论文部分内容阅读
基于离体神经网络的生物脑控机器人是一种新型的生物——机械混合的智能系统。它是神经科学在智能机器人领域的重要应用和研究方向。在这个研究中，基础神经科学和机器人学、电子工程、人工智能等学科深度交叉，许多研究者在这个方向上投入了大量的精力，并且在Nature，Science以及其他国际重要刊物上发表了大量论文，目前对于生物脑控机器人（或者称为神经-机器人混合系统）的研究已经在国际上成为一个热门的前沿研究方向。作为一个多学科交叉的方向，生物脑控机器人的研究可以同时对相关的工程应用和基础科学待解决的问题进行深入探讨。该研究的主要目的是为应用于机器人或者其他机械设备开发一个生物——机械混合的人工智能系统，对这个系统的深入研究既可以为神经康复机器人，神经假肢，脑机接口等系统的进一步开发提供基础规律，基本系统框架，学习训练策略，实验范式等方面的支持;同时，它也可以为神经科学家们对神经编码，神经网络学习规律，神经网络发育等的研究提供一个高效的实验平台。目前，全世界已有若干个生物脑控机器人系统。它们的实验结果不同程度的揭示了神经科学的部分基本规律，其系统的开发和研究也为神经相关的机械设备的研究提供了极大的启发。因此，对生物脑控机器人的进一步研究具有很大的科研和应用价值。 然而，由于缺乏对神经网络编码信息和神经网络学习可塑性基本规律的清楚认识，现有的生物脑控机器人系统对外界信息的处理能力不够高效，更重要的是对体现生物智能的神经网络的可塑性发展阶段的利用也不够充分。这些问题都是目前生物脑控机器人亟待解决的。由于涉及到神经科学基础规律的探究和在实际机械系统中的应用，如何将基本规律的研究和机械系统性能的进一步提高有效的进行整合成为了目前这个方向的一个极大的挑战。这就要求在开发生物脑控机器人系统时，利用全部或者部分系统对神经编码和神经网络学习的基本规律进行深入研究，以期对神经科学的基本规律有更明确的认识。同时，将研究发现的规律，应用于机器人系统中，以提高目前生物脑控机器人的性能。此外，现有的大部分系统中作为生物控制器的离体神经网络都只有一层网络，而在动物大脑中，往往具有多个神经网络且它们之间存在着层级联系。神经网络结构上缺乏层级结构从而使得神经网络编码信息的能力受限，也是该研究亟待需要解决的问题。为了进一步使生物控制器达到更好的控制性能，开发一个结构和功能上都有层级分化的高效的层级神经网络将更好的提高生物脑控机器人的性能。在对神经网络学习规律的研究中，根据Hebbian可塑性理论提出神经网络是以一种时空序列的发放方式处理外界信息并且通过‘回响’的方式学习该信息的假设，然而研究中我发现，目前并没有一个可以专门对从我的实验中获得的数据进行数据处理的合适的算法，开发这样一个针对我的研究假设进行数据处理的算法，不仅仅可以从基础神经科学层面进一步探索神经编码和学习的基本规律，同时，还可以在将来的生物脑控机器人系统中实时应用该算法。本文在大量的国内外文献调研和综合的基础上，采用胎鼠海马细胞培养的离体神经网络作为生物控制器，针对上述问题，开发了一个完整的生物脑控机器人系统，并且在这个系统上开展了基础实验研究和工程应用研究，具体的内容如下: (1)根据Hebbian理论，我进一步研究了细胞集群活动的时空动态性。我在多电极阵列上培养了胎鼠的海马神经元并利用单一电极通过电刺激诱发神经网络的回响活动。然后，我分析了从多电极阵列上记录到的神经网络回响实验数据集，并得知:在网络展示的诱发的回响中，针对每个特定的刺激输入，在神经网络的活动中通常都包含一个精度为几毫秒在整个回响发放期间重复很多次的主时空发放模式。有趣的是，在同一个神经网络中，不同的输入点所诱发的时空模式是不同的，尽管有时他们可以共享重叠的亚神经元网络群，并可能会形成一个核心电路。这些结果说明，具有精确的时空发放的神经网络活动模式在神经网路回响中能够被神经网络有效的维持着，这种方式可能是神经网络进行精确和有效的信息编码的方法。 (2)为了研究神经网络的时空动态性，我开发了一个有效的策略在电刺激诱发的神经活动中来找到保守的重复时空模式并且评估了它们的统计有效性。通过利用高维特征空间中的相似性函数，可以确定，在许多个回响事件中（即在几十毫秒尺度下同时涉及多个神经元发放的一种神经网络活动），显示出了精度为几毫秒的相同的时空模式。同时通过算法我们还可以确定，在相同神经网络中，不同的电刺激所诱发的这些时空模式是几乎不一样的。这些发现再次表明，神经回路能够保持回响活动的精确的时空模式，这也意味着寻找这些时空模式的方式可以作为一种高效的信息解码方式应用于生物脑控机器人中。 (3)为了验证层级化的神经网络对生物脑控机器人性能的提高，我在搭建好的生物脑控机器人系统中采用了两种离体神经网络——‘4Q’和随机神经网络作为神经控制器。所谓‘4Q’神经网络就是人为的将神经网路分成四个内部互相连通的部分，从而培养神经网络结构上形成层级分化。通过我的研究，与随机神经网络相比，‘4Q’神经网络有着完全不同的神经活动。同时，在目标搜索任务中，‘4Q’神经网络控制的机器人表现出了更好的性能。研究结果表明，两种神经网络都可以成功地用来控制人工代理;因为神经网络的短期可塑性，随着实验中外界刺激的持续进行，机器人性能会越来越好，且‘4Q’神经网络控制的机器人在这个变化中的性能表现比随机神经网络明显要好的多。 (4)最后，我建立了自己的整合了机械智能和生物智能的生物脑控机器人系统。在初步建立的这个框架中，我将离体的神经网络和移动机器人系统相连接，实现了一个新颖的车辆设备。移动机器人系统由摄像头和两轮机器人组成并被设计用来执行目标搜索任务。根据开源软件我在linux操作系统下开发了一个实时神经信号处理软件，同时开发了一个实时的刺激生成器。这两者可以保证生物和人工部分之间通过简单的二项编码/解码方式实时的进行双向信息交换。由于对这个系统和实验的创新研究，一些突出的结果是值得关注的。作为神经控制器，在实验中，我使用了一个特殊的比在以往研究中的神经网络都复杂的层级神经网络。它表现出了极大的优势，极大的改进了机器人的性能。基于我的工作，‘4Q’神经网络可以以一个较高的性能成功地控制人工代理(单次任务中成功转向率可以到达100％)。一个由于有效的实验方案带来的令人惊讶的发现是，强化刺激训练的情况下，机器人在实验的训练期间性能表现的越来越好，这说明我已成功的将神经网络的短期可塑性发展阶段应用在了生物脑控机器人中。基于这些结果，我最终改善了生物脑控机器人系统的性能（在两个方向上的正确转向率平均值超过80％，其机会水平为33％）。这个新框架将为基于生物-人工双向接口的新型智能机器人系统提供一个可能的实现方案。 本文的研究可以为生物脑控机器人的深入研究和开发做进一步的贡献。在体现神经科学和机器人学深度交叉的基础上，我将利用生物脑控机器人进一步揭示神经编码和神经网络学习的基本规律，同时，将发现的基本规律有效的整合在机器人系统中尽快实现基本规律的工程应用，以期在生物脑控机器人上验证和应用的基本神经规律可以积极有效的应用于神经康复机器人，神经假肢，脑控机器人等实际的医疗和应用系统中。