K. Peterson fue apoyado por una beca de doctorado del Departamento de Bioingeniería y la financiación de los EE.UU. Laboratorios de Investigación de la Fuerza Aérea. N. Ejaz fue apoyado por una beca de doctorado de la Comisión de Educación Superior de Pakistán y la financiación de los EE.UU. Laboratorios de Investigación de la Fuerza Aérea.

1. Preparación volar <ol><li> 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. </li><li> 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. </li><li> 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. </li><li> 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. </li><li> 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. </li><li> 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. </li><li> 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. <img src="/files/ftp_upload/1677/1677fig0.jpg" alt="pseudo-alumno" /> </li><li> Use un micromanipulador para orientar correctamente la cabeza de la mosca, y luego utilizar la cera para pegar al titular. </li><li> 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. </li><li> 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. </li><li> 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. </li><li> 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. </li></ol> 2. Colocación del electrodo de registro <ol><li> 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). </li><li> 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. </li><li> 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. </li><li> 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. </li></ol> 3. La estimulación visual y Grabaciones <ol><li> 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. </li><li> 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. </li><li> 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. </li><li> 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. </li><li> 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. </li><li> 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. </li><li> 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). </li><li> 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. </li><li> 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. </li><li> 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. </li><li> 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. <img src="/files/ftp_upload/1677/1677fig1.jpg" alt="Figura 1" /> 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. </li></ol> 4. Representante de resultados y resultados <ol><li> 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. </li><li> 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. <img src="/files/ftp_upload/1677/1677fig2.jpg" alt="Figura 2" /> 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. </li><li> 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). <img src="/files/ftp_upload/1677/1677fig3.jpg" alt="Figura 3" /> 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). </li><li> 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. <img src="/files/ftp_upload/1677/1677fig4.jpg" alt="Figura 4" /> 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. </li><li> 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. <img src="/files/ftp_upload/1677/1677fig5.jpg" alt="Figura 5" /> 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). </li><li> 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 &lt;0,6 Hz. Esto muestra que el controlador es estable para las frecuencias de &lt;0,6 Hz e inestable para las frecuencias de entrada ≥ 1 Hz. </li><li> 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). <img src="/files/ftp_upload/1677/1677fig6.jpg" alt="Figura 6" /> 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). <img src="/files/ftp_upload/1677/1677fig7.jpg" alt="Figura 7" /> 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). </li><li> 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). <img src="/files/ftp_upload/1677/1677fig8.jpg" alt="Figura 8" /> 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). </li></ol>

