Waiting
Login processing...

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

Neuroscience

बंद लूप न्यूरो रोबोट प्रयोगों neuronal नेटवर्क के कम्प्यूटेशनल गुणों का परीक्षण करने के लिए

Published: March 2, 2015 doi: 10.3791/52341

Introduction

मस्तिष्क समारोह के कई सुविधाओं एक कृत्रिम प्रणाली में दोहराने के लिए वर्तमान में असंभव है। जवाब में, जल्दी से जटिल संवेदी जानकारी संसाधित करने के लिए और उत्पन्न करने के लिए मस्तिष्क की क्षमता, सटीक मोटर आदेशों पहले से ही वर्तमान राज्य के अत्याधुनिक परे से ही है। लेकिन अतीत के अनुभव से सीखने के द्वारा अलग-अलग परिस्थितियों के अनुकूल करने के लिए अपनी क्षमता मानव विकसित नियंत्रण प्रणालियों के लिए यह इतना काफी बेहतर बनाता है। अब तक, दोहराने या इस plasticity के छोटे से सफलता मिले हैं शोषण करने के लिए प्रयास करता है, और मस्तिष्क के भीतर के कामकाज की समझ के शोधकर्ताओं की समझ नहीं मिल पाई है। मुख्य मुद्दों में से एक मस्तिष्क और व्यवहार के बीच संबंधों की जांच ठीक से व्यवस्था में चर के सभी का उपयोग करने में असमर्थता है, जबकि: आदर्श रूप में, एक इष्टतम प्रयोगात्मक सेटअप न्यूरॉन्स की एक बड़ी संख्या को एक साथ रिकॉर्डिंग और उत्तेजना की अनुमति होगी, दीर्घकालिक स्थिरता , synapses के पदों और वजन, और चलाया हुआ द्वि-directio की निगरानीपर्यावरण के साथ एनएएल बातचीत। एक साथ उन सभी चर पर नज़र रखने में कठिनाई दो बहुत अलग तराजू पर मस्तिष्क व्यवहार के रिश्ते का अध्ययन करने के लिए नेतृत्व: या तो प्रयोगात्मक शर्तों 1-7 से अधिक या इस तरह के कुछ भागों के रूप में छोटे, अलग हिस्सों के साथ कोई ठीक नियंत्रण के साथ, जानवरों के बर्ताव के साथ प्रणाली आठ का कोई समग्र दृष्टिकोण के साथ neuronal ऊतक,। कोई तैयार प्रयोगात्मक स्थापना भी एक साधारण तंत्रिका नेटवर्क के कामकाज में शामिल सभी मापदंडों की पूरी निगरानी की अनुमति देता है, जबकि दूसरे मामले में, एक अच्छा व्यापार बंद माइक्रो इलेक्ट्रोड सरणियों (meas) 9 से अधिक हो अलग न्यूरॉन्स द्वारा प्रदान की जाती है। 70 के 10 के अंत में पैदा हुए उन उपकरणों, पारंपरिक इलेक्ट्रोफिजियोलॉजी तकनीक पर कई फायदे हैं: सबसे पहले, रिकॉर्डिंग की संभावना है और एक बार (आमतौर पर 60 इलेक्ट्रोड) में कई अलग अलग स्थानों में एक तंत्रिका नेटवर्क उत्तेजक। इसके अलावा, कोशिकाओं के साथ meas के युग्मन लगभग गैर इनवेसिव हैकई महीनों के 11 अप करने के लिए समय की लंबी अवधि के लिए एक ही नेटवर्क के अवलोकन की अनुमति है। अलग संस्कृतियों पर बिजली की उत्तेजना का मनोवैज्ञानिक प्रभाव बड़े पैमाने पर वास्तुकला के नुकसान के बावजूद संरक्षित कर रहे हैं कई गुण (उदाहरण के लिए, plasticity के लिए, इस तरह के रूप में और सरल स्मृति 12-14 प्रक्रियाओं) उच्च तराजू में मनाया खुलासा, उन उपकरणों के लिए धन्यवाद अध्ययन किया गया है। संस्कृति के विकास के दौरान, उन नेटवर्कों इन विट्रो (DIV) में लगभग 7 दिन 15,16 पर सहज गतिविधि दिखाना शुरू। नेटवर्क गतिविधि आगे के विकास के साथ मौलिक परिवर्तन के लिए जाता है; पहली एकल के spikes यह एक नेटवर्क के परिपक्व राज्य का प्रतिनिधित्व करता है, जो 18 फटने सिंक्रनाइज़, गैर आवधिक नेटवर्क का एक अत्यधिक जटिल पैटर्न में बदलता बाद में के रूप में, 17 (दूसरे सप्ताह के अंत में) फटने में इकट्ठा के रूप में। यह 19 सुझाव दिया गया है कि इन विवो रिकार्ड में मनाया कि कुछ हद तक इसी तरह की इस तुल्यकालिक व्यवहार,सो जानवरों पर बैठकों, संवेदी इनपुट की कमी के कारण होता है।

एक अलग दृष्टिकोण संकेतों के विभिन्न प्रकार के neuronal नेटवर्क में ही 11,20-23 की उत्तेजना को नियंत्रित करने के लिए इस्तेमाल किया गया, जिसमें बंद लूप प्रयोगों प्रदर्शन से लिया गया है जानकारी कोडिंग का एक बेहतर समझ हासिल करने का प्रयास किया। इन प्रयोगों में, पर्यावरण के साथ बातचीत करने में सक्षम एक बाहरी एजेंट बारी में, एक प्रेरक तंत्र के लिए मोटर आदेशों का उत्पादन किया है, जो तंत्रिका नेटवर्क, को खिलाया संवेदी जानकारी उत्पन्न करने के लिए इस्तेमाल किया गया है। यह तंत्रिका प्रणाली के गतिशील और अनुकूली गुण वातावरण में परिवर्तन प्रेरित करने के लिए प्रतिक्रिया में विकसित कैसे की टिप्पणियों की अनुमति दी।

प्रदर्शन करने के लिए एक सेटअप प्रयोगों एक चक्र सेंसर मंच (एक भौतिक रोबोट या अपने आभासी मॉडल) एक क्षेत्र में के बारे में चलता रहता है और इसकी गति प्रोफाइल के एक neuronal की गतिविधि के द्वारा निर्धारित किया जाता है, जहां विकसित किया गया था 'Neurophysiology सन्निहित'सिस्टम (यानी, एक विदेश मंत्रालय से अधिक सुसंस्कृत चूहे न्यूरॉन्स की आबादी)। रोबोट अपने दो स्वतंत्र रूप से नियंत्रित पहियों की गति प्रोफाइल के द्वारा और दूरी सेंसर की वर्तमान रीडिंग की विशेषता है। दूरी सेंसर की सही प्रकृति प्रासंगिक नहीं है; वे ऑप्टिकल सेंसर या अल्ट्रासाउंड सेंसर सक्रिय या निष्क्रिय हो सकता है। जाहिर है, इस मुद्दे को सेंसर किसी भी वांछित सुविधा के साथ तैयार किया जा सकता है, जिसमें आभासी रोबोट के मामले में लागू नहीं होता।

