Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Neuroscience

Progettazione e implementazione di simulazioni del sistema nervoso su LEGO Robot

doi: 10.3791/50519 Published: May 25, 2013

Summary

Viene presentato un approccio alla modellazione rete neurale sulla piattaforma robotica LEGO Mindstorms. Il metodo fornisce uno strumento di simulazione per invertebrati ricerca neuroscientifica sia nel laboratorio di ricerca e l'aula. Questa tecnica permette la ricerca di principi di controllo di robot biomimetici.

Abstract

Vi presentiamo un metodo per utilizzare il LEGO Mindstorms NXT piattaforma robotica disponibile in commercio per testare i sistemi di livello di neuroscienze ipotesi. Il primo passo del metodo è quello di sviluppare una simulazione del sistema nervoso di specifici comportamenti riflessivi di un adeguato organismo modello, qui usiamo l'aragosta americana. Riflessi esterocettivi mediate da decussating (incrocio) connessioni neurali in grado di spiegare i taxi di un animale verso o lontano da uno stimolo come descritto da Braitenberg e sono particolarmente adatti per le indagini utilizzando la piattaforma NXT. Viene programmato 1 La simulazione del sistema nervoso utilizzando il software LabVIEW sul LEGO piattaforma Mindstorms. Una volta che il sistema nervoso è adeguatamente regolati, esperimenti comportamentali passino sul robot e sull'animale sotto identiche condizioni ambientali. Controllando l'ambiente sensoriale vissuta dai campioni, si possono osservare differenze di uscita comportamentali. Queste differenze possono puntare a specifiche deficiencrie del modello del sistema nervoso e servono per informare l'iterazione del modello per il particolare comportamento in fase di studio. Questo metodo consente la manipolazione sperimentale dei sistemi nervosi elettronici e serve come un modo per esplorare neuroscienze ipotesi specificamente per quanto riguarda la base neurofisiologica di comportamenti riflessivi innati semplici. Il kit Mindstorms NXT LEGO costituisce una piattaforma accessibile ed efficiente su cui testare schemi di controllo di robot biomimetici preliminari. L'approccio è adatto anche per l'aula di scuola per servire come base per un hands-on basato sulla ricerca curriculum biorobotica.

Introduction

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Indagini neurofisiologiche negli ultimi 100 anni hanno ampliato enormemente la nostra conoscenza della struttura del sistema nervoso e la funzione. Tuttavia, la maggior parte della ricerca del sistema nervoso fino ad oggi ha invocato l'uso di preparati isolati o soggetti sobri. Mentre ci sono stati molti sforzi riusciti a registrare l'attività neurale di comportarsi liberamente animali 2-5, l'approccio biorobotic fornisce un valido strumento per consentire la manipolazione del sistema nervoso al fine di testare i sistemi di livello neuroscienze ipotesi 6. Sistemi nervosi simulati operanti sul robot possono essere sperimentalmente manipolati e permettono l'estensione del software di modellazione per il mondo fisico. Questo approccio è stato ben implementato nel mondo accademico 7,8, ma il processo di costruzione di un robot biomimetico per la verifica di ipotesi può essere costoso e richiede tempo. Vi presentiamo un metodo per eseguire l'approccio biorobotic utilizzando un robot disponibile in commercio kesso (LEGO Mindstorms NXT 2.0). L'obiettivo di questo metodo è quello di fornire un modo rapido ed efficiente per testare sistemi livello neuroscienze ipotesi sul robotizzato 9 o bio-ibridi 10 incarnata simulazioni di reti neurali. Accelerare il processo di ipotesi di sperimentare migliora la produttività della ricerca. Il semplice piattaforma LEGO Mindstorms fornisce un banco di prova per sensori biomimetici e le reti neurali che dimostriamo con l'aragosta americano (Homarus americanus) come organismo modello. Il metodo fornisce anche un potente hands-on strumento educativo in classe gli studenti in grado di progettare e gestire sistemi nervosi per i propri robot 11.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

