2010).
  10. A new fixed-array multi-microelectrode system designed for long-term monitoring of extracellular single unit neuronal activity in vitro. Neurosci Lett. 6 (2), 101-105 (1977).">Gross, G., Rieske, E., Kreutzberg, G., Meyer, A. A new fixed-array multi-microelectrode system designed for long-term monitoring of extracellular single unit neuronal activity in vitro. Neurosci Lett. 6 (2), 101-105 (1977).
  11. A new approach to neural cell culture for long-term studies. Journal of Neuroscience Methods. 110 (1), 17-24 (2001).">Potter, S. M., DeMarse, T. B. A new approach to neural cell culture for long-term studies. Journal of Neuroscience Methods. 110 (1), 17-24 (2001).
  12. The effect of slow electrical stimuli to achieve learning in cultured networks of rat cortical neurons. PLoS One. 5 (1), e8871(2010).">le Feber, J., Stegenga, J., Rutten, W. L. The effect of slow electrical stimuli to achieve learning in cultured networks of rat cortical neurons. PLoS One. 5 (1), e8871(2010).
  13. Development learning and memory in large random networks of cortical neurons: lessons beyond anatomy. Quarterly reviews of biophysics. 35 (1), 63-87 (2002).">Marom, S., Shahaf, G. Development learning and memory in large random networks of cortical neurons: lessons beyond anatomy. Quarterly reviews of biophysics. 35 (1), 63-87 (2002).
  14. Learning in networks of cortical neurons. The Journal of Neuroscience. 21 (22), 8782-8788 (2001).">Shahaf, G., Marom, S. Learning in networks of cortical neurons. The Journal of Neuroscience. 21 (22), 8782-8788 (2001).
  15. Dynamics and plasticity in developing neuronal networks in vitro. Progress in Brain Research. 147, 171-188 (2005).">Pelt, J., Vajda, I., Wolters, P. S., Corner, M. A., Ramakers, G. J. Dynamics and plasticity in developing neuronal networks in vitro. Progress in Brain Research. 147, 171-188 (2005).
  16. Dissociated cortical networks show spontaneously correlated activity patterns during in vitro development. Brain Research. 1093 (1), 41-53 (2006).">Chiappalone, M., Bove, M., Vato, A., Tedesco, M., Martinoia, S. Dissociated cortical networks show spontaneously correlated activity patterns during in vitro development. Brain Research. 1093 (1), 41-53 (2006).
  17. Spatio-temporal cholinergic modulation in cultured networks of rat cortical neurons: spontaneous activity. Neuroscience. 134 (2), 425-437 (2005).">Tateno, T., Jimbo, Y., Robinson, H. Spatio-temporal cholinergic modulation in cultured networks of rat cortical neurons: spontaneous activity. Neuroscience. 134 (2), 425-437 (2005).
  18. Network bursting dynamics in excitatory cortical neuron cultures results from the combination of different adaptive mechanism. PLoS One. 8 (10), e75824(2013).">Masquelier, T., Deco, G. Network bursting dynamics in excitatory cortical neuron cultures results from the combination of different adaptive mechanism. PLoS One. 8 (10), e75824(2013).
  19. Controlling bursting in cortical cultures with closed-loop multi-electrode stimulation. The Journal of Neuroscience. 25 (3), 680-688 (2005).">Wagenaar, D. A., Madhavan, R., Pine, J., Potter, S. M. Controlling bursting in cortical cultures with closed-loop multi-electrode stimulation. The Journal of Neuroscience. 25 (3), 680-688 (2005).
  20. Towards an embodied in vitro electrophysiology: the NeuroBIT project. Neurocomputing. 58-60, 1065-1072 (2004).">Martinoia, S., et al. Towards an embodied in vitro electrophysiology: the NeuroBIT project. Neurocomputing. 58-60, 1065-1072 (2004).
  21. New perspectives on the dialogue between brains and machines. Frontiers in Neuroscience. 4 (1), 44(2010).">Mussa-Ivaldi, F. A., et al. New perspectives on the dialogue between brains and machines. Frontiers in Neuroscience. 4 (1), 44(2010).
  22. Controlling a Mobile Robot with a Biological Brain. Defence Science Journal. 60 (1), (2010).">Warwick, K., et al. Controlling a Mobile Robot with a Biological Brain. Defence Science Journal. 60 (1), (2010).
  23. Vitroid–the robot system with an interface between a living neuronal network and outer world. International Journal of Mechatronics and Manufacturing Systems. 4 (2), 135-149 (2011).">Kudoh, S. N., et al. Vitroid–the robot system with an interface between a living neuronal network and outer world. International Journal of Mechatronics and Manufacturing Systems. 4 (2), 135-149 (2011).
  24. Simultaneous induction of pathway-specific potentiation and depression in networks of cortical neurons. Biophysical Journal. 76 (2), 670-678 (1999).">Jimbo, Y., Tateno, T., Robinson, H. Simultaneous induction of pathway-specific potentiation and depression in networks of cortical neurons. Biophysical Journal. 76 (2), 670-678 (1999).
  25. Network plasticity in cortical assemblies. European Journal of Neuroscience. 28 (1), 221-237 (2008).">Chiappalone, M., Massobrio, P., Martinoia, S. Network plasticity in cortical assemblies. European Journal of Neuroscience. 28 (1), 221-237 (2008).
  26. A simulated neuro-robotic environment for bi-directional closed-loop experiments. Paladyn. 1 (3), 179-186 (2010).">Mulas, M., Massobrio, P., Martinoia, S., Chiappalone, M. A simulated neuro-robotic environment for bi-directional closed-loop experiments. Paladyn. 1 (3), 179-186 (2010).
  27. Connecting neurons to a mobile robot: an in vitro bidirectional neural interface. Computational Intelligence and Neuroscience. 2007 (12725), 1-13 (2007).">Novellino, A., et al. Connecting neurons to a mobile robot: an in vitro bidirectional neural interface. Computational Intelligence and Neuroscience. 2007 (12725), 1-13 (2007).
  28. Investigating neuronal activity by SPYCODE multichannel data analyzer. Neural Networks. 23 (6), 685-697 (2010).">Bologna, L. L., et al. Investigating neuronal activity by SPYCODE multichannel data analyzer. Neural Networks. 23 (6), 685-697 (2010).
  29. Cortical cultures coupled to micro-electrode arrays: a novel approach to perform in vitro excitotoxicity testing. Neurotoxicology and Teratology. 34 (1), 116-127 (2012).">Frega, M., et al. Cortical cultures coupled to micro-electrode arrays: a novel approach to perform in vitro excitotoxicity testing. Neurotoxicology and Teratology. 34 (1), 116-127 (2012).
  30. Extracting information from neuronal populations: information theory and decoding approaches. Nature Reviews Neuroscience. 10 (3), 173-185 (2009).">Quian Quiroga, R., Panzeri, S. Extracting information from neuronal populations: information theory and decoding approaches. Nature Reviews Neuroscience. 10 (3), 173-185 (2009).
  31. Ideal spatial adaptation by wavelet shrinkage. Biometrika. 81 (3), 425-455 (1994).">Donoho, D. L., Johnstone, J. M. Ideal spatial adaptation by wavelet shrinkage. Biometrika. 81 (3), 425-455 (1994).
  32. Realistic simulation of extracellular recordings. Journal of neuroscience methods. 184 (2), 285-293 (2009).">Martinez, J., Pedreira, C., Ison, M. J., Quian Quiroga, R. Realistic simulation of extracellular recordings. Journal of neuroscience methods. 184 (2), 285-293 (2009).
  33. Effective parameters for stimulation of dissociated cultures using multi-electrode arrays. Journal of Neuroscience Methods. 138 (1-2), 27-37 (2004).">Wagenaar, D. A., Pine, J., Potter, S. M. Effective parameters for stimulation of dissociated cultures using multi-electrode arrays. Journal of Neuroscience Methods. 138 (1-2), 27-37 (2004).
  34. Tessadori, J., Mulas, M., Martinoia, S., Chiappalone, M. Biomedical Robotics and Biomechatronics (BioRob), 2012 4th IEEE RAS & EMBS International Conference on. , 332-337 (2012).
  35. Modular neuronal assemblies embodied in a closed-loop environment: toward future integration of brains and machines. Frontiers in Neural Circuits. 6, (2012).">Tessadori, J., Bisio, M., Martinoia, S., Chiappalone, M. Modular neuronal assemblies embodied in a closed-loop environment: toward future integration of brains and machines. Frontiers in Neural Circuits. 6, (2012).
  36. Neural Engineering (NER). Tessadori, J., et al. 2013 6th International IEEE/EMBS Conference on Neural Engineering, , 899-902 (2013).
  37. Effects of antiepileptic drugs on hippocampal neurons coupled to micro-electrode arrays. Frontiers in Neuroengineering. 6, 10(2013).">Colombi, I., Mahajani, S., Frega, M., Gasparini, L., Chiappalone, M. Effects of antiepileptic drugs on hippocampal neurons coupled to micro-electrode arrays. Frontiers in Neuroengineering. 6, 10(2013).
  38. Entrainment of the intrinsic dynamics of single isolated neurons by natural-like input. Journal of Neuroscience. 33 (18), 7912-7918 (2013).">Gal, A., Marom, S. Entrainment of the intrinsic dynamics of single isolated neurons by natural-like input. Journal of Neuroscience. 33 (18), 7912-7918 (2013).
  39. Reliability of spike timing in neocortical neurons. Science. 268 (5216), 1503-1506 (1995).">Mainen, Z. F., Sejnowski, T. J. Reliability of spike timing in neocortical neurons. Science. 268 (5216), 1503-1506 (1995).
  40. A novel algorithm for precise identification of spikes in extracellularly recorded neuronal signals. Journal of neuroscience methods. 177 (1), 241-249 (2009).">Maccione, A., et al. A novel algorithm for precise identification of spikes in extracellularly recorded neuronal signals. Journal of neuroscience methods. 177 (1), 241-249 (2009).
  41. The neurally controlled animat: biological brains acting with simulated bodies. Autonomous Robots. 11 (3), 305-310 (1023).">DeMarse, T. B., Wagenaar, D. A., Blau, A. W., Potter, S. M. The neurally controlled animat: biological brains acting with simulated bodies. Autonomous Robots. 11 (3), 305-310 (1023).
  42. Spatio-temporal electrical stimuli shape behavior of an embodied cortical network in a goal-directed learning task. Journal of Neural Engineering. 5 (3), 310-323 (2008).">Bakkum, D. J., Chao, Z. C., Potter, S. M. Spatio-temporal electrical stimuli shape behavior of an embodied cortical network in a goal-directed learning task. Journal of Neural Engineering. 5 (3), 310-323 (2008).
  43. Collective dynamics in huma and monkey sensorimotor cortex: predicting single neuron spikes. Nature Neuroscience. 13 (1), 105-111 (2010).">Truccolo, W., Hochberg, L. R., Donoghue, J. P. Collective dynamics in huma and monkey sensorimotor cortex: predicting single neuron spikes. Nature Neuroscience. 13 (1), 105-111 (2010).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Neuronal NetworksMicro Electrode ArrayClosed loop ExperimentsNeural Culture PreparationResponse Map ComputationCoding Decoding ParametersTitanic Stimulation TrainingNavigation Performance AnalysisBidirectional Interaction TestingHybrid Neuro robotic System

Related Articles