閉ループ神経のロボット実験は、神経回路網の計算特性を試験すること

要約

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.

要約

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.

概要

脳機能の多くの機能は、現在、人工的なシステムで複製することは不可能である。応答して、すぐに複雑な感覚情報を処理し、生成する脳の能力は、正確な運動指令は、既に現在の最新技術を超えてそれ​​自体である。しかし、過去の経験から学習することで、さまざまな条件に適応する能力は、人間が開発した制御システムへのそれはそう非常に優れます。これまでのところ、この可塑性を複製したり、悪用する試みはほとんど成功を満たしている、と脳の内部の仕組みの理解は、研究者の把握の目を逃れている。主な問題の一つは、脳と行動との関係を調査することは、適切に、システム内のすべての変数へのアクセスが不可能であるが：理想的には、最適な実験は、多数のニューロンへの同時記録及び刺激を可能にする、長期安定性シナプスの位置と重みの、監視、および制御可能な双方向のdirectio環境との相互作用NAL。同時に2つの非常に異なるスケールで脳行動の関係の研究につながったすべてのこれらの変数を追跡するのが困難：振る舞う動物と、実験条件^1-7オーバーのない細かい制御を備えた、またはそのようなの一部のような小さな、孤立した部品、とのいずれかシステム⁸の無い全体図と神経組織、。後者のケースでは、実験のセットアップでも、単純なニューラルネットワークの働きに関与するすべてのパラメータの完全な監視を可能にする、優れたトレードオフが微小電極アレイ（MEAの^）9上に成長解離ニューロンによって提供されて考案している間。 70の¹⁰の終わりに生まれたデバイスは、従来の電気生理学法に比べていくつかの利点を有する：第一に、記録の可能性と、一度（通常60電極）における多くの異なる場所でのニューラルネットワークを刺激する。さらに、細胞を用いたMEAの結合はほとんど非侵襲的である、数ヶ月¹¹までの長期間、同じネットワークの観察を可能にする。解離した培養物に対する電気刺激の生理学的効果は広範囲にアーキテクチャの損失にもかかわらず、保存されている多くのプロパティ（たとえば、可塑性のために、などと単純なメモリが^12〜14を処理する）は、より高いスケールで観察していることを明らかにし、それらのデバイスのおかげで研究されている。培養増殖中に、これらのネットワークは、in ^{vitro（DIV）15,16}で約7日での自発的な活性を示す開始。ネットワークアクティビティ、さらなる成長を根本的に変化する傾向がある。ファーストシングルのスパイクは、ネットワークの成熟した状態を表す^{、18バースト}同期化された、非周期的なネットワークの高度に複雑なパターンに変更し、後でとして^、17（第二週の終わりに向かって）バーストに集まるように。これは^、19示唆されているin vivoでの記録で観察されるものと多少類似し、この同期動作、眠っている動物イングスは、感覚入力の不足が原因で発生します。

別のアプローチは、異なるタイプの信号を神経回路網自体^11,20-23の刺激を制御するために使用された閉ループの実験を行うことにより、撮影された情報の符号化をよりよく理解することを試みた。これらの実験では、環境との相互作用が可能な外部エージェントは、次に、エフェクター機構に運動指令を生成し、ニューラルネットワークに供給される感覚情報を生成するために使用されている。これは、神経系の動的及び適応特性は、環境内の誘導された変化に応じてどのように進化したかの観察を可能にした。

実行するためのセットアップは、車輪付きセンサープラットフォーム（物理ロボットまたはその仮想モデル）が舞台で約移動し、その速度プロファイルは、ニューロンの活動によって決定される、開発された実験「神経生理学を具現化」システム（ すなわち 、ラットのニューロンの集団がMEAの上で培養）。ロボットは、その2つの独立して制御された車輪の速度プロファイルにより、距離センサの現在値によって特徴付けられる。距離センサの正確な性質は関係ありません。それらは、光学センサ又は超音波センサ、能動的または受動的であってもよい。明らかに、この問題は、センサーは、任意の所望の機能を用いて設計することが可能な、仮想ロボットの場合には適用されません。