इस के साथ साथ वर्णित प्रयोगों में, प्रयोग रोबोट 30 ° तरफ इशारा करते हुए छह दूरी सेंसर, दोनों दिशाओं में बढ़ रोबोट से 60 डिग्री और 90 डिग्री सेल्सियस के साथ, हमेशा आभासी कार्यान्वयन है। तीन बाएँ और दाएँ सेंसर की गतिविधि औसत निकाला जाता है और जैविक संस्कृति की गतिविधि सिर्फ 'छोड़' और 'सही' सेंसर बाकी हिस्सों में के रूप में करने के लिए भेजा जाएगा, जो इस तरह के 'सुपर' सेंसर (द्वारा एकत्रित जानकारी के द्वारा संचालित है इस काम का)। आद्यवर्णित कर्नल वास्तव में काफी मामूली समायोजन के साथ शारीरिक रोबोट को लागू किया जा सकता है। रोबोट (शारीरिक या आभासी या तो) द्वारा एकत्र जानकारी शारीरिक रूप से रोबोट के द्वारा अलग है जो जैविक तंत्रिका नेटवर्क, की गतिविधि में हेरफेर करने के लिए उपयोग किया जाता है कि उत्तेजनाओं की एक श्रृंखला में इनकोडिंग है। उत्तेजनाओं खुद को सभी समान हैं और इस प्रकार किसी भी जानकारी के लिए कोड नहीं है। क्या प्रासंगिक है उनकी आवृत्ति है: उत्तेजना की दर बढ़ जाती रोबोट विभिन्न वितरण साइटों रोबोट के बाएँ और दाएँ 'आंखें' से संवेदी जानकारी कोडिंग के साथ, एक बाधा दृष्टिकोण है। तंत्रिका नेटवर्क stimulations की आने वाली ट्रेन के लिए अलग अलग प्रतिक्रियाएं पेश करेंगे: डिकोडिंग एल्गोरिथ्म का कार्य रोबोट के पहियों को नियंत्रित करने के लिए इस्तेमाल किया आदेशों में जिसके परिणामस्वरूप नेटवर्क गतिविधि अनुवाद करने के लिए है। (यानी, विश्वसनीय और पूरी तरह से अलग इलेक्ट्रोड से उत्तेजनाओं को प्रतिक्रियाओं अलग हो) के साथ एक 'सही' नेटवर्क व्यवहार को देखते हुए, इस resul होगारोबोट में टी किसी भी बाधा से टकराने के बिना अपने क्षेत्र में चला। इसलिए एक साधारण सीखने प्रोटोकॉल शुरू की है आदर्श से मौजूद एक व्यवहार बहुत अलग अधिकांश नेटवर्क,: (24,25 में वर्णित प्रोटोकॉल से प्रेरित उच्च आवृत्ति उत्तेजना का संक्षिप्त मंत्र, 2 सेकंड के लिए 20 हर्ट्ज उत्तेजना,) जब सक्रिय, धनुस्तंभीय उत्तेजना एक निम्न एक बाधा के साथ टकराव को जन्म दिया है। नेटवर्क कनेक्टिविटी की एक स्थानीय मजबूत बनाने में धनुस्तंभीय उत्तेजना परिणाम है, इस रोबोट की नौवहन क्षमताओं में एक प्रगतिशील वृद्धि में परिणाम होगा।

HyBrainWare2, 26 में प्रकाशित कस्टम सॉफ्टवेयर के एक उन्नत संस्करण है, सिस्टम (उत्तेजक, डाटा अधिग्रहण, प्रसंस्करण और दृश्य, रोबोट संचार या अनुकरण) के विभिन्न उपकरणों का नियंत्रण संभाल करने के लिए विकसित की कोर वास्तुकला है। इस सॉफ्टवेयर में हमारी प्रयोगशाला में विकसित की है और अनुरोध पर आसानी से उपलब्ध है किया गया है। इस सॉफ्टवेयर इंटरफेस के साथ प्रदान करता हैडाटा अधिग्रहण बोर्ड: उपयोगकर्ता जीयूआई से डाटा अधिग्रहण शुरू होने के बाद सॉफ्टवेयर नमूना और रिकॉर्डिंग इलेक्ट्रोड से आने वाले डेटा की ए / डी रूपांतरण शुरू करने के लिए अधिग्रहण बोर्ड नियंत्रित करता है। इस डाटा तो उपयोगकर्ता द्वारा निर्धारित विकल्पों के अनुसार, दर्ज की स्क्रीन या spikes पता लगाने के लिए वास्तविक समय में विश्लेषण करने के लिए प्रदर्शित किया जा सकता है (विवरण के लिए प्रक्रिया अनुभाग देखें)। इसके अलावा, सॉफ्टवेयर के भीतर, (रोबोट के लिए मोटर आदेशों में दर्ज गतिविधि का अनुवाद) (एक बिजली की उत्तेजना में संवेदी जानकारी के अनुवाद) और डिकोडिंग कोडिंग की परिभाषा एल्गोरिदम निर्दिष्ट किया जाना चाहिए। सभी रिकॉर्ड जानकारी स्वचालित के साथ संगत प्रारूप में सहेजा गया है, जबकि विशेष रूप से, हमारे सेटअप, सही वास्तविक प्रयोग शुरू करने से पहले लगभग सभी चर उपयोगकर्ता द्वारा पहुँचा जा सकता है, के बाद से पिछले 27 में से डिजाइन इसी तरह की प्रणाली की तुलना में अपेक्षाकृत उपयोगकर्ता के अनुकूल है एक तंत्रिका डेटा विश्लेषण उपकरण बॉक्स 28।

निम्नलिखित प्रक्रिया अनुभाग अलग चूहे के हिप्पोकैम्पस संस्कृतियों पर एक सीखने प्रयोग का वर्णन: सभी संवर्धन और प्रयोगात्मक मापदंडों इस विशेष तैयारी के लिए प्रदान की जाती हैं और एक अलग जैविक सब्सट्रेट इस्तेमाल किया जा रहा है अगर संशोधित करने की आवश्यकता हो सकती है। इसी तरह, वर्णित प्रयोग धनुस्तंभीय उत्तेजना के सीखने के प्रभाव की जांच के लिए बंद लूप वास्तुकला का लाभ लेता है, लेकिन वास्तुकला में ही काफी लचीला अलग तंत्रिका नेटवर्क के विभिन्न सुविधाओं के अध्ययन में इस्तेमाल किया जा रहा है। प्रस्तावित प्रयोग के प्रमुख वेरिएंट आगे की चर्चा के अनुभाग में समझाया जाता है।

