In this paper, an experimental framework to perform closed-loop experiments is presented, in which information processing (i.e., coding and decoding) and learning of neuronal assemblies are studied during the continuous interaction with a robotic body.
Information coding in the Central Nervous System (CNS) remains unexplored. There is mounting evidence that, even at a very low level, the representation of a given stimulus might be dependent on context and history. If this is actually the case, bi-directional interactions between the brain (or if need be a reduced model of it) and sensory-motor system can shed a light on how encoding and decoding of information is performed. Here an experimental system is introduced and described in which the activity of a neuronal element (i.e., a network of neurons extracted from embryonic mammalian hippocampi) is given context and used to control the movement of an artificial agent, while environmental information is fed back to the culture as a sequence of electrical stimuli. This architecture allows a quick selection of diverse encoding, decoding, and learning algorithms to test different hypotheses on the computational properties of neuronal networks.
मस्तिष्क समारोह के कई सुविधाओं एक कृत्रिम प्रणाली में दोहराने के लिए वर्तमान में असंभव है। जवाब में, जल्दी से जटिल संवेदी जानकारी संसाधित करने के लिए और उत्पन्न करने के लिए मस्तिष्क की क्षमता, सटीक मोटर आदेशों पहले से ही वर्तमान राज्य के अत्याधुनिक परे से ही है। लेकिन अतीत के अनुभव से सीखने के द्वारा अलग-अलग परिस्थितियों के अनुकूल करने के लिए अपनी क्षमता मानव विकसित नियंत्रण प्रणालियों के लिए यह इतना काफी बेहतर बनाता है। अब तक, दोहराने या इस plasticity के छोटे से सफलता मिले हैं शोषण करने के लिए प्रयास करता है, और मस्तिष्क के भीतर के कामकाज की समझ के शोधकर्ताओं की समझ नहीं मिल पाई है। मुख्य मुद्दों में से एक मस्तिष्क और व्यवहार के बीच संबंधों की जांच ठीक से व्यवस्था में चर के सभी का उपयोग करने में असमर्थता है, जबकि: आदर्श रूप में, एक इष्टतम प्रयोगात्मक सेटअप न्यूरॉन्स की एक बड़ी संख्या को एक साथ रिकॉर्डिंग और उत्तेजना की अनुमति होगी, दीर्घकालिक स्थिरता , synapses के पदों और वजन, और चलाया हुआ द्वि-directio की निगरानीपर्यावरण के साथ एनएएल बातचीत। एक साथ उन सभी चर पर नज़र रखने में कठिनाई दो बहुत अलग तराजू पर मस्तिष्क व्यवहार के रिश्ते का अध्ययन करने के लिए नेतृत्व: या तो प्रयोगात्मक शर्तों 1-7 से अधिक या इस तरह के कुछ भागों के रूप में छोटे, अलग