本明細書に記載した実験では、使用されるロボットは6距離センサは両方向に向かうロボットから30°、60°、90°を指して、常に仮想の実装である。 3左右のセンサの活性が平均化され、生物学的培養物の活性は、単に残りの「左」と「右」センサーと呼ばれるような「スーパーセンサー」（収集した情報によって駆動される。この作品の）。プロト記載colは実際にかなりの微調整との物理的なロボットに適用することができる。ロボット（物理または仮想）によって収集された情報は、物理的にロボットによって分離されている生物学的な神経回路網の活性を操作するために使用される一連の刺激で符号化される。の刺激自体はすべて同一であり、したがって、任意の情報をコーディングしない。どのような関連することは、それらの周波数である：刺激速度が増加するロボットが異なる送達部位がロボットの左右の目」からの感覚情報を符号化するとともに、障害物に接近したとき。ニューラルネットワークは、刺激の入ってくる列車に異なる応答を紹介します：復号アルゴリズムのタスクは、ロボットの車輪を制御するために使用するコマンドに生じたネットワーク活動を翻訳することです。 （ すなわち 、信頼性が高く、全く別の電極から刺激に対する応答を区切り付き）「完璧な」ネットワークの挙動を考えると、これはresulだろう障害物を押すことなく、その舞台でロボット駆動中のT。ほとんどのネットワークは、したがって、単純な学習プロトコルが導入され、理想とは大きく異なる振る舞いを提示：活性化されると、テタヌス刺激（高頻度刺激の簡単な呪文、2秒間20 Hzの刺激は^、24,25に記載されているプロトコルを触発さ）以下障害物との衝突が配信されます。ネットワークの接続のローカル強化におけるテタヌス刺激をもたらす場合、これは、ロボットのナビゲーション機能の漸進的増加をもたらすであろう。

^{HyBrainWare2、26}に掲載さカスタムソフトウェアの改良版では、システム（刺激、データ収集、処理及び視覚化、ロボット通信又はシミュレーション）の異なるデバイスの制御を処理するために開発されたコア·アーキテクチャである。このソフトウェアは、私たちの研究室で開発され、リクエストに応じて自由に利用可能ですされています。このソフトウェアは、とのインタフェースを提供しますデータ収集ボードは、ユーザがGUIからのデータ取得を開始すると、ソフトウェアは、サンプリングおよび記録電極からのデータのA / D変換を開始するために収集ボードを制御する。このデータは、ユーザにより設定されたオプションに応じて、記録された画面またはスパイクを検出するためにリアルタイムで分析するために表示することができる（詳細については、手順を参照）。さらに、ソフトウェア内で、（電気刺激に感覚情報の翻訳）をコードの定義および復号化（ロボットの運動指令に記録活動の翻訳）のアルゴリズムを指定する必要があります。すべての記録された情報は、自動的に互換性のある形式で保存されている間、特に、私たちのセットアップは、右の実際の実験を開始する前にほぼすべての変数は、ユーザがアクセスすることができるので、過去²⁷で設計同様のシステムに比べて比較的ユーザーフレンドリーである神経データ分析ツールボックス^28。

以下の手順セクションでは、解離したラット海馬培養物に対する学習実験について説明します。すべての培養および実験パラメータは、この特定の準備のために提供され、異なる生物学的基材を使用する場合は変更する必要があります。同様に、記載された実験は、テタヌス刺激の学習効果を調査するために、閉ループ·アーキテクチャを活用するが、アーキテクチャ自体が解離し、ニューラルネットワークの異なる特徴の研究で使用されるのに十分に柔軟である。提案された実験の主な変異体は、さらなる議論のセクションで説明されています。

