Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
Click here for the English version

Neuroscience

Utforma och genomföra nervsystemet simuleringar på LEGO robotar

Published: May 25, 2013 doi: 10.3791/50519

Summary

Ett förhållningssätt till neuronätmodellering på LEGO Mindstorms Robotics plattformen presenteras. Metoden ger ett simuleringsverktyg för ryggradslösa neurovetenskaplig forskning både i forskningslabb och klassrummet. Denna teknik möjliggör undersökning av biomimetiska principer robotstyrning.

Abstract

Vi presenterar en metod för att använda kommersiellt tillgängliga LEGO Mindstorms NXT Robotics plattform för att testa system nivå neurovetenskap hypoteser. Det första steget i metoden är att utveckla ett nervsystem simulering av särskilda reflexiva beteenden av en lämplig modell organism, här använder vi den amerikanska hummer. Exteroceptive reflexer förmedlas av decussating (korsning) neurala kopplingar kan förklara ett djurs taxibilar mot eller bort från en stimulans som beskrivs av Braitenberg och är särskilt väl lämpad för undersökning med hjälp av NXT-plattformen. 1 Nervsystemet simuleringen programmeras med LabVIEW programvara på LEGO Mindstorms plattform. När nervsystemet är inställd på rätt sätt, är beteendeexperimenten köras på roboten och på djuret under identiska miljöförhållanden. Genom att styra den sensoriska miljön upplevs av proverna, kan skillnader i beteende-utgångar observeras. Dessa skillnader kan peka på specifika deficienctalet i nervsystemet modell och tjänar till att informera iteration av modellen för att ett visst beteende som studeras. Denna metod gör det möjligt för den experimentella manipulation av elektroniska nervsystem och fungerar som ett sätt att utforska neurovetenskapliga hypoteser specifikt avseende neurofysiologiska grunden för enkla medfödda reflexiv beteenden. LEGO Mindstorms NXT kit erbjuder en prisvärd och effektiv plattform för att testa preliminära biomimetiska system robotstyrning. Tillvägagångssättet är också väl lämpad för gymnasiet klassrummet för att ligga till grund för en hands-on frågebaserad biorobotics läroplan.

Introduction

Neurofysiologiska undersökningar under de senaste 100 åren har breddats enormt vår kunskap om nervsystemets struktur och funktion. Emellertid har de flesta nervsystemet forskning som hittills förlitat sig på användningen av isolerade preparat eller återhållna ämnen. Även om det har varit många lyckade försök att spela in neural aktivitet från fritt bete djur 2-5 ger biorobotic synsätt ett värdefullt verktyg för att möjliggöra nervsystemet manipulation för att testa systemnivå neurovetenskapliga hypoteser 6. Simulerade nervsystem trafikerar robotar kan experimentellt manipuleras och möjliggöra en utvidgning av programvara modellering till den fysiska världen. Detta tillvägagångssätt har genomförts väl i den akademiska världen 7,8, men arbetet med att bygga en biomimetisk robot för hypotesprövning kan vara dyrt och tidskrävande. Vi presenterar en metod för att utföra biorobotic tillvägagångssätt och använda en kommersiellt tillgänglig robotteknik kdet (LEGO Mindstorms NXT 2,0). Målet med denna metod är att ge ett snabbt och effektivt sätt att testa system nivå neurovetenskap hypoteser på robotliknande 9 eller bio-hybrid 10 förkroppsligade neurala simuleringar nätverk. Påskynda processen från hypotesen att experimentera förbättrar forskningen produktiviteten. Den enkla LEGO Mindstorms-plattformen ger en testbädd för biomimetiska sensorer och neurala nätverk som vi visar med hjälp av amerikanska Hummer (Homarus americanus) som modellorganism. Metoden ger också en kraftfull praktisk pedagogiskt verktyg i klassrummet som eleverna kan konstruera och manipulera nervsystem för sina egna robotar 11.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Ett. Bygga robotmodell

