Menu Close

Расшифровка кнс: канализационная насосная станция для перекачки стоков в Москве от компании «»СантехПроект» Емкости из пластика, стеклопластика, баки, бочки, септики, сантехника, насосы, монтаж».

канализационная насосная станция для перекачки стоков в Москве от компании «»СантехПроект» Емкости из пластика, стеклопластика, баки, бочки, септики, сантехника, насосы, монтаж».

Принцип работы 

и устройства

Подводящий трубопровод обеспечивает транспортировку сточных вод в нижнюю накопительную часть станций. Чтобы поступающий со стоками крупный мусор не повредил погружные насосные агрегаты, на входном патрубке КНС может устанавливаться корзина для его задержания. Мусор из корзины необходимо периодически удалять.

В нижней части устанавливаются быстроразъемные соединения (донные основания, на которые устанавливаются насосы). В зависимости от режима работы станции, автоматически включаются требуемые насосы и перекачивают стоки через отводящий напорный или дренажный патрубок.
Насосы крепятся к автоматической трубной муфте (АТМ). Для удобства монтажа и демонтажа насосов применяется система быстроразъемного герметичного соединения с АТМ. Различают «Донные АТМ» с направляющими (используются при стационарном монтаже канализационных насосов на дне резервуара), и АТМ с подвеской насоса (применяются с небольшими насосами).
АТМ крепится к анкерной плите, расположенной на дне колодца. К АТМ присоединяются насосы с направляющими для удобства монтажа или демонтажа и напорный трубопровод. Таким образом, для монтажа и демонтажа насоса не нужно опускаться на дно колодца.

Верхняя часть насосной станции оснащена крышкой, обеспечивающей удобство доступа для проведения технического обслуживания. Если станция располагается под проезжей частью, она комплектуется чугунной крышкой, выдерживающей нагрузку от автотранспорта. При расположении в газоне, КНС комплектуется алюминиевой крышкой. Для удобства открывания и закрывания алюминиевая крышка оборудована газлифтом. Для удобства обслуживания оборудования КНС Labko Сан-Инжиниринг оснащены специальными площадками, а также установлена лестница для доступа персонала внутрь. Для обеспечения воздухообмена внутри КНС в верхней ее части установлен вентиляционный патрубок.

Все станции КНС комплектуются шкафами управления  насосными агрегатами. При установке на улице предусмотрены шкафы управления во влагозащищенном исполнении (IP65), оснащенные автоматическим обогревателем, для обеспечения положительной рабочей температуры в холодное время.

Прежде чем заказать КНС, необходимо определиться с рядом характеристик, обеспечивающих эффективность ее эксплуатации, которая напрямую зависит от правильного выбора насосного оборудования и автоматики управления. При выборе типа конструкции станции и мощности насосных агрегатов следует учитывать пропускную способность устройства, глубину залегания трубопровода, свойства перекачиваемой среды.

Наши специалисты произведут расчет параметров станции, максимально подходящей для эффективной эксплуатации в ваших условиях. Для этого вам необходимо сообщить все исходные характеристики, включая тип стоков, производительность, длину напорной трассы, требования к электрооборудованию.

Для получения коммерческого предложения необходимо заполнить опросный лист

Если у Вас возникнут какие-либо вопросы – обращайтесь к менеджерам компании.

 

КНС — это… Что такое КНС?

КНС

Комиссия ООН по наркотическим средствам

организация

Источник: http://www.penza.aids.ru/downloads/UNO.htm

КНС

комбайн навесной силосоуборочный

Словарь: С. Фадеев. Словарь сокращений современного русского языка. — С.-Пб.: Политехника, 1997. — 527 с.

КНС

калориметр для определения цвета светлых нефтепродуктов

в маркировке, энерг.

Источник: http://bioeco.ru/html/pribori/kknp/1_12_1.htm

Примеры использования

КНС-1

КНС-2

КНС

комплексная навигационная система

Словарь: С. Фадеев. Словарь сокращений современного русского языка. — С.-Пб.: Политехника, 1997. — 527 с.

КНС

коэффициент нестабильности

кардиология

мед.

Источник: http://ecg.ru/pub/article/ragozin/001/index.html

КНС

консультативно-наблюдательный совет

Источник: http://www.russnic.ru/doccounc.htm

КНС

канализационная насосная станция
канализационно-насосная станция

КНС

комитет незаможных селян, комнезам

УССР, 1920—1933

КНС

комплекс навигационных средств

КНС

Камерунский национальный союз

политическая партия в ОРК

полит.

КНС

кремний на сапфире

полупроводниковая структура

физ.

Словарь: С. Фадеев. Словарь сокращений современного русского языка. — С.-Пб.: Политехника, 1997. — 527 с.

КНС

космическая навигационная система

косм.

КНС

компрессорная насосная станция

  1. КНС
  2. КНЦ

кустовая насосная станция

энерг.

  1. КНЦ

нефт.

КНС

курсы начальников «стай»

скаутск.

КНС

кодовый неоновый светомаяк

КНС

крутонаклонный сепаратор

угольная промышленность

Источник: http://www.svoruem.com/forum/443.html

КНС

консультативный научный совет

например: КНС Фонда «Сколково»

образование и наука

Источник: http://www.i-gorod.com/newslist/20101015-kns1/

КНС

клеточная нейронная сеть

Источник: http://www.2.uniyar.ac.ru/users/departament/d0/bibl/4/ovec.pdf

КНС

Комитеты народного сопротивления

группировка
Палестина

Источник: http://www.izvestia.ru/news/news139787/

КНС

комиссия по надзору за страхованием

Источник: http://www.kommersant.ru/doc-y.html?docId=590847&issueId=23455

Пример использования

литовская государственная КНС

КНС

коррекция неотложных состояний

ср. ОКНС

мед.

Источник: http://medgazeta.rusmedserv.com/2004/14/article_932.html

Пример использования

отделение КНС

КНС

Комитет национального спасения

с ноября 2004

Украина

Источник: http://www.newsru.com/world/26nov2004/vote.html

Словарь сокращений и аббревиатур. Академик. 2015.

Строительство насосных станций (КНС, ПНС, ЛНС)

Строительство канализационной насосной станции (КНС, ЛНС, ДНС, ПНС)

Мы осуществляем капитальное строительство канализационных насосных станций и станций повышения давления в резервуаре «под ключ».

Строительство насосных станций

  • в Московской, Владимирской, Ивановской, Нижегородской, Кировской областях
  • в республиках Марий Эл, Мордовии и Чувашии.
  • поставки оборудования и пуско-наладка — по всей России

Строительство и монтаж КНС

мы осуществляем в строгом соотвествии с

  • рабочей документацией (и разработаем рабочий проект, при её отсутствии)
  • техническими условиями
  • постановлением Правительства РФ N87
  • пожеланиями и требованиями Заказчика
  • строительными нормами и правилами

Стоимость строительства комплектной КНС зависит от

  • сложности реализуемого проекта и объёмов работ
  • наличия и качества проектной докуменации стадий РД (РП)
  • производительности насосных агрегатов
  • требований к системам управления, диспетчеризации и электроснабжения КНС

Предварительная подготовка объекта к строительству КНС

Прежде чем мы приступим к производству строительно-монтажных и пуско-наладочных работ, заказчик подготавливает строительную площадку или объект:
  1. закупка материалов, необходимых для монтажа КНС: сыпучие материалы (песок и щебень для подушки под железобетонную плиту основания и обсыпки резервуара), трубы необходимого диаметра, а также гофротрубы для укладки электрических кабелей, и электрокабели (если необходимо наращивание кабелей насосов и датчиков)
  2. организация подъездных путей к месту установки КНС для спецтехники и автокрана
  3. электроснабжение по постоянной или временной схеме, с возможностью оперативного отключения питания
  4. электрическая сеть, соответствующая рабочим параметрам электродвигателей технологического оборудования КНС
  5. наличие запаса воды для заполнения резервуара КНС (для проведения пуско-наладочных работ и комплексного опробования)

Порядок строительства канализационной насосной станции (КНС, ЛНС, ДНС, ПНС)

Подготовка площадки строительства

  • подготовка площадки для размещения резервуара КНС
  • разработка котлована в соответствии с рабочей документацией. При необходимости производится укрепление стенок котлована и организуют мероприятия по водопонижению
  • подготовка дна котлована и устройство ж/б основания для резервуара КНС
  • устройство песчаной подушки на ж/б плите основания, для нивелирования неровностей основания и установки корпуса КНС «по уровню»

Монтаж КНС

  • установка приемного резервуара канализационной насосной станции в котлован, вручную или грузоподъемным краном
  • выравнивание резервуара КНС по уровню и якорение корпуса КНС для предотвращения «всплытия»
  • монтаж насосов и технологического оборудования в резервуаре КНС
  • элекроподключение насосов, датчиков и прочего оборудования
  • подключение подводящего и напорного трубопроводов
  • проверка на герметичность системы, работоспособности узлов и агрегатов, пробный пуск на чистой воде
  • обратная засыпка котлована производится после пуско-наладочных работ.

Подготовка к проведению пуско-наладочных работ КНС

  • проверяем герметичность соединений
  • устанавливаем насосные агрегаты на направляющие и подключаем к напорным трубопроводам
  • подключаем насосы к шкафу контроля и управления КНС
  • устанавливаем датчики уровня и сигнализации, в соответствии с проектом
  • подключаем шкаф управления КНС к электросети

Настройка оборудования и запуск в эксплуатацию (пуско-наладка КНС)

  • настраиваем электрооборудование насосной станции — насосы, датчики, расходомеры, задвижки с электроприводом
  • проверяем работоспособность системы и соответствие рабочих параметров проектным
  • испытываем оборудование на заданных режимах работы, подбираем режимы, отвечающие проектным характеристикам
  • проверяем и показываем работу КНС заказчику и приемной комиссии, в ручном и автоматическом режимах работы
  • обучаем обслуживающий персонал эксплуатации КНС
  • завершаем строительство и пуско-наладку КНС подписанием актов выполненных работ и приема-передачи КНС заказчику


По договоренности с заказчиком, мы проводим комплексное плановое обслуживание КНС, для выявления и предотвращения поломок оборудования.

Для выезда инженера на объект или расчета монтажа КНС, свяжитесь с нами одним из способов:

КНС или канализационная насосная станция: применение, свойства, производители

Что такое КНС?

Последние годы в России ознаменовались ничем иным, как настоящим пиком развития строительного рынка. Уверенными темпами происходит внедрение передовых методик в строительстве, а также «свежих» технологий канализации и водоотведения. Канализационные насосные станции – удачное решение. Это именно та технология, которая в одно мгновение сменила древние системы самотечной канализации.

КНС (канализационные насосные станции) – это оборудование, которое создано для водоотведения сточных вод на очистные сооружения. КНС применяются при невозможности осуществления сброса сточных вод самотеком.

Посредством КНС на очистные сооружения подаются ливневые, дренажные, бытовые или производственные сточные воды.

Исходя из технических требований, изготавливаются корпуса канализационных насосных станций. Материал изготовления – полипропилен, то есть армированный стеклопластик. Прочность конструкции повышается за счет ребер жесткости, которыми оснащена канализационная система. Также в случае надобности может быть дополнительно изготовлен усиленный корпус. Это необходимо при расположении станции на большой глубине, а также под проезжей частью.

Внутри насосных станций КНС могут монтироваться:

  • лестницы;
  • сороудерживающая арматура, элементы которой производятся исключительно из нержавейки или оцинкованной стали;
  • напорные трубопроводы;
  • насосное оборудование.

КНС делятся на:

  • дренажные;
  • ливневые;
  • фекальные;
  • производственные;

По правилам и санитарным нормам КНС должны быть установлены на расстоянии не менее 20–30 метров от жилых объектов.

На сегодняшний день станции КНС выпускаются в высокопрочных корпусах из стеклопластика и полипропилена. К прочности корпуса традиционно предъявляют высокие требования. Так как КНС Флотенк большей частью устанавливаются на больших глубинах. Корпус КНС внутри оснащен следующим вмонтированным оборудованием: системой насосов, трубопроводов, вентилей. Их управление производится посредством специальных пультов, находящихся вне корпуса.

Концентрация болезнетворных микроорганизмов и неприятных запахов велика внутри корпуса КНС. Поэтому они оборудованы герметичным люком в качестве защиты.

Для того чтобы обслужить канализационную насосную станцию, требуется спуск обслуживающего персонала по спецлестницам в защитной амуниции. Однако по большей части производитель стремится к минимизации нахождения людей в корпусе станции КНС. С этой целью устанавливается следующее оборудование:

  • автоматические грузоподъемники,
  • быстроразъемные соединения с резиновыми уплотнителями,
  • выносные пульты управления.

Канализационные насосные станции выпускаются с учетом всех современных требований. Это позволяет беспроблемно их использовать вблизи жилых объектов, так как они почти не производят вибрации и шума.

Чтобы предотвратить сбои в работе, а также аварийные ситуации, в процессе строительства преимущественно устанавливается несколько небольших КНС вместо одной крупногабаритной. Ведь если одна централизованная КНС Helyx, которая обслуживает населенный пункт, даст сбой, это может спровоцировать ряд экологических проблем.

Преимущества КНС

Установка. Экономия площади – вот основное преимущество при установке КНС. Пропадает необходимость сооружения габаритных железобетонных емкостей и вентиляционных объектов. К примеру, на сегодняшний день не требуется устанавливать станцию размером более 12 м. Достаточно установить современную КНС, которая будет равняться около 1,5 метров в диаметре.

Экономия энергии. КНС обеспечивает постоянный хороший напор. Электроэнергии она потребляет при этом в разы меньше.

Обслуживание. Техобслуживание КНС требуется не часто, а также требует  минимальных затрат как денежных, так и трудовых. Если случается аварийная ситуация, то данные поступают диспетчеру. Это отменяет необходимость контроля над функционированием КНС.

Принципы работы КНС

Сточные воды попадают в нижнюю часть насосной станции КНС по подводящему трубопроводу из септика. На дне нижней части системы размещено насосное оборудование. В процессе работы насосной станции все задвижки, находящиеся на трубопроводах, находятся в «открытом» положении. Каждый трубопровод оснащен обратным клапаном. Он не дает возможности сточной воде попадать обратно в насос.

Отсутствие неприятных запахов гарантирует герметичный  закрывающийся люк. Он находится в верхней части канализационной насосной станции. Помимо этого, верхняя часть КНС (марок Альта и Helyx) снабжена вентиляционным патрубком, который производит воздухообмен.

Насосная станция КНС управляется посредством поплавковых датчиков. При их срабатывании включаются световые сигналы, которые находятся на пульте автоматического управления. Также возможен звонок на телефон или смс-оповещение.

Местоположение электронного пульта управления – техническое помещение здания либо металлический щит на стойках, находящийся на поверхности.

Производители КНС

Вопросы, решаемые при установке современной КНС:
  • Экономится площади.
  • Экономия электроэнергии.
  • Автоматический режим работы станции.

Для того чтобы не нужно было спускаться на дно КНС Оникс во время ее обслуживания, она оснащена грузоподъемником.

Насосное оборудование для КНС

Оборудование фирмы Grundfos, которое производится в Германии, используется в насосных станциях. Все насосы являются насосами погружного типа. Насосы от Grundfos опускаются в КНС по направляющим. Они соединяются с напорными трубами посредством патрубка, который устанавливается на дне КНС.

Плюсы насосов для кнс:
  • техническое обслуживание требует минимум средств и усилий;
  • функционируют в автоматическом режиме;
  • работают в любых погодных условиях.

Достаточно часто КНС Альта сменяют устаревшие системы самотечной канализации, а также они используются в условиях современного строительства. Это обусловлено огромным преимуществом канализационных станций перед «древними» системами.

канализационная насосная станция: виды, устройство, монтаж

Устройство и принцип работы КНС

Что собой представляет КНС в канализации, из чего состоит этот аппарат и как он работает?

Это, наверное, самые популярные три вопроса в отношении данного оборудования, на которые мы сегодня и ответим.

Типовые канализационные насосные станции могут немного отличаться по своей конструкции, но в основном все имеют резервуар для накопления жидкости и решётки для сбора крупного мусора, который способен повредить весь трубопровод.

Кроме того, в своём арсенале современное канализационно – перекачивающее оборудование содержит погружной насос, который собственно и поднимает фекалии на определённую высоту для дальнейшей их доставки в центральную канализацию. Кстати, включают этот насос поплавочные выключатели, дождавшись определённого количества сточных вод. Их бывает несколько штук, а надо это для полного контроля за выполнением главного назначения КНС, а именно, эти ребята страхуют друг друга – если сломался один, то включается другой и т. д.

Для препятствия распространению неприятных запахов бытовая канализационно – насосная станция оборудована фильтрами, а для измельчения крупных отходов – режущий механизм (измельчитель).

Важно:

КНС обязательно должна иметь вентиляцию, которая представляет собой два патрубка на крышке, через которые поступает свежий воздух.

Канализационные насосные станции на вечномерзлых грунтах имеют, в добавок, нагревательное приспособление, которое обеспечивает нормальную перекачку жидкостных сред даже в таких температурных условиях, не давая ей замёрзнуть.

В заключении описания этого устройства, надо добавить, что практически все комплектные канализационные насосные станции оборудованы специальной крышкой со смотровыми окошками, электрической щитовой, патрубками для соединения с трубопроводом, элементами крепления и лестницей для их обслуживания.

  • Принцип действия

Исходя из вышеперечисленных составляющих, можно кратко описать принцип работы КНС: резервуар собирает в себе все сточные отходы до нужного уровня, после чего поплавки включают погружной насос, который поднимает всё содержимое наверх, а дальше оно самотёком доставляется к очистной станции. Все дополнительные элементы при этом фильтруют, обеспечивают вентиляцию и нагревают, если этого требуют особые климатические условия. А обратный клапан не даёт жидкости возвращаться назад.

ООО КНС ГРУПП — ОГРН 5147746249668, ИНН 7701411241

Действует Обновлено 09.06.2021

Компания ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ «КНС ГРУПП» зарегистрирована 20.10.2014 г. Краткое наименование: КНС ГРУПП. При регистрации организации присвоен ОГРН 5147746249668, ИНН 7701411241 и КПП 770301001. Юридический адрес: ГОРОД МОСКВА УЛИЦА РОЧДЕЛЬСКАЯ ДОМ 15 СТРОЕНИЕ 15 ЭТАЖ 4, ПОМ. IV, КОМ. 4.

Морозов Никита Львович является генеральным директором организации. Учредители компании — ШЕЛОБКОВ АЛЕКСЕЙ АНАТОЛЬЕВИЧ, СТОЛЯРОВ СЕРГЕЙ ВЛАДИМИРОВИЧ, ИКОЕВ АРТЕМ ЛЕОНАРДОВИЧ, БАКУЛИН АЛЕКСАНДР ВИКТОРОВИЧ, ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ «ХОЛДИНГ «ИНТЕЛЛЕКТУАЛЬНЫЕ КОМПЬЮТЕРНЫЕ СИСТЕМЫ». Среднесписочная численность (ССЧ) работников организации — 318.

В соответствии с данными ЕГРЮЛ, основной вид деятельности компании ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ «КНС ГРУПП» по ОКВЭД: 26.20 Производство компьютеров и периферийного оборудования. Общее количество направлений деятельности — 19.

За 2020 год прибыль компании составляет — 1 819 409 000 ₽, выручка за 2020 год — 22 076 510 000 ₽. Размер уставного капитала ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ «КНС ГРУПП» — 10 000 ₽. Выручка на начало 2020 года составила 15 117 107 000 ₽, на конец — 22 076 510 000 ₽. Себестоимость продаж за 2020 год — 17 686 393 000 ₽. Валовая прибыль на конец 2020 года — 4 390 117 000 ₽. Общая сумма поступлений от текущих операций на 2020 год — 25 244 729 000 ₽.

На 22 августа 2021 организация действует.

У компании ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ «КНС ГРУПП» есть торговые марки, общее количество — 27, среди них YADRA, YA DRO TATLIN YADRO TATLIN YADRO, VESNIN, YADRO VESNIN, TATLIN TAT, YADR YADRO YADR YADRO DRO YA DR, YA DRO YADRO YADRO, MUTABOR, YA DRO VESNIN YADRO VESNIN YADRO, ТАТЛИН, YADRO, ВЕГМАН, VEGMAN, МУТАБОР, ВЕСНИН, YADRO VEGMAN, ЯДРО. Первая торговая марка зарегистрирована 22 декабря 2009 г. — действительна до 26 ноября 2018 г. Последняя торговая марка зарегистрирована 23 июля 2021 г. и действительна до 5 июня 2030 г.

Юридический адрес КНС ГРУПП, выписка ЕГРЮЛ, аналитические данные и бухгалтерская отчетность организации доступны в системе.

Что такое ВОС, КОС, ЛОС в системе водоподготовки и водоотведения в Ростове-на-Дону

Главная → Что такое ВОС, КОС, ЛОС в системе водоподготовки и водоотведения

В различных источниках, объясняющих, как подготавливают питьевую воду, очищают стоки, встречаешь сокращения ВОС, КОС, ЛОС и другие подобные. Попробуем разобраться, к чему относятся эти понятия, какой процесс описывают.

Водоочистные сооружения — ВОС

Централизованное водоснабжение начинается с водозабора. Это может быть артезианская скважина или природный источник – река, озеро. Понятно, подняв извлечение в емкость, мы обнаружим, природный продукт далек от безопасного употребления. Чтобы подать воду в городской водопровод, нужно выполнить водоподготовку. Для этого и существует станция ВОС.