プロトコル

MEA上の神経培養の調製

1. ^29に記載されるように、MEAチップにニューロン培養プレート。同様の手順の説明は^、9を提供し、ディスカッションセクションにあります。
2. 37℃に温度調節器の設定温度を目標とMEA自体（ほとんどの商用に設けられた下熱板をオン：細胞が経験する熱応力を最小限にするために記録を開始する前に5〜10分間でMEA加熱システムを回しMEAシステム）と、利用可能な場合、有意に蒸発を減少させるために加熱されたカバー。
3. 湿った熱（30分、130℃）でオートクレーブ内の各使用の前にガス透過性キャップを滅菌する。蒸発を避けるおよび浸透圧の変化を防止するために、記録中のキャップで覆われた文化を保つ。
4. 実際に録音を開始する前に、アンプ30分でニューロンの文化を置きます。
   注：単にincから文化を移動するアンプへのubatorが大幅に約半分の時間の自発的活性を破壊します。この間、培地の温度が安定する。
5. carbair回路が利用可能な場合は、より長い数時間以上の実験のためにcarbair（混合物を5％CO ₂および95％O ₂ + N _2）の循環を開始する：培養物は、両方の酸素およびpHレベルを維持するために、それを必要とする安定した。

MEA取得のための記録パラメータの2.選択

1. スパイク（ すなわち 、マルチユニット活動- MUA）を検出するためにソフトウェアフィルタの帯域幅を選択して^30を ：RawDataDisplayフォームで「300 HZ-3 kHzの」チェックボックスをオンにします。
2. データの取得を開始します。RawDataDisplayフォームで「スタート」ボタンを押してください。
3. 7へRawDataDisplayにおけるスパイク検出に設定されたしきい値利得。
   注：検出所望の特異性/選択性のトレードオフにし、採択に応じて、イオンアルゴリズムは、この閾値は6と10回計算標準偏差の間に設定することができる。
4. 2秒に閾値メモリを設定しないスパイク活動がディスプレイに表示されていないとき（両方のコマンドはRawDataDisplay形態である）「ロック」ボタンを押してください。マークは、「中央値からのSDを推定'が活動をスパイクすることなく、短時間であっても窓を提供することは困難である場合には、観測信号^31,32の絶対値の中央値からのノイズの標準偏差を計算する。基本となるアルゴリズムは計算量が多いとPCが遅れるすることがありますように、「ロック」ボタンを押した後、このオプションのチェックを外します。
5. スパイク検出ルーチン（RawDataDisplay形式で「スパイクの検出」チェックボックス）をオンにします。スパイク検出が既に（ すなわち 、チェックボックスが既にマークされている）を実行している場合、廃棄スパイクは、データ記録形式でボタンを「リセット」をクリックすると、この瞬間まで検出。

