Eine experimentelle Plattform für die Closed-Loop-Performance von Brain-Machine Interfaces Study

Zusammenfassung

Wir verwenden eine Closed-Loop-fly-Maschine-Schnittstelle auf allgemeine Prinzipien der neuronalen Steuerung zu untersuchen.

Zusammenfassung

Die nicht-stationären Natur und Variabilität der neuronalen Signale ist ein grundsätzliches Problem in Gehirn-Maschine-Schnittstellen. Wir entwickelten ein Gehirn-Maschine-Schnittstelle, um die Robustheit der verschiedenen Steuer-Gesetze angewendet, um eine Closed-Loop-Bildstabilisierung Aufgabe zu beurteilen. Unter Ausnutzung der gut charakterisierten fliegen visuomotorische Weg erfassen wir die elektrische Aktivität von einem identifiziert, motion-sensitive Neuronen, H1, um die Gier-Drehung einer zweirädrigen Roboter zu steuern. Der Roboter ist mit 2 Hochgeschwindigkeits-Videokameras für die visuelle Bewegung Eingang zu einer Fliege vor 2 CRT Monitore platziert ausgestattet. Die Aktivität der Neuronen H1 zeigt die Richtung und die relative Geschwindigkeit des Roboters Rotation. Die neuronale Aktivität wird gefiltert und wieder in die Lenkung des Roboters durch proportional und proportional / adaptive Regelung zugeführt. Unser Ziel ist es, testen und optimieren die Leistung der verschiedenen Gesetze über die Kontrolle unter closed-loop Bedingungen für eine breitere Anwendung auch in anderen Hirn-Maschine-Schnittstellen.

Protokoll

1. Fly Vorbereitung

1. Der erste Schritt beim Aufbau der Experimente ist die Vorbereitung der Fliege, so dass keine unfreiwillige Bewegung korrumpiert die Stabilität des neuronalen Aufzeichnungen und dass der Kopf der Fliege richtig ausgerichtet ist mit der visuellen Stimulation Ausrüstung. Zu Beginn der Vorbereitung der Fliege, kühlen sie auf Eis und dann stumpf-Spiesse auf den Flügeln halten, und befestigen Sie den hinteren Teil des fliegen, um ein Stück doppelseitiges Klebeband-auf einen Objektträger.
2. Als Nächstes verwenden Sie ein elektro-Ausbrennen Nadel Bienenwachs gelten für die Flügel, um die Folie legen und auch die Wirkung des Fluges Motorblock. Dieser Schritt erfordert eine schnelle und genaue Handhabung so, dass die Fliege nicht warm während des Verfahrens.
3. Jetzt unter dem Mikroskop, halten jedes Bein mit einer Pinzette und verwenden Sie ein paar kleine Schere, um sie abzuschneiden an den Gelenken am nächsten an den Körper. Wiederholen Sie dies für den Rüssel. Um zu verhindern, die Fliege vor dem Austrocknen, müssen die Löcher mit Wachs versiegelt werden.
4. Dann schneiden einem der Flügel aus und dann wieder die Fliege auf seiner Seite. Entfernen Sie alle verbleibenden Teile der Flügel, während die Calyptra für den Halteren und Dichtung das Loch mit Wachs. Wiederholen Sie diesen Vorgang für den anderen Flügel.
5. Zur Stimulierung ein Ziel Neuron in definierter Weise hat sich die Fliege den Kopf, um richtig mit dem Computer-Monitoren ausgerichtet werden. Dazu benötigen Sie eine angepasste Halterung, die einen breiten Raum für Körper der Fliege und ein Anhängsel hat an einem Ende mit einer Kerbe, wo die Fliege um den Hals gelegt werden.
6. Legen Sie die Fliege auf den Halter mit dem Hals in die Kerbe, drücken sie nach unten, während Kleben den Bauch statt. Legen Sie nun die Fliege Halter in einen Stand, so dass Sie die vor der Fliege den Kopf durch das Mikroskop sehen kann.
7. Anzeigen der Fliege mit rotem Licht, ein so genanntes optisches Phänomen der pseudo-Schüler können in jedes Auge gesehen werden. Die pseudo-Schüler bietet einen Bezugsrahmen, mit dem die Fliege den Kopf mit dem Reiz (Franceschini 1975) ausrichten können. Wenn die Pseudo-Schüler übernimmt eine bestimmte Form, wie das Bild einfügen unten, dann die Ausrichtung der Fliege den Kopf ist perfekt definiert.
   
