CN115810138A - 基于多电极阵列体外培养神经元网络的图像识别方法 - Google Patents
基于多电极阵列体外培养神经元网络的图像识别方法 Download PDFInfo
- Publication number
- CN115810138A CN115810138A CN202211449802.1A CN202211449802A CN115810138A CN 115810138 A CN115810138 A CN 115810138A CN 202211449802 A CN202211449802 A CN 202211449802A CN 115810138 A CN115810138 A CN 115810138A
- Authority
- CN
- China
- Prior art keywords
- stimulation
- network
- learning
- letter
- electrode array
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 210000002569 neuron Anatomy 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000338 in vitro Methods 0.000 title claims abstract description 25
- 230000000638 stimulation Effects 0.000 claims abstract description 105
- 230000004044 response Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000012706 support-vector machine Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 32
- 238000000018 DNA microarray Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 10
- 238000011065 in-situ storage Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000017105 transposition Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 5
- 239000001569 carbon dioxide Substances 0.000 claims description 5
- 210000003618 cortical neuron Anatomy 0.000 claims description 5
- 210000002243 primary neuron Anatomy 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 210000005257 cortical tissue Anatomy 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000004936 stimulating effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012258 culturing Methods 0.000 claims description 2
- 238000010494 dissociation reaction Methods 0.000 claims description 2
- 230000005593 dissociations Effects 0.000 claims description 2
- 238000010899 nucleation Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000001360 synchronised effect Effects 0.000 abstract description 8
- 238000004880 explosion Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 210000004027 cell Anatomy 0.000 description 20
- 230000008859 change Effects 0.000 description 11
- 241000699666 Mus <mouse, genus> Species 0.000 description 7
- 239000000243 solution Substances 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 6
- 230000001605 fetal effect Effects 0.000 description 6
- 241000700605 Viruses Species 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 239000002609 medium Substances 0.000 description 3
- 238000011270 sentinel node biopsy Methods 0.000 description 3