<ol>
	<li>Chiappe, E. M., Seelig, J. D., Reiser, M. B., Jayaraman, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Walking+modulates+speed+sensitivity+in+Drosophila+motion+vision.">Walking modulates speed sensitivity in Drosophila motion vision.</a> Curr. Biol. 20, 1470-1475 (2010).</li><li>Franceschini, N., Snyder, A. W., Menzel, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Sampling+of+the+visual+environment+by+the+compound+eye+of+the+fly:+fundamentals+and+applications.">Sampling of the visual environment by the compound eye of the fly: fundamentals and applications.</a> Photoreceptor optics. , 98-125 (1975).</li><li>Karmeier, K., Tabor, R., Egelhaaf, M., Krapp, H. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Early+visual+experience+and+the+receptive-field+organization+of+optic+flow+processing+interneurons+in+the+fly+motion+pathway.">Early visual experience and the receptive-field organization of optic flow processing interneurons in the fly motion pathway.</a> Vis. Neurosci. 18, 1-8 (2001).</li><li>Krapp, H. G., Hengstenberg, B., Hengstenberg, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Dendritic+structure+and+receptive-field+organization+of+optic+flow+processing+interneurons+in+the+fly.">Dendritic structure and receptive-field organization of optic flow processing interneurons in the fly.</a> Jour. of Neurophys. 79, 1902-1917 (1998).</li><li>Krapp, H. G., Hengstenberg, R., Egelhaaf, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Binocular+contributions+to+optic+flow+processing+in+the+fly+visual+system.">Binocular contributions to optic flow processing in the fly visual system.</a> Jour. of Neurophys. 85, 724-734 (2001).</li><li>Longden, K. D., Krapp, H. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Octopaminergic+modulation+of+temporal+frequency+coding+in+an+identified+optic-flow+processing+interneuron.">Octopaminergic modulation of temporal frequency coding in an identified optic-flow processing interneuron.</a> Frontiers in Systems Neuroscience. 4, 153-153 (2010).</li><li>Bender, J. A., Dickinson, M. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+comparison+of+visual+and+haltere-mediated+feedback+in+the+control+of+body+saccades+in+Drosophila+melanogaster.">A comparison of visual and haltere-mediated feedback in the control of body saccades in Drosophila melanogaster.</a> J. Exp. Bio. 209, 4597-4606 (2006).</li><li>Longden, K. D., Krapp, H. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=State-dependent+performance+of+optic+flow-processing+interneurons.">State-dependent performance of optic flow-processing interneurons.</a> J. Neurophysiol. 102, 3606-3618 (2009).</li><li>Maimon, G., Straw, A. D., Dickinson, M. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Active+flight+increases+the+gain+of+visual+motion+processing+in.">Active flight increases the gain of visual motion processing in.</a> 13, 393-399 (2010).</li><li>Petrovitz, R., Dahmen, H., Egelhaaf, M., Krapp, H. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Arrangement+of+optical+axes+and+spatial+resolution+in+the+compound+eye+of+the+female+blowfly+Calliphora.">Arrangement of optical axes and spatial resolution in the compound eye of the female blowfly Calliphora.</a> J Comp Physiol A. 186, 737-746 (2000).</li><li>Warzecha, A. K., Horstmann, W., Egelhaaf, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Temperature-dependence+of+neuronal+performance+in+the+motion+pathway+of+the+blowfly+Calliphora+Erythrocephala.">Temperature-dependence of neuronal performance in the motion pathway of the blowfly Calliphora Erythrocephala.</a> J Exp Biology. 202, 3161-3170 (1999).</li></ol>

<ol><li> Volar la disección debe ser realizado con cuidado asegurándose que orientar correctamente la marcha con respecto a los monitores de ordenador. </li><li> 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. </li><li> Se debe tener cuidado para evitar que el tejido nervioso que se sequen durante el transcurso del experimento. </li><li> 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. </li><li> 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. </li><li> 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. </li><li> 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. </li><li> 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. </li><li> 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. </li><li> 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. </li><li> 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). </li><li> 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). </li></ol>

<ol><li> 1) de alta velocidad CRT (LG Studioworks 221U) </li><li> Cámaras de alta velocidad (Prosilica, GC640) </li><li> Robot de la plataforma (ASURO con las modificaciones de encargo) </li><li> Módem Bluetooth de serie (Bluesmirf) </li><li> Micro Step Drive (Applied Motion Systems, ST5-SI) </li><li> Motor paso a paso (Sanyo Denki, 103H6704-0140) </li><li> Electrodos de tungsteno (FH-co.com - Código del producto - UEW SHG SE 3P1M) </li><li> Amplificador extracelular (NPI EXT 10-2F) </li><li> Micromanipulador motorizados (Scientifica, PS-700-Z) </li><li> Microscopio estéreo (Leica, MZ95) </li></ol>

an experimental platform to study the closed-loop performance of brain-machine interfaces

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.

Watch this Scientific Journal Video about An Experimental Platform to Study the Closed-loop Performance of Brain-machine Interfaces at JoVE.com

An Experimental Platform to Study the Closed-loop Performance of Brain-machine Interfaces

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

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

The non-stationary nature and variability of neuronal signals is a fundamental problem in brain-machine interfacing. We developed a brain-machine ...

an-experimental-platform-to-study-closed-loop-performance-brain

Research

JoVE Journal

Neuroscience

13.6K vistas.  Imperial College London. Usamos un circuito cerrado volar-máquina para investigar los principios generales de control neuronal.

Video: An Experimental Platform to Study the Closed-loop Performance of Brain-machine Interfaces

Simultaneous Scalp Electroencephalography (EEG), Electromyography (EMG), and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding

Recent studies support the involvement of supraspinal networks in control of bipedal human walking. Part of this evidence encompasses studies, including our previous work, demonstrating that gait kinematics and limb coordination during treadmill walking can be inferred from the scalp electroencephalogram (EEG) with reasonably high decoding accuracies. These results provide impetus for development of non-invasive brain-machine-interface (BMI) systems for use in restoration and/or augmentation of gait- a primary goal of rehabilitation research. To date, studies examining EEG decoding of activity during gait have been limited to treadmill walking in a controlled environment. However, to be practically viable a BMI system must be applicable for use in everyday locomotor tasks such as over ground walking and turning. Here, we present a novel protocol for non-invasive collection of brain activity (EEG), muscle activity (electromyography (EMG)), and whole-body kinematic data (head, torso, and limb trajectories) during both treadmill and over ground walking tasks. By collecting these data in the uncontrolled environment insight can be gained regarding the feasibility of decoding unconstrained gait and surface EMG from scalp EEG.

Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding

Development of an effective brain-machine-interface (BMI) system for restoration and rehabilitation of bipedal locomotion requires accurate decoding of user's intent. Here we present a novel experimental protocol and data collection technique for simultaneous non-invasive acquisition of neural activity, muscle activity, and whole-body kinematics during various locomotion tasks and conditions.

Electroencefalografía simultánea del cuero cabelludo (EEG), electromiografía (EMG) y de todo el cuerpo de grabación inercial segmentaria para Multi-modal Neural Decodificación

Recent  studies support the involvement of supraspinal networks in control of bipedal  human walking. Part of this evidence  encompasses studies, ...

Investigación

Comportamiento

Functional Near Infrared Spectroscopy of the Sensory and Motor Brain Regions with Simultaneous Kinematic and EMG Monitoring During Motor Tasks

There are several advantages that functional near-infrared spectroscopy (fNIRS) presents in the study of the neural control of human movement. It is relatively flexible with respect to participant positioning and allows for some head movements during tasks. Additionally, it is inexpensive, light weight, and portable, with very few contraindications to its use. This presents a unique opportunity to study functional brain activity during motor tasks in individuals who are typically developing, as well as those with movement disorders, such as cerebral palsy. An additional consideration when studying movement disorders, however, is the quality of actual movements performed and the potential for additional, unintended movements. Therefore, concurrent monitoring of both blood flow changes in the brain and actual movements of the body during testing is required for appropriate interpretation of fNIRS results. Here, we show a protocol for the combination of fNIRS with muscle and kinematic monitoring during motor tasks. We explore gait, a unilateral multi-joint movement (cycling), and two unilateral single-joint movements (isolated ankle dorsiflexion, and isolated hand squeezing). The techniques presented can be useful in studying both typical and atypical motor control, and can be modified to investigate a broad range of tasks and scientific questions.

Monitoring brain activity during upright motor tasks is of great value when investigating the neural source of movement disorders. Here, we demonstrate a protocol that combines functional near infrared spectroscopy with continuous monitoring of muscle and kinematic activity during 4 types of motor tasks.

Funcional Espectroscopia de Infrarrojo Cercano de las Regiones sensoriales y motoras del cerebro con simultánea cinemática y EMG Supervisión Durante las tareas motoras

There are several advantages that functional near-infrared spectroscopy (fNIRS) presents in the study of the neural control of human movement. It is ...