Protocol

विदेश मंत्रालय के ऊपर neuronal संस्कृति के 1. तैयारी

  1. 29 के रूप में वर्णित, विदेश मंत्रालय चिप्स पर neuronal संस्कृतियों थाली। एक समान प्रक्रिया का विवरण भी 9 प्रदान की और चर्चा खंड में है।
  2. 37 डिग्री सेल्सियस तापमान नियंत्रक का सेट तापमान लक्ष्य और विदेश मंत्रालय में ही (सबसे वाणिज्यिक में उपलब्ध कराई नीचे हीटिंग थाली पर स्विच: कोशिकाओं द्वारा अनुभवी थर्मल तनाव कम करने के लिए रिकॉर्डिंग शुरू करने से पहले 5-10 मिनट पर विदेश मंत्रालय हीटिंग सिस्टम चालू करें विदेश मंत्रालय सिस्टम) और, यदि उपलब्ध हो तो, काफी वाष्पीकरण को कम करने के क्रम में एक गर्म कवर।
  3. उमस भरे गर्मी (30 मिनट, 130 डिग्री सेल्सियस) के साथ एक आटोक्लेव में प्रत्येक का उपयोग करने से पहले गैस पारगम्य टोपियां जीवाणुरहित। वाष्पीकरण से बचने और परासारिता में परिवर्तन को रोकने, रिकॉर्डिंग के दौरान टोपी के साथ कवर संस्कृतियों रखने के लिए।
  4. वास्तव में रिकॉर्डिंग शुरू करने से पहले एम्पलीफायर 30 मिनट में neuronal संस्कृति रखें।
    नोट: बस इंक से संस्कृतियों आगे बढ़एम्पलीफायर को ubator काफी बारे में आधे घंटे के लिए सहज गतिविधि को बाधित करेगा। इस समय के दौरान, संस्कृति मध्यम तापमान स्थिर होगा।
  5. एक carbair सर्किट उपलब्ध है, तो carbair का प्रचलन अब घंटे की एक जोड़ी से प्रयोगों के लिए (एक मिश्रण में 5% की सीओ 2 और 95% ओ 2 + 2 एन) शुरू: संस्कृतियों दोनों ऑक्सीजन और पीएच स्तर को बनाए रखने के क्रम में यह आवश्यकता होगी स्थिर।

विदेश मंत्रालय के अधिग्रहण के लिए रिकॉर्डिंग पैरामीटर 2. चयन

  1. RawDataDisplay रूप में '300 हर्ट्ज -3 किलोहर्ट्ज़' चेक बॉक्स को चिह्नित: 30 - चुनें सॉफ्टवेयर फिल्टर बैंडविड्थ (MUA यानी, बहु इकाई गतिविधि) के spikes पता लगाने के लिए।
  2. डेटा का अधिग्रहण शुरू करें: RawDataDisplay रूप में 'आरंभ' बटन दबाएँ।
  3. सात को RawDataDisplay में कील का पता लगाने के लिए निर्धारित सीमा प्राप्त करें।
    नोट: वांछित विशिष्टता / चयनात्मकता tradeoff पर और अपनाया के आधार पर पता लगाआयन एल्गोरिथ्म, इस सीमा 6 और 10 बार अभिकलन मानक विचलन के बीच स्थापित किया जा सकता है।
  4. (दोनों आदेशों RawDataDisplay रूप में कर रहे हैं) 2 सेकंड के लिए थ्रेसहोल्ड स्मृति सेट और कोई spiking गतिविधि प्रदर्शन पर दिखाई दे रहा है जब 'ताला' बटन दबाएँ। मार्क 'मंझला से एसडी अनुमान' यह गतिविधि spiking के बिना भी कम समय Windows प्रदान करने के लिए मुश्किल है, तो मनाया संकेत 31,32 के निरपेक्ष मूल्य के औसत से शोर मानक विचलन की गणना करने के लिए। अंतर्निहित एल्गोरिथ्म गहन computationally है और पीसी अंतराल के कारण हो सकता है, के रूप 'ताला' बटन दबाने के बाद इस विकल्प से सही का निशान हटा दें।
  5. कील का पता लगाने की दिनचर्या (RawDataDisplay रूप में 'स्पाइक जांच' चेकबॉक्स) चालू करें। कील का पता लगाने के लिए पहले से ही (यानी, चेकबॉक्स पहले से ही चिह्नित किया जाता है) चल रहा है, तो डेटा रिकॉर्डिंग के रूप में बटन 'रीसेट' पर क्लिक करके इस पल के लिए पता लगाया spikes के त्यागने।

Neuronal संस्कृति और उत्तर मानचित्र संगणना उत्तेजित करने के लिए विदेश मंत्रालय के इलेक्ट्रोड्स 3. चयन

