Beyin-makine Arayüzler Kapalı döngü Performans Çalışması için Deneysel Bir Platform
10 Mart 2011
Biz nöronal kontrolü genel prensiplerini araştırmak için bir kapalı döngü fly-makine arayüzü kullanır.
Bir mobil robotun motorlarını kontrol etmek için sinek beynindeki görsel bir iç nöronun, H bir hücrenin aktivitesini kullanıyoruz. Robot, sürekli dönen bir döner tabla üzerine yerleştirilir ve hücrenin aktivitesi, robotu dış hareketlere karşı çevreye göre stabilize etmek için kullanılır. Robottan kaydedilen desen hareketinin görüntüleri örneklenir ve sineğin önüne yerleştirilmiş iki bilgisayar CRT monitörüne gönderilir.
Saniyede ani artışlarla ölçülen H bir hücrenin sinyalleri, model hareketinin hızını gösterir. Daha sonra, saniyede kaydedilen ani yükselmeleri robotun motorları için bir kontrol sinyaline dönüştürmek için farklı kontrol yasaları uygulanır. Merhaba, ben Imperial College London Biyomühendislik Bölümü'ndeki Holger Crops Lab'den Navita Josh.
Ben Chris Peterson, aynı zamanda Holger Cups Lab'den. Merhaba ve ben Holger Cup. Bugün size, sinek görsel sistemindeki tek tek hücreler ile bir robot arasında bir beyin makine arayüzü oluşturmak için bir prosedür göstereceğiz.
Bu prosedürü, kapalı dudak koşulları altında robotik sistemleri kontrol etmek için nöronal sinyalleri kullanan farklı kontrol stratejilerinin performansını test etmek için kullanıyoruz. Öyleyse başlayalım. Sineği hazırlamaya başlamak için, buz üzerinde soğutun ve ardından kanatları aşağıda tutmak için körelmiş kokteyl çubukları kullanın ve sineğin arkasını mikroskop üzerindeki çift taraflı bir bant parçasına sabitleyin Sonraki kaydırın, kanatları slayta takmak ve ayrıca uçuş motorunun hareketini engellemek için B balmumu kullanın.
Bu adım, işlem sırasında sineğin ısınmaması için hızlı ve doğru kullanım gerektirir. Şimdi, mikroskop altında, her bacağınızı forseps ile tutun ve vücuda en yakın eklemlerden kesmek için küçük bir makas kullanın. Hortum için bunu tekrarlayın.
Sineğin kurumasını önlemek için delikler balmumu ile kapatılmalıdır. Sonra, kanatlardan birini kesin ve ardından sineği yan çevirin. Katradan çıkarken kalan kanat parçalarını çıkarın, Hal yırtıklarını kapatın ve deliği balmumu ile kapatın.
Diğer kanat için bu işlemi tekrarlayın. Bir hedef nöronu tanımlanmış bir şekilde uyarmak için, sineğin kafasının bilgisayar monitörleriyle düzgün bir şekilde hizalanması gerekir. Bunu yapmak için, sineğin vücudu için geniş bir alana sahip özelleştirilmiş bir tutucuya ve bir ucunda sineğin boynunun yerleştirileceği bir çentik kesimi olan bir uzantıya ihtiyacınız olacaktır.
Sineği boynu çentikte olacak şekilde tutucuya yerleştirin ve karnı yerine yapıştırırken aşağı doğru bastırın. Şimdi, sinek tutucuyu bir standa yerleştirin, böylece sineğin kafasının önünü mikroskoptan görebilirsiniz. Sineğin kırmızı ışıkla görüntülenmesi ve yalancı göz bebeği adı verilen optik fenomen her gözde görülebilir.
Sahte öğrenci belirli bir şekil alırsa, sineğin kafasının yönü mükemmel bir şekilde tanımlanır. Sineğin kafasını doğru bir şekilde yönlendirmek için bir mikro manipülatör kullanın ve ardından onu tutucuya yapıştırmak için balmumu kullanın. Ardından, göğüs kafesi düz bir şekilde aşağı doğru bastırın ve tutucuya cilalayın.
Bu, elektrotların sinek içine yerleştirilebilmesi için arka kafa kapsülünün açılmasına izin verir: Beyin, sağ kafa kapsülünün kütikülüne dikkatlice bir pencere açmak için bir mikro neşter veya ince bir enjeksiyon iğnesi kullanır. Kütikülün hemen altındaki nöral dokuyu kesmemeye dikkat edin. Kütikül parçası çıkarıldıktan sonra, birkaç damla zil çözeltisi ekleyin.