Engineering Platform and Experimental Protocol for Design and Evaluation of a Neurally-controlled Powered Transfemoral Prosthesis

To enable intuitive operation of powered artificial legs, an interface between user and prosthesis that can recognize the user's movement intent is desired. A novel neural-machine interface (NMI) based on neuromuscular-mechanical fusion developed in our previous study has demonstrated a great potential to accurately identify the intended movement of transfemoral amputees. However, this interface has not yet been integrated with a powered prosthetic leg for true neural control. This study aimed to report (1) a flexible platform to implement and optimize neural control of powered lower limb prosthesis and (2) an experimental setup and protocol to evaluate neural prosthesis control on patients with lower limb amputations. First a platform based on a PC and a visual programming environment were developed to implement the prosthesis control algorithms, including NMI training algorithm, NMI online testing algorithm, and intrinsic control algorithm. To demonstrate the function of this platform, in this study the NMI based on neuromuscular-mechanical fusion was hierarchically integrated with intrinsic control of a prototypical transfemoral prosthesis. One patient with a unilateral transfemoral amputation was recruited to evaluate our implemented neural controller when performing activities, such as standing, level-ground walking, ramp ascent, and ramp descent continuously in the laboratory. A novel experimental setup and protocol were developed in order to test the new prosthesis control safely and efficiently. The presented proof-of-concept platform and experimental setup and protocol could aid the future development and application of neurally-controlled powered artificial legs.

Neural-machine interfaces (NMI) have been developed to identify the user's locomotion mode. These NMIs are potentially useful for neural control of powered artificial legs, but have not been fully demonstrated. This paper presented (1) our designed engineering platform for easy implementation and development of neural control for powered lower limb prostheses and (2) an experimental setup and protocol in a laboratory environment to evaluate neurally-controlled artificial legs on patients with lower limb amputations safely and efficiently.

Plataforma Ingeniería y Protocolo Experimental para el Diseño y Evaluación de una controlada por Neuralmente Powered transfemoral de prótesis

To enable intuitive operation of powered artificial legs, an interface between user and prosthesis that can recognize the user's movement intent is ...

Bioingeniería

Recording Human Electrocorticographic (ECoG) Signals for Neuroscientific Research and Real-time Functional Cortical Mapping