हिस्सों के साथ कोई ठीक नियंत्रण के साथ, जानवरों के बर्ताव के साथ प्रणाली आठ का कोई समग्र दृष्टिकोण के साथ neuronal ऊतक,। कोई तैयार प्रयोगात्मक स्थापना भी एक साधारण तंत्रिका नेटवर्क के कामकाज में शामिल सभी मापदंडों की पूरी निगरानी की अनुमति देता है, जबकि दूसरे मामले में, एक अच्छा व्यापार बंद माइक्रो इलेक्ट्रोड सरणियों (meas) 9 से अधिक हो अलग न्यूरॉन्स द्वारा प्रदान की जाती है। 70 के 10 के अंत में पैदा हुए उन उपकरणों, पारंपरिक इलेक्ट्रोफिजियोलॉजी तकनीक पर कई फायदे हैं: सबसे पहले, रिकॉर्डिंग की संभावना है और एक बार (आमतौर पर 60 इलेक्ट्रोड) में कई अलग अलग स्थानों में एक तंत्रिका नेटवर्क उत्तेजक। इसके अलावा, कोशिकाओं के साथ meas के युग्मन लगभग गैर इनवेसिव हैकई महीनों के 11 अप करने के लिए समय की लंबी अवधि के लिए एक ही नेटवर्क के अवलोकन की अनुमति है। अलग संस्कृतियों पर बिजली की उत्तेजना का मनोवैज्ञानिक प्रभाव बड़े पैमाने पर वास्तुकला के नुकसान के बावजूद संरक्षित कर रहे हैं कई गुण (उदाहरण के लिए, plasticity के लिए, इस तरह के रूप में और सरल स्मृति 12-14 प्रक्रियाओं) उच्च तराजू में मनाया खुलासा, उन उपकरणों के लिए धन्यवाद अध्ययन किया गया है। संस्कृति के विकास के दौरान, उन नेटवर्कों इन विट्रो (DIV) में लगभग 7 दिन 15,16 पर सहज गतिविधि दिखाना शुरू। नेटवर्क गतिविधि आगे के विकास के साथ मौलिक परिवर्तन के लिए जाता है; पहली एकल के spikes यह एक नेटवर्क के परिपक्व राज्य का प्रतिनिधित्व करता है, जो 18 फटने सिंक्रनाइज़, गैर आवधिक नेटवर्क का एक अत्यधिक जटिल पैटर्न में बदलता बाद में के रूप में, 17 (दूसरे सप्ताह के अंत में) फटने में इकट्ठा के रूप में। यह 19 सुझाव दिया गया है कि इन विवो रिकार्ड में मनाया कि कुछ हद तक इसी तरह की इस तुल्यकालिक व्यवहार,सो जानवरों पर बैठकों, संवेदी इनपुट की कमी के कारण होता है।
एक अलग दृष्टिकोण संकेतों के विभिन्न प्रकार के neuronal नेटवर्क में ही 11,20-23 की उत्तेजना को नियंत्रित करने के लिए इस्तेमाल किया गया, जिसमें बंद लूप प्रयोगों प्रदर्शन से लिया गया है जानकारी कोडिंग का एक बेहतर समझ हासिल करने का प्रयास किया। इन प्रयोगों में, पर्यावरण के साथ बातचीत करने में सक्षम एक बाहरी एजेंट बारी में, एक प्रेरक तंत्र के लिए मोटर आदेशों का उत्पादन किया है, जो तंत्रिका नेटवर्क, को खिलाया संवेदी जानकारी उत्पन्न करने के लिए इस्तेमाल किया गया है। यह तंत्रिका प्रणाली के गतिशील और अनुकूली गुण वातावरण में परिवर्तन प्रेरित करने के लिए प्रतिक्रिया में विकसित कैसे की टिप्पणियों की अनुमति दी।
