폐쇄 루프 신경 로봇 실험은 신경 네트워크의 전산 등록을 테스트하는

요약

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.

초록

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.

서문

뇌 기능의 많은 기능은 인공 시스템에 복제 할 현재 불가능하다. 응답하여, 빠르게 복잡한 감각 정보를 처리 및 생성하는 뇌의 능력은, 정확한 모터 명령은 이미 현재의 최​​첨단 넘어 자체이다. 그러나 과거의 경험에서 학습에 의해 서로 다른 조건에 적응하는 능력은 인간 개발 한 제어 시스템에 그렇게 크게 우수합니다. 지금까지, 복제하거나이 가소성이 작은 성공을 충족 악용하려는 시도는, 뇌의 내부 동작의 이해는 연구자의 이해를 회피하고있다. 주요 이슈 중 하나는 뇌와 행동 사이의 관계를 조사하는 것은 적절 시스템의 모든 변수에 액세스 할 수 없다는 것이다 동안 : 이상적으로, 최적의 실험 구성은 뉴런의 다수의 동시 기록 및 자극을 허용하는, 장기 안정성 시냅스 위치와 무게, 제어 가능한 양방향 된 directio의 모니터링환경과 최종 상호 작용. 동시에 모든 변수를 추적의 어려움은 매우 다른 두 규모에서 뇌 - 행동 관계의 연구에지도 : 두 실험 조건 ^1-7 이상 또는 부분 작은, 절연 부품, 아니 잘 제어, 동물을 행동으로 시스템 ^8의 전반적인 볼 수있는 신경 조직,. 더 고안 실험 구성도 간단한 신경망의 동작에 관련된 모든 파라미터의 완전한 모니터링 할 수 없을 때, 후자의 경우에는, 좋은 트레이드 오프는 마이크로 전극 어레이 (다자간) ⁹ 위에 성장 해리 뉴런에 의해 제공된다. 70의 ^(10)의 단부에 태어난 장치는, 전통적인 전기 생리학 기술에 비해 몇 가지 장점이있다 : 첫째, 기록 가능성의 일단 (일반적으로 전극 (60))에서 다수의 상이한 위치에서 신경망을 자극. 또한, 셀의 MEA 결합 거의 비 침습적 인몇 달 ^{11 일까지} 장시간을위한 동일한 네트워크의 관찰을 허용한다. 해리 문화에 전기 자극의 생리적 효과는 광범위 아키텍처의 손실에도 불구하고 보존 많은 속성 (예, 소성를 들어, 다음과 같은 간단한 메모리가 ^{12 ~ 14} 처리) 이상 규모에서 관찰 드러내는, 이러한 장치 덕분에 연구되어왔다. 문화 성장하는 동안, 그 네트워크는 시험 관내 (DIV)에서 7 일 정도 ^{(15, 16)에서} 자발적인 활동을 보여주는 시작합니다. 네트워크 작동이 더욱 성장 라디칼 변화 경향; 첫 싱글 스파이크는 네트워크의 성숙 상태를 나타내는 ¹⁸ 버스트 동기 비주기적인 네트워크의 매우 복잡한 패턴으로 변경 이후로, ¹⁷ (둘째 주의 끝으로) 버스트에 모여있다. 그것은 ¹⁹ 일으키는 것으로 시사되어왔다 생체 레코드에서 관찰 된 것과 다소 유사한 동작이 동기,잠자는 동물 INGS는 감각 입력의 부족에 의해 발생합니다.

다른 방법은 다른 유형의 신호가 신경 네트워크 자체 ^11,20-23의 자극을 제어하는 데 사용 된 폐쇄 루프 실험을 수행함으로써 촬영 된 코딩 정보의 더 나은 이해를 얻기 위해 시도했다. 이들 실험에서, 환경과의 상호 작용을 할 수있는 외부 에이전트가 차례로 이펙터기구 용 모터 명령을 생성, 신경 네트워크에 공급 감각 정보를 생성하는 데 사용되어왔다. 이 신경 시스템의 동적 적응 특성은 환경에 의한 변화에 따라 진화 방법의 관찰을 허용했다.

수행 할 수있는 설정이 실험 바퀴 달린 센서 플랫폼 (실제 로봇을 사용하거나 가상 모델) 분야에 대한 이동 및 속도 프로파일이 신경 세포의 활동에 의해 결정되는 경우, 개발 된 '신경 생리학이 구현'시스템 (즉, MEA를 통해 배양 된 쥐의 신경 세포의 인구). 로봇은 두 개의 독립적으로 제어되는 바퀴의 속도 프로파일과의 거리에 의해 센서의 판독 전류에 의해 특징된다. 거리 센서의 정확한 특성은 관련이 없다; 그들은 광학 센서 또는 초음파 센서 능동 또는 수동 수있다. 분명히,이 문제는 센서가 임의의 원하는 형상으로 설계 될 수있는 가상 로봇의 경우에는 적용되지 않는다.