1. Costruire il modello di robot

  1. Scegli un organismo modello per lo studio che è ben rappresentata nella letteratura neuroethological. Invertebrati generalmente fanno buoni candidati perché i loro sistemi nervosi relativamente semplici sono stati ben studiati e sono in prevalenza costituiti di riflessi innati. Dimostreremo questo approccio con l'aragosta americana, Homarus americanus.
  2. Selezionare ben studiato i comportamenti riflessivi per scopi di modellazione. Abbiamo scelto le risposte del aragosta alla curva antenne e di rilevazione urto artiglio come l'animale risponde riflessivamente alla piegatura di antenne per suscitare rheotaxis (orientamento al flusso d'acqua), mentre i contatti artiglio mediano l'evitamento di ostacoli. Riflessi semplici basandosi su decussating connessioni neurali da sensori bilateralmente simmetriche sono adatti per questo tipo di studio 1.
  3. Costruire o scegliere una piattaforma robotica con opportuni sensori per i comportamenti selezionati al fine di eseguire il neuralesimulazione della rete. Mentre un robot dedicato può essere costruito come RoboLobster 12 o il Sprawl (scarafaggio) famiglia di robot 13, qui usiamo un kit disponibile in commercio per accelerare il processo di sperimentazione. Il LEGO Mindstorms NXT kit 2.0, fornendo modelli, componenti modulari e sensori stabilite, consente la rapida costruzione fisica del robot.
  4. Selezionare o costruire sensori per abbinare le modalità di comportamenti selezionati al punto 1.2. Premade sensori del kit Mindstorms LEGO possono essere usati o sensori homebrew possono essere progettate 14,15. Abbiamo selezionato il sensore di contatto LEGO inclusa e un sensore di curva antenne personalizzato costituito da un sensore di curva FlexPoint impiombato a un connettore NXT. Per costruire un connettore resistivo personalizzato, tagliato un filo connettore NXT e saldare i cavi bianco e nero per i cavi del sensore.
  5. Utilizzare studi neuroethological precedentemente pubblicati da trovare o sviluppare una rete neurale ipotetico per la modellazione purposes. La letteratura ha proposto varie reti neurali di spiegare il comportamento in vari organismi modello, dalle aragoste da 16 a 17 lampreda. Unità neurali funzionali dovrebbero essere identificati e le loro connessioni sinaptiche teorizzato. Esperimenti neuroethological romanzo può anche essere sviluppate e attuate se le circostanze consentono di laboratorio.