  1. Välj en modell organism för att studera som är väl representerade i neuroethological litteraturen. Ryggradslösa djur gör generellt goda kandidater eftersom deras relativt enkla nervsystem har studerats väl och utgörs främst av medfödda reflexer. Vi kommer att visa detta synsätt använder Amerikansk hummer, Homarus americanus.
  2. Välj väl studerade reflexiva beteenden för modellering ändamål. Vi har valt hummer svar till antennal böj och klo bump upptäckt som djuret reflexmässigt reagerar på böjning av antenner för att framkalla rheotaxis (orientering till vattenflöde) medan klo kontakter förmedlar hinder undvikande. Enkla reflexer förlitar sig på decussating neurala kopplingar från bilateralt symmetriska sensorer är väl lämpade för denna typ av studie 1.
  3. Bygga eller välj en robot plattform med lämpliga sensorer för de valda beteenden i syfte att köra neuralanätverk simulering. Medan en särskild robot kan konstrueras såsom RoboLobster 12 eller Sprawl (kackerlacka) robotfamilj 13, här använder vi en kommersiellt tillgänglig kit för att påskynda den experimentella processen. LEGO Mindstorms NXT 2.0 kit, tillhandahåller mallar, modulära komponenter och etablerade sensorer, möjliggör snabb fysiska konstruktionen av roboten.
  4. Markera eller bygga sensorer för att matcha de olika formerna av beteenden som valts i steg 1.2. Premade sensorer från LEGO Mindstorms kit kan användas eller homebrew sensorer kan iscensättas 14,15. Vi har valt den medföljande LEGO trycksensor och en anpassad antenn böj sensor bestående av ett Flexpoint böj sensor skarvad till en NXT-kontakt. Att bygga en anpassad resistiv kontakt, skär en NXT-kontakt tråd och löda de svarta och vita kablar till kablar till sensorn.
  5. Använd tidigare publicerade neuroethological studier för att hitta eller utveckla en hypotetisk neuralt nätverk för modellering purposes. Litteraturen har föreslagit olika neurala nätverk för att förklara beteendet i olika modellorganismer, från hummer 16 till nejonöga 17. Funktionella neurala enheter bör identifieras och deras synapsförbindelser teoretiserade. Nya neuroethological experiment kan också utvecklas och genomförs om laboratorie omständigheterna tillåter.

2. Programmering av nervsystemet

  1. Använd LabVIEW programvara tillsammans med LabVIEW-modul för LEGO MINDSTORMS NXT att skapa virtuella instrument (VIS) som kör ekvationer för en matematisk neuron och synaps modellen. Medan alla publicerade modellen kan användas, rekommenderar vi den diskret tid kartbaserad (DTM) modell 18. Detta möjliggör beräkningseffektiv realtidsanvändning samtidigt som en mängd olika neuronala regimer bränning utgång. Två styrparametrar, alfa och sigma, bestämma dynamiken hos den simulerade neuron att producera varierade neural utgång inklusive tonic tillsatta, kaotisk bränning, spricker och inneboende tystnad. LabVIEW VIS för LEGO Mindstorms för denna neuron modellen kan hittas på nätet här: http://myfiles.neu.edu/blustein.d/neurobots
  2. Placera VIs i en while-slinga så att nätverket ska uppdateras iterativt.
  3. Anslut presynaptiska neuron spik utgångar via synapser till postsynaptiska neuroner.
  4. Pass iterativt uppdatera parametrarna genom skiftregister till nästa beräkning cykel. DTM-modellen uppdateras snabbt (x) och långsamma (y) dynamiska variabler som skickas till nästa iteration av beräkningar.
  5. Ställ synaps parametrar för att definiera nätverkets egenskaper. För varje synaps, den synaptiska styrkan (gsyn), relaxationshastigheten (gamma) och återföring potential (XRP) är koefficienter i DTM modellekvationer som bestämmer synaptic beteende. Värdet på gsyn är en multirantör som bestämmer storleken av den synaptiska strömmen effekten från en spik händelse, som sträcker sig från 0,0 (ingen effekt) till 1,0 (100% effekt). Värdet på gamma är en multiplikator som bestämmer graden av sönderfall av den synaptiska strömmen oavsett spik händelser, som sträcker sig från 0,0 (komplett sönderfall) till 1,0 (ingen sönderfall). Värdet på XRP bestämmer nivån på excitation eller inhibering av synapsen, värderar typiskt intervall från -3,0 till 3,0 med positiva värden representerar excitation och negativa värden representerar inhibition. Värden kan ställas in för ditt specifika nätverk egenskaper. Här använder vi följande inställningar: gamma = 0,95, gsyn = 0,60 och XRP = 2,2 (excitatoriska synaps) eller -1,8 (hämmande synaps).
  6. Justera alpha och sigma styrparametrar att modifiera aktiviteten baslinjen neuron. Dynamiken i modellen för olika styrparametrar beskrivs i detalj på annat håll 18 men typiskt, alfa sigma-värden eller tonic tillsatta för höga sigma-värden. Övergången mellan "låg" och "hög" sigma-värden uppträder i allmänhet mellan -1,0 och 1,0 beroende på alfavärde. Spräng neuron aktivitet produceras för alfa> 4 när sigma-värden är nära noll. Här använder vi alfa = 4,05 och sigma = -3,10.
  7. Använd LabVIEW VIS inmatningssensorn information i ditt nätverk. För tillhandahålls sensorer, VIS finns redan tillgängliga inom Mindstorms LabVIEW-modul. För anpassade resistiva givare, använda ljussensorn VI som en programplanering. Information om hur du skapar homebrew sensorer kan hittas någon annanstans 14.
  8. Infoga grafiska diagram på frontpanelen av LabVIEW-program för att visualisera neuronal aktivitet.
  9. Tillfälligt ersätta sensorinmatningar med främre rutorna panel kontroll för att manuellt manipulera sensorninformation som går till det neurala nätverket.
  10. Kör det neuronala nätverket och manuellt justera på frontpanelen för att presentera varierande sinnesintryck. Kontrollera att nätverket kvalitativt fungerar som förutspås för kända förhållanden.
  11. Justera nätverket efter behov genom att ändra neuron och synaps parametrar. Första försöken till tuning nätet ska göras genom att ändra synaptisk styrka (gsyn) i de olika synapser. Andra parametrar kan behöva justeras.
  12. När nätverket fungerar med kvalitativa noggrannhet, ersätta de främre rutorna panel kontroll med givaringången VIS.