  1. 30 मिनट के लिए विदेश मंत्रालय से अधिक सुसंस्कृत neuronal कोशिकाओं का रिकॉर्ड सहज गतिविधि: समय के वांछित राशि (30 मिनट बीत जाने पर, DataRecording फार्म की 'spikes' बॉक्स में, 'रिकॉर्ड' बटन पर क्लिक करके फाइल करने के लिए डेटा को बचाने, इस मामले में)।
  2. उसके बाद विदेश मंत्रालय के लेआउट में से किसी में उन चैनलों का चयन, 10 सबसे ज्यादा चर्चित चैनल (उच्चतम कील गिनती के साथ यानी, 10 चैनलों) की पहचान (या तो कोडिंग, decoding या मैप कनेक्शन रूपों में) वांछित क्षेत्रों पर माउस कर्सर को खींच कर। चैनलों के चुने जाने के बाद, सही विदेश मंत्रालय के लेआउट पर कहीं भी क्लिक करें और पॉप-अप मेनू में 'संवेदी क्षेत्र छोड़ा जोड़ें': इन इलेक्ट्रोड 3.5 चरण में बिजली की उत्तेजना देने के लिए इस्तेमाल किया जाएगा।
  3. उत्तेजक और विदेश मंत्रालय एम्पलीफायर सही ढंग से जुड़े हुए हैं कि सत्यापित करें: सभी विन्यास requगुस्सा वांछित उत्तेजना चैनल के अनुसार दो तार, एक अतिरिक्त समाक्षीय केबल (कनेक्शन आरेख के लिए विशेष उपकरणों के मैनुअल को देखें) synchrony संकेत ले जाने के लिए आवश्यक हो जाएगा। पर उत्तेजक बारी करने के लिए फिर आगे बढ़ें।
  4. मैप कनेक्शन के रूप में प्रोत्साहन मानकों को परिभाषित। संस्कृति के लिए दिया सभी stimulations Biphasic वर्ग वोल्टेज लहरें हैं। 1.5 वी पी पी 33 के लिए 300 μsec करने के लिए आधे-अवधि और आयाम स्थापित।
    नोट: पर्याप्त उत्तेजनाओं बड़ी मज़बूती से तंत्रिका प्रतिक्रियाओं पैदा करने के लिए बहुत संभावना समझौता एक ही साइटों से गतिविधि की रिकॉर्डिंग। कागज के बाकी हिस्सों में, उत्तेजना प्रसव के लिए इस्तेमाल किया इलेक्ट्रोड किसी भी प्रासंगिक जानकारी रिकॉर्डिंग के लिए चयनित नहीं किया जाना चाहिए।
  5. उत्तेजना के लिए रिकॉर्ड प्रतिक्रिया: ConnectionMap रूप में प्रारंभ बटन दबाएँ। प्रतिक्रियाओं का रिकॉर्ड कर रहे हैं, जबकि 5 सेकंड के अंतराल के साथ 30 उत्तेजनाओं की एक श्रृंखला है, जो बारी में, स्वचालित रूप से चयनित इलेक्ट्रोड से हर एक से वितरित किया जाता हैशेष 59 इलेक्ट्रोड से एड।
  6. (यानी, एक अलग इलेक्ट्रोड से प्रोत्साहन के प्रसव के बाद एक समय स्लॉट के भीतर एक इलेक्ट्रोड से एक प्रतिक्रिया को देख की संभावना) किसी भी गणित सॉफ्टवेयर या SpyCode के माध्यम से प्रत्येक उत्तेजक चैनल के लिए एक आवेदन अतीत में विकसित किया है (और स्वतंत्र रूप से उपलब्ध एक कनेक्शन नक्शा कंप्यूट अनुरोध पर) तंत्रिका डेटा पर 28 संगणना प्रदर्शन करने के लिए।
  7. कनेक्शन के नक्शे से, सबसे अच्छा इलेक्ट्रोड का चयन करें: (दरें सहज फायरिंग के दौरान की तुलना में काफी अधिक नहीं कर रहे हैं, फायरिंग, यानी उत्तेजना के बाद समय विंडो में) प्रतिक्रियाओं का आह्वान नहीं किया था कि सभी उत्तेजक इलेक्ट्रोड त्यागें।
    1. शेष इलेक्ट्रोड के बीच में, प्रतिक्रियाओं में overleap कम से कम के साथ जोड़ी का चयन करें। विशेष रूप से प्रत्येक उत्तेजक इलेक्ट्रोड के लिए, फिर, प्रत्येक रिकॉर्डिंग इलेक्ट्रोड में औसत कील गणना की गणना सभी उत्तेजक इलेक्ट्रोड जोड़े के लिए इसी इलेक्ट्रोड के बीच अंतर की गणना। जो के लिए जोड़ी का चयन करेंएच सभी रिकॉर्डिंग चैनलों पर प्रतिक्रिया मतभेदों के निरपेक्ष मूल्यों का योग सबसे ज्यादा है।
  8. रोबोट के बाईं ओर और दाईं ओर से रीडिंग कोड के लिए एक दूसरे से संवेदी जानकारी कोड के लिए इन इलेक्ट्रोड में से एक का चयन करें: यह करने के लिए आदेश में, उसके बाद का चयन विदेश मंत्रालय के लेआउट पर राइट क्लिक करें, एक इलेक्ट्रोड पर माउस कर्सर खींचें 'संवेदी क्षेत्र छोड़ दिया करने के लिए जोड़ें' (या 'सही संवेदी क्षेत्र के लिए जोड़ें')।

4. रोबोट के साथ neuronal संस्कृति Interfacing: कोडिंग और Decoding योजनाओं का चयन

  1. रैखिक करने के लिए कोडिंग के रूप में 'टाइप कोडिंग' सेट करें।
  2. कोडिंग के रूप में न्यूनतम और अधिकतम उत्तेजना दरों को परिभाषित करें। 0.5-2 हर्ट्ज के तयशुदा सीमा का उपयोग करें।
  3. 0 करने के लिए कोडिंग के रूप में 'घबराना' पैरामीटर सेट करें।
  4. Chann प्रति (एक मामूली सक्रिय संस्कृति के लिए, एक को डिकोडिंग एल्गोरिथ्म Decoding फार्म में मानकों (वजन और विलुप्त होने के गुणांक) सेट ~ एक कील / सेकईएल)। फायरिंग दरों में जोरदार और लगातार इस मान से विचलित अगर एक नया पैरामीटर जोड़ी को परिभाषित करें। डिकोडिंग मापदंडों का सही कार्य के लिए चर्चा देखें।
  5. डिकोडिंग एल्गोरिथ्म Decoding फार्म में फट मापदंडों सेट करें। Spikes और फटने के बीच भेद अध्ययन का विषय है, जब तक शून्य करने के लिए सेट वजन, (क्षय समय तो अप्रासंगिक है)।
    नोट: कदम 4.4 में सुझाव दिया मूल्यों चिकनी रोबोट आंदोलनों और मामूली सक्रिय चूहे प्राथमिक संस्कृतियों के लिए रोबोट की प्रतिक्रिया समय के साथ संगत की गति का उत्पादन होगा। फट मापदंडों कदम 4.4 में वर्णित उन लोगों के रूप में बिल्कुल एक ही समारोह है, लेकिन ट्रिगर घटना के बजाय एक कील का एक फट का पता लगाने है: प्रत्येक पहिया की वास्तविक गति बस का पता चला spikes और फटने के योगदान का योग है।

रोबोट के लिए नेवीगेशन अखाड़ा 5. डिजाइन

  1. आभासी क्षेत्र डिजाइनर के रूप में, क्षेत्र की सीमाओं रोबोट और मैं करने के लिए दिखाई दे रहे हैं (घिरा के बीच चयनmpassable) या असीम (अखाड़ा के एक तरफ से रोबोट बाहर निकलता है, इसे तुरंत विपरीत एक) क्षेत्र से फिर से प्रवेश करने और पिक्सेल में क्षेत्र का आकार निर्धारित करेगा।
    1. महत्वपूर्ण आंदोलन की अनुमति देने के क्रम में 100 X 100 पिक्सल की तुलना में छोटे घिरे एरेनास, का प्रयोग न करें। वे बस रोबोट की दृष्टि की लाइनों के बीच गिर सकता है के रूप में एक त्रिज्या के साथ छोटे से अधिक 5 पिक्सल बाधाओं का प्रयोग न करें।
    2. बहुत बड़े क्षेत्र आकार कंप्यूटर प्रदर्शन नीचा करने के लिए कारण हो सकता है कि ध्यान में रखें: एक बड़े क्षेत्र आवश्यक है, तो मुश्किल से दोहराने की शुरुआत के प्रयोगों से पहले वांछित क्षेत्र के साथ परीक्षण सॉफ्टवेयर प्रदर्शन।
  2. मैन्युअल रूप से स्थिति में या तो शुरू कर रोबोट सेट या खेतों 'की स्थिति शुरू रोबोट' में शुरू प्रयोग में रोबोट के निर्देशांक निर्दिष्ट करके (वर्चुअल अखाड़ा डिजाइनर फार्म, तो इच्छित स्थान में 'मैन्युअल चयन' बटन पर क्लिक करें)।
  3. क्षेत्र के भीतर अगम्य बाधाओं के किसी भी संख्या को जोड़ें। उन्हें या तो आदमी को जगहually 'मैन्युअली बाधा जोड़ें' बटन या सेट की संख्या और आकार सीमा क्लिक करने के बाद क्षेत्र में।
  4. चयनित सुविधाओं के साथ क्षेत्र उत्पन्न करने के लिए 'अखाड़ा उत्पन्न' बटन पर क्लिक करें। इस बटन को दबाया जाता है जब तक कोई परिवर्तन नहीं घटित होगा।
  5. डिजाइन किए अखाड़ा सेव करें और आभासी क्षेत्र डिजाइनर फार्म के निचले हिस्से में आदेश बटन के साथ, एक प्रयोग में उपयोग करने से पहले, रिश्तेदार फ़ाइल को लोड।

