Summary
Presenteras här är ett protokoll för att bygga en automatisk apparat som vägleder en apa för att utföra den flexibla Reach-to-fattningsförmåga uppgift. Apparaten kombinerar en 3D-translationell enhet och vänd bord för att presentera flera objekt i en godtycklig position i 3D-rymden.
Abstract
Att nå och gripa är mycket kopplade rörelser, och deras underliggande neurala dynamik har studerats i stor utsträckning under det senaste decenniet. För att skilja nå och greppa kodningar, är det viktigt att presentera olika objekt identiteter oberoende av deras positioner. Presenteras här är utformningen av en automatisk apparat som monteras med en vänd bord och tredimensionell (3D) translationell enhet för att uppnå detta mål. Den roterande tabellen växlar olika objekt som motsvarar olika grepp typer medan den 3D-translationella enheten transporterar svängbordet i 3D-rymden. Båda drivs oberoende av motorer så att målpositionen och objektet kombineras godtyckligt. Under tiden registreras hand leds bana och grepp typer via motion capture-systemet och peksensorerna. Dessutom beskrivs representativa resultat som visar framgångsrikt utbildad apa med hjälp av detta system. Det förväntas att denna apparat kommer att underlätta forskare att studera kinematik, neurala principer, och hjärna-maskingränssnitt relaterade till övre extremitets funktion.
Introduction
Olika apparaturar har utvecklats för att studera de neurala principerna bakom nå och gripa rörelser i icke-mänskliga primater. För att nå uppgifter, pekskärm1,2, skärm markör styrs av en joystick3,4,5,6,7, och Virtual Reality-teknik8 , 9 , 10 har alla varit anställda att presentera 2D-och 3D-mål, respektive. För att introducera olikt gripa för typer, olikt formade anmärker fixat i en placera eller roterande runt om en axel användes allmänt i de gripa uppgifterna11,12,13. Ett alternativ är att använda visuella ledtrådar för att informera ämnen för att förstå samma objekt med olika grepp typer14,15,16,17. Mer nyligen, nå och gripa rörelser har studerats tillsammans (dvs, ämnen når flera positioner och greppa med olika grepp typer i en experimentell session)18,19,20, 21,22,23,24,25,26,27,28,29. Tidiga experiment har presenterat objekt manuellt, vilket oundvikligen leder till låg tid och rumslig precision20,21. För att förbättra experimentell precision och spara arbetskraft, har automatiska presentationsenheter som styrs av program använts i stor utsträckning. För att variera målposition och grepp typ, experimenterare har utsatt flera objekt samtidigt, men den relativa (eller absoluta) placeringen av mål och grepp typer binds samman, vilket orsakar stela bränning mönster genom långsiktig utbildning22 ,27,28. Objekt presenteras vanligtvis i ett 2D-plan, som begränsar mångfalden av att nå rörelse och neurala aktivitet19,25,26. Nyligen har Virtual Reality24 och robot arm23,29 införts för att presentera objekt i 3D-rymden.
Presenteras här är detaljerade protokoll för att bygga och använda en automatiserad apparat30 som kan uppnå en kombination av flera mål positioner och grepp typer i 3D-rymden. Vi designade en vänd tabell för att byta objekt och 3D-translationell enhet för att transportera svängbordet i 3D-rymden. Både svängbord och translationell apparat drivs av oberoende motorer. Under tiden, 3D-bollbana av försökspersonernas handled och neurala signaler registreras samtidigt hela experimentet. Apparaten ger en värdefull plattform för studiet av övre extremitets funktion i rhesusapan.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alla beteendemässiga och kirurgiska ingrepp har formats till guiden för vård och användning av försöksdjur (China Ministry of Health) och godkändes av djur vårds nämnden vid Zhejiang universitet, Kina.
1. montering av 3D-translationell enhet
- Bygg en ram av storlek 920 mm x 690 mm x 530 mm med aluminium konstruktions skenor (tvärsnitt: 40 mm x 40 mm).
- Säkra fyra piedestaler till de två ändarna av Y-skenorna med skruvar (M4) (figur 1b).
- Fäst två Y-skenor på den övre ytan av ramen parallellt genom att säkra de fyra piedestalerna till de fyra hörnen av den övre ytan med skruvar (M6) (figur 1b).
- Anslut två Y-skenor med en anslutande axel och två membran kopplingar. Dra åt låsskruvarna på kopplingarna för att synkronisera axlarna på två skenor (figur 1b).