Tre. Nervous System Simulation Test

  1. Inrätta en kontrollerad miljö att observera djuret och roboten under liknande förhållanden. Vi använder en rektangulär tank innehållande sten hinder (Figur 1). Tanken kan tömmas för att rymma LEGO robot i samma utrymme.
  2. Mount AVideo kamera overhead för att spela djuret / robot beteende. Se till att kontrasten mellan motivet och bakgrunden är hög för att möjliggöra automatisk spårning. Vi målade botten av testtanken vit.
  3. Placera djuret i kontrollerad miljö och videoinspelning beteendet. Var noga med att begränsa de sensoriska funktionerna i hummer att matcha dem i roboten. Här kan vi begränsa hummer sensoriska förmågor genom att täcka ögonen med en aluminiumfolie mask och deafferenting chemoreceptors med sötvatten 19.
  4. Justera miljön för att passa en LEGO robot (avlägsnande av vatten om det behövs) och kör roboten i samma kontrollerad miljö.
  5. Använd en MATLAB script för att automatiskt spåra markörerna på proven. Vi använder MouseLabTracker 20.
  6. Skapa och jämför vektor tomter av djuret och rörelser robot.
  7. Ändra nervsystemet och upprepa steg 3,3-3,6 för att se hur olika aspekter av den elektroniskanervsystemet påverkar robotens beteende. Här kan vi justera synaptisk styrka mellan sensor klo bump neuroner och det motoriska systemet och övervaka robotens prestanda jämfört med den som en hummer. Alternativt kan de sensoriska förhållanden i testet arenan ändras och de effekter som observerats i robot och djur. Exempelvis skulle arenan beskrivs här underkastas olika vattenflöden.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Ingångar från en hummer klor i sitt nervsystem medla hindret förhandling i en ny miljö. Figur 1 visar en skärmdump av videon som används för att analysera beteendet hos en LEGO robot (Figur 1A) och en hummer (Figur 1B) i testet arenan. Testet arena var omodifierat mellan djur-och tester robot förutom att vattnet tömdes från tanken för roboten prövningar.

