Una plataforma experimental para estudiar el comportamiento de circuito cerrado de interfaces cerebro-máquina

Resumen

Usamos un circuito cerrado volar-máquina para investigar los principios generales de control neuronal.

Resumen

La naturaleza no estacionaria y la variabilidad de las señales neuronales es un problema fundamental en la interfaz cerebro-máquina. Hemos desarrollado un interfaz cerebro-máquina para evaluar la solidez de las diferentes leyes de control se aplica a una tarea de imágenes de circuito cerrado de estabilización. Aprovechando la bien caracterizada volar vía visuomotora que registrar la actividad eléctrica de un identificó, las neuronas sensibles al movimiento, H1, para controlar la rotación de guiñada de un robot de dos ruedas. El robot está equipado con dos cámaras de video de alta velocidad aportaciones del movimiento visual de una mosca colocada delante de dos monitores de ordenador CRT. La actividad de las neuronas H1 indica la dirección y la velocidad relativa de rotación del robot. La actividad neuronal se filtra y se realimenta en el sistema de dirección del robot por medio de un control proporcional y proporcional / adaptación. Nuestro objetivo es probar y optimizar el rendimiento de las leyes de control en diferentes condiciones de circuito cerrado para una aplicación más amplia también en otras interfaces cerebro de la máquina.

Protocolo

1. Preparación volar

1. El primer paso en la creación de los experimentos consiste en preparar la marcha para que no se corrompe el movimiento involuntario de la estabilidad de las grabaciones de las neuronas y que la cabeza de la mosca se ha orientado correctamente con el equipo de estimulación visual. Para comenzar a preparar la marcha, que se enfríe en hielo y luego utilizar embotado palillos para mantener las alas hacia abajo, y fijar la parte de atrás de la mosca a una pieza de doble cara, cinta sobre un portaobjetos de microscopio.
2. A continuación, utilice una aguja de electro-cauterización de aplicar la cera de abejas para fijar las alas a la diapositiva y también para bloquear la acción del motor de vuelo. Este paso requiere de un manejo rápido y preciso para que la marcha no se calienta durante el procedimiento.
3. Ahora bajo el microscopio, mantenga cada pierna con unas pinzas y usar un par de pequeñas tijeras para cortar en las articulaciones más cercana al cuerpo. Repita este procedimiento para la trompa. Para evitar que la marcha de la desecación, los orificios deben ser sellados con cera.
4. A continuación, corte una de las alas y luego gire a la marcha de su lado. Retire los trozos de las alas, mientras que deja el calyptra que cubre el halteres, y sellar el agujero con cera. Repita este procedimiento con la otra ala.
5. Para estimular una neurona diana de una manera definida, la cabeza de la mosca tiene que estar alineada con los monitores de ordenador. Para ello, se necesita un soporte personalizado que tiene un amplio espacio para el cuerpo de la mosca y un apéndice en un extremo con una muesca en el cuello se coloca la mosca.
6. Lugar la marcha en el soporte con el cuello en la ranura, presionando hacia abajo, mientras que pegar el abdomen en su lugar. Ahora ponga el titular de volar en una plataforma de modo que pueda ver la parte frontal de la cabeza de la mosca a través del microscopio.
7. Viendo la marcha con la luz roja, un fenómeno óptico llamado el pseudo-alumno se puede ver en cada ojo. La pupila de pseudo-proporciona un marco de referencia que se puede utilizar para alinear la cabeza de la mosca con el estímulo (Franceschini, 1975). Si el alumno pseudo-asume una forma determinada, como se muestra en el inserto imagen de abajo, entonces la orientación de la cabeza de la mosca está perfectamente definido.
   
   
   
8. Use un micromanipulador para orientar correctamente la cabeza de la mosca, y luego utilizar la cera para pegar al titular.
9. A continuación, pulse el tórax en forma plana y la cera para el titular. Esto permite que la cápsula de la cabeza trasera que se abre para que los electrodos se pueden insertar en el cerebro de la mosca.
10. Use un micro bisturí o una aguja de inyección de finos para cortar cuidadosamente una ventana en la cutícula de la cápsula de la cabeza derecha. Tenga cuidado de no cortar el derecho de tejido neural por debajo de la cutícula. Una vez que la pieza de la cutícula se retira, se añaden unas gotas de solución de Ringer.
11. El uso de fórceps para quitar los pelos flotando, los depósitos de grasa o el tejido muscular, que pueden cubrir la placa lobula. La placa lobula pueden ser identificados por un patrón característico de ramificación de la tráquea plateada que cubre su superficie posterior.
12. Corte un pequeño agujero en la cutícula de la cápsula de la cabeza trasera izquierda de la colocación de un electrodo de referencia. Con la marcha preparados, vamos a ver cómo la posición del electrodo de registro.