प्रदर्शन करने के लिए एक सेटअप प्रयोगों एक चक्र सेंसर मंच (एक भौतिक रोबोट या अपने आभासी मॉडल) एक क्षेत्र में के बारे में चलता रहता है और इसकी गति प्रोफाइल के एक neuronal की गतिविधि के द्वारा निर्धारित किया जाता है, जहां विकसित किया गया था 'Neurophysiology सन्निहित'सिस्टम (यानी, एक विदेश मंत्रालय से अधिक सुसंस्कृत चूहे न्यूरॉन्स की आबादी)। रोबोट अपने दो स्वतंत्र रूप से नियंत्रित पहियों की गति प्रोफाइल के द्वारा और दूरी सेंसर की वर्तमान रीडिंग की विशेषता है। दूरी सेंसर की सही प्रकृति प्रासंगिक नहीं है; वे ऑप्टिकल सेंसर या अल्ट्रासाउंड सेंसर सक्रिय या निष्क्रिय हो सकता है। जाहिर है, इस मुद्दे को सेंसर किसी भी वांछित सुविधा के साथ तैयार किया जा सकता है, जिसमें आभासी रोबोट के मामले में लागू नहीं होता।
इस के साथ साथ वर्णित प्रयोगों में, प्रयोग रोबोट 30 ° तरफ इशारा करते हुए छह दूरी सेंसर, दोनों दिशाओं में बढ़ रोबोट से 60 डिग्री और 90 डिग्री सेल्सियस के साथ, हमेशा आभासी कार्यान्वयन है। तीन बाएँ और दाएँ सेंसर की गतिविधि औसत निकाला जाता है और जैविक संस्कृति की गतिविधि सिर्फ 'छोड़' और 'सही' सेंसर बाकी हिस्सों में के रूप में करने के लिए भेजा जाएगा, जो इस तरह के 'सुपर' सेंसर (द्वारा एकत्रित जानकारी के द्वारा संचालित है इस काम का)। आद्यवर्णित कर्नल वास्तव में काफी मामूली समायोजन के साथ शारीरिक रोबोट को लागू किया जा सकता है। रोबोट (शारीरिक या आभासी या तो) द्वारा एकत्र जानकारी शारीरिक रूप से रोबोट के द्वारा अलग है जो जैविक तंत्रिका नेटवर्क, की गतिविधि में हेरफेर करने के लिए उपयोग किया जाता है कि उत्तेजनाओं की एक श्रृंखला में इनकोडिंग है। उत्तेजनाओं खुद को सभी समान हैं और इस प्रकार किसी भी जानकारी के लिए कोड नहीं है। क्या प्रासंगिक है उनकी आवृत्ति है: उत्तेजना की दर बढ़ जाती रोबोट विभिन्न वितरण साइटों रोबोट के बाएँ और दाएँ 'आंखें' से संवेदी जानकारी कोडिंग के साथ, एक बाधा दृष्टिकोण है। तंत्रिका नेटवर्क stimulations की आने वाली ट्रेन के लिए अलग अलग प्रतिक्रियाएं पेश करेंगे: डिकोडिंग एल्गोरिथ्म का कार्य रोबोट के पहियों को नियंत्रित करने के लिए इस्तेमाल किया आदेशों में जिसके परिणामस्वरूप नेटवर्क गतिविधि अनुवाद करने के लिए है। (यानी, विश्वसनीय और पूरी तरह से अलग इलेक्ट्रोड से उत्तेजनाओं को प्रतिक्रियाओं अलग हो) के साथ एक 'सही' नेटवर्क व्यवहार को देखते हुए, इस resul होगारोबोट में टी किसी भी बाधा से टकराने के बिना अपने क्षेत्र में चला। इसलिए एक साधारण सीखने प्रोटोकॉल शुरू की है आदर्श से मौजूद एक व्यवहार बहुत अलग अधिकांश नेटवर्क,: (24,25 में वर्णित प्रोटोकॉल से प्रेरित उच्च आवृत्ति उत्तेजना का संक्षिप्त मंत्र, 2 सेकंड के लिए 20 हर्ट्ज उत्तेजना,) जब सक्रिय, धनुस्तंभीय उत्तेजना एक निम्न एक बाधा के साथ टकराव को जन्म दिया है। नेटवर्क कनेक्टिविटी की एक स्थानीय मजबूत बनाने में धनुस्तंभीय उत्तेजना परिणाम है, इस रोबोट की नौवहन क्षमताओं में एक प्रगतिशील वृद्धि में परिणाम होगा।
