Summary
ويقدم نهجا للنمذجة الشبكة العصبية على مايندستورمز منصة الروبوتات LEGO. يوفر طريقة أداة محاكاة للاللافقارية البحوث علم الأعصاب في كل من مختبر الأبحاث والفصول الدراسية. هذه التقنية تمكن التحقيق من المبادئ تحكم الروبوت بيوميمتيك.
Abstract
فإننا نقدم وسيلة لاستخدام المتاحة تجاريا LEGO NXT مايندستورمز منصة الروبوتات لاختبار أنظمة الأعصاب مستوى الفرضيات. الخطوة الأولى من هذه الطريقة لوضع محاكاة الجهاز العصبي من السلوكيات انعكاسية معينة من كائن حي الطراز المناسب، وهنا نستخدم جراد البحر الأمريكي. يمكن أن ردود الفعل الاستقبال الخارجي بوساطة متصالبة (معبر) الوصلات العصبية شرح سيارات الأجرة الحيوان نحو أو بعيدا عن التحفيز كما وصفها Braitenberg وجيدا خاصة مناسبة للتحقيق باستخدام منصة NXT. مبرمجة 1 محاكاة الجهاز العصبي باستخدام البرمجيات ابفيف على LEGO منصة مايندستورمز. مرة واحدة يتم ضبطها الجهاز العصبي بشكل صحيح، يتم تشغيل التجارب السلوكية على الروبوت وعلى الحيوان تحت ظروف بيئية مماثلة. من خلال التحكم في بيئة الحسية التي يعيشها العينات، ويمكن ملاحظة الاختلافات في النتائج السلوكية. هذه الاختلافات قد يشير إلى deficienc محددةالمنشأ في النموذج الجهاز العصبي وتعمل على إبلاغ التكرار من نموذج لسلوك معين تحت الدراسة. هذا الأسلوب يسمح للتلاعب التجريبية من الجهاز العصبي الإلكترونية ويخدم كوسيلة لاستكشاف فرضيات علم الأعصاب على وجه التحديد فيما يتعلق بأساس العصبية من السلوكيات بسيطة انعكاسية فطرية. يوفر LEGO NXT مايندستورمز عدة منصة بأسعار معقولة وفعالة التي لاختبار مخططات مراقبة الروبوت بيوميمتيك الأولية. هو النهج أيضا مناسبة تماما لالفصول الدراسية في المدرسة الثانوية لتكون بمثابة الأساس للالتدريب العملي على التحقيق القائم على المنهج biorobotics.
Introduction
وسعت التحقيقات العصبية على مدى السنوات ال 100 الماضية بشكل كبير معرفتنا بنية الجهاز العصبي وظيفة. ومع ذلك، فقد اعتمدت غالبية البحوث الجهاز العصبي إلى التاريخ على استعمال مستحضرات معزولة أو مواضيع قيدا. بينما كانت هناك العديد من الجهود الناجحة لتسجيل النشاط العصبي من التصرف بحرية حيوانات 2-5، النهج biorobotic يوفر أداة قيمة للسماح للتلاعب الجهاز العصبي من أجل اختبار نظم مستوى فرضيات علم الأعصاب 6. الجهاز العصبي تعمل على محاكاة الروبوتات يمكن التلاعب بشكل تجريبي والسماح لتمديد برمجيات النمذجة إلى العالم المادي. وكان هذا النهج تنفيذها بشكل جيد في العالم الأكاديمي 7،8 ولكن عملية بناء روبوت بيوميمتيك لاختبار فرضية يمكن أن تكون مكلفة وتستغرق وقتا. فإننا نقدم وسيلة لتنفيذ نهج biorobotic باستخدام الروبوتات المتاحة تجاريا كذلك (LEGO NXT مايندستورمز 2.0). والهدف من هذه الطريقة هو توفير وسيلة سريعة وفعالة لاختبار أنظمة مستوى الأعصاب الفرضيات على الروبوتية 9 أو الحيوي الهجين 10 تتجسد المحاكاة الشبكة العصبية. تسريع عملية من فرضية أن التجربة يحسن إنتاجية البحوث. يوفر بسيطة LEGO منصة مايندستورمز سرير اختبار لأجهزة الاستشعار بيوميمتيك والشبكات العصبية التي نحن شرح باستخدام جراد البحر الأمريكي (Homarus americanus) باعتباره النموذج الحي. يوفر الأسلوب أيضا قوية التدريب العملي على أداة تعليمية في الفصول الدراسية كما يمكن للطلاب تصميم والتلاعب الجهاز العصبي للالروبوتات الخاصة بهم 11.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. بناء روبوت النموذجي
- اختيار النموذج الحي للدراسة التي يتم تمثيلها بشكل جيد في الأدب neuroethological. اللافقاريات جعل عموما مرشحين جيدين لأن الجهاز العصبي بسيطة نسبيا عملهم قد درس جيدا وتتكون أساسا من ردود الفعل الفطرية. سوف نظهر هذا النهج باستخدام جراد البحر الأمريكي، Homarus americanus.