Neuroimaging studies of human cognitive, sensory, and motor processes are usually based on noninvasive techniques such as electroencephalography (EEG), magnetoencephalography or functional magnetic-resonance imaging. These techniques have either inherently low temporal or low spatial resolution, and suffer from low signal-to-noise ratio and/or poor high-frequency sensitivity. Thus, they are suboptimal for exploring the short-lived spatio-temporal dynamics of many of the underlying brain processes. In contrast, the invasive technique of electrocorticography (ECoG) provides brain signals that have an exceptionally high signal-to-noise ratio, less susceptibility to artifacts than EEG, and a high spatial and temporal resolution (i.e., &lt;1 cm/&lt;1 millisecond, respectively). ECoG involves measurement of electrical brain signals using electrodes that are implanted subdurally on the surface of the brain. Recent studies have shown that ECoG amplitudes in certain frequency bands carry substantial information about task-related activity, such as motor execution and planning1, auditory processing2 and visual-spatial attention3. Most of this information is captured in the high gamma range (around 70-110 Hz). Thus, gamma activity has been proposed as a robust and general indicator of local cortical function1-5. ECoG can also reveal functional connectivity and resolve finer task-related spatial-temporal dynamics, thereby advancing our understanding of large-scale cortical processes. It has especially proven useful for advancing brain-computer interfacing (BCI) technology for decoding a user's intentions to enhance or improve communication6 and control7. Nevertheless, human ECoG data are often hard to obtain because of the risks and limitations of the invasive procedures involved, and the need to record within the constraints of clinical settings. Still, clinical monitoring to localize epileptic foci offers a unique and valuable opportunity to collect human ECoG data. We describe our methods for collecting recording ECoG, and demonstrate how to use these signals for important real-time applications such as clinical mapping and brain-computer interfacing. Our example uses the BCI2000 software platform8,9 and the SIGFRIED10 method, an application for real-time mapping of brain functions. This procedure yields information that clinicians can subsequently use to guide the complex and laborious process of functional mapping by electrical stimulation.
Prerequisites and Planning:
Patients with drug-resistant partial epilepsy may be candidates for resective surgery of an epileptic focus to minimize the frequency of seizures. Prior to resection, the patients undergo monitoring using subdural electrodes for two purposes: first, to localize the epileptic focus, and second, to identify nearby critical brain areas (i.e., eloquent cortex) where resection could result in long-term functional deficits. To implant electrodes, a craniotomy is performed to open the skull. Then, electrode grids and/or strips are placed on the cortex, usually beneath the dura. A typical grid has a set of 8 x 8 platinum-iridium electrodes of 4 mm diameter (2.3 mm exposed surface) embedded in silicon with an inter-electrode distance of 1cm. A strip typically contains 4 or 6 such electrodes in a single line. The locations for these grids/strips are planned by a team of neurologists and neurosurgeons, and are based on previous EEG monitoring, on a structural MRI of the patient's brain, and on relevant factors of the patient's history. Continuous recording over a period of 5-12 days serves to localize epileptic foci, and electrical stimulation via the implanted electrodes allows clinicians to map eloquent cortex. At the end of the monitoring period, explantation of the electrodes and therapeutic resection are performed together in one procedure.
In addition to its primary clinical purpose, invasive monitoring also provides a unique opportunity to acquire human ECoG data for neuroscientific research. The decision to include a prospective patient in the research is based on the planned location of their electrodes, on the patient's performance scores on neuropsychological assessments, and on their informed consent, which is predicated on their understanding that participation in research is optional and is not related to their treatment. As with all research involving human subjects, the research protocol must be approved by the hospital's institutional review board. The decision to perform individual experimental tasks is made day-by-day, and is contingent on the patient's endurance and willingness to participate. Some or all of the experiments may be prevented by problems with the clinical state of the patient, such as post-operative facial swelling, temporary aphasia, frequent seizures, post-ictal fatigue and confusion, and more general pain or discomfort.
At the Epilepsy Monitoring Unit at Albany Medical Center in Albany, New York, clinical monitoring is implemented around the clock using a 192-channel Nihon-Kohden Neurofax monitoring system. Research recordings are made in collaboration with the Wadsworth Center of the New York State Department of Health in Albany. Signals from the ECoG electrodes are fed simultaneously to the research and the clinical systems via splitter connectors. To ensure that the clinical and research systems do not interfere with each other, the two systems typically use separate grounds. In fact, an epidural strip of electrodes is sometimes implanted to provide a ground for the clinical system. Whether research or clinical recording system, the grounding electrode is chosen to be distant from the predicted epileptic focus and from cortical areas of interest for the research. Our research system consists of eight synchronized 16-channel g.USBamp amplifier/digitizer units (g.tec, Graz, Austria). These were chosen because they are safety-rated and FDA-approved for invasive recordings, they have a very low noise-floor in the high-frequency range in which the signals of interest are found, and they come with an SDK that allows them to be integrated with custom-written research software. In order to capture the high-gamma signal accurately, we acquire signals at 1200Hz sampling rate-considerably higher than that of the typical EEG experiment or that of many clinical monitoring systems. A built-in low-pass filter automatically prevents aliasing of signals higher than the digitizer can capture. The patient's eye gaze is tracked using a monitor with a built-in Tobii T-60 eye-tracking system (Tobii Tech., Stockholm, Sweden). Additional accessories such as joystick, bluetooth Wiimote (Nintendo Co.), data-glove (5th Dimension Technologies), keyboard, microphone, headphones, or video camera are connected depending on the requirements of the particular experiment.
Data collection, stimulus presentation, synchronization with the different input/output accessories, and real-time analysis and visualization are accomplished using our BCI2000 software8,9. BCI2000 is a freely available general-purpose software system for real-time biosignal data acquisition, processing and feedback. It includes an array of pre-built modules that can be flexibly configured for many different purposes, and that can be extended by researchers' own code in C++, MATLAB or Python. BCI2000 consists of four modules that communicate with each other via a network-capable protocol: a Source module that handles the acquisition of brain signals from one of 19 different hardware systems from different manufacturers; a Signal Processing module that extracts relevant ECoG features and translates them into output signals; an Application module that delivers stimuli and feedback to the subject; and the Operator module that provides a graphical interface to the investigator.
A number of different experiments may be conducted with any given patient. The priority of experiments will be determined by the location of the particular patient's electrodes. However, we usually begin our experimentation using the SIGFRIED (SIGnal modeling For Realtime Identification and Event Detection) mapping method, which detects and displays significant task-related activity in real time. The resulting functional map allows us to further tailor subsequent experimental protocols and may also prove as a useful starting point for traditional mapping by electrocortical stimulation (ECS).
Although ECS mapping remains the gold standard for predicting the clinical outcome of resection, the process of ECS mapping is time consuming and also has other problems, such as after-discharges or seizures. Thus, a passive functional mapping technique may prove valuable in providing an initial estimate of the locus of eloquent cortex, which may then be confirmed and refined by ECS. The results from our passive SIGFRIED mapping technique have been shown to exhibit substantial concurrence with the results derived using ECS mapping10.
The protocol described in this paper establishes a general methodology for gathering human ECoG data, before proceeding to illustrate how experiments can be initiated using the BCI2000 software platform. Finally, as a specific example, we describe how to perform passive functional mapping using the BCI2000-based SIGFRIED system.