본원에 기재된 실험에서 사용 된 로봇은 30 °를 가리키는 6 거리 센서, 양 방향으로 향하고 로봇으로부터 60 ° 및 90 °로, 항상 가상 구현이다. 세 좌우 센서의 활성은 평균화 및 생물학적 배양의 활성은 단지 '왼쪽'및 '오른쪽'센서 나머지로 지칭 될 것이다 예컨대 '슈퍼 센서'(의해 수집 된 정보에 의해 구동되고 이 작품의). 프로토설명 COL은 실제로 상당히 약간의 조정과 실제 로봇에 적용 할 수있다. 로봇 (실제 또는 가상 하나)에 의해 수집 된 정보는 물리적으로 분리된다 로봇 생물학적 신경망의 활성을 조작하는 데 사용되는 자극의 직렬로 인코딩된다. 자극 자체는 모두 동일하며, 따라서 어떤 정보를 코딩하지 않습니다. 어떤 중요한 것은 그들의 주파수 : 자극 속도가 증가 로봇 다른 배달 사이트 로봇의 좌우의 눈 '로부터 감각 정보를 부호화하여, 장애물에 접근 할 때. 신경망은 자극의 트레인으로 들어오는 다른 응답을 제공한다 : 복호화 알고리즘의 작업 로봇의 바퀴를 제어하기 위해 사용하는 명령으로 인한 네트워크 활동을 변환하는 것이다. (즉, 신뢰성과 완전히 다른 전극으로부터 자극에 대한 반응을 분리)와 함께 '완벽한'네트워크 동작을 감안할 때,이 resul 것로봇의 t은 장애물을 타격하지 않고 경기장에서 운전. 따라서 간단한 학습 프로토콜을 도입 관념성에서 존재하는 문제를 매우 다른 대부분의 네트워크, ^{(24, 25에} 기술 된 프로토콜에 의해 영감을 고주파 자극에 대한 간단한 주문, 2 초 동안 20 Hz의 자극) 활성화, 파상풍의 자극 다음 장애물과 충돌이 전달된다. 네트워크 연결 로컬 강화 파상풍 자극의 결과는,이 로봇의 네비게이션 기능의 점진적인 증가를 초래한다면.

HyBrainWare2 ²⁶ 출판 맞춤형 소프트웨어의 개선 된 버전이 시스템 (자극기, 데이터 수집, 처리 및 시각화 로봇 통신 또는 시뮬레이션)의 다른 장치들의 제어를 처리하기 위해 개발 코어 아키텍처이다. 이 소프트웨어는 우리가 실험실에서 개발 요청시 무료로 사용할 수있다. 이는 소프트웨어 인터페이스를 제공한다데이터 획득 보드는 : 사용자가 GUI에서 데이터 수집을 시작하면, 소프트웨어는 샘플링 및 기록 전극으로부터 데이터의 A / D 변환을 시작하는 수집 보드를 제어한다. 이 데이터는 그 다음 사용자가 설정 한 옵션에 따라, 녹화 된 화면 또는 스파이크를 검출하도록 실시간으로 분석 할 수있는 표시 (자세한 절차 섹션 참조). 또한, 소프트웨어 내에서, (로봇 모터 명령에 기록 된 활동의 번역) (전기 자극으로 감각 정보의 번역) 및 디코딩을 코딩의 정의 알고리즘을 지정해야합니다. 모든 기록 된 정보를 자동 호환 형식으로 저장되는 동안 특히, 우리의 설치, 우측 실제 실험을 시작하기 전에 거의 모든 변수는 사용자가 액세스 할 수 있기 때문에, 과거 ²⁷ 년 설계 유사한 시스템에 비하여 상대적으로 사용자 친화적 인 신경 데이터 분석 도구 상자 ^(28).

다음 절차 섹션은 해리 된 래트 해마의 배양 학습 실험을 설명하는 모든 배양 실험 매개 변수는 특정 제조에 대해 제공되며, 다른 생물학적 기판이 사용되는 경우에 변형 될 필요가있다. 유사하게, 설명 된 실험은 파상풍 자극의 학습 효과를 조사하기 위해 폐쇄 루프 아키텍처를 활용하지만, 구조 자체가 충분한가요 성 해리 신경망의 다른 기능 연구에 사용한다. 제안 된 실험의 주요 변종이 더 토론 섹션에 설명되어 있습니다.