神経培養および応答地図計算を刺激するために、MEA電極の3の選択

1. 30分間のMEAの上に培養神経細胞の記録自発活動：所望の時間が経過した後、データ記録フォームの「スパイク」のボックスに、「録音」ボタンをクリックしてファイルにデータを保存する（30分、この場合）。
2. 所望の領域の上にマウスカーソルをドラッグして（どちらコーディング、デコーディングまたは接続マップの形で）MEAのレイアウトのいずれかでこれらのチャネルを選択し、10最もアクティブなチャンネル（最高スパイクカウントを有するすなわち、10チャネル）を特定します。チャンネルを選択したら、右のMEAのレイアウト上の任意の場所をクリックし、ポップアップメニューで「左感覚野に追加」を選択：これらの電極は、ステップ3.5で電気刺激を送達するために使用されます。
3. 刺激装置とMEAアンプが正しく接続されていることを確認します。すべての設定をのrequ余分な同軸ケーブルは、同期信号を搬送するために必要とされる一方（接続図のための具体的な機器のマニュアルを参照してください）​​、所望の刺激チャンネル当たり2線をIRE。刺激装置をオンにして続行。
4. 接続マップ形式の刺激パラメータを定義します。文化に配信されるすべての刺激は、二相性の正方形の電圧波である。 1.5 V pp _の ³³に300秒に半持続時間と振幅を設定します。
   注：刺激は確実に神経応答を呼び起こすのに十分な大き可能性が非常に高い、同じサイトからの活動の記録が漏洩する危険性があります。紙の残りの部分では、刺激の送達のために使用される電極は、関連する情報を記録するために選択されるべきではない。
5. 刺激にレコードの応答：ConnectionMapの形でスタートボタンを押してください。応答が記録されている間5秒の間隔で30一連の刺激は、次に、自動的に、選択された電極の各々に配信される残りの59の電極からエド。
6. 任意の数学ソフトウェアまたはSpyCode介して各刺激チャネル、過去に開発されたアプリケーション（および自由に利用するための接続マップ（別の電極からの刺激の送達後のタイムスロット内の電極からの応答を観察する、すなわち、確率）を計算するリクエストに応じて）、神経データ²⁸上の計算を実行する。
7. 接続マップから、最高の電極を選択します（金額は自然発火時よりも有意に高くはない発射、 すなわち刺激後の時間ウィンドウ内で）応答を惹起しなかったすべての刺激電極を捨てる。
   1. 、残りの電極の間で、応答の少なくともoverleapとペアを選択します。具体的には、各刺激電極に、その後、各記録電極の平均スパイク数を計算し、すべての刺激電極ペアの対応する電極との間の差を計算する。 whicためのカップルを選択hは、全ての記録チャネル上の応答の差の絶対値の和が最大となる。
8. 右クリックしてMEAレイアウト上、これを行うために、一方の電極の上にマウスカーソルをドラッグして選択し、右側からの読み取り値を符号化するために、ロボットの左側および他の感覚情報を符号化するために、これらの電極のいずれかを選択する「感覚の領域を左に追加」（または「右感覚野に追加 '）。

4.ロボットと神経培養のインタフェース：符号化および復号化スキームの選択

1. リニアにコーディング形式で '種類のコーディング」に設定します。
2. コー​​ディング形式の最小値と最大刺激率を定義します。 0.5〜2ヘルツのデフォルトの範囲を使用してください。
3. 0にコーディング形での「ジッタ」パラメータを設定します。
4. 適度に活発な文化のために、1にデコードフォーム（重量や吸光係数）の復号アルゴリズムのパラメータを設定します（channあたり〜1スパイク/秒EL）。発火率が強く、常にこの値から逸脱した場合、新しいパラメータペアを定義します。復号化パラメータの正確な機能のための議論を参照してください。
5. デコードフォームでの復号化アルゴリズムバーストパラメータを設定します。スパイクとバースト間の区別は研究の対象でない限り、0に設定された重み、（減衰時間はその後無関係です）。
   注：ステップ4.4で提案されている値は、適度にアクティブなラット初代培養のためのロボットの反応時間と互換性のあるなめらかなロボットの動きやスピードを生成します。バーストパラメータは、ステップ4.4で説明したものと全く同じ機能を持っていますが、トリガイベントではなく、スパイクのバーストを検出することである：各車輪の実際の速度は簡単に検出スパイクやバーストの寄与の合計である。

ロボットのナビゲーションアリーナ5.デザイン

1. 仮想アリーナDesignerフォームでは、競技場の境界がロボットと私には見えている（有界のどちらかを選択mpassable）または無限（アリーナの片側からロボットが終了した場合、それは即座に反対1）アリーナから再入力し、ピクセル単位でアリーナサイズを設定します。
   1. 重要な移動を可能にするために、100×100ピクセルよりも小さい有界アリーナを、使用しないでください。彼らは単にロボットの視線の間に入ることができますように5ピクセルよりも小さい半径の障害物を使用しないでください。
   2. 大アリーナが必要な場合は、目的のアリーナとテストソフトウェアのパフォーマンスをハード·ツー·リピートの実験を開始する前に：非常に大規模なアリーナのサイズがコンピュータのパフォーマンスが低下する原因になる場合があることに留意してください。
2. 手動で位置のいずれかを開始するロボットを設定するか、フィールドの開始位置をロボット」で起動実験でのロボットの座標を指定することで、（仮想アリーナDesignerフォーム、その後所望の位置に「マニュアル選択」ボタンをクリックします）。
3. アリーナ内の通行の障害の任意の数を追加します。どちらか彼らに人を配置しますuallyアリーナで「手動による障害物を追加]ボタンまたはセット数や大きさの範囲をクリックした後。
4. 選択した機能を持つアリーナを生成するために、「アリーナの生成」ボタンをクリックします。このボタンが押されるまで、変更は発生しません。
5. 設計されたアリーナを保存し、仮想アリーナDesignerフォームの下部にコマンドボタンと、実験で使用する前に、相対的なファイルをロードします。

文化から録音する神経活動にMEA電極の6セレクション

1. ステップ3.8でどの異なる応答に関するものなど、一時的な記録電極を、選択して、観察されている：「左」を構成する「左」（または「右」）電極からの刺激後に大きな反応を示したの電極（または「右」）記録電極。ロボットを制御するために刺激電極のいずれかに有意な応答を示さなかった電極を使用しないでください。 FMEAのレイアウトポップアップメニューは、「左運動野に追加」を選択ROMが記録電極を定義するために（または「右の運動野に追加 '）。
2. 実験マネージャの形で記録する機能を選択します。この段階では、スパイクと刺激タイムスタンプが関連情報のみです。
3. 10分のテストドライブを実行します。10分が経過した後、再度それをクリックし、実験Managerフォームでスタート実験]ボタンをクリックして、ロボットの実行を開始します。
   注：すべてのパラメータが設定されていると（符号化および復号化、ロボットアリーナ、刺激と記録電極、レコードに備えて）、ファイル名の選択が、その後ロボットがその舞台で移動を開始します、記録されたファイル名と送信先を求めます定義されたルールに従う。選択したすべての機能が自動的にリアルタイムで保存されます。
4. 繰り返しますが、実際のロボットの実行中に収集したデータから記録電極を選択するために、ステップ6.3で取得したデータに3.6と6.1のステップ（Discussioを見るnは、この二段階アプローチの理論的根拠のために）。

ニューロ·ロボット実験を行うこと7.

1. 実験マネージャで選択して記録するデータを形成する：スパイク、ロボットと刺激データのチェックボックスをマークします。
2. 事前学習ロボットの実行を起動します：実験Managerフォームで「実験を開始」ボタンをクリックします。プロンプトが表示されたら、データファイルの新しいファイル名を選択します。 30分経過したら、ロボットの実行を停止するには、もう一度「実験を開始」ボタンをクリックします。
3. （実験Managerフォームで「ヒットした後テタヌス刺激を配信」チェックボックスにマークを付ける）学習プロトコルに切り替え、事前訓練段階（ すなわち 、30分）と同じ長さの、トレーニングロボットの実行を行う。ステップ7.2からデータを上書きしないように求められたら、入力異なるファイル名を忘れないでください。
4. 「ヒットした後テタヌス刺激を配信」チェックボックスマーク解除（再学習プロトコルをオフにします）とポスト学習ロボットの実行を行う。もう一度、上書きを防ぐために、ファイル名を変更することを忘れないでください。

8.秒の応答地図計算

1. 繰り返して3.1から3.6を繰り返します。すべての変更は、学習プロトコルのいずれかによって自発的または誘発活動パターンに誘導されたかどうかをテストするためにこれらの記録からのデータを使用してください。