LOA plakasını kaplayabilecek yüzen kılları, yağ birikintilerini veya kas dokusunu çıkarmak için forseps kullanın. LOA plakası, arka yüzeyini kaplayan gümüşi trakeanın karakteristik bir dallanma modeli ile tanımlanabilir. Uçan hazırlanmış halde bir referans elektrodu konumlandırmak için sol arka kafa kapsülünün kütikülüne küçük bir delik açın.
Kayıt elektrodunun nasıl yerleştirileceğini görelim. Kayıt elektrodu, H bir nöronun yakınına yerleştirilmelidir. H bir nöron, esas olarak, alıcı alanına sunulan yatay arkadan öne harekete yanıt verir.
Kayıt elektrodunu konumlandırmak için trakeayı görsel bir yer işareti olarak kullanın. Başlangıçta elektrodu en üst trakea arasına yerleştirin. Kaydedilen elektrik potansiyellerini akustik sinyallere dönüştürmek için bir ses amplifikatörü kullanmaya yardımcı olur.
Her bir sivri uç, karakteristik bir tıklama sesine dönüştürülür. Elektrot tek bir nörona ne kadar yaklaşırsa, tıklama sesi o kadar net olur. H bir nöronu hareket tercihi ile tanımlamak için, onu yatay yönde hareketle uyarın.
Kayıt elektrodu yerleştirildikten sonra görsel stimülasyon ve kayıtlara geçelim. Başlamak için, iki CRT bilgisayar monitörünün önüne bir sinek yerleştirin. Sinek görsel sistemi insanlardan 10 kat daha hızlı olduğundan, monitörlerin saniyede 200 kare konumu göstermesi gerekir.
Monitörlerin merkezleri, sineklerin yönüne göre artı veya eksi 45 derecedir. Sineklerin göz ekvatorundan görüldüğü gibi, her monitör yatay düzlemde artı veya eksi 25 derece ve dikey düzlemde artı veya eksi 19 derecelik bir açıyı alt tense eder. Bilgisayar monitörlerine giriş, deney için modifiye edilmiş küçük bir iki tekerlekli SRO robotuna monte edilmiş iki video kamera tarafından sağlanır.
Robotu, duvarları dikey olarak yönlendirilmiş siyah beyaz çizgilerden oluşan bir desenle kaplanmış silindirik bir alan içindeki bir döner tabla üzerine yerleştirin. Döner tablayı yatay düzlemde döndürerek, robotun hareketleri yalnızca bir serbestlik derecesi ile sınırlıdır. Başlangıçta, hem döner tabla hem de robot hareketsizdir.
Döner tabla hareket etmeye başladığında, dönüşü robotu aynı yönde taşır ve video kameralar, robot ile arenanın çizgili deseni arasındaki göreceli hareketi kaydeder. Robot üzerindeki pille çalışan video kameralar, artı veya eksi 45 derecelik bir yönde monte edilir. Saniyede 200 görüntü yakalarlar ve böylece bilgisayar monitörlerinin kare hızına ayak
uydururlar.Bilgisayara sunulan görüntüler, saniyede 200 kare hızında, altı 40 x dört 80 gri tonlama çözünürlükte izlenir. Sinek hareketlerini izlerken çizgili desen kaydı, bant ise süzülerek geçti. Örneğin, en az 10 kilohertz'lik bir örnekleme hızı kullanan bir dijital toplama kartı ile 302 kilohertz elektrik sinyalleri arasında, ani yükselmeleri arka plan aktivitesinden ayırmak için filtrelenmiş elektrik sinyallerini geçiren banda bir eşik uygulanır.
Nedensel bir yarı Gauss filtresi, beyin makine arayüzünün döngüsünü kapatmak için H bir hücresi için düzgün bir sivri aktivite tahmini elde etmek için sivri uçlarla birleştirilir. Robotun tekerleklerini çalıştıran iki DC motoru kontrol etmek için bir Bluetooth arayüzü aracılığıyla geri beslenen bir robot hücresinin ani artış hızını bir robot hızına dönüştürmek için bir kontrol algoritması kullanılır. Döner tabla için hız profilleri olarak saf işaret dalgaları seçilmiştir.
İşaret dalgaları, döner tablanın yalnızca H bir nöronu tercih ettiği yön boyunca uyaran yönde döndüğü bir DC ofsetine sahiptir. Tüm kontrol sistemi, H bir nöronun uyarılması, robotun doğru şekilde kurulduğunda döner tablanın hareketini telafi etmesine neden olacak şekilde ayarlanmıştır. Robotun karşı dönüşü döner tablanın dönüşüyle eşleştiğinde görsel stabilizasyon elde edilir ve bu da bilgisayar monitörlerinde çok az desen hareketi ile sonuçlanır veya hiç desen hareketi olmaz.
