ایمیل این مقاله
دوره 36، شماره 498: هفته دوم آذر ماه 1397:1156-1164 |
اهمیت زمان‌بندی و نرخ اسپایک در مدل گیرنده‌ی مکانیکی Merkel
چکیده
مقدمه: حس لمس، نقش مهمی در تعاملات ما با محیط اطراف دارد. بازوهای مکانیکی، ربات‌ها و پروتزهای عصبی، با داشتن حس لمس عملکرد بهتری خواهند داشت. مطالعات میکرونوروگرافی در انسان‌ها، نشان داده است که نورون‌های آوران اولیه مانند گیرنده‌های مکانیکی نوک انگشت، نقش مهمی در کدگذاری و تفکیک‌پذیری انواع مختلفی از تحریک‌ها با استفاده از الگوهای قطار اسپایک دارند.
روش‌ها: یک روش آزمایشگاهی برای شبیه‌سازی پاسخ‌های گیرنده‌ی تطابق آهسته‌ی نوع I به تحریک نیرو با در نظر گرفتن رفتار اسپایکی، به کار گرفته شده است. در واقع، برای تشخیص نیرو، از داده‌های حسگر و ویژگی اسپایکی استفاده گردید. سیگنال آنالوگ حسگر، به عنوان جریان ورودی به مدل نورونی Izhikevich به منظور به دست آوردن قطارهای اسپایک اعمال شد. ویژگی‌های قطارهای اسپایک با کدگذاری نرخی و کدگذاری زمان‌بندی اسپایک استخراج شد. ویژگی‌های مورد نظر، به طبقه‌بندی کنند‌ه‌ی K-nearest neighbor (kNN) و Support vector machines (SVM) جهت طبقه‌بندی انواع نیروها داده شد.
یافته‌ها: بالاترین دقت طبقه‌بندی ویژگی کدگذاری نرخی با درستی 100 درصد، ویژگی‌های Inter-spike intravel coefficient of variation (ISI CV) با درستی 18/81 درصد و Victor-purpura distance (VPd) با درستی 82 درصد به دست آمد. همچنین، با استفاده از قطارهای اسپایک حاصل از نیروی تماس اطلاعات متقابل، کدگذاری نرخی و کدگذاری زمانی نیز محاسبه شد.
نتیجه‌گیری: ارسال اطلاعات با روش کدگذاری نرخی از کدگذاری زمان‌بندی اسپایک در تحریک گیرنده‌ی مکانیکی Merkel بیشتر است. همچنین، با افزایش نیرو، میزان آتش کردن گیرنده‌ی مکانیکی Merkel نیز افزایش می‌یابد.
واژگان کلیدی
تمام متن:
PDFمراجع
Tiwana MI, Redmond SJ, Lovell NH. A review of tactile sensing technologies with applications in biomedical engineering. Sens Actuators A Phys 2012; 179: 17-31.
Abraira VE, Ginty DD. The sensory neurons of touch. Neuron 2013; 79(4): 618-39.
Greenspan JD, LaMotte RH. Cutaneous mechanoreceptors of the hand: Experimental studies and their implications for clinical testing of tactile sensation. J Hand Ther 1993; 6(2): 75-82.
Chaudhuri A. Fundamentals of sensory perception. Oxford, UK: Oxford University Press; 2011.
Vreeken J. Technical report UU-CS-2003-008. Spiking neural networks, an introduction [Online]. [cited 2003]; Available from: URL: http://www.cs.uu.nl/research/techreps/repo/CS-2003/2003-008.pdf
Maass W. Networks of spiking neurons: The third generation of neural network models. Neural Netw 1997; 10(9): 1659-71.
DasGupta B, Schnitger G. The power of approximating: A comparison of activation functions. Adv Neural Inf Process Syst 1992; 5: 615-22.
Thorpe S, Delorme A, Van Rullen R. Spike-based strategies for rapid processing. Neural Netw 2001; 14(6-7): 715-25.
Yi Z, Zhang Y, Peters J. Bioinspired tactile sensor for surface roughness discrimination. Sens Actuators A Phys 2017; 255(C): 46-55.
Rongala UB, Mazzoni A, Oddo CM. Neuromorphic artificial touch for categorization of naturalistic textures. IEEE Trans Neural Netw Learn Syst 2017; 28(4): 819-29.
Salimi-Nezhad N, Amiri M, Falotico E, Laschi C. A digital hardware realization for spiking model of cutaneous mechanoreceptor. Front Neurosci 2018; 12: 322.
Zuo Y, Safaai H, Notaro G, Mazzoni A, Panzeri S, Diamond M. Complementary contributions of spike timing and spike rate to perceptual decisions in rat S1 and S2 cortex. Curr Biol 2015; 25(3): 357-63.
Saal HP, Suresh AK, Solorzano LE, Weber AI, Bensmaia SJ. The effect of contact force on the responses of tactile nerve fibers to scanned textures. Neuroscience 2018; 389: 99-103.
Bensmaia SJ, Denchev PV, Dammann JF 3rd, Craig JC, Hsiao SS. The representation of stimulus orientation in the early stages of somatosensory processing. J Neurosci 2008; 28(3): 776-86.
Friedl KE, Voelker AR, Peer A, Eliasmith C. Human-inspired neurorobotic system for classifying surface textures by touch. IEEE Robotics and Automation Letters 2016; 1(1): 516-23.
Kim EK, Sugg KB, Langhals NB, Lightbody SM, Baltrusaitis ME, Urbanchek MG, et al. An engineered tactile afferent modulation platform to elicit compound sensory nerve action potentials in response to force magnitude. Proceedings of 2013 World Haptics Conference (WHC); 2013 Apr 14-18; Daejeon, Korea. p. 241-6.
Kim EK, Wellnitz SA, Bourdon SM, Lumpkin EA, Gerling GJ. Force sensor in simulated skin and neural model mimic tactile SAI afferent spiking response to ramp and hold stimuli. J Neuroeng Rehabil 2012; 9: 45.
Izhikevich EM. Simple model of spiking neurons. IEEE Trans Neural Netw 2003; 14(6): 1569-72.
Furber SB, Lester DR, Plana LA, Garside JD, Painkras E, Temple S, et al. Overview of the SpiNNaker System Architecture. IEEE Trans Comput 2013; 62(12): 2454-67.
Cover T, Hart P. Nearest neighbor pattern classification. IEEE Trans Inf Theory 1967; 13(1): 21-7.
Macleod ES, Luk A, Titterington DM. A Re-Examination of the Distance-Weighted k-Nearest Neighbor Classification Rule. IEEE Trans Syst Man Cybern Syst 1987; 17(4): 689-96.
Zavrel J. An empirical re-examination of weighted voting for k-NN. Proceedings of the 7th Belgian-Dutch Conference on Machine Learning 1997 Oct 21; Tilburg, Netherland. p. 139-48.
Burges CJC. Atutorial on support vector machines for pattern recognition. Data Min Knowl Discov 1998; 2(2): 121-67.
Victor JD, Purpura K. Metric-space analysis of spike trains: Theory, algorithms and application. Network Comp Neural 1997; 8: 127-64.
Panzeri S, Schultz SR, Treves A, Rolls ET. Correlations and the encoding of information in the nervous system. Proc Biol Sci 1999; 266(1423): 1001-12.
Panzeri S, Treves A. Analytical estimates of limited sampling biases in different information measures. Network 1996; 7(1): 87-107.
Pola G, Thiele A, Hoffmann KP, Panzeri S. An exact method to quantify the information transmitted by different mechanisms of correlational coding. Network 2003; 14(1): 35-60.
|