2. Colocación del electrodo de registro

1. Con la marcha preparados, vamos a proceder a la localización y el registro de señales de las neuronas H1. El electrodo de registro debe ser colocado en las proximidades de la neurona H1. La neurona H1 responde principalmente a horizontal de regreso a la moción presentada frente a su campo receptivo (Krapp et al. 2001).
2. Para colocar el electrodo de registro, el uso de la tráquea como un hito visual. En un principio, colocar el electrodo entre la tráquea superior.
3. Ayuda a utilizar un amplificador de audio para convertir los potenciales eléctricos registrados en señales acústicas. Cada espiga individuo se convierte en un sonido característico clic. Cuanto más cerca del electrodo llega a una neurona individual, la más clara del sonido de clic se convierte.
4. Para identificar las neuronas H1 por medio de su preferencia de movimiento, que estimulan con el movimiento en la dirección horizontal. Con el electrodo de registro en su lugar, vamos a pasar a la estimulación visual y grabaciones.

3. La estimulación visual y Grabaciones

1. Los experimentos de circuito cerrado se configuran de manera que tal que la estimulación de los resultados de las neuronas H1 en el robot para compensar el movimiento de la mesa giratoria. Para comenzar, coloque una mosca frente a dos monitores de ordenador CRT. Debido a que el sistema visual volar es 10 veces más rápido que el de los humanos, los monitores deben mostrar 200 imágenes por segundo. Los monitores y otros equipos eléctricos deben ser electromagnéticamente protegidas para minimizar el ruido externo en la medida de señales neuronales.
2. Posición de los centros de los monitores en + / - 45 grados con respecto a la orientación de la mosca. Como se ha visto desde el ecuador del ojo de la mosca, cada monitor abarca un ángulo de + / -25 grados en la horizontal, y +/ -19 Grados en el plano vertical.
3. De entrada sincronizada de los monitores de ordenador es proporcionada por dos cámaras de vídeo montadas sobre un pequeño robot de dos ruedas ASURO que ha sido modificado para el experimento.
4. La posición del robot sobre una mesa giratoria dentro de un área cilíndrica cuyas paredes están revestidas con un patrón de orientación vertical, rayas blanco y negro. Al girar la placa giratoria en el plano horizontal, los movimientos de los robots están limitados a un solo grado de libertad.
5. Inicialmente tanto la mesa giratoria y robot están en reposo. Cuando el cambio de mesa comienza a moverse, su rotación lleva el robot, en la misma dirección y las cámaras de video grabar el movimiento relativo entre el robot y el patrón de rayas de la arena.
6. Las cámaras de vídeo de baterías en el robot se montan en una orientación de + / - 45 grados. Capturan a 200 imágenes por segundo para que coincida con la velocidad de fotogramas de los monitores de computadora al frente de la marcha.
7. Registro de las imágenes presentadas a los monitores de ordenador a 200 fotogramas por segundo con una resolución de 640 x 480 (en escala de grises).
8. Mientras que la mosca está observando los movimientos del patrón de rayas, disco del grupo, pasó filtrada (por ejemplo, entre 300 y 2 kHz) las señales eléctricas con una tarjeta de adquisición de Digital con una frecuencia de muestreo de al menos 10 kHz.
9. Un umbral se aplica a la banda pasó filtrado de señales eléctricas para separar los picos de la actividad de fondo. Una causal, un medio-filtro gaussiano convolucionada con los picos para obtener una estimación de picos de actividad suave para que la célula H1.
10. Para cerrar el círculo de la interfaz cerebro y una máquina, un algoritmo de control se utiliza para convertir la tasa pico de la celda H1 a una velocidad del robot que se alimenta de nuevo a través de una interfaz Bluetooth para controlar los dos motores DC en las ruedas del robot.
11. Ondas sinusoidales puras son elegidos como los perfiles de velocidad para el giro de la tabla. Las ondas sinusoidales tienen como DC-offset que el cambio de mesa sólo gira en el sentido que estimula las neuronas H1 a lo largo de su dirección preferida. La estimulación de los resultados de las neuronas H1 en el robot para compensar el movimiento de la mesa giratoria.
    