2. Programmazione del Sistema Nervoso

  1. Utilizzare il software LabVIEW con il modulo LabVIEW per LEGO MINDSTORMS NXT per creare strumenti virtuali (VI) che corrono equazioni per un neurone matematico e modello di sinapsi. Mentre qualsiasi modello pubblicato può essere utilizzato, si consiglia il tempo discreto map-based (DTM) modello 18. Questo permette computazionalmente efficiente funzionamento in tempo reale mantenendo una varietà di regimi di uscita neuronale. Due parametri di controllo, alfa e sigma, determinano la dinamica del neurone simulato per produrre vario uscita neurale compreso tonic Schiacciata, cottura caotico, il silenzio di rottura e intrinseco. VI di LabVIEW per LEGO Mindstorms per questo modello di neurone può essere trovato on-line qui: http://myfiles.neu.edu/blustein.d/neurobots
  2. Luogo VI in un ciclo while in modo che la rete si aggiornerà iterativo.
  3. Collegare presinaptiche dei neuroni uscite picco attraverso le sinapsi ai neuroni post-sinaptici.
  4. Passano iterativamente l'aggiornamento dei parametri tramite registri a scorrimento per il ciclo di calcolo successivo. Il modello DTM aggiornamenti veloce (x) e lenta (y) variabili dinamiche che vengono passate alla prossima iterazione di calcoli.
  5. Impostare i parametri di sinapsi per definire le caratteristiche della rete. Per ogni sinapsi, la forza sinaptica (gsyn), il tasso di rilassamento (gamma), e il potenziale di inversione (XRP) sono coefficienti nelle equazioni del modello DTM che determinano il comportamento sinaptica. Il valore di gsyn è un multipinza che determina l'entità dell'effetto corrente sinaptica da un evento spike, che vanno da 0.0 (nessun effetto) a 1.0 (100% di effetto). Il valore di gamma è un moltiplicatore che determina il tasso di decadimento della corrente sinaptica indipendentemente eventi spike, che vanno da 0,0 (decadimento completo) a 1.0 (nessun decadimento). Il valore del XRP determina il livello di eccitazione o inibizione della sinapsi, valori normalmente va da -3.0 a 3.0 con valori positivi rappresentano eccitazione e valori negativi rappresentano inibizione. I valori possono essere sintonizzati per le caratteristiche specifiche della rete. Qui usiamo le seguenti impostazioni: gamma = 0.95, gsyn = 0.60 e XRP = 2.2 (sinapsi eccitatoria) o -1.8 (sinapsi inibitoria).
  6. Regolare i parametri di controllo sigma alfa e di modificare l'attività dei neuroni basale. La dinamica del modello per vari parametri di controllo sono descritti in dettaglio in altra 18 ma tipicamente, alfa sigma o tonico chiodare per alti valori di sigma. La transizione tra il 'basso' e 'alta' valori di sigma si verifica in genere tra -1.0 e 1.0 a seconda del valore alfa. Scoppio attività neuronale è prodotta per alfa> 4, quando i valori di sigma sono quasi a zero. Qui usiamo alpha = 4.05 e sigma = -3.10.
  7. Utilizzare LabVIEW per informazioni sensore di ingresso nella rete. Per i sensori forniti, il VIS sono già disponibili all'interno del modulo Mindstorms LabVIEW. Per i sensori resistivi personalizzati, utilizzare il sensore di luce VI come un quadro di programmazione. Informazioni sulla creazione di sensori homebrew può essere trovato altrove 14.
  8. Inserire di grafici sul pannello frontale del programma LabVIEW per visualizzare l'attività neuronale.
  9. Sostituire temporaneamente ingressi sensori con centraline di controllo del pannello frontale, al fine di modificare manualmente il sensoreInformazioni di andare a rete neurale.
  10. Eseguire la rete neuronale e regolare manualmente i comandi del pannello frontale per presentare vario input sensoriale. Verificare che la rete funzioni qualitativamente come previsto per le condizioni note.
  11. Regolare la rete in base alle esigenze, modificando i parametri di neuroni e sinapsi. Primi tentativi di messa a punto della rete dovrebbe essere fatto modificando la forza sinaptica (gsyn) dei vari sinapsi. Altri parametri possono essere necessario un aggiustamento così.
  12. Una volta che le funzioni di rete con una precisione qualitativa, sostituire le caselle di controllo del pannello frontale con l'ingresso del sensore VI.