Sistemin genel performansı, döngüyü kapatmak için kullanılan kontrol algoritmasına bağlıdır. Test ettiğimiz ilk algoritma, güncellenen robot hızının, robot omega R ile döner tabla Omega P arasındaki açısal hız farkıyla orantılı olduğu orantılı bir kontrolördür. Döner tabla sinyali omega P için KP ve giriş frekansları, kontrolörün performansını test etmek için seçilir.
Omega P ve omega R için örnek izler burada gösterilmiştir, çünkü KP bire eşittir ve omega P için 0.6 hertz'lik bir giriş frekansı vardır, yeşil renkli robot, döner tablayı bir gecikme ve daha küçük bir tepe genliği ile mavi renkte takip eder. H bir hücresini uyaran model hareketinin yatay bileşeni, döner tabla sinyali için kırmızı giriş frekanslarında sağda gösterilmiştir. Omega P, 0,03 ile üç hertz arasında seçilir ve karşılık gelen robot sinyali omega R kaydedilir.
Her iki sinyal de dört yıllık hızlı bir dönüşümle frekans alanına dönüştürülür ve genlik ve faz değerleri giriş frekansında hesaplanır. KP'ye eşit olan oransal kontrolör için BO d büyüklük grafiği, sistemin test edilen giriş frekansları üzerinden verdiği yanıtı gösterir. Kontrolörün performansı genellikle artan frekanslarla azalır.
Bir hertz'de biraz artan kazanç, dinamik çıkış aralığı esas olarak yatay arkadan öne hareketi kapsayan yalnızca bir H bir hücrenin kullanılması nedeniyle robot sinyalindeki salınımların bir sonucudur. Bodhi faz grafiği, 0,6 hertz'den daha düşük giriş frekansları için PI'den daha düşük bir kontrolör faz gecikmesini gösterir. Bu, kontrolörün 0,6 hertz'den daha düşük frekanslar için kararlı olduğunu ve bir hertz'e eşit veya daha büyük giriş frekansları için kararsız olduğunu gösterir.
Statik KP'li oransal kontrolörün performansı, KP değerinin her 50 milisaniyede bir güncellendiği uyarlanabilir bir kontrolör ile karşılaştırıldı. En yüksek ani artış oranına göre. Büyük entegrasyon zaman penceresinin bir sonucu olarak T eksi 500 milisaniye T.As zaman aralığı üzerinden hesaplanan F max, oransal kontrolör, test edilen parametre aralığı için adaptif kontrolörden daha iyi performans gösterir, adaptif kontrolör, oransal kontrolör ile benzer bir faz karakteristiğine sahipti, döner tabla etrafındaki derecelendirme modeli kaldırıldı ve laboratuvar ortamı, fly H bir hücre için doğal görsel girdinin bir yaklaşımı olarak kullanıldı.
Ortalama olarak, natüralist görsel girdi için Bodhi büyüklük grafiği, muhtemelen natüralist görsel görüntülerdeki daha geniş uzamsal frekans aralığından yararlanıldığı için, derecelendirme görsel girdisine sahip olandan biraz daha yüksek kazançlar gösterdi. Derecelendirme ve natüralist görsel girdiler için Bodhi faz grafiği özellikleri benzerdi. Az önce size bir hücre ile beş görsel sistem ve bir robot arasında bir beyin makine arayüzünün nasıl oluşturulacağını gösterdik.
Bu prosedür sırasında birkaç kritik adım vardır. İlk olarak, beyne zarar vermemek için kafa kapsülünü açarken derin kesiklerden kaçının. İkinci olarak, elektrodu, H bir hücreden kaydettiğimiz tek bir hücreden kayıt yapacak şekilde dikkatlice konumlandırın.
Üçüncüsü, beyni her zaman nemli tutun ve kurumasını önleyin. İşte bu kadar. İzlediğiniz için teşekkürler ve deneylerde iyi şanslar.
Genel Bakış
Bu çalışma, sinirsel kontrol prensiplerini araştırmak için kapalı döngülü bir sinek-makine arayüzü kullanır. Sineğin beynindeki H1 nöronunun aktivitesini kullanarak, araştırmacılar dinamik bir ortamda bir mobil robotu stabilize etmeyi hedefliyor.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Nörobilim
- Robotik
- Sinirsel Kontrol Sistemleri
Arka Plan
- H1 nöronu, sineğin beynindeki görsel bir internörondur.
- Sinirsel kontrolü anlamak, robotik stabiliteyi artırabilir.
- Kapalı döngü sistemleri, gerçek zamanlı ayarlamalar için gereklidir.
- Bu araştırma, biyolojik sinyalleri robotik sistemlerle entegre eder.
Çalışmanın Amacı
- Nöronal sinyallerin robotik hareketleri nasıl kontrol edebileceğini araştırmak.