Video spårning Resultaten visas i figur 2. Animaliska och robot förflyttningsvägarna har automatiskt spåras med MouseLabTracker 20 i MATLAB. Representativa vägar för hummer (svarta linjer) och LEGO robot prövningar (färgade linjer) visas. I roboten prövningar, synaptisk styrka från klo bump sensoriska nervceller i nervsystemet var varierat och representeras av olikfärgade vägar (röd, låg excitation, blå, medium excitation, grön, hög excitation). Den hypotetiska nervösa ssystemprogram med mitten nivå stimulerande anslutningar från de sensoriska klo bump neuroner producerade liknande beteenden till djuret. Kvantitativa parametrar kan extraheras från data såsom banlängd och genomsnittlig gånghastighet (tabell I).

Figur 1
Figur 1. Overhead videoramar av testet arena för LEGO robot (A) och hummer (B) prövningar. Betingelser hölls identiska förutom att vatten tillsattes till tanken för djurförsök. Den höga kontrasten videobild underlättar automatisk spårning med hjälp av MATLAB programvara.

Figur 2
Figur 2. Spårning av hummer (svarta linjer) och LEGO robot (färgade linjer) stigar genom testet enRena visas i figur 1 på roboten, var den synaptiska styrkan från klo nervceller bump sensor varierade (röd, låg excitation, blå, medium excitation, grön, hög excitation).. Den * Symbolen visar utgångsläget och fyllda svarta figurer visar placeringen av hinder. Eftersom huvudet ståndpunkt som spåras, varierar uppenbara hinder kontakt beror på variabiliteten hos klo läge.

Genomsnittlig banväg (cm) Genomsnittlig körhastighet (cm)
Hummer 177,37 1,03
LEGO Robot (hög excitation) 162,72 0,94
LEGO Robot (mitten excitation) 165,32 0,85
LEGO Robot (låg excitation) 51.02 0,69

Tabell I. Averaged parametrar från analys av videodata beteende för hummer och för LEGO robotar med olika styrkor av input synapser från klo bump sensoriska system.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Vid start av biorobotic nervösa experiment systemsimuleringsprov, finns det några viktiga riktlinjer att följa. Att välja rätt modell organismen är kritisk: plocka en organism som är lätt att få och behålla. Ryggradslösa djur är idealiska eftersom de vanligtvis inte kräver institutionellt godkännande för experiment och deras djurhållning behov ofta är mindre krävande än ryggradsdjur. Ur ett vetenskapligt perspektiv är det fördelaktigt att välja ett djur som har en etablerad neuroethological litteratur rekord som att dra hypoteser för att testa 21.

Lika viktigt som att välja en lämplig organism är valet av lämpliga beteendemässiga reflexer för studien. LEGO NXT-plattformen kan bara hantera fyra sensorer utan egna modifieringar så att välja en relativt enkel sensoriska system med begränsade sensorer är viktigt. Enkla beteendemässiga reflexer är ofta väl beskrivna och ge mer flexibilitet i hypotheses som kan testas. Den datorkraft av NXT är en begränsande faktor för så ansträngningar bör göras för att minska omfattningen av nervsystemet simuleringen. Forskarna publicerar ofta föreslås neurala nätverk som förklarar specifika beteenden och det är lättast att välja en av dessa. Enkla skatter och kineses är väl lämpade för detta biorobotic tillvägagångssätt 22.

Även om detta tillvägagångssätt är användbart för snabb testning av centralnervösa hypoteser, det finns flera begränsningar för att hålla i minnet. Omfattningen av provning möjligt begränsas. Komplicerade sensoriska system kan inte användas med den här plattformen. Till exempel är komplex visuell bearbetning utöver kapaciteten av NXT-processorn, men frågor skulle kunna åtgärdas genom att undersöka enklare komponenter i det visuella systemet, såsom optisk flöde bearbetning. Sensorn svit för NXT ger vissa inneboende begränsningar vad gäller omfattningen av undersökningarna tillgängliga. Även anpassade sensorer kan utvecklas och användas on NXT, är detta en tidskrävande process som kräver elektronik expertis, möjligen förneka fördelarna med plattform för snabb experimentellt genomförande.