HyBrainWare2, 26 में प्रकाशित कस्टम सॉफ्टवेयर के एक उन्नत संस्करण है, सिस्टम (उत्तेजक, डाटा अधिग्रहण, प्रसंस्करण और दृश्य, रोबोट संचार या अनुकरण) के विभिन्न उपकरणों का नियंत्रण संभाल करने के लिए विकसित की कोर वास्तुकला है। इस सॉफ्टवेयर में हमारी प्रयोगशाला में विकसित की है और अनुरोध पर आसानी से उपलब्ध है किया गया है। इस सॉफ्टवेयर इंटरफेस के साथ प्रदान करता हैडाटा अधिग्रहण बोर्ड: उपयोगकर्ता जीयूआई से डाटा अधिग्रहण शुरू होने के बाद सॉफ्टवेयर नमूना और रिकॉर्डिंग इलेक्ट्रोड से आने वाले डेटा की ए / डी रूपांतरण शुरू करने के लिए अधिग्रहण बोर्ड नियंत्रित करता है। इस डाटा तो उपयोगकर्ता द्वारा निर्धारित विकल्पों के अनुसार, दर्ज की स्क्रीन या spikes पता लगाने के लिए वास्तविक समय में विश्लेषण करने के लिए प्रदर्शित किया जा सकता है (विवरण के लिए प्रक्रिया अनुभाग देखें)। इसके अलावा, सॉफ्टवेयर के भीतर, (रोबोट के लिए मोटर आदेशों में दर्ज गतिविधि का अनुवाद) (एक बिजली की उत्तेजना में संवेदी जानकारी के अनुवाद) और डिकोडिंग कोडिंग की परिभाषा एल्गोरिदम निर्दिष्ट किया जाना चाहिए। सभी रिकॉर्ड जानकारी स्वचालित के साथ संगत प्रारूप में सहेजा गया है, जबकि विशेष रूप से, हमारे सेटअप, सही वास्तविक प्रयोग शुरू करने से पहले लगभग सभी चर उपयोगकर्ता द्वारा पहुँचा जा सकता है, के बाद से पिछले 27 में से डिजाइन इसी तरह की प्रणाली की तुलना में अपेक्षाकृत उपयोगकर्ता के अनुकूल है एक तंत्रिका डेटा विश्लेषण उपकरण बॉक्स 28।
निम्नलिखित प्रक्रिया अनुभाग अलग चूहे के हिप्पोकैम्पस संस्कृतियों पर एक सीखने प्रयोग का वर्णन: सभी संवर्धन और प्रयोगात्मक मापदंडों इस विशेष तैयारी के लिए प्रदान की जाती हैं और एक अलग जैविक सब्सट्रेट इस्तेमाल किया जा रहा है अगर संशोधित करने की आवश्यकता हो सकती है। इसी तरह, वर्णित प्रयोग धनुस्तंभीय उत्तेजना के सीखने के प्रभाव की जांच के लिए बंद लूप वास्तुकला का लाभ लेता है, लेकिन वास्तुकला में ही काफी लचीला अलग तंत्रिका नेटवर्क के विभिन्न सुविधाओं के अध्ययन में इस्तेमाल किया जा रहा है। प्रस्तावित प्रयोग के प्रमुख वेरिएंट आगे की चर्चा के अनुभाग में समझाया जाता है।
इस पत्र में एक न्यूरो रोबोट वास्तुकला (यानी, कॉर्टेक्स या भ्रूण चूहों के हिप्पोकैम्पस से आ रही न्यूरॉन्स के एक नेटवर्क), द्वि-directionally एक आभासी रोबोट से जुड़ा एक तंत्रिका नियंत्रक के आधार पर प्रस्तुत किया है। सेंसर और पहियों है जो रोबोट, बाधाओं के साथ एक स्थिर क्षेत्र में स्थानांतरित करने के लिए मजबूर किया और अपने कार्य टक्करों से बचने के होते है।
असफलता की दर भी तकनीकी शर्तों का सबसे अच्छा में महत्वपूर्ण हो जाते हैं जाएगा के रूप में वर्णित प्रक्रिया के पहले और संभवतः सबसे महत्वपूर्ण पहलू है, खुद को संस्कृतियों की तैयारी है। तकनीक संवर्धन का एक विस्तृत वर्णन वर्तमान कार्य के दायरे से बाहर है, तथापि, है। नेटवर्क फायरिंग दर आमतौर पर इन विट्रो में तीन सप्ताह के बाद, एक स्थिर स्तर तक पहुँच जाता है जब एक सामान्य दिशानिर्देश के रूप में, रिकॉर्डिंग हो जाना चाहिए। स्वस्थ संस्कृतियों का किसी न किसी संकेत कई रिकॉर्डिंग chann में सहज electrophysiological गतिविधि की उपस्थिति हैएल्स (कम से कम 20 चैनल उपलब्ध 60 से अधिक)। इस तरह की संस्कृतियों न्यूरोनल इंटर-कनेक्टिविटी के एक उच्च स्तर की विशेषता है। ऐसी परिस्थितियों के अंतर्गत, तंत्रिका गतिविधि आमतौर पर दृढ़ता से समय पर, यह मिनट लंबी चुप अवधि 37 से पीछा तीव्र spiking के साथ, epileptiform घटनाओं को प्रदर्शित करता है, सिंक्रनाइज़ और हो जाता है। इन सुविधाओं के दोनों एक समस्या पेश: अत्यधिक तुल्यकालन epileptiform गतिविधि का प्रदर्शन संस्कृतियों एक मूक अवधि के द्वारा पीछा गतिविधि का एक लंबा विस्फोट के साथ प्रस्तुत पहली प्रोत्साहन, का जवाब देंगे, जबकि यह असंभव की परवाह किए बिना, अलग इलेक्ट्रोड से उत्तेजनाओं को प्रतिक्रियाओं का भेद करने के लिए कर देगा किसी भी लगातार उत्तेजनाओं को जन्म दिया। इन दोनों मुद्दों पर दृढ़ता से तंत्रिका आबादी दो या दो से अधिक दुर्बलता से परस्पर उप समूहों में विभाजित किया गया है, जिसमें नमूनों संस्कृतियों 35, के रोजगार से ameliorated जा सकता है।
एक और मुद्दा तंत्रिका प्रतिक्रियाओं की जोरदार आवक stimul के वितरण पर निर्भर करता हैमैं 38,39। एक बंद लूप प्रयोग में, वितरित उत्तेजना बारी में, एक रोबोट आंदोलन का परिणाम है और इसलिए तंत्रिका प्रतिक्रियाओं को खुद के हैं, जो सेंसर रीडिंग, के एक समारोह है। यह वास्तविक प्रयोग के दौरान मनाया जाएगा क्या प्रतिक्रियाएं पहले से स्थापित करने के लिए कोई आसान तरीका है कि वहाँ निकलता है। नतीजतन, इनपुट, आउटपुट इलेक्ट्रोड का चयन लगातार approximations पर भरोसा करना चाहिए। वर्णित प्रोटोकॉल में, एक दो कदम प्रक्रिया (अर्थात्, 5.5 कदम और 6.4) एक कनेक्शन नक्शा निर्धारित करने के लिए प्रयास करने के लिए लागू किया गया है। पहले चरण में, stimulations की एक नियमित अनुक्रम वितरित किया जाता है और इस तरह के उत्तेजनाओं को प्रतिक्रियाओं पहली बार एक कनेक्शन नक्शा और रिकॉर्डिंग चैनल की एक अस्थायी सेट प्राप्त करने के लिए उपयोग किया जाता है। यह विन्यास तो कदम 6.4 में वर्णित टेस्ट ड्राइव के प्रदर्शन और वास्तविक प्रयोग के दौरान नजर रखी जाएगी कि रिकॉर्डिंग चैनलों का चयन करने के लिए प्रयोग किया जाता है।