   
   
8. Verwenden Sie einen Mikromanipulator richtig orientieren the fly den Kopf, und dann mit Wachs kleben an den Inhaber.
9. Anschließend drücken Sie den Brustkorb flach und Wachs es an den Inhaber. Dies ermöglicht den hinteren Kopf Kapsel geöffnet, so dass die Elektroden in das Gehirn der Fliege eingesetzt werden kann.
10. Verwenden Sie ein Mikro-Skalpell oder einer feinen Injektionsnadel sorgfältig geschnitten ein Fenster in die Kutikula der rechten Kopf-Kapsel. Achten Sie darauf, das Nervengewebe direkt unter der Kutikula geschnitten. Nachdem das Stück Nagelhaut wird entfernt, ein paar Tropfen von Ringer-Lösung.
11. Verwenden einer Pinzette, um eine schwimmende Haare, Fettablagerungen oder Muskelgewebe, dass die Lobula-Platte abdecken können, zu entfernen. Die Lobula Platte kann durch eine charakteristische Verzweigung der Luftröhre silbrig, dass seine hintere Fläche umfasst identifiziert werden.
12. Schneiden Sie ein kleines Loch in die Kutikula der linken hinteren Kopfkapsel für die Positionierung einer Referenzelektrode. Mit der Fliege vorbereitet, mal sehen, wie die Aufnahme Elektrodenposition.

2. Positionierung der Aufnahme-Elektrode

1. Mit der Fliege vorbereitet, lasst uns gehen die Ortung und Aufnahme von Signalen aus dem H1 Neurons. Die Aufnahme Elektrode muss in unmittelbarer Nähe zum H1 Neuron platziert werden. Die H1 Neuron hauptsächlich reagiert auf horizontale back-to-front motion präsentiert seine rezeptiven Feld (Krapp et al. 2001).
2. Zur Positionierung der Aufnahme-Elektrode, die Luftröhre als optisches Wahrzeichen. Zunächst legen Sie die Elektrode zwischen der obersten Luftröhre.
3. Es hilft, einen Audio-Verstärker verwenden, um die aufgenommenen elektrischen Potentiale in akustische Signale umwandeln. Jede einzelne Spitze ist in einem charakteristischen Klick-Geräusch gemacht. Je näher der Elektrode wird auf ein einzelnes Neuron, je klarer das Klick-Geräusch wird.
4. Zur Identifizierung der H1 Neuron durch seine Bewegung Präferenz, stimulieren sie mit Bewegung in horizontaler Richtung. Mit der Aufnahme Elektrode vorhanden, können zu bewegen auf die visuelle Stimulation und Aufnahmen.