    
    Figura 1: Configuración de circuito cerrado. En nuestra configuración, la actividad de remate de la celda H1 izquierda se utiliza para controlar el movimiento de un robot se encuentra montado sobre una plataforma giratoria. Movimiento de la imagen visual generado como resultado del movimiento relativo entre el robot y la tabla a su vez-es capturado a través de cámaras de alta velocidad y se muestra en dos monitores CRT en frente de la marcha. Actividad H1 remate desde el hemisferio izquierdo se utiliza para estimar la velocidad en tiempo real pico, que luego utiliza una ley de control para calcular la velocidad de compensación para el robot. El robot contra-rotación estabiliza el movimiento de la imagen visual observada por la mosca durante control en bucle cerrado.
    
    

4. Representante de resultados y resultados

1. Cuando se configura correctamente, la estabilización visual se logra cuando la contra-rotación del robot coincide con la rotación de la mesa giratoria, lo que resulta en el movimiento de patrón de poco o nada en los monitores de ordenador. El rendimiento global del sistema depende del algoritmo de control utilizado para cerrar el ciclo.
2. El primer algoritmo que prueba es un controlador proporcional (figura 2) donde la velocidad del robot actualizado es proporcional a la diferencia de velocidades angulares entre el robot, ωr, y la mesa giratoria, ωp. Diferentes valores para la ganancia estática, Kp, y las frecuencias de entrada de la señal de la vuelta de mesa, ωp, son elegidos para probar el rendimiento del controlador.
   
   
   
   Figura 2: controlador proporcional. (A) el movimiento relativo entre el robot y la tabla a su vez-en la dirección preferida estimula la celda H1 para dar la velocidad punta, F. Esta tasa pico se convierte en un error de velocidad, E, y un controlador proporcional se utiliza para estimar la robot actualizado velocidad, vr (t +1). La tasa de pico, F, se convierte en el error de velocidad, E, en función de si es menor o mayor que la tasa pico espontáneo, Fspont. La tasa pico de velocidad de la conversión de error se hace mediante la proyección de F sobre un coseno (intervalo [π, 0]) para dar cuenta de picos no linealidades tipo de umbral. Las constantes de 70 y 150 se utilizan para que coincida con la velocidad de entrada de 8 bits del robot para las velocidades angulares máxima y mínima de la mesa giratoria. (B) Diagrama de bloques mostrando sistema de circuito cerrado con un controlador proporcional. La entrada al sistema es una modulación sinosuidal de la velocidad angular a su vez la mesa, ωp (t), y la correspondiente respuesta ωr robot (t +1) se registra.
   
   
3. Las huellas de la muestra para _p ω y ω _r se muestran aquí para K _p = 1 y una frecuencia de entrada de 0,6 Hz para _p ω (ver figura 3). El robot (en verde) sigue el turno de mesa (en azul) con un retrasoy un pequeño pico de amplitud. La componente horizontal del movimiento de patrón que estimula las células H1 se muestra a continuación (en rojo).
   
   
   
   Figura 3: Respuestas de circuito cerrado. (A) la velocidad angular de la mesa giratoria (azul), ωp, y el robot (verde), ωr, en la frecuencia de entrada = 0,6 Hz. (B) el flujo óptico horizontal se muestra como se calcula a partir de las imágenes registradas (rojo). Lucas método piramidal Kanade (3 niveles de la pirámide) se utiliza para calcular el campo de flujo óptico entre cuadros de imagen sucesivos. Velocidad angular horizontal se calcula mediante la suma de las proyecciones de los vectores individuales en los campos de flujo en la unidad horizontal vector i. Horizontal hacia atrás para adelante el movimiento que excita a la célula H1 se conoce como PD (dirección preferida), mientras horizontal delante a atrás del movimiento que inhibe la célula H1 se conoce como ND (dirección null).
   
   
4. Las frecuencias de entrada de la señal de la vuelta de mesa, ωp, son elegidos entre 0,03-3 Hz y la señal del robot correspondiente, ωr, se registra. Ambas señales son transformadas en el dominio de la frecuencia de la transformada rápida de Fourier (ver gráfico 4) y los valores de amplitud y fase se calculan en la frecuencia de entrada.
   
   
   
   Figura 4: Respuesta de frecuencia de señales velocidad angular de la mesa giratoria, ωp, y el robot, ωr, se transforman en el dominio de la frecuencia utilizando la transformada rápida de Fourier (FFT) para calcular la amplitud y la fase de los componentes en la frecuencia de entrada.. Componentes de la fase de FFT no se muestran en la figura.
   