- Sätt sex nötter (M4) i de bakre spåren av Z-skena. Fäst ena sidan av den högra triangelramen baktill på Z-skenan med skruvar.
- Dra triangelramen till slutet som är distalt på axeln och dra åt skruvarna. Fäst den andra rättriangelramen till den andra Z-skenan på samma sätt (figur 1c).
- Säkra de andra rätvinkliga sidorna av två triangelramar till skjutreglagen på två Y-skenor med skruvar (M6) (figur 1c).
- Anslut två Z-skenor med en anslutande axel och membran kopplingar och dra åt låsskruvarna på kopplingen (figur 1c).
- Fäst de två T-formade vevstaken baktill på X-skenan med muttrar och skruvar (M4). Dra sedan de två T-formade skivorna till de två ändarna på X-Rail och dra åt skruvarna (figur 1d).
- Fäst de två T-formade vevstaken på skjutreglagen på två Z-skenor med skruvar (M6), respektive (figur 1d).
- Sätt in stegmotorn i axelns hål på kugghjuls reduceraren och skruva ihop flänsarna (figur 1e).
- Fäst anslutnings ringen på axeländen på den aktiva X-skenan med skruvar (M4).
- För in axeln på X-Rail i kopplingen och fixera kugghjuls reduceraren till den anslutande ringen med skruvar (M4). Dra åt låsskruvarna på kopplingen (figur 1e).
- Fäst de andra två steg motorerna och kugghjuls reducerare till den aktiva Y-skenan och Z-skenan med de metoder som beskrivs i steg 1.11 – 1.12.
- Sätt in ström-och styrkablarna för de tre steg motorerna till ström-och kontroll portarna på sina förare och säkra kablarna med skruvar på förarsidan.
2. montering av svängbord
- Ladda ner. DWG-designfiler från de kompletterande filerna i detta dokument. Förbered objekt, mental axel, lokalisera bar, rotator och fall genom 3D-utskrift eller mekanisk bearbetning.
- Placera peksensorerna i objekt kroppens spår och fäst dem på de fördefinierade pekytorna med dubbelhäftande tejp (figur 2b).
Varje objekt består av fyra delkomponenter: en Backboard, objekt kropp med Groove inuti, täcktavla och touch-sensorer. - Passera trådarna genom hålet i objektet ryggbräda och fäst locket ombord på objekt kroppen med skruvar (figur 2b).
- Passera trådar av berörings sensorer genom hålen på sidorna av rotator och fäst objekten på rotatorn med skruvar. (Figur 2C).
- Lödtenn trådändarna av touch-sensorer till den roterande trådändarna av den elektriska slip ring och Linda lederna med eltejp (figur 2D).
- Fäst fodralet på reglaget på X-skenan med skruvar. Placera lagret i rutans nedersta hål och fäst lokaliserings listen på den övre ytan av höljet med skruvar (figur 2e).
- Placera rotatorn i fallet från sida, sammanfaller axlarna av rotator, lager och låda. Passera kablarna av den elektriska slip ringen genom det övre hålet i ärendet (figur 2F).
- Sätt in metall skaftet i lagret från det övre hålet på fodralet och passa in axel nyckeln till rotatorn (figur 2g).
- Ställ den elektriska slip ringen runt metall axeln. Placera änden av lokaliserings fältet i skåran av elektrisk slip ring för att förhindra den yttre ringen från roterande (figur 2g).
- Sätt in axeln av stegmotorn i hålet i metall axeln och fäst motorn på toppen av lådan med skruvar. (Figur 2H).
- Sätt in ström-och styrkablarna på motorn i ström-och kontroll portarna på drivrutinen och fäst dem med skruvar.
- Stick en tricolor LED (RGB) på framsidan av ärendet med tejp och fäst höger sida ombord på fodralet.
3. inställning av styrsystemet
- Sätt in riktningen och puls kontroll kablarna för de fyra motor förarna i de digitala I/O-portarna (stift 81, 83, 85, 87) och digital Counter-portar (Pins 89, 91, 93, 95) från datainsamlings nämnden (DAQ). Fäst kablarna med skruvar.
- Sätt i styrledningarna av LED (grön färg som används för "go" Cue, blå färg som används för "Error" Cue, och röd färg som representerar tomgång) i den digitala I/O-portar (stift 65 och 66) av DAQ kortet och säkra dem med skruvar.
- Sätt in de utgående trådarna på peksensorerna och Byt knapp i de digitala I/O-portarna (stift 67 – 77) på DAQ Board och Fäst kablarna med skruvar.