結果

開発された実験的なフレームワークは、神経細胞の培養および物理ロボットの仮想の実現の間で情報の交換が可能かどうかの検査を可能にした^34。 図1は、異なる条件で20分間の実験で仮想ロボットが移動した得られた経路のいくつかのサンプルを示している：適切な閉ループ実験、「空のMEA」ロボット実験（細胞がこの対照実験のためにMEA上に播種されていない）と、開ループロボット実験（刺激速度ではなく、センサ情報を符号化する定数である）左から右への表されます。代表的なトレースは、ニューロンと人工要素との間の双方向の相互作用は、ロボットの良好なナビゲーション性能を得るために必要であることを確認する。それにもかかわらず、ロボットが障害物に対して、いくつかのヒットを経験する。

図2は、ロボットのナビゲーション性能の電子その後のヒット曲の間を旅画素としてxpressed、異なる条件に示されている。 3番目と4番目の列をなし、それぞれのパフォーマンスを表示する一方、第2列は、それぞれ以下のテタヌス刺激の送達を（「空MEA」と開ループ構成）上述した対照実験での走行距離の分布を表示する障害物に当たる。テタヌス刺激（Cfの手順、ポイント7.2）の導入は、かなりの距離を向上させる、したがってロボット³⁵の航行性能を向上させる2つの連続ヒットの間で移動した。

図3に、異なる復号化条件を有するロボットのナビゲーション性能が提供される。この目的のために、異なるアリーナの構成が採用されている。これはアリーナ³⁶内にロボットの成功したナビゲーションを定量化するために助けた：手順のステップ4.1で説明したように、ロボットがあるショートトラックのシリーズを発表した。成功率は、単に提示のトラック数を超える正常に交差したトラックの数の比である。具体的には、実験中にバーストおよび単離されたスパイクのリアルタイムの識別を行った。デコードパラダイムが原因でバーストと孤立スパイクの相対的な重みの互いに異なる（Cfの手順、3.5から3.6とディスカッションを指して）。

図1：神経回路網、ロボットは、情報の双方向の交換を持ってこの図は、実験の20分かけてロボットが移動した3つの代表的な経路を示す。濃い緑色のピクセルは、ロボットがその距離センサを通じて知覚できる通行不能の障害物を表すのに対し、特に、薄緑の領域は、に移動するロボットは無料です。各試験では、ロボットが私を開始nはアリーナの左上部分には、大きなピンクのドットとして描かれ、その最終的な位置に移動する。色分けされたパスは、ロボットの動きの時間変化の表示を提供しながら、小さな黒丸は、障害物にヒットを表す。右側のカラーバーは、時間（分）実験開始からの経過発現する。（A）パス閉ループ実験の間に行った。（B）のパスが「空」MEA実験の間、続いて（細胞は、MEA上で培養されていない表面）（刺激速度は、実験を通して一定である）、開ループ実験の間続く​​。（C）パス。 図の拡大版をご覧になるにはこちらをクリックしてください。

図2：パフォーマンスの結果は、閉鎖の影響を受けている-loopとテタヌス刺激。このグラフは、異なる条件のその後のヒット間のロボットでカバー距離の分布をレポートします。具体的には、最初の二つの分布は（ 'ブラインド」のロボットを用いた実験のための「オープンループ」（OL）、MEA上にプレートのないニューロンと記録のための「空」）コントロール実験を表す。最後の2列は、障害物にヒット以下の文化に配信され、（CL）がなく、（CL + TS）テタヌス刺激（TS）を介して実装学習プロトコルで「クローズドループ」状態を表している。各ボックスには、中央の水平セグメントは分布の中央値、空の二乗平均値を表し、中央の棒は、第1および第3の四分位に延び、ウィスカは5 ^番目と95 ^番目のパーセンタイルに延びている。外れ値は、ダイヤモンドのように表されます。統計は、分散クラスカル - ワリス一方向分析を用いて行われているランクに：学生·ニューマン·クールズのペアごとの比較は、すべての中央値は、p <0.05で有意差があることが明らかになった。

