ロボットマニピュランダムに運動スキルの学習過程を調査

要約

パラダイムは、ラットで自動化された熟練到達タスクの訓練と分析のために提示されています。引きの試みの分析は、運動学習の個別のサブプロセスを明らかにする。

要約

熟練到達タスクは、一般的に健康的および病理学的条件下での運動技能学習や運動機能の研究に使用されているが、時間集約的であいまいな単純な成功率を超えて定量化することができます。ここでは、ETH Pattus、ラットにおける回転運動を引っ張り、手を記録訓練に到達する自動化された前肢用ロボットプラットフォームとリーチとプルタスクのためにトレーニング手順を説明します。行っ引っ張っ試みの動定量化は、このような速度、引っ張り軌道の空間的な変動、正中線からの偏差だけでなく、成功を引いを引っ張るなどの運動パラメータの明確な時間プロファイルの存在を明らかにする。私たちは訓練パラダイムで微調整が困難、一般的な運動機能や熟練したタスクの実行をタスクに彼らの関係を明らかにし、これらのパラメータの変化につながる方法を示しています。 、電気生理学的、薬理学的および光遺伝学技術と組み合わせることで、このパラダイムを使用することができます（脳卒中後などで ）運動学習と記憶形成だけでなく、機能の喪失と回復のメカニズムを探求します。

概要

運動タスクは広く運動学習、または神経学的または薬理学的動物モデルにおける運動機能の変化に関連した行動および神経の変化を評価するために使用されます。微細運動機能は、しかしながら、げっ歯類において定量化することは困難です。そのような穀物¹の操作、パスタ^2、またはヒマワリの種³として手先の器用さを必要とするタスクは、敏感であり、動物の広範囲の訓練を必要としません。彼らの主な欠点は、これらのタスクは、主に定性的な結果をもたらすと明確に得点することは困難であるということです。

このようなタスクに到達する単一のペレットのバリエーションとして、熟練到達タスクは^、4、5を定量化することがより簡単です。しかし、これらのタスクの実行が成功の基礎となる運動学的要因は限定的にしか推論し、労働集約型フレームごとの映像aを必要とすることができますnalysis。

ロボット装置は、前肢の機能と運動能力の側面を定量化する手段として人気を得ています。いくつかの自動化された到達タスクが用意されています。このようなリニアガイド⁶に沿ってハンドルを引くなどの前肢の動き^、7、簡単な遠位四肢運動^8、または足⁹の回内や回外の単一の側面に関する大半の焦点。これらのデバイスはで運動機能の解析のための約束を示しているが、彼らは唯一の拡張限らに達する単一のペレット中に実行される複雑な運動行動を反映しています。

ここでは、ラット^10、11内の様々な運動課題の訓練と評価のために開発された3自由度のロボット装置、ETH Pattusの使用を示します。それは、平面とリーチでラットの前肢運動の回転運動、把握、およびを記録します水平面内で行う作業を引っ張ります。ラットは、試験ケージの窓を介して到達することができます6ミリメートル径の球状のハンドル（15センチ、長さ40センチ、高さ：幅45センチメートル）を介してロボットと対話し、（押し引き水平面内で移動しました動き）と回転（回内・回外運動）。このように、従来の単一のペレット到達タスク中に実行されるものに近似の動きを実行するために、ラットを可能にします。ウィンドウは幅10mmとケージの床の上50ミリメートルの位置です。ハンドルは55ミリメートル床の上に位置しています。スライドドアのブロックは到達試験間のハンドルにアクセスし、ロボットがその開始位置に到達し、裁判が終了した後に閉じたときに表示されます。正しく実行運動後、ラットを試験ケージの反対側に食糧報酬を受け取ります。

ロボットは、ソフトウェアを介して制御および位置Oに関する情報が得られ、1000年Hzで3ロータリエンコーダからの出力を記録されています水平面、並びにその回転角のハンドルF（詳細については^、11を参照^して参照してください）。成功したタスクの実行に必要な条件（ 例えば 、最小はリーチとプルタスクで正中線からの距離と最大偏差を引っ張る必要）各トレーニングセッションの前に、ソフトウェアで定義されています。ハンドルの最初の標準化された基準位置は、各トレーニングセッションの開始時に、固定ホルダーが記録されています。この基準は、各試験のためにハンドルの一定の開始位置を保証する、セッション内のすべての試験のために使用されます。ケージのウィンドウへのハンドルの相対的な一定の位置決めがケージ、ロボット上のマークの位置合わせ（ 図1）によって保証されています。