- Sätt in start-stopp-och riktningskontroll trådarna i den peristaltiska pumpen i de digitala I/O-stiften 1 respektive 80. För in flödes hastighetens kontroll tråd i den analoga I/O-porten AO2. Fäst kablarna med skruvar.
- Ställ in ett motion capture-system enligt tillverkarens beskrivning för att spela in hand förloppet i 3D-rymden.
Anmärkning: en kommersiell motion capture system (se tabell över material) användes, som består av åtta kameror, en Power Hub, en Ethernet-switch och en stödjande programvara (t. ex., cortex). Se manualen för att få mer information om inställning av systemet. - Setup en neural signal förvärvs system som beskrivs av tillverkaren för att registrera elektrofysiologi signal från ämne.
Anmärkning: ett kommersiellt datainsamlingssystem (tabell över material) användes, som består av en neurala signal processor (NSP), front-end förstärkare (FEA), förstärkare strömförsörjning (ASP), Head stadier, och dess stödjande programvara (t. ex., Central). Se manualen för mer information om installationen av systemet.
4. förberedelse av försöks sessionen
- Initiera 3D-translationell enhet och svängbord. Specifikt, dra skjutreglagen på alla linjära glidskena till startpunkten (nedre vänstra hörnet) och vrid det första objektet (dvs det vertikalt placerade handtaget) av vänd bordet för att möta framsidan av vänd bordet.
- Power på experimentella enheter, inklusive motion capture-system, neurala signal förvärv, DAQ Board, peristaltiska pump, och fyra motorer.
- Konfigurera paradigm programmet (figur 3a).
- Dubbelklicka på paradigm. exe för att öppna paradigm programvaran (tillgänglig på begäran).
- Definiera antalet nå positioner och deras 3D-koordinater (x, y och z, i millimeter) i förhållande till initiala positioner (steg 4,2).
- Skriv koordinaterna för alla positioner i form av matris i ett. txt-dokument. Kontrollera att varje rad innehåller x-, y-och z-koordinaterna för en position som avgränsas med ett blanksteg. Spara txt-dokumentet.
- Klicka på Öppna fil i poolpanelen i paradigm programvara och välj. txt dokumentet sparas innan för att ladda presentationen positioner i paradigm programvaran.
Notera: i denna studie sattes åtta mål positioner enligt djurets räckvidd, som ligger i hörnen av en kub arbetsyta9,10 (90 mm x 60 mm x 90 mm). - Kontrollera de objekt som ska presenteras i experimentet i Object pool av paradigm programvara.
- Justera experimentella parametrar i panelen tidsparametrar i paradigm programvara. Ange baseline = 400 MS, motor Run = 2 000 MS, planering = 1 000 MS, Max reaktionstid = 500 ms, Max nå tid = 1 000 MS, min Hold tid = 500 ms, belöning = 60 MS, och Error Cue = 1 000 MS.
- Seat Rhesus Monkey (med en mikro-elektrod array implanteras i motoriska cortex) på apan stolen genom att sätta sin krage i spåret av stolen och fastställande av dess huvud.
- Fix apan stolen till aluminium konstruktion ram. Håll huvudet 250 mm borta från framsidan av kub och hålla ögonen 50 mm ovanför den övre sidan av kub arbetsytan (horisontell visuell vinkel: 20 °; vertikal visuell vinkel: 18 °).
- Konstruera en spårningsmall för motion capture-systemet.
- Fäst tre reflekterande markörer i slutet av armen (nära handled) med dubbelhäftande tejp. Se till att de tre markörerna bildar en scalene triangel.
- Klicka på Run -knappen i paradigm programmet för att starta uppgiften.
- Klicka på inspelnings knappen på panelen motion capture i cortex programvara för att registrera banor av tre markörer för 60 s när apan gör uppgiften. Klicka på knappen stopp om du vill avbryta experimentet.
- Bygg en spårningsmall med tre markörer på cortex-programvaran med hjälp av de inspelade banor och spara mallen.
Obs: se manualen för cortex för att få mer information om hur man bygger en modell.
- Anslut GND hamnarna i FEA och mikro-elektrod array implanteras i apans motoriska cortex med en tråd och nypa tuppar. Sätt sedan in huvudstegen i kontakten på mikro-elektrodmatrisen31.
- Öppna den centrala programvaran för neural signal Acquisition system och ställa in inspelningsparametrar inklusive lagrings väg, linjebrus reducering, Spike filter, Spike tröskel, etc.