Även om det finns begränsningar för de olika hypoteser som kan testas, ger denna metod ett unikt verktyg för att tidigt genomföra förkroppsligade nervsystemet simuleringar. LEGO Mindstorms NXT-plattformen kan fungera som en språngbräda till en mer noggrann genomgång av systemnivå hypoteser vilket framgår av sådana robotar som RoboLamprey 9 och Barbara Webbs robotiserade cricket 23. Enkla komponenter omfattande biomimetic styrarkitekturer kan testas på ett snabbt och enkelt sätt. Metoden kan också främja bio-hybrid simuleringar som styr virtuella agenter för att inkludera förkroppsligade fordonskontroll 24, och det kan fungera som en biomimetisk kontroll ram för att gränssnittet mellan hjärna och maskin 25.

Använda LEGOMindstorms plattform möjliggör överföring av denna biorobotic förhållningssätt till en bredare publik i skolor och laboratorier utanför robotteknik. Verktygen har använts av high school och college studenter 11 och ger en spännande utredning-baserad metod för att lära neurovetenskap, robotteknik, och värdet av tvärvetenskap. Laboratorier utan utrustningen eller bakgrund som behövs för att bygga robotar kan använda denna väl underbyggda huvudfåran robotteknik kit att använda robotar som ett verktyg i sitt arbete. Den biorobotic tillvägagångssätt kan tillämpas på forskning inom en rad områden, från neurovetenskap och etologi till biomekanik och socialt beteende.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna förklarar att de inte har några konkurrerande ekonomiska intressen.

Acknowledgments

Vi tackar Dr Chris Rogers (Tufts University) för programmering och manuskript förslag. Vi tackar Alex Giuliano och Deborah Lee för videoproduktion stöd.

Finansiering tillhandahålls av en NSF Graduate Research Fellowship och en ONR MURI i Syntetisk biologi.

References

  1. Braitenberg, V. Taxis, kinesis and decussation. Prog. in Brain Res. 17, 210-222 (1965).
  2. 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).
  3. Kagaya, K., Takahata, M. Readiness discharge for spontaneous initiation of walking in crayfish. Journal of Neuroscience. 30 (4), 1348-1362 (2010).
  4. Schrameck, J. E. Crayfish Swimming: Alternating Motor Output and Giant Fiber Activity. Science. 169 (3946), 698-700 (1970).
  5. 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).
  6. Webb, B. Validating biorobotic models. Journal of Neural Engineering. 3, 1-20 (2006).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. Gasperi, M., Hurbain, P. Extreme NXT: Extending the LEGO MINDSTORMS NXT to the Next Level. , Apress. Berkeley, C.A. (2007).
  15. Gasperi, M. LabVIEW for LEGO MINDSTORMS NXT. , National Technology and Science Press. Allendale, N.J. (2008).
  16. Kennedy, D., Davis, W. Chapter 27 Organization of invertebrate motor systems. Handbook of Physiology. 1, 1023-1088 (1977).
  17. Buchanan, J., Grillner, S. Newly identified "glutamate interneurons" and their role in locomotion in the lamprey spinal cord. Science. 236 (4799), 312-314 (1987).
  18. Rulkov, N. Modeling of spiking-bursting neural behavior using two-dimensional map. Physical Review E. 65, (2002).
  19. 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).
  20. 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).
  21. Huxley, T. H. The Crayfish, An Introduction to the Study of Zoology. , C. Kegan Paul & Co. London. (1880).
  22. 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).
  23. Webb, B., Scutt, T. A simple latency-dependent spiking-neuron model of cricket phonotaxis. Biological Cybernetics. 82 (3), 247-269 (2000).
  24. 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).
  25. 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).

Tags

Neurovetenskap neurobiologi bioteknik Beteende maskinteknik datavetenskap marinbiologi Biomimetics Marine Science neurovetenskap Syntetisk biologi Robotics robotar modellering modeller Sensory Fusion nervsystemet pedagogiska verktyg programmering programvara hummer, Djurmodell
Utforma och genomföra nervsystemet simuleringar på LEGO robotar
Play Video
PDF DOI

Cite this Article

Blustein, D., Rosenthal, N., Ayers,More

Blustein, D., Rosenthal, N., Ayers, J. Designing and Implementing Nervous System Simulations on LEGO Robots. J. Vis. Exp. (75), e50519, doi:10.3791/50519 (2013).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter