Hispanopedia Wiki
Articulo de referencia

AnimatLab

Gennady Cymbalyuk James Reid Ying Zhu William J. Heitler Donald H. Edwards"},"programming language":{"wt":"[[C++]], [[VB.NET]]"},"latest release version":{"wt":"2.1.5"},"latest ...

Hispanopedia WikiContenido en espanolLectura gratuita

AnimatLab es una herramienta de simulación neuromecánica de código abierto [ 2 ] que permite a los autores construir y probar fácilmente modelos biomecánicos y las redes neuronales que los controlan para producir comportamientos. Los usuarios pueden construir modelos neuronales con distintos niveles de detalle, modelos mecánicos 3D de mallas triangulares y utilizar músculos, motores, campos receptivos, sensores de estiramiento y otros transductores para interconectar ambos sistemas. Se pueden realizar experimentos aplicando diversos estímulos y registrando datos, lo que la convierte en una herramienta útil para la neurociencia computacional . El software también se puede utilizar para modelar sistemas robóticos biomiméticos.

Motivación

La herramienta de simulación neuromecánica facilita la construcción y prueba de modelos biomecánicos y sus redes neuronales asociadas para la generación de comportamiento. Los usuarios pueden crear modelos neuronales con distintos niveles de detalle, modelos mecánicos 3D mediante mallas triangulares e incorporar músculos, motores, campos receptivos, sensores de estiramiento y otros transductores para conectar estos sistemas. Permite la realización de experimentos con diversos estímulos y el registro de datos, constituyendo un recurso esencial en la neurociencia computacional. Además, el software ofrece capacidades para el modelado de sistemas robóticos biomiméticos .

Historia

La aplicación se desarrolló inicialmente en la Universidad Estatal de Georgia con la subvención n.° 0641326 de la NSF . [ 3 ] La versión 1 de AnimatLab se lanzó en 2010. El trabajo en la aplicación continuó y una segunda versión se lanzó en junio de 2013.

Funcionalidad

AnimatLab permite a los usuarios crear modelos con diversos niveles de complejidad, gracias a una amplia gama de tipos de modelos disponibles. Las neuronas pueden instanciarse como modelos simples de tasa de disparo, modelos de integración y disparo , o modelos de Hodgkin-Huxley , con la flexibilidad de incorporar complementos para modelos neuronales adicionales. La actuación de las articulaciones se logra mediante músculos tipo Hill, motores o servomotores, mientras que los adaptadores conectan las neuronas y los actuadores para generar fuerzas. Los bucles de retroalimentación entre componentes mecánicos, como articulaciones, segmentos corporales y músculos, se establecen mediante adaptadores para informar al sistema de control. La plataforma admite la integración de diversos estímulos, incluyendo pinzas de voltaje, pinzas de corriente y pinzas de velocidad para las articulaciones, lo que permite el diseño de experimentos personalizados. Además, las completas capacidades de registro de datos permiten recopilar datos de diferentes componentes del sistema, presentados mediante visualización gráfica o exportados como archivos de valores separados por comas para un análisis sin interrupciones, todo dentro de una interfaz gráfica de usuario intuitiva.

Modelado neuronal

Se dispone de diversos modelos biológicos de neuronas . Entre ellos se encuentran el modelo de Hodgkin-Huxley , modelos de integración y disparo de uno y varios compartimentos , y diversos modelos abstractos de tasa de disparo. [ 4 ] Esta es una característica relevante, ya que el propósito del modelo y su complejidad determinan qué características del comportamiento neuronal son importantes para simular. [ 5 ]

La construcción de redes neuronales es gráfica: las neuronas se arrastran y sueltan en la red y se dibujan las sinapsis entre ellas. Al dibujar una sinapsis, el usuario especifica el tipo. Se pueden utilizar sinapsis químicas , tanto activas como estáticas, así como sinapsis eléctricas . Se dispone de mecanismos de aprendizaje a corto plazo (mediante facilitación ) y a largo plazo ( hebbianos ), lo que aumenta considerablemente la capacidad de los sistemas nerviosos construidos.

Modelado de cuerpos rígidos

Los segmentos corporales se modelan como cuerpos rígidos representados mediante mallas triangulares con densidad de masa uniforme. [ 4 ] Las mallas pueden seleccionarse de un conjunto de primitivas (cubo, elipsoide, cono, etc.) o importarse desde software de terceros como Maya o Blender . La física se simula con el motor Vortex . Los usuarios pueden especificar mallas gráficas y de colisión independientes para un cuerpo rígido, lo que reduce considerablemente el tiempo de simulación. Además, se pueden especificar las propiedades del material y la interacción entre materiales, lo que permite diferentes restituciones, coeficientes de fricción, etc., dentro de la simulación.

Modelado muscular

Para la actuación, se puede utilizar un modelo muscular tipo Hill modificado según Shadmehr y Wise [ 6 ] . Los músculos se controlan colocando un adaptador de voltaje-tensión entre una neurona motora y un músculo. Los músculos también poseen propiedades de rigidez y amortiguación, así como relaciones de longitud-tensión que rigen su comportamiento. Los músculos se pueden colocar para que actúen sobre los cuerpos de fijación muscular en la simulación mecánica, los cuales, a su vez, aplican la fuerza de tensión muscular a los demás cuerpos de la simulación.

Modelado sensorial

Se pueden colocar adaptadores para convertir mediciones de cuerpos rígidos en actividad neuronal, de forma similar a como se utilizan adaptadores de voltaje-tensión para activar los músculos. Estos pueden ser ángulos o velocidades articulares, fuerzas o aceleraciones de cuerpos rígidos, o estados conductuales (por ejemplo, hambre).

Además de estas entradas escalares, se pueden especificar campos de contacto en cuerpos rígidos, que luego proporcionan retroalimentación de presión al sistema. Esta funcionalidad se ha utilizado para la detección similar a la piel [ 4 ] y para detectar la carga en las piernas en estructuras de marcha. [ 7 ]

Tipos de estímulo

En la simulación, se pueden aplicar estímulos a objetos mecánicos y neuronales para la experimentación. Estos incluyen la limitación de corriente y voltaje , así como la limitación de velocidad para las articulaciones entre cuerpos rígidos.

Tipos de gráficos

Los datos pueden representarse mediante gráficos de líneas y superficies bidimensionales. Los gráficos de líneas son útiles para la mayoría de los tipos de datos, incluyendo la actividad neuronal y sináptica, así como la dinámica corporal y muscular. Los gráficos de superficie son útiles para representar la activación en campos de contacto. Ambos formatos pueden generarse como archivos de valores separados por comas (SVS) , lo que permite al usuario utilizar otros programas como MATLAB o Excel para el análisis cuantitativo.

Investigación realizada con AnimatLab.

Muchos proyectos académicos han utilizado AnimatLab para construir modelos neuromecánicos y explorar el comportamiento. Entre ellos se incluyen:

Referencias

  1. ↑ "AnimatLab > Descargar" . animatlab.com . Consultado el 25 de marzo de 2021 .
  2. ↑ "AnimatLab.com - Simulación neuromecánica y biomecánica" . www.animatlab.com . Consultado el 1 de abril de 2024 .
  3. ↑ "Premios de la Fundación Nacional de Ciencias" . 28 de enero de 2010. Consultado el 9 de noviembre de 2023 .
  4. 1 2 3 Cofer, DW; Cymbalyuk, G.; Reid, J.; Zhu, Y.; Heitler, W.; Edwards, DH (2010). "AnimatLab: Un entorno gráfico 3D para simulaciones neuromecánicas" . Journal of Neuroscience Methods . 187 (2): 280– 288. doi : 10.1016/j.jneumeth.2010.01.005 . PMID 20074588. S2CID 19398166 .  
  5. ↑ Izhikevich, EM (2004). "Qué modelo usar para neuronas de picos corticales". IEEE Transactions on Neural Networks . 15 (5): 1063– 70. Bibcode : 2004ITNN...15.1063I . doi : 10.1109/TNN.2004.832719 . PMID 15484883. S2CID 7354646 .  
  6. ↑ Shadmehr, Reza; Wise, Steven P. (28 de octubre de 2004), Neurobiología computacional del alcance y el señalamiento: una base para el aprendizaje motor , Serie de Neurociencia Computacional, Cambridge, Massachusetts: MIT Press, ISBN 978-0-262-19508-9
  7. 1 2 Szczecinski, NS Control neuromórfico masivamente distribuido para robots con patas modelado a partir de la marcha de los insectos. Tesis de maestría. Case Western Reserve University, 2013.
  8. ↑ Klishko A., Cofer DW, Edwards DH, Prilutsky B. Aceleración extremadamente alta de la pata durante el movimiento de la pata en el gato: un mecanismo revelado por simulaciones por computadora. Resumen de la reunión de la Sociedad Estadounidense de Física A38.00007; 2008a.
  9. ↑ Klishko A., Prilutsky B., Cofer DW, Cymbalyuk G., Edwards DH Interacción de CPG, reflejos espinales y propiedades de las extremidades posteriores en el movimiento de la pata del gato: un estudio de simulación por computadora. Neuroscience Meeting Planner Online, Programa No. 375.12. Society for Neuroscience; 2008b.
  10. ↑ Cofer, DW (2009). Análisis neuromecánico del salto de langosta (tesis doctoral). Disponible en la base de datos del archivo digital. (Artículo n.º 1056)
  11. ↑ Cofer, DW; Cymbalyuk, G.; Heitler, WJ; Edwards, DH (2010). "Simulación neuromecánica del salto de la langosta" . J Exp Biol . 2010 (213): 1060–1068 . Bibcode : 2010JExpB.213.1060C . doi : 10.1242/jeb.034678 . PMC 2837733. PMID 20228342 .  
  12. ↑ Cofer, DW; Cymbalyuk, G.; Heitler, WJ; Edwards, DH (2010). "Control del volteo durante el salto de la langosta" . J Exp Biol . 213 (19): 3378–87 . Bibcode : 2010JExpB.213.3378C . doi : 10.1242/jeb.046367 . PMC 2936971. PMID 20833932 .  
  13. ↑ Rinehart MD, Belanger JH Coordinación biológicamente realista de las extremidades durante la marcha con múltiples piernas en ausencia de conexiones centrales entre las piernas. En: Reunión Anual de la Sociedad de Neurociencia; 2009.
  • Sitio web oficial