Waiting
Login processing...

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

Neuroscience

Uso de la actividad de spiking de neuronas para desencadenar estímulos de bucle cerrado en experimentos neurofisiológicos

Published: November 12, 2019 doi: 10.3791/59812
Automatic Translation
1,2, 1, *1, *1
1Canadian Center for Behavioural Neuroscience, Department of Neuroscience, University of Lethbridge, 2Clinical Neurosciences, Cumming School of Medicine, University of Calgary
* These authors contributed equally

Summary

Este protocolo demuestra cómo utilizar un sistema electrofisiológico para la estimulación de bucle cerrado desencadenada por patrones de actividad neuronal. También se proporciona código Matlab de ejemplo que se puede modificar fácilmente para diferentes dispositivos de estimulación.

Abstract

Los sistemas neurofisiológicos de bucle cerrado utilizan patrones de actividad neuronal para desencadenar estímulos, que a su vez afectan la actividad cerebral. Estos sistemas de bucle cerrado ya se encuentran en aplicaciones clínicas, y son herramientas importantes para la investigación cerebral básica. Un desarrollo reciente particularmente interesante es la integración de enfoques de bucle cerrado con optogenética, de modo que patrones específicos de actividad neuronal pueden desencadenar la estimulación óptica de grupos neuronales seleccionados. Sin embargo, la creación de un sistema electrofisiológico para experimentos de bucle cerrado puede ser difícil. Aquí, se proporciona un código Matlab listo para aplicar para activar estímulos basados en la actividad de una o varias neuronas. Este código de ejemplo se puede modificar fácilmente en función de las necesidades individuales. Por ejemplo, muestra cómo activar estímulos de sonido y cómo cambiarlo para activar un dispositivo externo conectado a un puerto serie de PC. El protocolo presentado está diseñado para trabajar con un popular sistema de grabación neuronal para estudios en animales (Neuralynx). La implementación de la estimulación de bucle cerrado se demuestra en una rata despierta.

Introduction

El objetivo de este protocolo es demostrar cómo implementar la estimulación de bucle cerrado en experimentos neurofisiológicos. La configuración típica para experimentos de bucle cerrado en neurociencia implica desencadenar estímulos basados en la lectura en línea de la actividad neuronal. Esto, a su vez, causa modificaciones en la actividad cerebral, cerrando así el bucle de retroalimentación1,2. Estos experimentos de bucle cerrado proporcionan múltiples beneficios sobre las configuraciones estándar de bucle abierto, especialmente cuando se combina con optogenética, lo que permite a los investigadores apuntar a un subconjunto específico de neuronas. Por ejemplo, Siegle y Wilson utilizaron manipulaciones de bucle cerrado para estudiar el papel de las oscilaciones theta en el procesamiento de información3. Demostraron que estimular las neuronas del hipocampo en la fase descendente de las oscilaciones de la theta tenía efectos diferentes en el comportamiento que aplicar la misma estimulación en la fase ascendente. Los experimentos de bucle cerrado también son cada vez más importantes en los estudios preclínicos. Por ejemplo, estudios múltiples de epilepsia han demostrado que la estimulación neuronal desencadenada al inicio de convulsiones es un enfoque eficaz para reducir la gravedad de las convulsiones4,5,6. Además, los sistemas de detección automatizada de convulsiones y la administración contingente de terapia7,8 mostraron beneficios significativos en pacientes con epilepsia9,10,11,12. Otro área de aplicación con rápido avance de metodologías de bucle cerrado es el control de neuroprótesis con interfaces corticales cerebro-máquina. Esto se debe a que proporcionar retroalimentación instantánea a los usuarios de dispositivos protésicos mejora significativamente la precisión y la capacidad13.

En los últimos años, varios laboratorios han desarrollado sistemas personalizados para el registro eléctrico simultáneo de la actividad neuronal y la entrega de estímulos en un sistema de bucle cerrado14,15,16,17,18. Aunque muchas de esas configuraciones tienen características impresionantes, no siempre es fácil implementarlas en otros laboratorios. Esto se debe a que los sistemas a menudo exigen técnicos experimentados para ensamblar la electrónica necesaria y otros componentes de hardware y software necesarios.

Por lo tanto, con el fin de facilitar la adopción de experimentos de bucle cerrado en la investigación de neurociencia, este documento proporciona un protocolo y código Matlab para convertir una configuración de grabación electrofisiológica de bucle abierto19,20,21,22 en un sistema de bucle cerrado2,6,23. Este protocolo está diseñado para trabajar con el hardware de grabación Digital Lynx, un popular sistema de laboratorio para grabaciones de población neuronal. Un experimento típico consiste en lo siguiente: 1) Grabación de 5-20 minutos de datos de pico; 2) Clasificación de picos para crear plantillas neuronales; 3) Uso de estas plantillas para realizar la detección en línea de patrones de actividad neuronal; y 4) Activación de estimulación o eventos experimentales cuando se detectan patrones especificados por el usuario.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Todos los procedimientos descritos aquí se realizaron bajo un Protocolo de Investigación Animal aprobado por el Comité de Bienestar Animal de la Universidad de Lethbridge.

1. Cirugía

NOTA: Los procedimientos de cirugía utilizados para implantar sondas para grabaciones neurofisiológicas se han presentado en otras publicaciones24,25,26. Los detalles exactos de la cirugía para la estimulación de bucle cerrado dependen del tipo de sondas de grabación utilizadas y de las áreas cerebrales objetivo. En la mayoría de los casos, sin embargo, una cirugía típica consistirá en los siguientes pasos.

  1. Llevar a la sala de cirugía una jaula con una rata para ser implantada con una sonda de silicona o una matriz de electrodos para registrar la actividad neuronal.
  2. Anestetiza el roedor con 2-2.5% de isoflurano y fija la cabeza en un marco estereono. Asegúrese de que el animal esté inconsciente durante la cirugía observando cualquier reacción motora a los estímulos táctiles leves25.
  3. Aplique una pomada para los ojos para minimizar la sequedad durante la cirugía.
  4. Afeitar el área quirúrgica y desinfectar la piel con 2% solución de clorhexidina y 70% alcohol isopropílico.
  5. Inyecte lidocaína (5 mg/kg) debajo del cuero cabelludo sobre el área del cerebro donde se implantarán electrodos.
  6. Hacer una incisión del cuero cabelludo sobre el área del implante futuro, y utilizar un bisturí y un hisopo de algodón para eliminar el periosteum del cráneo expuesto25.
  7. Taladre 4-8 orificios en el cráneo para la implantación de tornillos de anclaje (0,5 mm) como soporte estructural para el implante25. Fije los tornillos al cráneo insertándolos en los orificios y asegúrese de que se mantengan firmemente en su lugar.
  8. Taladre la craneotomía en las coordenadas especificadas e incoe el implante de micromotor/sonda.
    NOTA: El protocolo descrito para la estimulación de bucle cerrado funcionará para cualquier región cerebral en la que se inserten los electrodos.
  9. Fije la microunidad/sonda y cualquier conector de interfaz eléctrica necesario al cráneo usando acrílico dental. La cantidad de acrílico dental debe ser suficiente para fijar firmemente el implante, pero no debe entrar en contacto con el tejido blando circundante25.
  10. Después de la cirugía, controlar de cerca al animal hasta que haya recuperado la conciencia suficiente para mantener la recumbencia esternal25. Durante los 3 días siguientes, administrar por vía subcutánea un analgésico (por ejemplo, Metacam, 1 mg/kg) y un antibiótico para prevenir la infección (por ejemplo, enrofloxacino, 10 mg/kg).
    NOTA: Por lo general, los animales se recuperan de la cirugía durante una semana antes de cualquier prueba o grabación.

2. Instalación de software

NOTA: Esto se ha probado en Windows 10, versión de 64 bits.

  1. Instale el software de adquisición y procesamiento de datos.
    1. Instale el sistema de adquisición de datos Cheetah 6.4 (https://neuralynx.com/software/category/sw-acquisition-control), que incluye bibliotecas para interactuar con el Sistema de Adquisición de Cheetah.
    2. Instale SpikeSort3D (https://neuralynx.com/software/spikesort-3d) o cualquier otro software que utilice KlustaKwik27 para la clasificación de picos. El software de detección en línea utiliza las definiciones de clúster del motor KlustaKwik. Este software puede ejecutarse en el mismo equipo, o puede ejecutarse en equipos independientes que están en la misma red.
    3. Instale el NetComDevelopmentPackage (https://github.com/leomol/cheetah-interface/blob/master/NetComDevelopmentPackage_v3.1.0), que también se puede descargar desde https://neuralynx.com/software/netcom-development-package.
  2. Instale Matlab (https://www.mathworks.com/downloads/; el código se probó en la versión R2018a de Matlab). Asegúrese de que Matlab está habilitado en el firewall de Windows. Normalmente aparecerá una ventana emergente durante la primera conexión.
    1. Inicie sesión en una cuenta de Matlab. Elija la licencia. Elija la versión. Elija el sistema operativo.
  3. Descargue la siguiente biblioteca para el desencadenamiento de eventos en línea desde: https://github.com/leomol/cheetah-interface y extraiga archivos en la carpeta 'Documents/Matlab' del equipo. Se proporciona una copia del código en los Materiales Suplementarios adjuntos.

3. Adquisición inicial de datos

  1. Inicie la adquisición de datos con el software Cheetah.
  2. Registre unos minutos de datos de sppiking para rellenar formas de onda de plantilla.
  3. Detenga la adquisición de datos y realice la ordenación de picos en los datos registrados.
    1. Abra SpikeSort3D, haga clic en Archivo . Menú de la casa de la zona de Cargar archivo de espigay seleccione un archivo de pico de la carpeta con los datos grabados.
    2. Haga clic en Menú de clúster y, a continuación, en Autocluster con KlustaKwik, dejando la configuración predeterminada y haga clic en Ejecutar.

4. Experimento de bucle cerrado

  1. Reanudar la adquisición de datos en Cheetah.
  2. Abra Matlab.
    1. Abra ClosedLoop.m y haga clic en Ejecutar. Como alternativa, en la ventana de comandos de Matlab, ejecute ClosedLoop(). Asegúrese de que ClosedLoop.m está en la ruta de acceso de Matlab. Si el usuario desea emplear una función personalizada para llamar a cada desencadenador, ejecute ClosedLoop('-callback', customFunction) en su lugar, donde customFunction es un identificador de esa función.
    2. Cargue la información de pico definida en la grabación inicial haciendo clic en Cargar, navegando a la carpeta de grabación y seleccionando uno de los archivos de datos de sppiking (.ntt, .nse).
    3. Seleccione una o varias neuronas que desencadenarán la estimulación haciendo clic en la casilla de verificación debajo de las formas de onda trazadas.
    4. Defina el número mínimo de neuronas que desencadenarán la estimulación escribiendo un entero en el cuadro de texto "min matches"; y definir la ventana de tiempo en la que los picos que coinciden con diferentes formas de onda se consideran coactivos escribiendo un número en el cuadro de texto "ventana".
    5. Haga clic en Enviar para iniciar. Esto comenzará la activación en línea de eventos (tonos por defecto) basado en la actividad de pico de las neuronas seleccionadas.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Las ratas Fisher-Brown Noruega nacidas y criadas in situ fueron habituadas a la manipulación durante dos semanas antes del experimento. Se implantó quirúrgicamente una unidad de grabación, similar a los métodos descritos anteriormente28,29,30,31,32,33,34. Las señales neuronales se registraron a 32 kHz con un sistema de adquisición digital. Las señales neuronales se amplificaron primero con una etapa de cabeza inalámbrica de ganancia de unidad, luego se amplificaron con una ganancia de 1000, y el paso de banda filtrado entre 600 y 6.000 Hz. Los picos neuronales que superaban un umbral de amplitud establecido manualmente (típicamente 48-60 V) se guardaron automáticamente, y luego se clasificaron en grupos distintos. Por lo tanto, cada grupo presumiblemente corresponde a picos de una neurona diferente27. Para esta demostración de protocolo, la rata estaba descansando en una maceta, que era un lugar de descanso familiar durante los descansos en experimentos conductuales(Figura 1).

En la Figura 2se muestra una captura de pantalla representativa del equipo de grabación. Muestra el funcionamiento simultáneo del software de grabación (izquierda) y el programa Matlab, que muestra las formas de onda de pico adquiridas en tiempo real. Este script de Matlab se incluye en materiales suplementarios. Cuando se detectan picos de clústeres de activación predefinidos, las formas de onda se muestran con una línea discontinua en negrita en la ventana de figura de Matlab(figura 2) y se activa un tono, proporcionando un sistema de bucle cerrado. Esta configuración experimental de bucle cerrado permite, por ejemplo, estudiar la neuroplasticidad, donde se puede probar si emparejar la actividad neuronal con un estímulo externo (tono) puede afectar a los campos receptivos de esas neuronas.

Figure 1
Figura 1: Fotografía de una rata con la etapa inalámbrica de la cabeza (placa con preamplificadores y un LED azul) unida a una sonda de silicona implantada. La sonda se coloca debajo del acrílico dental (material rosado) y no es visible. Haga clic aquí para ver una versión más grande de esta figura.

Figure 2
Figura 2: Captura de pantalla del software de grabación y bucle cerrado. Los paneles hacia la izquierda son ventanas que forman parte del sistema de grabación Cheetah utilizado para visualizar y controlar la adquisición de datos. La ventana en el lado derecho de la pantalla muestra una sesión de Matlab ejecutando el software descrito. La ventana central muestra la forma de onda de un pico detectado en línea que coincide con una plantilla predefinida. Los picos pertenecientes a ese clúster se utilizaron para activar el sonido en el vídeo presentado. Haga clic aquí para ver una versión más grande de esta figura.

Figure 3
Figura 3: Canalización esquemática para el flujo de datos. Haga clic aquí para ver una versión más grande de esta figura.

Figure 4
Figura 4: Prueba de latencia de estímulo. (A) Histograma de retrasos entre el momento de generar un pico artificial y el tiempo de la señal activada. (B) Esquema de una configuración de placa de microprocesador para generar formas de onda de pico artificiales. Las conexiones negras y naranjas emiten una forma de onda similar a RC (que oscila entre 0 y 810 mV) y se conecta a la etapa de la cabeza a través de una interfaz "señal-ratón" que reduce el voltaje a 810 V. Componentes enchufados en la misma columna de la placa ancha están conectados (resistencias: 110 Ohm; 220 Ohm; 1000 Ohm; condensador: 10 oF). El Arduino estaba conectado a un PC a través de USB /UART, que desencadenó picos de Arduino y recibió señales de vuelta tanto del circuito Arduino como de la API del software de adquisición. El Arduino fue instruido para generar 1000 picos. Haga clic aquí para ver una versión más grande de esta figura.

Archivo Suplementario 1: Scripts de Matlab. Haga clic aquí para ver este archivo (haga clic con el botón derecho para descargar).

Subscription Required. Please recommend JoVE to your librarian.

Discussion

El protocolo descrito aquí, muestra cómo utilizar un sistema de grabación neurofisiológica estándar para realizar la estimulación de bucle cerrado. Este protocolo permite a los neurocientíficos con experiencia limitada en ciencias de la computación implementar rápidamente una variedad de experimentos de bucle cerrado con poco costo. Tales experimentos son a menudo necesarios para estudiar las interacciones causales en el cerebro.

Después de preparar un animal e instalar el software (Pasos 1 y 2), el experimento de bucle cerrado consta de dos etapas separadas. En primer lugar, la adquisición inicial de datos (Paso 3) para recopilar datos para definir plantillas correspondientes a la actividad de neuronas individuales (es decir, clasificación de picos; Paso 3.5). En segundo lugar, la estimulación de bucle cerrado, donde los picos recién registrados se asignarán automáticamente a los grupos predefinidos en tiempo real y la estimulación del disparador si se detectan picos especificados neuronas (Paso 4). Los scripts de Matlab presentados (ver Materiales Suplementarios)demuestran la activación de diferentes estímulos basados en la actividad de una sola neurona, y en la actividad de múltiples neuronas seleccionadas. Esta última es una opción particularmente importante, porque se cree que las neuronas procesan la información como un ensamblaje (por ejemplo, paquetes35,36). Por lo tanto, desencadenar estímulos basados en patrones de población neuronal puede ser una herramienta clave para responder a una amplia gama de preguntas de investigación. El flujo de datos durante el control de bucle cerrado se ilustra en la Figura 3.

En esta demostración de protocolo, se utilizó un estímulo de tono de 3 kHz. Este tono puro puede ser reemplazado por una forma de onda de sonido arbitraria cambiando la variable "tone0". Además, tenga en cuenta que en lugar de un altavoz, muchos otros dispositivos podrían conectarse a la salida de audio del ordenador para activar una estimulación. Por ejemplo, la salida de audio se utilizó para conducir un motor de vibración para entregar estímulos táctiles de baja frecuencia (20 Hz)22. Alternativamente, el código Matlab podría utilizarse para enviar una señal TTL a un dispositivo conectado a un puerto serie de computadora. Esto se puede lograr reemplazando el comando 'sound()' por el siguiente código: obj-serial('COM1'); fopen(obj); Obj. RequestToSend á 'on'. En los Materiales Suplementarios (ver pulse.m) se proporciona una implementación de muestra de este método. Del mismo modo, Matlab podría utilizarse para enviar señales a dispositivos externos a través de un puerto USB. Por lo tanto, el código presentado aquí permite a los usuarios enviar desencadenadores de bucle cerrado de varias maneras a varios dispositivos.

Las pruebas mostraron que el retardo de tiempo entre un pico neuronal y la señal de disparo es de aproximadamente 13 ms (min 9 ms; max 15 ms). La distribución de los retrasos de tiempo se ilustra en la Figura 4A. Para estas pruebas de latencia, se utilizó un Arduino para enviar un pico artificial al sistema de adquisición (a través de la etapa principal). El retardo se registró como el tiempo entre el pico y la señal de disparo del PC de adquisición que ejecuta el script Matlab de bucle cerrado. El esquema de la configuración de Arduino para generar picos se muestra en la Figura 4B.

El enfoque presentado aquí se implementa en software, y por lo tanto puede no ser capaz de entregar estímulos con precisión temporal de sistemas con hardware dedicado. Por ejemplo, TDT (Tucker-Davis Technologies) ofrece sistemas para la estimulación activada por picos que pueden proporcionar estímulos en milisegundos. Sin embargo, la ventaja de la solución Matlab presentada aquí es su bajo costo para los usuarios que poseen hardware de grabación Cheetah, su flexibilidad en la definición de los patrones de actividad para desencadenar estímulos, y su flexibilidad en la definición de plantillas neuronales. Además, la precisión de un solo milisegundo no es necesaria en muchos experimentos, por lo que la facilidad de implementación de este enfoque podría ofrecer una ventaja importante.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Los autores no tienen ningún conflicto de intereses relacionados con esta obra.

Acknowledgments

Este trabajo fue apoyado por las subvenciones de NSERC Discovery a AL y AG.

Materials

Name Company Catalog Number Comments
Baytril Bayer, Mississauga, CA DIN 02169428 antibiotic; 50 mg/mL
Cheetah 6.4 NeuraLynx, Tucson, AZ 6.4.0.beta Software interfaces for data acquisition 
Digital Lynx 4SX NeuraLynx, Tucson, AZ 4SX recording equipment
Headstage transmitter TBSI B10-3163-GK transmits the neural signal to the receiver
Isoflurane Fresenius Kabi, Toronto, CA DIN 02237518 inhalation anesthetic
Jet Denture Powder & Liqud Lang Dental, Wheeling, US 1230 dental acrylic
Lacri-Lube Allergan, Markham, CA DIN 00210889 eye ointment
Lido-2 Rafter 8, Calgary DIN 00654639 local anesthetic; 20 mg/mL
Matlab Mathworks R2018b software for signal processing and triggering external events
Metacam Boehringer, Ingelheim, DE DIN 02240463 analgesic; 5 mg/mL
Netcom NeuraLynx v1 Application Programming Interface (API) that communicates with Cheetah
Silicone probe Cambridge Neurotech ASSY-156-DBC2 implanted device
SpikeSort 3D  NeuraLynx, Tucson, AZ SS3D spike waveform-to-cell classification tools
Wireless Radio Receiver TBSI 911-1062-00 transmits the neural signal to the Digital Lynx

DOWNLOAD MATERIALS LIST

References

  1. Grosenick, L., Marshel, J. H., Deisseroth, K. Closed-loop and activity-guided optogenetic control. Neuron. 86 (1), 106-139 (2015).
  2. Armstrong, C., Krook-Magnuson, E., Oijala, M., Soltesz, I. Closed-loop optogenetic intervention in mice. Nature Protocols. 8 (8), 1475-1493 (2013).
  3. Siegle, J. H., Wilson, M. A. Enhancement of encoding and retrieval functions through theta phase-specific manipulation of hippocampus. Elife. 3, 03061 (2014).
  4. Paz, J. T., et al. Closed-loop optogenetic control of thalamus as a tool for interrupting seizures after cortical injury. Nature neuroscience. 16 (1), 64-70 (2013).
  5. Krook-Magnuson, E., Armstrong, C., Oijala, M., Soltesz, I. On-demand optogenetic control of spontaneous seizures in temporal lobe epilepsy. Nature Communications. 4, 1376 (2013).
  6. Berényi, A., Belluscio, M., Mao, D., Buzsáki, G. Closed-loop control of epilepsy by transcranial electrical stimulation. Science. 337 (6095), 735-737 (2012).
  7. Peters, T. E., Bhavaraju, N. C., Frei, M. G., Osorio, I. Network system for automated seizure detection and contingent delivery of therapy. Journal of Clinical Neurophysiology. 18 (6), 545-549 (2001).
  8. Fountas, K. N., Smith, J. Operative Neuromodulation. , Springer. 357-362 (2007).
  9. Heck, C. N., et al. Two-year seizure reduction in adults with medically intractable partial onset epilepsy treated with responsive neurostimulation: final results of the RNS System Pivotal trial. Epilepsia. 55 (3), 432-441 (2014).
  10. Osorio, I., et al. Automated seizure abatement in humans using electrical stimulation. Annals of Neurology. 57 (2), 258-268 (2005).
  11. Sun, F. T., Morrell, M. J., Wharen, R. E. Responsive cortical stimulation for the treatment of epilepsy. Neurotherapeutics. 5 (1), 68-74 (2008).
  12. Fountas, K. N., et al. Implantation of a closed-loop stimulation in the management of medically refractory focal epilepsy. Stereotactic and Functional Neurosurgery. 83 (4), 153-158 (2005).
  13. Abbott, A. Neuroprosthetics: In search of the sixth sense. Nature. 442, (2006).
  14. Venkatraman, S., Elkabany, K., Long, J. D., Yao, Y., Carmena, J. M. A system for neural recording and closed-loop intracortical microstimulation in awake rodents. IEEE Transactions on Biomedical Engineering. 56 (1), 15-22 (2009).
  15. Nguyen, T. K. T., et al. Closed-loop optical neural stimulation based on a 32-channel low-noise recording system with online spike sorting. Journal of Neural Engineering. 11 (4), 046005 (2014).
  16. Laxpati, N. G., et al. Real-time in vivo optogenetic neuromodulation and multielectrode electrophysiologic recording with NeuroRighter. Frontiers in Neuroengineering. 7, 40 (2014).
  17. Su, Y., et al. A wireless 32-channel implantable bidirectional brain machine interface. Sensors. 16 (10), 1582 (2016).
  18. Ciliberti, D., Kloosterman, F. Falcon: a highly flexible open-source software for closed-loop neuroscience. Journal of Neural Engineering. 14 (4), 045004 (2017).
  19. Luczak, A., Bartho, P., Harris, K. D. Gating of sensory input by spontaneous cortical activity. The Journal of Neuroscience. 33 (4), 1684-1695 (2013).
  20. Luczak, A., Barthó, P., Harris, K. D. Spontaneous events outline the realm of possible sensory responses in neocortical populations. Neuron. 62 (3), 413-425 (2009).