프로토콜

MEA를 통해 신경 세포의 문화 1. 준비

1. ²⁹ 설명 된 바와 같이, MEA 칩의 연결을 문화 플레이트. 유사한 절차의 설명은도 ^9를 구비하고 토론 부이다.
2. 37 ℃로 온도 조절기의 설정 온도 타겟 및 MEA 자체 (대부분의 상업용으로 제공 아래 가열판을 스위치 셀에 의해 경험되는 열 응력을 최소화하기 위해, 기록을 시작하기 전에 5 내지 10 분에 MEA 가열 시스템을 돌려 MEA 시스템) 및, 가능한 경우, 크게 증발을 줄이기 위해 가열 된 커버.
3. 습기 - 열 (30 분, 130 °의 C)와 오토 클레이브의 각 사용하기 전에 가스 투과성 캡을 소독. 증발을 방지하고 삼투압의 변화를 방지, 녹화 중 뚜껑으로 덮여 문화를 유지합니다.
4. 실제로 녹음을 시작하기 전에 앰프 30 분에서 신경 세포의 문화를 놓습니다.
   참고 : 간단하게 INC에서 문화를 이동앰프 ubator이 크게 약 반 시간 동안 자발적인 활동을 방해합니다. 이 기간 동안 배양액의 온도는 안정된다.
5. carbair 회로를 사용할 수있는 경우 carbair 순환 이상 두시간보다 실험 (혼합물을 5 % CO ₂ 및 95 % O ₂ + N _2)를 시작 : 배양 모두 산소와의 pH 레벨을 유지하기 위해 그것을 필요 안정.

MEA 취득에 대한 기록 매개 변수의 2. 선택

1. RawDataDisplay 형태로 300 HZ-3 kHz의 '확인란을 선택합니다 : ³⁰ - 소프트웨어 선택 필터 대역폭 (MUA 즉, 멀티 유닛 활동)을 스파이크를 감지합니다.
2. 데이터의 수집을 시작합니다 RawDataDisplay 형태로 '시작'버튼을 누릅니다.
3. 7 RawDataDisplay에 스파이크 검출을위한 설정 임계 이득.
   참고 : 원하는 특이성 / 선택 트레이드 오프와 채택에 따라 검출이온 알고리즘은,이 임계 값은 6 및 10 시간 사이에 계산 된 표준 편차를 설정할 수있다.
4. (두 명령은 RawDataDisplay 양식에) 2 초에 임계 값 메모리를 설정하고 더 스파이크 활동이 디스플레이에 표시하지 않을 때 '잠금'버튼을 누릅니다. 마크 '로부터 중앙값을 추정 SD'가 활성을 급상승 없이도 짧은 시간 윈도우를 제공하기 어려운 경우, 관찰 된 신호 ^{(31, 32)의} 절대 값의 중간 값에서 노이즈 표준 편차를 계산. 기본 알고리즘은 연산 집약적이며, PC가 지연 될 수 있습니다로, '잠금'버튼을 누른 후이 옵션에서 확인 표시를 제거합니다.
5. 스파이크 탐지 루틴 (RawDataDisplay 형태의 '스파이크 검색'체크 박스)를 켭니다. 스파이크 검출 이미 (즉,이 체크 박스가 이미 표시되어 있습니다) 실행중인 경우,이 데이터 기록의 형태로 버튼을 '리셋'를 클릭하여이 순간까지 감지 스파이크를 폐기.

신경 세포 문화 및 응답지도 계산을 자극하는 MEA 전극 3. 선택

1. 30 분 동안 MEA 위에 배양 된 신경 세포의 녹음 자발 활동 시간의 원하는 양이 (30 분을 경과 한 후, DataRecording 형태의 '스파이크'상자에 '기록'버튼을 클릭하면 파일에 데이터를 저장, 이 경우).
2. 다음 MEA 레이아웃의 어느 하나에 해당 채널을 선택, 10 개의 가장 활성 채널 (가장 높은 스파이크 카운트 즉, 10 채널) 식별 (중 코딩, 디코딩 또는 연결지도 형태) 원하는 영역 위에 마우스 커서를 드래그하여. 채널이 선택되면, 바로 MEA 레이아웃의 아무 곳이나 클릭하고 팝업 메뉴에서 '감각 영역을 왼쪽에 추가'이 전극 단계 3.5에 전기 자극을 전달하는 데 사용됩니다.
3. 자극과 MEA 앰프가 올바르게 연결되어 있는지 확인합니다 모든 구성을 requ에분노 원하는 자극 채널 당 두 개의 전선, 별도의 동축 케이블 (연결 다이어그램에 대한 구체적인 기기의 사용 설명서를 참조하시기 바랍니다) 동시성 신호를 전달해야합니다 동안. 에 자극을 설정하는 다음 진행합니다.
4. 연결지도 형태로 자극 매개 변수를 정의합니다. 문화에 전달 모든 자극은 이상성 광장 전압 파도입니다. 1.5 V의 _PP ^(33)에 300 마이크로 초에 반 시간 및 진폭을 설정합니다.
   참고 : 충분히 자극 큰 안정적으로 신경 반응을 불러 일으킬 수있는 것입니다 가능성이 매우 높다 타협 같은 사이트에서 활동의 기록. 용지의 나머지 부분에서, 자극의 전달을 위해 사용되는 전극은 모든 관련 정보를 기록하기 위해 선택 될 안된다.
5. 자극에 기록 응답 : ConnectionMap 형태로 시작 버튼을 누릅니다. 응답은 기록 동안 5 초 간격으로 30 자극의 시리즈는, 차례로, 자동적으로, 선택된 전극들 각각으로부터 전달되는나머지 59 전극에서 에드.
6. (즉, 서로 다른 전극으로부터 자극의 전달 후의 시간 슬롯 내의 전극으로부터 응답을 관측 할 확률) 상관 수학 소프트웨어 또는 SpyCode 통해 각각의 자극 채널이 프로그램이 과거에 개발 된 (자유롭게 사용할 연결 맵을 계산 요청에 따라) 신경 데이터 ^(28)에 계산을 수행 할 수 있습니다.
7. 연결지도에서 가장 전극을 선택합니다 (요금 자연 발화시보다 훨씬 높은 수 없습니다 발사, 즉 자극 다음 시간 창에) 반응을 불러 일으킬하지 않은 모든 자극 전극을 폐기합니다.
   1. 나머지 전극 사이에, 응답에 뛰어 넘다 이상과 쌍을 선택합니다. 구체적으로는, 각 자극 전극으로, 그리고, 각각의 기록 전극의 평균 스파이크 카운트를 계산하는 모든 자극 전극 쌍에 대한 대응 전극들 사이의 차이를 계산한다. whic에 대한 몇 가지 선택H는 모든 녹화 채널을 통해 응답 차이의 절대 값의 합이 가장 높다.
8. 로봇의 왼쪽과 오른쪽에서 측정 값을 코드에 다른에서 감각 정보를 코딩하는 이들 전극 중 하나를 선택하여이 작업을 수행하기 위해, 다음 선택 MEA 레이아웃을 마우스 오른쪽 버튼으로 클릭, 하나의 전극 위에 마우스 커서를 드래그 '감각 영역을 왼쪽에 추가'(또는 '오른쪽 감각 영역에 추가').

4. 로봇과의 연결을 문화의 인터페이스 : 코딩 및 디코딩 방식의 선택

1. 선형에 코딩 형태로 '유형 코딩'로 설정합니다.
2. 코딩 형태의 최소 및 최대 자극 속도를 정의합니다. 0.5 Hz에서의 기본 범위를 사용합니다.
3. 0으로 코딩 형태의 '지터'매개 변수를 설정합니다.
4. chann 당 (적당히 활성 배양 1로 복호 알고리즘에서의 복호 폼 파라미터 (중량 및 흡광 계수)를 설정 스파이크 ~ 1 / 초엘). 발사 속도가 강력하고 지속적으로이 값에서 벗어나는 경우 새 매개 변수 쌍을 정의합니다. 디코딩 매개 변수의 정확한 기능에 대한 설명을 참조하십시오.
5. 디코딩 알고리즘을 디코딩 양식에 버스트 매개 변수를 설정합니다. 스파이크와 버스트 사이의 구분이 연구의 대상이되지 않는 0으로 설정 무게 (감쇠 시간은 무관하다).
   참고 : 단계 4.4에 제시된 값은 부드러운 로봇의 움직임과 적당히 활성 쥐의 차 문화에 대한 로봇의 반응 시간과 호환 속도를 생성합니다. 버스트 파라미터는 단계 4.4에 기재된 바와 정확하게 동일한 기능을 가지고 있지만, 트리거링 이벤트 대신 스파이크의 버스트의 검출이다 : 각 차륜의 실제 속도는 단순히 감지 스파이크 및 버스트의 기여도의 합이다.