- 210000000225 synapse Anatomy 0.000 description 3
- 239000012981 Hank's balanced salt solution Substances 0.000 description 2
- 241000700159 Rattus Species 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000004071 biological effect Effects 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 239000006285 cell suspension Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000265 homogenisation Methods 0.000 description 2
- 230000027928 long-term synaptic potentiation Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000003151 transfection method Methods 0.000 description 2
- HJCMDXDYPOUFDY-WHFBIAKZSA-N Ala-Gln Chemical compound C[C@H](N)C(=O)N[C@H](C(O)=O)CCC(N)=O HJCMDXDYPOUFDY-WHFBIAKZSA-N 0.000 description 1
- 241001057184 Axion Species 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 108010039918 Polylysine Proteins 0.000 description 1
- 241000700157 Rattus norvegicus Species 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 102000004142 Trypsin Human genes 0.000 description 1
- 108090000631 Trypsin Proteins 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 238000010171 animal model Methods 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 239000001045 blue dye Substances 0.000 description 1
- 238000004113 cell culture Methods 0.000 description 1
- RNFNDJAIBTYOQL-UHFFFAOYSA-N chloral hydrate Chemical compound OC(O)C(Cl)(Cl)Cl RNFNDJAIBTYOQL-UHFFFAOYSA-N 0.000 description 1
- 229960002327 chloral hydrate Drugs 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000006862 enzymatic digestion Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 238000007427 paired t-test Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 229920000656 polylysine Polymers 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000008925 spontaneous activity Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 239000012588 trypsin Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Images
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种基于多电极阵列体外培养神经元网络的图像识别方法,设计了分区域多字母刺激范式,将正方形多电极阵列均分为四个子区域,每个区域施加一个不同字母轮廓映射的刺激位点,同时学习训练前使用随机点刺激方法抑制同步网络爆发。通过学习训练后,诱发神经元响应峰电位增多,网络放电率升高且爆发次数和参与爆发的电极数目增加,表明学习训练增强了网络神经元放电活动模式。此外,采用随机点刺激后降低了神经元网络同步爆发次数,学习后较传统学习方式测试四个字母响应增强且支持向量机分类正确率显著升高。基于多区域字母刺激学习训练范式揭示了体外培养神经元网络具有天生的熟悉度检测、学习和空间特异性识别能力。
Description
技术领域
本申请涉及生物神经元网络技术领域,特别是涉及基于多电极阵列体外培养神经元网络的图像识别方法。
背景技术
复杂的网络结构是支撑大脑实现学习和记忆等高级认知功能的必要基础。为了探索神经系统中时空计算的方式完成学习和记忆等高级认知活动,仅仅使用传统的硅器件很难揭示深层的机制奥秘。
目前,商用多电极阵列耦合体外培养神经元网络模型可实现长时间、连续且无损记录神经元放电活动,可以更好地了解神经元时空处理信息的方式。