到達運動のビデオ記録は、小型高速カメラ（120フレーム/秒、640×480の解像度）を使用して記録されています。カメラのビューにある小さなディスプレイは、ラットの識別番号、トレーニングセッションを示し、トライアル数と試行結果（成功または失敗）。これらのビデオは、記録された結果を確認すると、接触の前の動きに到達ハンドルの引っ張りや回転の影響を評価するために使用されます。

ここでは、リーチとプルタスクのバリエーションで、このロボットプラットフォームの使用を示します。このタスクは、他の当到達パラダイムと同等であり、再現性のある結果が得られる期間内にトレーニングすることができます。我々は典型的なトレーニングプロトコルだけでなく、いくつかの主要な出力パラメータを記述します。さらに、我々は、使用されるトレーニングプロトコルの小さな変化は、運動技能学習プロセス内の独立したサブプロセスを表すことができる行動の結果の変更された時間のコースをもたらすことができる方法を示しています。

プロトコル

ここで紹介する実験はチューリッヒ、スイスのカントンの獣医局によって承認された国や機関の規制に従って実施しました。

1.摂食条件

注：すべてのトレーニングセッションが予定さ給電プロトコルの下で行われています。

1. トレーニングが完了した後、1日1回、ラットに標準飼料を50g / kgのフィード。食品のこの量は、（体重は自由摂食体重の> 90％）、主要な重量損失を防止するのに十分であるが、再現性のある行動コンディショニングを確保するのに十分に小さいです。自分の体重は安定したまま確保するために毎日ラットを計量。
   注：追加で一晩（10〜12時間）絶食は最初の報酬タッチセッション（ステップ2.3）の前に有用である可能性があります。