로봇에 대한 탐색 아레나 5. 디자인

1. 가상 아레나 디자이너 형태에서, 경기장의 경계 로봇과 내가 볼 수 있습니다 (경계 사이에서 선택mpassable) 또는 무한 (경기장의 한쪽에서 로봇 종료하면 즉시 반대 한) 경기장에서 다시 입력 픽셀의 경기장 크기를 설정됩니다.
   1. 중요한 움직임을 가능하게하기 위해 100 × 100 픽셀보다 작은 경계 경기장을 사용하지 마십시오. 그들은 단순히 로봇의 시력의 라인 사이에 떨어질 수있는 반경 5보다 작은 픽셀 장애물을 사용하지 마십시오.
   2. 매우 큰 경기장 크기는 컴퓨터 성능이 저하 될 수 있습니다 명심하십시오 : 큰 경기장이 필요한 경우, 하드 - 투 - 반복 실험 시작 전에 원하는 분야와 테스트 소프트웨어 성능을 제공합니다.
2. 수동으로 위치를 시작 로봇을 설정 또는 필드 '시작 위치 로봇'에서 시작 실험에서 로봇의 좌표를 지정하여 (가상 아레나 디자이너 양식, 다음 원하는 위치에 '수동 선택'버튼을 클릭).
3. 경기장 내에서 통행 할 장애물의 번호를 추가합니다. 어느 그들에게 사람을 배치단계적 '수동 장애물 추가'버튼을 누르거나 설정 수와 크기 범위를 클릭 한 후 무대에서.
4. 선택된 기능 분야를 생성하는 '아레나 생성'버튼을 클릭합니다. 이 버튼을 누를 때까지 변경 사항이 발생하지 않습니다.
5. 설계 분야를 저장하고 가상 아레나 디자이너 양식의 하단에 명령 단추로, 실험에 사용하기 전에, 상대 파일을로드합니다.

문화에서 녹음 신경 세포 활동에 MEA 전극 6. 선택

1. 단계 3.8에있는 다른 응답에 그 임시 기록 전극을 선택 관찰되었다 : '왼쪽'을 구성합니다 '왼쪽'(또는 '오른쪽') 전극에서 자극 다음 더 큰 반응을 보였다 전극 (또는 '오른쪽') 기록 전극. 로봇을 제어하기 위해 자극 전극 중 하나에 의미있는 반응을 보이지 않았다 전극을 사용하지 마십시오. FMEA 레이아웃 팝업 메뉴, '왼쪽 운동 영역에 추가'를 선택 ROM에 기록 전극을 정의하는 (또는 권리 운동 영역에 추가 ').
2. 선택 기능은 실험 관리자 형태로 기록합니다. 이 단계에서, 스파이크와 자극 시간 스탬프에만 관련 정보이다.
3. 10 분 테스트 드라이브를 수행하여 10 분 경과 후 실험 관리자 형태로 시작 실험 버튼을 클릭하여 실행 로봇을 시작, 다시 클릭합니다.
   참고 : 모든 매개 변수가 설정되고 나면 (코딩 및 디코딩, 로봇 경기장, 전극을 자극 기록, 기록에 있습니다), 파일 이름 선택이 녹음 된 파일 이름과 대상을 묻습니다, 다음 로봇이 경기장에서 움직이기 시작합니다, 정의 된 규칙에 따라. 모든 선택 기능은 실시간으로 자동 저장됩니다.
4. 반복 실제 로봇 실행하는 동안 수집 된 데이터의 기록 전극을 선택하기 위해, 단계 6.3에서 획득 한 데이터에서 3.6 및 6.1 단계 (Discussio 참조N 이러한 2 단계 접근법의 이론적 근거에 대한).

7. 신경 로봇 실험을 수행

1. 기록 할 데이터를 형성하는 실험 관리자에서 선택 스파이크, 로봇과 자극 데이터 체크 박스를 표시합니다.
2. 사전 학습 로봇 실행을 실행 : 실험 관리자 형태로 '실험 시작'버튼을 클릭합니다. 메시지가 표시되면 데이터 파일에 대한 새 파일 이름을 선택합니다. 30 분이 경과했을 때, 로봇 실행을 중지 다시 '실험 시작'버튼을 클릭합니다.
3. (실험 관리자 형태의 '히트 후 파상풍의 자극을 제공'확인란을 표시) 학습 프로토콜을 전환하고 사전 훈련 단계 (즉, 30 분)와 동일한 길이, 교육 로봇 실행을 수행합니다. 단계 7.2에서 데이터 덮어 쓰기를 방지하라는 메시지가 나타나면 입력 다른 파일 이름을 기억하십시오.
4. '파상풍의 자극을 제공 히트 후'체크 박스 해제 (다시 학습 프로토콜을 끄십시오) 및 사후 학습 로봇 실행을 수행합니다. 다시 한번, 덮어 쓰기를 방지하기 위해 파일 이름을 변경해야합니다.

8. 두 번째 응답지도 계산

1. 반복 3.1-3.6 단계를 반복합니다. 어떤 변화가 학습 프로토콜에 의해 자발적으로 또는 유발 활동 패턴에 하나 유발 된 경우이 녹음에서 사용 데이터를 테스트합니다.

결과

개발 실험 프레임 워크는 뉴런의 문화와 실제 로봇의 가상 실현 사이의 정보 교환이 가능 여부의 테스트를 허용 ^(34).도 1은 상이한 조건에서 20 분간 실험에서 가상 로봇에 의해 이동 수득 경로의 여러 샘플을 나타낸다 : 적절한 폐쇄 루프 실험, '비어있는 MEA'로봇 실험 (어떤 셀이 제어 실험 MEA에 도금되지 않는다) 및 개방 루프 로봇 실험을 좌에서 우로 (자극 레이트 대신 부호화 센서 정보 상수) 표시됩니다. 대표적인 트레이스 인공 신경 요소 간의 양방향 상호 작용이 좋은 로봇의 탐색 성능을 얻기 위해 필요하다는 것을 확인한다. 그렇지만, 로봇은 장애물에 대해 여러 히트 경험한다.

도 2 로봇의 탐색 성능을 E후속 안타 사이에 여행을 픽셀로 xpressed, 다른 조건에 표시됩니다. 세 번째와 네 번째 열이없이 각각과 성능을 표시하면서 첫 번째 두 열은, 각각 다음 파상풍 자극의 전달 ( '빈 MEA'및 개방 루프 구성) 상술 한 대조 실험에서 주행 거리의 분포를 표시 장애물에 명중했다. 파상풍의 자극 (참조, 절차, 포인트 7.2)의 도입은 거리가 이렇게 로봇 ^(35)의 탐색 성능을 향상, 두 개의 연속 안타 사이에 여행을 크게 향상시킨다.

도 3에서, 상이한 복호 상태와 로봇의 탐색 성능이 제공된다. 이를 위해, 다양한 분야 구성이 채택되고있다. 이 분야에서 로봇 ^(36)의 성공적인 탐색 정량화 도왔다 절차의 단계 4.1에 기재된 바와 같이, 로봇은짧은 트랙의 시리즈를 선보였다. 성공률은 단순히 제시 트랙 수가 성공적 위에 교차 트랙 수의 비율이다. 특히, 실험 중에 버스트 절연 스파이크 실시간 확인을 실시 하였다. 디코딩 패러다임 때문에 버스트 및 격리 된 스파이크의 상대적 무게의 다른 다를 (참조, 절차, 3.5-3.6 및 토론 포인트).

그림 1 : 신경 네트워크와 로봇은 정보의 양방향 교환을 가지고이 그림은 실험 20 분에 걸쳐 로봇에 의해 여행 대표적인 3 가지 경로를 보여줍니다.. 짙은 녹색 픽셀이 로봇은 거리 센서를 통해 감지 할 수있는 지나갈 장애물을 나타내는 반면, 로봇,에 이동하는 특히, 밝은 녹색 지역은 무료입니다. 각각의 시험에서, 로봇 내가 시작n은 경기장의 좌측 상단과 큰 핑크 점으로 묘사 된 최종 위치로 이동합니다. 컬러 코딩 패스가 이동 로봇의 시간 변화의 표시를 제공하면서보다 작은 검은 점은, 히트 장해물을 나타낸다. 오른쪽 색상 막대는 시간 (분) 실험의 선두로부터 경과 된 표현한다. (A) 경로는 폐쇄 루프 실험 중에 하였다. (B) 경로가 '비어있는'MEA 실험 중에 다음 (더 셀 MEA 배양 없다 표면) (자극 속도가 실험을하는 동안 일정) 오픈 루프 실험 기간 동안 다음에. (C)의 경로입니다. 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 2 : 성능 결과를 폐쇄에 의해 영향을받는-loop 및 파상풍의 자극.이 그래프는 서로 다른 조건에서 연속 안타의 로봇에 의해 덮여 거리의 분포를보고합니다. 특히, 처음 두 배포판 대표 제어 실험 (MEA, '블라인드'로봇 실험 '열기 루프'(OL)에 도금없이 신경 세포와 레코딩을위한 '빈')가. 마지막 두 열은 장애물에 대한 히트 다음 문화에 전달되는, (CL)없이 (CL + TS) 파상풍의 자극 (TS)를 통해 구현 학습 프로토콜 '폐쇄 형 루프'상태를 나타냅니다. 각각의 박스에서, 세그먼트는 중앙 수평 분포, 평균값, 중앙 바 첫번째와 세번째 분위수 연장 수염 다섯 ^번째 및 95 ^번째 백분위 수에 연장 빈 사각형의 중앙값을 나타낸다. 이상 점은 다이아몬드로 표시됩니다. 통계 분산 채택 Kruskall-월리스 편도 분석을 사용하여 수행 된순위에 : 학생 - 뉴먼 - Keuls 페어 와이즈 비교 모든 중간 값은 P <0.05 유의 한 차이가 있음을 알 수있다.

도 3 : 로봇 복호 성능에 영향을 그래프 상기 확률을 나타내고, 소정의 복호 알고리즘, 로봇이 제한된 시간에 짧은 트랙을 통해 성공적으로 이동할.. 버스트 및 절연 스파이크의 확인 실험 자체 동안에 실시간으로 수행된다. 첫 번째 경우 ( '스파이크')에서 검출 된 모든 스파이크에 속하는 버스트 0의 가중치가, 각각에 설정 한 두 번째 및 세 번째 분포 절연 스파이크와 스파이크, 동일한 상대 가중치를 제시한다. 마지막 두 열은 모든 스파이크가 회계 경우에 얻어진 결과를 나타내지 만 상이한 상대적인 중량으로 위치에 따라.가중치가 다섯 번째 열 데이터에 대하여 복호화를위한 반전되는 동안 열 넷째 절연 스파이크 특히, 버스트 이벤트보다 상대적 가중치를 부여 하였다. 중앙 바는 첫 번째와 세 번째 분위수 연장 수염 다섯 ^번째 및 95 ^번째 백분위 수를 확장하면서 각 그래프에서, 중심선은, 분포, 빈 사각형 평균값의 중앙값을 나타낸다. 통계 순위에 분산 채택 Kruskall-월리스 편도 분석을 이용하여 수행되었다. 페어 와이즈 비교 (학생 뉴만-Keuls 방법은)으로 유의 한 차이 (p <0.05), 4 열 1, 2, 4, 2, 5, 2, 3 사이에서 관찰 될 수 있다는 것을 보여준다.

토론

본 논문에서는 신경 로봇 아키텍처 (즉, 피질 또는 배아 쥐의 해마에서 오는 신경 세포의 네트워크), 양방향 가상 로봇에 연결된 신경 컨트롤러를 기반으로 제공됩니다. 센서와 바퀴가 로봇은 장애물과 정적 경기장에서 강제 이동 및 작업은 충돌을 피하는 구성되어 있습니다.

실패율도 기술적 조건에서 가장 중요한 경향 기재된 바와 같이 프로 시저의 첫 번째 및 아마도 가장 중요한 측면은, 배양 물 자체의 제조이다. 배양 기술의 상세한 설명은 본 작업의 범위 밖에 있지만,이다. 네트워크 연소율 보통 시험관 3 주 후, 안정된 상태에 도달하면 일반적인 지침으로서, 기록이 발생한다. 건강한 문화의 거친 표시는 여러 기록 chann의 자발적인 전기 생리 활동의 존재입니다ELS (적어도 20 개의 채널을 사용할 수 60). 이러한 배양 신경 간 연결 높은 것을 특징으로한다. 이러한 조건에서 신경 활동은 일반적으로 강하게 시간에, 그것은 분 동안 침묵 기간 ^(37)에 의해 다음에 강렬한 스파이크와 함께, 간질 이벤트를 표시, 동기화된다. 이러한 기능은 모두 문제가 제시 : 과도한 동기화가 간질 활성을 나타내는 문화가 침묵 기간 다음에 활동의 긴 폭발되게 최초의 자극에 반응하면서 불가능에 관계없이, 다른 전극에서 자극에 대한 반응을 구별하는 것 어떤 연속적인 자극 전달했다. 이러한 두 문제는 강하게 신경 인구가 두 개 이상의 약하게 상호 서브 그룹으로 분할되어있는 패터닝 된 배양 물 ^(35)의 채용에 의하여 개선 될 수있다.

또 다른 문제는 신경 응답이 강하게 들어오는 STIMUL의 분포에 의존한다는 것입니다난 ^{(38, 39).} 폐쇄 루프 실험에서 자극 전달은 차례로, 이동 로봇의 결과 때문에 신경 자체의 응답이며, 센서 판독의 함수이다. 이는 실제 실험 기간 동안 관찰됩니다 어떤 반응을 사전에 구축하는 쉬운 방법이 없다는 것을 의미한다. 그 결과, 입출력 전극의 선택은 연속적인 근사치에 의존한다. 프로토콜 설명에서, 두 단계 과정 (즉, 단계 5.5 및 6.4) 접속 맵을 결정하기 위해 시도하도록 구현된다. 1 단계에서, 자극의 정규 시퀀스 전달 및 자극에 대한 반응은 제 1 연결지도 및 기록 채널 임시 세트를 유도하는데 이용된다. 이 구성은, 단계 6.4에 기재된 시험 운전을 수행하고, 실제 실험 기간 동안 모니터링 할 기록 채널을 선택하는데 사용된다.

결과 섹션, 대표 탐색 입술에서ULT 및 학습 패러다임의 도입에 의해 초래 즉각적인 개선되게됩니다. 프로토콜 설명 전반에 걸쳐 여러 가지 다른 가능한 실험적인 변형이 언급되어있다. 예를 들어, 개발 HyBrainWare2에 구현 된 두 가지 주요 코딩 시스템 (선형 및 확률)은 신경 코드 ³⁸ 시간 입력 변동의 정확한 역할을 조사합니다. 선형의 경우, 순시 자극 율은 사용자 정의 파라미터 및 로봇 센서 레코딩 함수이다. 스토캐스틱 경우, 각 시간 인스턴스는 주어진 확률을 갖는 자극을 제공하기 위해 선택되어야한다. 예상 자극 요금은 전자의 경우와 일치하도록 이러한 확률은 자동으로 HyBrainWare2에 의해 계산된다. 선형 부호화 상술 두 경우 사이의 원활한 전이를 제공 할 수있는 가능성은 지터를 추가한다. 동일한 방식으로, 복호 부에서 파라미터의 상이한 조합을 탐색하기 PRECI을 밝혀 도움이 될체외 신경 네트워크에 파열의 자체 역할. 흡광 계수는 초 공헌 한 값의 50 %를 상실하는 데 걸리는 시간이별로 나타내고 로봇의 각 휠의 속도는 가중 파라미터에 비례 이벤트가 해당 출력 영역에서 검출 될 때마다 증가 . 붕괴 지수 간단하다. 이러한 변형은 이미 HyBrainWare2의 현재 설계에 고려되었지만, 소프트웨어 나 실험 장치의 추가 수정이 도입 될 수 있다면 더 많은 연구 가능성은 열려있다.

여기에 설명되는 프로토콜의 중요한 한계는 오히려 개발 맞춤형 소프트웨어, HyBrainWare2 (모든 관심 사용자 요청시 자유롭게 사용할 수)의 요구 사항이다. 이 소프트웨어는 특정 모델 및 제조업체의 장치 (자극기, 수집 보드, MEA 증폭기)의 집합에 대한 설계되었습니다. 그것이 정말로 가능하지만이 디 작업에 적응fferent 설정은 변환이 일부 프로그래밍 기술이 소요됩니다. 마찬가지로, 포함 된 옵션은 설치 프로그램을 통해 조사 할 수있는 모든 실험 질문의 제한된 세트를 커버한다. 예를 들어, 제시된 아키텍처로 구현 스파이크 검출 알고리즘 (정확한 시간 스파이크 검출 ⁴⁰⁾ 완전히 등록 피사체 해리 신경망 (예를 들면, 심장 세포에서 매우 다른 경우 변경 될 필요가 여러 하드 코딩 파라미터에 의해 정의되고 또는 슬라이스). 최종적으로, 학습 프로토콜이 짧은 고주파의 전달 이루어져 각 장애물 히트 다음 자극 (2 초 20 Hz에서 자극, 각 자극 펄스가 감각 정보를 코딩하기 위해 사용 된 것과 동일 함)를. 로봇이 우측으로 장애물 안타, 파상풍의 자극은 일반적으로 오른쪽 정보에 대한 코드와 동일 왼쪽 안타도 마찬가지 전극에 전달된다. 이 프로토콜은 하드 코드와 B 없습니다E는 출사 소프트웨어를 수정하지 않고 사용자에 의해 변경.

여기에서 제시된 하이브리드 설치 폐쇄 - 루프 실험 ^{20,23,27,41,42위한} 제 구체 시스템 아니지만, 과거에 설계 것들은 유사한 제제의 제한된 수의 데이터에 의해지지 한 논문에 집중시켰다 . 실험 자체가 다른 문제를 해결하면서, 다른 한편으로는, 기재 설정이 (모듈화 및 원점에 대한 상이한 제제 실험 (100 개 이상 배양 2012 년부터 기록되어있는) 다수 사용되어왔다 예 파상풍 자극의 영향 결과에서 제시된 파열의 관련성,). 가까운 미래에, 새로운 실험 세션은 모두 파상풍 및 폐쇄 루프 자극의 지속 효과와 자극 규칙 사이의 관계를 확인하고 반응을 관찰하기 위해 예상된다. 해결해야 할 또 다른 문제로, 자연 관찰 활동 사이의 링크입니다고려 과거 활동 및 자극 ^(43)의 이력을 얻어 새로운 복호 알고리즘을 첨가 아이디어.

자료

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