现有技术中,将生物神经元作为图像处理和模式识别的并行和适应性强的计算元素,将字母图像映射为对体外培养神经元细胞的刺激位点,通过学习训练来增强神经网络对简单空间模式的反应。因此,可以实现培养神经元识别简单的空间模式的效果。但该刺激模式较简单,无法验证神经元网络具有并行存储时空信息的能力。
另一现有技术中,基于无监督神经网络仿真生物神经元网络性能,将面部、小车、狗的图像编码为感觉输入作为刺激诱发网络放电活动,揭示了网络对先前学习的图像反应比对新颖图像的反应更强烈,证明复杂神经回路具有熟悉度检测能力,首先对生物神经元进行病毒转染,接下来将汽车,狗脸和人脸的卡通图像编码为刺激位点,最后通过光遗传学刺激,以蓝光模式投射到具有ChR2-YFP表达神经元的MEA培养物上。但使用光遗传刺激方法将病毒转染,可能会导致神经元基因突变,同时病毒量过少刺激效果不明显,量过多则会影响神经元的状态。
发明内容
有鉴于此,本发明提供了基于多电极阵列体外培养神经元网络的图像识别方法,提出一种刺激方法,将字母轮廓映射为多电极阵列刺激位点,对均分的四个区域顺序施加四个不同字母电刺激,未使用病毒转染法,保持了神经元原本的生物活性,从而利用神经元网络的并行存储时空信息的能力,实现图像识别。
为此,本发明提供了以下技术方案:
本发明提供了一种基于多电极阵列体外培养神经元网络的图像识别方法,所述方法包括:
对生物体的原代神经元进行提取和体外培养,得到接种有神经元细胞的生物芯片;所述生物芯片有若干个孔,每个孔由多个TiN/SiN平面圆形电极以电极阵列的形式排布在网格中,通过所述孔能够给予黏附于所述生物芯片上的神经元细胞刺激;
将字母轮廓映射为多电极阵列刺激位点,对均分的四个区域顺序施加四个不同字母电刺激,调控神经元网络完成学习训练;
采用多通道生物信号采集系统记录所有通道的放电响应;
获取待识别的图像数据;
对所述放电响应进行数据处理和分析,得到图像分类特征矩阵;
利用支持向量机对所述图像分类特征矩阵进行分类,识别出所述图像。
进一步地,还包括:学习训练前使用随机点刺激方法对神经元网络进行刺激。
进一步地,四个不同的字母为:L、O、I、X。
进一步地,学习训练完成后还包括:对神经元网络进行字母原位测试和字母换位测试;
所述字母原位测试,包括:对四个字母按顺序对相应区域的电极施加刺激;
所述字母换位测试,包括:对原来L位置区域施加O刺激,对O位置施加I刺激,对I位置施加X,对X位置施加L。
进一步地,对生物体的原代神经元进行提取和体外培养,包括:
从生物体分离皮层神经元;
对所述皮层神经元进行皮层组织解离,得到神经元细胞;
将所述神经元细胞接种于生物芯片中;
将生物芯片放置在预设温度的二氧化碳培养箱中预设时间;
每隔预设周期更换维持培养基。
进一步地,对所述放电响应进行数据处理和分析,得到图像分类特征矩阵,包括:
导出记录的数据,并进行数据格式转化;
检测峰电位,识别峰值的时间和位置;
检测神经元爆发,并统计爆发中包含的峰电位个数,爆发持续时间以及有多少个电极在同一时间产生了爆发事件;
将每次刺激后每个电极响应的峰电位作为图像分类的特征,得到图像分类特征矩阵。
进一步地,还包括:
基于刺激时间点计算刺激后特定事件窗内峰电位个数,根据时间窗大小计算每个电极的平均放电率;
基于所述平均放电率进行分析,评估学习训练过程对神经网络的影响。
本发明的优点和积极效果:本发明设计了分区域多字母刺激范式,将正方形多电极阵列均分为四个子区域,每个区域施加一个不同字母轮廓映射的刺激位点,同时学习训练前使用随机点刺激方法抑制同步网络爆发(SNB)。通过学习训练后,诱发神经元响应峰电位(spike)增多,网络放电率升高且爆发次数和参与爆发的电极数目增加,表明学习训练增强了网络神经元放电活动模式。此外,采用随机点刺激后降低了神经元网络同步爆发次数,学习后较传统学习方式测试四个字母响应增强且支持向量机(SVM)分类正确率显著升高。基于多区域字母刺激学习训练范式揭示了体外培养神经元网络具有天生的熟悉度检测、学习和空间特异性识别能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中实验仪器及刺激方案;
图2为本发明实施例中对比学习前与学习后网络放电情况;
图3为本发明实施例中随机乱序刺激(RDS)可增强神经元学习能力;
图4为本发明实施例中神经元网络熟悉度检测及分类。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面从四个部分对本发明实施例中基于多电极阵列体外培养神经元网络的图像识别方法进行详细说明,四个部分包括:原代神经元提取与培养、实验方案、数据分析和实验结果。
1、原代细胞培养与优化
本发明实施例中使用的实验动物取自孕18天(E18)的Wistar大鼠。
取鼠:手术前对孕鼠施以水合氯醛麻醉,使用70%医用酒精对手术台操作台消毒。将孕鼠腹部朝上平铺在桌面上,在腹部以T型剖开,快速剥离并小心取出胎鼠,放入置于冰上的D-hanks溶液中,取出所需的胎鼠后,应尽快将其转移到超净台。
分离皮层神经元:在超净台环境中,使用4℃的D-hanks溶液保持组织活性。首先用眼科剪配合精细镊撕开头盖骨上附着的皮肤,小心地剪开胎鼠颅骨,向上挑起胎鼠头皮,避免损坏脑组织,影响后续提取完整的脑组织。随后使用镊子顺大脑腹面分离完整大脑。剥离左右皮层并放入冰镇的D-hanks缓冲液中。
解离皮层组织:为了将组织消化为单细胞,向放有组织的西林瓶中加入0.125%的胰蛋白酶,并置于37℃二氧化碳培养箱中酶解。每隔4分钟摇晃一次。10分钟后取出,加入4mL种植培养基终止消化。用200目筛网过滤,收集细胞悬液,并调整细胞浓度至1000-1500cells/μL,并使用胰蓝染料(SigmaAldrich)进行计数,确认细胞密度。
