Introduction
Beyin fonksiyonlarının birçok özelliği bir yapay sistemin çoğaltmak için şu anda imkansız. yanıt, hızlı bir şekilde karmaşık duyusal bilgileri işlemek ve üretmek için beynin kabiliyeti, hassas motorlu komutları zaten mevcut durumu-of-the-art ötesinde kendisi gereğidir. Ama geçmiş deneyimlerden öğrenerek farklı koşullara uyum sağlama becerisi, insan-geliştirdiği kontrol sistemlerine çok büyük ölçüde üstün kılan. Şimdiye kadar, çoğaltmak veya bu plastisite az başarı tanıştım yararlanmaya yönelik, ve beynin iç işleyişini anlama araştırmacıların kavramak atlatmış oldu. Ana konulardan biri beyin ve davranış arasındaki ilişkiyi araştıran düzgün sistemdeki tüm değişkenlerin erişmek için yetersizlik ise: ideal, optimal deney düzeneği nöronların çok sayıda eşzamanlı kayıt ve stimülasyon sağlayacak, uzun vadeli istikrar , sinapslar pozisyonları ve ağırlıkları ve kontrol bi-directio izlemeçevre ile etkileşim nal. aynı anda tüm bu değişkenleri izleme zorluk iki çok farklı ölçeklerde beyin-davranış ilişkisinin çalışmaya yol açtı: ya deneysel koşullar 1-7 üzerinde ya da bölümleri gibi küçük, izole parçalar, hiçbir ince kontrolle, hayvanlar davranıyor ile sistemin 8 genel bir bakış ile nöronal doku. Hiçbir icat deney düzeneği bile basit bir sinir ağı çalışmalarına katılan tüm parametrelerin izlenmesini sağlar iken ikinci durumda, iyi bir ticaret-off Mikro-Elektrot Diziler (ÇÇA'lar) 9 üzerinde yetiştirilen ayrışmış nöronlar tarafından sağlanmaktadır. 70 10 sonunda doğanlar cihazlar, geleneksel elektrofizyoloji teknikleri üzerinde birçok avantajı vardır: birincisi, kayıt imkanı ve bir kez (genellikle 60 elektrotlar) birçok farklı yerlerde bir sinir ağı uyarıcı. Ayrıca, hücreler ile ÇÇA birleştirilmesi neredeyse non-invaziv bir, Birkaç ay 11 kadar uzun süre, aynı ağ gözlem izin. ayrışmış kültürler üzerine elektriksel uyarının fizyolojik etkileri yoğun mimarlık kaybına rağmen muhafaza birçok özellikleri (örneğin, plastisite için, gibi ve basit bir hafıza 12-14 süreçleri) yüksek ölçeklerde gözlenen ortaya bu cihazlara sayesinde incelenmiştir. Kültür büyüme sırasında, bu ağlar in vitro (DIV) yaklaşık 7 gün 15,16 spontan aktivite gösteren başlar. Ağ etkinliği daha da büyümesi ile radikal değişiklik eğilimi; İlk single sivri bir ağa olgun durumunu temsil eden, 18 patlamaları senkronize, periyodik olmayan ağ son derece karmaşık bir desen dönüşür, daha sonra olduğu gibi, 17 (ikinci haftanın sonuna doğru) patlamaları içine toplamak gibi. Bu 19 önerilmiştir in vivo kayıt gözlenene biraz benzer bu eşzamanlı davranış,uyku hayvanlar üzerinde rinde, duyusal girdi eksikliğinden kaynaklanır.
Farklı bir yaklaşım sinyalleri farklı nöronal ağın kendisi 11,20-23 uyarılmasını kontrol etmek için kullanılan edildiği kapalı devre deneyleri, yaparak alınmıştır bilgi kodlama daha iyi anlamaya çalıştım. Bu deneylerde, çevre ile etkileşim yeteneğine sahip bir dış madde ise, bir mekanizmaların motor komutları üretilen sinir ağı, beslenen duyusal bilgi üretmek için kullanılmıştır. Bu sinir sistemlerinin dinamik ve adaptif özellikler ortamında kaynaklı değişikliklere tepki olarak gelişti nasıl gözlemlerini izin.
Gerçekleştirmek için bir kurulum deneyleri tekerlekli sensör platformu (fiziksel robot ya da sanal modeli) bir arenada ilgili hareket ve hız profilleri nöronal aktivitesi ile belirlenir nerede, geliştirilen 'nörofizyoloji somutlaşan'sistemi (yani, bir MEA üzerinde kültüre sıçan nöronların bir nüfus). Robot iki bağımsız kontrollü tekerlek hız profilleri ile ve mesafe sensörleri mevcut okumaları ile karakterizedir. mesafe sensörleri tam doğası ile ilgili değildir; Onlar optik sensörler veya ultrason sensörleri aktif veya pasif olabilir. Açıkçası, bu konu sensörler istenilen özelliği ile dizayn edilebilir olan sanal robotlar, durumunda geçerli değildir.