  21. Schjetnan, A. G., Luczak, A. Recording Large-scale Neuronal Ensembles with Silicon Probes in the Anesthetized Rat. Journal of Visualized Experiments. (56), (2011).
  22. Bermudez Contreras, E. J., et al. Formation and reverberation of sequential neural activity patterns evoked by sensory stimulation are enhanced during cortical desynchronization. Neuron. 79 (3), 555-566 (2013).
  23. Girardeau, G., Benchenane, K., Wiener, S. I., Buzsáki, G., Zugaro, M. B. Selective suppression of hippocampal ripples impairs spatial memory. Nature Neuroscience. 12 (10), 1222-1223 (2009).
  24. Schjetnan, A. G. P., Luczak, A. Recording large-scale neuronal ensembles with silicon probes in the anesthetized rat. Journal of Visualized Experiments. (56), (2011).
  25. Vandecasteele, M., et al. Large-scale recording of neurons by movable silicon probes in behaving rodents. Journal of Visualized Experiments. (61), e3568 (2012).
  26. Sariev, A., et al. Implantation of Chronic Silicon Probes and Recording of Hippocampal Place Cells in an Enriched Treadmill Apparatus. Journal of Visualized Experiments. (128), e56438 (2017).
  27. Harris, K. D., Henze, D. A., Csicsvari, J., Hirase, H., Buzsáki, G. Accuracy of tetrode spike separation as determined by simultaneous intracellular and extracellular measurements. Journal of Neurophysiology. 84 (1), 401-414 (2000).
  28. Jiang, Z., et al. TaiNi: Maximizing research output whilst improving animals' welfare in neurophysiology experiments. Scientific Reports. 7 (1), 8086 (2017).
  29. Gao, Z., et al. A cortico-cerebellar loop for motor planning. Nature. 563 (7729), 113 (2018).
  30. Neumann, A. R., et al. Involvement of fast-spiking cells in ictal sequences during spontaneous seizures in rats with chronic temporal lobe epilepsy. Brain. 140 (9), 2355-2369 (2017).
  31. Gothard, K. M., Skaggs, W. E., Moore, K. M., McNaughton, B. L. Binding of hippocampal CA1 neural activity to multiple reference frames in a landmark-based navigation task. Journal of Neuroscience. 16 (2), 823-835 (1996).
  32. McNaughton, B. L. Google Patents. , (1999).
  33. Wilber, A. A., et al. Cortical connectivity maps reveal anatomically distinct areas in the parietal cortex of the rat. Frontiers in Neural Circuits. 8, 146 (2015).
  34. Mashhoori, A., Hashemnia, S., McNaughton, B. L., Euston, D. R., Gruber, A. J. Rat anterior cingulate cortex recalls features of remote reward locations after disfavoured reinforcements. Elife. 7, 29793 (2018).
  35. Luczak, A., McNaughton, B. L., Harris, K. D. Packet-based communication in the cortex. Nature Reviews Neuroscience. , (2015).
  36. Luczak, A. Analysis and Modeling of Coordinated Multi-neuronal Activity. , Springer. 163-182 (2015).

Tags

Neurociencia Número 153 electrofisiología grabaciones de población neuronal estimulación de bucle cerrado clasificación de picos paquetes neuronales roedores
Uso de la actividad de spiking de neuronas para desencadenar estímulos de bucle cerrado en experimentos neurofisiológicos
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Molina, L. A., Ivan, V. E., Gruber,… More

Molina, L. A., Ivan, V. E., Gruber, A. J., Luczak, A. Using Neuron Spiking Activity to Trigger Closed-Loop Stimuli in Neurophysiological Experiments. J. Vis. Exp. (153), e59812, doi:10.3791/59812 (2019).

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