Summary
Se presenta un enfoque para el modelado de redes neuronales en la plataforma de robótica LEGO Mindstorms. El método proporciona una herramienta de simulación para invertebrados investigación en neurociencias, tanto en el laboratorio de investigación y en el aula. Esta técnica permite la investigación de los principios de control de robots biomiméticos.
Abstract
Se presenta un método para utilizar la plataforma disponible en el mercado LEGO Mindstorms NXT robótica para poner a prueba los sistemas de nivel de la neurociencia hipótesis. La primera etapa del método es el desarrollo de una simulación del sistema nervioso de los comportamientos reflexivos específicos de un organismo modelo apropiado; aquí usamos la langosta americana. Reflejos exteroceptivos mediadas por decussating (cruce) conexiones neuronales pueden explicar los taxis de un animal hacia o lejos de un estímulo tal como se describe por Braitenberg y se adaptan particularmente bien para la investigación usando la plataforma de NXT. 1 La simulación del sistema nervioso se programa usando el software LabVIEW en el LEGO plataforma Mindstorms. Una vez que el sistema nervioso está sintonizado correctamente, los experimentos de comportamiento se ejecutan en el robot y en el animal en las condiciones ambientales idénticas. Al controlar el ambiente sensorial experimentado por las muestras, se pueden observar diferencias en resultados conductuales. Estas diferencias pueden indicar deficienc específicas en el modelo del sistema nervioso y sirve para informar a la versión del modelo para el comportamiento particular de estudio. Este método permite la manipulación experimental de los sistemas nerviosos electrónicos y sirve como una forma de explorar hipótesis neurociencia específicamente con respecto a la base neurofisiológica de comportamientos reflexivos innatas simples. El kit de LEGO Mindstorms NXT ofrece una plataforma asequible y eficiente en el que poner a prueba sistemas de control de robots biomiméticos preliminares. El enfoque también es muy adecuado para el aula de secundaria para servir como la base para una práctica en el plan de estudios basado en la investigación biorrobótica.
Introduction
Investigaciones neurofisiológicas en los últimos 100 años se han ampliado enormemente nuestro conocimiento de la estructura del sistema nervioso y la función. Sin embargo, la mayor parte de la investigación del sistema nervioso hasta la fecha se ha basado en el uso de preparaciones aisladas o materias restringidas. Aunque ha habido muchos esfuerzos exitosos para registrar la actividad neuronal de comportarse libremente animales 2-5, el enfoque biorobotic proporciona una valiosa herramienta para permitir la manipulación del sistema nervioso con el fin de probar los sistemas de nivel de hipótesis neurociencia 6. Sistemas nerviosos simulados que operan en los robots pueden ser experimentalmente manipulados y permiten la extensión de modelado de software con el mundo físico. Este enfoque ha sido bien implementada en el mundo académico de 7,8, pero el proceso de construcción de un robot biomimético para la prueba de hipótesis puede ser costoso y consume tiempo. Se presenta un método para ejecutar el enfoque biorobotic utilizando un comercialmente disponible robótica kél (LEGO Mindstorms NXT 2.0). El objetivo de este método es proporcionar una manera rápida y eficaz para poner a prueba los sistemas de nivel de neurociencia hipótesis sobre robótica 9 o bio-híbridos 10 incorporados simulaciones de redes neuronales. Acelerar el proceso de hipótesis y experimentación mejora la productividad de la investigación. La plataforma sencilla LEGO Mindstorms proporciona un banco de pruebas para sensores biomiméticos y redes neuronales que muestran el uso de la langosta americana (Homarus americanus) como organismo modelo. El método también proporciona una potente herramienta práctica educativa en el aula, los estudiantes pueden diseñar y manipular sistemas nerviosos por sus propios robots 11.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Construyendo el Modelo Robot
- Elige un organismo modelo para el estudio que está bien representada en la literatura neuroethological. Los invertebrados en general son buenos candidatos debido a que sus sistemas nerviosos relativamente simples han sido bien estudiado y se componen principalmente de los reflejos innatos. Vamos a demostrar este enfoque con la langosta americana, Homarus americanus.
- Seleccione bien estudiado comportamientos reflexivos con fines de modelización. Hemos elegido las respuestas de la langosta de curva antenal y para la detección de golpe de garra como el animal responde instintivamente a la flexión de la antena para obtener rheotaxis (orientación al flujo de agua), mientras que los contactos garra median evitar obstáculos. Reflejos simples que dependen de decussating conexiones neuronales de los sensores de simetría bilateral son muy adecuadas para este tipo de estudio 1.