संस्कृति से रिकॉर्ड neuronal गतिविधि के लिए विदेश मंत्रालय इलेक्ट्रोड्स 6. चुनाव

  1. कदम 3.8 में जो अलग प्रतिक्रियाओं पर उन के रूप में अस्थायी रिकॉर्डिंग इलेक्ट्रोड, का चयन करें, देखा गया है: 'छोड़' का गठन होगा 'छोड़' (या 'सही') इलेक्ट्रोड से उत्तेजना के बाद बड़े प्रतिक्रियाओं से पता चला है कि इलेक्ट्रोड (या 'सही') रिकॉर्डिंग इलेक्ट्रोड। रोबोट को नियंत्रित करने के लिए उत्तेजक इलेक्ट्रोड या तो महत्वपूर्ण प्रतिक्रियाएं नहीं दिखा था कि इलेक्ट्रोड का प्रयोग न करें। एफविदेश मंत्रालय के लेआउट पॉप-अप मेनू, 'छोड़ दिया मोटर क्षेत्र के लिए जोड़ें' का चयन ROM रिकॉर्डिंग इलेक्ट्रोड को परिभाषित करने के लिए (या 'सही मोटर क्षेत्र के लिए जोड़ें')।
  2. का चयन सुविधाओं प्रयोग प्रबंधक के रूप में दर्ज करने के लिए। इस स्तर पर, spikes और उत्तेजना समय टिकटों केवल प्रासंगिक जानकारी कर रहे हैं।
  3. एक 10 मिनट टेस्ट ड्राइव प्रदर्शन करना: 10 मिनट बीतने के बाद प्रयोग प्रबंधक के रूप में प्रारंभ करें प्रयोग बटन पर क्लिक करके चलाने रोबोट शुरू, फिर इसे क्लिक करें।
    नोट: सभी मापदंडों सेट किया गया है एक बार (कोडिंग और डिकोडिंग, रोबोट अखाड़ा, इलेक्ट्रोड उत्तेजक और रिकॉर्डिंग, रिकॉर्ड करने के लिए सुविधाओं का), एक फ़ाइल नाम चयन दर्ज की गई फ़ाइलों का नाम और गंतव्य के लिए पूछना होगा, तो रोबोट अपने क्षेत्र में आगे बढ़ शुरू कर देंगे, परिभाषित नियमों का पालन। सभी चयनित सुविधाओं को स्वचालित रूप से वास्तविक समय में बच रहे हैं।
  4. दोहराएँ एक वास्तविक रोबोट चलाने के दौरान एकत्र किए गए आंकड़ों से रिकॉर्डिंग इलेक्ट्रोड का चयन करने के क्रम में, कदम 6.3 में प्राप्त डेटा पर 3.6 और 6.1 कदम (discussio देखनाn इस दो कदम दृष्टिकोण के औचित्य के लिए)।

7. एक न्यूरो रोबोट प्रयोग का प्रदर्शन

  1. दर्ज किया जा करने के लिए डेटा फार्म प्रयोग प्रबंधक का चयन करें: स्पाइक, रोबोट और उत्तेजनाओं डाटा चेक बॉक्स निशान।
  2. एक पूर्व सीखने रोबोट रन लॉन्च: प्रयोग प्रबंधक के रूप में 'प्रयोग आरंभ करें' बटन पर क्लिक करें। जब प्रेरित डेटा फ़ाइलों के लिए नया फ़ाइल नाम का चयन करें। 30 मिनट बीत चुके हैं, जब रोबोट रन रोकने के लिए फिर से 'प्रयोग आरंभ करें' बटन पर क्लिक करें।
  3. (प्रयोग प्रबंधक के रूप में 'हिट होने के बाद धनुस्तंभीय उत्तेजना उद्धार' चेक बॉक्स चिह्न) सीखने प्रोटोकॉल पर स्विच और पूर्व प्रशिक्षण चरण (यानी, 30 मिनट) के रूप में एक ही लंबाई की, प्रशिक्षण रोबोट रन प्रदर्शन करते हैं। कदम 7.2 से overwriting डेटा से बचने के लिए कहा जाए, जब इनपुट अलग फ़ाइल नाम के लिए याद रखें।
  4. 'धनुस्तंभीय उत्तेजना उद्धार हिट होने के बाद' चेक बॉक्स अचिह्नित (फिर से सीखने प्रोटोकॉल स्विच बंद) और पोस्ट-लर्निंग रोबोट रन प्रदर्शन करते हैं। एक बार फिर, overwriting को रोकने के लिए फ़ाइल नाम बदलने के लिए याद है।

8. दूसरी प्रतिक्रिया मानचित्र संगणना

  1. दोहराएँ 3.1-3.6 कदम। किसी भी परिवर्तन सीखने प्रोटोकॉल द्वारा सहज या पैदा की गतिविधि के पैटर्न में या तो प्रेरित किया गया है कि अगर ये रिकॉर्डिंग से डेटा का उपयोग करने के लिए परीक्षण।

Representative Results

विकसित प्रयोगात्मक ढांचा न्यूरॉन्स की एक संस्कृति और एक शारीरिक रोबोट की आभासी अहसास के बीच सूचना के आदान-प्रदान संभव है कि क्या के परीक्षण की अनुमति दी 34। चित्रा एक अलग परिस्थितियों में 20 मिनट के प्रयोगों में एक आभासी रोबोट से कूच प्राप्त रास्तों के कई नमूने से पता चलता है : एक उचित बंद लूप प्रयोग एक 'खाली विदेश मंत्रालय के' रोबोट प्रयोग (कोई कोशिकाओं को इस पर नियंत्रण के प्रयोग के लिए विदेश मंत्रालय पर चढ़ाया जाता है) और एक खुले पाश रोबोट प्रयोग बाएं से दाएं (उत्तेजना दर के बजाय कोडिंग सेंसर जानकारी के निरंतर है) का प्रतिनिधित्व कर रहे हैं। प्रतिनिधि निशान neuronal और कृत्रिम तत्वों के बीच एक द्वि-दिशात्मक बातचीत रोबोट का अच्छा नेविगेशन प्रदर्शन को प्राप्त करने के क्रम में आवश्यक है कि इस बात की पुष्टि। फिर भी, रोबोट बाधाओं के खिलाफ कई हिट अनुभव करता है।