Burada tarif edilen deneylerde kullanılan bir robot 30 ° işaret 6 mesafe sensörleri, her iki yönde de başlığı robottan 60 ° ve 90 ° olan, her zaman sanal bir uygulamasıdır. Üç sol ve sağ sensörlerin aktivitesi ortalama ve biyolojik kültür etkinliği sadece 'sol' ve 'sağ' sensörler geri kalanı olarak anılacaktır gibi 'süper-sensörler' (tarafından toplanan bilgiler ile tahrik edilir Bu işin). protoaçıklanan col aslında oldukça küçük ayarlamalar ile fiziksel robot uygulanabilir. robot (fiziksel veya sanal) tarafından toplanan bilgi fiziksel olarak bir robot tarafından ayrılır biyolojik sinir ağı aktivitesini işlemek için kullanılan uyarıcıların bir dizi ile kodlanmıştır. uyaranlar kendileri aynıdır ve bu nedenle herhangi bir bilgi kod yok. Ne alakalı kendi frekans: stimülasyon oranı artar robot, farklı dağıtım siteleri robotun sol ve sağ gözleri 'duyusal bilgileri kodlama ile, bir engele yaklaşırsa zaman. sinir ağı uyarıların gelen tren farklı tepkiler sunacak: çözme algoritmasının görev robot tekerlekleri kontrol etmek için kullanılan komutlar içine çıkan ağ etkinliğini çevirmektir. (Yani, güvenilir ve tamamen farklı elektrotlar uyaranlara yanıtları ayrılmış) ile bir 'mükemmel' ağ davranışlarını göz önüne alındığında, bu resul olurrobot t herhangi bir engel isabet olmadan arenada sürüş. Bu nedenle basit bir öğrenme protokolü tanıtıldı ideality günümüze bir davranış çok farklı Çoğu ağlar: (24,25 açıklanan protokollere esinlenerek yüksek frekanslı stimülasyon kısa büyü, 2 saniye 20 Hz stimülasyon) aktive tetanik stimülasyon bir takip bir engel ile çarpışma teslim edilir. Ağ bağlantısı yerel güçlendirilmesi tetanik stimülasyon sonuçları, bu robotun seyir yetenekleri ilerleyici artışa neden olacaktır.
HyBrainWare2, 26 yılında yayınlanan özel yazılım geliştirilmiş bir versiyonu, sistemin (stimülatörü, veri toplama, işleme ve görselleştirme, robot haberleşme veya simülasyon) farklı cihazların kontrolünü ele geliştirilen çekirdek mimarisi. Bu yazılım bizim laboratuarda geliştirilen ve istek üzerine serbestçe mevcut değil. Bu yazılım arayüzü ile sağlarveri toplama kartı: Kullanıcı GUI veri toplama başladığında, yazılım örnekleme ve kayıt elektrotları gelen verilerin A / D dönüşüm başlatmak için satın alma kartını kontrol eder. Bu veriler daha sonra kullanıcı tarafından ayarlanan seçeneklere göre, kaydedilen ekran veya sivri tespit etmek için gerçek zamanlı olarak analiz etmek gösterilebilir (detaylar için Prosedür bölümüne bakınız). Ayrıca, yazılım içinde, (robot motor komutları içine kaydedilen etkinliğin çevirisi) (elektrik stimülasyonu içine duyusal bilginin çeviri) ve kod çözme kodlama tanımı algoritmaları belirtilmelidir. Tüm kaydedilen bilgileri otomatik olarak uyumlu bir formatta kaydedilmiş ise özellikle, bizim kurulum, sağ gerçek deney başlamadan önce hemen hemen tüm değişkenler kullanıcı tarafından ulaşılabilir beri, son 27 yılında tasarlanan benzer sistemlere göre nispeten kullanıcı dostudur Bir sinir veri analizi araç 28.
Aşağıdaki prosedür bölümü ayrışmış sıçan hipokampal kültürleri üzerinde bir öğrenme deneyi tarif etmektedir: all kültürleme ve deney parametreleri bu özel preparatı için kolaylıkla sağlanır ve böylece farklı bir biyolojik alt-tabaka kullanılacak ise, modifiye edilmesi gerekebilir. Benzer şekilde, açıklanan deney tetanik stimülasyon öğrenme etkisini araştırmak için kapalı-çevrim mimarisi yararlanır, ama mimari kendisini yeterince esnek ayrışmış sinir ağlarının farklı özelliklere çalışmada kullanılacak. Önerilen deney Binbaşı varyantları daha Tartışma bölümünde açıklanmıştır.
Protocol
Bir MEA üzerinde Nöronal Kültür 1. Hazırlık
- 29 anlatıldığı gibi, MEA yongaları nöronal kültürleri Plate. benzer bir prosedür açıklaması da 9 sağlanan ve Tartışma bölümünde edilir.
- 37 ° C sıcaklık kontrolörünün ayarlanan sıcaklık hedefi ve MEA kendisi (çoğu ticari sağlanan altındaki ısıtma plakası açın: hücreleri tarafından deneyimli termal stres en aza indirmek için kayıt başlamadan önce 5-10 dakika MEA ısıtma sistemi açın MEA sistemleri) ve varsa, önemli ölçüde buharlaşmayı azaltmak için bir ısıtmalı örtü.