Obs: se manualen för neural signal Acquisition system för mer information om programvara inställning. - Öppna synkroniseringsprogramvaran (figur 3b, tillgänglig på begäran). Klicka på de tre Connect knapparna i Cerebus, motion capture, och paradigm paneler för att ansluta synkroniseringsprogrammet med neural signal Acquisition system, motion capture system och paradigm programvara, respectively.
- Klicka på Run -knappen i paradigm programmet för att fortsätta experimentet.
- Klicka på inspelnings knappen på panelen fillagring i Central programvara för att starta inspelningen av neurala signaler.
- Kontrollera Sparad spårningsmall och klicka på inspelnings knappen på panelen motion capture i cortex programvara för att börja spela in banan av Monkey ' s handled.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Storleken på den kompletta arbetsytan på apparaten är 600 mm, 300 mm och 500 mm i x-, y-respektive z-axlar. Den maximala belastningen på den 3D-translationella enheten är 25 kg, medan svängbordet (inklusive stegmotorn) är viktat 15 kg och kan transporteras med en hastighet av upp till 500 mm/s. Den kinematiska precisionen hos den 3D-translationella enheten är mindre än 0,1 mm och bullret från apparaten är mindre än 60 dB.
För att demonstrera nyttan av systemet, är apan utbildad (tidigare utbildad i en nå uppgift) att göra en fördröjd Reach-to-fattnings uppgift med systemet30. Med hjälp av det förfarande som presenteras ovan, presenterar paradigm programvaran automatiskt beteendemässiga experiment rättegång genom rättegång (~ 500 prövningar per session). Specifikt måste apan starta en rättegång (figur 4) genom att trycka på knappen och hålla den före "go" Cue. Som ett första steg ("motor Run" fas), den 3D-translationella enheten transporterar svängbord till en pseudo slumpmässigt vald position, och på samma gång, kommer svängbordet också rotera för att presentera en pseudo slumpmässigt valt objekt. Denna motor körningsfas varar 2 s och alla fyra motorer (tre i 3D-translationell enhet och en i svängbordet) start och stopp på samma gång. Motor körningsfasen följs av en "planeringsfas" (1 sekund), under vilken apan planerar följande rörelse. När den gröna lysdioden ("go" Cue) slås på, bör apan släppa knappen, nå in i vänd bordet och ta tag i objektet med motsvarande Grip typ så snart som möjligt (maximal reaktionstid = 0,5 s; maximal rörelse tid = 1 s). Apan mottar en bevattna belöning efter ett minimum rymmer tid av 0,5 s. En rättegång avbryts, och den blå lysdioden tänds om apan släpper knappen innan "go" Cue eller inte släpper knappen inom maximal reaktionstid efter Cue.
Synkroniseringsprogrammet tar emot händelse Etiketter (t. ex. knappen på, go Cue, knappen av, etc., figur 4) från paradigm programvara och en "Start-Record" etikett från motion capture-system, sedan skickar dem till neurala signal förvärvs system i realtid under experimentet. Alla etiketter sparas med neurala signaler, men bollbana av handleden lagras i en separat fil. För att anpassa neurala signaler och bana i tid, tidsstämpel för "Start-Record" etikett togs som den första provet av bana, sedan inkrementella tidsstämplar tilldelades för de andra proverna enligt bildrutehastighet av motion capture-system. Figur 3 visar tidslinje händelse Etiketter, bollbana av handled, och exempel neuronala aktivitet.
Handledens bana under den gående fasen i alla lyckade försök extraherades och delades upp i åtta grupper baserat på mål positioner (figur 5). För varje grupp av Trajectories beräknades medelvärdena och 95% konfidensintervall vid varje tidpunkt. Banan i figur 5 visar att ändarna av åtta grupper av bana bildar en kub, som har samma storlek som den fördefinierade cuboid arbetsytan (steg 4.3.4). Den peristimulus tid histogram (PSTH) för Single neuron var plottas med avseende på att nå position och objekt, respektive. Den Spike tåg i framgångsrika prövningar var papperskorgen med ett skjutfönster på 50 ms och slätade med en Gaussian kernel (σ = 100 MS). Medelvärdena och 95% konfidensintervall för varje grupp beräknades med Bootstrap-metoden (n = 2 000). Figur 6 visar psths av två exempel neuroner tuning både nå position och objekt. Neuron i figur 6a visar signifikant selektivitet under de gående och håller faserna, medan neuron i figur 6b börjar finjustera positioner och objekt från mitten av "motor Run" fasen.