चित्रा 2, रोबोट के नेविगेशन प्रदर्शन, ई मेंबाद में हिट के बीच कूच पिक्सल के रूप में xpressed, अलग अलग परिस्थितियों में दिखाया गया है। तीसरे और चौथे कॉलम के बिना और क्रमशः, के साथ प्रदर्शन को प्रदर्शित करते हुए पहले दो कॉलम, प्रत्येक निम्नलिखित धनुस्तंभीय उत्तेजना की डिलीवरी ('खाली विदेश मंत्रालय के' और खुले पाश विन्यास) जैसा कि ऊपर उल्लेख नियंत्रण प्रयोगों में कूच दूरी के वितरण प्रदर्शित एक बाधा के खिलाफ मारा। धनुस्तंभीय उत्तेजना (cf. प्रक्रिया, बिंदु 7.2) की शुरूआत की दूरी इस प्रकार रोबोट 35 के नेविगेशन प्रदर्शन में सुधार, लगातार दो हिट फिल्मों के बीच कूच काफी सुधार।

चित्रा 3 में, अलग डिकोडिंग शर्तों के साथ एक रोबोट के नेविगेशन प्रदर्शन प्रस्तुत किया है। यह अंत करने के लिए, एक अलग क्षेत्र के विन्यास में अपनाया गया है। इस क्षेत्र में 36 के भीतर रोबोट के सफल नेविगेशन यों में मदद की: प्रक्रिया के चरण 4.1 में वर्णित के रूप में, रोबोट हैकम पटरियों की एक श्रृंखला प्रस्तुत किया। सफलता की दर बस प्रस्तुत पटरियों की संख्या अधिक सफलतापूर्वक पार कर पटरियों की संख्या का अनुपात है। विशेष रूप से, प्रयोगों के दौरान फट और पृथक spikes के एक वास्तविक समय पहचान प्रदर्शन किया था। डिकोडिंग लद क्योंकि फटने और पृथक spikes के सापेक्ष वजन का एक और एक से अलग (cf. प्रक्रिया, 3.5-3.6 और चर्चा अंक)।

चित्र 1
चित्रा 1: एक neuronal नेटवर्क और एक रोबोट जानकारी का एक द्वि-दिशात्मक विनिमय है यह आंकड़ा प्रयोग के 20 मिनट से अधिक रोबोट से कूच तीन प्रतिनिधि रास्तों से पता चलता है।। गहरे हरे रंग के पिक्सल रोबोट इसकी दूरी सेंसर के माध्यम से अनुभव कर सकते हैं कि अगम्य बाधाओं का प्रतिनिधित्व करते हैं जबकि रोबोट में स्थानांतरित करने के लिए विशेष रूप से, हल्के हरे रंग के क्षेत्रों के लिए स्वतंत्र हैं। प्रत्येक परीक्षण में, रोबोट मैं शुरू होता हैएन अखाड़ा के ऊपरी बाएँ अनुभाग और एक बड़ा गुलाबी डॉट के रूप में दर्शाया अपने अंतिम स्थिति, के लिए यात्रा। रंग कोडित पथ रोबोट आंदोलन के समय विकास का एक संकेत प्रदान करता है, जबकि छोटे काले बिंदु, एक बाधा के खिलाफ हिट प्रतिनिधित्व करते हैं। सही पर रंग पट्टी समय मिनट में प्रयोग की शुरुआत से गुजरे व्यक्त करता है। (ए) पथ एक बंद लूप प्रयोग के दौरान पीछा किया। (बी) के पथ एक 'खाली' विदेश मंत्रालय के प्रयोग के दौरान पीछा (कोई कोशिकाओं विदेश मंत्रालय पर संवर्धित कर रहे हैं सतह) (उत्तेजना दर प्रयोग भर में स्थिर है) एक खुले पाश प्रयोग के दौरान पीछा किया। (सी) पथ। आंकड़ा का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें।

चित्र 2
चित्रा 2: प्रदर्शन परिणामों बंद से प्रभावित हैं-loop और धनुस्तंभीय उत्तेजना। यह ग्राफ विभिन्न स्थितियों में बाद में हिट के बीच रोबोट द्वारा कवर दूरी के वितरण की रिपोर्ट। विशेष रूप से, पहले दो वितरण का प्रतिनिधित्व नियंत्रण प्रयोगों (एमईए, एक 'अंधा' रोबोट के साथ प्रयोग के लिए 'ओपन पाश' (राजभाषा) पर चढ़ाया कोई न्यूरॉन्स के साथ रिकॉर्डिंग के लिए 'खाली')। पिछले दो स्तंभों में एक बाधा के खिलाफ हिट निम्नलिखित संस्कृति के लिए दिया जा रहा है, (सीएल) के बिना और (सीएल + टीएस) धनुस्तंभीय उत्तेजना (टीएस) के माध्यम से कार्यान्वित सीखने प्रोटोकॉल के साथ 'बंद पाश' हालत का प्रतिनिधित्व करते हैं। प्रत्येक बॉक्स में, केंद्रीय क्षैतिज खंड वितरण, मतलब मूल्य, सेंट्रल बार पहले और तीसरे चतुर्थक तक फैली हुई है और मूंछ 5 वें और 95 वें शतमक का विस्तार करने के खाली वर्ग के औसत का प्रतिनिधित्व करता है। Outliers हीरे के रूप में प्रतिनिधित्व कर रहे हैं। सांख्यिकी विचरण के Kruskall वालिस एक तरह से विश्लेषण का उपयोग कर प्रदर्शन किया गया हैरैंकों पर: छात्र-न्यूमैन-Keuls जोड़ो तुलना सभी मंझला मूल्यों पी <0.05 से काफी अलग हैं कि पता चलता है।