図3：復号がロボットの性能に影響を与える上のグラフは、時間の限られた量で、ショートトラックを通して成功裏にナビゲートするロボットの、与えられた復号アルゴリズムのために、確率を表す。。バーストおよび単離されたスパイクの同定は、実験自体の間にリアルタイムで行われる。 （「スパイク」）は、すべての検出されたスパイクが同じ相対量を提示する最初のケースでは、第二及び第三の分布が0の重量は、それぞれのためのバーストに属する単離されたスパイクとスパイクした。最後の2つの列は、すべてのスパイクが計上されている場合に得られた結果を表すが、異なる相対的な重みで、その位置に応じて。重み付けは、第5列のデータに復号相対ごとに反転している間、第4列単離さスパイクで、特に、バースト事象よりも相対的な重みを与えた。中心バーは、第1および第3の四分位に延び、ウィスカー5 ^番目と95 ^番目のパーセンタイルに延びている各グラフにおいて、中心線は、空の二乗平均値、分布の中央値を表す。統計情報は、ランク上の分散のクラスカル - ワリス一方向分析を用いて行われてきた。一対比較は、（スチューデント - ニューマン - クールズ法）に有意差（p <0.05）のカラム1と4,2と4,2と5,2と3の間で観察することができることがわかる。

ディスカッション

本論文では、神経のロボットアーキテクチャ（ すなわち 、皮質または胚性ラットの海馬からのニューロンのネットワーク）は、双方向に仮想ロボットに接続された神経コントローラに基づいて、提示されている。センサーとホイールを持ったロボットは、障害物に静的アリーナに移動を余儀なくされ、そのタスクは、衝突を回避で構成されている。

故障率があっても技術的条件の最善に有意である傾向があるように記載された手順の、おそらく最初の最も重要な側面は、培養物自体の製造である。培養技術の詳細な説明は、本研究の範囲外、ただし、である。ネットワーク発火率は通常、in vitroでの 3週間後、安定したレベルに達したときに一般的なガイドラインとして、録音が発生する必要があります。健全な文化の目安は、いくつかの記録channにおける自発電気生理学的活性の存在であるELS（利用可能な60以上の少なくとも20チャンネル）。このような培養物は、ニューロン間の接続性の高いことを特徴とする。このような条件下では、神経活動は、通常は強く時期に、それは数分、長い沈黙期間を³⁷に続く強烈なスパイクで、てんかん様のイベントが表示され、同期してしまう。これらの機能はどちらも問題を提示：てんかん様活性を示す培養物は関係なく、サイレントピリオド、活動の長い爆発を提示最初の刺激に反応する一方、過度の同期は、それが不可能な異なる電極から刺激に対する応答を区別するようになりますすべての連続した​​刺激が配信。これらの問題の両方を強く神経細胞集団が複数の弱く相互接続されたサブグループに分割されたパターン化された培養液³⁵を採用することにより改善することができる。

もう一つの問題は、神経応答が強く入ってくるstimulの分布に依存していることである私は^38,39。閉ループ実験では、送達刺激は、順番に、ロボットの動きの結果、したがって、神経応答自体のものである、センサー測定値の関数である。これは、実際の実験中に観察されるものを回答あらかじめ確立する簡単な方法がないことを意味します。その結果、入出力電極の選択は、逐次近似に依存しなければならない。記載されたプロトコルでは、二段階処理（すなわち、ステップ5.5および6.4）接続マップを​​決定しようとするように実施される。最初のステップでは、刺激の定期的なシーケンスが送出され、そのような刺激に対する応答は、最初の接続マップと記録チャネルの一時的なセットを導出するために使用される。この構成では、ステップ6.4に記載の試験駆動を行うと、実際の実験中にモニターする記録チャンネルを選択するために使用される。