Bild 1: steg-för-steg-instruktioner för 3D-enheten för translationell enhet.
I-I X-Rail, I-III Y-skena, I-II Z-skena, II anslutande axlar, III stegmotorer, IV planetväxel reducers, V anslutande ringar, VI membran kopplingar, VII piedestaler, VIII T-formade anslutande styrelser, IX höger triangel ramar. A) material för den translationella enhets sammansättningen. B) bygga ramen och installera Y-skenorna (steg 1.1 – 1.4). C) fastställande av två Z-skenor på Y-skenor (steg 1.5 – 1.7). D) fastställande av X-skena på Z-skenor (steg 1,8 och 1,9). E) installation av stegmotor och växel recuder (steg 1,10 och 1,11). F) helt monterad 3D-translationell enhet (steg 1,12 och 1,3). Vänligen klicka här för att se en större version av denna siffra.
Figur 2: steg-för-steg-instruktioner för vänd bords monteringen.
A) material för svarvning av bordsmontering. (B) Montera objekt och installera peksensorer (steg 2,2). C) säkring av föremål på rotatorn (steg 2,3). D) anslutningsledningar för sensorer till elektrisk glid ring (steg 2,4). (E) Montera basen på en 3D-translationell enhet och placera lokaliserings bar och bäring (steg 2,5). F) sätta rotatorn i fodralet (steg 2,6). (G) Montera axeln och den elektriska glid ringen (steg 2,7 och 2,8). H) installation av stegmotorn (Step 2,9). Vänligen klicka här för att se en större version av denna siffra.
Bild 3: det grafiska användargränssnittet för paradigm-och synkroniseringsprogrammet.
(A) ett skräddarsytt LabVIEW-program för att kontrollera den beteendemässiga uppgiften. (B) ett skräddarsytt C++-program för att kommunicera med paradigm programvara, neural signal Acquisition system, och motion capture-system. Vänligen klicka här för att se en större version av denna siffra.
Bild 4: Tidsjusterade data i en lyckad utvärderingsversion.
Alla händelse tider, hand leds banor (X, Y och Z) och neuronala aktivitet (exempel enhet 1 – 3) spelades in samtidigt. De korta svarta linjerna på den översta raden är händelse etiketterna. "Knappen på" indikerar den tid då apan tryckte ner knappen; "Positions index" är ett tal från 1 – 8 som anger vilken position som når fram. "Object index" är ett tal från 1 – 6 som anger vilket objekt som presenteras; "Motor on" indikerar starttiden för fyra motorer. "Motor off" indikerar deras stopptid; "Go cue" indikerar det ögonblick då den gröna lysdioden trimmar; "Knappen av" anger det ögonblick då apan släpper knappen; "Touch on" indikerar ögonblicket då peksensorerna i objektet detekterar handen; "Belöning på" indikerar det ögonblick då pumpen börjar leverera vatten belöningen och representerar slutet av en rättegång. Etiketterna "knappen på", "positions index" och "Object index" sparas successivt på mycket kort tid i början av en provperiod. Rader 2 – 4 (märkta med X, Y och Z) Rita banan av handleden i 3D inspelad av rörelse Capture system. Rader 5 – 7 (märkt med enhet 1, 2 och 3) visar Spike tågen av tre exempel neuroner registreras av neural signal förvärvs system. Den nedersta raden visar tidslinjen för en fullständig utvärderingsversion som är uppdelad i sex faser baserat på händelse Etiketter. Vänligen klicka här för att se en större version av denna siffra.
Figur 5: Trajectorier av handled inspelade av motion capture-system.
Alla lyckade försök är indelade i åtta grupper enligt mål positioner (märkta med bokstaven A till H). Varje heldragen linje är en genomsnittlig bana för en grupp och skuggan representerar varianserna i trajectorier. Denna siffra har modifierats från en tidigare studie30. Vänligen klicka här för att se en större version av denna siffra.
Figur 6: PSTHs av två exempel neuroner (A och B).
Den vertikala streckade linjer från höger till vänster i ordning är motorn på, motorn av, gå Cue på, knappen av, och tryck på. Varje heldragen linje (i olika färger) i PSTH representerar en genomsnittlig eldhastighet mellan försöken mot en målposition och skuggan representerar 95% konfidensintervall (bootstrap; 2 000 gånger). För både A och B, de övre och nedre panelerna visar psth med avseende på olika positioner och objekt, respektive. Vänligen klicka här för att se en större version av denna siffra.