- Crear o elegir una plataforma robótica con sensores adecuados para los comportamientos seleccionados con el fin de ejecutar el neuralsimulación de la red. Mientras que un robot dedicado puede ser construido como RoboLobster 12 o la dispersión (cucaracha) familia de robots 13, aquí se utiliza un kit disponible en el mercado para agilizar el proceso experimental. El kit de LEGO MINDSTORMS NXT 2.0, proporcionando plantillas, componentes modulares y sensores establecidos, permite la rápida construcción física del robot.
- Seleccione o construir sensores para que coincida con las modalidades de las conductas seleccionadas en el paso 1.2. Premade sensores del kit LEGO Mindstorms pueden ser utilizados o sensores caseros pueden ser diseñados 14,15. Hemos seleccionado el sensor táctil LEGO incluido y un sensor de flexión antenal costumbre que consiste en un sensor de flexión FlexPoint empalmada a un conector de NXT. Para crear un conector resistente costumbre, cortar un cable conector de NXT y soldar los cables blanco y negro a los cables del sensor.
- Utilice estudios neuroethological publicados anteriormente para encontrar o desarrollar una red neuronal hipotética para el modelado purposes. La literatura ha propuesto varias redes neuronales para explicar el comportamiento en varios organismos modelo, de langostas 16 a 17 lamprea. Unidades neuronales funcionales deben ser identificados y sus conexiones sinápticas teorizaron. Experimentos neuroethological novela también se pueden desarrollar y aplicar, si las circunstancias de laboratorio permiten.
2. Programación del Sistema Nervioso
- Utilice el software LabVIEW con el Módulo LabVIEW para LEGO MINDSTORMS NXT para crear instrumentos virtuales (VIs) que se ejecutan las ecuaciones para una neurona matemática y el modelo de sinapsis. Mientras que cualquier modelo que se publica se puede utilizar, se recomienda el tiempo discreto basado en mapas (DTM) modelo 18. Esto permite la operación en tiempo real computacionalmente eficiente manteniendo al mismo tiempo una variedad de regímenes de salida de disparo neuronal. Dos parámetros de control, alfa y sigma, determinan la dinámica de la neurona simulada para producir variada de salida neuronal incluyendo Tonic Rematar, caótica despido, el silencio que estalla e intrínseca. VIs de LabVIEW para LEGO Mindstorms para este modelo neuronal se puede encontrar en línea en: http://myfiles.neu.edu/blustein.d/neurobots
- Lugar VIs en un bucle While para que la red se actualizará iterativa.
- Conecte la neurona presináptica salidas pico través de las sinapsis en las neuronas postsinápticas.
- Pass iterativamente la actualización de parámetros a través de registros de desplazamiento para el siguiente ciclo de cálculo. El DTM modelo actualizaciones rápido (x) y variables dinámicas lentas (y) que se pasan a la siguiente iteración de los cálculos.
- Establezca los parámetros de sinapsis para definir las características de la red. Para cada sinapsis, la fuerza sináptica (gsyn), la velocidad de relajación (gamma), y el potencial de inversión (XRP) son coeficientes de las ecuaciones del modelo DTM que determinan el comportamiento sináptica. El valor de gsyn es un multialicates que determina la magnitud de la corriente sináptica efecto de un evento de pico, que van desde 0.0 (sin efecto) a 1,0 (100% de efecto). El valor de gamma es un multiplicador que determina la tasa de decaimiento de la corriente sináptica independientemente de los eventos pico, que van desde 0,0 (descomposición completa) a 1.0 (sin descomposición). El valor de XRP determina el nivel de la excitación o la inhibición de la sinapsis, valora típicamente rango -3,0 a 3,0 con valores positivos representan excitación y los valores negativos representan la inhibición. Los valores pueden ajustarse a sus características específicas de la red. Aquí se utiliza la siguiente configuración: gamma = 0,95, gsyn = 0,60 y XRP = 2,2 (sinapsis excitatoria) o -1,8 (sinapsis inhibitoria).
- Ajuste alfa y parámetros de control de sigma para modificar la actividad neuronal basal. La dinámica del modelo de variados parámetros de control se describen en detalle en otra parte 18 pero por lo general, alfa sigma sigma bajos. La transición entre "baja" y "alta" valores sigma generalmente ocurre entre -1,0 y 1,0 en función del valor alfa. Repartir la actividad neuronal se produce para alpha> 4, cuando los valores de sigma están cerca de cero. Aquí se utiliza alfa = 4,05 y sigma = -3,10.
- Utilice LabVIEW VIs a la información del sensor de entrada a la red. Para los sensores previstos, los VIs ya están disponibles en el módulo LabVIEW Mindstorms. Para los sensores resistivos personalizados, utilice el sensor VI Luz como un marco de programación. Información sobre la creación de sensores caseros se puede encontrar en otro lugar 14.
- Insertar diagramas gráficos en el panel frontal del programa LabVIEW para visualizar la actividad neuronal.