По нормам СанПиН2.1.4.1074-01 вода должна быть прозрачной, ее основные характеристики:

  • Водородный показатель, рН 6-9, слабокислая, нейтральная, слабощелочная.
  • Сумма растворенных солей 1000-1500 мг/л
  • Общая жесткость – 7-10 мг-экв/л.
  • Окисляемость перманганатная – до 5 мгО2/л.

В стандарте перечислено большинство элементов Таблицы Менделеева с указанием их возможного количества. Вода не должна иметь посторонних запахов и мути.

Из водозабора вода поступает на первичное озонирование, потом интенсивно перемешивается с реагентами, для осаждения лишних примесей. Хлопья, песок отстаиваются. Чистая вода снова озонируется, фильтруется на многослойных фильтрах, затем на мембранных ультраочистителях. После вода скапливается в подземном хранилище и подается потребителю.

Канализационные очистные сооружения – КОС

Использованная вода сливается, она считается сточной. Канализационные очистные сооружения представляют систему трубопроводов, открытых каналов, по которым стоки попадают на станцию очистки. Задачей КОС считают отделение плавающих примесей на решетке, удаление тяжелых частиц в песколовке, Химическую, биологическую и механическую очистку с последующим обеззараживанием. Очищенные стоки лишены запаха, слегка мутные, соответствуют утвержденным нормам остаточных веществ. Для вторичного использования продукт не пригоден, но безопасен для экологии при сбросе. Труба заведена вглубь источника, чтобы ускорить унос.

Локальные очистные сооружения – ЛОС

Когда отсутствует общая канализация, в отдельном доме создают внутреннюю канализационную сеть. Дальше стоки подаются во внешний контур, последним звеном которого будет септик. Вся эта система называется ЛОС или локальная канализация. Приемник стоков может быть простейшим, с периодической откачкой спецтранспортом. Использование модульных станций биологической очистки позволяет получать техническую воду, и останавливать ЛОС раз в год для уборки твердого остатка.

К ЛОС относят нефтеловушки на заправочных станциях и блоки очистки стоков на промышленных предприятиях.

Оставить заявку

Кодирование и декодирование места касания в пиявке CNS

Рисунок 5.

Результаты экспериментов по декодированию, в которых мы варьировали разницу в задержках и считали…

Рисунок 5.

Результаты экспериментов по декодированию, в которых мы варьировали как разницу в задержке, так и разницу в счетах. A , Иллюстрация четырех классов цепочек пиков, вызванных в P-клетках в одной серии экспериментов.CD, разница в счетах; LD, разница латентности. Первая и вторая строки представляют испытания, в которых разница в задержке составляла +8 мс и -16 мс соответственно. Первый и второй столбцы представляют испытания, в которых разница в счетах составляла -1 пик и +2 пик, соответственно. Следовательно, мы сгенерировали изменения разницы подсчетов трех всплесков (между столбцами), изменения разницы задержек на 24 мс (между строками), а также оба изменения (диагонали). B , Результаты одного эксперимента, в котором мы поставили четыре стимула, представленные в A .Оси — это баллы ПК, и каждая точка представляет собой реакцию на изгиб в одном испытании. Мы используем тот же цветовой код, что и в A . Средняя реакция на каждый стимул обозначена большим закрашенным квадратом. C , Гистограмма расстояния между средними поведенческими реакциями при изменении различных нейронных переменных (среднее ± SEM). Каждое расстояние в эксперименте было нормировано на максимальное расстояние между средними значениями для этого эксперимента. «CD» — это случай, когда разница в счетах была изменена на три пика, «LD» — это случай, когда разница в задержке была изменена на 24 мс, а «Оба» указывает на случай, когда изменились обе переменные.Звездочка указывает на то, что расстояние между средней поведенческой реакцией на изменение разницы в латентности было значительно меньше, чем расстояние, когда была изменена либо только разность подсчета, либо обе переменные ( p <0,001, t тест; n = 6). D , То же, что и в C , за исключением того, что изменение разности счета составило 1 пик, а изменение разницы задержки составило 10 мс ( p <0,05, t test; n = 11). E , Сводная информация о том, как на поведенческую реакцию (в пространстве оценок ПК) влияют изменения в разнице количества и разнице задержек. Распределение ответов при фиксированном количестве и разнице задержек представлено контурными графиками гауссовских распределений (гауссово было произвольно выбрано для иллюстративных целей). В наборе ответов при определенной разнице подсчетов наблюдается небольшое постепенное изменение среднего ответа при изменении разницы в задержке (по оси LD).При изменении разности счета наблюдается заметный скачок среднего отклика (по оси CD). θ представляет собой угол между осями CD и LD (обсуждение см. в разделе «Результаты»). F , Таблица сравнения производительности разницы в задержке и разности подсчетов (столбцы) в экспериментах по кодированию и декодированию (строки). Для строки кодирования показано пороговое изменение местоположения касания, необходимое для достижения пороговой дискриминации (правильность 75%). Строка декодирования показывает изменение нейронной переменной, необходимое для достижения порогового поведенческого различения этой переменной в экспериментах по декодированию (после преобразования в расстояние между стимулами, которое может вызвать такие изменения в нейронной переменной; см. Результаты).

Кодирование и декодирование

Расположение касания в Leech CNS

Эксперименты по кодированию

Относительно простая трехслойная сеть из ~ 50 нейронов обеспечивает ответ локального изгиба (Fig. 1 C ). Ответ инициируется активностью четырех чувствительных к давлению механорецепторов, известных как P-клетки (рис. 1 B ) (Kristan, 1982; Lewis and Kristan, 1998c; Zoccolan and Torre, 2002), которые возбуждают около 25 интернейронов (Lockery and Kristan, 1990; Lewis and Kristan, 1998a), которые, в свою очередь, возбуждают около 20 мотонейронов, которые синапсируются друг с другом, а также с мышцами стенки тела пиявки (Kristan, 1982; Lockery and Kristan, 1990).

Рисунок 1.

Предпосылки и методы экспериментов по кодированию. A , слева, изображение пиявки. Пиявка представляет собой сегментированный червь с дорсовентральной (сверху вниз) и переднезадней осями (спереди назад, также известная как продольная ось). Справа: изображение поперечного сечения пиявки, показывающее продольную ось стенки ее тела. За начало отсчета принимается вентральная средняя линия пиявки (V) ( θ = 0 °). B , Поля восприятия показывают количество спайков в четырех P-ячейках по сравнению с местом касания θ вдоль окружной оси (адаптировано из Lewis and Kristan, 1998c).Количество спайков нормализовано до максимальной частоты возбуждения для каждого нейрона (V — вентральный; D — дорсальный; L — слева; R — справа). Черная полоса показывает область, где мы стимулировали пиявку. C , Схема локальной изгибной сети (описание см. В Результатах). D , В экспериментах по кодированию мы приложили силовой шаг (вверху) к стенке тела пиявки (посередине) при регистрации напряжений от двух вентральных P-клеток (внизу). Степень рецептивных полей клеток обозначена овалами на стенке тела, а горизонтальные линии представляют границы кольца (каждый сегмент пиявки состоит из пяти выступающих выступов, известных как кольца).Черные полосы на оси времени кривых напряжения указывают ход изменения силы во времени.

Предыдущие исследования показали, что количество спайков Р-клеток варьируется в зависимости от местоположения касания по окружности стенки тела пиявки (Рис. 1 B ) (Kristan, 1982; Lewis and Kristan, 1998c). Чтобы определить, кодирует ли латентность также местоположение прикосновения, мы записали ответы в двух вентральных Р-клетках, одновременно оказывая давление на вентральную поверхность стенки тела пиявки (рис.1 D ). Мы доставили стимулы близко к вентральной средней линии (θ = 0), чтобы активировать только две вентральные Р-клетки (рис. 1 B ). Мы применяли давление в течение 200 мс, потому что предыдущая работа показала, что максимальная точность кодирования с использованием подсчета спайков P-клеток достигается в пределах 200 мс от начала стимула (Lewis and Kristan, 1998c). Во всех 1200 испытаниях с участием восьми пиявок в текущих экспериментах стимуляция вызвала спайки в обеих вентральных Р-клетках (рис. 2 A ).

Фигура 2.

Результаты экспериментов по кодированию. A , Типичные нейронные реакции при прикосновении к стенке тела на 12 ° слева от вентральной средней линии ( A1 ), на вентральной средней линии ( A2 ) и на 12 градусов вправо вентральной средней линии ( A3 ). Верхние панели — это ответы в левой P-ячейке, а нижние панели — в правой P-ячейке. B – D , Диаграммы разброса задержки ответа, количества всплесков и начальной частоты срабатывания в зависимости от местоположения касания для правой P-ячейки из одного эксперимента ( n = 60 испытаний).Линии — лучшая линейная посадка. На этих и следующих панелях r — это коэффициент корреляции, а p — значение p , когда нулевая гипотеза состоит в том, что переменные не коррелированы (ANOVA). E – G , Диаграммы разброса разницы в задержках (задержка в левой P-ячейке минус задержка в правой P-ячейке), разницы в счетах (количество в левой P-ячейке минус количество в правой P-ячейке) и начальная разница в скорости срабатывания (начальная скорость стрельбы в левой P-ячейке минус начальная скорость стрельбы в правой P-ячейке) по сравнению с местоположением касания.Данные взяты из того же эксперимента, что и на предыдущих панелях. H , Процент правильных ответов как функция разницы в положениях касания (закрашенные кружки с полосами ошибок, представляющими среднее значение ± SEM, при этом средние значения определены по всем экспериментам). Красный: разница в задержке; синий, разница в счетах; зеленый — разница в начальной скорострельности; желтый — разница в задержке и разница в начальной скорости стрельбы вместе; черная пунктирная линия, поведение. Линии — соответствующие нейрометрические функции (см. Результаты, эксперименты по кодированию).Заштрихованные квадраты внизу показывают разницу в местоположении касания, при которой классификатор достиг 75% правильности (4 ° для разницы в задержке и разницы в задержке в сочетании с разницей начальной скорости стрельбы, 13 ° для разницы в счетах, а также разницы в исходной скорости стрельбы и 9 ° для поведения).

Латентность ответа P-клеток значительно увеличивалась с увеличением расстояния от центра рецептивного поля в 16 из 16 клеток, тогда как количество спайков значительно уменьшалось в девяти из 16 P-клеток (α = 0.05; ANOVA) (Зар, 1999). Начальная скорость возбуждения, рассчитанная как величина, обратная первому межспайковому интервалу (см. «Материалы и методы»), значительно снизилась с увеличением расстояния от центра рецептивного поля в 10 из 16 P ячеек. Первый интервал между спайками, самый короткий период времени для оценки скорости стрельбы, потенциально может кодировать местоположение касания более точно, чем количество спайков, потому что это непрерывная переменная (Johansson and Birznieks, 2004). Эти тенденции проиллюстрированы для одной P-ячейки на Рисунке 2 B – D .

Относительная задержка между двумя P-ячейками также сильно коррелировала с местоположением касания; когда стимул находился слева от вентральной средней линии, первый всплеск в левой Р-клетке произошел до первого всплеска в правой Р-клетке. Напротив, правая Р-клетка первой реагировала на прикосновения справа от средней линии вентральной части. Две Р-клетки начали активировать потенциалы действия почти одновременно, когда пиявка коснулась вентральной средней линии (Рис. 2 A ).Количественно разница в задержке, определяемая как задержка ответа в левой P-ячейке за вычетом задержки ответа в правой P-ячейке, значимо коррелировала с местоположением касания (рис.2 E ) во всех восьми тестируемых пиявках (максимум p значение 10 −5 ; ANOVA). В среднем при изменении местоположения касания на 1 ° на стенке тела разница в задержке сдвигалась на 1,2 мс (SEM, 0,2).

Количество спайков и разница в начальной скорости возбуждения также коррелировали с местоположением касания, с большим количеством спайков (и более высокой начальной скоростью возбуждения) в P-клетке, которая стимулировалась ближе к ее центру воспринимающего поля (рис.2 F , G ). Эта корреляция была значимой у некоторых пиявок (две из четырех для подсчета; одна из четырех для скорости), когда точки касания находились на расстоянии 3 ° друг от друга, и у всех пиявок, когда точки касания находились на расстоянии 6 ° (α = 0,05; ANOVA). В среднем, для изменения положения касания на 1 ° на стенке тела наблюдалось изменение на -0,13 разницы в количестве спайков между P-клетками (SEM, 0,02) и изменение на -1,2 Гц в начальной разнице в скорости стрельбы. (SEM, 0,24).

У всех восьми пиявок коэффициент корреляции между местоположением касания и разницей в задержке был выше, чем коэффициент корреляции между местоположением касания и как начальной скоростью стрельбы, так и разницей в счетах.Удивительно, но коэффициенты корреляции, измеренные для разницы в начальной скорости стрельбы и разницы в счетах с местоположением касания, не различались статистически ( p = 0,59; t тест).

Затем мы количественно оценили, насколько хорошо разница в задержке распознает местоположение касания. Для всех ответов на стимуляцию в двух местах в данном препарате (например, различия в латентности ответа на стимуляцию при -6 ° и 0 °) мы использовали классификатор нейронной сети, чтобы оценить, какое местоположение стимула вызвало данный ответ (см. Методы).На рис. 2 H показан процент правильно классифицированных испытаний в зависимости от разделения точек касания. Процент правильности измеряет разделение между двумя распределениями разницы в задержке, возникающих при прикосновении к стенке тела в двух разных местах (Thomson and Kristan, 2005). Мы сравниваем процент правильных и сенсорных локаций с экспоненциальной функцией насыщения, нейрометрической функцией (рис. 2 H , красная линия) (Britten et al., 1992). Мы применили ту же процедуру, используя разницу в счетах (рис.2 H , синяя линия) и разницы начальной скорострельности (рис. 2 H , зеленая линия).

Разница в латентности оказалась лучшим отличительным признаком определения местоположения прикосновения: ее нейрометрическая функция росла заметно быстрее, чем у любого из двух других. Количественно распределение процентных правильных значений с использованием разницы в задержке значительно отличалось от распределений для разницы в счетах и ​​разницы в начальной скорости активации [ p <0,001; Тест Колмогорова – Смирнова (Zar, 1999)].Распределения разницы в счетах и ​​разницы начальной скорости стрельбы были статистически неразличимы ( p = 0,97; критерий Колмогорова-Смирнова). Поведенческая дискриминация пиявки, рассчитанная с использованием данных из предыдущих экспериментов (Baca et al., 2005), включена для сравнения (рис. 2 H , черная линия).

Мы проверили, что, включив только начальную мгновенную скорость стрельбы, мы не упустили информацию, содержащуюся во всей изменяющейся во времени мгновенной скорости стрельбы P-ячеек (см. Материалы и методы).Нейрометрическая функция, полученная с использованием разницы между полностью изменяющимися во времени мгновенными скоростями активации P-клеток, не отличалась значимо от таковой, использующей только начальную разность скоростей активации или разницу в счетах ( p > 0,15 в каждом случае; критерий Колмогорова-Смирнова ).

Поскольку нейрометрическая функция представляет способность распознавания по широкому диапазону стимулов, для суммирования общей производительности мы использовали стандартную меру порога распознавания, а именно разделение касания и местоположения, при котором классификатор достиг 75% правильности (Johnson and Phillips, 1981). ).Мы использовали это как меру порога распознавания местоположения касания (т. Е. Минимальную различимую разницу местоположения касания). Различия в задержке распознавали места касания, которые находились на расстоянии 4 ° друг от друга, различия в подсчете выделяли касания на расстоянии 13 °, в то время как пиявка поведенчески распознавала места касания, разнесенные на 9 ° (рис. 2 H ). (В типичной пиявке с окружностью 1,5 см 4 ° соответствует расстоянию <200 мкм.) Следовательно, разница в задержке распознает места касания более чем в три раза лучше, чем разница в счетах, и в два раза лучше, чем у действующей пиявки.

Сочетание различных показателей нейронной реакции не улучшило различение. Как описано в разделе «Материалы и методы», мы объединили различные переменные, сформировав векторы их оценок z , чтобы они имели одинаковые средние значения и SD. Комбинирование разницы в задержке и количестве касаний показало небольшое улучшение при большем расстоянии между точками касания (рис.2 H , желтая линия), но при сравнении всего диапазона различий в местах касания производительность не была значительно улучшена ( p = 0.91; Тест Колмогорова – Смирнова). Точно так же сочетание задержки с начальной скоростью стрельбы или изменяющейся во времени скоростью стрельбы приводило к незначительному изменению различения ( p > 0,3 в каждом случае; тест Колмогорова-Смирнова). Такое отсутствие улучшений может быть результатом отсутствия независимости между мерами. Например, разница в задержке и разница в количестве имели значительную (отрицательную) корреляцию у семи из восьми пиявок (три из четырех, когда точки касания находились на расстоянии 3 ° друг от друга, и четыре из четырех, когда касались на расстоянии 6 °; ANOVA, α = 0.05).

Несмотря на такую ​​корреляцию между переменными, каждая переменная продолжала отслеживать местоположение касания в тех испытаниях, в которых другая переменная не изменилась. Например, в тех 94 из 600 испытаний (16%), в которых две Р-клетки генерировали одинаковое количество всплесков (т. Е. Разница в их количестве составляла 0), разница в задержке варьировалась до 30 мс и все еще сильно коррелировала с место касания ( p <0,001; ANOVA). Точно так же, когда мы проанализировали эти испытания с почти идентичной разницей в задержке (т.е., абсолютное значение разницы в задержке было <2 мс), разница в подсчете варьировалась на целых три пика и была достоверно коррелирована с местоположением касания ( p = 0,01; ANOVA).

Расшифровка экспериментов

Чтобы определить, насколько хорошо схема локального изгиба декодирует разницу в латентности и разницу в счетах, мы стимулировали две вентральные Р-клетки сериями коротких импульсов тока, одновременно получая последовательности изображений стенки тела, который ведет себя (рис.3 А ). Мы использовали образцы пиков P-клеток, которые были основаны на статистике скорости активации, наблюдаемой в экспериментах по кодированию (см. Материалы и методы). Мы рассчитали поле оптического потока между каждой парой изображений в каждой последовательности изображений (рис. 3 B ). Поле оптического потока описывает движение стенки тела между каждой последовательной парой изображений в последовательности (см. Материалы и методы). Из поля оптического потока мы извлекли профиль изгиба (т. Е. Среднее продольное перемещение стенки тела как функцию положения на окружной оси стенки тела) (рис.3 C ) (Baca et al., 2005). Мы охарактеризовали полный поведенческий ответ после стимуляции Р-клеток как последовательность таких профилей изгиба во времени (фиг. 3 D ).

Рисунок 3.

Методы, использованные в экспериментах по декодированию. A . Мы подавали короткие (10 мс) импульсы тока на левую и правую вентральные Р-клетки, так что каждый импульс генерировал один потенциал действия. В показанном примере шесть спайков были вызваны в левой Р-ячейке, начиная с t = 0 мс, и один спайк был вызван в правой Р-ячейке при t = 75 мс. B , Поле оптического потока, которое представляет движение (в каждом пикселе) между двумя последовательными изображениями стенки тела. В этом примере показано поле потока между изображениями, полученными через 270 и 280 мс после начала стимуляции P-клеток. Обратите внимание, что движение четко сосредоточено слева от средней линии вентральной части. Горизонтальные серые линии обозначают границы кольцевого пространства. C , Профиль изгиба, который представляет собой среднее перемещение стенки тела в продольном направлении (направление Y), вычисленное из поля потока в B . D , Полное представление продольного компонента реакции локального изгиба в одном испытании: набор профилей изгиба с интервалами 10 мс от 0 до 300 мс после стимуляции P-клеток. Белая горизонтальная линия указывает временной интервал, показанный в C .

Различные различия в количестве шипов

Сначала мы изменили разницу в количестве между двумя вентральными Р-клетками, сохраняя при этом разницу в латентности фиксированной.Например, в одном эксперименте изменение разницы в счетах на четыре пика привело к явной разнице в поведенческой реакции (рис. 4 A ). В 27 таких экспериментах мы изменили разницу в счетах между одним и шестью спайками. (Это в два раза больше диапазона трех всплесков, наблюдаемых в ответ на механическую стимуляцию при данной разнице латентности.)

Рисунок 4.

Результаты экспериментов по декодированию. A , Поведенческие реакции, когда разница в счетах была изменена на четыре пика с фиксированной разницей в задержке.В A1 пять всплесков были сгенерированы в левой P-ячейке и три — в правой (разница в счетах, 2). В A2 справедливо обратное: три пика были сгенерированы в левой P-ячейке и пять — в правой (разница в счетах, −2). B , Процент правильных значений как функция изменения разности счета. Закрашенные кружки соответствуют среднему значению ± SEM, а линия — наилучшему экспоненциальному соответствию (см. Результаты). C , Поведенческие реакции, когда разница в задержке была изменена на 24 мс при постоянной разнице счета.В C1 левая P-ячейка начала активироваться на 12 мс раньше правой (разница в задержке, -12 мс), а в C2 левая P-ячейка начала активироваться через 12 мсек после правой (разница в задержке, + 12 мс). Как в C1 , так и в C2 , обе P-клетки вызвали по пять импульсов с одинаковой мгновенной скоростью срабатывания. D , процент правильных ответов как функция изменения разницы в задержке. Закрашенные кружки соответствуют среднему значению ± SEM, а линия — наилучшему экспоненциальному соответствию (см. Результаты).

Затем мы количественно определили, насколько чувствительна пиявка к таким изменениям разницы в количестве шипов, то есть насколько хорошо пиявка поведенчески распознает такие изменения. Мы использовали ту же процедуру, что и для количественной оценки того, насколько хорошо P-клетки распознают место касания. То есть мы использовали классификатор для оценки применяемого стимула (т. Е. Используемой разницы в счетах) на основе поведенческих данных для каждого испытания. Если поведение явно отличается для двух разностей подсчета в данном эксперименте, тогда классификатор, основанный только на поведенческих данных, сможет правильно предсказать, какая разница подсчетов применялась в каждом испытании.