Kompletterande filer. Vänligen klicka här för att ladda ner filerna.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Beteende apparaten beskrivs här möjliggör en rättegång-Wise kombination av olika nå och gripa rörelser (dvs., apan kan förstå olika formade objekt i någon godtycklig 3D-platser i varje rättegång). Detta åstadkoms genom kombinationen av en anpassad vänd tabell som växlar mellan olika objekt och en linjär translationell enhet som transporterar svängbordet till flera positioner i 3D-rymden. Dessutom, de neurala signalerna från apan, bana av handled, och hand former kunde registreras och synkroniseras för neurofysiologisk forskning.
Apparaten, som inkluderar separat driven 3D-translationell enhet och vänd bord, presenterar flera mål positioner och objekt självständigt. Det är, alla fördefinierade positioner och objekt kombinerades godtyckligt, vilket är viktigt att studera flervariabla kodning14,25,28. Tvärtom, om det objekt som skall gripa är kopplat till position (till exempel objektet är fast på en panel), är det svårt att avgöra om en enda neuron Tunes ett objekt eller position18,27,32. Dessutom, apparaten presenterar objekt i 3D-rymden i stället för på ett 2D-plan19,27, som aktiverar fler nervceller med rumslig modulering.
Den skruvförband används ofta mellan delkomponenter i apparaten, vilket resulterar i hög expansibilitet och flexibilitet. Genom att designa formen på objekt och placeringen av peksensorer, var ett stort antal grepp typer exakt inducerade och identifierade. Den 3D-translationella enheten kan flytta en delkomponent som är mindre än 25 kg i 3D-rymden och är behörig för de flesta uppgifter som involverar rumslig förskjutning. Dessutom, även om apparaten var avsedd att utbilda Rhesus Monkey (Macaca mulatta), på grund av det justerbara utbudet av 3D translationella enheten, det är också behörig för andra primater med liknande eller större kroppsstorlekar eller till och med människor.
En stor oro för den beteendemässiga uppgiften att kombinera nå och gripa rörelse är om hand hållning skiljer sig mellan olika nå positioner även om apan fattningsförmågar objekt med samma grepp typ. Även om att nå och gripa i allmänhet betraktas som två olika rörelser, deras effektorer (arm och hand) är anslutna. Således är det oundvikligt att den gående rörelsen interagerar med greppa. Enligt observationer i detta experiment, Monkey ' s handled vinkel förändrats något när greppa samma objekt i olika positioner, men betydande skillnader i hand hållning observerades inte.
En potentiell begränsning av apparaten är att försöks rummet inte är helt mörkt på grund av infrarött ljus från motion capture-systemet. Apan kan se målobjektet genom hela spåret, vilket leder till oönskad stämning före planeringsperioden. För att styra visuell åtkomst till ett objekt kan ett Omkopplingsbart glas som styrs av paradigm programmet placeras mellan huvudet och apparaten. Det omkopplingsbara glaset är ogenomskinligt under baslinjen och planeringsfaserna och blir transparent efter "go" Cue. På så sätt kontrolleras den visuella informationen exakt. På samma sätt kan vitt brus användas för att maskera motorn rinnande ljud, vilket förhindrar apan från att identifiera objektets plats genom ljudet av motorn. En annan begränsning av apparaten är att rörelse fingrarna inte kan spåras. Detta beror på att apan måste nå handen i svängbordet för att greppa objektet, som blockerar kamerorna från att fånga märken på handen.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna har inget att avslöja.
Acknowledgments
Vi tackar Mr Shijiang Shen för hans råd om apparaturen design och MS Guihua Wang för hennes hjälp med djuromsorg och utbildning. Detta arbete stöddes av nationella viktiga forsknings-och utvecklingsprogram i Kina (2017YFC1308501), National Natural Science Foundation i Kina (31627802), de offentliga projekten i Zhejiang Province (2016C33059), och de grundläggande forskningsfonderna för Centrala universitet.