- Reemplace temporalmente las entradas del sensor con cajas de control del panel frontal para manipular manualmente el sensorinformación va a la red neuronal.
- Ejecutar la red neuronal y ajustar manualmente los controles del panel frontal para presentar variados estímulos sensoriales. Asegúrese de que la red funciona cualitativamente como se predijo por condiciones conocidas.
- Ajuste de la red según sea necesario mediante el cambio de los parámetros de neuronas y sinapsis. Primeros intentos de ajuste de la red se debe hacer mediante el cambio de la fuerza sináptica (gsyn) de las distintas sinapsis. Pueden necesitar ser ajustado así como otros parámetros.
- Una vez que las funciones de la red con una precisión cualitativa, reemplace las cajas de control del panel frontal, con la entrada del sensor VIs.
3. Pruebas de Simulación del Sistema Nervioso
- Establecer un ambiente controlado en el que observar el animal y el robot en condiciones similares. Utilizamos un tanque rectangular que contiene obstáculos roca (Figura 1). El tanque puede ser vaciado para alojar el robot LEGO en el mismo espacio.
- Mount avideo sobrecarga cámara para grabar el animal / comportamiento del robot. Asegúrese de que el contraste entre el motivo y el fondo es alta para permitir el seguimiento automático. Pintamos la parte inferior de la prueba del tanque blanca.
- Colocar el animal en el ambiente controlado y el comportamiento de grabación de vídeo. Asegúrese de limitar las capacidades sensoriales de la langosta para que coincida con los del robot. Aquí nos limitamos capacidades sensoriales de la langosta, cubriendo los ojos con una máscara de papel de aluminio y deafferenting quimiorreceptores con agua dulce 19.
- Ajuste el entorno para adaptarse a un robot LEGO (eliminación de agua si es necesario) y ejecutar el robot en el mismo entorno controlado.
- Utilice una secuencia de comandos de MATLAB para seguir automáticamente los marcadores en las muestras. Utilizamos MouseLabTracker 20.
- Crear y comparar representaciones gráficas de vectores del animal y los movimientos del robot.
- Modificar el sistema nervioso y repita los pasos 3.3 a 3.6 para observar cómo los diferentes aspectos de la electrónicasistema nervioso afecta el comportamiento del robot. Aquí nos ajustamos la fuerza sináptica entre las neuronas garra bump sensor y el sistema del motor y el rendimiento del robot de monitor en comparación con la de una langosta. Alternativamente, las condiciones sensoriales en la zona de ensayo pueden ser modificados y los efectos observados en el robot y animal. Por ejemplo, la arena se describe aquí podría ser sometido a diferentes tasas de flujo de agua.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Las aportaciones de las garras de una langosta en su sistema nervioso median en la negociación de obstáculos en un ambiente nuevo. Figura 1 se muestra una captura de pantalla del video utilizado para analizar el comportamiento de un robot LEGO (Figura 1A) y una langosta (Figura 1B) en el campo de prueba. La zona de ensayo no se modificó entre las pruebas robot animales y excepto que el agua se vació desde el tanque para los ensayos robot.
Los resultados del rastreo de vídeo se muestran en la Figura 2. Rutas de viaje de animales y el robot se realiza un seguimiento automático utilizando MouseLabTracker 20 en MATLAB. Se muestran los caminos representativos para langosta (líneas negras) y los ensayos de robots LEGO (líneas de color). En los ensayos del robot, la fuerza sináptica de la garra bump las neuronas sensoriales en el sistema nervioso se varió y representados por diferentes caminos de color (rojo, bajo excitación; azul, excitación medio; verde, alta excitación). El s nervioso hipotéticaistema con mediados de conexiones excitatorias nivel de la protuberancia neuronas sensoriales garra produce comportamientos similares al animal. Parámetros cuantitativos pueden ser extraídos de los datos, tales como longitud de la trayectoria y la velocidad media a pie (Tabla I).
Figura 1. Fotogramas de vídeo de arriba de la zona de ensayo de LEGO robot (A) y langosta (B) Ensayos. Condiciones se mantuvieron idénticos, excepto que el agua se añadió al tanque para los ensayos con animales. La imagen de vídeo de alto contraste facilita el seguimiento automático utilizando el software MATLAB.
