Stabilus kvapo atpažinimas naudojant neuroadaptyvią elektroninę nosį | mokslinės ataskaitos

Stabilus kvapo atpažinimas naudojant neuroadaptyvią elektroninę nosį | mokslinės ataskaitos

Anonim

Dalykai

  • Skaičiavimo modeliai
  • Elektros ir elektronikos inžinerija

Anotacija

Jautrumas, selektyvumas ir stabilumas yra lemiamos jutiklių savybės. Cheminių dujų jutikliuose kvapo atpažinimą gali smarkiai pakenkti silpnas signalo stabilumas, ypač realiame gyvenime, kai jutikliai kintamomis išorės sąlygomis patiria nenuspėjamą kvapų seką. Nors uoslės receptorių neuronai nosyje susiduria su panašiomis stimulų sekomis taip pat besikeičiančiomis sąlygomis, kvapo atpažinimas yra labai stabilus ir kvapus galima patikimai atpažinti nepriklausomai nuo ankstesnio kvapo suvokimo. Mes postuluojame, kad tinkamas išankstinis cheminių jutiklių išvesties signalų apdorojimas iš esmės prisideda prie kvapo atpažinimo stabilumo, nepaisant ryškaus jutiklio nestabilumo. Šiai hipotezei ištirti naudojame adaptyvų, neprižiūrimą nervų tinklą, įkvėptą uoslės lemputės glomerulų įvesties grandinės. Iš esmės modelis sumažina jutiklių nestabilumo poveikį, naudodamas juos adaptyviu daugiakomponenčio judėjimo pirmyn slopinimu. Mes surinkome ir išanalizavome 4 × 4 dujų jutiklių matricos atsakymus į daugelį lakiųjų junginių, taikytų per 18 mėnesių, kai kiekvieno jutiklio mėginiai buvo imami epizodiškai. Tinklas suteikė puikų junginių identifikavimo stabilumą ir buvo akivaizdžiai pranašesnis už standartinius klasifikatorius, net kai vienas iš jutiklių rodė atsitiktinius svyravimus arba visai nustojo veikti.

Įvadas

Per pastaruosius du dešimtmečius elektroninių nosių plėtra ir veikimas daugeliu aspektų padarė didžiulę pažangą 1, 2 . Tačiau stebėtinai mažai pasikeitė cheminiai jutikliai. Daugeliu atvejų jų išėjimo signalai vis dar yra labai nestabilūs, ypač kai dirgikliai pateikiami retai, su pertrūkiais su kitais ir ilgą laiką 3 . Davikliai šiuo metu yra naudojami kaip atvirojo ciklo sistemos, kurių metu jų paviršiuje vykstanti sąveika paverčiama skaitymo signalu. Elektronikos požiūriu dujoms jautrūs rezistoriai, tokie kaip metalo oksido puslaidininkiai, yra paprasti įtaisai, tačiau jie gali parodyti gana sudėtingą elgesį. Daugelio dirgiklių atveju individualūs jutiklių matricos jutikliai parodo kvapo selektyvumo spektrus ir, be to, jų išeiga labai priklauso nuo daugelio papildomų parametrų, tokių kaip dalinis deguonies slėgis paviršiuje, vietinė paviršiaus temperatūra ir tuo pat metu vykstantys trukdžiai. molekulės, tokios kaip vanduo ir (arba) oksiduojantys ar redukuojantys junginiai 4 . Kai kuriuos iš šių parametrų sunku kontroliuoti net laboratorijoje, o daugelio jų neįmanoma kontroliuoti realiame gyvenime. Net tais atvejais, kai buvo žinomos tokių klaidų šaltinių priežastys, bus sunku, jei neįmanoma, numatyti jų atsiradimą laiku ir intensyvumą.

Panašios problemos žinomos ir uoslės receptorių neuronuose (ORN) 5, 6, ir būtent ši paralelė pasiūlė strategiją, kaip kovoti su jutiklių signalų nestabilumu ir neatkuriamumu 7, 8 . Be to, kad bandėme patobulinti jutiklius ar jų naudojimą, siekėme kompensuoti jutiklių svyravimus naudodami atitinkamą adaptyvųjį neuroninį tinklą.