- اختر مدروسة السلوكيات انعكاسية لأغراض النمذجة. لقد اخترنا الردود جراد البحر لمنحنى antennal وكشف عثرة مخلب كما يستجيب الحيوان بالغريزة إلى الانحناء من الهوائيات للحصول انجذاب تياري (التوجه إلى تدفق المياه) بينما اتصالات مخلب توسط تجنب عقبة. ردود الفعل بسيطة تعتمد على متصالبة الوصلات العصبية من أجهزة الاستشعار متناظرة ثنائية هي مناسبة تماما لهذا النوع من الدراسة 1.
- بناء أو اختيار منصة الروبوتية مع أجهزة الاستشعار المناسبة لالسلوكيات المحددة في النظام لتشغيل العصبيةمحاكاة الشبكة. بينما يمكن بناء روبوت مخصصة مثل RoboLobster 12 أو الامتداد (صرصور) عائلة الروبوت 13، هنا نستخدم عدة متاحة تجاريا للتعجيل بعملية تجريبية. وLEGO NXT 2.0 مايندستورمز عدة، وتوفير القوالب، ومكونات وحدات وأجهزة الاستشعار التي أنشئت، ويسمح للالتشييد المادي السريع للروبوت.
- حدد أو بناء أجهزة استشعار لتتناسب مع طرائق من السلوكيات المحددة في الخطوة 1.2. ولم يضف أجهزة الاستشعار من مايندستورمز عدة LEGO يمكن استخدام أجهزة الاستشعار أو البيرة يمكن هندستها 14،15. لقد تم اختيار شملت LEGO استشعار تعمل باللمس ومخصصة الاستشعار بيند antennal تتألف من FlexPoint الاستشعار بيند تقسم إلى موصل NXT. لبناء موصل مقاوم العرف، وقطع سلك موصل NXT وحام الكابلات بالأسود والأبيض ليؤدي من أجهزة الاستشعار.
- استخدام الدراسات neuroethological المنشورة سابقا لإيجاد أو تطوير شبكة العصبية افتراضية لنمذجة Purposes. وقد اقترحت الأدبيات مختلف الشبكات العصبية لتفسير السلوك في الكائنات نموذج مختلف، من الكركند 16 إلى 17 امبرى. وينبغي تحديد الوحدات العصبية الوظيفية ونظرية صلاتهم متشابك. ويمكن أيضا أن توضع التجارب neuroethological رواية وتنفيذها اذا سمحت الظروف المختبرية.