- H1 nöronun aktivitesini kullanarak farklı kontrol stratejilerini test etmek.
- Deneysel analiz için bir beyin-makine arayüzü oluşturmak.
Kullanılan Yöntemler
- Nöronal kaydı için sineğin hazırlanması.
- Dönen bir tabla üzerinde bir mobil robotun kullanılması.
- Görsel uyaranlara tepki olarak H1 nöron aktivitesinin kaydedilmesi.
- Nöronal çıkışları motor komutlarına çevirmek için kontrol kurallarının uygulanması.
Ana Sonuçlar
- H1 nöronunun aktivitesi, robotun stabilizasyonu ile ilişkilidir.
- Farklı kontrol kuralları, değişen başarı dereceleriyle sonuçlanır.
- Gerçek zamanlı ayarlamalar, dinamik koşullarda robotun performansını artırır.
- Arayüz, biyolojik ve robotik sistemler arasında etkili bir köprü kurar.
Sonuçlar
- Nöronal sinyaller, robotik sistemleri kontrol etmek için etkili bir şekilde kullanılabilir.
- Kapalı döngü arayüzleri, sinirsel kontrol hakkında değerli bilgiler sağlar.
- Bu araştırma, gelişmiş beyin-makine arayüzleri için öncü işlev görür.
Sıkça Sorulan Sorular
Executive Industry Relevance
This experimental platform enables mechanistic de-risking of closed-loop control strategies by linking neuronal signal dynamics to robotic output under real-time feedback conditions. It supports target validation in neuromodulation and neuroprosthetics by quantifying how biological signal variability impacts system stability and performance. The approach provides predictive confidence for translational biomarker alignment in brain-machine interface development.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Interrogates therapeutic hypotheses by testing how H1 neuron activity translates into controlled motor output under closed-loop conditions.
- Operational Value: Enables functional target validation through real-time measurement of neural signal fidelity and system responsiveness.
- Predictive Value: Supports portfolio triage by identifying control laws that stabilize output despite neuronal signal variability.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems (H1 neuron recordings) for downstream screening of control algorithms under standardized visual stimulation.
- Operational Value: Ensures assay reproducibility through spike-rate thresholding and causal filtering to isolate neural signal from background noise.
- Scalability: Supports platform reuse across varying input frequencies and control law parameters for comparative screening.
Translational & Preclinical Research
- Scientific Value: Maintains disease-relevant system fidelity by using naturalistic visual input to approximate complex stimulus environments.
- Operational Value: Enables continuity from discovery through preclinical validation by linking neural activity to quantifiable behavioral output (robot stabilization).
- Risk-Adjusted Advancement: Informs go/no-go decisions by revealing frequency-dependent stability limits of proportional vs. adaptive controllers.
Pipeline & Workflow Integration
The method integrates into the discovery continuum from target validation through lead identification by providing quantitative, closed-loop readouts of neuronal control efficacy.
- Discovery Biology: Supports hypothesis testing and pathway clarification by isolating H1 neuron response to horizontal motion stimuli.
- Screening: Delivers assay readiness and reproducibility via band-pass filtering, thresholding, and half-Gaussian smoothing of spike trains.
- Analytics: Enables condition comparison through frequency-domain transformation (FFT) and Bode plot analysis of gain and phase margins.
- Translational Research: Connects to preclinical continuity by demonstrating how control law selection impacts real-time system stability under dynamic conditions.
- Enterprise Reuse: Functions as a reusable platform for evaluating diverse control strategies using identifiable neuronal signals as inputs.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence by reducing mechanistic ambiguity in how neural signals drive behavioral output.
- Operational Value: Enhances standardization and scalability through precise electrode placement, visual stimulus control, and signal processing pipelines.
- Strategic Value: Improves go/no-go decisions and capital efficiency by identifying control laws that maintain stability across input frequencies.
- Portfolio Impact: Enables risk-adjusted prioritization by revealing performance trade-offs between proportional and adaptive control under varying neural signal dynamics.
Implementation Considerations
- Requires expertise in electrophysiology, robotic control systems, and signal processing for neural signal acquisition and closed-loop feedback.
- Dependent on instrumentation including micro manipulators, digital acquisition boards (≥10 kHz sampling), CRT monitors (200 fps), and Bluetooth-enabled motor control.
- Necessitates cross-team standardization in fly preparation, electrode positioning, and visual stimulus alignment to ensure reproducible H1 neuron recording.
- Involves adaptation considerations when translating findings to other model systems due to species-specific neural dynamics and stimulus response properties.
- Practical limitations include reliance on single-neuron recordings, which may limit dynamic range and increase susceptibility to oscillations at higher frequencies.