Materials
| Name | Company | Catalog Number | Comments |
| Active X-rail | CCM Automation technology Inc., China | W50-25 | Effective travel, 600 mm; Load, 25 kg |
| Active Y-rail | CCM Automation technology Inc., China | W60-35 | Effective travel, 300 mm, Load 35 kg |
| Active Z-rail | CCM Automation technology Inc., China | W50-25 | Effective travel, 500 mm; Load 25 kg |
| Bearing | Taobao.com | 6004-2RSH | Acrylic |
| Case | Custom mechanical processing | TT-C | Acrylic |
| Connecting ring | CCM Automation technology Inc., China | 57/60-W50 | |
| Connecting shaft | CCM Automation technology Inc., China | D12-700 | Diam., 12 mm;Length, 700 mm |
| Diaphragm coupling | CCM Automation technology Inc., China | CCM 12-12 | Inner diam., 12-12mm |
| Diaphragm coupling | CCM Automation technology Inc., China | CCM 12-14 | Inner diam., 14-12mm |
| Electric slip ring | Semring Inc., China | SNH020a-12 | Acrylic |
| Locating bar | Custom mechanical processing | TT-L | Acrylic |
| Motion capture system | Motion Analysis Corp. US | Eagle-2.36 | |
| Neural signal acquisition system | Blackrock Microsystems Corp. US | Cerebus | |
| NI DAQ device | National Instruments, US | USB-6341 | |
| Object | Custom mechanical processing | TT-O | Acrylic |
| Passive Y-rail | CCM Automation technology Inc., China | W60-35 | Effective travel, 300 mm; Load 35 kg |
| Passive Z-rail | CCM Automation technology Inc., China | W50-25 | Effective travel, 500 mm; Load 25 kg |
| Pedestal | CCM Automation technology Inc., China | 80-W60 | |
| Peristaltic pump | Longer Inc., China | BT100-1L | |
| Planetary gearhead | CCM Automation technology Inc., China | PLF60-5 | Flange, 60×60 mm; Reduction ratio, 1:5 |
| Right triangle frame | CCM Automation technology Inc., China | 290-300 | |
| Rotator | Custom mechanical processing | TT-R | Acrylic |
| Servo motor | Yifeng Inc., China | 60ST-M01930 | Flange, 60×60 mm; Torque, 1.91 N·m; for Y- and Z-rail |
| Servo motor | Yifeng Inc., China | 60ST-M01330 | Flange, 60×60 mm; Torque, 1.27 N·m; for X-rail |
| Shaft | Custom mechanical processing | TT-S | Acrylic |
| Stepping motor | Taobao.com | 86HBS120 | Flange, 86×86 mm; Torque, 1.27 N·m; Driving turning table |
| Touch sensor | Taobao.com | CM-12X-5V | |
| Tricolor LED | Taobao.com | CK017, RGB | |
| T-shaped connecting board | CCM Automation technology Inc., China | 110-120 |
References
- Leone, F. T., Monaco, S., Henriques, D. Y., Toni, I., Medendorp, W. P. Flexible Reference Frames for Grasp Planning in Human Parietofrontal Cortex. eNeuro. 2 (3), (2015).
- Caminiti, R., et al. Early coding of reaching: frontal and parietal association connections of parieto-occipital cortex. European Journal of Neuroscience. 11 (9), 3339-3345 (1999).
- Georgopoulos, A. P., Schwartz, A. B., Kettner, R. E. Neuronal population coding of movement direction. Science. 233 (4771), 1416-1419 (1986).
- Fu, Q. G., Flament, D., Coltz, J. D., Ebner, T. J. Temporal encoding of movement kinematics in the discharge of primate primary motor and premotor neurons. Journal of Neurophysiology. 73 (2), 836-854 (1995).
- Moran, D. W., Schwartz, A. B. Motor cortical representation of speed and direction during reaching. Journal of Neurophysiology. 82 (5), 2676-2692 (1999).
- Carmena, J. M., et al. Learning to control a brain-machine interface for reaching and grasping by primates. PLoS Biology. 1 (2), E42 (2003).
- Li, H., et al. Prior Knowledge of Target Direction and Intended Movement Selection Improves Indirect Reaching Movement Decoding. Behavioral Neurology. , 2182843 (2017).
- Reina, G. A., Moran, D. W., Schwartz, A. B. On the relationship between joint angular velocity and motor cortical discharge during reaching. Journal of Neurophysiology. 85 (6), 2576-2589 (2001).
- Taylor, D. M., Tillery, S. I., Schwartz, A. B. Direct cortical control of 3D neuroprosthetic devices. Science. 296 (5574), 1829-1832 (2002).
- Wang, W., Chan, S. S., Heldman, D. A., Moran, D. W. Motor cortical representation of hand translation and rotation during reaching. Journal of Neuroscience. 30 (3), 958-962 (2010).