リーチとプルタスク2.トレーニング手順

1. 準備：ラットはリーでのために彼らの新しいホームケージに慣らすすることを許可しますST動物施設に到着後一週間。この期間中に定期的にラットを処理し、新しい食品にラットを慣らすためにホームケージにほこりのない精度のペレットを与えます。これらのペレットは、訓練プロトコルを通じて報酬として使用されます。
2. 慣れは：30-45分間の試験ケージにラットを置き、粉末飼料に混合給餌ボウルに30-50ペレットを、提供します。オープンケージウィンドウを閉じて、その音にラットを慣らすために時折ペレットディスペンサーを実行します。
   1. 2-3日のためにこれを繰り返します。
3. 報酬タッチ：ケージ窓から球状のハンドルに触れることを、ラットを訓練した後、食品の報酬を取得するために、ケージの反対側に移動します。
   1. ハンドルは、各試験の開始時にちょうどテストケージウィンドウの外側に位置するように、ソフトウェアの設定を調整し、ケージ窓の中心とハンドルの位置を合わせます。試験はすなわち 、成功したとき</全角>は、とすぐに検出されたハンドル（任意の方向に0.25ミリメートル変位）に軽いタッチのように、音が鳴り、報酬が分配されます。ウィンドウが開いた後にはタッチが180秒間検出されなかったときに失敗したとして裁判を分類します。
   2. 訓練ケージにラットを入れてください。それはハンドルの近くに開催されたペレットでつかむせることで手を差し伸べるために、ラットを促します。ケージをタップして、ハンドルとフードボウルにラットの注意を向けます。
   3. ラットは独立して、ケージの窓を介して到達したと食品ペレットを取得するときにプロンプ​​トを停止します。
   4. 60分が経過するまでのいずれか早い方、100試験（タッチ）が完了するまで続行しますか。
   5. 3-4日間の研修を継続し、ラットが2日間連続して30分以内に100の試験を達成する際のトレーニング（ステップ2.4）の次の段階を開始します。
      注：このステップを過剰訓練しないでください。この動作はで成形することができるように、報酬タッチの目的は、ラットとロボットとの間の信頼性のある相互作用を達成することですその後のトレーニング。
4. 無料プル（FP）：手を差し伸べるとロボットのハンドルを引くために、ラットを訓練。
   1. ハンドルは、各試験の開始時に窓から18ミリメートルに配置され、かつ成功した裁判のために中断することなく、少なくとも10ミリメートルのために引っ張られなければならないように、ソフトウェアの設定を調整します。この段階で引っ張って移動に横方向の制限はありません。
      1. ハンドルはウィンドウが開いた後、180秒のために移動されていないときに失敗したとして裁判を分類し、ハンドルが到達可能なワークスペース（正中線から以上12ミリメートル）の外に移動したとき、またはラットが内10mm未満を引っ張ったとき最初のタッチ後の5秒が検出されました。
   2. 最初のFPセッションの最初の20試験中左右の足が使用されている回数をメモしておいてください。試験の少なくとも80％で使用されている足は、好ましい足考えられます。
      注：足の嗜好が既に報酬で明らかにすることができます- タッチセッション。
   3. 好ましい足で引っ張っ容易にするために、ウィンドウの端に位置合わせされるまで、横方向にハンドルを移動する（ すなわち右利きのラットおよびその逆のためのウィンドウの左側に、ロボット5ミリメートルを移動します）。
      注：このラットのための以下のすべてのトレーニングセッションのためのケージにこれと同じ位置にハンドルを置きます。ケージの壁に、ロボット上のマークによって正確な配置を確保します。
   4. 100試験が完了するまで訓練ケージや電車の中でラットを入れるか、60分が経過するまで、どちらが最初に来ます。
      注：ラットは十分アウトに達していない場合、それはハンドルの近くに開催されたペレットでつかむせることで、それを促します。ラットは繰り返し失敗した後にプルしようとして停止することがあります。ケージをタップし、それらをピンセットで開催されたペレットのためにつかむか、彼らのモチベーションを復元するためにペレットを分配しましょう。
   5. 2.4で説明したようにのみFPのトレーニングを含む実験のために、トレーニングを続けます。
      NOTEは：通常、1-2 FPセッションが報酬touchからSP（ストレートプル）訓練への移行を支援するために必要とされています。これらのFPセッションの目標は、だけではなくタッチに、グラブを手を差し伸べると、ハンドルを引くために、ラットを慣らすことです。目標は、次のトレーニングのステップに移行する場合の報酬タッチトレーニングと同じように、それはないオーバー電車に重要です。
5. ストレートプル（SP）：正中線から2mm以上を逸脱することなくハンドルを引くために、ラットを訓練。
   注：正中線がないケージ窓の中間点に、ロボットの開始位置を基準に定義されます。このように、ケージ窓の中点で終わる引っ張っ試みは、正中線から2mm以上を外れ引い軌道になります。
   1. 引き運動がいずれかの側に正中線から2mm以上を逸脱しないだけで試験がトーンとペレットによって報われるように、ソフトウェアの設定を調整します。ステップ2.4で説明したように他のすべてのパラメータを保持します。
   2. 100試験が完了するまで訓練ケージや電車の中でラットを入れるか、60分が経過するまで、どちらが最初に来ます。
      注：ラットは非常に攪拌となり、後に繰り返し失敗した試行を引くしようとして停止することがあります。到達タスクに彼らの注意をリダイレクトするためにケージをタップし、それらをピンセットで開催されたペレットのためにつかむか、彼らのモチベーションを復元するためにペレットを分配しましょう。
   3. ラットはプラトー性能に到達するまでトレーニングを続ける、または実験の目的に応じたトレーニング期間を適応させます。

結果

ここでは、雄のロングエバンスラット（10-12週齢）を使用して、リーチとプルタスクの3バリエーションを示しています。フリープル（FP）群（N = 6）において、ラットを横制限なく22日間のロボットのハンドルを引っ張るように訓練しました。ストレートプル1（SP1）群（N = 12）の動物は、正中線から2mm以上を逸脱することなく、ハンドルを引っ張るように訓練しました...

ディスカッション

熟練到達タスクは、一般的な病理学的条件⁶の下で運動スキルの獲得だけでなく、運動機能の障害を研究するために使用されています。行動に達するの信頼性と明確な分析は、運動技能の獲得、ならびに損失および神経疾患の動物モデルにおける機能のその後の回復に関与する神経生理学的プロセスの基礎となる細胞メカニズムの研究のために不可欠です。ここに示された結...

資料

Name	Company	Catalog Number	Comments
ETH Pattus			ETH Pattus was made by the Rehabilitation Engineering Laboratory of Prof. Gassert at ETH Zurich.
Training cage			The plexiglass training cage was made in-house.
Pellet dispenser	Campden Instruments	80209
45-mg dustless precision pellets	Bio-Serv	F0021-J
GoPro Hero 3+ Silver Edition	digitec.ch	284528	Small highspeed camera
Small display	Adafruit Industries	#50, #661	128 x 32 SPI OLED display controlled via an Arduino Uno microcontroller and Labview software
LabVIEW 2012	National Instruments	776678-3513	ETH Pattus is compatible with more recent Labview versions.
Matlab 2014b	The Mathworks	MLALL