Локальный изгиб оказался чрезвычайно чувствительным к изменениям в счетной разнице: изменение счетной разницы только для одного пика было определено намного выше вероятности (71% правильно; p <0,001, односторонний тест t по сравнению с 50%). ; n = 11). Функция различения (рис. 4 B ) показывает, что изменение пороговой разницы подсчета (т.е. 75% правильных) составило 1,8 пика. Из результатов кодирования мы знаем, что разница в счетах изменилась на 1.8 шипов соответствуют изменению положения касания на 14 ° (это следует из наблюдений в экспериментах по кодированию, что изменение положения касания на 1 ° вызывает изменение разницы счета на 0,13).

Различные различия в задержке

Затем мы изменили разницу в задержке между двумя P-ячейками, сохраняя при этом постоянную разность счетчиков (рис. 4 C ). Мы провели 53 таких сравнения, варьируя разницу в задержках от 6 до 200 мс.(В ответ на механическую стимуляцию диапазон различий латентности при определенной разнице подсчетов составляет ~ 30 мс.) Пиявка поведенчески распознавала изменения в разнице латентности с пороговым (75% правильным) обнаруживаемым изменением разницы латентности 30 мс (рис. 4 D ). При изменении разницы в латентности всего на 6 мс пиявка поведенчески распознавала последовательность шипов на 60% правильно (± 0,02 SEM), что было значительно выше вероятности ( p = 0,003; односторонний тест t ; n = 11).Из экспериментов по кодированию изменение разницы в задержке на 30 мс соответствует изменению местоположения касания на ~ 25 ° (рис. 2 E ).

Изменение количества и разницы в задержке

Затем мы изменили разницу в задержке и разницу в подсчете в одном и том же препарате, наблюдая за поведенческой реакцией. Мы использовали две разницы в задержке, каждая из которых сочеталась с двумя разностями счета (рис. 5 A ). В одной серии экспериментов мы представили вариации в разнице в счетах и ​​разнице в задержке, которые имитировали изменение местоположения касания на 20 °, что примерно вдвое превышает поведенческий порог (рис.2 H ). Результаты одного такого эксперимента показаны на диаграмме разброса оценок первых трех ПК поведенческой реакции (рис. 5 B ) [см. Материалы и методы и Baca et al. (2005)]. Это ПК-представление поведения сохраняет метрическую структуру исходного пространства поведенческих реакций: две точки, которые находятся далеко друг от друга на этом графике, соответствуют очень разным ответам на изгиб.

Рисунок 5.

Результаты экспериментов по декодированию, в которых мы варьировали как разницу в задержке, так и разницу в счетах. A , Иллюстрация четырех классов цепочек пиков, вызванных в P-клетках в одной серии экспериментов. CD, разница в счетах; LD, разница латентности. Первая и вторая строки представляют испытания, в которых разница в задержке составляла +8 мс и -16 мс соответственно. Первый и второй столбцы представляют испытания, в которых разница в счетах составляла -1 пик и +2 пик, соответственно. Следовательно, мы сгенерировали изменения разницы подсчетов трех всплесков (между столбцами), изменения разницы задержек на 24 мс (между строками), а также оба изменения (диагонали). B , Результаты одного эксперимента, в котором мы поставили четыре стимула, представленные в A . Оси — это баллы ПК, и каждая точка представляет собой реакцию на изгиб в одном испытании. Мы используем тот же цветовой код, что и в A . Средняя реакция на каждый стимул обозначена большим закрашенным квадратом. C , Гистограмма расстояния между средними поведенческими реакциями при изменении различных нейронных переменных (среднее ± SEM).Каждое расстояние в эксперименте было нормировано на максимальное расстояние между средними значениями для этого эксперимента. «CD» — это случай, когда разница в счетах была изменена на три пика, «LD» — это случай, когда разница в задержке была изменена на 24 мс, а «Оба» указывает на случай, когда изменились обе переменные. Звездочка указывает на то, что расстояние между средней поведенческой реакцией на изменение разницы в латентности было значительно меньше, чем расстояние, когда изменялись либо только разность подсчета, либо обе переменные ( p <0.001, т испытание; n = 6). D , то же самое, что и в C , за исключением того, что изменение разницы подсчетов составило 1 пик, а изменение разницы задержки составило 10 мс ( p <0,05, t test; n = 11). E , Сводная информация о том, как на поведенческую реакцию (в пространстве оценок ПК) влияют изменения в разнице в счетах и ​​разнице задержек. Распределение ответов при фиксированном количестве и разнице задержек представлено контурными графиками гауссовских распределений (гауссово было произвольно выбрано для иллюстративных целей).В наборе ответов при определенной разнице подсчетов наблюдается небольшое постепенное изменение среднего ответа при изменении разницы в задержке (по оси LD). При изменении разности счета наблюдается заметный скачок среднего отклика (по оси CD). θ представляет собой угол между осями CD и LD (обсуждение см. в разделе «Результаты»). F , Таблица сравнения производительности разницы в задержке и разницы в подсчете (столбцы) в экспериментах по кодированию и декодированию (строки).Для строки кодирования показано пороговое изменение местоположения касания, необходимое для достижения пороговой дискриминации (правильность 75%). Строка декодирования показывает изменение нейронной переменной, необходимое для достижения порогового поведенческого различения этой переменной в экспериментах по декодированию (после преобразования в расстояние между стимулами, которое может вызвать такие изменения в нейронной переменной; см. Результаты).

Результаты были качественно одинаковыми во всех трех экспериментах: ответы были разделены на два четко различных кластера, которые соответствовали двум различиям в подсчете, и в каждом из этих кластеров было два подкластера, соответствующих двум примененным различиям в латентности.Количественно расстояние между средними ответами при изменении разницы подсчетов на три пика было значительно больше, чем расстояние между средними ответами при изменении разницы в латентности на 24 мс ( p <0,001, t test; n = 6) (Рис.5 C ). (Мы использовали расстояния между средними ответами, а не процент правильных ответов, потому что различение местоположения было почти идеальным (100% правильных), поэтому процент правильных ответов не был чувствителен к различиям в распределении ответов.Мы проверили, что этот результат верен для меньших вариаций разницы в задержке и разницы в счетах, изменив разницу в счетах на 1 пик и разницу в задержках на 10 мс (рис. 5 D ) ( p <0,05, t test ; n = 11).

Рисунок 5 E суммирует результаты данных экспериментов по декодированию. Изменение разности счета (целое число) приводит к относительно большому дискретному скачку средней поведенческой реакции (рис.5 E , вдоль оси CD), тогда как изменение разницы латентности (непрерывное число) при заданной разнице счета приводит к небольшому постепенному сдвигу в поведенческой реакции (рис. 5 E , вдоль оси LD). Направление сдвига в поведенческой реакции при изменении разницы в латентности не коррелировало с направлением сдвига в поведенческой реакции, когда изменялась только разность счета [ p > 0,05, тест Рэлея (Zar, 1999)] (Рис.5 E ).Это объясняет неожиданный результат, заключающийся в том, что расстояние между средней поведенческой реакцией, когда мы изменили как разницу в счетах, так и разницу в латентности (стимулы, представленные точками, расположенными по диагонали друг от друга на рис. средняя поведенческая реакция при изменении только разницы в количестве (рис. 5 C , D ) ( p > 0,05; t тест).

Разница в счетах и ​​разница в задержке имеют очень разную чувствительность при кодировании и декодировании (рис.5 F ). Для кодирования разница в задержке достигает порога (т. Е. 75% правильности) при разделении местоположения касания 4 °, тогда как для разницы счетчиков требуется разделение 13 °. Однако для декодирования разница в счетах достигает порогового значения при 1,8 пиках (что соответствует разнице местоположения касания в 14 °), тогда как разница в задержке достигает порога в 30 мс (что соответствует разделению местоположения касания 25 °). Другими словами, разница подсчета кодируется грубо и точно декодируется, тогда как разница в задержке кодируется точно и декодируется грубо.

Расшифровка моторики человека по нейронным сигналам: обзор | BMC Biomedical Engineering

Нейрофизиология моторного контроля

Чтобы расшифровать моторное намерение человека, полезно сначала понять естественную нейрофизиологию моторного управления, чтобы мы могли знать, где перехватить управляющий сигнал и какой тип сигнала что мы можем встретить.

Моторный контроль в организме человека начинается с лобной и задней теменной коры (PPC) [5, 6].Эти области осуществляют высокоуровневое абстрактное мышление, чтобы определить, какие действия следует предпринять в данной ситуации [7]. Например, при столкновении с игроком противоположной команды футболисту может потребоваться решить, вести ли мяч, стрелять или передавать мяч своему товарищу по команде. Выбор наилучшего действия зависит от местоположения игрока, соперника и мяча. Это также зависит от текущих углов суставов коленей и лодыжек по отношению к мячу. PPC получает информацию от соматосенсорной коры для получения информации о текущем состоянии тела.Он также имеет обширную взаимосвязь с префронтальной корой, которая отвечает за абстрактные стратегические мысли. Префронтальной коре может потребоваться учитывать другие факторы помимо сенсорной информации о текущей среде. Например, насколько искусен противник по сравнению со мной? Какова существующая командная стратегия на текущем этапе игры, мне следует играть более агрессивно или в обороне? Комбинация сенсорной информации, прошлого опыта и стратегического решения лобной и задней теменной коры определяет последовательность действий, которые следует предпринять.

Планирование последовательности действий затем осуществляется премоторной зоной (PMA) и дополнительной моторной зоной (SMA), которые расположены в зоне 6 Бродмана коры головного мозга. Известно, что стимуляция в области 6 вызывает сложную последовательность действий, и внутрикортикальная запись в PMA показывает, что она активируется примерно за 1 секунду до движения и прекращается вскоре после начала движения [8]. Некоторые нейроны в PMA также кажутся настроенными на направление движения, при этом некоторые из них активируются только тогда, когда рука движется в одном направлении, но не в другом.

После того, как последовательность действий запланирована в PMA или SMA, требуется ввод от базальных ганглиев, чтобы фактически инициировать движение. Базальные ганглии содержат прямой и непрямой путь [9–11]. Прямой путь помогает выбрать конкретное действие для инициирования, в то время как косвенный путь отфильтровывает другие неподходящие моторные программы. По прямому пути полосатое тело (скорлупа и хвостатое) получает входные данные от коры головного мозга и подавляет внутренний бледный шар (GPi). В состоянии покоя GPi самопроизвольно активируется и подавляет оральную часть вентрального латерального ядра (VLo) таламуса.Таким образом, ингибирование GPi усилит активность VLo, которая, в свою очередь, возбуждает SMA. При непрямом пути полосатое тело возбуждает GPi через ядро ​​субталамуса (STN), которое затем подавляет активность VLo и, в свою очередь, ингибирует SMA. При некоторых неврологических расстройствах, таких как болезнь Паркинсона, дефицит способности активировать прямой путь приведет к трудностям в инициировании движения (например, брадикинезии), в то время как дефицит непрямого пути приведет к неконтролируемому движению в состоянии покоя (т.е. тремор покоя).

После того, как базальные ганглии помогают отфильтровать нежелательные моторные программы и сосредоточиться на выбранных программах, первичная моторная кора (M1) будет отвечать за их выполнение на низком уровне [12]. В слое V M1 есть популяция крупных нейронов пирамидальной формы, которые проецируют свои аксонные связи вниз по спинному мозгу через кортикоспинальный тракт. Эти аксоны моносинаптически соединяются с мотонейронами спинного мозга для активации мышечных волокон. Они также соединяются с тормозными интернейронами в спинном мозге, подавляя антагонистические мышцы.Эта структура позволяет одной пирамидальной клетке генерировать скоординированные движения в нескольких группах мышц.

Моторные нейроны спинного мозга получают входные данные от пирамидных клеток M1 через кортикоспинальный тракт [13]. Они также получают входные данные косвенно от моторной коры и мозжечка через руброспинальный тракт, направляемый через красное ядро ​​в среднем мозге. Хотя его функции хорошо известны у низших млекопитающих, функции руброспинального трека у человека, по-видимому, рудиментарны.Моторные нейроны в вентральном роге пучка спинного мозга вместе образуют вентральный корешок, который выходит из спинного мозга и соединяется с спинным корешком, образуя смешанный спинномозговой нерв. Спинной нерв разветвляется на более мелкие нервные волокна, которые иннервируют различные мышцы тела. Один двигательный нейрон может снабжать несколько мышечных волокон, вместе известных как одна двигательная единица. Мышца состоит из множества мышечных волокон, сгруппированных в двигательные единицы различного размера, каждая из которых может снабжаться различными двигательными нейронами.В крупных мышцах, таких как мышцы ног, один двигательный нейрон может снабжать сотни мышечных волокон. В более мелких мышцах, например, в пальцах, один двигательный нейрон может снабжать только 2 или 3 мышечных волокна, обеспечивая точный контроль движений.

Путь управления моторикой человеческого тела идет от высокоуровневой ассоциативной области мозга, опосредованной моторной корой, через спинной мозг к отдельным мышечным волокнам. Каждый из этапов играет свою роль и использует разные механизмы, чтобы гарантировать, что движение выполняется скоординированным и плавным образом.Каждый из этих этапов также предлагает различные режимы сигнала и функции, которые можно использовать для декодирования двигателя. Теперь мы подробно обсудим эти функции и стратегии их использования ниже. Обзор, показывающий путь управления двигателем и различные способы перехвата управляющего сигнала, показан на (Рис. 1).

Рис. 1

Обзор различных способов перехвата сигналов управления двигателем. Сигнал управления двигателем передается от первичной моторной коры головного мозга через спинной мозг и периферический нерв к мышечным волокнам.Управляющий сигнал может быть перехвачен в различных точках с использованием различных методов. Электроэнцефалография (ЭЭГ) фиксирует наложенные электрические поля, создаваемые нейронной активностью на поверхности кожи головы. Электрокортикография (ЭКоГ) измеряет активность под кожей головы на поверхности мозга. Интракортикальные записи проникают в ткань головного мозга для получения многокомпонентных и единичных действий. Электроды также могут быть размещены на периферическом нерве для отслеживания сигнала низкого уровня, используемого для сокращения мышц.Наконец, электромиограф (ЭМГ) также можно использовать для непосредственного мониторинга активности мышц (рисунок содержит элементы изображений, адаптированных из Патрика Дж. Линча и Карла Фредрика в соответствии с лицензией Creative Commons Attribution License)

Кортикальное декодирование движений конечностей

Все волевые двигательные механизмы исходят из головного мозга. Моторная кора головного мозга играет особенно важную роль в планировании и выполнении моторных команд. Для некоторых пациентов мозг — единственное место, где может быть зафиксировано двигательное намерение, потому что они потеряли двигательные функции во всех своих конечностях (например,грамм. у пациентов с тетраплегией). Поэтому много усилий было вложено в корковое декодирование.

Электроэнцефалография (ЭЭГ)

ЭЭГ — это измерение слабых электрических сигналов от мозга на поверхности кожи головы. Считается, что его происхождение связано с суммированием постсинаптических потенциалов возбудимых нервных тканей головного мозга [14]. Череп, твердая мозговая оболочка и спинномозговая жидкость между мозгом и электродами ЭЭГ значительно ослабляют электрический сигнал, поэтому сигнал ЭЭГ очень слабый, обычно ниже 150 μ В.Эти структуры также действуют как временные фильтры нижних частот, ограничивая полезную полосу пропускания сигнала ЭЭГ ниже 100 Гц [15]. Кроме того, из-за эффекта объемной проводимости источников тока в голове эффект одного источника тока распространяется на несколько электродов. Результатом является пространственное низкое прохождение исходного сигнала, что приводит к «размытию» источника сигнала и снижению пространственного разрешения. Таким образом, большинство установок ЭЭГ для декодирования двигателя включает только 64 или 128 электродов.Установки с более чем 128 электродами встречаются редко.

Сигнал ЭЭГ традиционно разделяется на несколько частотных диапазонов (дельта: 0–4 Гц, тета: 4–7,5 Гц, альфа: 8–13 Гц, бета: 13–30 Гц, гамма: 30–100 Гц). Особое значение для моторного декодирования имеют колебания мозга в альфа-диапазоне над моторной и соматосенсорной корой, также известные как μ -ритм [16, 17]. Было замечено уменьшение мощности сигнала в диапазоне 8–13 Гц, когда субъект выполняет реальное или даже воображаемое движение [18, 19].Подобные наблюдения также можно найти в нижнем бета-диапазоне (12–22 Гц). Хотя некоторые компоненты колебаний бета-диапазона могут быть гармониками сигналов альфа-диапазона, сейчас общее мнение состоит в том, что они являются независимыми характеристиками сигнала из-за различных топографических и временных характеристик [18, 20]. Мю-ритм имеет тенденцию фокусироваться на двусторонней сенсомоторной области, тогда как бета-ритм концентрируется в основном на макушке. В совокупности модуляция мощности полосы сигнала в сенсомоторной области называется сенсомоторным ритмом (СМС).

Это уменьшение мощности полосы, совпадающее с событием, называется десинхронизацией, связанной с событием (ERD). Обратное называется синхронизацией, связанной с событием (ERS), то есть увеличением мощности диапазона, совпадающим с событием. ERD / ERS обычно рассчитывается по отношению к базовому периоду, обычно когда субъект бодрствует расслабленным и не выполняет никаких задач [21]:

$$ ERD = \ frac {R-A} {R} \ times 100 \% $$

, где R — мощность диапазона в течение базисного периода, а A — мощность в течение интересующего периода времени.Пример топографии ERD во время воображения движения показан на (рис. 2).

Рис. 2

Примеры особенностей ЭЭГ при моторной расшифровке. Характеристики ЭЭГ от одного из субъектов из набора данных BCI Competition IV 2a [214]. a Динамика изменения мощности полосы сигнала ЭЭГ, отфильтрованного в диапазоне 8–12 Гц, в образах движения левой и правой руки, по сравнению с контрольным периодом (0–3 с). Заштрихованные области показывают стандартное отклонение изменений в разных испытаниях.Ниже также показана экспериментальная парадигма. b Частотный спектр сигнала ЭЭГ во время фиксации и воображения движения ( c ) топография распределения ERD / ERS в различных типах воображения движения

Топография ERD во время движения демонстрирует развивающуюся структуру с течением времени [21 ]. ERD обычно начинается примерно за 2 секунды до фактического движения, концентрируясь на контрлатеральной сенсомоторной области, затем распространяется на ипсилатеральную сторону и становится двусторонне симметричной непосредственно перед началом движения.После прекращения движения происходит увеличение мощности бета-диапазона (т.е. ERS) вокруг контралатеральной сенсомоторной области [21–23], также известное как «бета-отскок». Возникновение бета-отскока совпадает со снижением кортикоспинальной возбудимости [24], предполагая, что отскок может быть связан с дезактивацией моторной коры после прекращения движения. Бета-отскок происходит как в реальных, так и в воображаемых движениях. Пример бета-отскока можно наблюдать на (рис. 2а).

Различные виды двигательных образов (MI) создают разные топографии ERD и, следовательно, полезны для декодирования двигательного намерения субъекта.Например, визуализация движения руки вызовет ERD рядом с областью моторной коры, которая находится в более латеральном положении. С другой стороны, визуализация движения стопы у некоторых испытуемых вызывает ERD вблизи области стопы, которая находится ближе к сагиттальной линии [25], что можно наблюдать на (Рис. 2c). Отскок бета после ИМ также обнаруживает сходный соматотопический паттерн [22]. Одновременное ERD и ERS в разных частях мозга также очевидно у некоторых испытуемых. Например, у некоторых испытуемых обнаруживались ERD в области руки и ERS в области стопы во время произвольного движения руки, и наоборот, во время движения стопы [22].ERD может представлять активацию кортикальной области, контролирующей движение, в то время как ERS может представлять ингибирование других непреднамеренных движений. Как мы помним из нейрофизиологии моторного контроля, косвенный путь базальных ганглиев содержит механизмы для подавления таламической активации SMA, чтобы отфильтровать непреднамеренные движения. Существуют характерные паттерны ERD / ERS во время различных реальных и воображаемых движений, поэтому, изучая эти паттерны, мы можем обнаружить и различить двигательное намерение различных частей тела.

Наиболее реактивный частотный диапазон, в котором возникает ERD / ERS, может быть специфическим для каждого субъекта и даже для типа воображения движения, а его топография может незначительно отличаться в зависимости от подготовки к ЭЭГ. Поэтому для автоматической адаптации к характеристикам сигналов субъектов обычно используются методы обработки сигналов и машинного обучения.

Одним из наиболее важных этапов обработки сигналов при декодировании двигателя на основе SMR является оценка мощности сигнала в выбранном частотном диапазоне, обычно в альфа-диапазоне (8–12 Гц) и бета-диапазоне (12–30 Гц).Для этого есть много способов. Одним из наиболее простых и эффективных с вычислительной точки зрения методов является полосовая фильтрация [3, 26]. Сигнал ЭЭГ сначала подвергается полосовой фильтрации в интересующей полосе частот, затем сумма квадратов сигнала принимается как мощность сигнала в выбранной полосе частот. Сумма квадратов эквивалентна дисперсии сигнала, поэтому обычно вместо нее используется дисперсия сигнала. После определения дисперсии обычно используется логарифмическое преобразование.Лог-преобразование может служить двум целям. Во-первых, он преобразует искаженные данные, чтобы сделать их более соответствующими нормальному распределению [27], что может помочь улучшить производительность некоторых алгоритмов классификации. Во-вторых, логарифмическое преобразование подчеркивает относительное изменение сигнала, а не абсолютную разницу (например, l o g (110) — l o g (100) = l o g (1100) — l o g (1000)), поэтому он может выполнять неявную нормализацию сигнала и улучшать производительность классификатора.

Одним из основных недостатков простого подхода с полосовой фильтрацией является то, что может быть трудно выбрать лучшую полосу частот для выполнения фильтра, поскольку каждый пациент имеет свою собственную конкретную реактивную полосу. Чтобы преодолеть это ограничение, еще одним широко используемым методом является адаптивная авторегрессивная (AAR) модель [28–31]. Он моделирует сигнал в текущий момент времени как линейную комбинацию предыдущих точек p :

$$ Y_ {t} = a_ {1, t} Y_ {t-1} + a_ {2, t} Y_ {t-2} + \ dots + a_ {p, t} Y_ {tp} + X_ {t} $$

, где Y t — сигнал, X t — остаточный белый шум и a p , t — коэффициенты авторегрессии.Основное отличие от традиционной модели AR состоит в том, что в модели AAR коэффициенты a p , t зависят от времени и рассчитываются для каждой временной точки сигнала с использованием рекурсивного метода наименьших квадратов [32]. Коэффициенты AAR от нескольких электродов затем объединяются вместе, чтобы сформировать вектор признаков, используемый системой классификации. Коэффициенты AAR можно рассматривать как импульсную характеристику системы, поэтому они содержат информацию о частотном спектре моделируемого сигнала.По сравнению с традиционной полосовой фильтрацией оценка спектра с использованием AAR может быть более устойчивой к шуму. Можно также указать количество пиков спектра на основе знания предметной области (для каждого пика требуется два коэффициента). Еще одно преимущество состоит в том, что нет необходимости заранее выбирать конкретную полосу частот, поскольку для классификации используются все коэффициенты модели. Другой способ автоматического выбора полосы частот для конкретного объекта — использование банка фильтров, состоящего из нескольких полосовых фильтров на разных частотах.После фильтрации наиболее информативная полоса частот и каналы выбираются с использованием некоторых показателей производительности, например приведет ли удаление этой функции к изменению классификационной метки [33, 34].

Из-за проблем с объемной проводимостью в голове человека один источник тока часто кажется «размазанным» по нескольким электродам ЭЭГ. Пространственная фильтрация обычно используется для улучшения пространственного разрешения сигнала ЭЭГ. Популярные пространственные фильтры включают в себя общий средний эталон (CAR) и поверхностный лапласиан [35].{LAP} = V_ {j} — \ frac {1} {n} \ sum_ {k \ in S_ {j}} V_ {k} $$

, где В, — напряжение сигнала, Н, — напряжение сигнала. общее количество электродов, n — количество соседних электродов, а S — это набор соседних электродов в поверхностном лапласиане (LAP).

Эти фильтры усиливают фокусную активность, действуя как пространственный фильтр верхних частот. Предлагаются также другие более продвинутые пространственные фильтры. Например, популярный общий пространственный паттерн (CSP) [36, 37] работает, находя проекцию напряжения на электродах так, чтобы различия в дисперсии между двумя классами были максимальными.Еще одним вариантом метода является добавление частотной информации путем фильтрации сигнала с помощью набора полос фильтра, затем вычисление CSP для каждой и, наконец, выбор наиболее информативной характеристики с помощью критерия взаимной информации [38].

Производительность моторного декодирования на основе ЭЭГ неуклонно улучшалась на протяжении многих лет. В то время как более ранние исследования могут различать только отдельные типы воображения движения [39], недавние исследования уже достигли 2D [40] и 3D контроля [41–43].Некоторые из последних исследований даже демонстрируют возможность декодирования различных движений одной и той же конечности [44, 45] или даже отдельных движений пальцев [46].

Помимо использования для замены утраченных функций, моторное декодирование на основе ЭЭГ также может использоваться в качестве инструмента для реабилитации. Например, его можно использовать для управления роботизированной рукой, чтобы помочь в активной тренировке руки в постинсультной реабилитации [4, 47, 48]. Это применение моторного декодирования в качестве инструмента для обучения является очень многообещающей областью, поскольку потенциально может распространить его использование на более широкие слои населения.

Электрокортикограмма (ЭКоГ)

ЭКоГ — это измерение электрических сигналов от головного мозга над твердой мозговой оболочкой, но под черепом. Измерение ЭКоГ обычно выполняется перед операцией по поводу эпилепсии, чтобы очертить эпилептогенную область и определить важные области коры, которых следует избегать во время резекции [49]. На сигнал ЭКоГ череп не влияет и, следовательно, он имеет более высокое временное и пространственное разрешение, чем ЭЭГ. Он также имеет большую полосу пропускания (от 0 до 500 Гц) [50, 51] и более высокую амплитуду (максимальная ∼500 μ В [52]).Следовательно, обычно ЭКоГ имеет более высокое отношение сигнал / шум, чем ЭЭГ, хотя она также более инвазивна.

ЭКоГ и ЭЭГ, вероятно, возникают из одних и тех же основных нейронных механизмов, поэтому они имеют много общего друг с другом. Тем не менее, есть две основные особенности сигнала в моторном декодировании, которые уникальны для ЭКоГ и используются специально. Первый — это изменение мощности полосы сигнала в высоком гамма-диапазоне (≥75 Гц). Многие исследования предполагают, что высокий гамма-диапазон содержит более информативные функции для моторного декодирования по сравнению с альфа- и бета-диапазоном, которые обычно используются при декодировании ЭЭГ [53–57].Интересно, что высокий гамма-диапазон имеет тенденцию увеличиваться во время движения, в отличие от альфа- и бета-диапазона, которые обычно показывают десинхронизацию (то есть уменьшение мощности). Следовательно, высокая гамма-мощность может быть произведена другим нейронным механизмом, чем тот, который производит альфа- и бета-десинхронизацию.

Еще одной уникальной особенностью является низкочастотная амплитудная модуляция необработанного сигнала ЭКоГ, придуманная Шалком и др. Как локальный моторный потенциал (LMP). [30, 51]. Было обнаружено, что огибающая необработанной ЭКоГ показывает поразительную корреляцию с траекторией движения человеческой руки, измеренной с помощью джойстика.Амплитуда также показывает настройку косинуса или синуса по отношению к направлению движения, аналогично тому, что наблюдалось при внутрикортикальных записях. После этого открытия многие группы включили LMP в моторное декодирование ЭКоГ в дополнение к другим высокочастотным функциям (например, [53, 56, 58, 59]). LMP — это очень низкочастотный компонент (2-3 Гц) необработанного сигнала ЭКоГ. Обычно его извлекают с помощью фильтра нижних частот Гуасиана, скользящего среднего [30, 53, 59] или фильтра Савицкого-Голея [58, 60, 61].

Из-за устойчивости сигнала LMP обычно простой линейной регрессии достаточно для декодирования двигательного намерения во многих предыдущих исследованиях (например, [51, 62, 63]), хотя может потребоваться этап выбора функции или регулирования. чтобы сначала удалить неинформативные функции. Недавнее исследование с использованием глубокой нейронной сети также показало многообещающие [64], однако его улучшение по сравнению с классическими методами не всегда значимо.

Поскольку ЭКоГ имеет лучшее разрешение и более высокое отношение сигнал / шум, она имеет тенденцию давать лучшие и более точные результаты, чем ЭЭГ, при декодировании двигателя.Помимо декодирования движения разных частей тела, как в ЭЭГ [65, 66], также можно различать разные жесты рук [56, 67]. Используя LMP в дополнение к частотным характеристикам, положение и скорость 2D движения руки также могут быть декодированы из сигналов ЭКоГ [30, 51, 58]. Последующие исследования даже демонстрируют, что непрерывные положения пальцев также могут быть декодированы [54, 59, 61, 63, 64, 68]. Коэффициент корреляции между прогнозируемым и фактическим движением пальцев может достигать от 0,4 до 0,7 в некоторых недавних исследованиях [61, 64].

Подавляющее большинство исследований по моторной расшифровке ЭКоГ проводится на пациентах с эпилепсией без специфических двигательных нарушений или травм конечностей. Однако одна из самых сильных причин для двигательного декодирования заключается в том, что оно может компенсировать потерю двигательной функции пациента. Учитывая, что мозг может реорганизоваться из-за болезни или травмы, жизненно важно, чтобы эксперименты по декодированию были повторены на этой популяции пациентов, чтобы увидеть, можно ли достичь аналогичных характеристик декодирования. Существует всего несколько исследований, в которых пытались бы попробовать декодирование моторики ЭКоГ у пациентов с инсультом [57, 69] и парализованных субъектов [70], но результаты обнадеживают.

Внутрикорковые записи

Проникновение в кортикальную ткань обеспечивает максимальную близость к нейронам и дает наиболее точный сигнал. С момента открытия свойства направленной настройки нейронов в моторной коре [71], многие исследования пытались расшифровать моторное намерение из интракортикальных записей, сначала у нечеловеческих приматов (NHP), а затем у людей в последнее время. годы. Наш обзор будет сосредоточен на внутрикортикальном декодировании у человека, поскольку оно представляет некоторые уникальные проблемы по сравнению с NHP, и это также то место, где в конечном итоге технология будет применяться.

Проникающие электроды для моторного декодирования обычно имплантируются в первичную моторную область мозга. В прецентральной извилине есть структура, напоминающая «ручку», в которой находится большинство нейронов, ответственных за двигательную функцию руки [72]. Эта «ручная моторная ручка» обычно используется в качестве мишени для имплантации электродов (например, в [73–77]). Еще одна потенциальная цель для имплантации — задняя теменная кора (PPC). Хотя долгое время считалось, что PPC играет важную роль в ассоциативных функциях, в последние годы появляется все больше данных, свидетельствующих о том, что он также кодирует моторные намерения высокого уровня [78].Недавнее исследование предполагает, что цель и траектория движения могут быть расшифрованы на основе нейронной активности в человеческом PPC [79].

Одним из важных свойств нейронов M1 является настройка направления. Некоторые нейроны настроены на определенное направление. Они разряжаются сильнее всего, когда движение идет в их предпочтительном направлении, но они также разряжаются менее энергично, когда движение происходит в других направлениях. Их скорострельность представляет собой длину их предпочтительного вектора направления.Когда векторы этих нейронов суммируются, это указывает окончательное направление движения. Эта популяционная кодировка движения — поразительное свойство нервной системы. Аналогичный аналог популяционного кодирования также можно найти в суперколликулусе, представляющем направление движения глаз [80]. Пример, показывающий свойство настройки направления M1 у приматов, кроме человека, показан на (рис. 3).

Рис. 3

Примеры направленной настройки внутрикортикальных сигналов.Диаграммы, показывающие свойства направленной настройки нейронов у нечеловеческого приматы M1 из данных [215, 216]. a Растровые графики Spike от одного из нейронов (Neuron 31). Каждый график показывает синхронизацию всплеска нейрона, выровненного по моменту времени (t = 0), в котором скорость движения руки превышает заранее определенный порог. Каждая точка на графике представляет собой потенциал действия. Различные графики показывают нейронную активность, когда рука движется в разных направлениях. b Кривая настройки фон Мизеса некоторых репрезентативных нейронов. c Предпочтительное направление всех нейронов. Длина вектора представляет собой глубину модуляции нейрона, определяемую здесь как величину кривой настройки, деленную на угол между максимальной и минимальной точкой кривой.

временные (<30 дней) внутрикортикальные записи - это система Neuroport (Blackrock Microsystem, Inc, США). В результате большая часть работы по внутрикортикальному декодированию человека выполняется на этой платформе.Существуют и другие интракортикальные электроды, но они предназначены в основном для интраоперационного мониторинга острых состояний (например, глубинный электрод Спенсера, Ad-Tech; NeuroProbes, Alpha Omega Engineering Ltd.

Активность нейронов в месте имплантации представлена ​​их потенциалами действия, которые проявляются в виде всплесков во внеклеточных записях. Следовательно, обнаружение возникновения спайка часто является первым шагом в обработке интракортикального сигнала.{2}} $$

, где Thres представляет порог обнаружения, выше которого момент времени сигнала считается принадлежащим всплеску. Однако значение RMS может быть легко испорчено артефактами, поэтому другим способом является использование медианы для установки порога обнаружения [83]

$$ \ sigma = median \ left (\ frac {| x |} {0,6745} \ right) $$

Другой популярный метод — нелинейный оператор энергии [83]. Сначала он преобразует сигнал таким образом, что высокочастотная составляющая усиливается для улучшения отношения сигнал / шум.{N} \ psi [x (n)] $$

Другие более продвинутые методы, такие как непрерывное вейвлет-преобразование [84] и обнаружение всплесков EC-PC [82], могут предложить лучшую точность, но с более высокими вычислительными затратами. Хотя существует множество способов точного обнаружения всплесков в автономном режиме, не каждый из них достаточно быстр для использования в режиме реального времени. Поэтому при онлайн-декодировании выбор обычно ограничивается более простыми алгоритмами. Ручная установка порога оператором по-прежнему остается одним из наиболее часто используемых методов.Еще одним популярным методом онлайн-декодирования является метод RMS из-за его высокой эффективности.

Электрод может записывать сигналы от нескольких соседних нейронов. Выделение активности отдельного нейрона (то есть активности сигнальных единиц) от этой множественной активности обычно приводит к лучшим результатам в моторном декодировании. Этот процесс называется сортировкой по шипам. По сортировке шипов существует обширная литература, которую невозможно исчерпать. Заинтересованным читателям предлагается ознакомиться с другими превосходными обзорами [85–87].На практике наиболее популярным способом онлайн-сортировки всплесков в реальном времени является сопоставление с шаблоном. Набор шаблонов всплесков собирается в течение периода начальной записи, а затем последующие всплески классифицируются, сравнивая их сходство с шаблонами. Однако может не быть действительно необходимым или даже ухудшить результат декодирования, выполнять онлайн-сортировку пиков. Кластеры спайков, полученные из записей, могут быть нестабильными в разных сеансах экспериментов. Общее количество отдельных единиц, отсортированных от записи, может меняться от сеанса к сеансу [79].Таким образом, декодер, обученный некоторым отсортированным пикам, может не работать должным образом в будущих сеансах. Сортировка пиков также может привести к дополнительной задержке при онлайн-декодировании, поскольку точная сортировка пиков является дорогостоящим с точки зрения вычислений процессом. Фактически, многие недавние исследования декодирования вообще не используют сортировку спайков, например [79, 88–94].

Алгоритм декодирования восстанавливает моторную кинематику по нейронной активности. С момента открытия свойства направленной настройки моторных нейронов одним из первых алгоритмов декодирования интракортикального спайкового сигнала является алгоритм вектора популяции [95, 96].В простейшей форме частота срабатывания нейрона может быть связана с его предпочтительным направлением на

.

$$ f = f_ {0} + f_ {max} cos (\ theta- \ theta_ {p}) $$

, где f — частота срабатывания нейронной сети, f 0 и f max — константы регрессии, а θ и θ p — текущее и предпочтительное направление соответственно. Однако для функции косинуса ширина модуляции фиксирована.Более гибкой функцией настройки, которая позволяет регулировать ширину модуляции, является функция настройки фон Мизеса [97]:

$$ f = b + k \; exp (\ kappa cos (\ theta- \ mu)) $$

где b , k , κ , μ — константы регрессии, а θ — текущее направление движения. Когда μ = θ , функция будет максимальной, поэтому μ также можно интерпретировать как предпочтительное направление нейрона.{N} _ {i = 1} w_ {i} (M) C_ {i} $$

, где C i — предпочтительное направление для i -го нейрона, а w i ( M ) — весовая функция, объединяющая вклады каждого нейрона в направлении M в окончательный вектор популяции. Однако этот метод требует большого количества нейронов для точности и может привести к ошибке, если распределение предпочтительного направления не является равномерным [98].{T} \ mathbf {k} $$

, где R — матрица нейронных откликов (например, частота срабатывания), f — линейный фильтр (или константы регрессии), а k — кинематические значения двигателя ( например, углы стыков или положения курсора). Было высказано предположение, что эта схема регрессии может обеспечить более точное предсказание по сравнению с суммированием предпочтительных векторов направления, особенно когда эти векторы не распределены равномерно [98].

В последние годы фильтр Калмана обычно используется вместо простой линейной регрессии (например,грамм. в [75–77, 99, 100]). Фильтр Калмана включает информацию как из внутренней модели процесса, так и из фактических измерений для оценки состояний системы [101]. Переменная усиления Калмана используется для определения «веса смешивания» модели и измерений. Если модель более точная, то она будет больше доверять модели. То же самое и с измерением. Фильтр Калмана особенно полезен, если состояния не наблюдаются напрямую или если измерения очень зашумлены, что часто бывает справедливым при декодировании двигателя.При моторном декодировании субъекты обычно теряли свою конечность или способность двигаться, поэтому внутреннее состояние (например, двигательное намерение) системы не поддается непосредственному наблюдению. Наблюдаемые переменные (например, нейронная активность) также очень шумны. Типичный фильтр Калмана для декодирования двигателя не предполагает никакой управляющей переменной, и систему можно сформулировать как два линейных уравнения [102, 103]):

$$ \ begin {array} {@ {} rcl @ {}} \ vec {x} _ {t} & = & A \ vec {x} _ {t-1} + \ vec {w} _ {t -1} \\ \ vec {y} _ {t} & = & C \ vec {x} _ {t} + \ vec {v} _ {t} \ end {array} $$

где x состояние системы, которую нужно декодировать, например.грамм. совместная кинематика или положение курсора. y — наблюдаемые переменные, например скорость нейронной стрельбы. \ (\ vec {w} _ {t} \) и \ (\ vec {v} _ {t} \) — это шумы процесса и измерений, полученные от w t N (0, Q ) и v t N (0, R ) соответственно. A , C , Q и R — константы Калмана, которые необходимо определить в соответствии с моделью декодирования.{-} \) и \ (\ hat {x} \) — это априорная и апостериорная оценки состояния соответственно. и — управляющая переменная. Обычно при декодировании двигателя он устанавливается на 0, здесь мы включили его для полноты картины.

Одним из важнейших аспектов выполнения декодирования двигателя в режиме онлайн является обучение и повторная калибровка модели декодирования. Хотя нейронные функции для подобных движений относительно стабильны в течение нескольких дней [104], кривая нервной настройки может начать меняться, когда субъект учится выполнять новую задачу [105].Также очень сложно отслеживать один и тот же нейрон в течение длительного периода времени [106, 107] из-за микродвижения электродов и флуктуаций других источников шума. Кроме того, обучающие данные часто собираются в режиме разомкнутого цикла, что означает, что во время обучения декодер не обеспечивает обратной связи. Однако в реальном сеансе декодирования обеспечивается обратная связь, и субъект может попытаться изменить свой образ движения, чтобы «изучить» декодер. Это может привести к изменениям основных нейронных функций [108].Следовательно, повторная калибровка обученной модели часто необходима, и будет идеальной, если ее можно будет выполнить онлайн. Удачным методом повторной калибровки является алгоритм ReFIT-KF, предложенный Gilja и др. [109]. ReFIT-KF предполагает, что истинное намерение объекта состоит в том, чтобы двигаться к цели, поэтому он может автоматически генерировать ложную истину из декодированного результата, даже если прогноз текущей модели может быть неверным. Затем он может откалибровать модель, используя основную оценку, чтобы адаптироваться к нестабильности нейронных сигналов.Он может дать лучшие результаты, чем один фильтр Калмана [92,93,109].

Благодаря более надежным сигналам, полученным при интракортикальных записях, он был успешно использован, чтобы помочь пациенту с тетраплегией управлять окружающей средой различными способами, включая управление 2D-курсором [73,76,94], виртуальные и настоящие протезы рук [77,79 , 92,110,111] и функциональную электростимуляцию собственных парализованных рук пациентов [90,91,93].

Периферийное декодирование движений конечностей

Сигналы от центральной нервной системы (ЦНС) в конечном итоге поступают в периферическую нервную систему (ПНС) и вызывают сокращение различных мышечных волокон.По сравнению с ЦНС, сигналы в периферических структурах обычно более специфичны. Они содержат подробные инструкции по сокращению отдельных мышечных волокон, поэтому потенциально могут позволить ловкий протезный контроль. Операции на периферическом интерфейсе обычно менее сложны, чем на интракортикальных структурах. Поэтому многие исследования также посвящены моторному декодированию в периферических структурах.

Записи периферических нервов

Периферические нервы содержат нейронные сигналы низкого уровня, посылаемые для активации сокращения определенных мышц.Предыдущие исследования периферической нейронной регистрации в основном сосредоточены на афферентной сенсорной информации, потому что получить эфферентные сигналы у анестезированных животных нелегко [112]. Однако в последние годы появилось больше исследований, в которых пытались изучить возможность декодирования сигналов эфферентных периферических нервов для управления протезом. Поскольку периферические нервы содержат информацию низкого уровня, нацеленную на каждую мышцу, можно будет восстановить высокую ловкость и естественный контроль, используя эту богатую информацию.

Одной из основных проблем при регистрации периферических нервов является доступ к аксонам в нервах. Аксоны спинномозговых нервов сгруппированы в пучки, а несколько пучков сгруппированы вместе, образуя периферический нерв. Эти аксоны заключены в три оболочки соединительной ткани — эпиневрий, покрывающий весь нерв, и периневрий, который охватывает пучок, и эндоневрий, который удерживает нейроны и кровеносные сосуды вместе внутри пучка. Из-за этих множественных слоев ламинации вокруг аксона амплитуда сигнала периферического нерва обычно очень мала, может составлять около 5-20 мкм В [112].