种植:取80-90μL细胞悬液接种于多聚赖氨酸预处理的生物芯片中,促进细胞与芯片粘附。随后将生物芯片在37℃二氧化碳培养箱中静置4小时,使细胞充分贴壁。4小时后更换维持培养基(Neurobasal+B27plus,双抗,1%Glutamax),以后每次使用该配方半量换液,每隔3天换液一次直到实验结束,细胞被放置在37℃的5%CO2和95%空气的湿润培养箱中。
本发明实施例中使用MAESTRO MEA系统,可进行长时间非侵入性地检测细胞状态及细胞电生理活动。该系统由多通道系统放大器和多通道系统数据采集卡组成,每个通道的信号在10kHz处进行采样。最大的优点通过软件可实时监测仪器内二氧化碳浓度和温度,同时在实验过程中细胞会密闭在仪器中,以避免培养基蒸发和防止渗透压的变化。
本发明实施例中选用6孔的Axion生物芯片,每个孔由59个TiN/SiN平面圆形电极(直径30μm,电极中心间距200μm),以8×8电极阵列排布在正方形网格中(如图1A),不包括边角。6个孔可单独给予刺激,也可同时选中其中几个或所有同时施加相同的刺激方案。如图1A所示,8*8布局排列的微电极阵列生物芯片,细胞黏附在芯片上。
本发明实施例中使用Axion Integrated Studio(AxIS)Navigator软件对数据进行在线监测和记录,如图1B和图1C所示,使用Axls软件呈现出单孔神经元放电率的热图,colorbar的数值反应细胞放电强度,64个电极记录数据窗口,可以实时记录并显示细胞放电状态,以窗口的形式监测每个电极采集数据状态,实时观察采集的数据中是否含有尖峰信号和爆发,从而可确认记录数据的质量来反应细胞状态。此外,该软件还具有数据分析功能。
3、实验方案
刺激方法:将字母轮廓映射为多电极阵列刺激位点,对均分的四个区域顺序施加四个不同字母电刺激,未使用病毒转染法,保持了神经元原本的生物活性。
如图1D所示,左侧展示了原位和换位每个字母所在电极的对应区域及刺激电极位点,右侧展示了不同阶段的刺激方案,包含基准(Baseline)、随机乱序刺激(RDS)、学习(Learning)和测试(Testing)四个阶段。
S101:实验前,记录10min自发电数据,目的是待细胞达到平稳状态,为后续实验提供更好的条件。
S102:学习前测试,划分区域映射为字母刺激图案,具体地,依次对字母L、O、I、X进行测试,将电刺激施加对应字母所在区域的电极,刺激脉冲先负后正,400mV,脉宽200μs。每个字母测试5次,共进行20次测试。
S103:细胞静息后,进行随机乱序刺激10min,在随机挑选的电极上,给予500mV,200μs,先负后正方波脉冲,刺激间隔300ms,注意刺激不要在同一个电极中施行,保证将网络的同步性打散,使得网络达到均一化的效果。
S104:随机乱序刺激后记录10min自发电。
S105:调控神经元网络完成学习训练,以1Hz频率大小刺激神经元,每个循环包含10次刺激,共10s,结束后静息5秒进行下一循环刺激,刺激4个循环后,更换下一个刺激字母,每轮每个字母刺激40次,四个字母共刺激160次。一轮刺激结束后,记录5min自发电使得细胞处于休息状态,避免出现频繁刺激后细胞状态不佳的现象。重复上述过程8轮。学习过后,细胞休息30min进行测试。
S106:学习后测试阶段,测试阶段分两种刺激方式,一种是原位测试,另一种是换位测试,目的是检测神经元是否具有对熟悉刺激响应强烈,而对陌生刺激响应减弱的趋势,测试神经元具有熟悉度响应的功能,从而得出神经元具有学习和记忆的能力。
具体地,在测试开始前记录神经元细胞10min自发电数据。
字母原位测试,对4个字母按顺序对相应区域的电极施加刺激,每个字母10次测试,共40次刺激测试。
字母换位测试,对原来L位置区域施加O刺激,对O位置施加I刺激,对I位置施加X,对X位置施加L。每个字母刺激20次,共80次刺激测试,记录响应数据。
3、数据分析
本发明实施例中使用MATLAB和Python进行数据分析,同时使用AxlS软件自带的识别峰电位和爆发检测工具。
首先进行数据预处理,具体包括以下步骤:
S201、数据格式转化。
将数据导入软件中,转换为.spk格式,再导入NEX软件中,最终转换为.mat数据格式,为后续数据处理奠定了基础。
S202、识别峰电位(spike)。
采用高密度多电极阵列仪器记录的是神经元胞外的局部电位,导致采集到的电信号幅值较小,同时电刺激会给电极记录带来大量的噪声,峰电位与多噪声波形混合在一起。因此,利用spike幅值明显大于噪声的显著特征,从背景噪声中识别出spike,提取过程称为峰电位识别(spike detection)。
使用300~3000Hz带通滤波器对原始数据进行滤波,去除背景噪声,提高数据的信噪比。基于滤波后原始数据计算每个通道信号的标准差(SD),以5~6倍标准差作为该通道识别spike的阈值,当信号幅值超过该阈值保存该spike的时间点。设置一个适当的检测阈值对于准确识别峰电位至关重要。较低的阈值会增加假阳性的错误(小噪声事件被错误识别为峰值);较高的阈值可能无法检测到较小的振幅动作电位。
S203、识别爆发(burst)。
爆发是体外培养神经元网络另一种常见自发活动模式。基于每个通道识别spike序列检测该通道是否有爆发事件,一个爆发内的spike个数不少于10个;爆发内两个spike之间的最大间隔为100ms;从峰电位序列中提取找到每个爆发的第一个spike对应的时间,组成一个爆发事件序列(Burst Event Train-BE train)。当网络中多个通道同一时间产生了爆发,定义为网络的同步爆发事件。统计了爆发中包含的spike个数,爆发持续时间以及有多少个电极在同一时间产生了爆发事件。