- Murata, A., Gallese, V., Luppino, G., Kaseda, M., Sakata, H. Selectivity for the shape, size, and orientation of objects for grasping in neurons of monkey parietal area AIP. Journal of Neurophysiology. 83 (5), 2580-2601 (2000).
- Raos, V., Umiltá, M. A., Murata, A., Fogassi, L., Gallese, V. Functional Properties of Grasping-Related Neurons in the Ventral Premotor Area F5 of the Macaque Monkey. Journal of Neurophysiology. 95 (2), 709 (2006).
- Schaffelhofer, S., Scherberger, H. Object vision to hand action in macaque parietal, premotor, and motor cortices. eLife. 5, (2016).
- Baumann, M. A., Fluet, M. C., Scherberger, H. Context-specific grasp movement representation in the macaque anterior intraparietal area. Journal of Neuroscience. 29 (20), 6436-6448 (2009).
- Riehle, A., Wirtssohn, S., Grun, S., Brochier, T. Mapping the spatio-temporal structure of motor cortical LFP and spiking activities during reach-to-grasp movements. Frontiers in Neural Circuits. 7, 48 (2013).
- Michaels, J. A., Scherberger, H. Population coding of grasp and laterality-related information in the macaque fronto-parietal network. Scientific Reports. 8 (1), 1710 (2018).
- Fattori, P., et al. Hand orientation during reach-to-grasp movements modulates neuronal activity in the medial posterior parietal area V6A. Journal of Neuroscience. 29 (6), 1928-1936 (2009).
- Asher, I., Stark, E., Abeles, M., Prut, Y. Comparison of direction and object selectivity of local field potentials and single units in macaque posterior parietal cortex during prehension. Journal of Neurophysiology. 97 (5), 3684-3695 (2007).
- Stark, E., Asher, I., Abeles, M. Encoding of reach and grasp by single neurons in premotor cortex is independent of recording site. Journal of Neurophysiology. 97 (5), 3351-3364 (2007).
- Velliste, M., Perel, S., Spalding, M. C., Whitford, A. S., Schwartz, A. B. Cortical control of a prosthetic arm for self-feeding. Nature. 453 (7198), 1098-1101 (2008).
- Vargas-Irwin, C. E., et al. Decoding complete reach and grasp actions from local primary motor cortex populations. Journal of Neuroscience. 30 (29), 9659-9669 (2010).
- Mollazadeh, M., et al. Spatiotemporal variation of multiple neurophysiological signals in the primary motor cortex during dexterous reach-to-grasp movements. Journal of Neuroscience. 31 (43), 15531-15543 (2011).
- Saleh, M., Takahashi, K., Hatsopoulos, N. G. Encoding of coordinated reach and grasp trajectories in primary motor cortex. Journal of Neuroscience. 32 (4), 1220-1232 (2012).
- Collinger, J. L., et al. High-performance neuroprosthetic control by an individual with tetraplegia. The Lancet. 381 (9866), 557-564 (2013).
- Lehmann, S. J., Scherberger, H. Reach and gaze representations in macaque parietal and premotor grasp areas. Journal of Neuroscience. 33 (16), 7038-7049 (2013).
- Rouse, A. G., Schieber, M. H. Spatiotemporal distribution of location and object effects in reach-to-grasp kinematics. Journal of Neuroscience. 114 (6), 3268-3282 (2015).
- Rouse, A. G., Schieber, M. H. Spatiotemporal Distribution of Location and Object effects in Primary Motor Cortex Neurons during Reach-to-Grasp. Journal of Neuroscience. 36 (41), 10640-10653 (2016).
- Hao, Y., et al. Neural synergies for controlling reach and grasp movement in macaques. Neuroscience. 357, 372-383 (2017).
- Takahashi, K., et al. Encoding of Both Reaching and Grasping Kinematics in Dorsal and Ventral Premotor Cortices. Journal of Neuroscience. 37 (7), 1733-1746 (2017).
- Chen, J., et al. An automated behavioral apparatus to combine parameterized reaching and grasping movements in 3D space. Journal of Neuroscience Methods. 312, 139-147 (2019).
- Zhang, Q., et al. Development of an invasive brain-machine interface with a monkey model. Chinese Science Bulletin. 57 (16), 2036 (2012).
- Hao, Y., et al. Distinct neural patterns enable grasp types decoding in monkey dorsal premotor cortex. Journal of Neural Engineering. 11 (6), 066011 (2014).