Существует несколько конфигураций электродов, предназначенных для получения лучшего сигнала от периферических нервов [113]. Электрод-манжета [114], как следует из названия, работает как манжета, оборачивающая нерв. Его главное преимущество заключается в том, что он вызывает минимальное повреждение нервных тканей, так как не требует разреза на самом нерве. Однако, поскольку он измеряет только электрический потенциал на поверхности нерва, он может только получить общую сумму нервной активности в различных пучках.Другой вариант манжетного электрода — это плоский интерфейсный нервный электрод (FINE) [115]. Он работает как зажим, оказывая давление на нерв и придавая ему овальную форму, тем самым увеличивая площадь его поверхности и уменьшая расстояние от электрода до пучков. Есть и другие типы электродов, которые вживляют в нервы. Они предлагают более высокую селективность благодаря прямому контакту с пучками. Однако они также более инвазивны и могут вызвать большее повреждение нерва.Продольные внутрипучковые электроды (LIFE) представляют собой длинные тонкие проволочки, продольно имплантированные в пучки нервов [116]. С другой стороны, поперечные внутрипучковые многоканальные электроды (TIME) имплантируются поперек нервов, обеспечивая одновременный доступ к нескольким пучкам. Также существует матрица наклонных электродов штата Юта [117], которая состоит из набора электродов разной длины, так что, когда матрица вставляется в нерв, кончик электрода может контактировать с различными пучками.В последнее время также развивается регенеративный периферический нейронный интерфейс (RPNI) [118], который использует мышечный трансплантат для обертывания концов отрезанных пучков. Нервные окончания врастают в трансплантат и иннервируют вместе с ним, создавая новый интерфейс для получения нейронного сигнала. Из различных типов представленных электродов только электрод-манжета в настоящее время используется в коммерческих одобренных FDA системах для стимуляции блуждающего нерва (например, VNS Therapy, Cyberonics, США). Большинство других все еще находятся в стадии исследования или клинических испытаний [119].

Исследования по декодированию периферических сигналов человеком все еще очень ограничены, отчасти из-за проблемы получения нервных сигналов с достаточным SNR, а также из-за перекрестных помех между нейронными сигналами и ЭМГ, поскольку периферические нервы обычно расположены в непосредственной близости от мускулатуры конечностей. Большинство существующих исследований сосредоточено на декодировании верхней конечности, поскольку ампутация верхней конечности имеет тенденцию оказывать большее влияние на повседневную жизнь пациентов. Нервная запись выполняется на локтевом, медиальном и / или лучевом нерве.Используются разные типы электродов, но наиболее распространенными в человеческом декодировании являются грифельный электрод штата Юта (например, в [120,121]) и LIFE (например, [122 124]).

Анализ периферических сигналов обычно включает обнаружение потенциалов действия в нерве. Процедуры обнаружения аналогичны тем, которые используются во внутрикортикальных исследованиях, но этап кластеризации спайков обычно не выполняется. Из-за низкого отношения сигнал / шум периферийных сигналов иногда необходимо сначала избавиться от шумов (например,грамм. с помощью вейвлета [124]) до обнаружения. Затем скорость активации потенциала действия может быть передана в регрессор (например, в [103,120 122]) или классификатор (например, в [123,124]) для декодирования. Разница в использовании регрессора или классификатора заключается в том, декодируется ли дискретный жест или непрерывная совместная траектория.

Машина опорных векторов (SVM) является наиболее часто используемым классификатором для периферийного декодирования (например, в [123,124]). Для регрессора использовалась простая линейная регрессия или фильтр Калмана ([103,120 122]).Фильтр Калмана позволяет рекурсивно обновлять модель в режиме реального времени и особенно полезен, когда измерение целевой переменной зашумлено (как часто бывает в случае моторного декодирования, поскольку невозможно измерить фактическое движение отсутствует конечность).

Также очень важен вопрос получения достоверной информации для обучения декодера. В то время как для классификации типа дискретного захвата может быть достаточно попросить субъекта представить, что он держит конкретный захват, для декодирования положения необходимо использовать более точный подход.Одно из распространенных решений — показать теневую руку на экране и попросить испытуемого попытаться проследить за движением руки либо с помощью манипулянда, контролируемого зеркальным движением неповрежденной руки [121], либо только с помощью воображаемых фантомных движений конечностей. .

В настоящее время качество декодирования периферических нервов человека все еще не очень удовлетворительное, отчасти из-за сложности получения четкого сигнала и перекрестных помех ЭМГ. В классификации с дискретным хватом задача классификации 4 классов с 3 захватами (силовой захват, захват, сгибание мизинца) и отдыхом достигла точности 85% [124], но современная поверхностная электромиограмма (ЭМГ) уже может различать 7 жестов [125].Декодирование на основе регрессии обеспечивает пропорциональное управление протезом руки и, следовательно, может быть более интуитивным. Декодирование на основе фильтра Калмана может классифицировать 13 различных движений в автономном режиме, но только 2 движения могут быть успешно декодированы онлайн из-за перекрестных помех между различными степенями свободы (DoF) [121].

Периферические нервы представляют собой многообещающую цель для моторного декодирования. Он расположен ниже по пути моторного контроля и содержит более конкретную информацию о мышечной активности.Это свойство потенциально может быть использовано для обеспечения контроля высокой ловкости. Доступ к периферическим нервам также относительно проще, чем к интракортикальным структурам. Однако периферические записи страдают из-за их низкого отношения сигнал / шум из-за множественных уровней ламинирования вокруг аксона. Это может быть улучшено за счет лучшей конструкции электродов и нейронных усилителей со сверхмалым шумом, которые могут разрешать малую амплитуду нервных сигналов (например, [126]).

Электромиограмма (ЭМГ)

Сигналы ЭМГ представляют собой сумму электрических активностей мышечных волокон, которые запускаются последовательностью импульсов, т.е.е. импульсы активации иннервирующих мотонейронов. Сигналы ЭМГ можно измерить двумя способами: либо на поверхности кожи над мышцей (поверхностная ЭМГ), либо непосредственно внутри мышечного волокна с помощью игольчатого электрода (внутримышечная ЭМГ). Пример данных ЭМГ в различных жестах руки показан на (рис. 4).

Рис. 4

Примеры сигнала ЭМГ при различных жестах руки. Диаграмма, показывающая сигналы ЭМГ от 12 поверхностных электродов в 3 различных жестах руки. Исходные данные взяты из [217]. a ЭМГ-сигналы от здоровых людей и лиц с ампутированными конечностями. В последней строке показаны жесты рук, выполненные для соответствующих сегментов ЭМГ. b Расположение 12 электродов ЭМГ

Миоэлектрические сигналы десятилетиями использовались в качестве источника управления в протезах, в которых мышечные сигналы записываются и преобразуются в управляющие команды, вызывающие движения протеза. Считается, что внутримышечные ЭМГ-сигналы имеют более высокое разрешение и менее подвержены перекрестным помехам по сравнению с поверхностной ЭМГ из-за более инвазивного развертывания электродов и прямого воздействия на определенные мышцы.

Несмотря на десятилетия исследований и разработок, инвалиды по-прежнему не используют современные миоэлектрические протезы чаще, чем обычные крючки с питанием от тела [127], и, по оценкам, 40% людей с ампутированными конечностями на самом деле отвергают с помощью протеза [128]. Одним из основных ограничений клинически доступных протезов руки является количество одновременно и пропорционально контролируемых степеней свободы (DoFs), которое редко превышает 2 [129,130] и сосредоточено в основном на DoFs запястья без руки [131], хотя функции движение рук более важно в повседневной жизни.

Миоэлектрический контроль можно разделить на прямой контроль и контроль распознавания образов. Прямой контроль относится к типу методов, которые используют амплитуду двух входных сигналов поверхностной ЭМГ от антагонистической пары мышц для управления двумя направлениями (ВКЛ и ВЫКЛ) на протезной глубине резкости. Из-за неадекватной остающейся мускулатуры, загрязнения перекрестных помех и ослабления сигналов глубоких мышц на уровне кожи количество независимых миозитов в остаточном предплечье обычно ограничивается двумя, что позволяет контролировать только одну глубину резкости за раз.В результате этого ограничения пациентам необходимо переключаться между режимами, используя быстрое совместное сокращение миозитов для последовательного управления несколькими степенями свободы. Управление распознаванием образов основано на алгоритмах машинного обучения для обучения отдельного классификатора для каждой степени свободы. Было предложено и оценено множество классификаторов, включая квадратичный дискриминантный анализ [132], машину опорных векторов [133], искусственную нейронную сеть [134], скрытые модели Маркова [135], модели смеси Гаусса [136] и другие. Однако, поскольку обучение вычислительных моделей включает в себя движение только 1-DoF, обученные классификаторы не поддерживают одновременное управление несколькими DoF.Более многообещающий подход, основанный на машинном обучении, — это принятие схемы управления на основе регрессии (вместо классификации), которая по своей сути способствует непрерывному управлению (в отличие от ВКЛ и ВЫКЛ), в которой линейное или нелинейное отображение характеристик сигнала ЭМГ на изменения протез DoFs изучен. Обычно используемые методы для этой цели включают искусственные нейронные сети [137], опорную векторную машину [138] и регрессию гребня ядра [131]. Основным недостатком управления на основе регрессии является потребность в большом количестве обучающих данных, которые включают исчерпывающую комбинацию движений всех степеней свободы протеза, что непрактично для клинической реализации.

Одной из фундаментальных проблем при управлении протезом на основе ЭМГ является нехватка независимых сигналов для управления степенями свободы протеза. ЭМГ-сигналы по своей природе сильно коррелированы и им не хватает разрешения и информационной емкости, необходимых для одновременного и пропорционального управления несколькими степенями свободы. Возможное решение этой проблемы — записывать двигательные команды непосредственно от периферических нервов, таких как локтевые и срединные нервы, которые напрямую иннервируют все пять пальцев. Однако это происходит за счет инвазивной хирургической имплантации электродов и рисков инфицирования тканей и повреждения нервов.

Были проведены работы по извлечению более инвариантной и независимой информации из сигналов ЭМГ без инвазивных записей. Одна из основных групп усилий сосредоточена на извлечении особенностей мышечной синергии из записей ЭМГ, то есть сложных паттернов мышечной активации, которые выполняются пользователями в качестве управляющих сигналов высокого уровня независимо от какого-либо неврологического происхождения [139]. Считается, что мышечная синергия способна описывать сложные модели силы и движения в уменьшенных размерах и может использоваться в качестве надежного представления для декодирования выходных данных в соответствии с намерениями пользователя.Неотрицательная матричная факторизация (NMF) [140] обычно используется для извлечения синергии мышц из многоканальных сигналов ЭМГ для одновременного и пропорционального управления несколькими степенями свободы [137,141 143]. Другая группа работ посвящена непосредственному извлечению нейронных кодов активности двигательных нейронов, которые управляют движениями мышц по нервным путям. Обычно для этого требуются расширенные настройки записи, такие как ЭМГ высокой плотности с достаточным количеством близко расположенных участков записи.Был предложен ряд алгоритмов для извлечения основной нейронной информации [144,145]. Среди них компенсация ядра свертки (CKC) наиболее широко использовалась как тип многоканального метода разделения слепых источников [146 149]. Несмотря на обещание извлечения нейронного содержимого из сигналов ЭМГ высокой плотности, демонстрация использования такой схемы в онлайн-экспериментах остается сложной задачей. Требуются более глубокие исследования и значительные усилия для создания нейронного интерфейса и достижения прямого нейронного управления на основе этой структуры.

Расшифровка речевой двигательной активности

Хотя в данном обзоре основное внимание уделяется декодированию движений в конечностях, в последнее время появилось еще одно направление исследований по декодированию речевой двигательной активности [150, 151]. Производство речи — сложный процесс, в котором задействованы несколько областей мозга и десятки мышечных волокон. Мышечная активность должна быть хорошо скоординирована, чтобы производить различные звуки речи (то есть фонемы), которые соединяются вместе, чтобы образовать понятные слова и предложения.

Множественные области мозга связаны с языковым производством [152], но есть две основные области, которым при декодировании речи уделяется больше внимания. Было высказано предположение, что левая вентральная премоторная кора представляет собой фонемы высокого уровня в речи [153,154], в то время как вентральная сенсомоторная кора содержит богатую репрезентацию различных речевых артикуляторов (например, губ, языка, гортани и т. Д.) [155,156]. Поэтому большая часть усилий по декодированию сосредоточена на этих двух областях мозга.

Исторически для декодирования речи использовались различные нейронные сигналы.ЭЭГ неинвазивна, но ее низкое отношение сигнал / шум и загрязнение ЭМГ лицевыми мышцами очень затрудняют ее использование для декодирования речи [151]. Был достигнут некоторый успех в использовании многоэлектродной матрицы для декодирования явлений из многоэлементной активности [157]. Однако кортикальные представления речевых артикуляторов покрывают большую область, которая может не подходить для очень локализованной области записи многоэлектродной матрицы [156, 158]. Кроме того, декодирование речи часто требует, чтобы в качестве основной истины использовалась открытая речь, а это требует, чтобы испытуемые были способны говорить четко.Трудно оправдать установку проникающих электродов в здоровую красноречивую кору головного мозга для проведения экспериментов. В настоящее время ECoG добивается большего успеха в декодировании речи из-за высокого качества сигнала и менее инвазивной природы. Запись ЭКоГ также часто используется во время резекции головного мозга, чтобы избежать повреждения красноречивой коры, поэтому она хорошо интегрирована в существующие хирургические процедуры. Исследования с использованием ЭКоГ для декодирования речи в основном сосредоточены на высоком гамма-диапазоне (70–170 Гц), поскольку было показано, что высокая гамма-активность сильно коррелирует с частотой срабатывания ансамбля [159].

Ранее усилия по декодированию речи были сосредоточены на прямом декодировании простых слов или фонем [150 , 157 , 158 , 160 162], но их производительность не очень удовлетворительна. Декодирование из ограниченного словаря или набора фонем может дать более высокую точность (например,> 80% для 10 слов [160] или 9 фонем [157]), но оно может охватывать только очень узкий диапазон человеческих устных выражений. Исследования, пытающиеся расшифровать полный диапазон английских фонем, приводят к более низкой точности классификации (10-50% [150,155 , 162]).Низкая точность классификации может быть частично уменьшена путем включения словаря произношения и языковой модели (например, в [150]), которые могут ограничить вывод декодера более вероятными словами.

С другой стороны, в последнее время внимание переключилось на декодирование промежуточного представления речи (например, движения артикулятора), а не на прямое декодирование фонем. Частично этот сдвиг может быть мотивирован растущим количеством доказательств, предполагающих, что речевая моторная кора способна генерировать паттерны дифференциальной активации, кодирующие кинематику речевых артикуляторов [156,163 165].Достижения в области глубокого обучения сделали предсказание траекторий артикулятора на основе акустического сигнала (то есть акустико-артикуляционной инверсии) достаточно точным, чтобы действовать в качестве основы для декодирования, поскольку традиционные способы имплантации катушек или магнитов во рту с помощью артикулографии являются инвазивными и несовместимо с нейронными записями [166]. В одном недавнем исследовании [167] глубокая нейронная сеть используется для декодирования характеристик ЭКоГ в траектории артикулятора. Затем траектории декодируются другой нейронной сетью в акустические особенности (например,грамм. высота тона, мелкочастотные кепстральные коэффициенты и т. д.), которые затем преобразуются в слышимый голос с помощью синтезатора голоса. Даже мимизированная речь может быть декодирована, хотя и с меньшей точностью. В другом исследовании [168] особенности ЭКоГ декодируются в спектрограммы в мел-масштабном масштабе непосредственно с помощью нейронной сети, затем вокодер нейронной сети используется для преобразования спектрограммы в звуковые сигналы. Эти недавние результаты показывают большие перспективы в декодировании человеческой речи по сигналам ЭКоГ. Сводка различных методов моторного декодирования приведена в таблице 1.

Таблица 1 Сравнение различных методов декодирования моторики

Проблемы и направления на будущее

Несмотря на то, что были достигнуты большие успехи в расшифровке моторного намерения человека, все еще остаются некоторые серьезные проблемы, которые предстоит решить. Одной из самых больших проблем, препятствующих внедрению моторного декодирования за пределами лаборатории, является ограниченная долговечность модели декодирования. Обычно требуется некоторый сеанс калибровки для сбора данных для обучения модели декодирования, затем модель тестируется в последующих сеансах в тот же или следующие несколько дней.Хотя это приемлемо в научном исследовании из-за ограниченного времени и доступных клинических ресурсов, при повседневном использовании обученная модель должна поддерживать свою производительность в течение длительного периода времени.

Ограниченный срок службы может быть вызван несколькими причинами. Во-первых, нестабильность границ раздела электродов. Микроперемещение электродов может вызвать смещение пространства элементов. Если декодер недостаточно устойчив, этот сдвиг может привести к ухудшению производительности декодирования.Другая причина — различные шумы окружающей среды, которые вводятся в полученные сигналы. Нейронные сигналы, используемые для декодирования, обычно имеют очень маленькую амплитуду и поэтому чувствительны к помехам окружающей среды. Сотовый телефон, люминесцентная лампа или другие электроприборы вносят различные типы шума в полученный сигнал. Поскольку испытуемые выполняют различные задачи в повседневной жизни, они могут попадать под влияние различных источников шума, не охваченных обученным набором данных, что приводит к снижению производительности.Третья причина — медленное нарастание иммунного ответа на поверхности раздела электродов. Глиальные рубцы могут покрывать электрод и увеличивать его импеданс [174]. Нейродегенерация в результате иммунного ответа также приведет к более слабому сигналу [175]. Проблема долговечности модели многогранна и требует тщательного решения. Во-первых, лучшая конструкция электродов может помочь закрепить электрод на его анкерной конструкции и уменьшить их относительное перемещение. Имплантируемое решение также будет обеспечивать более стабильную работу, чем решение, требующее повторного демонтажа и повторной установки каждый раз (например,грамм. ЭЭГ и ЭМГ). Во-вторых, модель следует обучить более надежным функциям и протестировать в среде, типичной для ее повседневного использования. Экранированная камера может помочь получить очень чистые сигналы, которые подходят для демонстрации прототипа. Однако маловероятно, что такое же качество сигналов можно будет получить в повседневной среде. Таким образом, также важно учитывать, как тестируется декодер, а не просто смотреть автономные числовые показатели. В-третьих, развитие электродных материалов или специальных органических покрытий потенциально может снизить иммунный ответ [176].Гибкий электрод вместо жесткого также может вызвать меньшее повреждение нейронов и воспаление [177, 178].

Вторая проблема заключается в том, как учесть разницу в функциях во время обучения без обратной связи и управления с обратной связью. Набор обучающих данных обычно получается в режиме разомкнутого цикла, что означает, что испытуемым дается указание выполнять определенные двигательные образы без какой-либо обратной связи. Однако при фактическом использовании система будет обеспечивать обратную связь с субъектом на основе выходных данных декодера.Когда выходной сигнал декодера неправильный, субъект может попытаться исправить это намеренно, и это может привести к несоответствию в работе офлайн и онлайн [179]. Одним из решений является введение небольшого сеанса калибровки с обратной связью в начале сеанса тестирования, как во многих исследованиях моторного декодирования на основе ЭЭГ. Исходная модель обучается с использованием парадигмы разомкнутого цикла, затем модель дополнительно настраивается с обратной связью в сеансе калибровки. Однако это возможно только в том случае, если доступна неопровержимая истина.В случае, когда достоверная информация недоступна, например В случае пациента с тетраплегией, когда очень трудно узнать истинное намерение субъекта, алгоритм ReFIT является другим подходом к решению этой проблемы [109]. Основная идея алгоритма ReFIT состоит в том, что он пытается построить псевдопочвенную истину, предполагая, что субъект постоянно пытается исправить неправильный вывод декодера. Таким образом, предполагается, что направленный вектор двигательного намерения всегда указывает на цель из текущей позиции курсора.Используя этот метод, можно обучить декодер с нуля всего за 3 минуты данных [94]. Онлайн-калибровка с обратной связью может предложить более реалистичное предсказание того, как декодер может работать в реальной жизни. Этот подход также может позволить декодеру быстро адаптироваться к любому сдвигу в пространстве признаков из-за изменения интерфейса электродов или шумов окружающей среды. Однако онлайн-калибровка требует быстрого обновления модели, что накладывает ограничение на сложность модели декодирования.Необходимы дополнительные исследования, чтобы изучить, как эффективно обновлять декодер в реальном времени.

Помимо усовершенствования алгоритмов декодирования, разработка новых электродов и нейронных усилителей также играет очень важную роль в продвижении декодирования двигателей. Последние тенденции в разработке электродов в основном сосредоточены на улучшении четырех областей конструкции электродов: плотности, гибкости, биосовместимости и возможности подключения. Более плотный электрод может улучшить пространственное разрешение нейронных записей. Электрод высокой плотности был создан из кремниевой пластины и моноволокна из углеродного волокна [180, 181].Материал электрода с гибкостью, близкой к гибкости тканей мозга, может уменьшить нервное повреждение и воспалительную реакцию. Многие гибкие полимеры использовались для изготовления нервных электродов, включая полиимид [182,183], парилен [184], PDMS [185] и т. Д. Биосовместимость всегда является важной проблемой при разработке электродов, поскольку воспалительная реакция и инкапсуляция ухудшают качество сигнала с течением времени и подрывают качество хронических нейронных записей. Стратегии улучшения биосовместимости, включая использование инертных металлов, таких как золото или платина, использование гибких материалов для уменьшения повреждения тканей или покрытие электрода биосовместимыми материалами, такими как проводящий полимер [186] и углеродные нанотрубки [187].Соединение для считывания с электродов также быстро станет проблемой, когда плотность и количество электродов будут продолжать увеличиваться. Включение транзисторов в электроды напрямую для обеспечения мультиплексирования соединений — один из способов решения этой проблемы [188,189]. Читателям, интересующимся дизайном нейронных электродов, рекомендуется ознакомиться с другими более подробными обзорами в этой области [119, 172, 176, 177, 190].