3. Visuelle Stimulation und Recordings

1. Die Closed-Loop-Experimente sind Setup, so dass diese, dass die Stimulation des H1 Neuron Ergebnisse in der Roboter Ausgleich für die Bewegung der Drehteller. Um zu beginnen, statt eine Fliege vor zwei CRT Monitoren. Da die Fliege visuelle System ist 10-mal schneller als das menschliche ist, müssen die Monitore zeigen 200 Bilder pro Sekunde. Die Monitore und andere elektrische Geräte müssen elektromagnetisch abgeschirmt werden, um externe Störungen in der gemessenen neuronalen Signalübertragung zu minimieren.
2. Position der Zentren der Monitore bei + / - 45 Grad relativ zur Fliege Orientierung. Wie aus der Fliege Auge Äquator gesehen, umspannt jeden Monitor in einem Winkel von + / -25 Grad in der Horizontalen und +/ -19 Grad in der vertikalen Ebene.
3. Synchronized-Eingang an den Computer-Monitoren wird durch zwei Videokameras auf einem kleinen, zweirädrigen ASURO Roboter montiert, dass für das Experiment modifiziert wurde zur Verfügung gestellt.
4. Position des Roboters auf einem Drehteller in einem zylindrischen Raum, dessen Wände sind mit einem Muster von vertikal ausgerichteten, schwarzen und weißen Streifen gesäumt. Durch Drehen des Dreh-Tabelle in der horizontalen Ebene, sind die Bewegungen des Roboters, nur einen Freiheitsgrad beschränkt.
5. Zunächst sowohl die Turn-Tisch und Roboter in Ruhe sind. Wenn der Drehteller in Bewegung setzt, führt die Drehung des Roboters, in die gleiche Richtung und die Videokameras erfassen die relative Bewegung zwischen dem Roboter und das Streifenmuster der Arena.
6. 45 Grad - Der batteriebetriebene Videokameras auf dem Roboter sind auf eine Orientierung von + / montiert. Sie fangen 200 Bilder pro Sekunde, um die Bildrate der Computer-Monitore vor dem fliegen übereinstimmen.
7. Melden Sie sich die Bilder präsentiert, die Computer-Monitore bei 200 Bildern pro Sekunde bei einer Auflösung von 640 x 480 (Graustufen).
8. Während der Fliege beobachtet die Bewegungen der Streifenmuster, notieren Sie die Band überbrückt gefiltert (z. B. zwischen 300 und 2 kHz) elektrische Signale mit einem Digital-Messkarte mit einer Abtastrate von mindestens 10 kHz.
9. Eine Schwelle anzuwenden die Band überbrückt gefiltert elektrische Signale an die Spitzen aus der Hintergrund-Aktivität zu trennen. Eine kausale, halb-Gauß-Filter ist mit den Spitzen gefaltet, um einen reibungslosen spiking Aktivität Schätzung für das H1-Zelle zu erhalten.
10. So schließen Sie die Schlaufe des Gehirns Maschine-Schnittstelle, ist ein Regelalgorithmus verwendet, um die Spike-Rate der H1-Zelle einen Roboter Geschwindigkeit, die Rückseite ist über eine Bluetooth-Schnittstelle zugeführt, um die zwei DC-Motoren steuern den Antrieb der Räder des Roboters zu konvertieren.
11. Reine Sinus-Wellen werden als Geschwindigkeitsprofile für die Turn-Tabelle gewählt. Die Sinus-Wellen haben eine DC-Offset, so dass die Drehteller dreht nur in die Richtung, die die H1 Neuron stimuliert entlang der Vorzugsrichtung. Die Stimulation der H1 Neuron Ergebnisse in der Roboter Ausgleich für die Bewegung der Drehteller.
    
    
    Abbildung 1: Closed-Loop-Setup. In unserer Einrichtung ist spiking Aktivität der linken H1-Zelle verwendet werden, um die Bewegung eines Roboters auf einem Drehtisch montiert Kontrolle. Visuelle Bildbewegung als Folge der relativen Bewegung zwischen dem Roboter und dem Turn-Tabelle generiert wird über High-Speed-Kameras erfasst und angezeigt auf zwei CRT-Monitore vor dem fliegen. H1 spiking Aktivität aus der linken Hemisphäre wird verwendet, um die Echtzeit-Spike-Rate, die dann verwendet ein Steuergesetz zu einer Kompensation Geschwindigkeit des Roboters berechnen zu schätzen. Der Roboter gegenläufig stabilisiert das visuelle Bild Bewegung durch die Fliege im geschlossenen Regelkreis beobachtet.
    
    

4. Vertreter Outcome und Ergebnisse

1. Wenn korrekt eingerichtet ist, ist die visuelle Stabilisierung erreicht, wenn die gegenläufige Drehung des Roboters die Rotation der Turn-Tabelle übereinstimmt, was wenig oder gar kein Muster Bewegung auf dem Computer-Monitore. Die Gesamtleistung des Systems hängt von der Regelalgorithmus eingesetzt, um den Kreis zu schließen.
2. Der erste Algorithmus testen wir ein Proportionalregler (Abbildung 2), wo die aktualisierte Roboter Geschwindigkeit ist proportional zur Differenz in Winkelgeschwindigkeiten zwischen dem Roboter, ωr und der Turn-Table, ωp. Unterschiedliche Werte für die statische Verstärkung, Kp, und Eingangsfrequenzen für den Drehteller Signal, ωp, werden ausgewählt, um die Leistung der Controller zu testen.
   
   
   
   Abbildung 2: Proportional-Regler. (A) Die relative Bewegung zwischen dem Roboter und den Drehteller in die bevorzugte Richtung der H1-Zelle stimuliert, die Spike-Rate zu geben, ist F. Diese Spike-Rate in einer Geschwindigkeit Fehler, E umgewandelt und eine proportionale Steuerung wird verwendet, um die Schätzung aktualisiert Roboter Geschwindigkeit vr (t +1). Die Spike-Rate, F, ist die Geschwindigkeit Fehler, E umgewandelt, je nachdem, ob es kleiner oder größer als die spontane Spike-Rate, Fspont. Die Spike-Rate auf Fehler Umwandlung Geschwindigkeit ist durch die Projektion F über eine Cosinus (Intervall [π, 0]) Rechnung zu tragen Aufstockrate Schwelle Nichtlinearitäten getan. Die Konstanten 70 und 150 werden verwendet, um den 8-Bit-Eingangs-Geschwindigkeit des Roboters auf die minimalen und maximalen Winkelgeschwindigkeiten der Turn-Tabelle übereinstimmen. (B) Blockschaltbild Closed-Loop-System mit einem Proportional-Regler. Die Eingabe in das System ist ein sinosuidal Modulation der Drehteller Winkelgeschwindigkeit ist ωp (t), und die entsprechenden Roboter Antwort ωr (t +1) aufgezeichnet.
   