3. Sistema nervoso Test Simulation

  1. Impostare un ambiente controllato in cui osservare l'animale e il robot in condizioni simili. Usiamo una vasca rettangolare che contiene gli ostacoli rocciosi (Figura 1). Il serbatoio può essere svuotato per accogliere il robot LEGO nello stesso spazio.
  2. Monte avideo telecamera in testa per registrare l'animale / comportamento del robot. Assicurarsi che il contrasto tra il soggetto e lo sfondo è elevato per consentire il monitoraggio automatico. Abbiamo dipinto il fondo del serbatoio di prova bianco.
  3. Posto l'animale in ambiente controllato e registrare video il comportamento. Assicurati di limitare le capacità sensoriali del aragosta per adeguarli a quelli del robot. Qui ci limitiamo sensoriali del aragosta coprendo gli occhi con un foglio di alluminio e maschera deafferenting chemiorecettori con acqua dolce 19.
  4. Regolare l'ambiente per soddisfare un robot LEGO (rimuovere l'acqua se necessario) ed eseguire il robot nello stesso ambiente controllato.
  5. Utilizzare uno script MATLAB per tracciare automaticamente i marcatori sui provini. Usiamo MouseLabTracker 20.
  6. Creare e confrontare vettoriali trame dei movimenti del robot e animali.
  7. Modificare il sistema nervoso e ripetere i passaggi 3,3-3,6 per osservare come diversi aspetti della elettronicasistema nervoso influenza il comportamento del robot. Qui registriamo il forza sinaptica tra gli artigli di bump neuroni sensori e il sistema del motore e le prestazioni del robot del monitor rispetto a quella di un astice. Alternativamente, le condizioni sensoriali in campo prova possono essere cambiate e gli effetti osservati in robot e animale. Per esempio, l'arena qui descritta potrebbe essere sottoposto a diverse portate d'acqua.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Ingressi da artigli di un astice nel suo sistema nervoso mediano trattativa ostacolo in un ambiente nuovo. Figura 1 mostra uno screenshot del video utilizzato per analizzare il comportamento di un LEGO robot (Figura 1A) e un'aragosta (Figura 1B) in ambito di test. Dell'arena test è stato non modificata tra i test robot animale e tranne che l'acqua è stata svuotata dal serbatoio per le prove robot.

Risultati di monitoraggio video vengono visualizzati in Figura 2. Sentieri di viaggio animali e robot sono stati monitorati automaticamente tramite MouseLabTracker 20 in MATLAB. Sono indicati i percorsi rappresentativi per aragosta (linee nere) e LEGO robot prove (linee colorate). Nelle prove robot, forza sinaptica dalla artiglio urtare neuroni sensoriali nel sistema nervoso era varia e rappresentati da diversi percorsi colorati (rosso, bassa eccitazione, blu, eccitazione medium; verde, alta eccitazione). La s nervoso ipoteticoistema con livello medio connessioni eccitatorie dalle artiglio urto neuroni sensoriali prodotte comportamenti simili agli animali. Parametri quantitativi possono essere estratti dai dati quali lunghezza del percorso e la velocità media piedi (Tabella I).

Figura 1
Figura 1. Fotogrammi video Overhead dell'arena di prova per LEGO robot (A) e aragosta (B) Ricerche. Condizioni sono state mantenute identiche tranne che l'acqua è stata aggiunta alla vasca per le prove sugli animali. L'immagine video ad alto contrasto facilita il tracciamento automatico utilizzando il software MATLAB.

Figura 2
Figura 2. Monitoraggio di aragosta (linee nere) e LEGO robot (linee colorate) percorsi attraverso la prova di unarena mostrato in Figura 1 sul robot, la forza sinaptica da artiglio urto sensori neuroni era vario (rosso, bassa eccitazione, blu, eccitazione medio, verde, alta eccitazione).. Il simbolo * indica la posizione di partenza e di forme nere piene mostrano la posizione di ostacoli. Dal momento che la posizione della testa veniva rintracciato, contatto ostacolo apparente varia a causa della variabilità nella posizione di artiglio.

Distanza media percorso (cm) La velocità media di viaggio (cm)
Lobster 177.37 1.03
LEGO Robot (alta eccitazione) 162.72 0.94
LEGO Robot (metà eccitazione) 165.32 0.85
LEGO Robot (bassa eccitazione) 51.02 0.69

tabella I. Averaged parametri di analisi dei dati comportamentali video per aragoste e per i robot LEGO con vari punti di forza della sinapsi di input provenienti dal sistema sensoriale urto artiglio.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Quando si inizia esperimenti di simulazione del sistema nervoso biorobotic, ci sono alcune importanti linee guida da seguire. La scelta del giusto organismo modello è critica: scegliere un organismo che è facile da ottenere e mantenere. Gli invertebrati sono l'ideale, perché di solito non richiedono l'approvazione istituzionale per la sperimentazione e le loro esigenze di allevamento sono spesso meno esigenti di quelli dei vertebrati. Dal punto di vista scientifico, è utile scegliere un animale che ha un record di letteratura neuroethological consolidata da cui trarre ipotesi per il test 21.

Tanto importante quanto la scelta di un organismo idoneo è la selezione di opportuni riflessi comportamentali per lo studio. La piattaforma LEGO NXT può gestire solo quattro sensori senza modifiche personalizzate in modo selezione di un sistema sensoriale relativamente semplice con i sensori limitate è importante. Semplici riflessi comportamentali sono spesso ben descritti e fornire maggiore flessibilità nella hypotheses che possono essere testati. La potenza di calcolo del NXT è un fattore limitante anche così gli sforzi dovrebbero essere fatti per ridurre la portata della simulazione del sistema nervoso. Gli scienziati pubblicare spesso proposti reti neurali che spiegano i comportamenti specifici ed è più semplice per selezionare una di queste. Imposte semplici e kineses che ben si adatta a questo approccio biorobotic 22.

Anche se questo approccio è utile per una rapida verifica delle ipotesi del sistema nervoso, ci sono alcune limitazioni da tenere a mente. L'ambito di test possibile è limitata. Complicati sistemi sensoriali non possono essere utilizzate con questa piattaforma. Ad esempio, l'elaborazione visiva complessa è oltre la capacità del processore NXT ma domande correlate potrebbero essere affrontate da indagando componenti più semplici del sistema visivo, come ad esempio l'elaborazione del flusso ottico. La suite di sensori per l'NXT fornisce alcune limitazioni intrinseche al campo di applicazione delle indagini disponibili. Mentre i sensori personalizzati possono essere sviluppati e utilizzati on l'NXT, questo è un processo che richiede tempo, che richiede competenze di elettronica, forse negare i vantaggi della piattaforma per la rapida attuazione sperimentale.

Mentre ci sono limiti alla gamma di ipotesi che possono essere testati, questo approccio fornisce uno strumento unico per prima fase di attuazione del sistema nervoso simulazioni incarnate. Il Mindstorms NXT LEGO piattaforma può servire come trampolino di lancio per un test più approfondito delle ipotesi livello di sistemi, come dimostrato da questi robot come RoboLamprey 9 e robotica di cricket di Barbara Webb 23. Semplici componenti di ampie architetture di controllo biomimetici possono essere testati in modo rapido e diretto. Il metodo può anche avanzare simulazioni bio-ibridi che controllano agenti virtuali per includere il controllo del veicolo incarnata 24, e può servire come un quadro di controllo biomimetico di interfaccia tra cervello e macchina 25.

Utilizzando il LEGOPiattaforma Mindstorms consente il trasferimento di questo approccio biorobotic ad un pubblico più vasto nelle scuole e laboratori al di fuori della robotica. Gli strumenti sono stati utilizzati da scuole superiori e studenti universitari di 11 e di fornire un metodo di indagine basato emozionante per insegnare neuroscienze, robotica, e il valore della scienza interdisciplinare. Laboratori senza l'attrezzatura o lo sfondo necessario per costruire robot possono utilizzare questo kit di robotica tradizionale ben supportato da usare i robot come strumento per il loro lavoro. L'approccio biorobotic potrebbe applicarsi alla ricerca in una gamma di settori, dalle neuroscienze e di etologia di biomeccanica e il comportamento sociale.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Gli autori dichiarano di non avere interessi finanziari in competizione.

Acknowledgments

Ringraziamo il Dott. Chris Rogers (Tufts University) per la programmazione e il manoscritto suggerimenti. Ringraziamo Alex Giuliano e Deborah Lee per il sostegno alla produzione video.

Finanziamenti erogati da un NSF Graduate Research Fellowship e un MURI ONR in biologia sintetica.

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).
Progettazione e implementazione di simulazioni del sistema nervoso su LEGO Robot
Play Video
PDF DOI

Cite this Article

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).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