- Nemli ısıya (30 dakika, 130 ° C) bir otoklav içinde her kullanımdan önce gaz geçirgen kapaklar sterilize edin. Buharlaşmayı önlemek ve ozmolarite değişiklikleri önlemek, kayıt sırasında kapaklar ile kaplı kültürleri tutmak için.
- Aslında kayda başlamadan önce amplifikatör 30 dakika nöronal kültürünü yerleştirin.
NOT: Sadece inc kültürleri hareketliamplifikatöre ubator önemli ölçüde yarım saat boyunca spontan bir aktivite bozacaktır. Bu süre boyunca, kültür ortamı, sıcaklık stabilize olacaktır. - Bir carbair devresi varsa, carbair dolaşımını uzun birkaç saat daha deneyler için (bir karışım% 5 CO 2 ve% 95 O 2 + N 2) başlangıç: kültürler hem oksijen ve pH seviyesini korumak için bunu gerektirir kararlı.
MEA Edinme Kayıt Parametrelerinin 2. Seçimi
- RawDataDisplay şeklinde '300 Hz 3 kHz' onay kutusunu işaretleyin: 30 - Seçiniz yazılım filtresi bant genişliği (MUA yani, Çoklu Cihaz Etkinlik) ani algılamak için.
- Veri alma başlatın: RawDataDisplay formunda 'Başlat' düğmesine basınız.
- 7'ye RawDataDisplay başak tespiti için ayarlayın Eşik Kazanç.
NOT: İstenen özgüllük / seçicilik ödünlesime ve kabul bağlı algılamakiyon algoritması, bu eşik 6 ve 10 kez bilgisayarlı standart sapma arasında ayarlanabilir. - (Her iki komutları RawDataDisplay şeklindedir) 2 sn Eşik Bellek ayarlayın ve hiçbir engelleyici aktivitesi ekranda görünür olduğunda 'Lock' düğmesine basın. Mark 'medyan gelen SD tahmin' bu aktivite spike olmadan bile kısa zaman pencereleri sağlamak zor ise, gözlenen sinyal 31,32 mutlak değeri medyan gürültü standart sapma hesaplamak için. Altta yatan algoritma yoğun hesaplama ve bilgisayar gecikme neden olabilir gibi, 'Kilit' butonuna bastıktan sonra bu seçenek işaretini kaldırın.
- Başak algılama rutin (RawDataDisplay formunda 'Spike Detection' onay kutusunu) açın. Başak algılama zaten (yani, onay kutusu zaten işaretlenmiş) çalışıyorsa, Veri Kayıt formunda düğmesine 'Reset' tıklayarak bu ana kadar tespit ani atmak.
Nöronal Kültür ve Yanıt Harita Computation Canlandıracak MEA Elektrotlar 3. Seçimi
- 30 dakika için MEA üzerinde kültüre nöronal hücrelerin Tutanak spontan aktivite: zaman istenilen miktarda (30 dk geçtikten sonra, DataRecording formun 'sivri' kutusunda, 'Record' butonuna tıklayarak dosyaya verileri kaydetmek, bu durumda).
- Daha sonra MEA düzenleri herhangi bu kanalları seçmek, 10 en aktif kanalları (en yüksek başak sayısı ile yani, 10 kanal) tanımlayın (ya Kodlama, Kod Çözme veya Bağlantı Harita formları) istenen alanlarda fare imleci sürükleyerek. Kanallar seçildikten sonra, sağ MEA düzeni herhangi bir yere tıklayın ve seçin açılır menüden 'duyusal bölgeyi terk ekle': Bu elektrotlar adımda 3.5 elektriksel stimülasyon sunmak için kullanılacaktır.
- Uyarıcısı ve MEA amplifikatör doğru bağlandığından emin olun: Tüm yapılandırmalar require istenen uyarım kanal başına iki tel, ekstra koaksiyel kablo (Bağlantı şemalarının özelliklerini araçların kılavuzlarına bakınız) senkron sinyalini taşımak için gerekli olacak. Üzerinde uyarıcı açmak için daha sonra devam edin.
- Bağlantı Harita şeklinde uyaran parametrelerini tanımlayın. Kültüre teslim Tüm uyarımlar bifazik kare gerilim dalgaları vardır. 1,5 V pp 33 300 mikro saniye yarım süresini ve genlik ayarlayın.
NOT: Yeterince Uyaranlar büyük güvenilir nöral yanıtları uyandırmak için çok büyük olasılıkla uzlaşma aynı sitelerden faaliyet kaydı. Kağıt geri kalanında, uyarım teslimat için kullanılan elektrotlar ilgili herhangi bir bilgi kayıt için tercih edilmemelidir. - Uyarıya Kayıt yanıtı: ConnectionMap şeklinde Başlat düğmesine basın. Tepkiler kayıt ise 5 saniye aralıklarla 30 uyaranların bir dizi, sırasıyla, otomatik olarak, seçilen elektrotlara her birinden teslimKalan 59 elektrotlar ed.
- (Yani, farklı bir elektrottan uyaran teslim aldıktan sonra bir zaman aralığı içinde bir elektrot bir yanıt gözlemleyerek olasılığı) herhangi bir matematik yazılım veya SpyCode üzerinden her uyarıcı bir kanal için, bir uygulama, geçmişte geliştirilen (ve serbestçe kullanılabilir bir bağlantı ilk hesaplamak istek üzerine) sinir veriler 28 hesaplamaları gerçekleştirmek için.