   
5. El diagrama de Bode de magnitud para el controlador proporcional con K _p = 1 se muestra la respuesta del sistema a través de las frecuencias de entrada a prueba (ver la figura 5-a). El rendimiento del controlador por lo general disminuye con el aumento de las frecuencias. La ganancia ligeramente mayor a 1 Hz es el resultado de las oscilaciones en la señal del robot debido al uso de una sola celda H1-cuya dinámica (de salida) rango abarca principalmente el movimiento horizontal de atrás hacia delante.
   
   
   
   Figura 5: el rendimiento del controlador proporcional. Los diagramas de Bode de magnitud y fase para el controlador proporcional (un promedio de 8 moscas), la ganancia estática Kp = 1.0 (a) el diagrama de Bode magnitud sigue aproximadamente una característica de filtro de paso bajo. La ganancia ligeramente mayor a 1 Hz es el resultado de las oscilaciones en la señal de robot, ωr, debido al uso de una sola celda H1-cuya dinámica (de salida) rango abarca principalmente el movimiento horizontal al frente. El número de oscilaciones en la señal de robot, ωr, disminuyen con el aumento de las frecuencias de entrada que lleva al aumento levemente mayor a estas frecuencias. (B) el diagrama de Bode fase es menor de 180 ° para las frecuencias de entrada ≤ 1 Hz y la inestabilidad se acerca a 3 Hz. Más allá de una cierta frecuencia de entrada, el controlador se vuelve inestable, debido a la cinemática del robot. Esta inestabilidad se produce sólo más allá del rango de respuestas conocidas óptimo del sistema de vuelo visual (Warzecha et al. 1999).
   
   
6. El diagrama de fase de Bode (véase la figura 5-b) muestra un controlador en atraso de fase menor que Π de las frecuencias de entrada <0,6 Hz. Esto muestra que el controlador es estable para las frecuencias de <0,6 Hz e inestable para las frecuencias de entrada ≥ 1 Hz.
7. El rendimiento del controlador proporcional con una estática Kp (en azul) se comparó con un controlador adaptativo (en rojo), donde se actualiza el valor de K _p cada 50 ms sobre la base de la tasa pico de punta, F _max, calculada sobre el intervalo de tiempo [l-500ms - t] (véase el gráfico 6). Como resultado de la ventana de tiempo de integración general, el controlador proporcional se comporta mejor que el controlador de adaptación para el rango del parámetro a prueba (ver figura 7-a). La ventana de tiempo de integración inicial de 500 ms fue elegido por razones técnicas relacionadas con la plataforma de robot que estamos usando. El controlador de adaptación tuvo una característica de fase similar a la del controlador proporcional (ver figura 7-b).
   
   
   
   Figura 6: Aumento de adaptación del controlador. El controlador proporcional utiliza una ganancia estática, Kp, mientras que el controlador adaptativo estima que el aumento de forma continua durante el control de lazo cerrado. La ganancia dinámica, Kp, es inversamente proporcional a la velocidad máxima de pico, Fmax, durante el intervalo de t-500ms ≤ τ ≤ t. La figura muestra tres casos en los que Fmax se estima a través del tiempo. Con base en los valores estimados de Fmax, Kp es mayor durante la ventana de tiempo 2 (verde) y menor en ventana de tiempo de 3 (naranja).
   
   
   
   Figura 7: controlador proporcional vs adaptación. Diagramas de Bode de magnitud y fase para el proporcional (Kp = 1) y el controlador de adaptación(A) las actualizaciones del controlador de adaptación el valor de Kp cada 50 ms sobre la base de la estimación máxima Fmax alza la tasa en los últimos 500 ms. La trama controlador de ganancia proporcional (azul) es mayor que la del controlador adaptativo (rojo) indicando que se está desempeñando mejor en todas las frecuencias de entrada. (B) la fase de Bode para los dos controladores son similares con una diferencia significativa en f = 0,3 Hz. Ambos controladores de aproximación inestabilidad a 3 Hz. Los valores de ganancia y fase significativamente diferentes se indican con un asterisco (método de la suma de rangos de Wilcoxon, p = 0,05).
   
   
8. El patrón de rejilla alrededor de la mesa giratoria se ha retirado y el entorno de laboratorio se utiliza como una aproximación de la información visual naturalista de la mosca de H1 de las células. En promedio, el diagrama de Bode de magnitud (ver la figura 8-a) de la entrada visual naturalista (en azul) mostraron un aumento ligeramente superior a la de entrada con reja visual (en rojo), probablemente debido a la amplia gama de frecuencias espaciales en el naturalista imágenes visuales se explota. Las características de fase de Bode para rallar vs naturalista entradas visuales fueron similares (véase la figura 8-b).
   