चित्र तीन
चित्रा 3: Decoding रोबोट प्रदर्शन को प्रभावित करती है ग्राफ़ के ऊपर संभावना का प्रतिनिधित्व करता है, एक दिया डिकोडिंग एल्गोरिथ्म के लिए, रोबोट के समय की एक सीमित मात्रा में एक छोटी ट्रैक के माध्यम से सफलतापूर्वक नेविगेट करने के लिए की।। फटने और पृथक spikes के पहचान प्रयोग के दौरान ही वास्तविक समय में किया जाता है। पहले मामले ('spikes') में सभी का पता चला spikes के एक फट से संबंधित 0 के एक वजन क्रमशः, के लिए स्थापित किया गया था, द्वितीय और तृतीय वितरण, अलग spikes और spikes के लिए वही रिश्तेदार वजन प्रस्तुत करते हैं। पिछले दो कॉलम सभी spikes के लिए जिम्मेदार हैं, जहां मामले में प्राप्त परिणामों का प्रतिनिधित्व करते हैं, लेकिन एक अलग सापेक्ष वजन के साथ अपनी स्थिति के अनुसार।भार पांचवें स्तंभ के आंकड़ों के डिकोडिंग रिश्तेदार के लिए उलटा है, जबकि चौथे स्तंभ पृथक spikes में विशेष रूप से, फट घटनाओं की तुलना में अधिक सापेक्ष वजन दिया गया। केंद्रीय बार पहले और तीसरे चतुर्थक तक फैली हुई है और मूंछ 5 वें और 95 वें शतमक के लिए विस्तार करते हुए प्रत्येक ग्राफ में, सेंट्रल लाइन, वितरण, खाली वर्ग मतलब मूल्य के बीच का प्रतिनिधित्व करता है। सांख्यिकी रैंकों पर विचरण के Kruskall वालिस एक तरह से विश्लेषण का उपयोग किया गया है। जोड़ो तुलना (छात्र-न्यूमैन-Keuls विधि,) महत्वपूर्ण मतभेद (पी <0.05) कॉलम 1 और 4, 2 और 4, 2 और 5, 2 और 3 के बीच मनाया जा सकता है कि पता चलता है।

Discussion

इस पत्र में एक न्यूरो रोबोट वास्तुकला (यानी, कॉर्टेक्स या भ्रूण चूहों के हिप्पोकैम्पस से आ रही न्यूरॉन्स के एक नेटवर्क), द्वि-directionally एक आभासी रोबोट से जुड़ा एक तंत्रिका नियंत्रक के आधार पर प्रस्तुत किया है। सेंसर और पहियों है जो रोबोट, बाधाओं के साथ एक स्थिर क्षेत्र में स्थानांतरित करने के लिए मजबूर किया और अपने कार्य टक्करों से बचने के होते है।

असफलता की दर भी तकनीकी शर्तों का सबसे अच्छा में महत्वपूर्ण हो जाते हैं जाएगा के रूप में वर्णित प्रक्रिया के पहले और संभवतः सबसे महत्वपूर्ण पहलू है, खुद को संस्कृतियों की तैयारी है। तकनीक संवर्धन का एक विस्तृत वर्णन वर्तमान कार्य के दायरे से बाहर है, तथापि, है। नेटवर्क फायरिंग दर आमतौर पर इन विट्रो में तीन सप्ताह के बाद, एक स्थिर स्तर तक पहुँच जाता है जब एक सामान्य दिशानिर्देश के रूप में, रिकॉर्डिंग हो जाना चाहिए। स्वस्थ संस्कृतियों का किसी न किसी संकेत कई रिकॉर्डिंग chann में सहज electrophysiological गतिविधि की उपस्थिति हैएल्स (कम से कम 20 चैनल उपलब्ध 60 से अधिक)। इस तरह की संस्कृतियों न्यूरोनल इंटर-कनेक्टिविटी के एक उच्च स्तर की विशेषता है। ऐसी परिस्थितियों के अंतर्गत, तंत्रिका गतिविधि आमतौर पर दृढ़ता से समय पर, यह मिनट लंबी चुप अवधि 37 से पीछा तीव्र spiking के साथ, epileptiform घटनाओं को प्रदर्शित करता है, सिंक्रनाइज़ और हो जाता है। इन सुविधाओं के दोनों एक समस्या पेश: अत्यधिक तुल्यकालन epileptiform गतिविधि का प्रदर्शन संस्कृतियों एक मूक अवधि के द्वारा पीछा गतिविधि का एक लंबा विस्फोट के साथ प्रस्तुत पहली प्रोत्साहन, का जवाब देंगे, जबकि यह असंभव की परवाह किए बिना, अलग इलेक्ट्रोड से उत्तेजनाओं को प्रतिक्रियाओं का भेद करने के लिए कर देगा किसी भी लगातार उत्तेजनाओं को जन्म दिया। इन दोनों मुद्दों पर दृढ़ता से तंत्रिका आबादी दो या दो से अधिक दुर्बलता से परस्पर उप समूहों में विभाजित किया गया है, जिसमें नमूनों संस्कृतियों 35, के रोजगार से ameliorated जा सकता है।

एक और मुद्दा तंत्रिका प्रतिक्रियाओं की जोरदार आवक stimul के वितरण पर निर्भर करता हैमैं 38,39। एक बंद लूप प्रयोग में, वितरित उत्तेजना बारी में, एक रोबोट आंदोलन का परिणाम है और इसलिए तंत्रिका प्रतिक्रियाओं को खुद के हैं, जो सेंसर रीडिंग, के एक समारोह है। यह वास्तविक प्रयोग के दौरान मनाया जाएगा क्या प्रतिक्रियाएं पहले से स्थापित करने के लिए कोई आसान तरीका है कि वहाँ निकलता है। नतीजतन, इनपुट, आउटपुट इलेक्ट्रोड का चयन लगातार approximations पर भरोसा करना चाहिए। वर्णित प्रोटोकॉल में, एक दो कदम प्रक्रिया (अर्थात्, 5.5 कदम और 6.4) एक कनेक्शन नक्शा निर्धारित करने के लिए प्रयास करने के लिए लागू किया गया है। पहले चरण में, stimulations की एक नियमित अनुक्रम वितरित किया जाता है और इस तरह के उत्तेजनाओं को प्रतिक्रियाओं पहली बार एक कनेक्शन नक्शा और रिकॉर्डिंग चैनल की एक अस्थायी सेट प्राप्त करने के लिए उपयोग किया जाता है। यह विन्यास तो कदम 6.4 में वर्णित टेस्ट ड्राइव के प्रदर्शन और वास्तविक प्रयोग के दौरान नजर रखी जाएगी कि रिकॉर्डिंग चैनलों का चयन करने के लिए प्रयोग किया जाता है।

