在这里,我们提出一个微型电路图案总共6个单位的,由两个亚种群通过突触连接,展示底座(图 1)。这部小说框架不同于我们之前建议的体系结构的两个单位由STD -和STF-dominated突触连接 34]。在我们目前的研究中,我们的目标是提供更简洁的方法突出的贡献STP通过使用单个STP机制而不是两个不同的STP显示成功的运动机制的歧视。此外,我们突出的结构性优势在两个微型电路扩展网络。最后,我们显示产生的功能优势扩大网络的拓扑结构,它发生在两个不在微电路。

为了评估是否体现机器人能够显示响应特性类似于观察到在当地微电路在V1,架构是扩大由特定功能受限网络拓扑的启发后观察到局部皮质微电路。例如,双向连接在V1是邻近的神经元的副产品共享类似的视觉反应( 35]。此外,双向连接已经建议根据突触连接由进化算法( 36]。此外,神经元在V1,分享相似的视觉特性(例如,相似的方向优先)更高度连接的神经元和连接到显示减少偏爱那些类似的视觉特征( 35]。同样,在我们扩大微电路,有更多的连接在单位表现出相同的方向偏好和更少的单位编码之间的连接(图的相反方向运动 1)[ 37]。更具体地说,单元1、2和3在分组人口1更能够高度连接之间,连接到单位4、5、6在分组人口2。这些扩展网络的拓扑特性将缺席与双向连接两个微型电路因为单位会表现出相同数量的传出和传入的连接,作为一个孤立的族群。因此,我们假设,在扩展架构中,单位内部分组人口1和分组人口2将展览优先反应相反的方向运动。相反,我们认为两个单位与双向连接的微电路有限功能的贡献通过显示偏好只有一个方向的运动。最后,值得注意的是,这里的研究提出了扩展架构六单元,网络规模从这里开始不会改变模型中所需的个别单位的行为,只是增加仿真时间。

机器人的实现中,我们使用了树莓πB-V1.2单片机(图3模型 2(一个))。捕获的图像运动的刺激,覆盆子π相机(v2 .)通过带状电缆和连接到设备。此外,案板上创建的两个简单的电路是负责照明led彩色(红色和蓝色)和附加的覆盆子π的GPIO(通用输入/输出)。机器人设置安装到一个木制的盒子,和相机放置12厘米远离电脑显示器前,现实世界的刺激(图显示 2 (b))。

使用机器人的实现,我们在微电路结合STP的机制,即神经递质释放突触连接的发展根据概率 (1) d u j d t = U − u j t τ f + U 1 − u j t ∑ k = 0 ∞ δ t − t k j , 在哪里 δ t 狄拉克δ函数。的总和 k峰值是在高峰时间 t k j 突触前神经元的 j, u j t 反映了突触前剩余的钙含量。没有的动作电位,突触与剩余的钙含量处于静止状态 u j t 0 = U 。剩余的数量瞬间增加钙后第一个动作电位脉冲序列,和 u j t 1 = 1 − u j t 0 的分数仍然是第一个事件后立即可用。因此,运行变量的 U 是指 u j t , U 仍然是一个参数,适用于第一个动作电位峰值火车,之后 u j t (正在运行的变量 U 指数衰减,休息的价值 U 与时间常数 τ f 。因此,每次生成一个动作电位,突触前残余钙瞬间升起,然后恢复时间常数 τ f 在随后的峰值。剩余的钙含量增加,第一步沿着活跃区突触前囊泡膜终端释放神经递质在神经突触的突触后一边。在这个过程中胞外分泌,在突触前神经递质可用性终端根据描述 (2) d x j d t = 1 − x j t τ d − u j t x j t ∑ k = 0 ∞ δ t − t k j , 在哪里 x j t 表示可用的资源,保持分数后囊泡释放。在随后的峰值, x j t 回到基线恢复其休息1与时间常数的价值 τ d ,恢复的突触的突触前终端内的可用资源。突触的STP模式允许考试行为在一个相对较短的时间尺度。因此,这里我们感兴趣的属性和可塑性的机制在毫秒到秒( 7]。根据动力学参数的初始设置 τ f , τ d , U ,STP模型可以模拟一个令人沮丧的影响或促进突触(表 1)[ 1]。因此,性病的机制和算法使用不同的参数设置可以区分同一控制方程( 1)和( 2)。

在这项研究中,图像的相机捕捉从感官环境作为直接输入到微电路图案。换句话说,外部输入直接生成传入突触前的STP峰值模型。为了接收突触输入,固定相机是用于处理视觉形象的变化从感官环境。生成的图像显示在电脑显示器和特点是24位颜色方案。这个设置提供了优势呈现移动刺激遵循时空模式。此外,我们决定模仿类似的固定屏幕固定设置用于实验神经科学( 38- - - - - - 40),麻醉,瘫痪的动物展览最小眼球运动运动刺激显示在屏幕上。至于刺激的性质,我们感兴趣的是黑白图像。因此,平均三个8位RGB的飞机,然后产生的平面转换,这样每个像素在飞机上的编码是1(黑色像素)或0(白色像素),而不是传统的值从0到255(其中255是可以显示的最大强度)。图像转换成一个二进制方案允许我们直接喂微电路与列车的“动静极限的动作电位的相机处理视觉图像,类似于以前的方法( 6]。覆盆子π相机原始分辨率3280×2464(图 3)。两个步骤示例刺激图像应用,从而简化网络的输入。首先,相机分辨率降低到100×1000,为了让一个可见的预览图像处理的相机。当刺激显示在电脑显示器上,垂直的线延伸整个第一个维度,因此激活网络中所有单位(图 3)。在这里,100年的第一个维度是代表单位接收输入的数量。鉴于网络是由六个单位,有94剩余单位沿第一个维度(即行)作为冗余信息网络。因此,去除冗余信息提供给网络,维度进一步减少到6×1000,其中每一行作为一个单元的输入网络中,每一列描述的时间需要评估每个单元的活动在视觉信息处理。

这样,6000像素的摄像头捕捉图像,然后直接引入箝制网络的输入。更值得注意的是每个单元接收的突触前峰值数等于1 s编码的数量从相机像素的图像处理。换句话说,定位栏的宽度越大,越大的像素编码1 s,因此,突触前输入的频率就越高。此外,个人取向的变化刺激运动也将改变突触前峰值的时间。最后,鉴于现实的刺激的性质,图像固有的噪声,这意味着一些单位收到比其他几个输入峰值。这个固有特性可能起源于波动亮度和/或监控的角度相对于相机的镜头。

在模型中,总共有200方向的步骤,每个步骤代表一个方向转变方向的刺激,这是被使用相机。因此,相机捕捉200张照片,其中100是由定向刺激朝着正确的,剩下的100张图片组成的定向刺激朝着左边。对个人形象的转变,网络接收传入突触前输入的新列车共有1000 ms(表 2)。当处理时间编码任务,有必要控制初始囊泡释放概率 U(方程 1)[ 10]。这里,改变方向的步骤介绍最初版本的变化的概率STF-mediated单位在微电路图案 34]。值的范围用于调节初始囊泡释放概率呈现在图 4(一)。每一步刺激的运动方向,我们招募了一对初始囊泡释放概率,其中一个是被单位内分组人口1,剩下的一个是被单位内分组人口2。因此,一个改变的方向一步介绍了一双新的初始释放概率,进而介导的神经反应在时间。突触传递的时序动态的基础上,单位会显示优惠和nonpreferential反应取向的刺激。左和右运动的平均初始释放概率从每个各自分组人口1显示单元内群表现出更高的初始释放概率正确的运动,而单位内分组人口2表现出更高的初始释放概率(图左运动 4 (b))。

单位接收视觉输入,动力学参数调节的动力学之间的相互作用 u j t 和 x j t 。反过来,关节的影响 u j t x j t 特征的短期强度突触输入在一个给定的时间步长,从而生成一个瞬时电流的特征 (3) 我 我 stp t = 一个 ∑ j = 1 N w 我 j u j t x j t , 求和的接管所有的突触前输入。在这里, w 我 j 从突触前单位是绝对的突触效能 j突触后的单元 我由颞动力学 u j t x j t STP ( 41]。对于每个方向的一步, w 我 j 保持不变,如果单位设置为1 j连接到单位吗 我,否则它设置为0,表示没有连接。通过这种方式,瞬时电流的时间动态 我 我 stp t 主要是由STP。 一个 是一个常数乘法因子,调节整体获得生成的电流。当前由STP驱动阈下膜电位去极化动力学漏integrate-and-fire(生活)单位根据 (4) τ 米 d V 我 d t = − V 我 t + V 休息 R 米 我 我 stp t , 在哪里 τ_米是膜时间常数, 我 我 stp t 是当前由短期内突触强度,然后呢 R 米 是膜阻力。每当去极化达到一个固定的阈值 V 我 t ≥ θ ,单位排放的高峰,成为耐火材料 τ arp 后,方程 4简历从阈下重置的潜力 V 休息 (表 2) 。

画一个激增的反应之间的平行单位中观察到的实时机器人实现和观察在实验环境下,我们分析数据从V1的视觉诱发活动麻醉猕猴( 猕猴属fascicularis)猴子。生成的记录大多局限于层2/3,区域定位和方向选择性皮质反应属性明显观察到。收集到的数据是在实验室的亚当科恩爱因斯坦医学院的和从CRCNS下载网站 42]。因此,实验的数据集来自以前的工作程序详细描述( 38- - - - - - 40]。简单地说,使用犹他州微电极细胞外记录进行数组0.6毫米插入皮层。动物瘫痪了减少眼球运动。所有实验程序遵守指导方针批准的阿尔伯特·爱因斯坦医学院的叶史瓦大学和纽约大学动物福利委员会。

记录神经元的活动激增而提出full-contrast漂流正弦光栅在12个方向间隔同样(30°)。漂流光栅提出了双目1.28秒和1.5秒间隔隔开,提出了一种灰色的屏幕。提出了刺激的方向是随机的,每个刺激(例如,试验)的200倍。强化活动的诱发数据集包括从59到105个神经元从3猴子(分别为数据集1、2和3)。数据集描述神经元反应,我们选择3,其中包括最多的神经元(105)的3个数据集。对于每个方向刺激运动的双向运动,trial-averaged的单个神经元的放电频率计算。

在V1,和大脑的其他区域,神经元表现出高发射trial-by-trial波动率( 43]。无论刺激的性质和行为状态的动物,皮层响应的普遍特点是减少trial-by-trial可变性在100 ms发病后的刺激 44]。鉴于刺激神经变化发生淬灭,估计神经元反应一定延时后会提供一个更准确的视觉信息的反应表示。因此,我们计算单个细胞的放电频率在剩下1秒的录音,而不是整个1.28秒,以确保减少神经元的响应变化。此外,保持一致的范式实时机器人实现中,我们分析了6个神经元的活动激增的数据集。而神经元反应取向光栅进行分析,我们专注于发现神经元表现出更高的响应专门为垂直方向光栅;相同的取向处理使用机器人的摄像头。因此,我们选择了3个神经元(63和103)的数据集展示优惠响应垂直正弦光栅向右移动和nonpreferential响应零方向相反的。相反,我们选择3其他神经元(5、42、98)从同一数据集展示优惠对刺激的反应移动左右nonpreferential零方向相反的反应。