   
3. Probe Spuren für ω _p und ω _r sind hier für K _p = 1 dargestellt und einer Eingangsfrequenz von 0,6 Hz für ω _p (siehe Abbildung 3). Der Roboter (in grün) folgt der Turn-Tabelle (in blau) mit einer Verzögerungund einen kleineren Peak-Amplitude. Die horizontale Komponente des Musters Bewegung, dass die H1-Zelle stimuliert wird unten (in Rot).
   
   
   
   Abbildung 3: Closed-Loop-Reaktionen. (A) Winkelgeschwindigkeiten für die Turn-Tabelle (blau), ωp und Roboter (grün), ωr, am Eingang Frequenz = 0,6 Hz. (B) Horizontal optischen Flusses wird gezeigt, wie aus eingeloggt Bilder (rot) berechnet. Pyramidal Lucas Kanade Methode (3 Pyramidenebenen) wird verwendet, um die Optik Strömungsfeld zwischen aufeinander folgenden Einzelbildern zu berechnen. Horizontal Winkelgeschwindigkeit wird durch die Summe der Projektionen der einzelnen Vektoren in die Strömungsfelder auf die horizontale Einheitsvektor i. berechnet Horizontal back-to-front Bewegung, dass die H1-Zelle erregt wird als PD (Vorzugsrichtung) bezeichnet, während horizontal von vorne nach hinten Bewegung, dass die H1-Zelle hemmt als ND (null Richtung) bezeichnet wird.
   
   
4. Eingangsfrequenzen für den Drehteller Signal, ωp, sind zwischen 0,03-3 Hz und die entsprechenden Roboter-Signal, ωr gewählt, wird aufgezeichnet. Beide Signale werden in den Frequenzbereich durch eine schnelle Fourier-Transformation transformiert (siehe Abbildung 4) und die Amplitude und Phase-Werte werden am Eingang Frequenz berechnet.
   
   
   
   Abbildung 4: Frequenzgang Winkelgeschwindigkeit Signale für die Turn-Tisch, ωp und Roboter, ωr, sind in den Frequenzbereich mit der schnellen Fourier-Transformation (FFT)-Methode auf Amplitude und Phase-Komponenten bei der Eingangsfrequenz berechnen verwandelt.. Phase-Komponenten der FFT sind nicht in der Abbildung dargestellt.
   
   
5. Die Bode Größenordnung Grundstück für die proportionale Steuerung mit K _p = 1 zeigt die Reaktion des Systems über die getesteten Eingangsfrequenzen (siehe Abbildung 5-a). Die Leistung der Controller in der Regel mit zunehmender Frequenz. Die leicht erhöhte Verstärkung bei 1 Hz ist als Folge der Schwingungen in der Roboter-Signal durch Verwendung von nur einem H1-Zelle, deren Dynamik (Ausgang) Bereich umfasst vor allem horizontale back-to-front Bewegung.
   
   
   
   Abbildung 5: Proportional Controller-Leistung. Das Bode-Betrag und Phase Plots für die Proportional-Regler (gemittelt über 8 Fliegen), statische Verstärkung Kp = 1,0 (a) das Bode-Größe Grundstück etwa folgt ein Tiefpassfilter charakteristisch. Die leicht erhöhte Verstärkung bei 1 Hz ist als Folge der Schwingungen in der Roboter-Signal, ωr, die auf die Verwendung nur eines H1-Zelle, deren Dynamik (output)-Bereich umfasst im Wesentlichen horizontal von hinten nach vorne Bewegung. Die Anzahl der Schwingungen in der Roboter-Signal, ωr mit zunehmender Eingangsfrequenzen führt zu leicht höheren Gewinn zu erzielen bei diesen Frequenzen zu verringern. (B) der Bode Phase Grundstück ist kleiner als 180 ° für Eingangsfrequenzen ≤ 1 Hz und Ansätze Instabilität bei 3 Hz. Ab einem bestimmten Eingangsfrequenz, so wird der Regler instabil aufgrund der Kinematik des Roboters. Diese Instabilität tritt nur auf, jenseits der bekannten optimale Reaktion Bereich der Fliege visuelle System (Warzecha et al. 1999).
   
   
6. Das Bode-Phase-Plot (siehe Abbildung 5-b) zeigt einen Controller Phasenverschiebung weniger als Π für Eingangsfrequenzen <0,6 Hz. Dies zeigt, dass der Regler stabil ist für Frequenzen <0,6 Hz und instabil für Eingangsfrequenzen ≥ 1 Hz.
7. Die Leistung des Proportional-Regler mit einer statischen Kp (in blau) wurde mit einem adaptiven Regler (in rot), wobei der Wert für K _p aktualisiert alle 50 ms basiert auf dem Gipfel Spike-Rate, F _max, über Zeitintervall berechnet im Vergleich [t-500ms - t] (siehe Abbildung 6). Als Folge der großen Integration Zeitfenster, die proportional Controller besser als der adaptive Regler für die Parameter Reichweite getestet führt (siehe Abbildung 7-a). Die erste Zeit Integration Fenster von 500 ms wurde aus technischen Gründen im Zusammenhang mit der Roboter-Plattform sind wir mit ausgewählt. Der adaptive Regler hatte eine ähnliche Phase charakteristisch wie die Proportionalregler (siehe Abbildung 7-b).
   
   
   
   Abbildung 6: Adaptive Steuerung zu gewinnen. Die Proportional-Regler verwendet eine statische Verstärkung, Kp, während die adaptive Steuerung schätzt den Gewinn kontinuierlich während geschlossenen Regelkreis. Die dynamische Verstärkung, Kp, ist umgekehrt proportional zur maximalen Spike-Rate, Fmax, über das Intervall t-500ms ≤ τ ≤ t. Abbildung zeigt drei Fälle, in denen Fmax im Laufe der Zeit geschätzt wird. Ausgehend von einem geschätzten Werte von Fmax, ist Kp höchsten während Zeitfenster 2 (grün) und am niedrigsten bei Zeitfenster 3 (orange).
   
   
   
   Abbildung 7: Proportional vs adaptive Steuerung. Bode Betrag und Phase Parzellen für die proportionale (Kp = 1) und adaptive Steuerung(A) die adaptive Steuerung aktualisiert den Wert von Kp alle 50ms auf dem Gipfel Spike-Rate Schätzung Fmax in den letzten 500ms basiert. Die proportionale Verstärkung des Reglers Grundstück (blau) ist höher als die der adaptive Regler (rot) zeigt, dass es besser ist, erklingt in allen Eingangsfrequenzen. (B) der Bode Phase Parzellen für beide Controller ähnlich mit einem signifikanten Unterschied bei f = 0,3 Hz sind. Beide Controller-Ansatz Instabilität bei 3 Hz. Signifikant verschieden Verstärkung und Phase-Werte sind mit einem Sternchen (Wilcoxon-Methode, p = 0,05) angegeben.
   
   
8. Das Gittermuster rund um die Drehscheibe wurde entfernt und die Testumgebung wurde als eine Annäherung an naturalistischen visuellen Input für die Fliege H1-Zelle verwendet. Im Durchschnitt der Bode Größenordnung Plot (siehe Abbildung 8-a) für die naturalistische visuellen Input (in blau) zeigte geringfügig höhere Gewinne als die mit Gitter visuellen Input (in rot) wahrscheinlich, weil die breitere Palette von Ortsfrequenzen in naturalistischen Bildern ausgenutzt wird. Das Bode-Phase Plot Eigenschaften zum Reiben vs naturalistischen visuellen Eingänge waren ähnlich (siehe Abbildung 8-b).
   
   
   
   Abbildung 8: Stripped Muster vs Laborumgebung. Das Bode-Betrag und Phase Plots für die Proportional-Regler, wenn mit abisolierten Muster (rot) vs Laborumgebung (blau) visuelle Bilder unter Closed-Loop vorgestellt (a) die Bode Größenordnung Grundstück für wenn Laborumgebung Bilder verwendet werden, ist geringfügig höher als beim Strippen Muster verwendet wird (außer bei f = 0,1 Hz), was eine bessere Leistung unter solchen Reiz. (B) der Bode Phase Grundstück sowohl unter Sehbedingungen folgen dem gleichen Muster, wobei beide nähern Instabilität bei 3 Hz. Signifikant verschieden Verstärkung und Phase-Werte sind mit einem Sternchen (Wilcoxon-Methode, p = 0,05) angegeben.
   
   

Diskussion

1. Fly Dissektion muss durchgeführt werden sorgfältig darauf achten, dass wir richtig orientieren the fly in Bezug auf die Computermonitore.
2. Die Trennung der Spikes von der H1 Neuron aus der Spikes von allen anderen Neuronen um ein gutes Signal-Rausch-Verhältnis, die dann verwendet werden, um den Roboter zuverlässig steuern zu bekommen.
3. Es ist darauf zu jeder Nervengewebe vor dem Austrocknen im Laufe des Experiments zu verhindern.
4. Die Kameras sind mit Computern über ein Ethernet-Kabel angeschlossen. Achten Sie darauf, dass sie nicht über-Wunde während des Experiments, wie das wäre die Drehung des Roboters beeinflussen.
5. Derzeit sind wir mit dem Spike-Aktivität von einem H1 zu einer Stabilisierung Aufgabe nur in einer Richtung von Gier Rotation Setup. Wir können hinzufügen, eine zweite Elektrode, um Signale von den linken und rechten H1 ist so, dass wir die Stabilisierung Regelalgorithmen in beide Richtungen von Gier Rotation Studie erhalten.
6. Wir entfernen die Arena mit den vertikal ausgerichteten schwarzen und weißen Streifen und die Nutzung der Testumgebung als optischer Reiz für die Fliege. Dies wird uns erlauben, closed-loop Performance mit naturalistischen Bildern zu studieren.
7. Der Roboter kann aus der Wende-Tisch entfernt und man ließ sie in der Testumgebung, während in Closed-Loop-Steuerung bewegen. Dies wird uns erlauben, Steuer-und Regelalgorithmen in Kollisionsvermeidung zu erforschen.
8. Die Drähte, die Kameras an den Computer können durch die Implementierung eines drahtlosen Übertragung System entfernt werden, so dass wir eine völlig hemmungslose Roboter-Setup.
9. Die Kennzahlen der verschiedenen Steuer-und Regelalgorithmen wird uns verstehen, wie unterschiedliche Strategien der Lage sind, mit nicht-stationäre und variable neuronale Signale zu bewältigen. Dieses Wissen kann dann in verschiedenen klinischen und nicht klinischen Gehirn-Maschine-Schnittstellen eingesetzt werden.
10. Dieser Versuchsaufbau ist der erste Schritt zur Aufnahme neuronaler Signale von verhaltenden Tier. Unser Ziel ist es, die Fliege an der Roboter-Platz und nutzen ihre neuronale Aktivität für Regelungstechnik. In einer solchen Konstellation wären wir in der Lage, neuronale Aktivität von the fly aufzeichnen, während sie erhält, ist multisensorischen Stimulation als Folge der Bewegung des Roboters.
11. Rekord nur Signale von einer Zelle. In der Konfiguration sollten wir Sie, würde das am besten geeignete Zelle die H1-Zelle. Isolating die Antworten der H1 Neuron von anderen Neuronen mit ähnlichen rezeptiven Feldern, zB H2, ist es wichtig, ein gutes Signal-Rausch-Verhältnis zu erhalten für die neuronale Aufnahmen. Die Antworten der H1 und H2 Neuronen können mit der Feststellung, dass die H2 charakteristisch unteren spontane hat und mittlere Aufstockrate als die H1 Neuron diskriminiert werden. Die Neuronen können auch auf der Basis ihrer Morphologie (Krapp et al. 2001) unterschieden werden.
12. Unser System ermöglicht es uns, die Closed-Loop-Verstärkung durch unsere Fly-Roboter-Schnittstelle auf eine Bildstabilisierung Aufgabe erreicht zu vergleichen und ihre Leistungsfähigkeit im closed-loop optomotorischen Gewinne in früheren Experimenten am Fliegen (Bender & Dickinson 2006, Warzecha et al vergleichen . 1996, Heisenberg & Wolf, 1990). Darüber hinaus ermöglicht es uns, state-abhängige Veränderungen in der visuellen Informationsverarbeitung untersucht werden, unter Closed-Loop-Bedingungen (Chiappe et al. 2010, Maimon et al. 2010, Longden & Krapp 2009, Longden & Krapp 2010).

Materialien