A hybrid biological/in silico neural network based brain-machine interface
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Beyin-makine arayüzleri (BMA) beyin dokusu ile protetik hareket düzenekleri arasında yeni bilgi iletim kanalları açarak nörolojik hastalık veya yaralanmaya maruz kalmış bireylerin yaşamlarını iyileştirmeyi hedefler. BMA çalışmalarının çoğunda, motor korteksten alınan veri kullanıcının gerçekleştirmeyi hedeflediği protetik eylemlere bazı `eniyilenmiş` girdi-çıktı matematiksel modeller kullanılarak dönüştürülür. Bu yaklaşım çok güvenilir olsa da, kullanılan bilgi işleme prensipleri doğal sinirsel devrelerinkinden temelde farklıdır. Bu tezde, yeni, sinir devrelerinden esinlenen bir tasarım yaklaşımı önermekteyiz; BMA kontrolcüsü model nöronlardan oluşmakta ve elektrofiz-yolojik yöntemlerle aktivitesi kaydedilen nöronlardan benzetilen sinaptik girdiler almaktadır. Dolayısıyla, kontrolcü kullanıcının beyin devreleri ile bir hibrit biyolojik/in silico sinir ağı oluşturmaktadır. Bu tasarım yaklaşımının zorlu gerçek-zaman gereksinimlerini karşılamak için, öncelikli olarak Biyoesinlenmiş Model Geliştirme Ortamı (BMDE)'nı geliştirdik. Gerçek-zamanlı bir sistem üzerinde meydana getirilmiş olan BMDE önerilen tasarım yaklaşımının sıkı zamanlama şartlarını yerine getirmenin yanı sıra güçlü çevrimiçi veri görselleştirme araçlarıyla BMA model geliştirme işlemlerini önemli ölçüde kolaylaştırmaktadır. BMDE'yi kullanarak her biri gerçek motor korteks nöronlarından benzetilen sinaptik girdiler alan in silico striatum orta-boy dikenli nöronlarından oluşan bir BMA kontrolcüsü geliştirdik. BMA kontrolcüsü, gerçek-zamanlı benzetimler temelinde, bir ödülle değişen vuru zamanlamasına bağlı sinaptik plasitisite kuralını ve bir `kazanan hepsini alır` mekanizmasını uygulayarak tek boyutlu uzayda iki farklı hedefe kusursuz şekilde ulaşma başarımını göstermektedir. Bu tasarım yaklaşımını ve BMDE'yi kullanarak beyni daha iyi taklit edebilen BMA kontrolcüleri geliştirilebilir; nöroprotetik kontrol denemeleri sırasında biyolojik ve in silico sinir ağları arasındaki etkileşimler gözlemlenerek motor kontrol ve öğrenmeye ilişkin yeni sinirbilimsel bilgiler elde edilebilir. Brain-machine interfaces (BMIs) aim to improve the lives of individuals with neurological disease or injury, by opening new information transfer channels between brain tissue and prosthetic actuators. In a majority of the BMI work, the data acquired from the motor cortex neurons are decoded into user's intended prosthetic actions by some `optimized` input-output mathematical model. Although this approach is quite sound, the information processing principles used are fundamentally different from those of natural neural circuits. In this thesis, we propose a novel, neurally-inspired design approach; the BMI controller consists of spiking model neurons and receives simulated synaptic inputs from extracellularly recorded neurons. The controller therefore forms a hybrid biological/in silico neural network with the neuronal circuits of the user's brain. In order to fulfill the challenging real-time requirements of the present design approach, we first developed the Bioinspired Model Development Environment (BMDE). The BMDE, implemented on a hard real-time system, significantly facilitates BMI model development processes with powerful online data visualization tools while satisfying the strict timing constraints of the proposed design approach. Using the BMDE, we realized a novel, adaptive BMI controller which consists of in silico striatal medium spiny neurons, each receiving simulated synaptic inputs from extracellularly recorded motor cortex neurons. By implementing a reward-modulated spike timing-dependent plasticity rule and a winner-takes-all mechanism, the BMI controller, based on real-time closed-loop simulations, achieves perfect target reach accuracy for a two target reaching task in one dimensional space. Using this design approach and the BMDE, new generation BMI controllers that better mimic brain circuits can be developed. Moreover, by investigating the interactions between biological and in silico neural networks during neuroprosthetic control tryouts new neuroscientific insights concerning motor control and learning can be obtained.
Collections