2. برمجة الجهاز العصبي
- استخدام البرمجيات ابفيف جنبا إلى جنب مع وحدة ابفيف للLEGO NXT مايندستورمز لخلق الادوات الافتراضية (فيس) التي تعمل المعادلات لالخلايا العصبية الرياضية ونموذج المشبك. في حين أن أي نموذج نشرت يمكن استخدامها، ونحن نوصي الوقت منفصلة خريطة مقرها (DTM) نموذج 18. وهذا يسمح لكفاءة العملية الحسابية في الوقت الحقيقي مع الحفاظ على مجموعة متنوعة من أنظمة الانتاج إطلاق الخلايا العصبية. المعلمات السيطرة اثنين، ألفا وسيجما، وتحديد ديناميات الخلايا العصبية محاكاة لإنتاج المخرجات العصبية المتنوعة بما في ذلك تونيج التشويك، اطلاق الفوضى، الصمت انفجار والجوهرية. ابفيف فيس للLEGO مايندستورمز لهذا النموذج الخلايا العصبية يمكن الاطلاع على الانترنت هنا: http://myfiles.neu.edu/blustein.d/neurobots
- مكان فيس الى حلقة في حين أن وبالتالي فإن الشبكة سوف تقوم بتحديث تكراري.
- ربط الخلايا العصبية قبل المشبكي نواتج ارتفاع خلال نقاط الاشتباك العصبي في الخلايا العصبية بعد المشبكي.
- تمر تكراري تحديث المعلمات من خلال التحول بالتسجيل في دورة الحساب المقبل. وDTM نموذج التحديثات بسرعة (خ) وبطيئة (Y) المتغيرات الديناميكية التي تم تمريرها إلى التكرار التالي من العمليات الحسابية.
- تعيين المعلمات المشبك لتحديد خصائص الشبكة. لكل المشبك، وقوة متشابك (gsyn)، فإن معدل استرخاء (غاما)، واحتمال انعكاس (XRP) هي معاملات في المعادلات نموذج DTM التي تحدد السلوك متشابك. قيمة gsyn هو متعددذو طيات الذي يحدد حجم التأثير الحالي متشابك من حدث السنبلة، تتراوح بين 0.0 (بلا تأثير) إلى 1.0 (تأثير 100٪). قيمة جاما هو المضاعف الذي يحدد معدل اضمحلال متشابك الحالي بغض النظر عن الأحداث السنبلة، تتراوح بين 0.0 (تسوس كاملة) إلى 1.0 (عدم وجود تسوس). قيمة XRP يحدد مستوى الإثارة أو تثبيط المشبك، تتراوح القيم عادة من -3.0 إلى 3.0 مع القيم الإيجابية تمثل الإثارة والقيم السلبية التي تمثل تثبيط. يمكن ضبطها القيم لخصائص الشبكة المحددة الخاصة بك. هنا نستخدم الإعدادات التالية: جاما = 0.95، 0.60 = gsyn وXRP = 2.2 (المشبك مثير) أو -1.8 (المشبك المثبط).
- ضبط ألفا والمعلمات السيطرة سيجما لتعديل نشاط الخلايا العصبية الأساسية. ويرد وصف ديناميات نموذج لمعايير تحكم المتنوعة بالتفصيل في مكان آخر 18 ولكن عادة، ألفا سيجما منخفض أو منشط ارتفاعه للقيم سيجما عالية. الانتقال بين 'منخفضة' و 'العالية' القيم سيجما يحدث عادة بين -1.0 و 1.0 اعتمادا على قيمة ألفا. انفجار نشاط الخلايا العصبية وينتج عن ألفا> 4 عندما القيم سيجما هي قريبة من الصفر. هنا نستخدم ألفا = 4.05 = -3.10 و سيجما.
- استخدام ابفيف فيس لمعلومات الاستشعار المدخلات إلى الشبكة الخاصة بك. لأجهزة الاستشعار المقدمة وفيس متاحة بالفعل داخل وحدة ابفيف مايندستورمز. لأجهزة الاستشعار مقاوم العرف، واستخدام الاستشعار السادس الضوء كإطار البرمجة. يمكن العثور على معلومات حول إنشاء أجهزة الاستشعار البيرة في أماكن أخرى 14.
- إدراج المخططات البيانية على اللوحة الأمامية للبرنامج ابفيف لتصور نشاط الخلايا العصبية.
- استبدال مؤقتا الاستشعار المدخلات مع مربعات لوحة التحكم الأمامية من أجل التلاعب استشعار يدوياالمعلومات الذهاب الى الشبكة العصبية.