Разработка нейронных усилителей также играет очень важную роль в развитии науки о моторном декодировании, поскольку нам сначала нужно получить четкий нейронный сигнал, прежде чем можно будет выполнить какую-либо обработку и декодирование.Существует несколько направлений исследований, направленных на улучшение различных аспектов конструкции усилителя. Во-первых, энергопотребление усилителя может быть уменьшено за счет разделения ресурсов (например, один усилитель с несколькими электродами [191] или несколько усилителей с одним аналого-цифровым преобразователем [192]), планирования мощности (например, отключение неиспользуемых компонентов [193] ], динамически регулируя параметры усилителя [194]), или снижая напряжение питания [195]. Во-вторых, количество каналов может быть увеличено путем мультиплексирования или интеграции усилителей непосредственно с электродами [191,196].В-третьих, шум схемы может быть уменьшен за счет подстройки [197], прерывания [198,199], автоматического обнуления [200] или формирования частоты [201] и т. Д. В-четвертых, беспроводная передача энергии или данных может быть достигнута с помощью индуктивной связи [193,202,203], сбор энергии на короткие расстояния [193,204] или даже ультразвук [205]. Наконец, функциональность усилителя также может быть расширена за счет интеграции большего количества процессоров сигналов на кристалле, например обнаружение всплесков [203], сортировка всплесков [206, 207] и сжатие данных [208, 209]. Заинтересованным читателям предлагается ознакомиться с другими более специализированными обзорами в этой области [210 213].

Расшифровка чтения в мозгу

Представьте, что вы пытаетесь прочитать слово — даже это самое предложение — и все буквы выглядят как беспорядок в беспорядке. Вы можете видеть буквы, но они больше не имеют смысла. Это недавно случилось с пациентами, которые участвовали в уникальном исследовании по изучению происхождения чтения в мозгу.

Эти пациенты, которым в мозг были имплантированы электроды для определения местоположения и лечения эпилептических припадков, предоставили одни из самых убедительных на сегодняшний день доказательств определения того, где в мозгу мы распознаем буквы и читаем слова.В новом исследовании, опубликованном в PNAS, исследователи сообщили, что электрическая стимуляция области веретенообразной коры (левая средняя веретенообразная извилина) приводила к нарушению способности пациентов читать.

Одна пациентка сообщила, что ей казалось, что она пыталась смешать два слова вместе, когда она увидела только одно слово и подумала, что в слове «сообщение» есть буква «n». У второго пациента нарушение было еще более драматичным: он неправильно воспринимал буквы, сначала отвечал «А» при просмотре буквы «Х», а затем уверенно сообщил, что видел буквы «F» и «Н» при просмотре буквы «С». .Многие из этих наблюдений были непосредственно запечатлены в этом видео:

Исследователи также смогли использовать методы машинного обучения для анализа электрофизиологических данных, записанных с электродов пациентов. Они обнаружили, что могут расшифровать, какое слово человек читает в конкретный момент.

Старший автор статьи Авниэль Гуман из Университета Питтсбурга рассказал CNS об этом исследовании, его значении для нашего понимания грамотности и нарушений чтения в частности, а также о текущих и будущих применениях инвазивных методов электрофизиологии, таких как тот, который используется в этом новом исследовании. учиться.

CNS: Как вы лично заинтересовались этой областью обучения?

Ghuman: Чтение увлекательно, потому что это уникальное человеческое умение, которое только относительно недавно стало широко распространенным в историческом плане, в отличие от чего-то вроде восприятия лица, которое можно было наблюдать у наших эволюционных предков. Таким образом, изучение чтения дает уникальное представление о том, как этот визуальный опыт, приобретенный в детстве, формирует мозг.

Действительно, тот факт, что грамотность возникла относительно недавно, и тот факт, что мы переводим прочитанное в звук слов в нашей голове, привели к ожесточенным спорам, которые можно проследить еще в 19 веке, относительно того, можно ли или вообще не существует нейронных цепей, предназначенных для чтения.В более широком смысле, способность использовать современные инструменты записи и анализа для ответа на вопросы, которые люди задают о познании на протяжении веков, привлекла меня к когнитивной нейробиологии.

ЦНС: Зачем использовать инвазивные нейрохирургические методы для изучения чтения в мозгу?

Ghuman: Инвазивные измерения обеспечивают, пожалуй, самое высокое пространственное и временное разрешение, которое можно зарегистрировать с помощью человеческого мозга в сочетании с чрезвычайно сильными сигналами. Это обеспечивает беспрецедентную чувствительность и специфичность для изучения когнитивной нейробиологии человека.

Кроме того, инвазивные методы дают возможность точно стимулировать область и существенно нарушать ее активность, что позволяет нам делать выводы о причинно-следственных связях между функцией этой области и конкретным поведением.

ЦНС: Каково было работать с пациентами с эпилепсией во время эксперимента?

Ghuman: Работа с больными эпилепсией унизительна. Это люди, которые только что перенесли одну серьезную операцию на головном мозге и собираются сделать еще одну, и все же они готовы добровольно участвовать в исследованиях, потому что они понимают уникальный вклад, который они могут внести в когнитивную нейробиологию.Пациенты часто испытывают вполне понятную усталость после операции, поэтому мы планируем наши эксперименты, чтобы узнать как можно больше за ограниченное время. Я знаю, что каждый, кто участвует в этом исследовании, включая меня, искренне ценит время и энергию, которые пациенты готовы отдать нам, чтобы помочь нам лучше понять работу мозга.

CNS: Что вас больше всего взволновало в результатах исследования?

Ghuman: Было потрясающе находиться в комнате и видеть эффекты стимуляции левой средней веретенообразной формы во время чтения.Я был потрясен, когда один из испытуемых уверенно сообщил, что видел буквы «F», а затем «H», когда на экране была буква «C». Как будто он просто увидел на экране буквы, отличные от тех, которые были на самом деле из-за стимуляции (см. Видео выше).

ЦНС: Не могли бы вы вкратце описать, как вы смогли идентифицировать в записях мозга конкретные слова, которые читали пациенты?

Ghuman: Мы применили алгоритмы машинного обучения, предназначенные для определения того, какие аспекты нейронных сигналов различаются между условиями, особенно в нашем случае, между разными словами.Мы даем этим алгоритмам несколько примеров записей мозга для каждого слова, и алгоритм учится обнаруживать закономерности в этих записях, связанные с определенными словами. Затем мы дали алгоритму незнакомую запись, и алгоритм попытался расшифровать, от какого слова исходит активность мозга. Используя эти алгоритмы, основанные на записях мозга, мы смогли идентифицировать слова, которые пациент читал, значительно точнее, чем если бы мы гадали наугад.

Интересно, что мы обнаружили два критических временных окна для этого декодирования.Во-первых, на основе активности мозга через 100–250 миллисекунд после того, как испытуемые прочитали слово, где мы могли различить совершенно разные слова, такие как «намек» и «купол». Затем примерно через 300-500 миллисекунд мы могли теперь даже различать слова, которые отличались только одной буквой, например «намек» и «ворс». Это демонстрирует, что левая средняя веретенообразная извилина играет важную роль в уточнении нейронного представления слов, по крайней мере, на двух различных во времени этапах обработки информации.

CNS: Что мы теперь знаем о языке и мозге, чего не знали раньше, и как эти результаты повлияют на людей?

Ghuman: Эффекты, характерные для чтения, наблюдаемые при разрыве левой средней веретенообразной извилины и способность декодировать отдельные слова на основе активности мозга в этой области, являются очень убедительным доказательством того, что эта область предназначена для чтения. Это помогает разрешить споры о нейронных основах чтения, которые существуют уже почти 150 лет.

Наше открытие также показывает, что существует несколько критических окон обработки информации, с ранним представлением на уровне сущности и более поздним, более точным представлением, которое отличает даже очень похожие слова друг от друга. Эти результаты важно включить в модели чтения и предложить механизм, в котором левая средняя веретенообразная извилина взаимодействует со многими областями мозга, участвующими в речевой и визуальной обработке, чтобы улучшить представление слов с течением времени.

Результаты нашего исследования естественным образом приводят к вопросу о том, какую роль аномалии в левой средней веретенообразной извилине и аномальные взаимодействия между этой областью и другими областями мозга играют в нарушениях чтения. Это также предполагает, что нормализация функции этой области может иметь важное значение для исправления нарушения чтения.

CNS: Можете ли вы описать другую работу, которую вы проделали с помощью инвазивной электрофизиологии человека?

Ghuman: Большая часть работы моей лаборатории на данный момент связана с инвазивной электрофизиологией человека.Помимо чтения, мы изучаем нейронные основы восприятия лица, социального и эмоционального восприятия.

В качестве примера мы недавно опубликовали исследование с использованием методов машинного обучения для изучения обработки нейронной информации для идентификации лиц с использованием электродов, которые находились в области мозга, критически важной для распознавания лиц. Интересно, что в этом исследовании мы также обнаружили, что существуют два очень похожих критических временных окна для восприятия лица, которые мы нашли для распознавания слов. Тот факт, что одинаковые временные окна видны как для лиц, так и для слов, предполагает, что это критические периоды для обработки нейронной информации.

CNS: Каким вы видите будущее инвазивной электрофизиологии человека, в том числе видите ли вы ее будущее за пределами научных исследований?

Ghuman: В настоящее время инвазивная электрофизиология человека быстро расширяется и, хотя она все еще редка, имеет светлое будущее в исследованиях когнитивной нейробиологии. Помимо исследований, стимуляция мозга все чаще используется для лечения неврологических расстройств и перспективна для лечения некоторых расстройств психического здоровья. Это уже важный метод лечения болезни Паркинсона и эссенциального тремора, и он перспективен для лечения эпилепсии, хронической боли и обсессивно-компульсивного расстройства.Он оценивается для лечения других когнитивных расстройств. В самом деле, важным аспектом исследования моей лаборатории является проведение фундаментальных исследований когнитивной нейробиологии, которые заложат основу для потенциальных будущих применений стимуляции мозга для психического здоровья.

CNS: Каковы следующие шаги этого исследования?

Ghuman: Мы хотели бы понять распознавание слов в контексте, например, чем отличается обработка нейронной информации для денежного «берега» от речного «берега».«В конечном итоге мы хотели бы понять, как информация течет между широко распределенными областями мозга, участвующими в визуальной, фонологической и языковой обработке для поддержки чтения.

-Лиза М.П. Муньос

границ | Тактильное декодирование ориентации края с помощью искусственных клиновидных нейронов в динамических условиях

Введение

По мере того, как роботы становятся частью нашей повседневной социальной и рабочей среды, исследовательский центр сместился в сторону более ориентированных на человека парадигм проектирования и обучения.Многие исследования в последнее время черпали вдохновение в природе и ее эволюционных принципах, чтобы использовать надежность и низкие вычислительные затраты при выполнении динамической задачи в необученной среде (Ijspeert, 2014).

За последние несколько десятилетий несколько нейрофизиологических исследований на млекопитающих были сосредоточены на понимании роли различных семейств механорецепторов (сенсорных рецепторов, чувствительных к механическим искажениям), распространяющихся по коже человека, и их роли в передаче информации о внешнем мире в мозг ( Йоханссон и Фланаган, 2009 г .; Абраира и Гинти, 2013 г.).Такие исследования впоследствии привели к более глубокому пониманию профиля сенсорной информации, которую нейронные цепи получают во время простых задач манипулирования объектами. Эти исследования описывают природу пространственно-временной информации (пиковые реакции) в тактильных сенсорных афферентах. Кроме того, есть свидетельства того, что извлечение тактильных признаков может происходить уже на афферентных стадиях (Johansson and Flanagan, 2009; Gollisch and Meister, 2010; Weber et al., 2013), дополняя центральную обработку информации в сенсорной коре головного мозга (Bensmaia et al., 2008a; Сяо, 2008). Явные исследования влияния геометрических характеристик, таких как ориентация краев (вертикальная линия, наклоненная под углом, рис. 1C), на сенсорные афференты сообщили об обработке информации на периферических стадиях сенсорного восприятия (Pruszynski and Johansson, 2014). Аналогичным образом, в настоящем исследовании наше исследование сосредоточено на развитии у роботов надежного тактильного восприятия, основанного на парадигмах, основанных на биоинспектировании. Для достижения этой цели мы стремились воспроизвести интеллект, воплощенный в связности периферийной тактильной сенсорной системы человека.Воспроизведя эту структуру связи в нашей роботизированной системе, мы имитировали аппаратную архитектуру, которая была выдвинута на гипотезу у людей (Johansson and Flanagan, 2009). В частности, мы зафиксировали особенности задержки проводимости по нервным путям от периферийных к центральным стадиям обработки, чтобы обеспечить тактильную обработку геометрических характеристик, таких как ориентация краев.

Рисунок 1 . Методы. (A) Роботизированная установка с интегрированным пальцем и совместимым запястьем.Вставка демонстрирует интеграцию тактильного датчика на концевой эффектор робота с помощью податливого запястья. (B) Иллюстрация активного протокола касания, когда палец перемещается по стимулам (красная пунктирная линия). (C) Представление всех 9 стимулов гребня (3D-печать с высотой и шириной 0,5 × 0,5 мм, с размещением трех гребней).

Многие исследования в последнее время создали нейро-роботизированные системы путем комбинирования вычислительных моделей, основанных на различных нейрофизиологических данных (Saal et al., 2017) наряду с тактильными датчиками для восстановления тактильных афферентных реакций (Lee et al., 2017; Rongala et al., 2017; Osborn et al., 2018). Недавно биомиметические вычислительные модели периферического тактильного восприятия были расширены, чтобы учесть второй нейрональный уровень декодирования (Bologna et al., 2013; Rongala et al., 2018a, b), и эта функция также использовалась для обнаружения краев (Hay and Прушинский, 2018). Некоторые роботизированные исследования также были сосредоточены на методах извлечения геометрических элементов, в которых Рубен и его коллеги (Понсе Вонг и др., 2014) изучали ориентацию краев, используя аналогичный подход исследования и классификации на основе роботизированной руки. Они использовали методы вспомогательной векторной регрессии для изучения и классификации стимулов, что требует автономного обучения. Еще одно исследование, проведенное Эрнандесом и его коллегами (Martinez-Hernandez et al., 2013), проводило эксперименты по статическому восприятию краев, касаясь стимулов тактильным датчиком, чтобы продемонстрировать пассивное тактильное восприятие для следования контуру. В этом подходе использовался вероятностный классификатор, основанный на байесовском формализме тактильного восприятия.Обнаружение края производилось только под прямым углом (0 °, 90 °, 180 °, 270 °) с контролируемой чувствительной силой.

Одной из характерных черт (Ijspeert, 2014) всех вышеупомянутых исследований является то, что они проводились в условиях контролируемого зондирования. Однако для создания биомиметических устройств, способных обрабатывать тактильную информацию в реальном мире, нам необходимо определить, насколько этот процесс устойчив к изменяющимся условиям восприятия. Поэтому здесь мы приняли парадигму, вдохновленную нейро, для создания экстрактора тактильных признаков и проверили, что это эффективная стратегия декодирования информации.Сочетание двухуровневой нейровычислительной модели, основанной на дискретных событиях и задержках, наряду с интерфейсами мягких роботов, привело нас к разработке функциональной тактильной системы, которая смогла обеспечить эффективное декодирование геометрических ориентаций краев при различных условиях зондирования (силы и скорости зондирования). Мы также оценили устойчивость нашей системы к изменению чувствительности.

Материалы и методы

Тактильный датчик

Для этого исследования мы использовали тактильный кончик пальца с основным элементом датчика MEMS (Micro Electro-Mechanical System).Этот датчик состоит из матрицы пьезорезистивных датчиков 2 × 2 (рис. 2A), расположенных с шагом 2,36 мм [SensorPitch (SP) в уравнении (1)]. Каждая матрица датчиков состоит из четырех сенсорных каналов (четыре пьезорезистора с крестообразным расположением), составляющих в общей сложности 16 сенсорных каналов на площади 22,3 мм 2 (Beccai et al., 2005; Oddo et al., 2011 ). Этот тактильный датчик продемонстрировал чувствительность как к касательным, так и к нормальным силам (Oddo et al., 2011), а также точность и повторяемость в нейроморфном кодировании-декодировании разнообразного диапазона стимулов, включая гребни (Oddo et al., 2016) и натуралистические текстуры (Rongala et al., 2017). В этом исследовании мы рассматриваем данные из 2 сенсорных каналов [сенсорный канал 8 (SC8) и сенсорный канал 11 (SC11), рис. 3A], которые чувствительны к касательной силе, возникающей в направлении скольжения стимула. Эти каналы также пространственно смещены вдоль той же оси относительно направления стимула, что делает их подходящими для подтверждения гипотезы задержки проводимости. Мы преобразуем эту аналоговую сенсорную информацию в нейроморфные спайки (основанное на событиях представление данных, аналогичных нейронам), используя модели нейронов, которые описаны в следующих разделах этой статьи.

Рисунок 2 . Двухслойная нейронная архитектура. (A) ( Left ) Структура кончика пальца и расположение 16-ти сенсорных каналов. Данные из двух сенсорных каналов (8 и 11) вводятся в качестве входного тока в модель нейрона Ижикевича (нейроны 1-го порядка), которые доставляют серию импульсов, подобных механорецепторам. ( Ниже ) репрезентативная иллюстрация реакции механосенсоров [MS1 и MS2 (соответствующие SC8 и SC11 соответственно)] на гребни, имеющие угол -45 °, 0 ° и 45 ° относительно направления, ортогонального относительному движению стимула и пальца. .( Справа, ) схематическая диаграмма реализации нейрона второго порядка для обработки ориентации краев. Два разных входа механосенсоров (зеленый и красный шипы, MS1 и MS2) для одной последовательности стимуляции сходятся к одному и тому же нейрону клиновидного ядра (CN i , нейрон 2-го порядка) через определенные задержки проводимости вдоль пути. В проиллюстрированном примере CN1 генерирует пики на выходе (синие последовательности пиков) только тогда, когда он принимает входные данные MS, которые совпадают. (B) Другие CN (CN2 и CN3) реагируют на различные угловые стимулы, в зависимости от набора задержек проводимости и последующих временных отношений, сформированных между входами.

Рисунок 3 . Нормальная и поперечная жесткость податливого запястья и результирующая сила восприятия между тактильным датчиком и стимулами. (A) Тангенциальная жесткость (по оси x) податливого смещения запястья как функция приложенной силы. (B) Жесткость на сжатие (по оси z) податливого смещения запястья как функция приложенной силы. (C) Силы восприятия, зарегистрированные во время контакта пальца со всеми стимулами (1–9), связанными с различными положениями оси Z робота (положения Z 1–5).Z-положения получены с постепенным увеличением с шагом 0,5 мм к стимулам от исходного положения (как описано в разделе «Методы»). Коробчатая диаграмма показывает диапазон силы при 5 механических повторениях и всех 9 стимулах. Силы регистрируются с помощью тензодатчика, который помещается между податливым запястьем и роботизированной рукой.

Запястье, совместимое с

Соответствующее запястье было собрано на жестком концевом эффекторе антропоморфного робота с 6 степенями свободы (Comau Racer-7-1.4) через тензодатчик (6-осевой Nano 43, ATI Industrial Automation, Apex, США).Принимая во внимание, что другой конец податливого запястья несет тактильный датчик (рис. 1A). Конструкция запястья была направлена ​​на создание мягкого сустава, обеспечивающего адаптацию при контакте (между кончиком пальца и внешними поверхностями). Такой податливый элемент также предотвращает повреждение тактильного датчика, не влияя на его чувствительность. Структура податливого запястья имела форму цилиндра диаметром и высотой 40 × 60 мм. Более того, мягкое запястье было выполнено с геликоидальным изгибом для увеличения его гибкости.Стык был изготовлен методом формования из вязкого полимерного материала — Dragon Skin (10 medium, Smooth-on, США). Две металлические пластины использовались на верхней и нижней поверхностях цилиндра в качестве механического интерфейса между рабочим органом робота и тактильным датчиком. При типичных нагрузках для этого конкретного приложения (порядка 1 Н) расчеты с использованием модели конечных элементов (COMSOL Multiphysics, COMSOL Inc., США) показали жесткость на сжатие 2,5 Н / мм и жесткость 0.14 Н / мм в тангенциальных направлениях (рисунки 3A, B).

Стимулы

В качестве стимулов использовали 9 гребней прямоугольной формы размером 0,5 × 0,5 мм (высота и ширина). Каждый из этих гребней изготавливается с углом наклона от 0 до 40 ° с шагом 5 ° (рисунки 1C, 4A). Эти гребни были изготовлены с использованием технологии 3D-печати. Для этих экспериментов мы напечатали три гребня с последовательными углами на одной полосе стимулов, в результате чего в общей сложности получили 3 полосы стимулов, несущие 9 стимулов (как показано на рисунке 1C).Поскольку эти гребни напечатаны на трех разных полосах стимулов, они немного различаются по телосложению из-за разных изгибов и других небольших деформаций, которые возникают в стимулах из-за технологии 3D-печати. Это также создает дополнительные проблемы для обобщающих способностей развитой нейробиоинспирированной архитектуры.