在数据预处理之后进行数据分析,具体包括以下步骤:
S301、基于刺激时间点计算刺激后特定事件窗内spike个数,根据时间窗大小计算每个电极的平均放电率(AFR)。
S302、分类计算识别准确率。
利用神经元放电信号完成图像识别任务,由于不同字母对应的电极位置和区域不同,自然网络对于每个字母之间的响应情况也存在差异性,所以根据每次刺激后每个电极响应的spike个数作为图像分类的特征,组成一维64行向量,该特征既包含了时间信息又包含了空间信息,且差异性较大,是分类的理想特征。由于数据较少,所以选择了基于提取特征且适用于小数据集分类的SVM分类器。数据集采用7:3百分比进行分配,70%作为训练集,30%作为测试集。
S303、统计分析
本发明实施例中,分析的数据是从6个培养生物芯片获取的,应用Matlab和Python进行数据分析和计算,并采用统计学检验来评估实验条件之间的统计性差异。本发明实施例中以±表示均值与标准误差(SE),成对t检验检测两组数据的统计学差异,p<0.05被认为是显著的。使用Origin进行绘图,SPSS进行数据计算。
4、实验结果
为了测试皮层培养物的学习能力,对神经元学习前后单个通道及网络整体响应进行了比较。学习阶段每个字母刺激十次,共刺激四个循环。
如图2所示,图2A示出了挑选了四个通道学习前和学习后原始波形及检测到的spike光栅图;通过对比,学习后给予刺激较学习前产生了更多的尖峰信号个数,表明通过学习训练后网络对施加的刺激响应增强,改变了网络之间突触的连接关系,网络拓扑结构发生了变化,信号在网络中更容易传输,神经元具有了学习能力,对刺激的反应增强。图2B示出了对比4个字母前10min(Baseline)后15min(Testing)变化率;前10min为学习前变化率,后15min为学习后响应变化率,通过观察四个字母学习前后的变化率,明显看出学习后变化较学习前变化率显著增加,更能说明通过学习使得网络响应增强,改变了网络拓扑结构,使得网络随着学习时间的增加具有了可塑性。为了更确切地评估学习过程中对网络整体的影响,统计了学习前后网络整体的平均放电率。图2C示出了统计得到的学习前后在刺激时间前50ms和200ms网络平均放电率;可以明显看出学习前后网络平均放电率趋势一致,刺激前50ms网络平均放电率低于刺激后200ms的网络平均放电率,表明刺激会促进神经元兴奋,产生更强的电信号。通过横向对比学习前后的平均放电率,与上面结果一致,学习后网络的平均放电率比学习前显著增加,表明学习改变了网络的结构。除了观察由电刺激诱导的学习前后神经元放电响应情况,对学习前后神经元自发电也进行了对比,图2D示出了学习前后10s内64个电极自发电活动图;图2E示出了统计得到的学习前后爆发中包含尖峰信号的个数;图2F示出了爆发持续时间;图2G示出了爆发过程中参与的电极个数;学习后网络爆发次数增多,对爆发进行了统计,学习后爆发中包含的尖峰信号个数、爆发持续时间以及同时发生爆发事件的电极三个指标的数值较学习前显著增加,表明学习过程中多次刺激改变了突触连接关系,固化了网络通路,使得网络中由孤立神经元演变为多个神经元集群的小群体,彼此间具有同步放电模式,表明神经元在刺激过程中发生了学习。
由于同步网络爆发(SNBs)会降低神经元对刺激信息记忆的效能,所以为了减少SNBs的频数,本发明实施例中使用了一种随机点刺激方案(RDS),对随机挑选电极上的神经元施加电刺激,打散原有网络中突触之间固有的连接关系,使得网络中神经元几乎处于相同的状态,网络达到均一化效果。如图3所示,图3A示出了RDS前、中、后三个阶段网络放电光栅图,对比三幅图明显看出网络爆发依次减少,RDS刺激后更明显,表明该刺激方案确实可以有效地减少网络同步爆发的次数。为了探究RDS刺激方式可增强神经元学习效能。图3B为不给予网络RDS刺激,统计了四个字母Baseline和Testing两个阶段刺激后0-200ms内网络平均放电率,以折线图形式进行展示,黑色线代表Baseline,红色线代表Testing。基于平均放电率最大值绘制了右侧四个字母对应的Baseline和Testing阶段的最大平均放电率(Max-ART)。图3C为对网络施加RDS,分别统计RDS前Baseline过程和RDS后Testing过程每个字母200ms内网络平均放电率。基于放电率绘制了右侧两个阶段四个字母的最大平均放电率直方图。对比图3B和图3C两图,没有RDS的传统学习模式比RDS学习模式的平均放电率及最大平均放电率学习前后的变化趋势一致,但RDS学习模式在学习后网络平均放电率都较传统学习模式显著增加,四个字母的最大平均放电率变化幅度更大。证实了使用RDS刺激方案增加了神经元学习效能。
RDS预刺激后诱导了网络特异性长时程增强(LTP)。网络放电率的增加表明,神经元网络已经获得了对训练模式的熟悉度。基于该条理论依据,进行了字母原位刺激和换位刺激验证神经元网络通过学习训练后是否对熟悉的刺激模式具有更强的响应。如图4所示,图4A示出了四个字母对应不同区域不同电极刺激后64个电极响应图;图4B示出了原位刺激和换位刺激网络响应热图;图4C示出了施加RDS与没有RDS四个字母在Baseline和Testing两个阶段分类正确率。首先可视化了四种字母刺激后网络整体的脉冲响应,每个字母在单独的区域内刺激后网络整体间具有差异性。其次根据刺激模式的不同,在原本施加“L”的刺激模式区域更换为“O”刺激模式,发现原位刺激较换位刺激响应更强,网络整体放电率更大。由此得出结论,识别熟悉的复杂模式的能力是在体外维持的神经元网络的一种突发性和内在的属性,熟悉的模式分布在网络中的许多通道中表现出放电率增加,这意味着网络具有熟悉度检测的特性。