- تشغيل شبكة الخلايا العصبية وضبط الضوابط اللوحة الأمامية يدويا إلى تقديم المدخلات الحسية المتنوعة. تأكد من أن شبكة الوظائف نوعيا كما هو متوقع لظروف معروفة.
- ضبط شبكة حسب الحاجة عن طريق تغيير المعلمات الخلايا العصبية والمشبك. المحاولات الأولى في ضبط ينبغي القيام به الشبكة من خلال تغيير قوة متشابك (gsyn) من مختلف نقاط الاشتباك العصبي. قد تحتاج غيرها من المعلمات إلى أن يتم ضبط كذلك.
- وبمجرد أن وظائف الشبكة مع دقة النوعية، استبدال صناديق لوحة التحكم الأمامية مع الاستشعار المدخلات تنتهجها.
3. العصبي نظام اختبار المحاكاة
- إعداد بيئة تسيطر فيها لمراقبة الحيوان والإنسان الآلي في ظل ظروف مماثلة. نحن نستخدم خزان مستطيلة تحتوي على العقبات الصخور (الشكل 1). يمكن تفريغ خزان لاستيعاب الروبوت LEGO في نفس المساحة.
- جبل AVكاميرا IDEO النفقات العامة لتسجيل الحيوان / سلوك الروبوت. تأكد التناقض بين الهدف والخلفية مرتفعة للسماح التتبع التلقائي. رسمت لنا الجزء السفلي من اختبار خزان أبيض.
- وضع الحيوان في بيئة تسيطر عليها وتسجيل الفيديو السلوك. ومن المؤكد أن تحد من قدرات الحسية من جراد البحر إلى تتطابق مع تلك للروبوت. هنا نحن تقييد قدرات جراد البحر الحسية من خلال تغطية العينين مع قناع رقائق الألومنيوم وdeafferenting المستقبلات الكيميائية مع المياه العذبة 19.
- ضبط البيئة بما يتناسب مع روبوت ليغو (إزالة الماء إذا لزم الأمر) وتشغيل الروبوت في نفس البيئة التي تسيطر عليها.
- استخدام برنامج نصي MATLAB لتتبع الواسمات على عينات تلقائيا. نحن نستخدم MouseLabTracker 20.
- خلق وقارن بين المؤامرات ناقلات للحيوان وحركات الروبوت.
- تعديل الجهاز العصبي وكرر الخطوات من 3،3-3،6 أن نلاحظ كيف مختلف جوانب الإلكترونيةيؤثر الجهاز العصبي سلوك الروبوت. نحن هنا ضبط قوة متشابك بين الخلايا العصبية مخلب عثرة أجهزة الاستشعار والمحركات ونظام مراقبة الأداء الروبوت مقارنة بما كان عليه من جراد البحر. بدلا من ذلك، فإن الظروف الحسية في الساحة اختبار يمكن تعديل والآثار التي لوحظت في الروبوت والحيواني. على سبيل المثال، الساحة الموصوفة هنا يمكن أن يخضع لمختلف معدلات تدفق المياه.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
المدخلات من مخالب جراد البحر وإلى الجهاز العصبي في التوسط التفاوض عقبة في بيئة الرواية. ويبين الشكل 1 لقطة من الفيديو المستخدمة لتحليل سلوك روبوت ليغو (الشكل 1A) وجراد البحر (الشكل 1B) في الساحة الاختبار. وقد معدلة الساحة اختبار بين الحيوان والإنسان الآلي الاختبارات إلا أن المياه كانت أفرغت من خزان للمحاكمات الروبوت.