結果セクション、代表ナビゲーションRESでULT学習パラダイムを導入することによってもたらされる即時の改善が示されている。プロトコル記述を通して、いくつかの他の可能な実験的な変異体が挙げられている。例えば、二つの主要なコーディングシステムはHyBrainWare2（線形確率的）に実装ここニューラルコード³⁸上の一時的な入力変動の正確な役割を調査するために開発された。線形の場合には、瞬間的な刺激レートは、ユーザ定義パラメータおよびロボットセンサ録音の関数である。確率論的なケースでは、各時間インスタンスは、指定された確率を有​​する刺激を送達するように選択される。予想される刺​​激速度は前者の場合のそれと一致するようにそのような確率は、自動的にHyBrainWare2によって計算される。線形符号化にジッタを追加する可能性は、上記の2例の間のスムーズな移行を提供します。同様に、復号部のパラメータの異なる組み合わせを模索することはPRECIに光を当てるに役立つかもしれないインビトロニューラルネットワークで破裂のSEの役割。吸光係数は、秒単位での貢献の一つは、その値の50％を失うかかる時間を、示しているロボットの各車輪の速度は、重みパラメータに比例して、イベントが対応する出力領域において検出されるたびに増加。減衰は単純な指数関数的である。これらの変異体は、すでにHyBrainWare2の現在の設計に考慮されているが、ソフトウェアや実験セットアップで追加の変更を導入することができれば、より多くの研究の可能性が開かれている。

ここに記載されているプロトコルのむしろ重要な制限は、HyBrainWare2（すべての関心のあるユーザーに要求に応じて自由に利用可能）を開発したカスタムソフトウェアの要件です。このソフトウェアは、特定のモデルとメーカーのデバイス（刺激剤、収集ボード、MEAアンプ）のセットのために設計されています。それは確かに可能ではあるが、それは、ジ上で動作するように適応するfferentセットアップ、変換はいくつかのプログラミングのスキルがかかります。同様に、含まれているオプションには、そのようなセットアップを調べることができたすべての実験の質問の限られたセットをカバーしています。登録の対象は、解離ニューラルネットワーク（ 例えば 、心臓細胞とは非常に異なっている場合は、提示アーキテクチャ（正確な時間スパイク検出^40）に実装され、スパイク検出アルゴリズムは完全に変更される必要があるいくつかのハードコードされたパラメータによって定義されるまたはスライス）。最後に、学習プロトコルは、各障害物ヒット以下の短い高周波数の配信（20 Hzの刺激、各刺激パルスの2秒感覚情報を符号化するために使用されるものと同じである）の刺激から成る。ロボットがその右側に障害物に当たった場合は、テタヌス刺激は通常、右側の情報のためのコードと同じ左側のヒットにも当てはまるの電極に配信されます。このプロトコルは、ハードコードされ、Bのことができませんeが出て、ソフトウェアを変更することなく、ユーザーによって変更。

ここで紹介する設定は、ハイブリッド、閉ループ実験^{20,23,27,41,42}のための最初の具体化さシステムではありませんが、過去に設計されたものは、類似の製剤の限られた数のデータでサポートされているシングル論文に焦点を当てた。実験自 ​​体は別の問題に対処しつつ、一方で、説明した設定は（、モジュール性と起源のために異なる製剤による実験（100以上の文化が2012以降に記録された）多数のために使用されている例えばテタヌス刺激の影響と結果に提示されるよう、破裂の関連性）。近い将来、新しい実験セッションは両方強縮閉ループ刺激の持続効果および刺激規則性の間の関係を検証し、応答を観察することが予見される。対処すべきもう一つの問題はで、自発的と観察された活性の間のリンクです考慮過去の活動と刺激⁴³の履歴をとる新しい復号アルゴリズムを加えるという考え方。

資料

Name	Company	Catalog Number	Comments
Stimulus Generator 4002	Multi Channel Systems
MEA1060-Inv-BC	Multi Channel Systems
TC02	Multi Channel Systems
NI 6255 Acquisition Card	National Instruments
Microsoft Visual Studio 2008	Microsoft
2078P Multichannel System-National Instruments adapter board	Developed at University of Genova (Italy)
Matlab 2010	Mathworks
HyBrainWare2			HyBrainWare2: Contact Information