Figura 2. El seguimiento de la langosta (líneas negras) y LEGO robot (líneas de color) caminos a través de la prueba de unrena muestra en la Figura 1 En el robot, la fuerza sináptica de las neuronas garra sensor de golpes era variada (rojo, baja excitación, el azul, la excitación mediano, de color verde, de alta excitación).. El símbolo * indica la posición inicial y formas negras llenas muestra la ubicación de los obstáculos. Desde la posición del cabezal se está realizando un seguimiento, contacto aparente obstáculo varía debido a la variabilidad en la posición de garra.
| La distancia media ruta (cm) | La velocidad media de carrera (cm) | |
| Langosta | 177.37 | 1.03 |
| LEGO Robot (alta excitación) | 162.72 | 0.94 |
| LEGO Robot (mediados de excitación) | 165.32 | 0.85 |
| LEGO Robot (bajo excitación) | 51.02 | 0.69 |
Tabla I. promediado los parámetros de análisis de datos sobre el comportamiento de video para langostas y de robots de LEGO con diversos puntos fuertes de las sinapsis de entrada del sistema sensorial golpe de garra.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Al iniciar experimentos de simulación del sistema nervioso biorobotic, hay algunas pautas importantes a seguir. Elegir el organismo modelo adecuado es fundamental: elegir un organismo que es fácil de obtener y de mantener. Los invertebrados son ideales, ya que por lo general no requieren la aprobación institucional para la experimentación y sus necesidades de cría suelen ser menos exigentes que los de los vertebrados. Desde una perspectiva científica, es beneficioso para elegir un animal que tiene un registro literatura neuroethological establecida de la que extraer hipótesis para probar 21.
Tan importante como la elección de un organismo adecuado es la selección de los reflejos de conducta adecuadas para su estudio. La plataforma LEGO NXT sólo puede manejar cuatro sensores sin modificaciones personalizadas para la selección de un sistema sensorial relativamente sencillo con sensores limitados es importante. Reflejos conductuales simples son a menudo bien descritos y proporcionar más flexibilidad en el hypotheses que se pueden probar. La potencia de cálculo del NXT es un factor limitante también, así que se deben hacer esfuerzos para reducir el alcance de la simulación del sistema nervioso. Los científicos a menudo publican proponen redes neuronales que explican comportamientos específicos y es más fácil para seleccionar uno de ellos. Impuestos y kineses simples se adaptan bien a este enfoque biorobotic 22.
Si bien este enfoque es útil para pruebas rápidas de las hipótesis del sistema nervioso, hay varias limitaciones a tener en cuenta. El ámbito de aplicación de prueba posible es limitada. Sistemas sensoriales complicadas no se pueden utilizar con esta plataforma. Por ejemplo, el procesamiento visual complejo se encuentra más allá de la capacidad del procesador NXT pero las preguntas relacionadas podrían ser abordados mediante la investigación de los componentes más simples del sistema visual, como el procesamiento de flujo óptico. El conjunto de sensores para el NXT proporciona algunas limitaciones inherentes en cuanto al alcance de las investigaciones disponibles. Mientras que los sensores personalizados pueden ser desarrollados y utilizados on el NXT, este es un proceso que consume tiempo que requiere experiencia en electrónica, posiblemente negar las ventajas de la plataforma para la implementación experimental rápida.
Si bien hay limitaciones en la gama de hipótesis que pueden ser probadas, este enfoque proporciona una herramienta única para la aplicación temprana etapa de consagrados simulaciones del sistema nervioso. La plataforma de NXT LEGO Mindstorms puede servir como un trampolín para una prueba más exhaustiva de las hipótesis a nivel de sistemas como lo demuestran estos robots como RoboLamprey 9 y el cricket robótico de Barbara Webb 23. Componentes simples de extensas arquitecturas de control biomiméticos se pueden probar de una manera rápida y sencilla. El método también puede avanzar simulaciones bio-híbrido que controlan los agentes virtuales para incluir incorporado el control del vehículo 24, y que puede servir como un marco de control biomimético de interfaz entre cerebro y máquina 25.
Uso de la LEGOPlataforma Mindstorms permite la transferencia de este enfoque biorobotic a un público más amplio en las escuelas y los laboratorios independientes de la robótica. Las herramientas han sido utilizadas por los estudiantes de secundaria y universitarios 11 y proporcionar un método basado en la investigación emocionante para enseñar a la neurociencia, la robótica y el valor de la ciencia interdisciplinaria. Laboratorios sin el equipo o elementos necesarios para construir robots pueden usar este kit de robótica convencional bien apoyado utilizar robots como una herramienta en su trabajo. El enfoque biorobotic podría aplicarse a la investigación en una variedad de campos, desde la neurociencia y la etología de la biomecánica y el comportamiento social.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Los autores declaran que no tienen intereses financieros en competencia.
Acknowledgments
Agradecemos al Dr. Chris Rogers (Universidad de Tufts) para sugerencias de programación y el manuscrito. Damos las gracias a Alex Giuliano y Deborah Lee de apoyo a la producción de vídeo.
Los fondos proporcionados por la NSF Graduate Research Fellowship y una MURI ONR en Biología Sintética.
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).