   
   
   Figura 8: Stripped patrón o un entorno de laboratorio. La magnitud de Bode y parcelas de fase para el controlador proporcional cuando se presenta con los patrones de pelado (rojo) vs laboratorio de medio ambiente (azul) las imágenes visuales en circuito cerrado (a) el diagrama de Bode para la magnitud en que las imágenes entorno de laboratorio se utilizan es ligeramente superior al modelo desnudo se usa (excepto en f = 0,1 Hz), que indica un mejor desempeño en dicho estímulo. (B) el diagrama de Bode fase, tanto en condiciones visuales siguen el mismo patrón, con la inestabilidad tanto se acerca a 3 Hz. Los valores de ganancia y fase significativamente diferentes se indican con un asterisco (método de la suma de rangos de Wilcoxon, p = 0,05).
   
   

Discusión

1. Volar la disección debe ser realizado con cuidado asegurándose que orientar correctamente la marcha con respecto a los monitores de ordenador.
2. La separación de los picos de la neurona H1 de las espigas de todas las otras neuronas para conseguir una buena señal a ruido que se puede utilizar para controlar el robot de forma fiable.
3. Se debe tener cuidado para evitar que el tejido nervioso que se sequen durante el transcurso del experimento.
4. Las cámaras están conectadas a los ordenadores mediante un cable Ethernet. Se debe tener cuidado para que no se sobre-herida durante el experimento, ya que ello afecta a la rotación del robot.
5. Actualmente estamos utilizando la actividad pico de una H1 para configurar una tarea de estabilización en un solo sentido de giro de orientación. Podemos añadir un segundo electrodo para obtener señales de H1 de izquierda y derecha, de modo que podemos estudiar los algoritmos de estabilización de control en ambos sentidos de giro de orientación.
6. Podemos quitar la arena que contienen las bandas de orientación vertical en blanco y negro y utilizar el entorno de laboratorio como el estímulo visual de la mosca. Esto nos permitirá estudiar el rendimiento de circuito cerrado con imágenes naturalistas.
7. El robot puede ser retirado de la mesa giratoria y se les permite moverse por el entorno de laboratorio, mientras que en el control de lazo cerrado. Esto nos permitirá investigar los algoritmos de control que participan en la prevención de colisiones.
8. Los cables de conexión de las cámaras de las computadoras se pueden eliminar mediante la implementación de un sistema de transmisión inalámbrica, que nos da una configuración de robot totalmente desbocada.
9. Las medidas de rendimiento de los algoritmos de control diferentes nos dará una comprensión de cómo las diferentes estrategias son capaces de hacer frente a las señales neuronales no estacionario y variable. Este conocimiento se puede aplicar a diferentes clínicas y no clínicas interfaces cerebro-máquina.
10. Esta instalación experimental es el primer paso hacia la grabación de las señales neuronales de comportarse animales. Nuestro objetivo es poner la mosca en el robot y el uso de su actividad neuronal de control en bucle cerrado. En tal configuración, que sería capaz de registrar la actividad neuronal de la mosca mientras se recibe la estimulación multisensorial, como resultado del movimiento del robot.
11. Registrar las señales de una célula única. En la configuración que usted debe, el celular más adecuado sería el H1 de las células. Aislar las respuestas de las neuronas H1 de otras neuronas con campos receptivos similares, por ejemplo, H2, es importante mantener una buena señal-ruido para las grabaciones neuronal. Las respuestas de los H1 y H2 las neuronas puede ser discriminado por señalar que el H2 se ha caracterizado por baja espontánea y media de la tasa de adición de la neurona H1. Las neuronas también pueden ser discriminados en base a su morfología (Krapp et al. 2001).
12. Nuestro sistema nos permite comparar la ganancia en lazo cerrado logrado por nuestra mosca-robot de interfaz en una tarea de estabilización de imagen, y para comparar su rendimiento con las ganancias optomotor circuito cerrado observado en experimentos anteriores en moscas (Bender y Dickinson 2006, Warzecha et al . 1996, Heisenberg y Wolf, 1990). Además, nos permite investigar dependientes del Estado los cambios en el procesamiento de información visual en condiciones de circuito cerrado (Chiappe et al. 2010, Maimón et al. 2010, Longden y Krapp 2009, Longden y Krapp 2010).

Materiales