Recording Human Electrocorticographic ECoG Signals for Neuroscientific Research and Real-time Functional Cortical Mapping

We present a method for collecting electrocorticographic signals for research purposes from humans who are undergoing invasive epilepsy monitoring. We show how to use the BCI2000 software platform for data collection, signal processing and stimulus presentation. Specifically, we demonstrate SIGFRIED, a BCI2000-based tool for real-time functional brain mapping.

Grabación electrocorticográfica Humanos (ECoG) Las señales de la investigación neurocientífica y en tiempo real el mapeo cortical funcional

Neuroimaging studies of human cognitive, sensory, and motor processes are usually based on noninvasive techniques such as electroencephalography (EEG), ...

Neurociencias

Real-Time Proxy-Control of Re-Parameterized Peripheral Signals using a Close-Loop Interface

The fields that develop methods for sensory substitution and sensory augmentation have aimed to control external goals using signals from the central nervous systems (CNS). Less frequent however, are protocols that update external signals self-generated by interactive bodies in motion. There is a paucity of methods that combine the body-heart-brain biorhythms of one moving agent to steer those of another moving agent during dyadic exchange. Part of the challenge to accomplish such a feat has been the complexity of the setup using multimodal bio-signals with different physical units, disparate time scales and variable sampling frequencies.
In recent years, the advent of wearable bio-sensors that can non-invasively harness multiple signals in tandem, has opened the possibility to re-parameterize and update the peripheral signals of interacting dyads, in addition to improving brain- and/or body-machine interfaces. Here we present a co-adaptive interface that updates efferent somatic-motor output (including kinematics and heart rate) using biosensors; parameterizes the stochastic bio-signals, sonifies this output, and feeds it back in re-parameterized form as visuo/audio-kinesthetic reafferent input. We illustrate the methods using two types of interactions, one involving two humans and another involving a human and its avatar interacting in near real time. We discuss the new methods in the context of possible new ways to measure the influences of external input on internal somatic-sensory-motor control.

We present protocols and methods of analyses to build co-adaptive interfaces that stream, parameterize, analyze, and modify human body and heart signals in close-loop. This setup interfaces signals derived from the peripheral and central nervous systems of the person with external sensory inputs to help track biophysical change.

Control de proxy en tiempo real de señales periféricas re-parametrizadas utilizando una interfaz de bucle cercano

The fields that develop methods for sensory substitution and sensory augmentation have aimed to control external goals using signals from the central ...