परिणाम अनुभाग, एक प्रतिनिधि नेविगेशन रेस मेंULT और एक सीखने प्रतिमान की शुरूआत के बारे में द्वारा लाया तत्काल सुधार प्रस्तुत कर रहे हैं। प्रोटोकॉल विवरण के दौरान कई अन्य संभावित प्रयोगात्मक वेरिएंट उल्लेख कर रहे हैं। उदाहरण के लिए, विकसित जहां HyBrainWare2 में कार्यान्वित दो प्रमुख कोडिंग सिस्टम (रैखिक और stochastic) तंत्रिका कोड 38 पर अस्थायी इनपुट परिवर्तनशीलता की सटीक भूमिका की जांच करने के लिए। रैखिक मामले में, तात्कालिक उत्तेजना दर उपयोगकर्ता-निर्धारित मापदंडों और रोबोट सेंसर रिकॉर्डिंग का एक समारोह है। स्टोकेस्टिक मामले में, हर बार उदाहरण के लिए एक दिया संभावना है एक प्रोत्साहन देने के लिए चुना जाना। उम्मीद है और उत्तेजना दरों पूर्व मामले के उस मैच इतना है कि इस तरह की संभावना स्वचालित रूप से HyBrainWare2 द्वारा गणना है। रेखीय कोडिंग ऊपर वर्णित दो मामलों के बीच एक चिकनी संक्रमण प्रदान करता है के लिए संभावना घबराना जोड़ने के लिए। उसी तरह, डिकोडिंग खंड में पैरामीटर के विभिन्न संयोजनों की खोज preci पर प्रकाश डाला मदद कर सकता हैइन विट्रो तंत्रिका नेटवर्क में फोड़ के एसई भूमिका। विलुप्त होने के गुणांक सेकंड में योगदान में से एक उसके मूल्य का 50% कम करने के लिए लेता है कितना समय है, संकेत करता है जबकि रोबोट का एक पहिया की गति, वजन पैरामीटर के लिए आनुपातिक एक घटना इसी उत्पादन क्षेत्र में पाया जाता है हर बार बढ़ जाती है । क्षय एक साधारण घातीय है। उन वेरिएंट पहले से ही HyBrainWare2 के मौजूदा डिजाइन में ध्यान में रखा गया है, लेकिन सॉफ्टवेयर या प्रयोगात्मक सेटअप में अतिरिक्त संशोधनों को पेश किया जा सकता है अगर कई और अधिक शोध की संभावनाओं खुले हैं।
यहाँ वर्णित प्रोटोकॉल के बजाय एक महत्वपूर्ण सीमा विकसित कस्टम सॉफ्टवेयर, HyBrainWare2 (सभी इच्छुक उपयोगकर्ताओं के अनुरोध पर स्वतंत्र रूप से उपलब्ध है) की आवश्यकता है। इस सॉफ्टवेयर की एक विशेष मॉडल और निर्माता के उपकरणों (उत्तेजक, अधिग्रहण बोर्ड, विदेश मंत्रालय एम्पलीफायर) का एक सेट के लिए डिजाइन किया गया है। यह वास्तव में संभव है जबकि यह डि पर काम करने के लिए अनुकूलित करने के लिएfferent setups, रूपांतरण कुछ प्रोग्रामिंग कौशल ले जाएगा। इसी तरह, शामिल विकल्पों में इस तरह के एक सेटअप के माध्यम से जांच की जा सकता है कि सभी प्रयोगात्मक सवालों का केवल एक सीमित सेट को कवर किया। उदाहरण के लिए, प्रस्तुत वास्तुकला में लागू कील का पता लगाने एल्गोरिथ्म (सटीक समय कील का पता लगाने 40) पूरी तरह से पंजीकरण के विषय अलग तंत्रिका नेटवर्क (उदाहरण के लिए, हृदय कोशिकाओं से बहुत अलग है अगर बदले जाने की जरूरत है कि कई हार्ड कोडित मापदंडों द्वारा परिभाषित किया गया है या स्लाइस)। अंत में, सीखने प्रोटोकॉल एक छोटी, उच्च आवृत्ति की डिलीवरी के होते हैं हर बाधा हिट निम्नलिखित उत्तेजना (2 सेकंड 20 हर्ट्ज