分别用传统学习模式和RDS学习模式学习过程中刺激诱发后的500ms内网络响应的尖峰信号个数作为训练SVM分类器的训练集,学习前和学习后的数据作为测试集来识别由这四种复杂模式引起的网络响应。结果表明,在RDS学习范式后,四种字母的分类准确率较传统模式显著升高,表明网络活动模式的相似性更高。
由此可以得出以下结论:
通过对神经元施加固定模式的刺激进行学习训练,可视化四个字母学习前后的放电率,明显看出学习后变化较学习前变化率显著增加,更能说明通过学习使得网络响应增强,改变了神经元突触连接关系和网络拓扑结构,固化了神经元通路,使得网络随着学习时间的增加具有了可塑性。此外,采用RDS抵消自发发生的SNBs,成功地诱导了模式特异性熟悉度,这一观察结果与先前文献报道结果吻合,体外神经元网络可以熟悉复杂的特定模式,且分类准确率升高,表明RDS增强了神经元网络学习效能。
本发明实施例中,采用该刺激方式结合随机点刺激抑制同步网络爆发,学习训练后神经元网络对四种字母的分类准确率均提升,表明神经元网络具有学习能力和空间特异性辨别能力。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种基于多电极阵列体外培养神经元网络的图像识别方法,其特征在于,所述方法包括:
对生物体的原代神经元进行提取和体外培养,得到接种有神经元细胞的生物芯片;所述生物芯片有若干个孔,每个孔由多个TiN/SiN平面圆形电极以电极阵列的形式排布在网格中,通过所述孔能够给予黏附于所述生物芯片上的神经元细胞刺激;
将字母轮廓映射为多电极阵列刺激位点,对均分的四个区域顺序施加四个不同字母电刺激,调控神经元网络完成学习训练;
采用多通道生物信号采集系统记录所有通道的放电响应;
获取待识别的图像数据;
对所述放电响应进行数据处理和分析,得到图像分类特征矩阵;
利用支持向量机对所述图像分类特征矩阵进行分类,识别出所述图像。
2.根据权利要求1所述的基于多电极阵列体外培养神经元网络的图像识别方法,其特征在于,还包括:学习训练前使用随机点刺激方法对神经元网络进行刺激。
3.根据权利要求1所述的基于多电极阵列体外培养神经元网络的图像识别方法,其特征在于,四个不同的字母为:L、O、I、X。
4.根据权利要求3所述的基于多电极阵列体外培养神经元网络的图像识别方法,其特征在于,学习训练完成后还包括:对神经元网络进行字母原位测试和字母换位测试;
所述字母原位测试,包括:对四个字母按顺序对相应区域的电极施加刺激;
所述字母换位测试,包括:对原来L位置区域施加O刺激,对O位置施加I刺激,对I位置施加X,对X位置施加L。
5.根据权利要求1所述的基于多电极阵列体外培养神经元网络的图像识别方法,其特征在于,对生物体的原代神经元进行提取和体外培养,包括:
从生物体分离皮层神经元;
对所述皮层神经元进行皮层组织解离,得到神经元细胞;
将所述神经元细胞接种于生物芯片中;
将生物芯片放置在预设温度的二氧化碳培养箱中预设时间;
每隔预设周期更换维持培养基。
6.根据权利要求1所述的基于多电极阵列体外培养神经元网络的图像识别方法,其特征在于,对所述放电响应进行数据处理和分析,得到图像分类特征矩阵,包括:
导出记录的数据,并进行数据格式转化;
检测峰电位,识别峰值的时间和位置;
检测神经元爆发,并统计爆发中包含的峰电位个数,爆发持续时间以及有多少个电极在同一时间产生了爆发事件;
将每次刺激后每个电极响应的峰电位作为图像分类的特征,得到图像分类特征矩阵。
7.根据权利要求6所述的基于多电极阵列体外培养神经元网络的图像识别方法,其特征在于,还包括:
基于刺激时间点计算刺激后特定事件窗内峰电位个数,根据时间窗大小计算每个电极的平均放电率;
基于所述平均放电率进行分析,评估学习训练过程对神经网络的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211449802.1A CN115810138B (zh) | 2022-11-18 | 2022-11-18 | 基于多电极阵列体外培养神经元网络的图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211449802.1A CN115810138B (zh) | 2022-11-18 | 2022-11-18 | 基于多电极阵列体外培养神经元网络的图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115810138A true CN115810138A (zh) | 2023-03-17 |
CN115810138B CN115810138B (zh) | 2024-07-23 |
Family
ID=85483537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211449802.1A Active CN115810138B (zh) | 2022-11-18 | 2022-11-18 | 基于多电极阵列体外培养神经元网络的图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115810138B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150004077A1 (en) * | 2011-12-09 | 2015-01-01 | President And Fellows Of Harvard College | Integrated human organ-on-chip microphysiological systems |