Tarp cheminių jutiklių ir ORN 9, 10 yra keletas pastebimų paralelių. Priešingai nei visi kiti neuronai, ORN veikia tiesiogiai kūno aplinkoje, nes jų žievės išsikiša į uoslės epitelio gleives 5 . Tai gali būti viena priežasčių, kodėl jie nuolat keičiami. Taip pat žinoma, kad ORN rodo jų stimuliavimo reakcijų svyravimus, kai pakartotinai pateikiami su tuo pačiu stimulu 11 . Atsakymai į dirgiklius, kurie su pertraukomis pateikiami per daugelį valandų, iki šiol nebuvo išmatuoti, o įrašyti žymiai ilgesnį laiką neįmanoma, nes ląstelės miršta po kelių savaičių, jos yra pakeičiamos, o naujagimio ORN yra perjungiamos į kitą stadiją. signalo apdorojimas, ty uoslės lemputės glomerulai 12 . Todėl reikia atkurti specifinius ryšius, kurie turėtų būti dar vienas svyravimo šaltinis.

Nepaisant sudėtingos dinamikos atskirų receptorių stadijoje, ORN ansamblis , nors ir nuolatos atsinaujinantis ir jungiantis prie uoslės lemputės, atrodo, kad jis suteikia patikimą uoslės suvokimą. Išmoktus kvapus galima atpažinti po labai ilgo laiko tarpo, esant labai ištikimam, ir gyvūnams, turintiems sunkių uoslės pažeidimų (pvz., Pašalinus 20% vieno tipo genetiškai apibrėžtų uoslės receptorių neuronų), jie išlaiko puikų sugebėjimą tiksliai atpažinti ir atskirti kvapias molekules. 13, 14 .

Šis tyrimas apima keletą uoslės sistemos ypatybių. Pirma, mes naudojame 4 × 4 - jutiklių matricą, susidedančią iš keturių jutiklių klasių ir keturių kiekvienos klasės jutiklių, atitinkančių keturias ORN klases ir keturis langelius kiekvienoje klasėje. Antra, mes imituojame ORN jungtį su uoslės lempute, naudodamiesi adaptyviu kelių skyrių glomerulų modeliu, kuriame atsižvelgiama į netiesinį slopinimą tarp periglomerulinių ląstelių ir mitralinių ląstelių 15 . Trečia, mes bandėme priartėti prie natūralių kvapų taikymo schemų. Po to, kai glomerulų tinklas buvo išmokytas naudoti šiame tyrime naudojamas dujas, jos buvo pateiktos per ilgą laiką (18 mėnesių) atsitiktine tvarka ir keletą kartų naudojant keletą kartų po pertraukų, per kurias kitos dujos arba jokių dirgiklių nebuvo visi buvo išmatuoti. Galiausiai mes ištyrėme, kaip tinklas reagavo į jutiklio gedimus, ypač į atsitiktinį įėjimą arba bendrą jutiklio išmetimą.

Norėdami įvertinti adaptacinio tinklo kvapų diskriminavimo charakteristikas, tinklo išvestį suskirstėme pagal dalinę mažiausių kvadratų diskriminacinę analizę (PLS-DA) 16 ir palyginome rezultatus su tiesioginiu jutiklių masyvo išvesties PLS-DA įvertinimu.

Mūsų rezultatai rodo, kad adaptyvus kelių skyrių tinklas, imituojantis periglomerulinių ląstelių ypatybes, gali iš esmės kompensuoti jutiklio signalo svyravimus ir taip žymiai pagerinti dirgiklio atpažinimą elektroninėje nosyje.

Rezultatai

Penkiems lakiesiems organiniams junginiams (LOJ, 1A pav., Metodai) aptikti buvo naudojamas 4 × 4 cheminių jutiklių rinkinys. Jutiklio signalai buvo perduoti į bioįkvėptą tinklą, kurio išėjimas buvo analizuojamas naudojant standartinį klasifikavimo algoritmą PLS-DA (1B pav., Viršuje). Bendras tinklo / PLS-DA veikimas buvo lyginamas su tų pačių signalų analize tik PLS-DA algoritmu (1B pav., Žemiau). Stimulo taikymo epizodų ilgis skyrėsi nuo dirgiklio iki stimulo (1 pav.).

Image

A ) 4 × 4 cheminių jutiklių masyvas. Keturios jutiklių klasės ir 4 jutikliai kiekvienoje jutiklių klasėje. B ) 16 jutiklių išėjimų šabloninis vektorius nuo r 1 iki r 16 yra paduodamas nervų tinkle (viršutinė šaka) ir analizuojamas PLS-DA algoritmu. Palyginimui tie patys duomenys analizuojami be tinklo (apatinė šaka). C ) Vienos jutiklio klasės reakcijos į penkis kvapiklius pavyzdys. Viršutinė plokštė, taikomų stimulų seka. Tolesniuose skyriuose apžvelgiama keturių vienos klasės jutiklių reakcija į penkis dirgiklius, vidurkis brėžiamas paryškintai. Atkreipkite dėmesį į matomus šuolius po kai kurių stimulų pokyčių. D ) Jutiklio matricos atsako vektoriaus koreliacijos matrica mokymo etape.

Visas dydis

Cheminių jutiklių matricos išvestis

Vienos iš jutiklių klasių reakcija į penkis naudojamus dirgiklius parodyta 1 pav. C, kur keturi jutiklio signalai (taškiniai) buvo nubraižyti kartu su kiekvieno stimulo vidurkiu (kietu). Pavyzdžiui, acetonas (dirgiklis Nr. 3) ir etanolis (stimulus Nr. 5) buvo naudojami atitinkamai dviem ir keturiems epizodams. Tarp epizodų spragų buvo taikomi kiti dirgikliai.

Atskirų jutiklių signalų laiko tėkmei būdingi dideli svyravimai, daugiausia dreifas ir šuoliai, tiek epizodų viduje, tiek tarp jų, kai atskiri jutikliai elgėsi panašiai. Atitinkami visų jutiklių klasių duomenys yra pateikti priede. 2 pav.

Atsižvelgiant į koreliuojamus svyravimus, 16 jutiklių išėjimo kanalų koreliacijos matrica rodo ne tik numatomas aukštas tos pačios klasės jutiklių reikšmes, bet ir žymimas koreliacijas tarp skirtingų klasių jutiklių. Visų pirma, 2 klasė, 4 klasė ir, nors mažesniu mastu, 3 klasė yra labai susijusios (1 pav. D). Taigi atrodo, kad šiame tyrime naudojama jutiklių masyvas nėra idealus penkiems junginiams atskirti.

Faktiškai, pritaikius PCA jutiklio išėjimams (3 pav., 3 pav.), Paaiškėjo tik amoniakas, kuris aiškiai skiriasi nuo kitų junginių, tuo tarpu pirmieji du pagrindiniai kitų dirgiklių komponentai aiškiai sutampa. Taigi nebuvo netikėta, kad jutiklio signalų PLS-DA sukūrė gana nevienalytę painiavos matricą (2 pav. B) su didelėmis klaidomis, padarytomis junginyje Nr. 3 (38, 7%) ir Nr. 4 (37%). Taigi 82% teisingo klasifikavimo rodiklis buvo nepatenkinamas ne tik dėl paties skaičiaus, bet ir dėl to, kad jį lėmė labai skirtingi klasifikavimo rodikliai.

Image

A ) Parodyta pirmoji mitralinė ląstelė, sujungta su pirmosios klasės jutiklio išvesties signalais, ty r 1, r 2, r 3, r 4, naudojant svorius c 1j . Tie patys išėjimai sužadina pirmąją periglomerulinę (PG) ląstelę per d 1ki svorį . PG ląstelė gavo papildomų įėjimų iš visų kitų jutiklių klasių. Kiekvienas PG ląstelės įėjimas gali slopinti mitralinių ląstelių įvesties šakas. B ) Sumišimo matrica, gauta vien dėl PLS-DA (bandymo fazė). C ) Sumišimo matrica, gauta iš adaptacinio tinklo su paskesniu PLS-DA po šimto modeliavimo (bandymo fazė).

Visas dydis

Mes manėme, kad jutiklių signalų vidurkinimas kiekvienoje klasėje prieš PLS-DA gali pagerinti analizę, tačiau paaiškėjo priešingai. Kai kiekvienos jutiklių klasės keturių jutiklių signalų vidurkiai buvo įvesti į PLS-DA, rezultatas buvo arba tobulas atpažinimas (junginys Nr. 1, Nr. 2 ir Nr. 4), visiškas gedimas (junginys Nr. 3) arba artimas tikimybė (5 junginys, 2B pav.). Jutiklių signalų vidurkinimas prieš PLS-DA nebuvo naudingas, daugiausia dėl to, kad vidurkinimas neišlygina koreliuotų svyravimų.

Todėl, siekiant pagerinti klasifikavimo rodiklius, buvo perspektyviau neutralizuoti šuolių ir dreifo padarinius, naudojant pačius koreliuojamus signalus. Preliminariuose bandymuose buvo siūloma pritaikyti neuronų tinklą, kuris iš esmės moduliuoja atskirų įvestų poveikį kaip visų įėjimų funkciją 15 .

Adaptyvusis neuronų tinklas

Prieš pritaikydami PLS-DA klasifikatorių, jutiklio išvestis į neuronų tinklą mes pritaikėme savarankiškai prisitaikantiems svoriams (1B pav., 2A pav., Metodai). Tiksliau, mes prijungėme keturis i-osios jutiklių klasės išėjimus prie i-ojo MC, tuo tarpu susijusiai i-ajai PG ląstelei buvo leista priimti įvestį iš visų jutiklių (2A pav.). Pradinis sujungimas buvo atsitiktinis, o mokymosi parametrai buvo paimti iš originalaus darbo 15 . Šiomis sąlygomis vidutinis teisingų klasifikacijų procentas, apskaičiuotas iš šimto bandymų, naudojant skirtingas pradines sąlygas, buvo maždaug 90%, o, svarbiausia, tikslumas buvo puikus, o klasifikavimo paklaida vienam dirgikliui dažniausiai buvo 1% ar mažesnė, nes parodyta atitinkamoje painiavos matricoje (2 pav. C). Taigi ne tik išankstinis apdorojimas adaptyviu tinklu pagerino teisingą klasifikavimo greitį, bet ir kiekvienas stimulas buvo patikimai klasifikuojamas labai tiksliai (2B pav., C).

Jutiklio gedimų kompensavimas

Dėl išorinių aplinkybių ir riboto gyvenimo laikotarpio kenksmingi cheminiai jutikliai, taip pat uoslės receptorių neuronai. Taigi buvo intriguojanti pamatyti, kaip tinklas reaguoja į atskirų jutiklių kaltę. Mes imitavome jutiklio gedimą ir vėlesnį jo atsiradimą, atitinkantį uoslės receptoriaus neurono mirtį ir regeneraciją. Buvo svarstomi du atvejai: visiškas funkcijos praradimas (jutiklio išvestis r = 0) arba atsitiktiniai svyravimai (atsitiktiniai r su vidurkiu 0, 5).

3A pav. Pateiktas bandymas parodo jutiklio gedimo poveikį jungčiai (sinapsiniam stiprumui c ij ) paveiktoje mitralinėje ląstelėje. Jis arba nukrenta, pirmiausia greitai, o po to labai lėtai, iki nulio, arba gedimo metu rodo didelius atsitiktinius svyravimus. Nepaisant šių dramatiškų vienos tinklo įvesties pokyčių, paveikto glomerulų vieneto išėjimas atidžiai stebėjo kontrolinį pėdsaką (3 pav. B), nors ir mažesnėmis amplitudėmis (raudona) arba atsitiktiniu triukšmu (žalia). Prijungę tinkamą jutiklio išėjimą prie pirminio procesoriaus, MC išėjimai greitai suartėjo su laiku, kurio prireikė be kaltės (3B pav.).

Image

Manoma, kad pirmosios bandymo klasės 4 -asis jutiklis, ty r 4, sugenda tarp mėginio indekso 400 ir 520. Raudonos ir žalios spalvos pėdsakai reiškia bendrą kritimą (raudoną) ir atsitiktinai svyruojantį jutiklį. atitinkamai išvestis r 4, o mėlynas žymėjimas parodo elgesį be kaltės. A ) Sinapsinio svorio c 14 sumažėjimas tarp 1 -ojo klasės 4 -ojo jutiklio ir pirmosios mitralinės ląstelės (raudona) arba atsitiktiniai c 14 (žalios) svyravimai. B ) Atitinkamas MC Nr. 1 išėjimas. C ) Pirmojo glomerulo sistemos kintamieji ilgesniam gedimo laikotarpiui. Sugedus r 4, d 14 elgiasi panašiai kaip c 14 (A). Paveikta MC atšaka, neturinti įėjimo, nedelsdama seka jutiklio įvestį. Kitos MC atšakos, tokios kaip m 21, kurias paprastai slopina PG ląstelė per r4, dabar yra užblokuotos ir sustiprina įvesties jungtį c 12 .

Visas dydis

3C pav. Apibendrintas viso jutiklio iškritimo poveikis. Kairiajame skydelyje viduryje rodomi 1 -ojo jutiklio klasės 4 -ojo jutiklio, r4, atsakai kartu su dirgiklio įvesties modeliu. Tikimasi, kad r 4 skirtingai reaguoja į paskesnius dirgiklius. Tam tikru metu (mėginio indeksas: 400) įvestis nustatoma į nulį (raudona). Tiesioginės pasekmės yra (i), kad atitinkamos postsinapsinės MC atšakos (m 14 ) potencialas išnyksta (viršutinis dešinysis skydas), o ii) c 14 (3A pav.) Ir d 14 (viršutinis vidurinis skydas) linkę į nulį būdingu būdu, pirmiausia greitai ir paskui daug lėčiau dėl netiesinio mokymosi taisyklės (3 lygybė). Rezultatas yra paveiktų likusių MC įvesties slopinimas. Pvz., Dėl gedimo trūksta slopinimo, kurį paprastai daro m 4 m 12, dėl kurio padidėja m 12 (apatinė dešinė) ir vėliau sustiprėja c 12 jungtis (apatinė kairė). Be to, r 4 išmetimas gali užkirsti kelią kitiems MC, jei jie prijungti prie jų PG ląstelių.

Jutiklio gedimo įtaka tinklo išėjimui taip pat priklausė nuo to, kuris jutiklis tiksliai buvo sugedęs ir kaip jis buvo prijungtas prie tinklo. 4 pav. Parodytos teisingos tiesioginio PLS-DA (pilkos spalvos) ir adaptyviojo tinklo bei plius PLS-DA (spalvos) klasifikacijos normos, pirma, visiškai praradus jutiklio funkciją (4 pav.), Antra, - vieno atsitiktinio jutiklio signalo atvejis (4B pav.). Nors klaidos metu teisingi klasifikavimo koeficientai sumažėjo, adaptyvusis tinklas visada veikė geriau nei atskirai naudojant PLS-DA. Daugeliu atvejų jo veikimas buvo artimas kontrolinio klasifikavimo veikimui arba jo nesiskyrė, kai visi jutikliai buvo nepažeisti (atitinkamai, 4 pav., Spalvotos arba pilkos linijos).

Image

A ) Teisingas klasifikavimas naudojant adaptyvųjį tinklą (raudonas) arba be adaptacinio tinklo (pilkas) priklausomai nuo to, kuris jutiklis tiksliai kaltas. Raudonos ir pilkos horizontalios linijos yra valdymo atvejai (ty be gedimų) ir parodo vidutinius teisingus klasifikavimo laipsnius, naudojant adaptyvųjį tinklą (raudona) arba be adaptacinio tinklo (pilka). B ) Tas pats, kaip ir punkte A, bet vienam atsitiktinai svyruojančiam jutiklio išėjimui. Atminkite, kad tais atvejais, kai sugedęs jutiklis sukelia daugiau triukšmo nei kiti jutikliai, tinklo-PLS-DA klasifikavimo laipsnis gali viršyti maksimalų.

Visas dydis

Diskusija

Mūsų supratimas apie kvapų diskriminacijos mechanizmus biologijoje paskatino kurti įvairius modelius ir algoritmus, kurie buvo taikomi daugelyje taikymo sričių 17, 18, 19 . Šiame darbe aprašyti eksperimentai skiriasi nuo šių tyrimų tuo, kad daugiausia dėmesio skiriama įvesties nestabilumo kompensavimui, atsižvelgiant į keletą uoslės sistemos ypatybių. Pirmiausia, uoslės receptorių neuronai skirstomi į klases, kurių kiekviena išreiškia tą patį uoslės receptorių 12 . Taigi mes pasirenkame 4 × 4 - jutiklių masyvą su keturiomis jutiklių klasėmis ir keturiais jutikliais kiekvienoje klasėje. Antra, tos pačios klasės uoslės receptorių neuronai suartėja su tuo pačiu glomerulu 12 . Taigi mes nustatėme, kad jungtys c ij turi būti lygios nuliui visoms kitoms ORN - MC projekcijoms (žr. Metodų 2 ekvivalento paaiškinimą). Trečia, ORN uoslės epitelyje nuolat atsinaujina ir virsta. Pagal analogiją mes leidome dinamiškai pritaikyti visus sinapsinius svorius ne tik pradiniame eksperimento etape. Galiausiai iš nedaugelio PG ląstelių tyrimų mes išskirėme du bendruosius vardiklius, ty PG ląstelės gauna įvestį iš ORN ir gali slopinti ORN įvedimą į MCs 20, kur, ko gero, anaksoninės PG ląstelės yra atsakingos už intraglomerulų slopinimą 21 . Nors jutiklių / receptorių neuronų slopinimas MC iš pirmo žvilgsnio gali būti panašus į jungiamosios matricos sukimąsi tarp ORN ir MC, mūsų tinklo PG ląstelių sąlygotas poveikis yra skirtingas. Pirma, jie yra tik slopinantys ir todėl neatitinka tiesinės matricos sukimosi. Antra, sinapsiniai svoriai mažėja netiesiniu ir savarankiškai organizuotu būdu, o tai gali efektyviau atkurti įvestis nei tiesinė operacija 22, 23, 24 . Galiausiai netiesiškumas gali būti svarbus mažiems sinapsiniams svoriams, kurie blogėja lėčiau nei tiesiniu atveju, todėl keičiantis aplinkai gali lengviau atsigauti 15 .

Palyginti su kitais modeliais, didelis mūsų adaptacinio modelio parametrų skaičius gali būti vertinamas kaip trūkumas, tačiau panašu, kad ORN specifinis MC įvesties šakų slopinimas PG ląstelėse yra ypač svarbus ir jo negalima sumažinti ar sujungti, jei įvesties svyravimai turi būti sušvelninti. Tame pačiame kontekste reikėjo tikėtis, kad jutiklių signalų vidurkinimas prieš klasifikuojant dirgiklius nebuvo naudingas. Vidutinis vidurkis žinomas tolygiai tik tada, kai nesusiję svyravimai, tuo tarpu ryškiausi cheminių jutiklių išėjimų svyravimai buvo koreliuojami.

Šiame tyrime stengėmės, kad mūsų sistemos sudėtingumas ir jos parametrų skaičius būtų kuo mažesnis. Todėl mes nusprendėme visus kvapiklius išbandyti vienoje koncentracijoje. Natūralesnėmis sąlygomis kvapiųjų medžiagų koncentracijos gali skirtis plačiame diapazone, todėl kai kuriais atvejais gali prireikti didesnės jutiklių masyvo. Koduojant koncentraciją, taip pat būtų įdomu išanalizuoti nuo laiko priklausančius atsako spektrus su komponentais priklausomais vėlavimais, atsirandančiais esant žemoms koncentracijoms 25, 26 . Tačiau ši analizė nepatenka į šio tyrimo aprėptį. Apibendrinant, atrodo, kad nereikalingas jutiklių ir MC konvergencija kartu su netiesiniu adaptyviu tinklu, formuojančiu ORN-MC ryšį, suteikia tinklo išvesties stabilumą, nepaisant dreifuojančių ir svyruojančių įėjimų. Taigi į abi ypatybes reikėtų atsižvelgti kuriant elektronines nosis. Be to, tinklo elgesys sugedusio jutiklio atveju leistų pakeisti sugedusius jutiklius skrydžio metu nenutraukiant vykdomų matavimų.

Metodai

Stimulų ir stimulų taikymas

Kaip dirgikliai buvo naudojami penki lakūs junginiai: amoniakas, acetaldehidas, acetonas, etilenas ir etanolis. Jie buvo atskirai sumaišyti su sintetinio oro srautu (santykinis oro drėgnis 10%) ir 90 sekundžių leidžiami į 225 ppm koncentraciją. Po kiekvieno matavimo sistema buvo valoma sintetiniu oru 200 s.

Prieš matavimus, tinklas buvo treniruojamas naudojant penkis dirgiklius, amoniaką, acetaldehidą, acetoną, etileną ir etanolį, atskirai ir greita, netaisyklinga seka, užrašant atsakus ir įpilant juos į tinklą. Per šį treniruočių laikotarpį penki dirgikliai buvo pritaikyti atitinkamai 40, 50, 20, 20 ir 20 kartų (1 pav., Kairėje). Po treniruočių daviklio matricos buvo tikrinamos išsamesniais to paties stimulo pakartotinių taikymo epizodų atvejais, kai epizodų skaičius, stimulų taikymo skaičius per epizodą ir stimulo rūšis kinta netaisyklingai (1 pav., 1 pav.). Tiksliau, laiko intervalai tarp epizodų svyravo nuo dviejų savaičių iki dviejų mėnesių, o epizodų matavimai pakaitomis su kitais eksperimentais. To paties stimulo pasikartojimų skaičius svyravo nuo 1 iki 201, o atskiri LOJ, išvardyti aukščiau, buvo naudojami 25, 60, 75, 188 ir 358 kartus.

Jutikliai ir jutiklių signalai

Panašiai kaip uoslės receptorių neuronų perteklius nosyje, mes panaudojome 4 × 4 jutiklio matricą, susidedančią iš keturių tipų ar klasių komercinių alavo oksido dujų jutiklių („Figaro Inc. 27“ ) ir keturių kiekvienos jutiklių klasės kopijų (serijos numeriai). iš keturių klasių buvo TGS2600, TGS2602, TGS2610, TGS2620). Informacija apie eksperimentinę sąranką buvo aprašyta anksčiau 28 . Trumpai tariant, jutikliai buvo dedami į 60 ml teflono / nerūdijančio plieno kamerą, nuosekliai sujungtą su garų tiekimo sistema, kurią valdė masės srauto valdikliai. Jutikliai buvo veikiami 200 ml / min. Srautu per visą eksperimento laiką ir buvo palaikomi 400 ° C temperatūroje, kuri yra gamintojo pasiūlyto darbinės temperatūros diapazono vidurys. Atsparumo skirtumas ∆R prieš kiekvieną stimulo ekspoziciją ir pabaigoje buvo laikomas išvesties signalu.

Šešiolika jutiklių signalų buvo tiesiogiai analizuojami naudojant PLS-DA algoritmą 16, arba buvo įpilti į adaptyvųjį kelių skyrių tinklą 15 (žr. Žemiau, 1B pav.). Abi jos buvo įdiegtos MATLAB (Mathworks).

Bio įkvėptas pirminio apdorojimo įrenginys

Čia pasirinktas nervų tinklas iš pradžių buvo sukurtas siekiant paaiškinti didelį informacijos pralaidumą per uoslės lemputės glomerulų sluoksnį 15 . Jis apima daugybę tariamų glomerulų apdorojimo ypatybių ir susideda iš dviejų rūšių vienetų, atitinkančių periglomerulines (PG) ir mitralines ląsteles (MC) (2A pav.). Mes manome, kad MC ir PG ląstelių skaičius yra lygus (L) ir apibrėžiame glomerulų vienetą, kurį sudaro (i) MC, (ii) PG ląstelė, (iii) į juos jungiančios įvesties sinapsės ir (iv) sinapsės tarp MC ir PG ląstelių. Kai naudojame 4 × 4 jutiklio matricą, atsižvelgiame į specialiuosius atvejus, kai L = 4. Mes toliau laikomės prielaidos 15, kad jutiklis signalus sujungia su dendritiniais MC ir PG ląstelių poskyriais per sujungimo koeficientus (ty sinapsinius stiprumus) c. ij ir d ik, atitinkamai. Tiksliau sakant, j-ojo jutiklio išvestis r j pirmiausia sukuria potencialą m ij i-ojo MC poskyryje. Taip pat k-ojo jutiklio išvestis r k generuoja potencialą p ik i-ojo PG elemento k-ame poskyryje. Be to, mes atsižvelgiame į tai, kad vietiniai PG potencialai p ik gali slopinti MC skyrius per koeficientus f ijk (slopinamieji sinapsiniai stiprumai), todėl gaunamos šios lygtys MC ir PG ląstelių dendritiniams poskyriams:

Image

Image

Taigi i-ojo MC išėjimo signalas yra

Image

Jutiklio signalai indeksuojami dviem rodikliais, j ir k, kad k-asis jutiklio signalas, išsikišantis į PG elementą, galėtų slopinti j-ojo jutiklio elemento poveikį. Bendras slopinimas kiekvienoje dendritinėje MC šakoje yra modeliuojamas kaip kelių slopinimo sąlygų sandauga. Atitinkamai tinklas gali užtikrinti stiprų slopinimą per vidutines f ijk ir p ik reikšmes. Čia įdomu pastebėti, kad slopinimas MC ląstelės atšakoje nepriklauso nuo to, ar slopinimas, ty skliausteliuko faktorius ekvivalentais. 2, veikia prieš sinaptiką (ant r) arba po sinaptiką (ant c).

Suaugusiųjų uoslės sistemai yra visuotinai priimta, kad tos pačios klasės neuronai receptoriai išsiskleidžia į tą patį glomerulą. Mes atsižvelgiame į šį konvergencijos modelį, sujungdami keturis pirmosios jutiklio klasės replikų signalus prie pirmojo glomerulų mazgo, antrus keturis signalus prie antrojo glomerulų bloko ir tt, ir nustatome visus kitus cij nuliui, ty cij = 0 j> 4, 2A pav.). Kartu paėmus, rodyklė i rodo tiek i-ąjį jutiklio klasę, tiek i-ąjį glomerulų bloką ir i-ąjį MC / PG ląstelių kompleksą. Indeksas j žymi jutiklio klasės j-ąjį replikos signalą ir j-ojo įėjimo šaką MC, į kurią jis projektuojamas. Indeksas k yra nuo 1 iki 16 ir rodo jutiklio signalą, kuris išsikiša į PG elementą.

Adaptaciją, kurią tinklas patiria per visą eksperimento laiką, kontroliuoja šios sinapsinių svorių c ij ir d ik taisyklės:

Image

Koeficientai γ a, γ b, δ a, δ b nusako sinapsinio mokymosi greitį. Visuose modeliavimuose mes pasirinkome šias reikšmes: γ a = 5 * 10 –0, 7, γ b = 10 –0, 7, δ a = 10 –0, 6, δ b = 5 * 10 –0, 6 . Šis modelis įgyvendina „lokalią“ ir netiesinę Hebio taisyklės versiją tuo, kad sinaptinių svorių c ij ir d ij dinamika priklauso nuo MC ir PG ląstelių mikrošakų vietinių dendritinių potencialų, o ne nuo ląstelių išvesties m i. arba p i . Tokiu būdu taisyklė paprastai nereiškia, kad vienos sąnaudos yra koreliuojamos su kitomis.

Eksperimento pradžioje sinaptinio svorio vertės tarp jutiklių ir MC (c ij ) ir jutiklių bei PG ląstelių (d ik ) buvo atsitiktinai inicializuotos (0, 1) ir kiekvienas MC vienetas gavo įvestį iš vienos klasės jutiklio., tik. Priešingai, PG ląstelės galėjo gauti įvestį iš bet kokio tipo įvesties. Pradiniai slopinamieji ryšiai tarp periglomerulinių ir mitralinių ląstelių (f ijk ) buvo atsitiktinai parinkti iš (0, 0, 1) ir po to atsitiktinai įvertinti pagal 0 arba 1, ty ar egzistavo slopinamasis ryšys tarp konkretaus PG ir konkrečios mitralinės ląstelės. laikoma atsitiktine.

Papildoma informacija

Kaip pacituoti šį straipsnį : Martinelli, E. et al . Stabilus kvapo atpažinimas, pritaikytas neuroadaptyvine elektronine nosimi. Mokslas. Atstovas 5, 10960; „doi“: 10.1038 / srep10960 (2015).

Papildoma informacija

„Word“ dokumentai

  1. 1.

    Papildoma informacija

Komentarai

Pateikdami komentarą jūs sutinkate laikytis mūsų taisyklių ir bendruomenės gairių. Jei pastebite ką nors įžeidžiančio ar neatitinkančio mūsų taisyklių ar gairių, pažymėkite, kad tai netinkama.