उत्तेजना की वजह से, प्रत्येक उत्तेजना नाड़ी संवेदी जानकारी कोड के लिए इस्तेमाल किया उन लोगों के रूप में ही है)। रोबोट अपने सही पक्ष के साथ एक बाधा हिट, धनुस्तंभीय उत्तेजना आमतौर पर सही पक्ष की जानकारी के लिए कोड और उसी के बाईं ओर हिट के लिए सच है कि इलेक्ट्रोड के लिए दिया जाता है। इस प्रोटोकॉल हार्ड कोडित है और ख नहीं कर सकतेई बाहर निकलने सॉफ्टवेयर में संशोधन के बिना उपयोगकर्ता द्वारा बदल दिया है।
यहाँ प्रस्तुत सेटअप संकर, बंद लूप प्रयोगों 20,23,27,41,42 के लिए पहली सन्निहित प्रणाली नहीं है, अतीत में डिजाइन वाले अनुरूप तैयारी की सीमित संख्या से डेटा द्वारा समर्थित एक भी शोध पर ध्यान केंद्रित किया गया । प्रयोगों के लिए खुद को अलग मुद्दों को संबोधित करते हुए दूसरी ओर, वर्णित सेटअप (, प्रतिरूपकता और उत्पत्ति के लिए अलग-अलग तैयारी के साथ प्रयोगों (100 से अधिक संस्कृतियों 2012 के बाद से दर्ज किया गया है) की एक बड़ी संख्या के लिए इस्तेमाल किया गया है जैसे धनुस्तंभीय उत्तेजना का प्रभाव और परिणाम के रूप में पेश फोड़ की प्रासंगिकता)। निकट भविष्य में, नए प्रयोगात्मक सत्र दोनों धनुस्तंभीय और बंद लूप उत्तेजना की स्थायी प्रभाव और उत्तेजना नियमितता के बीच के रिश्ते को सत्यापित करने और प्रतिक्रियाओं मनाया करने के लिए सोच रहे हैं। संबोधित करने के लिए एक और मुद्दे के साथ, सहज और मनाया गतिविधि के बीच की कड़ी हैखाते में पिछले गतिविधि और उत्तेजना 43 के इतिहास लेता है कि एक नया डिकोडिंग एल्गोरिथ्म जोड़ने का विचार है।
The authors have nothing to disclose.
लेखकों धन्यवाद पीएच.डी. करना चाहते हैं संवर्धन और विच्छेदन और हदबंदी प्रक्रियाओं के लिए तकनीकी सहायता के लिए एनबीटी-आईआईटी से सूक्ष्म इलेक्ट्रोड सरणियों और डॉ मरीना Nanni और डॉ क्लाउडिया Chiabrera अधिक neuronal नेटवर्क को बनाए रखने के लिए छात्र मार्ता Bisio। इन परिणामों के लिए अग्रणी अनुसंधान के लिए यूरोपीय संघ के सातवें फ्रेमवर्क कार्यक्रम से धन प्राप्त हुआ है (आईसीटी-FET के FP7 / 2007-2013, FET के युवा खोजकर्ता योजना) अनुदान समझौते के तहत एन 284,772 मस्तिष्क धनुष (° www.brainbowproject.eu )। लेखकों को भी शुरूआत में इस्तेमाल ग्राफिक्स का निर्माण करने में उसकी मदद के लिए सिल्विया Chiappalone को धन्यवाद देना चाहूंगा।
Name of Reagent/Material | Company |
Stimulus Generator 4002 | Multi Channel Systems |
MEA1060-Inv-BC | Multi Channel Systems |
TC02 | Multi Channel Systems |
NI 6255 Acquisition Card | National Instruments |
Microsoft Visual Studio 2008 | Microsoft |
2078P Multichannel System-National Instruments adapter board | Developed at University of Genova (Italy) |
Matlab 2010 | Mathworks |