Closed-loop Neuro-robotic Experiments to Test Computational Properties of Neuronal Networks

Information coding in the Central Nervous System (CNS) remains unexplored. There is mounting evidence that, even at a very low level, the representation of a given stimulus might be dependent on context and history. If this is actually the case, bi-directional interactions between the brain (or if need be a reduced model of it) and sensory-motor system can shed a light on how encoding and decoding of information is performed. Here an experimental system is introduced and described in which the activity of a neuronal element (i.e., a network of neurons extracted from embryonic mammalian hippocampi) is given context and used to control the movement of an artificial agent, while environmental information is fed back to the culture as a sequence of electrical stimuli. This architecture allows a quick selection of diverse encoding, decoding, and learning algorithms to test different hypotheses on the computational properties of neuronal networks.

In this paper, an experimental framework to perform closed-loop experiments is presented, in which information processing (i.e., coding and decoding) and learning of neuronal assemblies are studied during the continuous interaction with a robotic body.

Experimentos Neuro-robótica de circuito cerrado para comprobar propiedades computacionales de Redes Neuronales

Information coding in the Central Nervous System (CNS) remains unexplored. There is mounting evidence that, even at a very low level, the representation ...

A Single-Channel and Non-Invasive Wearable Brain-Computer Interface for Industry and Healthcare

The present work focuses on how to build a wearable brain-computer interface (BCI). BCIs are a novel means of human-computer interaction that relies on direct measurements of brain signals to assist both people with disabilities and those who are able-bodied. Application examples include robotic control, industrial inspection, and neurorehabilitation. Notably, recent studies have shown that steady-state visually evoked potentials (SSVEPs) are particularly suited for communication and control applications, and efforts are currently being made to bring BCI technology into daily life. To achieve this aim, the final system must rely on wearable, portable, and low-cost instrumentation. In exploiting SSVEPs, a flickering visual stimulus with fixed frequencies is required. Thus, in considering daily-life constraints, the possibility to provide visual stimuli by means of smart glasses was explored in this study. Moreover, to detect the elicited potentials, a commercial device for electroencephalography (EEG) was considered. This consists of a single differential channel with dry electrodes (no conductive gel), thus achieving the utmost wearability and portability. In such a BCI, the user can interact with the smart glasses by merely staring at icons appearing on the display. Upon this simple principle, a user-friendly, low-cost BCI was built by integrating extended reality (XR) glasses with a commercially available EEG device. The functionality of this wearable XR-BCI was examined with an experimental campaign involving 20 subjects. The classification accuracy was between 80%-95% on average depending on the stimulation time. Given these results, the system can be used as a human-machine interface for industrial inspection but also for rehabilitation in ADHD and autism.

This paper discusses how to build a brain-computer interface by relying on consumer-grade equipment and steady-state visually evoked potentials. For this, a single-channel electroencephalograph exploiting dry electrodes was integrated with augmented reality glasses for stimuli presentation and output data visualization. The final system was non-invasive, wearable, and portable.

Una interfaz cerebro-computadora portátil de un solo canal y no invasiva para la industria y la atención médica

The present work focuses on how to build a wearable brain-computer interface (BCI). BCIs are a novel means of human-computer interaction that relies on ...

Ingeniería

Assessment and Communication for People with Disorders of Consciousness

In this experiment, we demonstrate a suite of hybrid Brain-Computer Interface (BCI)-based paradigms that are designed for two applications: assessing the level of consciousness of people unable to provide motor response and, in a second stage, establishing a communication channel for these people that enables them to answer questions with either &#39;yes&#39; or &#39;no&#39;. The suite of paradigms is designed to test basic responses in the first step and to continue to more comprehensive tasks if the first tests are successful. The latter tasks require more cognitive functions, but they could provide communication, which is not possible with the basic tests. All assessment tests produce accuracy plots that show whether the algorithms were able to detect the patient&#39;s brain&#39;s response to the given tasks. If the accuracy level is beyond the significance level, we assume that the subject understood the task and was able to follow the sequence of commands presented via earphones to the subject. The tasks require users to concentrate on certain stimuli or to imagine moving either the left or right hand. All tasks are designed around the assumption that the user is unable to use the visual modality, and thus, all stimuli presented to the user (including instructions, cues, and feedback) are auditory or tactile.