يتم عرض نتائج تتبع الفيديو في الشكل 2. وقد تم تعقب مسارات السفر الحيوان والإنسان الآلي تلقائيا باستخدام MouseLabTracker 20 في MATLAB. وتظهر مسارات ممثل لجراد البحر (الخطوط السوداء) وLEGO المحاكمات الروبوت (خطوط ملونة). في التجارب الروبوت، قوة متشابك من مخلب عثرة قد تختلف الخلايا العصبية الحسية في الجهاز العصبي والتي يمثلها مسارات مختلفة الألوان (أحمر، الإثارة منخفضة، أزرق، الإثارة المتوسطة، الأخضر، إثارة عالية). ليالي العصبي افتراضيةystem مع وصلات المستوى المتوسط مثير من مخلب عثرة الخلايا العصبية الحسية تنتج سلوكيات مشابهة للحيوان. ويمكن استخراج بارامترات كمية من البيانات مثل طول المسار ومتوسط سرعة المشي (الجدول الأول).
الشكل 1. تمت إضافة إطارات الفيديو علوية من الساحة اختبار لLEGO الروبوت (A) وجراد البحر (B) تم الاحتفاظ بها المحاكمات. ظروف مماثلة إلا أن المياه إلى خزان للالتجارب على الحيوانات. ارتفاع صورة الفيديو النقيض يسهل التتبع التلقائي باستخدام برنامج MATLAB.
الشكل 2. تتبع من جراد البحر (الخطوط السوداء) وLEGO الروبوت (خطوط ملونة) المسارات من خلال الاختبار رينا هو مبين في الشكل 1 على الروبوت، كانت قوة متشابك من الخلايا العصبية مخلب الاستشعار عثرة متنوعة (الأحمر والإثارة منخفضة، أزرق، الإثارة المتوسطة، الأخضر، إثارة عالية). و* رمز يدل على موضع البداية وتظهر مليئة الأشكال السوداء الموقع من العقبات. منذ يجري تعقب موقف رئيس، يختلف الاتصال عقبة واضحة بسبب التباين في موقف مخلب.
| متوسط المسافة المسار (سم) | متوسط سرعة السفر (سم) | |
| سرطان البحر | 177.37 | 1.03 |
| LEGO روبوت (الإثارة عالية) | 162.72 | 0.94 |
| LEGO روبوت (منتصف الإثارة) | 165.32 | 0.85 |
| LEGO روبوت (الإثارة منخفض) | 51.02 | 0.69 |
ithin الصفحات = "دائما"> الجدول الأول بلغ متوسط المعلمات من تحليل البيانات السلوك الفيديو لالكركند وللروبوتات ليغو مع نقاط القوة متنوعة من نقاط الاشتباك العصبي مدخلات من عثرة نظام الحسية مخلب.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
عند بدء biorobotic العصبي تجارب محاكاة نظام، وهناك بعض الإرشادات الهامة لمتابعة. الحق في اختيار نموذج كائن أمر بالغ الأهمية: اختيار الكائن الحي الذي من السهل الحصول على والمحافظة عليها. اللافقاريات هي مثالية لأنها لا تتطلب عادة موافقة المؤسسية للتجريب واحتياجاتهم تربية وغالبا ما تكون أقل تطلبا من تلك التي من الفقاريات. من منظور علمي، فإنه مفيد لاختيار الحيوان الذي لديه سجل الأدب neuroethological ثابتة يمكن من خلالها استخلاص فرضيات لاختبار 21.
لا يقل أهمية عن اختيار كائن مناسبة هو اختيار ردود الفعل السلوكية المناسبة للدراسة. منصة LEGO NXT فقط يمكن التعامل مع أربعة أجهزة استشعار بدون تعديلات مخصصة لذلك اختيار نظام الحسية البسيطة نسبيا مع أجهزة الاستشعار محدودة هو المهم. غالبا ما توصف جيدا ردود الفعل السلوكية بسيطة وتوفير المزيد من المرونة في hypotheses التي يمكن اختبارها. قوة الحوسبة من NXT هو العامل المحدد فكذلك ينبغي بذل جهود للحد من نطاق محاكاة الجهاز العصبي. العلماء في كثير من الأحيان نشر أي مقترح الشبكات العصبية موضحا سلوكيات معينة وأنه من الأسهل لاختيار واحد من هؤلاء. هي مناسبة الضرائب بسيطة وkineses جيدا لهذا النهج biorobotic 22.
في حين أن هذا النهج هو مفيد للاختبار السريع للفرضيات الجهاز العصبي، وهناك العديد من القيود أن نأخذ في الاعتبار. نطاق اختبار ممكن محدودة. أنظمة حسية معقدة لا يمكن استخدامها مع هذه المنصة. على سبيل المثال، المعالجة البصرية المعقدة هو أبعد من قدرة المعالج NXT لكن أسئلة ذات صلة يمكن أن تعالج من خلال التحقيق مكونات أبسط من النظام البصري، مثل معالجة تدفق البصرية. مجموعة أجهزة الاستشعار لNXT يوفر بعض القيود المتأصلة فيما يتعلق بنطاق التحقيقات المتاحة. بينما أجهزة الاستشعار والعرف ويمكن تطويرها واستخدامها Oن NXT، هذه عملية تستغرق وقتا طويلا وتحتاج إلى خبرات والالكترونيات، وربما يلغي المزايا التي تتمتع بها منصة للتنفيذ السريع التجريبية.
في حين أن هناك قيود على مجموعة من الفرضيات التي يمكن اختبارها، وهذا النهج يوفر أداة فريدة من نوعها لتنفيذ المرحلة المبكرة من عمليات المحاكاة الجهاز العصبي المجسدة. وLEGO مايندستورمز منصة NXT يمكن أن تكون بمثابة نقطة انطلاق لاختبار أكثر دقة من الفرضيات مستوى النظم كما يتبين من هذه الروبوتات كما RoboLamprey 9 والكريكيت الروبوتية باربرا ويب 23. ويمكن اختبار مكونات بسيطة من أبنية واسعة السيطرة بيوميمتيك بطريقة سريعة ومباشرة. هذه الطريقة يمكن أيضا تعزيز المحاكاة الحيوية الهجين التي تتحكم كلاء الظاهري لتشمل جسدت السيطرة على السيارة 24، وأنها يمكن أن تكون بمثابة إطار الرقابة بيوميمتيك إلى واجهة بين الدماغ والآلة 25.
باستخدام LEGOمنصة مايندستورمز يسمح لنقل هذا النهج biorobotic إلى جمهور أوسع في المدارس والمختبرات خارج من الروبوتات. وقد استخدمت الأدوات من قبل طلاب المدارس الثانوية والكلية 11 وتوفير وسيلة مثيرة المستند إلى طرح الأسئلة لتعليم علم الأعصاب، والروبوتات، وقيمة العلم متعدد التخصصات. يمكن أن مختبرات بدون المعدات أو الخلفية اللازمة لبناء الروبوتات استخدام هذا المدعومة جيدا السائدة عدة الروبوتات لاستخدام الروبوتات بوصفها أداة في عملهم. النهج biorobotic يمكن أن ينطبق على البحوث في مجموعة من المجالات، من علم الأعصاب والأخلاقيات إلى الميكانيكا الحيوية والسلوك الاجتماعي.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
يعلن الكتاب أنه ليس لديهم مصالح مالية المتنافسة.
Acknowledgments
نشكر الدكتور كريس روجرز (جامعة تافتس) للبرمجة ومخطوطة الاقتراحات. نشكر اليكس جوليانو وديبورا لي للحصول على دعم إنتاج الفيديو.
التمويل المقدم من قبل NSF الدراسات العليا البحوث زمالة وموري ONR في البيولوجيا التركيبية.
References
- Braitenberg, V. Taxis, kinesis and decussation. Prog. in Brain Res. 17, 210-222 (1965).
- Schregardus, D. S., Pieneman, A. W., Ter Maat, A., Jansen, R. F., Brouwer, F., Gahr, M. L. A lightweight telemetry system for recording neuronal activity in freely behaving small animals. Journal of Neuroscience Methods. 155 (1), 62-71 (2006).
- Kagaya, K., Takahata, M. Readiness discharge for spontaneous initiation of walking in crayfish. Journal of Neuroscience. 30 (4), 1348-1362 (2010).