WO2015135894A1 (de) * | 2014-03-11 | 2015-09-17 | NeuroProof GmbH | Verfahren zum testen neuroaktiver substanzen |
WO2017144452A1 (en) * | 2016-02-25 | 2017-08-31 | Fondazione Istituto Italiano Di Tecnologia | A neuronal cell culture substrate and in vitro methods of using thereof |
CN107405101A (zh) * | 2015-03-02 | 2017-11-28 | 迈恩德玛泽股份有限公司 | 大脑活动测量和反馈系统 |
CN109165731A (zh) * | 2018-08-09 | 2019-01-08 | 清华大学 | 电子神经网络及其参数设置方法 |
CN110210563A (zh) * | 2019-06-04 | 2019-09-06 | 北京大学 | 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法 |
CN110659666A (zh) * | 2019-08-06 | 2020-01-07 | 广东工业大学 | 一种基于相互作用的多层脉冲神经网络的图像分类方法 |
WO2020049182A1 (en) * | 2018-09-08 | 2020-03-12 | Alpvision S.A. | Cognitive computing methods and systems based on biological neural networks |
CN111329474A (zh) * | 2020-03-04 | 2020-06-26 | 西安电子科技大学 | 基于深度学习的脑电身份识别方法、系统及信息更新方法 |
CN114548385A (zh) * | 2020-11-11 | 2022-05-27 | 三星电子株式会社 | 映射自然神经网络的方法和电子神经网络装置 |
-
2022
- 2022-11-18 CN CN202211449802.1A patent/CN115810138B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150004077A1 (en) * | 2011-12-09 | 2015-01-01 | President And Fellows Of Harvard College | Integrated human organ-on-chip microphysiological systems |
WO2015135894A1 (de) * | 2014-03-11 | 2015-09-17 | NeuroProof GmbH | Verfahren zum testen neuroaktiver substanzen |
CN107405101A (zh) * | 2015-03-02 | 2017-11-28 | 迈恩德玛泽股份有限公司 | 大脑活动测量和反馈系统 |
WO2017144452A1 (en) * | 2016-02-25 | 2017-08-31 | Fondazione Istituto Italiano Di Tecnologia | A neuronal cell culture substrate and in vitro methods of using thereof |
CN109165731A (zh) * | 2018-08-09 | 2019-01-08 | 清华大学 | 电子神经网络及其参数设置方法 |
WO2020049182A1 (en) * | 2018-09-08 | 2020-03-12 | Alpvision S.A. | Cognitive computing methods and systems based on biological neural networks |
CN110210563A (zh) * | 2019-06-04 | 2019-09-06 | 北京大学 | 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法 |
CN110659666A (zh) * | 2019-08-06 | 2020-01-07 | 广东工业大学 | 一种基于相互作用的多层脉冲神经网络的图像分类方法 |
CN111329474A (zh) * | 2020-03-04 | 2020-06-26 | 西安电子科技大学 | 基于深度学习的脑电身份识别方法、系统及信息更新方法 |
CN114548385A (zh) * | 2020-11-11 | 2022-05-27 | 三星电子株式会社 | 映射自然神经网络的方法和电子神经网络装置 |
Non-Patent Citations (3)
Title |
---|
MIGHTEN C. YIP 等: "Deep learning-based real-time detection of neurons in brain slices for in vitro physiology", 《NATURE》, 16 March 2021 (2021-03-16), pages 1 - 9 * |
XIAOYU ZHANG 等: "Familiarity Detection and Memory Consolidation in Cortical Assemblies", 《ENEURO》, vol. 7, no. 3, 2 March 2020 (2020-03-02), pages 1 - 19 * |