With this experiment, one might be able to detect consciousness in people with disorders of consciousness. Furthermore, the approach can create a simple communication channel that enables people to give simple YES/NO answers to questions.

Evaluación y comunicación para las personas con trastornos de la conciencia

In this experiment, we demonstrate a suite of hybrid Brain-Computer Interface (BCI)-based paradigms that are designed for two applications: assessing the ...

Rodent Behavioral Testing to Assess Functional Deficits Caused by Microelectrode Implantation in the Rat Motor Cortex

Medical devices implanted in the brain hold tremendous potential. As part of a Brain Machine Interface (BMI) system, intracortical microelectrodes demonstrate the ability to record action potentials from individual or small groups of neurons. Such recorded signals have successfully been used to allow patients to interface with or control&#160;computers, robotic limbs, and their own limbs. However, previous animal studies have shown that a microelectrode implantation in the brain not only damages the surrounding tissue but can also result in functional deficits. Here, we discuss a series of behavioral tests to quantify potential motor impairments following the implantation of intracortical microelectrodes into the motor cortex of a rat. The methods for open field grid, ladder crossing, and grip strength testing provide valuable information regarding the potential complications resulting from a microelectrode implantation. The results of the behavioral testing are correlated with endpoint histology, providing additional information on the pathological outcomes and impacts of this procedure on the adjacent tissue.

We have shown that a microelectrode implantation in the motor cortex of rats causes immediate and lasting motor deficits. The methods proposed herein outline a microelectrode implantation surgery and three rodent behavioral tasks to elucidate potential changes in the fine or gross motor function due to implantation-caused damage to the motor cortex.

Comportamiento pruebas para evaluar el déficit funcional causado por la implantación de microelectrodos en la corteza de Motor rata roedor

Medical devices implanted in the brain hold tremendous potential. As part of a Brain Machine Interface (BMI) system, intracortical microelectrodes ...

WheelCon: A Wheel Control-Based Gaming Platform for Studying Human Sensorimotor Control

Feedback control theory has been extensively implemented to theoretically model human sensorimotor control. However, experimental platforms capable of manipulating important components of multiple feedback loops lack development. This paper describes WheelCon, an open-source platform aimed at resolving such insufficiencies. Using only a computer, a standard display, and inexpensive gaming steering wheel equipped with a force feedback motor, WheelCon safely simulates the canonical sensorimotor task of riding a mountain bike down a steep, twisting, bumpy trail. The platform provides flexibility, as will be demonstrated in the demos provided, so that researchers may manipulate the disturbances, delay, and quantization (data rate) in the layered feedback loops, including a high-level advanced plan layer and a low-level delayed reflex layer. In this paper, we illustrate WheelCon&#39;s graphical user interface (GUI), the input and output of existing demos, and how to design new games. In addition, we present the basic feedback model and the experimental results from the demo games, which align well with the model&#39;s prediction. The WheelCon platform can be downloaded at https://github.com/Doyle-Lab/WheelCon. In short, the platform is featured to be cheap, simple to use, and flexible to program for effective sensorimotor neuroscience research and control engineering education.

WheelCon is a novel, free and open-source platform to design video games that noninvasively simulates mountain biking down a steep, twisting, bumpy trail. It contains components presenting in human sensorimotor control (delay, quantization, noise, disturbance, and multiple feedback loops) and allows researchers to study the layered architecture in sensorimotor control.

WheelCon: Una plataforma de juego basada en el control de ruedas para estudiar el control del sensor humano

Feedback control theory has been extensively implemented to theoretically model human sensorimotor control. However, experimental platforms capable of ...