- Schrameck, J. E. Crayfish Swimming: Alternating Motor Output and Giant Fiber Activity. Science. 169 (3946), 698-700 (1970).
- Kanz, J. E., Eberly, L. B., Cobbs, J. S., Pinsker, H. M. Neuronal correlates of siphon withdrawal in freely behaving Aplysia. J. Neurophysiol. 42 (6), 1538-1556 (1979).
- Webb, B. Validating biorobotic models. Journal of Neural Engineering. 3, 1-20 (2006).
- Wessnitzer, J., Asthenidis, A., Petrou, G., Webb, B. A cricket-controlled robot orienting towards a sound source. Proceedings of the 12th Annual conference on Towards autonomous robotic systems. , 1-12 (2011).
- Grasso, F., Atema, J. Integration of flow and chemical sensing for guidance of autonomous marine robots in turbulent flows. Environ. Fluid Mech. 2 (1), 95-114 (2002).
- Westphal, A., Rulkov, N. F., Ayers, J., Brady, D., Hunt, M. Controlling a lamprey-based robot with an electronic nervous system. Smart Struct. and Systems. 8 (1), 39-52 (2011).
- Chao, Z. C., Bakkum, D. J., Potter, S. M. Shaping embodied neural networks for adaptive goal-directed behavior. PLoS Computational Biology. 4 (3), e1000042 (2008).
- Building nervous systems for robots: an interactive and collaborative neuroscience curriculum. Blustein, D., Schultheis, K., Ayers, J. National Science Teachers Association National Conference, San Francisco, C.A, , (2011).
- Ayers, J., Blustein, D., Westphal, A. A Conserved Biomimetic Control Architecture for Walking, Swimming and Flying Robots. Lect. Notes on Artif. Intelli. 7375, 1-12 (2012).
- A Biologically Inspired Passive Antenna for Steering Control of a Running Robot. Cowan, N., Ma, E., Cutkosky, M., Full, R. Proceedings of ISRR'2003, , 541-550 (2003).
- Gasperi, M., Hurbain, P. Extreme NXT: Extending the LEGO MINDSTORMS NXT to the Next Level. , Apress. Berkeley, C.A. (2007).
- Gasperi, M. LabVIEW for LEGO MINDSTORMS NXT. , National Technology and Science Press. Allendale, N.J. (2008).
- Kennedy, D., Davis, W. Chapter 27 Organization of invertebrate motor systems. Handbook of Physiology. 1, 1023-1088 (1977).
- Buchanan, J., Grillner, S. Newly identified "glutamate interneurons" and their role in locomotion in the lamprey spinal cord. Science. 236 (4799), 312-314 (1987).
- Rulkov, N. Modeling of spiking-bursting neural behavior using two-dimensional map. Physical Review E. 65, (2002).
- Derby, C. D., Atema, J. Narrow-spectrum chemoreceptor cells in the walking legs of the lobster, Homarus americanus: Taste specialists. Journal of Comparative Physiology A. 146 (2), 181-189 (1982).
- Tort, A. B. L., Neto, W. P., Amaral, O. B., Kazlauckas, V., Souza, D. O., Lara, D. R. A simple webcam-based approach for the measurement of rodent locomotion and other behavioural parameters. Journal of Neuroscience Methods. 157 (1), 91-97 (2006).
- Huxley, T. H. The Crayfish, An Introduction to the Study of Zoology. , C. Kegan Paul & Co. London. (1880).
- Blustein, D., Ayers, J. A conserved network for control of arthropod exteroceptive optical flow reflexes during locomotion. Lect. Notes on Artif. Intelli. 6226, 72-81 (2010).
- Webb, B., Scutt, T. A simple latency-dependent spiking-neuron model of cricket phonotaxis. Biological Cybernetics. 82 (3), 247-269 (2000).
- 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 (2001).
- Novellino, A., D'Angelo, P., Cozzi, L., Chiappalone, M., Sanguineti, V., Martinoia, S. Connecting neurons to a mobile robot: an in vitro bidirectional neural interface. Computational Intelligence and Neuroscience. , 12725 (2007).