परिणाम अनुभाग, एक प्रतिनिधि नेविगेशन रेस मेंULT और एक सीखने प्रतिमान की शुरूआत के बारे में द्वारा लाया तत्काल सुधार प्रस्तुत कर रहे हैं। प्रोटोकॉल विवरण के दौरान कई अन्य संभावित प्रयोगात्मक वेरिएंट उल्लेख कर रहे हैं। उदाहरण के लिए, विकसित जहां HyBrainWare2 में कार्यान्वित दो प्रमुख कोडिंग सिस्टम (रैखिक और stochastic) तंत्रिका कोड 38 पर अस्थायी इनपुट परिवर्तनशीलता की सटीक भूमिका की जांच करने के लिए। रैखिक मामले में, तात्कालिक उत्तेजना दर उपयोगकर्ता-निर्धारित मापदंडों और रोबोट सेंसर रिकॉर्डिंग का एक समारोह है। स्टोकेस्टिक मामले में, हर बार उदाहरण के लिए एक दिया संभावना है एक प्रोत्साहन देने के लिए चुना जाना। उम्मीद है और उत्तेजना दरों पूर्व मामले के उस मैच इतना है कि इस तरह की संभावना स्वचालित रूप से HyBrainWare2 द्वारा गणना है। रेखीय कोडिंग ऊपर वर्णित दो मामलों के बीच एक चिकनी संक्रमण प्रदान करता है के लिए संभावना घबराना जोड़ने के लिए। उसी तरह, डिकोडिंग खंड में पैरामीटर के विभिन्न संयोजनों की खोज preci पर प्रकाश डाला मदद कर सकता हैइन विट्रो तंत्रिका नेटवर्क में फोड़ के एसई भूमिका। विलुप्त होने के गुणांक सेकंड में योगदान में से एक उसके मूल्य का 50% कम करने के लिए लेता है कितना समय है, संकेत करता है जबकि रोबोट का एक पहिया की गति, वजन पैरामीटर के लिए आनुपातिक एक घटना इसी उत्पादन क्षेत्र में पाया जाता है हर बार बढ़ जाती है । क्षय एक साधारण घातीय है। उन वेरिएंट पहले से ही HyBrainWare2 के मौजूदा डिजाइन में ध्यान में रखा गया है, लेकिन सॉफ्टवेयर या प्रयोगात्मक सेटअप में अतिरिक्त संशोधनों को पेश किया जा सकता है अगर कई और अधिक शोध की संभावनाओं खुले हैं।

यहाँ वर्णित प्रोटोकॉल के बजाय एक महत्वपूर्ण सीमा विकसित कस्टम सॉफ्टवेयर, HyBrainWare2 (सभी इच्छुक उपयोगकर्ताओं के अनुरोध पर स्वतंत्र रूप से उपलब्ध है) की आवश्यकता है। इस सॉफ्टवेयर की एक विशेष मॉडल और निर्माता के उपकरणों (उत्तेजक, अधिग्रहण बोर्ड, विदेश मंत्रालय एम्पलीफायर) का एक सेट के लिए डिजाइन किया गया है। यह वास्तव में संभव है जबकि यह डि पर काम करने के लिए अनुकूलित करने के लिएfferent setups, रूपांतरण कुछ प्रोग्रामिंग कौशल ले जाएगा। इसी तरह, शामिल विकल्पों में इस तरह के एक सेटअप के माध्यम से जांच की जा सकता है कि सभी प्रयोगात्मक सवालों का केवल एक सीमित सेट को कवर किया। उदाहरण के लिए, प्रस्तुत वास्तुकला में लागू कील का पता लगाने एल्गोरिथ्म (सटीक समय कील का पता लगाने 40) पूरी तरह से पंजीकरण के विषय अलग तंत्रिका नेटवर्क (उदाहरण के लिए, हृदय कोशिकाओं से बहुत अलग है अगर बदले जाने की जरूरत है कि कई हार्ड कोडित मापदंडों द्वारा परिभाषित किया गया है या स्लाइस)। अंत में, सीखने प्रोटोकॉल एक छोटी, उच्च आवृत्ति की डिलीवरी के होते हैं हर बाधा हिट निम्नलिखित उत्तेजना (2 सेकंड 20 हर्ट्ज उत्तेजना की वजह से, प्रत्येक उत्तेजना नाड़ी संवेदी जानकारी कोड के लिए इस्तेमाल किया उन लोगों के रूप में ही है)। रोबोट अपने सही पक्ष के साथ एक बाधा हिट, धनुस्तंभीय उत्तेजना आमतौर पर सही पक्ष की जानकारी के लिए कोड और उसी के बाईं ओर हिट के लिए सच है कि इलेक्ट्रोड के लिए दिया जाता है। इस प्रोटोकॉल हार्ड कोडित है और ख नहीं कर सकतेई बाहर निकलने सॉफ्टवेयर में संशोधन के बिना उपयोगकर्ता द्वारा बदल दिया है।

यहाँ प्रस्तुत सेटअप संकर, बंद लूप प्रयोगों 20,23,27,41,42 के लिए पहली सन्निहित प्रणाली नहीं है, अतीत में डिजाइन वाले अनुरूप तैयारी की सीमित संख्या से डेटा द्वारा समर्थित एक भी शोध पर ध्यान केंद्रित किया गया । प्रयोगों के लिए खुद को अलग मुद्दों को संबोधित करते हुए दूसरी ओर, वर्णित सेटअप (, प्रतिरूपकता और उत्पत्ति के लिए अलग-अलग तैयारी के साथ प्रयोगों (100 से अधिक संस्कृतियों 2012 के बाद से दर्ज किया गया है) की एक बड़ी संख्या के लिए इस्तेमाल किया गया है जैसे धनुस्तंभीय उत्तेजना का प्रभाव और परिणाम के रूप में पेश फोड़ की प्रासंगिकता)। निकट भविष्य में, नए प्रयोगात्मक सत्र दोनों धनुस्तंभीय और बंद लूप उत्तेजना की स्थायी प्रभाव और उत्तेजना नियमितता के बीच के रिश्ते को सत्यापित करने और प्रतिक्रियाओं मनाया करने के लिए सोच रहे हैं। संबोधित करने के लिए एक और मुद्दे के साथ, सहज और मनाया गतिविधि के बीच की कड़ी हैखाते में पिछले गतिविधि और उत्तेजना 43 के इतिहास लेता है कि एक नया डिकोडिंग एल्गोरिथ्म जोड़ने का विचार है।

Acknowledgments

लेखकों धन्यवाद पीएच.डी. करना चाहते हैं संवर्धन और विच्छेदन और हदबंदी प्रक्रियाओं के लिए तकनीकी सहायता के लिए एनबीटी-आईआईटी से सूक्ष्म इलेक्ट्रोड सरणियों और डॉ मरीना Nanni और डॉ क्लाउडिया Chiabrera अधिक neuronal नेटवर्क को बनाए रखने के लिए छात्र मार्ता Bisio। इन परिणामों के लिए अग्रणी अनुसंधान के लिए यूरोपीय संघ के सातवें फ्रेमवर्क कार्यक्रम से धन प्राप्त हुआ है (आईसीटी-FET के FP7 / 2007-2013, FET के युवा खोजकर्ता योजना) अनुदान समझौते के तहत एन 284,772 मस्तिष्क धनुष (° www.brainbowproject.eu )। लेखकों को भी शुरूआत में इस्तेमाल ग्राफिक्स का निर्माण करने में उसकी मदद के लिए सिल्विया Chiappalone को धन्यवाद देना चाहूंगा।

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

तंत्रिका विज्ञान अंक 97 माइक्रो इलेक्ट्रोड सरणियों (विदेश मंत्रालय) इन विट्रो संस्कृतियों कोडिंग डिकोडिंग धनुस्तंभीय उत्तेजना कील फट
बंद लूप न्यूरो रोबोट प्रयोगों neuronal नेटवर्क के कम्प्यूटेशनल गुणों का परीक्षण करने के लिए
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