李向宁 等: "多电极阵列上长时间培养神经元网络的发育变化", 《自然科学进展》, vol. 16, no. 8, 31 August 2006 (2006-08-31), pages 953 - 958 * |
Also Published As
Publication number | Publication date |
---|---|
CN115810138B (zh) | 2024-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105496404B (zh) | 基于脑机接口辅助crs-r量表听觉惊吓的评估方法 | |
Bologna et al. | Low-frequency stimulation enhances burst activity in cortical cultures during development | |
CN106805945B (zh) | 一种少数通道的脑电信号中肌电伪迹的消除方法 | |
Chen et al. | Detection of bursts in neuronal spike trains by the mean inter-spike interval method | |
Nick et al. | DrCell—a software tool for the analysis of cell signals recorded with extracellular microelectrodes | |
CN106175757B (zh) | 基于脑电波的行为决策预测系统 | |
CN106510702B (zh) | 基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统及方法 | |
CN115810138B (zh) | 基于多电极阵列体外培养神经元网络的图像识别方法 | |
Ortman et al. | Input separability in living liquid state machines | |
RU2553947C2 (ru) | Способ обучения биологической нейронной сети культуры, выращенной на мультиэлектродной матрице | |
CN107510451A (zh) | 一种基于脑干听觉诱发电位的音高感知能力客观评估方法 | |
Millecchia et al. | Automatic nerve impulse identification and separation | |
Yuan et al. | Cortical neural responses to previous trial outcome during learning of a directional choice task | |
CN115906960B (zh) | 基于生物学习神经网络的声音识别方法 | |
RU2637391C1 (ru) | Способ обучения биологической нейронной сети (в эксперименте) | |
Madhavan et al. | Multi-site stimulation quiets network-wide spontaneous bursts and enhances functional plasticity in cultured cortical networks | |
Hottowy et al. | 512-electrode MEA system for spatio-temporal distributed stimulation and recording of neural activity | |
CN115281692A (zh) | 一种闭环自适应经颅电刺激装置和方法 | |
Bruzzone et al. | Interfacing in silico and in vitro neuronal networks | |
Madhavan et al. | Spontaneous bursts are better indicators of tetanus-induced plasticity than responses to probe stimuli | |
Chang et al. | Responses of midbrain auditory neurons to two different environmental sounds—A new approach on cross-sound modeling | |
Baker et al. | Long-Term Depression Learning in Spinal Cord Networks | |
Tessadori et al. | Encoding of stimuli in embodied neuronal networks | |
Pan et al. | First-spike rank order as a reliable indicator of burst initiation and its relation with early-to-fire neurons | |
DeMarse et al. | Computation within cultured neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |