Waiting
Login processing...

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

Neuroscience

ניסויי נוירו-רובוטית לולאה סגורה כדי לבדוק את מאפיינים חישובית של רשתות עצבי

Published: March 2, 2015 doi: 10.3791/52341

Introduction

תכונות של תפקוד מוח רבות בלתי אפשריות כיום לשכפל במערכת מלאכותית. יכולתו של המוח לעבד במהירות מידע חושי מורכב וליצור, בתגובה, פקודות מוטוריות מדויקות היא בעצמו כבר מעבר ל- the-art המדינה של הנוכחי. אבל יכולתה להסתגל לתנאים שונים על ידי למידה מניסיון העבר עושה את זה כל כך עדיף בהרבה על מערכות בקרה שפותח אנושיות. עד כה, ניסיונות לשכפל או לנצל פלסטיות זו נפגשה הצלחה קטנה, וההבנה של המנגנון הפנימי של המוח חמקה האחיזה של חוקרים. אחד הנושאים העיקריים תוך חוקר את הקשר בין המוח וההתנהגות היא חוסר היכולת לגשת כראוי את כל המשתנים במערכת: באופן אידיאלי, התקנה ניסיונית אופטימלית תאפשר הקלטה וגירוי בו זמנית למספר גדול של תאי עצב, יציבות לטווח ארוך , ניטור של עמדות סינפסות ומשקולות, ודו-directio שליטהאינטראקציה סופית עם הסביבה. הקושי במעקב אחר כל אלה משתנים בו זמנית הוביל למחקר של קשר המוח-ההתנהגות בשני סולמות שונים מאוד: או עם התנהגות בעלי חיים, ללא בקרה טובה על תנאי ניסוי 1-7 או עם חלקים קטנים, מבודדים, כגון חלקים מ רקמה עצבית, ללא ראייה כוללת של מערכת 8. במקרה האחרון, בזמן שאין הגדרת ניסוי פיתחה מאפשרת ניטור של כל הפרמטרים המעורבים בפעולתו של אף רשת עצבית פשוטה המלא, trade-off טוב מסופק על ידי נוירונים ניתק גדלו עם מיקרו-אלקטרודה מערכי 9 (MEAs). התקנים אלה, שנולדו בסוף שנתי ה -70 10, יש לי מספר יתרונות על פני שיטות מסורתיות אלקטרופיזיולוגיה: ראשית, האפשרות להקלטה וגירוי רשת עצבית במקומות רבים ושונים בו-זמנית (בדרך כלל 60 אלקטרודות). יתר על כן, הצימוד של MEAs עם תאים הוא כמעט בלתי פולשנית, המאפשר התבוננות באותה הרשת לפרקי זמן ארוכים, עד מספר חודשים 11. ההשפעות הפיזיולוגיות של גירוי חשמלי בתרבויות ניתקו נחקרו רבות הודות למכשירים אלה, חושפים כי נכסים רבים שנצפו בקני מידה גבוהות יותר (כגון, למשל, גמישות וזיכרון פשוט מעבד 12-14) השתמרו למרות האובדן של אדריכלות. במהלך צמיחת התרבות, רשתות אלה יתחילו להראות פעילות ספונטנית בכ -7 ימים במבחנה (DIV) 15,16. פעילות רשת נוטה להשתנות באופן קיצוני עם המשך צמיחה; ראשון כקוצים בודדים לאסוף לפרצים (לקראת סוף השבוע השני) 17, מאוחר יותר כפי שהוא הופך לדפוס מורכב ביותר של מסונכרן רשת, שאינה תקופתית פורץ 18, המייצג את המדינה הבוגרת של רשת. זה כבר הציע 19 שהתנהגות סינכרוני זה, דומה במקצת לזה שנצפה בשיא in vivoציורים על בעלי חיים ישנים, נגרמים על ידי חוסר הקלט חושי.

גישה שונה ניסתה להשיג הבנה טובה יותר של קידוד מידע נלקחת על ידי ביצוע ניסויים בלולאה סגורה, שבו סוגים שונים של אותות משמשים לשליטה על הגירוי של העצבית הרשת עצמה 11,20-23. בניסויים אלה, סוכן חיצוני מסוגל אינטראקציה עם הסביבה נעשה שימוש כדי ליצור מידע חושי המוזן לרשת העצבית, אשר, בתורו, המיוצרת על פקודות מוטוריות למנגנון מפעיל. זה אפשר תצפיות של כמה תכונות דינמיות וגמישות של מערכות עצביות התפתחו בתגובה לשינויים הנגרמים בסביבה.

התקנה לבצע 'גלומה נוירופיזיולוגיה' ניסויים פותחו, שבו פלטפורמת גלגלי חיישן (רובוט פיזי או המודל הווירטואלי שלה) נע על בזירה ופרופילי המהירות שלו נקבעים על ידי הפעילות של נוירוניםמערכת (כלומר, אוכלוסייה של נוירונים בתרבית חולדה על MEA). הרובוט מאופיין בפרופילי המהירות של שני הגלגלים שלה באופן עצמאי בשליטה ועל ידי הקריאה הנוכחית של חיישני המרחק. הטבע של חיישני המרחק המדויק אינו רלוונטי; הם עשויים להיות אקטיביים או פסיביים חיישנים אופטיים או חיישני אולטרא-סאונד. ברור, נושא זה אינו חל במקרה של רובוטים וירטואליים, שבו חיישנים עשויים להיות מתוכננים עם כל תכונה רצויה.

בניסויים שתוארו במסמך זה, הרובוט המשמש הוא תמיד היישום הווירטואלי, עם 6 חיישני מרחק מצביעים על 30 מעלות, 60 מעלות ו -90 מעלות מהרובוט הולך בשני הכיוונים. הפעילות של שלושה חיישני שמאל וימין היא בממוצע והפעילות של התרבות הביולוגית היא מונעת על ידי המידע שנאסף על ידי "סופר-חיישנים 'כזה (שפשוט יהיה מכונים" שמאל "וחיישנים" נכון "במנוחה על עבודה זו). פרוטוcol תאר בפועל עשוי להיות מיושם על הרובוט הפיזי עם התאמות קיקיוניות למדי. המידע שנאסף על ידי הרובוט (בין אם פיזי או וירטואלי) מקודד בסדרה של גירויים המשמשים כדי לתפעל את הפעילות של הרשת העצבית הביולוגית, אשר מופרדת מבחינה פיזית על ידי הרובוט. הגירויים עצמם כולם זהים ולכן אינו קוד כל מידע. מה שרלוונטי הוא התדר שלהם: העלאות ריבית גירוי כאשר הרובוט מתקרב מכשול, עם אתרים שונים משלוח קידוד מידע חושי מ'העיניים 'שמאל וימין של הרובוט. הרשת העצבית תציג תגובות שונות לרכבת הנכנסת של גירויים: המשימה של אלגוריתם הפענוח היא לתרגם את פעילות רשת וכתוצאה מכך לפקודות המשמשות לשליטה הגלגלים של הרובוט. בהתחשב בהתנהגות רשת 'מושלמת' (כלומר, עם אמין ולגמרי מופרדים תגובות לגירויים מאלקטרודות שונות), זה היה Result ברובוט נהיגה בזירה שלה מבלי להכות כל מכשולים. רוב הרשתות נוכחי התנהגות שונות מאוד מאידיאלית, ולכן פרוטוקול למידה פשוט הוא הציג: גירוי כאשר מופעל, tetanic (התקפים קצרים של גירוי בתדר גבוה, 20 הרץ לגירוי 2 שניות, בהשראת הפרוטוקולים המתוארים ב24,25) הבאים התנגשות עם מכשול מועברת. אם תוצאות גירוי tetanic בחיזוק מקומי של קישוריות לרשת, זה יגרמו לעלייה הדרגתית ביכולות הניווט של הרובוט.

HyBrainWare2, גרסה משופרת של התוכנה המותאמת אישית שפורסמה ב -26, היא ארכיטקטורת הליבה שפותחה לטיפול בשליטה של ההתקנים השונים של המערכת (ממריץ, רכישת נתונים, עיבוד והדמיה, תקשורת רובוט או סימולציה). תוכנה זו פותחה במעבדה שלנו, והוא זמין באופן חופשי על פי בקשה. תוכנה זו מספקת ממשק עםלוח רכישת נתונים: לאחר שהמשתמש מתחיל רכישת נתונים מGUI, התוכנה שולטת בלוח הרכישה להתחיל הדגימה והמרת A / D של נתונים המגיעים מאלקטרודות ההקלטה. נתונים אלה לאחר מכן ניתן להקליט, מוצגים מסך או מנותח בזמן אמת כדי לזהות קוצים, בהתאם לאפשרויות שנקבעו על ידי המשתמש (ראה סעיף נוהל לפרטים נוספים). יתר על כן, בתוך התוכנה, יש לציין אלגוריתמי ההגדרה של קידוד (תרגום של מידע חושי לגירוי חשמלי) ופענוח (תרגום של פעילות מוקלטת לפקודות מוטוריות לרובוט). בפרט, ההגדרה שלנו היא יחסית ידידותי למשתמש בהשוואה למערכות דומות שנועדו בעבר 27, מאז ניתן לגשת כמעט לכל המשתנים על ידי המשתמש נכון לפני תחילת הניסוי בפועל, ואילו את כל המידע המוקלט נשמר באופן אוטומטי בתבנית תואמת ל ארגז כלים לניתוח נתונים עצביים 28.

סעיף ההליך הבא מתאר ניסוי למידה על תרבויות בהיפוקמפוס חולדה ניתק: כל culturing והפרמטרים ניסיוניים ניתנים להכנה המסוימת הזה וייתכן שיהיה הצורך לשנות אם מצע ביולוגי שונה הוא לשמש. בדומה לכך, הניסוי המתואר מנצל את ארכיטקטורת הלולאה הסגורה כדי לחקור את השפעת הלמידה של גירוי tetanic, אבל הארכיטקטורה עצמו היא גמישה מספיק כדי לשמש במחקר של תכונות שונות של רשתות עצביות ניתקו. גרסאות עיקריות של הניסוי המוצע מוסברות בהרחבה בסעיף הדיון.

Protocol

1. הכנת עצבית תרבות על MEA

  1. פלייט תרבויות עצביות על שבבי MEA, כפי שתואר 29. התיאור של הליך דומה הוא גם סיפק 9 ובסעיף הדיון.
  2. הפעל את מערכת חימום MEA על 5-10 דקות לפני תחילת ההקלטה כדי למזער את הלחץ התרמי חווה על ידי התאים: יעד טמפרטורה מוגדרת של בקר הטמפרטורה עד 37 מעלות צלזיוס ולעבור על צלחת החימום מתחת לMEA עצמו (בתנאי ברוב מסחרי מערכות MEA), ואם זמין, כיסוי מחומם כדי להפחית את האידוי באופן משמעותי.
  3. לעקר כובעי גז חדיר לפני כל שימוש בחיטוי עם לח בחום (30 דקות, 130 מעלות צלזיוס). כדי למנוע אידוי ולמנוע שינויים בosmolarity, לשמור על התרבויות מכוסות בכובעים במהלך הקלטה.
  4. מניחים את התרבות העצבית בדקות מגבר 30 לפני למעשה מתחיל את ההקלטה.
    הערה: כל שעליך לעשות נע התרבויות מincubator למגבר באופן משמעותי ישבש פעילות ספונטנית כלחצי שעה. במהלך תקופה זו, טמפרטורה בינונית התרבות תתייצב.
  5. אם מעגל carbair זמין, להתחיל במחזור של carbair (CO 2 ו -95% O תערובת של 5% 2 + N 2) לניסויים יותר מכמה שעות: תרבויות תדרוש אותו על מנת לשמור על שני רמות החמצן וה- pH יציב.

2. בחירה של פרמטרי הקלטה לרכישת MEA

  1. רוחב פס של מסנן תוכנה בחר כדי לזהות קוצים (כלומר, פעילות Multi-Unit - mua) 30: בצורת RawDataDisplay סמן את תיבת הסימון '300 kHz Hz-3 ".
  2. הפעל את הרכישה של נתונים: לחץ על הכפתור "התחל" בצורת RawDataDisplay.
  3. רווח סף שנקבע לגילוי עלייה חדה בRawDataDisplay עד 7.
    הערה: בהתאם לסגולי / איזון סלקטיביות הרצוי ועל אומץ לזהותאלגוריתם יון, סף זה יכול להיות מוגדר בין 6 ל -10 פעמים סטיית התקן המחושבת.
  4. הגדר זיכרון סף עד 2 שניות ולחץ על הכפתור "הנעילה" כאשר אין פעילות spiking גלויה בתצוגה (שני הפקודות הן בצורת RawDataDisplay). סמן את 'הערך SD מחציון' כדי לחשב סטיית תקן רעש מהחציון של הערך המוחלט של האות נצפתה 31,32, אם זה קשה לספק חלונות זמן קצרים גם ללא להתחדד פעילות. הסר את הסימון מאפשרות זו לאחר הלחיצה על הכפתור "הנעילה", כאלגוריתם הבסיסי הוא אינטנסיבי המחשוב ועלול לגרום למחשב לפגר.
  5. הפעל שגרת זיהוי ספייק (תיבת הסימון "ספייק איתור 'בצורת RawDataDisplay). אם זיהוי ספייק כבר פועל (כלומר, את תיבת הסימון כבר מסומנת), לבטל קוצים זוהו עד לרגע זה על ידי לחיצה על "איפוס" כפתור בצורת נתונים ההקלטה.

3. בחירה של אלקטרודות MEA כדי לעורר את החישוב עצבי תרבות ותגובת מפה

  1. פעילות ספונטנית שיא של התאים עצבי תרבית על MEA למשך 30 דקות: לשמור את הנתונים לקובץ על-ידי לחיצה על הכפתור 'שיא', בתיבה "הקוצים" של טופס DataRecording, לאחר הכמות הרצויה של זמן שחלף (30 דקות, במקרה זה).
  2. זהה את 10 ערוצים הפעילים ביותר (כלומר, 10 ערוצים עם ספירת ספייק הגבוהה ביותר), ולאחר מכן בחר ערוצים אלה בכל אחת מפריסות MEA (או בקידוד, פענוח צורות או מפת חיבור) על ידי גרירת סמן העכבר מעל האזורים הרצויים. ברגע שהערוצים נבחרים, לחץ לחיצה ימנית בכל מקום בפריסת MEA ובחר 'הוסף לשמאל אזור חושי "בתפריט המוקפץ: אלקטרודות אלה ישמשו כדי לספק גירוי חשמלי בשלב 3.5.
  3. ודא שממריץ ומגבר MEA מחוברים כראוי: כל תצורות requזעם שני חוטים לכל ערוץ גירוי רצוי, בזמן שיידרשו כבלים קואקסיאליים נוספים כדי לשאת את אות התיאום (עיין במדריכים של המכשירים הספציפיים לדיאגרמות חיבור). המשך לאחר מכן להפוך את ממריץ ב.
  4. להגדיר פרמטרים גירוי בצורת מפת חיבור. כל הגירויים מועברים לתרבות הם גלי מתח כיכר biphasic. קבע חצי משך זמן עד 300 μsec ומשרעת לעמ '1.5 V 33.
    הערה: גירויים גדולים מספיק כדי לעורר באופן מהימן תגובות עצביות סבירה מאוד פשרה ההקלטה של ​​פעילות מאותם אתרים. בשאר הנייר, אלקטרודות המשמשות למתן גירוי לא צריכים להיות נבחרו להקלטה כל מידע רלוונטי.
  5. שיא תגובה לגירוי: לחץ על הכפתור התחל בצורת ConnectionMap. סדרה של 30 גירויים, עם מרווח של 5 שניות הוא, בתורו, באופן אוטומטי מכל אחת מהאלקטרודות נבחרה, ואילו תגובות הן שיאאד מ-59 אלקטרודות שנותרו.
  6. לחשב מפת חיבור (כלומר, את ההסתברות של התבוננות תגובת האלקטרודה בתוך חריץ זמן לאחר מסירה של גירוי מאלקטרודה שונה) עבור כל ערוץ גירוי באמצעות כל תוכנת מתמטיקה או SpyCode, יישום שפותח בעבר (וזמין באופן חופשי לפי בקשה) לבצע חישובים על נתונים עצביים 28.
  7. ממפות החיבור, בחר אלקטרודות הטובות ביותר: למחוק את כל אלקטרודות הגירוי שלא לעורר תגובות (כלומר בחלון הזמן בעקבות גירוי, ירי שיעורים אינם גבוהים באופן משמעותי מאשר בירי ספונטני).
    1. בחר, בין אלקטרודות שנותרו, הזוג עם לפחות overleap בתגובות. במיוחד עבור כל אלקטרודה גירוי, לחשב את ספירת ספייק הממוצעת בכל אלקטרודה הקלטה, אז לחשב את ההבדל בין אלקטרודות מקבילה לכל זוגות אלקטרודות הגירוי. בחר את הזוג לwhich הסכום של ערכים מוחלטים של הבדלי תגובה על כל ערוצי ההקלטה הוא הגבוה ביותר.
  8. בחר באחת מאלקטרודות אלה קוד מידע חושי מהצד השמאלי של הרובוט, והשני לקוד קריאות מהצד הימני: על מנת לעשות זאת, גרור את סמן העכבר מעל אלקטרודה אחת, לחץ לחיצה ימנית על פריסת MEA לאחר מכן בחר 'הוסף לשמאל אזור חושי' (או 'הוסף לאזור החושי תקין').

4. התממשקות התרבות העצבית עם הרובוט: בחירת הקידוד ופענוח ערכות

  1. בהגדרה 'קידוד' סוג בצורת Coding לינארית.
  2. להגדיר שיעורי גירוי מינימליים ומקסימאליים בצורת הקידוד. השתמש במגוון ברירת המחדל של 0.5-2 הרץ.
  3. הגדר את הפרמטר 'להתעצבן' בצורת הקידוד ל- 0.
  4. הגדר את הפרמטרים אלגוריתם פענוח בטופס הפענוח (משקל ומקדם הכחדה) עד 1, לתרבות פעילה בצורה מתונה (~ ספייק 1 / sec לchannאל). הגדר זוג פרמטר חדש אם שיעורי ירי חזקים וכל הזמן לסטות מערך זה. ראה דיון לפונקציה של פרמטרים פענוח המדויק.
  5. הגדר את אלגוריתם פענוח פרמטרים פרצו בטופס הפענוח. משקל מוגדר 0 (זמן דעיכה אז לא רלוונטי), אלא אם כן הבחנה בין קוצים והתפרצויות הוא הנושא של מחקר.
    הערה: הערכים הציעו בשלב 4.4 יפיקו תנועות רובוט חלקות ומהירויות תואמות עם זמני תגובת רובוט לתרבויות עיקריות עכברוש פעילים בצורה מתונה. יש הפרמטרים פרצו את אותו התפקיד בדיוק כמו אלה שמתוארים בשלב 4.4, אבל אירוע מפעילה הוא זיהוי של פרץ במקום ספייק: מהירות בפועל של כל גלגל היא פשוט הסכום של התרומות של קוצים ופרצים זוהו.

5. עיצוב של ניווט זירה לרובוט

  1. בצורת מעצב הזירה וירטואלית, לבחור בין חסום (גבולות הזירה גלויים לרובוט ואניmpassable) או ללא גבול (אם יציאות רובוט מצד אחד של הזירה, זה יהיה באופן מיידי להזין מחדש מהזירה מול אחד) ולהגדיר את גודל הזירה בפיקסלים.
    1. אל תשתמשו בזירות חסומות קטנות יותר מ -100 x 100 פיקסלים, על מנת לאפשר תנועה משמעותית. אל תשתמשו במכשולים עם רדיוס קטן יותר מ- 5 פיקסלים כפי שהם יכולים פשוט נופלים בין השורות לטווח ראייה של הרובוט.
    2. זכור כי גדלי זירה גדולים מאוד עלולים לגרום לביצועי מחשב כדי לבזות: אם נדרש זירה גדולה, תוכנת בדיקת ביצועים עם הזירה הרצויה לפני שמתחיל קשה לניסויים חוזרים.
  2. הגדר רובוט נקודת התחלה באופן ידני (לחץ על הכפתור 'הבחירה ידנית' בצורה וירטואלית מעצב זירה, לאחר מכן למיקום הרצוי) או על ידי ציון הקואורדינטות של הרובוט בניסוי יתחיל ב'הרובוט החל מיקום 'שדות.
  3. להוסיף כל מספר של מכשולים בלתי עבירים בזירה. כך או למקם אותם אדםually בזירה לאחר לחיצה על הכפתור "הוסף מכשול ידני" או טווח מספר והגודל מוגדר.
  4. לחץ על הכפתור "צור זירה" כדי ליצור את הזירה עם התכונות שנבחרו. לא יחולו שינויים עד לחיצה על מקש זה.
  5. שמור את הזירה תוכננה ולטעון את הקובץ היחסי, לפני השימוש בניסוי, עם לחצני פקודה בחלק התחתון של טופס מעצב הזירה הוירטואלי.

6. בחירה של אלקטרודות MEA לשיא עצבית פעילות מהתרבות

  1. בחר אלקטרודות הקלטה זמניות כמו אלה שבתגובות שונות, בשלב 3.8, נצפו: אלקטרודות שהראו תגובות גדולות יותר בעקבות גירוי מן האלקטרודה "שמאל" (או "הזכות") תהווה "שמאל" (או "נכון") אלקטרודות הקלטה. אין להשתמש באלקטרודות שלא הראו תגובות משמעותיות לאו אלקטרודה מגרה לשלוט הרובוט. From התפריט המוקפץ פריסת MEA, בחר 'הוסף לאזור מוטורי עזב' (או 'הוסף לאזור המוטורי תקין') להגדיר אלקטרודות הקלטה.
  2. תכונות בחרו להקליט בצורת מנהל ניסוי. בשלב זה, קוצים וחותמות זמן גירוי הם המידע הרלוונטי בלבד.
  3. לבצע נסיעת מבחן 10 דקות: להתחיל את הרובוט המנוהל על ידי לחיצה על הכפתור התחל ניסוי בצורת מנהל הניסוי, לחץ עליו שוב אחרי 10 דקות שחלפו.
    הערה: ברגע שהוגדרו כל הפרמטרים (קידוד ופענוח, זירת רובוט, גירוי והקלטת אלקטרודות, כולל לשיא), שם קובץ מבחר יבקש שם קבצים מוקלטים ויעד, ואז הרובוט מתחילה לנוע בזירה שלו, על פי הכללים המוגדרים. את כל התכונות שנבחרו נשמרות באופן אוטומטי בזמן אמת.
  4. חזור על שלבים 3.6 ו -6.1 בנתונים שנרכשו בשלב 6.3, על מנת לבחור אלקטרודות הקלטה מהנתונים שנאספו במהלך ריצת רובוט בפועל (ראה Discussion לרציונל של גישת שני שלבים).

7. ביצוע ניסוי נוירו-רובוטית

  1. בחר במנהל הניסוי מהווה את הנתונים שיירשמו: סמן את ספייק, הרובוט ותיבות סימון גירויים נתונים.
  2. הפעל ריצת רובוט ללמוד מראש: לחץ על הכפתור 'התחל ניסוי "בצורת מנהל ניסוי. בחר שמות קבצים חדשים לקבצי נתונים כאשר תתבקשו לעשות זאת. כאשר 30 דקות חלפו, לחץ על הכפתור 'התחל ניסוי "שוב כדי לעצור את ריצת הרובוט.
  3. לעבור על פרוטוקול הלמידה (לסמן 'לספק Tetanic גירוי אחרי הלהיט "תיבת הסימון בצורת מנהל הניסוי) ולבצע את ריצת רובוט אימון, באותו האורך כמו השלב טרום אימון (כלומר, 30 דקות). זכור שמות קבצי קלט שונה כאשר תתבקשו לעשות זאת, כדי למנוע דריסת נתונים מצעד 7.2.
  4. כבה את פרוטוקול הלמידה שוב (ביטול סימון בתיבת הסימון "אחרי הלהיט לספק Tetanic גירוי ') ולבצע את ריצת רובוט למידה-פוסט. שוב, זכור לשנות שמות קבצים כדי למנוע דריסה.

חישוב 8. שנית תגובת מפה

  1. חזור על שלבים 3.1-3.6. נתוני שימוש מהקלטות אלה כדי לבדוק אם כל שינויים שנגרמים גם בדפוסי הפעילות ספונטניים או שמעוררים את הפרוטוקול למידה.

Representative Results

המסגרת הניסיונית שפותחה אפשרה לבדיקה האם חילופי המידע בין תרבות של תאי עצב והמימוש הווירטואלי של רובוט פיזי אפשרי 34. איור 1 מציג מספר דוגמאות של נתיבים שהושגו נסעו ברובוט וירטואלי ב -20 ניסויי דקות בתנאים שונים : משמאל לימין ניסוי מתאים לולאה סגורה, ניסוי הרובוט 'ריק MEA' (לא תאים מצופה בMEA עבור ניסוי שליטה זה) וניסוי רובוט לולאה פתוחה (שיעור גירוי קבוע במקום מידע חיישן קידוד) מיוצגים. עקבות הנציג לאשר כי אינטראקציה דו-כיוונית בין האלמנטים עצביים ומלאכותיים היא הכרחית על מנת להשיג ביצועים טובים ניווט של הרובוט. עם זאת, הרובוט חווה כמה להיטים נגד המכשולים.

באיור 2, ביצועי הניווט של הרובוט, דוארxpressed כפיקסלים נסעו בין להיטים שלאחר מכן, מוצג בתנאים שונים. שתי העמודות הראשונות להציג את חלוקת המרחקים נסעו בניסויי השליטה שהוזכרו לעיל ('MEA הריק' ופתוחה לולאה תצורות), ואילו עמודות שלישי והרביעית תציג את הביצועים בלי ועם, בהתאמה, את המסירה של גירוי tetanic הבא כל פגע במכשול. כניסתה של גירוי tetanic (השווה נוהל, נקודת 7.2) משפרת באופן משמעותי את המרחק שעבר בין שני להיטים ברציפות, ובכך לשפר את ביצועי הניווט של הרובוט 35.

באיור 3, ביצועי הניווט של רובוט עם תנאי פענוח שונים מוצגים. לשם כך, תצורת זירה שונה אומצה. זה עזר לכמת את הניווט המוצלח של הרובוט בזירה 36: כמתואר בשלב 4.1 של ההליך, הרובוט הואהציג סדרה של מסלולים קצרים. שיעור ההצלחה הוא פשוט היחס בין מספר מסלולים חצו בהצלחה על מספר המסלולים שהוצגו. בפרט, במהלך ניסויי זיהוי של קוצים פרצו ומבודדים בזמן אמת בוצע. פרדיגמות הפענוח שונים זה מזה בגלל המשקל היחסי של התפרצויות וקוצים מבודדים (השווה נוהל, מצביע 3.5-3.6 ודיון).

איור 1
איור 1: רשת עצבית ורובוט יש חילופי דו-כיוונית של מידע נתון זה מראה שלושה נתיבי נציג נסעו ברובוט מעל 20 דקות של ניסוי.. בפרט, שטחים ירוקים אור חופשיים לרובוט לנוע ב, ואילו פיקסלים בצבע ירוקים כהים מייצגים מכשולים בלתי עבירים שהרובוט יכול לתפוס באמצעות חיישני המרחק שלה. במשפט אחד, הרובוט מתחיל in הסעיף השמאלי העליון של הזירה ונוסע לעמדתה הסופית, מתוארת כנקודה הוורודה גדולה. הנקודות השחורות הקטנות מייצגות להיטים נגד מכשול, ואילו הנתיב המסומן בצבע מספק אינדיקציה להתפתחות של תנועת רובוט הזמן. בר הצבע בצד הימין מבטא זמן שחלף מתחילת הניסוי בדקות. נתיב () ואחריו במהלך ניסוי לולאה סגורה. נתיב (B) ואחריו במהלך ניסוי MEA "ריק" (לא תאים בתרבית על MEA משטח) נתיב. (C) ואחריו במהלך ניסוי פתוח לולאה (שיעור גירוי הוא קבוע לאורך כל הניסוי). אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של הדמות.

איור 2
איור 2: תוצאות ביצועים מושפעות סגור-loop וגירוי tetanic. גרף זה מדווח הפצות של מרחקים מכוסים על ידי הרובוט בין להיטים שלאחר מכן בתנאים שונים. בפרט, שתי ההפצות הראשונות מייצגות ניסויי שליטה ('ריקים' להקלטות ללא נוירונים מצופים על MEA, "הלולאה פתוחה" (OL) לניסוי עם רובוט 'עיוור'). שתי העמודות האחרונות מייצגות את המצב "לולאה סגורה" ללא (CL) ועם (CL + TS) פרוטוקול הלמידה מתבצע באמצעות Tetanic גירוי (TS), נמסרו לתרבות הבאה להיטים נגד מכשול. בכל תיבה, המגזר האופקי המרכזי מייצג את החציון של ההתפלגות, הכיכר הריקה הערך הממוצע, בר המרכזי משתרע על הרבעון הראשון והשלישי והשפם להאריך לעשירונים ה 5 ו -95 th. חריגים מיוצגים כיהלומים. סטטיסטיקה בוצעה באמצעות ניתוח דרך אחת Kruskall-אליס של שונותבשורות: השוואת pairwise הסטודנטים-ניומן-Keuls מגלה שכל ערכי החציון שונים באופן משמעותי עם p <0.05.

איור 3
איור 3: הפענוח משפיע על ביצועים רובוטית הגרף לעיל מייצג את ההסתברות, לאלגוריתם פענוח נתון, של הרובוט כדי לנווט בהצלחה באמצעות מסלול קצר בכמות מוגבלת של זמן.. זיהוי של התפרצויות וקוצים בודדים מתבצע בזמן אמת במהלך הניסוי עצמו. במקרה הראשון ("הקוצים") כל הקוצים מזוהים להציג את אותו משקל יחסי, להפצות השניה ושלישית במשקל של 0 נקבע ל, בהתאמה, קוצים מבודדים וקוצים המשתייכים לפרץ. שתי העמודות האחרונות מייצגות את התוצאות שהתקבלו במקרה שבו כל הקוצים מטופלות, אבל עם משקל יחסי שונה בהתאם לעמדתם.בפרט בקוצי העמודה מבודדות הרביעי קיבלו משקל יחסי גבוה מאירועים פרצו, תוך השקלול הוא הפוך לפענוח ביחס לנתונים הגיס החמישי. בכל גרף, הקו המרכזי מייצג את החציון של ההתפלגות, הכיכר הריקה הערך הממוצע, ואילו הבר המרכזי משתרע על הרבעון הראשון והשלישי והשפם להאריך לעשירונים ה 5 ו -95 th. סטטיסטיקה בוצעה באמצעות ניתוח דרך אחת Kruskall-אליס של שונות בשורות. השוואת pairwise (שיטת הסטודנט-ניומן-Keuls,) מגלה כי הבדלים משמעותיים (p <0.05) ניתן להבחין בין עמודות 1 ו -4, 2 ו -4, 2 ו -5, 2 ו -3.

Discussion

במאמר זה ארכיטקטורת נוירו-רובוטית המבוססת על בקר עצבי (כלומר, רשת של תאי עצב המגיעים מקליפת המוח או ההיפוקמפוס של חולדות עובריים), מחוברת דו directionally לרובוט וירטואלי, מוצג. הרובוט, שבו יש חיישנים וגלגלים, הוא נאלץ לעבור בזירת סטטי עם מכשולים ומשימותיה מורכבת מהימנעות התנגשויות.

ההיבט הראשון, ואולי הקריטי ביותר של ההליך המתואר הוא ההכנה של התרבויות עצמם, כפי ששיעור הכישלון נוטה להיות משמעותי גם במיטב תנאים טכניים. תיאור מפורט של culturing טכניקות, לעומת זאת, מחוץ להיקף העבודה הנוכחית. כקו מנחה כללי, הקלטות צריכה להתרחש כאשר קצב ירי הרשת מגיע לרמה יציבה, בדרך כלל לאחר 3 שבועות במבחנה. אינדיקציה גסה של תרבויות בריאים היא הנוכחות של פעילות אלקטרו הספונטנית בכמה chann הקלטהאלס (לפחות 20 ערוצים מעל 60 זמינים). תרבויות אלה מתאפיינות ברמה גבוהה של קישוריות בין-עצבית. בתנאים כאלה, פעילות עצבית בדרך כלל הופכת חזקה מסונכרנת, ולעתים, הוא מציג אירועי epileptiform, עם spiking האינטנסיבי ואחרי דקות ארוכות-תקופות שקטות 37. שתי תכונות אלו מהוות בעיה: סנכרון מוגזם יעשה את זה אי אפשר להבחין תגובות לגירויים מאלקטרודות שונות, בעוד תרבויות מציגות פעילות epileptiform תגיב לגירוי הראשון מוצג עם התפרצות ארוכה של פעילות, ואחרי תקופה שקטה, ללא קשר ל כל גירוי רצוף נמסר. שני נושאים אלה יכולים להשתפר במידה רבה מהתעסוקה של תרבויות בדוגמת 35, שבו האוכלוסייה העצבית מחולקת לשתיים או יותר בחולשה תת-קבוצות מקושרות.

בעיה נוספת היא שתגובות עצביות מאוד תלויות על חלוקת Stimul הנכנסאני 38,39. בניסוי לולאה סגורה, הגירוי מועבר היא פונקציה של קריאות החיישן, אשר, בתורו, הן תוצאה של תנועת הרובוט ולכן של התגובות העצביות עצמם. משמעות הדבר הוא כי אין דרך קלה של ההקמה מראש מה יהיה תגובות שנצפו במהלך הניסוי בפועל. כתוצאה מכך, הבחירה של אלקטרודות קלט-פלט חייבת לסמוך על קירובים רצופים. בפרוטוקול המתואר, תהליך בן שני שלבים (כלומר, על השלבים 5.5 ו -6.4) מיושם כדי לנסות לקבוע מפת חיבור. בשלב הראשון, רצף קבוע של גירויים מועבר ותגובות לגירויים כאלה המשמשים לחישוב מפת חיבור ראשונה וסט זמני של ערוצי הקלטה. תצורה זו משמשת אז לבצע נסיעת המבחן מתוארת בשלב 6.4 ובחר את ערוצי ההקלטה שיהיה פיקוח במהלך הניסוי בפועל.

בסעיף התוצאות, מיל ניווט נציגult והשיפורים המיידיים הביאו על ידי כניסתה של פרדיגמה למידה מוצגים. לאורך כל תיאור הפרוטוקול, כמה גרסאות ניסיוניות אפשריות אחרות מוזכרות. לדוגמא, שתי מערכות העיקריות הקידוד מיושמות בHyBrainWare2 (ליניארי וסטוכסטיים) שבו פותחו כדי לחקור את תפקידו המדויק של השתנות קלט זמנית על הקוד העצבי 38. במקרה ליניארית, שיעור גירוי מיידי הוא פונקציה של פרמטרים המוגדר על ידי משתמש והקלטות חיישני רובוט. במקרה סטוכסטיים, יש כל מופע זמן הסתברות נתונה להיבחר כדי לספק גירוי. הסתברות כזו מחושבת באופן אוטומטי על ידי HyBrainWare2 כך ששיעורי הגירוי הצפויים להתאים לזה של המקרה הקודם. האפשרות להוסיף להתעצבן לקידוד ליניארי מספק מעבר חלק בין שני המקרים שתוארו לעיל. באותו אופן, לחקור שילובים שונים של פרמטרים בסעיף הפענוח עשוי לעזור לשפוך אור על preciתפקיד se של מתפרץ במבחנת רשתות עצביות. מהירותו של כל גלגל של הרובוט מגדילה באופן יחסי לפרמטר המשקל בכל פעם שאירוע הוא זוהה באזור הפלט המתאים, ואילו מקדם ההכחדה מציינת כמה זמן, בשניות, אחת התרומות לוקח לאבד 50% מערכו . הריקבון הוא פשוט מעריכי. גרסאות אלה שכבר נלקחו בחשבון בעיצוב הנוכחי של HyBrainWare2, אבל יותר אפשרויות מחקר רבות פתוחות אם יכולים להיות הציגו שינויים נוספים בתוכנה או התקנה ניסיונית.

הגבלה משמעותית למדי של הפרוטוקול שתואר כאן היא הדרישה של התוכנה שפותחה המותאמת אישית, HyBrainWare2 (זמינה באופן חופשי על פי בקשה לכל המשתמשים המעוניינים). תוכנה זו תוכננה עבור קבוצה של התקנים (ממריץ, רכישת לוח, מגבר MEA) של מודל ויצרן ספציפי. למרות שזה אכן אפשרי כדי להתאים אותה לעבודה בdisetups fferent, ההמרה תיקח קצת מיומנות תכנות. בדומה לכך, האופציה הכלולה לכסות סט מוגבל של כל השאלות הניסיוניות שיכול להיחקר באמצעות התקנה כזו. לדוגמא, אלגוריתם זיהוי ספייק מיושם בארכיטקטורה הוצגה (זיהוי ספייק זמן מדויק 40) מוגדר לחלוטין על ידי מספר פרמטרים בקידוד קשיח שצריכים להיות שונה אם הנושא של רישום הוא שונה מאוד מרשתות עצביות ניתקו (למשל, תאי לב או פרוסות). לבסוף, פרוטוקול הלמידה מורכב מהמסירה קצרה בתדירות גבוהה, (2 שניות של 20 גירוי Hz, דופק בכל גירוי זהה לאלו המשמשים לקוד חושי מידע) גירוי לאחר כל מכת מכשול. אם הרובוט פוגע מכשול עם הצד הימני שלה, גירוי tetanic מועבר לאלקטרודה, כי בדרך כלל קודים לצד מידע נכון והדבר נכון גם עבור צד להיטי שמאל. פרוטוקול זה הוא בקידוד קשיח ולא יכול בדואר השתנה על ידי המשתמש מבלי לשנות תוכנת יציאה.

למרות שהעיצוב שהוצג כאן היא לא המערכת שלבשה הגוף הראשונה לניסויים היברידיים, לולאה סגורה 20,23,27,41,42, אלה שנועדו בעבר התמקדו בתזה אחת נתמכת על ידי נתונים ממספר מצומצם של הכנות מקבילות . מצד השני, ההתקנה המתוארת הייתה בשימוש כבר מספר רב של ניסויים (יותר מ -100 תרבויות נרשמו מאז 2012) בהכנות שונות למודולריות ומוצא, ואילו הניסויים עצמם עסקו בנושאים שונים (לדוגמא: השפעה של גירוי tetanic ו רלוונטי של התפוצצות, כפי שהוצג בתוצאות). בעתיד הקרוב, הפעלות ניסיוניות חדשות צפויות כדי לאמת את ההשפעות הארוכות הטווח של שני גירוי tetanic ולולאה סגורה ומערכת היחסים בין סדירות גירוי ונצפו תגובות. נושא נוסף שיש לדון בה הוא הקשר בין פעילות הספונטנית ונצפית, עםהרעיון של הוספת אלגוריתם פענוח חדש שלוקח בחשבון את ההיסטוריה של פעילות וגירוי 43 האחרונים.

Acknowledgments

המחברים מבקשים דוקטורט תודה סטודנט Marta Bisio לculturing ותחזוקת רשתות עצביות על מיקרו-אלקטרודה מערכים וד"ר מרינה נאני וד"ר קלאודיה Chiabrera מNBT-IIT לסיוע הטכני לנהלים לנתיחה וניתוק. המחקר שיוביל לתוצאות אלה קיבל מימון מתכנית המסגרת השביעית של האיחוד האירופי (ICT-FET FP7 / 2007-2013, FET צעיר סיירים תכנית) על פי הסכם מענק n ° BOW 284,772 המוח (www.brainbowproject.eu). המחברים גם רוצים להודות לסילביה Chiappalone על עזרתה בהפקת הגרפיקה המשמשת במבוא.

Materials

Name Company Catalog Number Comments
Stimulus Generator 4002 Multi Channel Systems
MEA1060-Inv-BC Multi Channel Systems
TC02 Multi Channel Systems
NI 6255 Acquisition Card National Instruments
Microsoft Visual Studio 2008 Microsoft
2078P Multichannel System-National Instruments adapter board Developed at University of Genova (Italy)
Matlab 2010 Mathworks
HyBrainWare2 HyBrainWare2: Contact Information

DOWNLOAD MATERIALS LIST

References

  1. Fetz, E. E. Volitional control of neural activity: implications for brain–computer interfaces. The Journal of Physiology. 579 (3), 571-579 (2007).
  2. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. Shahaf, G., Marom, S. Learning in networks of cortical neurons. The Journal of Neuroscience. 21 (22), 8782-8788 (2001).
  15. 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. 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. 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. 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. 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. Martinoia, S., et al. Towards an embodied in vitro electrophysiology: the NeuroBIT project. Neurocomputing. 58-60, 1065-1072 (2004).
  21. Mussa-Ivaldi, F. A., et al. New perspectives on the dialogue between brains and machines. Frontiers in Neuroscience. 4 (1), 44 (2010).
  22. Warwick, K., et al. Controlling a Mobile Robot with a Biological Brain. Defence Science Journal. 60 (1), (2010).
  23. 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. 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. Chiappalone, M., Massobrio, P., Martinoia, S. Network plasticity in cortical assemblies. European Journal of Neuroscience. 28 (1), 221-237 (2008).
  26. 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. 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. Bologna, L. L., et al. Investigating neuronal activity by SPYCODE multichannel data analyzer. Neural Networks. 23 (6), 685-697 (2010).
  29. 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. Quian Quiroga, R., Panzeri, S. Extracting information from neuronal populations: information theory and decoding approaches. Nature Reviews Neuroscience. 10 (3), 173-185 (2009).
  31. Donoho, D. L., Johnstone, J. M. Ideal spatial adaptation by wavelet shrinkage. Biometrika. 81 (3), 425-455 (1994).
  32. 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. 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. 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. 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. 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. Mainen, Z. F., Sejnowski, T. J. Reliability of spike timing in neocortical neurons. Science. 268 (5216), 1503-1506 (1995).
  40. 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. 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. 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. 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).

Tags

Neuroscience גיליון 97 מערכי מיקרו אלקטרודה (MEA) במבחנה תרבויות קידוד פענוח גירוי tetanic ספייק פרץ
ניסויי נוירו-רובוטית לולאה סגורה כדי לבדוק את מאפיינים חישובית של רשתות עצבי
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Tessadori, J., Chiappalone, M.More

Tessadori, J., Chiappalone, M. Closed-loop Neuro-robotic Experiments to Test Computational Properties of Neuronal Networks. J. Vis. Exp. (97), e52341, doi:10.3791/52341 (2015).

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