- Bağlantı haritalar, en iyi elektrotlar seçin: (fiyatlar kendiliğinden ateş sırasında önemli ölçüde daha yüksek değildir ateş, yani uyarılmasını takiben zaman penceresinde) yanıtları uyandırmak vermedi tüm uyarıcı elektrotlar atın.
- Kalan elektrotlar arasında yanıtlarında overleap en az ile çift seçin. Özellikle her uyarıcı elektrot için, daha sonra, her kayıt elektrot ortalama başak sayısı hesaplamak tüm uyarıcı elektrotlar çiftleri için gelen elektrotlar arasındaki farkı hesaplamak. Yüklenebileceğini için çift seçinh tüm kayıt kanallar üzerinden yanıt farkların mutlak değerlerinin toplamı en yüksek olduğu.
- Robotun sol tarafında ve sağ taraftan okumaları kod diğer duyusal bilgiyi kodlamak için bu elektrotların birini seçin: Bunu yapmak için, daha sonra seçin MEA düzeni sağ tıklatın, bir elektrot üzerine fare imleci sürükleyin 'duyusal bölgeyi terk ekle' (ya da 'doğru duyusal alana ekle').
4. Robot ile Nöronal Kültür Arayüz: Kodlama ve kod çözme Programlarının Seçimi
- Doğrusal Kodlama şeklinde 'Tip Kodlama' ayarlayın.
- Kodlama şeklinde minimum ve maksimum stimülasyon oranları tanımlayın. 0.5-2 Hz varsayılan aralığı kullanın.
- 0 Kodlama şeklinde 'Jitter' parametresini ayarlayın.
- Chann başına (bir orta derecede aktif kültürü için, 1 kod çözme algoritması Deşifre Formu parametreleri (ağırlık ve söndürme katsayısı) Set ~ 1 başak / snel). Ateşleme oranları güçlü ve sürekli bu değerden sapma ise yeni bir parametre çifti tanımlayın. Çözme parametrelerinin tam fonksiyonu için tartışma bakın.
- Çözme algoritmasını Çözme Formunda patlama parametreleri ayarlayın. Sivri ve patlamaları arasındaki ayrım çalışmanın konusu olmadıkça 0 Set ağırlığı, (çürüme zaman sonra alakasız).
NOT: Adım 4.4 önerilen değerler düzgün robot hareketleri ve orta derecede aktif sıçan primer kültürlerinde robot reaksiyon süreleri ile uyumlu hızları üretecek. patlama parametreler aşama 4.4 anlatılanlar gibi aynı işleve sahip, ancak tetikleyici olay yerine başak bir patlama tespiti: her tekerleğin gerçek hızı sadece tespit sivri ve patlamaları katkıları toplamıdır.
Robot Navigasyon Arena 5. Tasarım
- Sanal Arena Tasarımcısı formunda, arena sınırları robot ve i görülebilir (sınırlı arasında seçimmpassable) veya sınırsız (arenada bir yanından robot çıkar, anında ters bir) arenadan tekrar girin ve piksel arenada boyutunu ayarlamak eğer.
- Önemli hareket sağlamak için 100 x 100 pikselden küçük sınırlı arenalarda, kullanmayın. Onlar sadece robotun görme çizgileri arasındaki düşebilir gibi bir yarıçap ile daha küçük 5 piksel engelleri kullanmayın.
- Çok büyük arena boyutları bilgisayar performansının düşmesine neden olabilir aklınızda bulundurun: Büyük bir arena gerekiyorsa, zor tekrar başlamadan önce istenen deneyler arenada test yazılımı performans.
- Manuel pozisyon ya başlangıç robot ayarlayın veya alanları 'Konum başlayan Robot' start denemede robotun koordinatlarını belirterek (Sanal Arena Tasarımcısı formu, ardından istediğiniz konum 'Manuel Seçim' düğmesini tıklayın).
- Arenada geçilmez engeller herhangi bir sayı ekleyin. Ya onlara adam yerleştirmekually 'El Engel ekle' düğmesine veya set sayısı ve büyüklüğü aralığı tıkladıktan sonra arenada.
- Seçilen özelliklere sahip arena oluşturmak için 'Arena Oluştur' butonuna tıklayın. Bu düğmeye basıldığında kadar hiçbir değişiklik meydana gelecektir.
- Tasarlanmış arena kaydedin ve Sanal Arena Tasarımcı formun alt kısmında komut düğmeleri, bir deneyde kullanmadan önce, bağıl dosyası yüklenemedi.
Kültür Tutanak Nöronal Etkinlik MEA Elektrotlar 6. Seçimi
- Adım 3.8 hangi farklı tepkiler üzerine bu geçici kayıt elektrotları seçin, gözlenmiştir: 'sol' teşkil edecek 'sol' (ya da 'doğru') elektrottan uyarılmasını takiben büyük tepkiler gösterdi elektrotlar (ya da 'doğru') Kayıt elektrotlar. Robot kontrol etmek uyarıcı elektrot ya önemli yanıtları yoktu elektrotları kullanmayın. FMEA düzeni açılır menü, 'sol motor alanda ekle' seçeneğini rom kayıt elektrotları tanımlamak için (ya da 'doğru motor alana ekle').
- Seçin özellikler Deney Yöneticisi şeklinde kaydetmek için. Bu aşamada, kramponları ve stimülasyon zaman damgalarını sadece ilgili bilgiler vardır.
- 10 dk test sürüşü yapın: 10 dakika geçtikten sonra Deney Yöneticisi şeklinde Başlat Deney düğmesine tıklayarak çalıştırın robotu başlayın, tekrar tıklatın.
NOT: Tüm parametreler ayarlandıktan sonra (kodlama ve kod çözme, robot arena, elektrotlar uyarıcı ve kayıt, kayıt özellikleri), bir dosya adı seçimi kaydedilen dosyalar isim ve hedef için sorar, sonra robot kendi arenada hareket başlayacak, tanımlanmış kurallara uyarak. Seçilen tüm özellikleri otomatik olarak gerçek zamanlı olarak kaydedilir. - Tekrar bir gerçek robot çalışması sırasında toplanan verilerden kayıt elektrotları seçmek için, adım 6.3 edinilen verilere 3.6 ve 6.1 adımları (discussio bkzn bu iki aşamalı yaklaşımın mantığı için).
7. Bir Nöro-robot Deneme Sahne
- Kaydedilecek veri formu Deney Yöneticisi seçin: Spike, Robot ve Uyarılar Veri onay kutularını işaretleyin.
- Bir ön-öğrenme robotu çalıştırmak başlatın: Deney Yöneticisi şeklinde 'Deney Başlat' düğmesine tıklayın. İstendiğinde veri dosyaları için yeni bir dosya adlarını seçin. 30 dakika geçtikten sonra, robot çalıştırmak durdurmak için tekrar 'Deney Başlat' düğmesine tıklayın.
- (Deneme Yöneticisi şeklinde 'Hit sonra Tetanik Uyarım sunun' onay kutusunu işaretleyin) öğrenme protokolü açın ve ön-eğitim aşamasında (yani, 30 dk) ile aynı uzunlukta, eğitim robot çalışması yapmak. Adım 7.2 üzerine yazılmasını önlemek veri istendiğinde girdi farklı dosya isimleri unutmayın.
- 'Tetanik Uyarım sunun Hit sonra' onay kutusunu işaretini (yine öğrenme protokolü kapatın) Ve post-öğrenme robot çalışması yapmak. Bir kez daha, üzerine yazılmasını önlemek için dosya adlarını değiştirmeyi unutmayın.
8. İkinci Tepki Haritası Hesaplama
- Tekrarlayın 3,1-3,6 adımları. Herhangi bir değişiklik öğrenme protokolü tarafından spontan veya uyarılmış aktivite desenleri ya uyarılmış olması halinde bu kayıtları Kullanım verileri test etmek.
Representative Results
geliştirilen deneysel çerçeve nöronların bir kültür ve fiziksel robot sanal gerçekleşmesi arasındaki bilgi alışverişi mümkün olup olmadığı test izin 34. Şekil 1 farklı koşullarda 20 dakika deneylerde sanal robot tarafından seyahat edilen yolların birkaç örnek gösterir : Uygun kapalı-çevrim deneyi, bir 'boş MEA'nın' robot deneyi (hiçbir hücre bu kontrol deney için MEA ekilir) ve bir açık döngü robot deney soldan sağa doğru (stimülasyon oranı yerine kodlama sensör bilgilerinin sabittir) temsil edilmektedir. temsili izleri nöronal ve yapay unsurları arasında iki yönlü etkileşim robotun iyi navigasyon performanslarını elde etmek için gerekli olduğunu onaylayın. Bununla birlikte, robot engellere karşı birkaç hit yaşar.
Şekil 2, robotun navigasyon performansı, esonraki vuruş arasındaki seyahat piksel olarak xpressed, farklı koşullarda gösterilir. Üçüncü ve dördüncü sütunlar olmaksızın ve sırasıyla, performansı göstermek ise ilk iki sütun, her aşağıdaki tetanik stimülasyon teslim ('boş MEA' ve açık döngü yapılandırmaları) yukarıda belirtilen kontrol deneylerinde seyahat mesafeleri dağılımını gösterir Bir engele karşı çarptı. tetanik stimülasyon (bakınız Prosedürü, nokta 7.2) giriş mesafesi dolayısıyla robot 35 navigasyon performanslarını geliştirmek, iki ardışık vuruş arasındaki seyahat önemli ölçüde geliştirir.
Şekil 3, farklı kod çözme koşulları bir robot navigasyon performansı sunulmaktadır. Bu amaçla, farklı bir arena yapılandırması kabul edilmiştir. Bu arenada 36 içinde robotun başarılı navigasyon ölçmek için yardımcı oldu: prosedürde adım 4.1 açıklandığı gibi, robotKısa parça bir dizi sundu. başarı oranı sadece sunulan parçaların sayısı üzerinden başarıyla geçti parça sayısına oranıdır. Özel olarak, deney sırasında patlama ve izole sivri bir gerçek zamanlı tanımlama yapılmıştır. çözme paradigmaları nedeniyle patlamaları ve izole sivri göreceli ağırlıkları başka bir farklılık (bakınız Prosedürü, 3,5-3,6 ve Tartışma işaret).
Şekil 1: Bir nöron ağı ve robot bilgilerinin çift yönlü alışverişi var Bu rakam deney 20 dakika boyunca robot tarafından seyahat üç temsilci yolları gösterir.. Koyu yeşil piksel robot, uzaktan sensörleri aracılığıyla algıladıkları ki geçilmez engelleri temsil ise robot, hareket etmek için özellikle, açık yeşil alanlar ücretsizdir. Her denemede, robot i başlarn arena sol üst bölümü ve büyük bir pembe bir nokta olarak tasvir son pozisyonuna, gitti. Renk kodlu yol robot hareketinin zaman evrim bir göstergesi sağlarken küçük siyah noktalar, bir engele karşı hit temsil eder. Sağdaki renk çubuğu süresi dakika olarak deney başlangıcından itibaren geçen ifade eden. (A) Yol kapalı-döngü deney sırasında izledi. (B) Yol bir 'boş' MEA deney sırasında takip (hiçbir hücre MEA kültüre olan yüzey) (stimülasyon oranı deney boyunca sabit) bir açık-döngü deney sırasında izledi. (C) Yol. rakamın daha büyük bir versiyonunu görmek için burayı tıklayınız.
Şekil 2: Performans sonuçları kapalı etkilenir-loop ve tetanik stimülasyon. Bu grafik, farklı koşullarda sonraki vuruş arasındaki robot kapsamında mesafeler dağılımları bildirir. Özellikle, ilk iki dağılımları temsil kontrol deneyleri (MEA, bir 'kör' robot ile deney için 'Açık döngü' (OL) üzerine kaplama hiçbir nöronlar ile kayıtlar için 'Boş'). Son iki sütun, bir engele karşı hit aşağıdaki kültürüne teslim edilen, (CL) olmadan ve (CL + TS) Tetanik Uyarım (TS) aracılığıyla uygulanan öğrenme protokolü ile 'Kapalı döngü' koşulu temsil eder. Her kutuda, merkezi yatay bölüm dağılımı, ortalama değer, merkezi bar birinci ve üçüncü çeyrekte uzanır ve bıyıkları 5 inci ve 95 inci persantillerine uzatmak boş kare medyan temsil eder. Aykırı elmas olarak temsil edilir. İstatistikler varyans Kruskal-Wallis tek yönlü analizi kullanılarak gerçekleştirilmiştirsaflarında: Student-Newman-Keuls ikili karşılaştırma tüm medyan değerler p <0.05 anlamlı olarak farklı olduğunu ortaya koymaktadır.
Şekil 3: Çözme robot performansı etkileyen grafik yukarıdaki olasılığını temsil verilen bir kod çözme algoritması için, robot zaman sınırlı bir miktarda kısa bir parça ile başarıyla gezinmek için.. Patlamaları ve izole sivri belirlenmesi deney sırasında kendisi gerçek zamanlı olarak yapılır. İlk durumda ('Spike') olarak algılanan tüm sivri bir patlama ait 0 ağırlık sırasıyla için kuruldu ikinci ve üçüncü dağılımları, izole sivri ve ani için, aynı göreceli ağırlığını sunuyoruz. Son iki sütun, tüm sivri muhasebeleştirilir durumunda elde edilen sonuçları temsil, ancak farklı bir göreceli ağırlığı konumlarına göre.Ağırlıklandırma beşinci sütun veri çözme akrabası için ters ise dördüncü sütun izole kramponları Özellikle, patlama olayları daha yüksek nispi ağırlığını verildi. Merkezi bar birinci ve üçüncü çeyrekte uzanır ve bıyıkları 5 inci ve 95 inci persantillerine uzatmak ederken, her grafikte, merkezi hattı, dağıtım, boş bir meydanda ortalama değeri medyan temsil eder. İstatistikler sıralarda varyans Kruskal-Wallis tek yönlü analizi kullanılarak yapılmıştır. İkili karşılaştırma (Student-Newman-Keuls yöntemi) belirgin farklılık (p <0.05), kolon 1 ve 4, 2 ve 4, 2 ve 5, 2 ve 3 arasında gözlenebilir ortaya koymaktadır.
Discussion
Bu yazıda bir nöro-robotik mimarisi (yani, korteks veya embriyonik sıçanların hipokampus gelen nöronların ağ), iki yönlü bir sanal robot bağlı bir sinir kontrolör dayalı, sunulmuştur. sensörleri ve tekerlekleri vardır robot, engellerle statik alanda hareket etmek zorunda ve onun görevi çarpışmalar kaçınarak oluşur.
başarısızlık oranı da teknik koşullara en önemli olma eğilimi gibi tarif edilen prosedüre ilk ve muhtemelen en önemli yönü, kendileri kültürler hazırlanmasıdır. Teknikler kültürlenmesi ayrıntılı bir açıklaması, bu çalışma kapsamı dışında, ancak,. Ağ ateşleme hızı genellikle in vitro 3 hafta sonra, istikrarlı bir seviyeye ulaştığında Genel bir kural olarak, kayıtları yapılmalıdır. Sağlıklı kültürlerin bir kaba göstergesi birkaç kayıt chann spontan elektrofizyolojik aktivitenin varlığıels (en az 20 kanal mevcut 60). Bu kültürler nöron arası bağlantı, yüksek derecede karakterize edilir. Bu koşullar altında, sinirsel aktivite genellikle güçlü zaman, o dakika süren sessiz dönemler 37 tarafından takip yoğun çivilenmesi ile, epileptiform olayları görüntüler, senkronize ve olur. Bu özelliklerin her ikisi de bir sorun teşkil: Aşırı senkronizasyon epileptiform aktiviteyi gösteren kültürler sessiz dönem takip faaliyet uzun bir patlama ile sunulan ilk uyarana, yanıt olurken imkansız olursa olsun, farklı elektrotlar uyaranlara yanıtları ayırt yapacak Herhangi bir ardışık uyaranlar teslim. Hem bu sorunlar güçlü sinir nüfus iki veya daha fazla zayıf birbirine alt gruba bölünmüş olan desenli kültürler 35 kullanılmasıyla iyileştirilebilir.
Başka bir konu sinir tepkiler kuvvetle gelen stimülasyonu dağılımı bağlıdır olduğunuBen 38,39. Bir kapalı döngü deneyinde, teslim uyarım da, robot hareketinin sonucudur ve bu nedenle sinir tepkilerinin kendilerinin olan, sensör, bir fonksiyonudur. Bu gerçek deney sırasında dikkat edilmesi ne tepkiler önceden kurulması kolay bir yolu olduğunu ima eder. Sonuç olarak, girdi-çıktı elektrotların seçimi ardışık yaklaşımlar güvenmek gerekir. Açıklanan protokol, iki adımlı bir işlemdir (yani, 5.5 adımları ve 6.4) bir bağlantı haritası belirlemek için denemek için uygulanmaktadır. İlk adım olarak, uyarıların düzenli bir dizisidir teslim edilir ve bu uyaranlara yanıt, bir birinci bağlantı ilk ve kayıt kanalları geçici bir sabitleme elde etmek için kullanılır. Bu yapılandırma daha sonra aşama 6.4 tarif test sürüşü yapmak ve gerçek deney sırasında izlenecektir kayıt kanalları seçmek için kullanılır.
Sonuçlar bölümünde, temsili navigasyon res içindeULT ve öğrenme paradigması giriş getirdiği acil gelişmeler sunulmaktadır. Protokol açıklaması boyunca, birçok olası deneysel varyantları söz edilir. Örneğin, geliştirilen HyBrainWare2 uygulanan iki büyük kodlama sistemleri (çizgisel ve stokastik) nöral kodu 38 temporal giriş değişkenlik tam rolünü araştırmak için. Lineer durumda, anlık uyarım hızı kullanıcı-tanımlı parametreler ve robot sensörleri kayıtların bir fonksiyonudur. Stokastik durumda, her zaman, örneğin, belirli bir olasılığa sahiptir bir uyarıcı sağlamak üzere seçilmesi mümkün olmaktadır. Beklenen stimülasyon oranları, eski davanın bu maç o kadar böyle olasılık otomatik HyBrainWare2 tarafından hesaplanır. Doğrusal kodlama yukarıda açıklanan iki olgu arasında yumuşak bir geçiş sağlar imkanı titremeyi eklemek için. Aynı şekilde, kod çözme bölümünde parametrelerin farklı kombinasyonları keşfetmek taşlı aydınlatılmasına yardımcı olabilirin vitro sinir ağlarında patlama se rolü. yok olma katsayısı saniye içinde, katkılarından biri değerinin% 50 kaybetmek için ne kadar zaman, gösterir iken robotun her bir tekerlek hızı, ağırlık parametresi orantılı bir olay ilgili çıkış alanında algılandığında her zaman artar . çürüme basit üstel olduğunu. Bu varyantlar zaten HyBrainWare2 cari tasarımına dikkate alınmıştır, ancak yazılım veya deneysel kurulum ek değişiklikler sokulabilir eğer çok daha fazla araştırma olanakları açık.
Burada anlatılan protokol Oldukça önemli bir sınırlama geliştirilen özel yazılım, HyBrainWare2 (tüm ilgili kullanıcılara talep üzerine serbestçe kullanılabilir) gereğidir. Bu yazılım, belirli bir model ve üretici cihazlar (uyarıcısı, satın alma kurulu, MEA amplifikatör) bir dizi için dizayn edilmiştir. Gerçekten mümkün iken di üzerinde çalışmak için uyumfferent kurulumları, dönüşüm bazı programlama beceri alacaktır. Benzer şekilde, dahil seçenekler böyle bir kurulum ile incelenmiştir olabilir tüm deneysel sorular sadece sınırlı sayıda kapsamaktadır. Örneğin, sunulan mimaride uygulanan başak algılama algoritması (hassas zaman başak algılama 40) tamamen kayıt konusu ayrışmış sinir ağları (örneğin, kalp hücrelerinden çok farklı ise değiştirilmesi gereken birkaç kodlanmış parametreleri tarafından tanımlanır ya da dilim). Son olarak, öğrenme protokolü kısa, yüksek frekans teslim oluşan her engel hit aşağıdaki stimülasyon (2 sn 20 Hz stimülasyon, her uyaran nabız duyusal bilgileri kodlamak için kullanılan aynıdır). Robot sağ tarafı ile bir engele çarptığında, tetanik stimülasyon genellikle sağ yan bilgi kodları ve aynı sol taraf hit için geçerlidir elektrodun teslim edilir. Bu protokol, sabit kodlanmış ve b edemezE çıkmadan yazılım değiştirmeden kullanıcı tarafından değiştirilebilir.
Burada yer alan ayar hibrid, kapalı çevrim deneyler 20,23,27,41,42 ilk tanımlanan sistem değildir, geçmişte tasarlanmış olanlar benzer preparasyonlar, sınırlı sayıda veri desteklenen tek tezi odaklanmıştır . Deneyler kendilerini farklı konuları ele Öte yandan, açıklanan kurulum (modülerlik ve kökeni farklı hazırlıklarını deneylerde (100'den fazla kültürler 2012 yılından bu yana kaydedilmiş) çok sayıda kullanılmıştır, örneğin tetanik stimülasyon etkisi ve sonuçlar sunulduğu gibi patlama alaka). Yakın gelecekte, yeni deneysel oturumları hem tetanik ve kapalı-çevrim stimülasyon kalıcı etkileri ve stimülasyon düzenlilik arasındaki ilişkiyi doğrulamak ve yanıtları gözlenen öngörülmektedir. Ele alınması gereken bir diğer konu ile spontan ve gözlenen aktivite arasındaki bağlantıdikkate geçmiş aktivite ve stimülasyon 43 geçmişini alır yeni bir şifre çözme algoritması ekleme fikri.
Acknowledgments
Yazarlar sayesinde doktora diliyorum kültürleme ve diseksiyon ve ayrışma işlemleri için teknik yardım için NBT-İİT Mikro-Elektrot Diziler ve Dr Marina Nanni ve Dr Claudia Chiabrera üzerinde nöron ağları korumak için öğrenci Marta BISIO. Bu sonuçlara önde gelen araştırma Avrupa Birliği'nin Yedinci Çerçeve Programı fon aldı (BİT-FET FP7 / 2007-2013, FET Genç Kaşifler düzeni) hibe sözleşmesi kapsamında n 284.772 BEYİN BOW (° www.brainbowproject.eu ). Yazarlar ayrıca giriş kullanılan grafik üretiminde ona yardım için Silvia Chiappalone teşekkür etmek istiyorum.
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 |
References
- Fetz, E. E. Volitional control of neural activity: implications for brain–computer interfaces. The Journal of Physiology. 579 (3), 571-579 (2007).
- Carmena, J. M., et al. Learning to control a brain–machine interface for reaching and grasping by primates. PLoS Biology. 1 (2), e42 (2003).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Shahaf, G., Marom, S. Learning in networks of cortical neurons. The Journal of Neuroscience. 21 (22), 8782-8788 (2001).
- 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).
- 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).
- 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).
- 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).
- 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).
- Martinoia, S., et al. Towards an embodied in vitro electrophysiology: the NeuroBIT project. Neurocomputing. 58-60, 1065-1072 (2004).
- Mussa-Ivaldi, F. A., et al. New perspectives on the dialogue between brains and machines. Frontiers in Neuroscience. 4 (1), 44 (2010).
- Warwick, K., et al. Controlling a Mobile Robot with a Biological Brain. Defence Science Journal. 60 (1), (2010).
- 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).
- 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).
- Chiappalone, M., Massobrio, P., Martinoia, S. Network plasticity in cortical assemblies. European Journal of Neuroscience. 28 (1), 221-237 (2008).
- 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).
- 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).
- Bologna, L. L., et al. Investigating neuronal activity by SPYCODE multichannel data analyzer. Neural Networks. 23 (6), 685-697 (2010).
- 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).
- Quian Quiroga, R., Panzeri, S. Extracting information from neuronal populations: information theory and decoding approaches. Nature Reviews Neuroscience. 10 (3), 173-185 (2009).
- Donoho, D. L., Johnstone, J. M. Ideal spatial adaptation by wavelet shrinkage. Biometrika. 81 (3), 425-455 (1994).
- Martinez, J., Pedreira, C., Ison, M. J., Quian Quiroga, R. Realistic simulation of extracellular recordings. Journal of neuroscience methods. 184 (2), 285-293 (2009).
- 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).
- Tessadori, J., Mulas, M., Martinoia, S., Chiappalone, M. Biomedical Robotics and Biomechatronics (BioRob), 2012 4th IEEE RAS & EMBS International Conference on. , 332-337 (2012).
- 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).
- Neural Engineering (NER). Tessadori, J., et al. 2013 6th International IEEE/EMBS Conference on Neural Engineering, , 899-902 (2013).
- 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).
- 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).
- Mainen, Z. F., Sejnowski, T. J. Reliability of spike timing in neocortical neurons. Science. 268 (5216), 1503-1506 (1995).
- 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).
- 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).
- 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).
- 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).