Рисунок 4 . Ориентация на стимулы обработки. (A) Представление всех 9 стимулов с углами гребня от 0 до 40 ° с шагом 5 °. (B) Искусственные механосенсоры откликаются на спайковые поезда (MS1 и MS2, нейроны 1-го порядка), закодированные с использованием модели нейронов Ижикевича на основе входных данных тактильного датчика (ответы MS1 и MS2, связанные с аналоговыми данными из сенсорных каналов 8 и 11, SC8 и SC11 из рисунка 1). Пять ответных импульсов для каждого механорецептора показывают 5 экспериментальных повторений для каждого стимула. (C) , Ответы клиновидных нейронов (CN, нейроны 2-го порядка) на все 9 стимулов (S1–9) в диапазоне дифференциальных задержек проводимости, варьирующихся от 175 до -700 мс, с шагом 1 мс.Проиллюстрированные отклики MS и CN предназначены для одной силы восприятия (Z1 на рисунке 3C) и скорости измерения (5 мм / с) протокола эксперимента.

Протокол эксперимента

Мы приняли протокол активного прикосновения, в котором стимулы фиксируются на станке, а конечный эффектор робота (зацепленный кончиком пальца) маневрирует по поверхности стимула (как показано синими стрелками на рисунке 1A; дополнительное видео) . Робот управляется с помощью промышленного контроллера реального времени (IC3173, запрограммированного с помощью NI LabVIEW, LabVIEW Real-Time и LabVIEW FPGA, а также контроллера робота C5G COMAU), который получает команды управления положением.Исходное положение робота по умолчанию было помещено чуть выше (по оси z робота) поверхности тактильных стимулов. Далее, конечный эффектор робота перемещался по оси z (в направлении стимулов) до тех пор, пока эталонная сила восприятия (сила, приложенная между тактильным кончиком пальца и стимулом) не достигала ~ 200 мН. Это считается начальным положением оси Z (Z1 на рисунке 3C) для всех стимулов.

После достижения положения «Z1», удерживая ось z робота заблокированной, кончик пальца скользил по поверхности стимула (рабочий орган робота, переведенный в декартово пространство) на длину 15 мм с фиксированной скоростью скольжения. покрывая всю поверхность выступающих раздражителей.В этом положении кончик пальца оставался неподвижным в течение 1 с в конце скольжения. Наконец, кончик пальца отводили от стимула по оси z. Эта траектория (рис. 1B, красная пунктирная линия) сохранялась на всех гребнях. После завершения скольжения по всем трем гребням робот возвращался в исходное положение. Робот продвигался на 0,5 мм по оси z (в направлении стимула) от предыдущего положения по оси z (Z1–4) для создания различных чувствительных / контактных сил, но без реализации точного управления с обратной связью по усилию.Этот экспериментальный протокол повторяли 5 раз для каждого стимула, чтобы оценить повторяемость системы. В следующем исследовании мы представили и подтвердили нейро-вдохновленную архитектуру для пяти различных сил восприятия (рис. 3C, с P <0,001, с использованием теста ANOVA) и пяти различных скоростей восприятия (5, 10, 15, 20 и 25). мм / с).

Модель нейрона (механорецепторы, нейроны 1-го порядка)

Аналоговые данные тактильного датчика подавались как виртуальный токовый вход ( I вход ) в пользовательскую реализацию модели нейрона Ижикевича (Ижикевич, 2003) для генерации пространственно-временных пиков, подобных механосенсорам (рисунки 3A, 4B). , Нейроны 1-го порядка).Модель нейрона Ижикевича была выбрана для воспроизведения динамики адаптации, которая является важной характеристикой, наблюдаемой в механорецепторах (Johansson, Flanagan, 2009). Базовая модель нейрона Ижикевича определялась следующими нелинейными дифференциальными уравнениями, где v — мембранный потенциал, а u — переменная адаптации.

v˙ = Av2 + Bv + C − u + IinputCmu˙ = a (bV − u) (1)

Когда мембранный потенциал достиг порога всплеска 30 мВ , был произведен всплеск выходного сигнала с последующим сбросом,

если V≥30 mv, то {v ← cu ← u + d (2)

A, B, C — стандартные параметры модели Ижикевича, тогда как параметры a, b, c и d были выбраны, как указано в Таблице 1, для обеспечения возвратно-поступательного поведения при регулярных выбросах.

Таблица 1 . Параметры модели нейрона Ижикевича.

Модель нейрона (нейроны клиновидных тел, нейроны 2-го порядка)

Клинчатые нейроны (CN) также моделировались как нейроны Ижикевича с регулярными импульсами на основе аналогичных дифференциальных уравнений, описанных выше (уравнения 1, 2). Принимая во внимание, что входной ток ( I вход ) к CN был смоделирован как сумма основанного на токе постсинаптического потенциала ( PSP до , уравнение 4) (Cavallari et al., 2014) от механосенсорных нейронов вместе с добавлением специфических задержек дифференциальной проводимости (ΔT) (Рисунок 3). При каждом заданном времени всплеска выходного сигнала механодатчика (ti *) преобразуется в единичный PS P i , ядро ​​которого было задано уравнением (3).

PSPi = τlτd — τr × [exp (−t− τl− ti ∗ τd) — exp (−t− τl− ti ∗ τr)] (3) PSPtot = ∑i ∈prePSPi (4)

Параметры, время затухания ( τ d ), время нарастания ( τ r ) и время задержки ( τ l ) определяют форму PS P i ядро.Значения базовой конфигурации τ d = 12,5 мс, τ r = 4 мс и τ l = 21 мс (константа для расчета отношения) выбираются исходя из исходя из предыдущих предположений о концентрации кальция, индуцированной в синапсе, как представлено в нашей предыдущей работе (Rongala et al., 2018b). ti * дает входное время всплеска от механодатчика i th .

Задержки проводимости

Задержка проводимости — это временной шаг (Δ T ), который был добавлен ко всей выходной цепочке импульсов механорецепторов (нейронов 1-го порядка) вдоль афферентного пути.Эти задержки имеют сходство со временем проводимости в нервах, которые соединяют тактильные афференты (в руке) с клиновидными нейронами (в стволе мозга) людей (Johansson and Flanagan, 2009). Мы протестировали задержки дифференциальной проводимости в диапазоне от 175 мс (MS1 перед MS2) до -700 мс (MS2 перед MS1) с шагом 1 мс, что составляет 876 задержек проводимости.

Алгоритм классификации

Учитывая характеристики данных, мы выбрали метод линейной дискриминации, обученный с обучением с учителем.Классификатор был обучен и протестирован с использованием 5-кратной перекрестной проверки, которая повторялась в течение 100 итераций, чтобы гарантировать надежность классификатора и процедуры обучения. Мы воспользовались преимуществами встроенных функций MATLAB ® для выполнения этого вычисления.

Плотность вероятности спайковых ответов CN вычисляется с использованием функции гистограммы в MATLAB ® с размером бина 10. Кроме того, медиана этого распределения вероятностей была выбрана в качестве входного вектора для описанного выше классификатора (одномерный Вход).При рассмотрении декодирования на основе одной силы (рисунки 5B, 7B, 10A) входные векторные данные разбиваются на 9 классов, представляющих все 9 стимулов. То же самое следовало и для обобщенного декодирования (рисунки 6B, 8, 10B), входные векторные данные были разделены на 9 классов (9 стимулов), независимо от сенсорных сил.

Рисунок 5 . Классификация ответов CN на все 9 стимулов для фиксированной силы восприятия. (A) Коробчатая диаграмма, иллюстрирующая вероятность пиков для ответов CN (рис. 4C) по всем девяти стимулам для данной силы.Коробчатая диаграмма демонстрирует постепенный сдвиг всплеска CN в зависимости от угла стимула и задержки проводимости. Вероятность выброса рассчитывается для 5 экспериментальных повторений каждого CN. (B) Матрица неточностей демонстрирует эффективность декодирования, достигаемую по всем 9 стимулам (для фиксированной силы восприятия (Z1) и скорости восприятия (5 мм / с)) на основе ответов CN с использованием контролируемого классификатора линейной дискриминации. Точность декодирования составила 100% по 5 стимулам с размером шага 10 ° (S1, S3, S5, S7 и S9) и 88.2% с шагом 5 °.

Рисунок 6 . Классификация ответов ХН независимо от сенсорных сил. (A) Вероятность выброса по всем девяти стимулам и пяти различным чувствительным силам (рис. 3C) для каждой задержки проводимости. Эти отклики CN приведены для одной скорости считывания (5 мм / с). Этот график ясно демонстрирует почти одинаковую вероятность выброса, устойчивую к изменению чувствительной силы, что подтверждает возможность обобщения предлагаемого подхода. (B) Матрица путаницы, иллюстрирующая производительность декодирования, достигаемую CN независимо от сил (маркировка стимулов независимо от силы восприятия) по всем 9 стимулам. Точность декодирования составила 100% по 5 стимулам с размером шага 10 ° (S1, S3, S5, S7 и S9) и 94,5% с размером шага 5 °.

Рисунок 7 . Ориентация стимулов с помощью шума. (A) Растровый график иллюстрирует ответы CN (нейрон 2-го порядка) на все 9 стимулов (S1–9) в диапазоне фиксированных задержек проводимости, варьирующихся от 175 до -700 мс, с шагом 1 мс.Проиллюстрированные отклики относятся к фиксированной чувствительной силе и чувствительной скорости. Каждая модель CN моделируется для 5 экспериментальных повторений с добавлением 19 повторений шума в каждом, что составляет в общей сложности 100 повторений для каждой конфигурации CN. Шум создавался гауссовым распределением с σ = 10 мс. Непрерывный график рядом с каждым растровым графиком показывает плотность выбросов для соответствующей задержки дифференциальной проводимости. Зеленая линия показывает теоретическое значение (уравнение 5) задержки проводимости.Среднее значение плотности указано красной точкой. Красная линия поперек стимулов показывает линейный сдвиг вероятности всплеска при различных задержках проводимости. (B) Матрица неточностей, иллюстрирующая производительность декодирования, которая достигается CN по всем 9 стимулам (для одной силы восприятия и скорости обнаружения), с использованием контролируемого классификатора линейной дискриминации. Точность декодирования составила 100% для 5 стимулов с размером шага 10 ° (S1, S3, S5, S7 и S9) и 91% с размером шага 5 °.

Рисунок 8 . Классификация откликов ХН с шумом независимо от чувствительных сил и при заданной скорости зондирования (5 мм / с). Матрица неточностей, иллюстрирующая обобщенные характеристики декодирования, достигаемые CN независимо от силы восприятия, по всем 9 стимулам. Точность декодирования составила 100% по 5 стимулам с размером шага 10 ° (S1, S3, S5, S7 и S9) и 94,7% с размером шага 5 °.

Результаты

Чтобы изучить возможность и эффективность биомиметического подхода к тактильному ощущению, мы разработали экспериментальную установку, включающую биомиметический тактильный датчик (Oddo et al., 2011), связанных с настраиваемым мягким запястьем и роботизированной рукой с 6 степенями свободы (рис. 1A). Это взаимодействие привело к эффективной классификации стимулов, содержащих 9 угловых выступов, выбранных в диапазоне от 0 ° до 40 ° с шагом 5 ° (рис. 1C) на основе контакта с биомиметическим кончиком пальца (рис. 1C).

Для обработки этой тактильной сенсорной информации использовалась двухслойная нейровычислительная модель. На первом уровне мы используем модель нейрона Ижикевича для преобразования выходных данных 16-канальных данных тактильных датчиков в множественные спайковые ответы нейронов (рис. 2A) (Rongala et al., 2017). Это позволило имитировать свойства отклика механосенсоров (МС) человека. На втором уровне мы имитируем клиновидные нейроны (CN), опять же как обычные нейроны Ижикевича. Входы в CN моделировались как сумма постсинаптических потенциалов на основе тока от MS (см. Методы). Ключом механизма декодирования является связь между двумя уровнями. Эта связь воплощает модель кодирования тактильных ответов на основе событий (рис. 2A), имитирующую свойства различения клиновидных нейронов (CN) на основе проводящих путей с дифференциальными линиями задержки (рис. 2A).CN рассматривается в этой модели как детектор совпадений (Johansson and Flanagan, 2009), что означает, что конкретная CN реагирует, когда происходит наложение времени импульсов входного механосенсора. Основываясь на этой гипотезе, каждая CN кодирует определенный угол, в зависимости от совпадения задержки, вызванной стимулом, между активацией MS с разницей между задержками их проведения, что приводит к синхронизированной и, следовательно, эффективной стимуляции соответствующего реципиента CN. (Рисунок 2A).Благодаря этому механизму вероятность каждой CN реагировать на определенный стимул зависит от комбинации определенных задержек проводимости, связывающих ее с ее пресинаптическими MS (рис. 2A).

Чтобы проверить этот подход, сначала мы провели экспериментальный протокол по всем 9 стимулам с одной чувствительной силой (Z1, рис. 3C) и одной скоростью восприятия (5 мм / с, V1). Данные двух сенсорных каналов (SC8 и SC11, рис. 2A, подробности см. В разделе «Материалы и методы») были выбраны в качестве входных данных для обработки нейронов, чтобы имитировать ответы, подобные механосенсорам (MS1 и MS2, рис. 4B).Эти последовательности импульсов затем подавались в CN с заданным временем задержки проводимости (ΔT). Второй слой состоял из 876 различных клиновидных нейронов, каждый из которых идентифицировался определенной задержкой проводимости между входами, полученными от MS1 к MS2. Задержки проводимости варьируются от 175 до -700 мс с размером шага 1 мс. На рисунке 4C показаны ответы CN на основе входов MS1 и MS2 для заданной дифференциальной задержки проводимости на все стимулы. Ответы CNs, показанные на рисунке 4C (растровые графики), относятся ко всем 5 экспериментальным повторениям.Далее, чтобы проверить эффективность разработанной системы, мы проанализировали вероятность распределения пиков по всем CN для каждого стимула (рис. 5A). Распределение пиков, показанное на рисунке 5A, основано на ответах CN, показанных на рисунке 4C. Мы обнаружили постепенный сдвиг медианы вероятности всплеска в диапазоне задержек проводимости в зависимости от ориентации гребня стимула (рис. 5А). Этот сдвиг в вероятности показывает, что определенные CN больше реагируют на конкретный стимул, т.е.е., те, у которых дифференциальная задержка проводимости имеет тенденцию компенсировать теоретическую задержку ( T Theory ) между активацией пиков связанных MS.

TTheory = SP × tan (RA) V (5)

Где SP обозначает шаг датчика (см. «Методы»), RA обозначает угол гребня (угол ориентации краев стимулов), а V определяет скорость обнаружения. Это соотношение предполагает, что можно было бы инвертировать процесс и расшифровать представленную ориентацию, глядя на распределение возбуждения по популяции CN.Эта стратегия декодирования была вдохновлена ​​гипотезой, выдвинутой на людях (Johansson and Flanagan, 2009), где огромное количество информации из 10 000 тактильных афферентов на руке сокращается до небольшого и полезного сенсорного измерения, а затем передается в более высокий уровень. уровень когнитивной обработки. Для проверки содержания информации в ответах CN мы использовали метод линейной классификации (подробности см. В разделе «Методы»), который дал 88,2% точности декодирования по всем 9 стимулам (рисунок 5B, уровень вероятности 11.1%). Как показано в матрице путаницы (рис. 5В), в некоторых случаях смешиваются только последовательные стимулы, чему также способствует небольшая разница углов между двумя стимулами, а также условия динамического зондирования при работе робота в реальном времени. Принимая во внимание, что мы достигли 100% правильной классификации (для всех 5 сенсорных сил), ограничив декодирование по пяти стимулам, с вариацией угла стимула 10 ° (S1, S3, S5, S7 и S9). Это привело нас к выводу, что реальная точность нашего устройства лучше, чем идентификация гребня 10 °.

В реальном мире условия обнаружения могут измениться, поэтому мы хотели проверить, что производительность нашего устройства не ограничивается определенной силой контакта. Для этого обобщающего теста мы провели эксперименты, аналогичные описанному выше, но с 5 различными уровнями сил обнаружения цели и фиксированной скоростью обнаружения (5 мм / с, V1). Чтобы еще больше подчеркнуть способность обобщения, эти 5 целевых уровней силы были созданы не с помощью точного управления с обратной связью по усилию, а путем установки 5 различных положений по оси Z рабочего органа робота (рисунок 3C, подробности см. В разделе «Методы»).Затем мы вычислили вероятность всплеска ХН по всем 9 стимулам и 5 силам (рис. 6А). Затем мы сгруппировали по всем силам медианное значение вероятности пика, принадлежащего одному и тому же стимулу, и использовали его в качестве вектора признаков для классификатора, чтобы проверить ответы CN на все стимулы, независимо от сенсорных сил. Мы достигли 94,5% правильного декодирования всех девяти стимулов (рис. 6В) с изменением угла стимула 5 °. Это показывает, что высокий уровень точности может быть достигнут независимо от изменений чувствительной силы.Эта высокообобщенная производительность декодирования доказывает, что наши стратегии кодирования устойчивы к различным чувствительным силам благодаря архитектуре, имитирующей интеллект, воплощенный в нейронных путях от периферии к мозгу.

Чтобы еще больше подчеркнуть надежность нашего нейроморфного устройства, мы ввели временные колебания (с гауссовым шумом σ = 10 мс) в каждом повторении эксперимента. Это способствовало 100 повторениям каждой кодировки CN для каждого стимула и уровня сенсорной силы.На рисунке 7A показаны ответы CN на эти 100 повторений, а также плотность пиков для каждой задержки проводимости (непрерывный график рядом с растровым графиком). Мы наблюдали когерентный феномен постепенного изменения интенсивности всплеска в диапазоне задержек проводимости для каждого стимула (рис. 7A, красная точка, изображающая среднее значение интенсивности всплеска) даже с дополнительным временным шумом. Мы также заметили, что средняя интенсивность всплеска по каждому стимулу (красная пунктирная линия на рис. 7A) упала рядом с теоретически оцененными задержками проводимости (рис. 7A, зеленая пунктирная линия) на основе уравнения (5).Затем мы достигли высокой точности декодирования этих ответов CN по всем 9 стимулам, даже при наличии временного шума в пиковой активности MS. В этом состоянии с добавлением спайкового дрожания мы достигли правильного декодирования от 91% до 100% по девяти стимулам для индивидуальной силы восприятия и фиксированной скорости восприятия (рисунки 7B, 10A). Кроме того, мы достигли точности декодирования 94,7% независимо от силы восприятия и фиксированной скорости обнаружения (рис. 8).

Кроме того, мы также протестировали нашу систему на пяти различных скоростях измерения (5, 10, 15, 20 и 25 мм / с) для заданной силы обнаружения.Спайк-ответы механосенсора (MS1 и MS2) демонстрируют постепенное изменение времени их спайков по отношению к стимулам, наряду с однородным преобразованием общего времени спайков по отношению к скорости восприятия (рис. 9А). Далее мы проанализировали вероятность всплеска ответов CN на каждый стимул и заданную скорость восприятия (рис. 9B). Мы обнаружили постепенное смещение медианы вероятности пиков во всем диапазоне задержек проводимости (рис. 9В), показывая, что некоторые ХН чувствительны к определенному стимулу при оптимальной скорости восприятия.

Рисунок 9 . Ориентация обработки стимулов через изменяющуюся скорость восприятия для фиксированной силы восприятия (Z1, рис. 3C). (A) Искусственные механосенсоры (MS1 и MS2, нейрон 1-го порядка) генерируют импульсы для всех 9 стимулов при 5 различных скоростях восприятия. (B) Коробчатая диаграмма иллюстрирует вероятность пиков по всем стимулам для 5 различных скоростей восприятия для диапазона задержек проводимости. Вероятность всплеска рассчитывается на основе ответов CN.Каждая модель CN моделируется для 5 экспериментальных повторений с добавлением 19 повторений шума в каждом (гауссово распределение с σ = 10 мс), что составляет в общей сложности 100 повторений для каждой конфигурации CN.

Чтобы оценить влияние этих динамических условий восприятия на наше нейроморфное устройство, мы выполнили классификацию стимулов на основе ответов CN (с дополнительным временным дрожанием в MS) для комбинации всех 5 сил восприятия и 5 скоростей восприятия.Мы достигли более 90% правильного декодирования в 20 из 25 экспериментальных условий (рис. 10А). Низкая производительность декодирования наблюдалась при высоких скоростях зондирования с высокими усилиями зондирования, где границы вероятности пиков перекрываются. Кроме того, мы достигли высокой производительности декодирования независимо от силы считывания для каждой скорости считывания (рис. 10В). Эта высокая точность декодирования доказала, что предложенная архитектура была очень устойчивой к шуму и условиям динамического зондирования.

Рисунок 10 .Влияние динамики считывания на декодирование. (A) Производительность декодирования, достигаемая нейронами CN по всем 9 стимулам, для данной комбинации силы восприятия и скорости восприятия. Матрица неточностей для каждой заданной производительности декодирования проиллюстрирована на дополнительном рисунке 1. (B) Обобщенная производительность декодирования (независимо от силы обнаружения), достигаемая узлами CN для данной скорости обнаружения. Точность декодирования была представлена ​​для всех 9 стимулов (S1 – S9) с размером шага 5 ° и для 5 стимулов с размером шага 10 ° (S1, S3, S5, S7 и S9).

Обсуждение

Мы разработали искусственную тактильную систему с биоинспирированным тактильным датчиком, установленным на традиционном промышленном роботе с 6 степенями свободы, использующем податливое запястье, что позволило адаптироваться к нерегулярной динамике восприятия, присутствующей в окружающем тактильном мире. Кроме того, мы использовали нейроинспирированную двухуровневую архитектуру для обработки тактильной сенсорной информации. Благодаря такой синергии мы достигли отличной производительности декодирования ориентации (100% для 10 ° и 94.9% на шаге ориентации 5 ° для стимулов от 0 ° до 40 °). Это отличный результат по сравнению с современными технологиями определения ориентации в роботизированных приложениях (Martinez-Hernandez et al., 2013; Ponce Wong et al., 2014). Использование преимуществ точности существующих тактильных датчиков и вычислительных систем и их комбинирование с биомиметическими архитектурами может привести к созданию функциональных систем, более способных к восприятию по сравнению с психофизическими исследованиями, которые сообщают о пороге восприятия углов 20 ° у людей (Bensmaia et al. al., 2008b). Кроме того, использование нейроморфных аппаратных систем для построения пиковых нейронных сетей по всей совокупности датчиков позволило реализовать эффективную с точки зрения вычислений функциональную тактильную систему. Более того, мы смогли уловить еще одну особенность тактильного обнаружения человека, то есть выполнять декодирование в значительной степени независимо от сил восприятия при разных скоростях восприятия.

Множественные экспериментальные условия восприятия, нерегулярность стимулов, напечатанных на 3D-принтере, внутренние ограничения точности роботов, а также мягкое податливость запястья создали универсальное условие восприятия, которое генерировало множество сенсорных реакций.Тактильная система, представленная в этом исследовании, способная справиться с такой реальной изменчивостью экспериментальных условий, играет важную роль в робототехнических приложениях. Такой биомиметический подход позволит роботам адаптироваться и эффективно работать независимо от постоянно меняющейся окружающей среды.

Обратите внимание, что в этом исследовании мы рассматривали задержки нервной проводимости, которые больше, чем наблюдаемые у млекопитающих (Johansson and Flanagan, 2009). В этом исследовании нас интересовало воспроизведение принципа дифференциальной задержки, соответствующего кодированию ориентации стимула.Поскольку шаг наших тактильных датчиков был намного больше, чем у людей, где каждая рука плотно населена 10 000 афферентов тактильных датчиков, мы использовали пропорционально большие задержки проводимости в соответствии с предсказанием уравнения (5). В любом случае, используемая плотность сенсора позволила достичь высокого уровня декодирования для разнообразного набора рассматриваемых стимулов, предоставив доказательства того, что робототехника может принести пользу нейробиологическим достижениям и, в свою очередь, наука о робототехнике может способствовать исследованию нейрофизиологических гипотез (Yang et al., 2016).

Авторские взносы

UR, AM и CO разработали и разработали исследование, проанализировали данные, обсудили результаты и написали статью. UR и MC проводили эксперименты. UR, MC, DC, MM, LM, GC, SR, PD и CO разработали экспериментальную установку. UR реализовал модель на основе клиновидных тел. CO разработал модель на основе клиновидных тел, руководил и координировал исследование. Все авторы внесли свой вклад в доработку рукописи, прочитали и одобрили представленную версию.

Финансирование

Эта работа была частично поддержана регионом Тоскана посредством проекта CENTAURO (CUP D88C15000210008), финансируемого в рамках конкурса заявок FAR-FAS, европейским проектом NEBIAS (NEurocontrolledBIdirectional искусственный протез верхней конечности и руки; EU-FP7-ICT -611687), европейским проектом NanoBioTouch (многомасштабные исследования с нано-разрешением тактильных ощущений человека и тканевых нанобиосенсоров; EUFP7-NMP-228844), а также проектом PARLOMA (SIN_00132), финансируемым Министерством университетов Италии. и исследования в рамках программы «Умные города и социальные инновации до 30 лет».Этот проект получил начальное финансирование от Фонда будущего Дубая через открытую исследовательскую платформу Guaana.com.

Заявление о конфликте интересов

У авторов находится на рассмотрении соответствующая заявка на патент.

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Авторы благодарят партнеров проекта CENTAURO, а именно Piaggio & Co.SpA, Robot System Automation srl, Roggi srl и Robotech srl. Авторы благодарят доктора Андреа Алиперта за вклад в подготовку мультимедийного материала. Авторы также благодарят г-на Давиде Брея, г-на Томмазо Риццо, г-на Франческо Бруни и г-на Лоренцо Коллоди за технический вклад в разработку совместимого запястья.

Дополнительные материалы

Дополнительные материалы к этой статье можно найти в Интернете по адресу: https://www.frontiersin.org/articles/10.3389 / fnbot.2019.00044 / полный # дополнительный материал

Список литературы

Beccai, L., Roccella, S., Arena, A., Valvo, F., Valdastri, P., Menciassi, A., et al. (2005). Разработка и изготовление гибридного кремниевого трехосного датчика силы для биомеханических приложений. Sens. Приводы A Phys. 120, 370–382. DOI: 10.1016 / j.sna.2005.01.007

CrossRef Полный текст | Google Scholar

Бенсмайя, С. Дж., Денчев, П. В., Дамманн, Дж. Ф., Крейг, Дж. К., и Сяо, С.С. (2008а). Представление ориентации стимула на ранних этапах соматосенсорной обработки. J. Neurosci. 28, 776–786. DOI: 10.1523 / JNEUROSCI.4162-07.2008

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Бенсмайя, С. Дж., Сяо, С. С., Денчев, П. В., Киллебрю, Дж. Х. и Крейг, Дж. К. (2008b). Тактильное восприятие стимула ориентации. Somatosens. Mot. Res. 25, 49–59. DOI: 10.1080 / 089

701830662

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Болонья, L.L., Pinoteau, J., Passot, J. B., Garrido, J. A., Vogel, J., Vidal, E. R., et al. (2013). Нейроботическая система с замкнутым контуром для точного сенсорного восприятия. J. Neural Eng. 10: 046019. DOI: 10.1088 / 1741-2560 / 10/4/046019

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Каваллари, С., Панцери, С., и Маццони, А. (2014). Сравнение динамики нейронных взаимодействий между текущими и основанными на проводимости повторяющимися сетями интеграции и запуска. Фронт.Нейронные схемы 8:12. DOI: 10.3389 / fncir.2014.00012

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Hay, E., and Pruszynski, J. A. (2018). Синаптическая интеграция через тактильные нейроны первого порядка может различать ориентацию краев с высокой остротой и скоростью. bioRxiv. DOI: 10.1101 / 396705

CrossRef Полный текст | Google Scholar

Йоханссон, Р. С., Фланаган, Дж. Р. (2009). Кодирование и использование тактильных сигналов от кончиков пальцев в задачах манипулирования объектами. Nat. Rev. Neurosci. 10, 345–359. DOI: 10.1038 / nrn2621

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ли, В. В., Кукреджа, С. Л., и Такор, Н. В. (2017). Распознавание динамического тактильного контакта с помощью точного во времени восприятия события в нейроморфных сетях с импульсами. Фронт. Neurosci. 11: 5. DOI: 10.3389 / fnins.2017.00005

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мартинес-Эрнандес, У., Метта, Г., Додд, Т. Дж., Прескотт, Т. Дж., Натале, Л., и Лепора, Н. Ф. (2013). «Активное отслеживание контура для изучения формы объекта с помощью касания робота», в материалах Proceedings of the 2013 IEEE World Haptics Conference (Daejeon), 341–346.

Google Scholar

Оддо, К. М., Контроцци, М., Беккаи, Л., Чиприани, К., и Карроцца, М. С. (2011). Кодирование шероховатости для распознавания поверхностей в искусственном активном прикосновении. IEEE Trans. Робот. 27, 522–533. DOI: 10.1109 / TRO.2011.2116930

CrossRef Полный текст | Google Scholar

Oddo, C.M., Raspopovic, S., Artoni, F., Mazzoni, A., Spigler, G., Petrini, F., et al. (2016). Интраневральная стимуляция вызывает различение текстурных особенностей искусственным кончиком пальца у интактных людей и людей с ампутированными конечностями. Элиф 5: e09148. DOI: 10.7554 / eLife.09148

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Осборн, Л. Э., Драгомир, А., Беттхаузер, Дж. Л., Хант, К. Л., Нгуен, Х.Х., Калики, Р. Р. и др. (2018). Протез с нейроморфной многослойной электронной дермой воспринимает прикосновения и боль. Sci. Робот. 3: eaat3818. DOI: 10.1126 / scirobotics.aat3818

CrossRef Полный текст | Google Scholar

Понсе Вонг, Р. Д., Хеллман, Р. Б., и Сантос, В. Дж. (2014). Пространственная асимметрия в деформации кожи тактильного датчика помогает восприятию краевой ориентации во время тактильного исследования. IEEE Trans. Тактильные ощущения 7, 191–202. DOI: 10.1109 / TOH.2013.56

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ронгала, У.Б., Маццони А., Камбони Д., Карроцца М. К. и Оддо К. М. (2018a). «Нейроморфное искусственное осязание: мост между робототехникой и нейробиологией», в Robotics Research , ред. А. Бикки и В. Бургард (Cham: Springer International Publishing, 617–630.

Google Scholar

Ронгала, У. Б., Маццони, А., и Оддо, К. М. (2017). Нейроморфное искусственное прикосновение для категоризации натуралистических текстур. IEEE Trans. Нейронные сети учатся. Syst. 28, 819–829.DOI: 10.1109 / TNNLS.2015.2472477

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ронгала, У. Б., Спанне, А., Маццони, А., Бенгтссон, Ф., Оддо, К. М., и Йорнтелл, Х. (2018b). Внутриклеточная динамика нейронов клиновидного ядра поддерживает самостабилизирующееся обучение обобщаемым тактильным представлениям. Фронт. Клетка. Neurosci. 12: 210. DOI: 10.3389 / fncel.2018.00210

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Зааль, Х.П., Делхай, Б. П., Райхаун, Б. К., и Бенсмайя, С. Дж. (2017). Имитация тактильных сигналов всей руки с точностью до миллисекунды. Proc. Natl. Акад. Sci.U.S.A. 114, E5693 – E5702. DOI: 10.1073 / pnas.1704856114

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Вебер, А. И., Заал, Х. П., Либер, Дж. Д., Ченг, Ж.-В., Манфреди, Л. Р., Дамманн, Дж. Ф. и др. (2013). Пространственные и временные коды опосредуют тактильное восприятие естественных текстур. Proc.Natl. Акад. Sci.U.S.A. 110, 17107–17112. DOI: 10.1073 / pnas.1305509110

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Янг, Г.-З., Беллингхэм, Дж., Чозет, Х., Дарио, П., Фишер, П., Фукуда, Т. и др. (2016). Наука для робототехники и робототехника для науки. Sci. Робот. 1: eaal2099. DOI: 10.1126 / scirobotics.aal2099

CrossRef Полный текст | Google Scholar

Расшифровка нижней височной коры со скоростью восприятия

Введение: Практически все эксперименты с интерфейсом мозг-компьютер были сосредоточены на идентификации классов стимулов или поведения, для которых время экспериментальных параметров известно или заранее определено.Однако опыт реального мира носит спонтанный характер. Чтобы уловить спонтанный характер опыта, мы провели эксперимент, предсказывающий возникновение, время и типы визуальных стимулов, воспринимаемых людьми.

Методы: Электрокортикографические матрицы были помещены на субвисочную кортикальную поверхность 7 пациентов с эпилепсией. Простые изображения с подобранными по яркости и контрастности лицами и домами в оттенках серого отображались быстро в случайной последовательности. Мы разработали новый метод проекции шаблонов, в котором усредненный по событиям широкополосный временной курс (BB) и усредненный по событиям необработанный потенциал (ERP) из периодов обучения использовались в качестве фильтров проекции для периодов тестирования.Результат этих проекций был отображен в общем пространстве признаков, и простой линейный классификатор использовался для предсказания того, что видел пациент.

Результаты: Мы обнаружили, что ERP и BB независимо вносят вклад в классифицируемость и предсказание стимулов. Если бы использовались как широкополосные, так и необработанные потенциальные признаки, а время тестирования стимулов было определено заранее, 97% стимулов можно было бы точно классифицировать как «лицо» или «дом». Что еще более интересно, когда исследовался поток данных спонтанного тестирования, 96% всех стимулов были захвачены спонтанно (более 90% у каждого испытуемого) с ошибкой примерно 20 мс.Только 4% спонтанных предсказаний оказались неверными (т.е. предсказанные стимулы в неподходящее время или как неправильный класс).

Выводы: Это впервые демонстрирует декодирование человеческого восприятия со скоростью, с которой принимаются решения и действия.

Уход за пациентом: облегчит развитие нервного протезирования.

Цели обучения: По завершении этого занятия участники должны уметь: 1) описывать категориальную организацию нижневисочных областей; 2) понимать, как проекция шаблона может использоваться для объединения различных аспектов физиологии для надежного декодирования в реальном времени. из спонтанного потока данных из мозга.

Возможности поворота: расшифровка испытаний CNS с помощью анализа данных

Джесси Кукер — это не то, что вы ожидаете от самопровозглашенного «компьютерного фаната». В своей обаятельной и скромной манере он делает данные, несомненно, крутыми.

«Это захватывающее время быть компьютерным фанатом», — говорит Кукер. «Дело не в том, что данные внезапно стали убедительными. Они всегда были. Просто сейчас мир наконец-то догоняет ».

Кукер — бывший капитан армии США.Он имеет степень бакалавра в области количественных методов и ученую степень в области эпидемиологии и биостатистики. За свою 20-летнюю карьеру в индустрии клинических исследований он работал в ряде ведущих биофармацевтических компаний и контрактных исследовательских организаций. Сегодня он вице-президент MedAvante-ProPhase по клиническим данным.

Когда Кукер смотрит на индустрию клинических разработок, он видит возрастающую конкуренцию за лучшие и самые яркие таланты. Специально для таких «придурков с данными», как он, которые помогают биофармацевтическим компаниям преобразовывать огромные объемы данных в ценную и полезную информацию.

«Неудивительно, что данные играют решающую роль в клинических разработках», — говорит Кукер. «Что интересно, так это то, как наша отрасль находит более эффективные способы использования этих данных. Например, прямо сейчас мы собираем массу данных из клинических испытаний. Мы понимаем, когда лекарство было эффективным, и можем измерить, насколько оно было эффективным. Но мы не всегда понимаем, почему это оказалось эффективным. Мы не до конца понимаем физиологические последствия нашего вмешательства. За какой рычаг мы потянули и почему он сработал? Я думаю, что ответы на эти вопросы — это будущее клинической науки о данных.”

Сегодня, работая в MedAvanteProPhase WCG, Кукер помогает клиентам получить более четкое представление о том, что происходит с пациентами в их клинических испытаниях. Он использует данные для уменьшения шума, смещения, маскировки сигналов и эффекта плацебо, которые могут негативно повлиять на результаты исследований центральной нервной системы (ЦНС).

«Сбор качественных и надежных данных имеет решающее значение в любом испытании», — сказал Кукер. «Но ни в одной терапевтической области это не является более важным, чем в ЦНС, где последствия — и вероятность — сбора данных низкого качества так высоки.”

В терапевтических областях, отличных от ЦНС, объективные биохимические измерения, полученные в результате лабораторных работ, посевов мочи и радиологических исследований, могут использоваться для диагностики заболевания и, в клинических исследованиях, для количественной оценки эффекта нового лекарства или терапии. В ЦНС измерения часто носят субъективный характер и оставляются на усмотрение отдельного исследователя. И эти наблюдения не однозначны. Врачи и исследователи полагаются на собеседования с пациентами и обследования, чтобы диагностировать и контролировать последствия их лечения.Например, рассмотрим проблемы измерения потери памяти у пациента, страдающего болезнью Альцгеймера, степени мышечного тремора у пациента, страдающего болезнью Паркинсона, или измерения изменения симптомов у кого-то с шизофренией. Все это субъективные оценки, открытые для предвзятости отдельного исследователя. Клиницисты MedAvante-ProPhase предоставляют экспертные консультации, шкалы стандартизации и вспомогательные технологии для смягчения субъективной предвзятости, связанной с исследованиями ЦНС.

Клиенты WCG MedAvante-ProPhase, как правило, имеют сильные, громкие научные и клинические руководящие группы, которые ценят знания и опыт, которые такие интеллектуальные лидеры, как Кукер, привносят в поддержку исследований с субъективными конечными точками, например, в ЦНС. Спонсоры исследования привлекают компанию на раннем этапе, чтобы помочь в разработке протокола, выборе масштаба, определении конечных точек и выборе места; деятельность, которую можно оптимизировать, объединив клиническую экспертизу и обширный опыт MedAvante-ProPhase в области анализа данных.

«Существуют буквально тысячи шкал для измерения ЦНС, и все же большинство клиентов биофармацевтических компаний продолжают использовать те же четыре», — сказал Кукер. «Они используют их, потому что им с ними комфортно. Они использовали их в прошлом. Мы использовали гораздо больше шкал, чем они, и использовали их в ряде исследований клиентов. Мы участвовали в разработке влиятельной шкалы PANSS и имеем большой опыт ее использования. Мы можем направить наших клиентов на использование более совершенных и подходящих весов для их целей.Или к более подходящим первичным конечным точкам и лучше вторичным, поддерживающим конечным точкам. Мы даже можем сказать: «Какие заявления вы хотите сделать в своих маркетинговых материалах? Вот шкала, которая лучше всего сработала для достижения того, чего вы хотите, в данной конкретной группе населения ».

WCG MedAvante-ProPhase использует данные еще одним уникальным способом: информировать наших клиентов о выборе исследователей для исследования. В дополнение к информации о популяции пациентов, предыдущем опыте исследований, конкурирующих испытаниях и даже сроках заключения контрактов и бюджетных переговоров, MedAvante-ProPhase может показать спонсорам прошлые успехи данного исследователя в области ЦНС.Информация, предоставляемая нашим специалистом по исследованию, информирует клиентов при выборе наиболее подходящих сайтов для своих исследований: самый высокий © WIRB-Copernicus Group 2018 | СОБСТВЕННЫЙ | 4 включенных исследователя с высочайшим качеством клинической работы. Кукер добавляет: «Для CNS, возможно, больше, чем при других показаниях, имеют значение показатели качества сайта — часто больше, чем данные о зачислении. Поскольку в исследованиях ЦНС невозможно получить объективные данные, клиенты должны иметь согласованные и высококачественные данные с исследовательских сайтов — это результат нашего решения ».

Клинические эксперты MedAvante-ProPhase, входящие в состав WCG, не менее важны при выборе места и консультируют клиентов по разработке протокола. Используя передовые принципы адаптивного дизайна испытаний, новые конструкции протоколов позволяют спонсорам оптимизировать результаты испытаний посредством поворотов в реальном времени или корректировок в ходе испытаний. Нет никаких указаний на то, что эти корректировки в реальном времени более важны, чем в ЦНС, где испытания могут длиться до шести лет. Что касается обеспечения наивысшего качества данных, во время проведения испытания MedAvante-ProPhase предоставляет клиентам нашу запатентованную технологию и проводит обучение в исследовательских центрах — все это направлено на снижение шума эффекта плацебо (особенно заметного в исследованиях ЦНС), усиление обнаружения сигнала и получить более четкое представление о том, что происходит с пациентами, чтобы они могли соответствующим образом скорректировать исследование.

«Мне как военному и ученому импонирует логика, порядок и точность анализа данных. Аналитика подскажет вам количественно, есть ли связь между двумя точками и какова эта связь. Если вы сравните достаточно данных, вы начнете понимать взаимосвязь до степени надежности, которая позволяет вам предсказать, что будет дальше. С такой предсказуемостью приходят знания, которые мы используем для информирования наших клиентов об испытаниях ».

Биофармацевтические организации признают исключительную силу данных, но существенно различаются по способам их использования.Кукер выделил четыре подгруппы — или архетипы — которые, кажется, определяют отношение и подходы спонсоров исследований в индустрии клинических разработок:

  1. Убер консерватор. В эту группу входят самые крупные и консервативные компании. Они используют данные во всех аспектах своего бизнеса. Они внедряют дорогостоящие технологии и создают огромные инфраструктуры для поддержки сбора и анализа своих данных. К недостаткам консервативного подхода Uber относятся значительные расходы, конкуренция за таланты и ограничение на собственный набор данных (клиенты MedAvante-ProPhase пользуются сравнительным анализом коллег и общими отраслевыми показателями, которые может предоставить только внешний партнер).
  2. Осторожный водитель. Крупные и средние биофармацевтические компании, которые борются с идеей аутсорсинга. Осторожные, осторожные и медленно меняющиеся, они также не хотят тратить деньги на создание дорогостоящей внутренней инфраструктуры, которая потребует значительного обслуживания и поддержки. Их внутренние дебаты ожесточены.
  3. The Nimble Outsourcer. Малые и средние компании, у которых есть только несколько предприятий. Эти компании максимизируют свои данные, используя их для внесения корректировок в режиме реального времени, потому что они не могут позволить себе тратить время или деньги.Они подвижны, их управленческие команды привлекают инновации и эффективность.
  4. Все или ничего. Очень маленькие, монолитные компании. Все зависит от успеха или неудачи отдельного соединения, и решения принимаются всего несколькими людьми в руководстве. Данные — это все, и эти компании либо не могут себе этого позволить, либо не могут позволить себе жить без них.

Клинические и научные группы, как правило, довольно быстро осознают ценность предложения WCG MedAvante-ProPhase, но операционные руководители, которые более знакомы с использованием аналитики для повышения эффективности исследований, начинают наверстывать упущенное.Они осознают конкурентное преимущество, которое может дать им анализ результатов испытаний в реальном времени.

«Цель клинического исследования — что-то изменить. Чтобы вмешаться, измерить воздействие и количественно оценить созданный эффект », — сказал Кукер. «Дело не только в сборе и систематизации данных. Речь идет о сборе правильных данных. Наличие клинического контекста для понимания ваших данных. Возможность делать точные и надежные выводы из этих данных. И использовать знания, полученные в результате анализа, для вмешательства в испытания в режиме реального времени, чтобы изменить их ход.В MedAvante-ProPhase мы даем спонсорам возможность разворачиваться. Используя передовые технологии и лучшие научные умы в этой области, мы генерируем данные высочайшего качества.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *