Evidence of neuron sensitivity to ultraweak electromagnetic fields

  • 137 views
Uploaded on

Experimental evidence of neuron sensitivity to ultraweak electromagnetic fields. Neurons are cultured on Multielectrode Arrays.

Experimental evidence of neuron sensitivity to ultraweak electromagnetic fields. Neurons are cultured on Multielectrode Arrays.

More in: Technology
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
    Be the first to like this
No Downloads

Views

Total Views
137
On Slideshare
0
From Embeds
0
Number of Embeds
0

Actions

Shares
Downloads
2
Comments
0
Likes
0

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide
  • Questo video mostra il processso differenziativo di NSCs.
  • La tabella riassume le prestazioni della ITSOM successive alla taratura La casualità sarebbe rappresentata al massimo dal 25% ma va sottolineato che in realtà i neuroni hanno ben più di 4 possibilità di scelta
  • Nelle tabelle in rosso sono indicati i falsi positivi e in blu i falsi negativi. False Positive (FP): è la probabilità che un pattern sia stato erroneamente classificato come appartenente ad un altro pattern. False Negative (FN): è la probabilità che uno specifico pattern sia stato erroneamente classificato non nel suo specifico pattern. True Positive (TP): è la probabilità che un pattern sia stato correttamente classificato come appartenente ad uno specifico pattern. True Negative (TN): è la probabilità che un pattern sia stato correttamente classificato come non appartenente ad uno specifico pattern. Grazie a questi parametri è possibile definire altri due importanti indici che indicano la bontà del classificatore: Sensitività: è la probabilità che il test sia positivo dato che un determinato pattern possiede le caratteristiche di quella classe di appartenenza. Sensitivity = (TP / ( TP + FN))*100 Specificità: è la probabilità che il test sia negativo dato che un determinato pattern non possiede le caratteristiche di quella classe di appartenenza. Specificity = (TN / (TN + FP))*100 La sensitività (accuratezza) media di astrazione del modello è dell’80,11%, mentre la specificità (precisione) è del 90,50%. Dai rispettivi valori di sensitività e specificità possiamo considerare il modello di classificatore corretto ed efficiente nella classificazione dei segnali.

Transcript

  • 1. LiVinG NeTWorkS LaBLiVinG NeTWorkS LaB  Dal 2002 il Living NetworksDal 2002 il Living Networks Lab (Dipartimento di ScuenzeLab (Dipartimento di Scuenze dell’Informazione - Universitàdell’Informazione - Università di Milano) lavora con culturedi Milano) lavora con culture di neuroni su MEA (array didi neuroni su MEA (array di microelettrodi)microelettrodi)  Il gruppo è composto daIl gruppo è composto da fisici, elettronici, informatici efisici, elettronici, informatici e biotecnologi, con il supportobiotecnologi, con il supporto di un laboratorio biologicodi un laboratorio biologico esterno.esterno.
  • 2. LiVinG NeTWorkS LaBLiVinG NeTWorkS LaB  Obiettivo del gruppo è lo sviluppo della ricerca nelObiettivo del gruppo è lo sviluppo della ricerca nel campo della biologia computazionale, della bionica ecampo della biologia computazionale, della bionica e dell’Intelligenza Artificiale.dell’Intelligenza Artificiale.  Il gruppo ha effettuato molti esperimenti sullo sviluppo eIl gruppo ha effettuato molti esperimenti sullo sviluppo e l’analisi di strutture organizzate di reti neurali biologichel’analisi di strutture organizzate di reti neurali biologiche adese a supporto elettronico.adese a supporto elettronico.
  • 3.  Ricerca in campo neurofisiologico: metodo di decodifica di segnali provenienti da reti di neuroni; non esistono ad oggi interpretazioni sperimentali della semantica dei segnali gestiti da reti di cellule nervose  Ricerca in campo robotico: sistema bionico in grado di apprendere e di guidare attuatori Ambiti di ricercaAmbiti di ricerca
  • 4.  Ricerca nel campo delle reti neurali artificiali (ANN): implementazione di una rete software autoorganizzante in grado di fornire un output esplicito e di funzionare in tempo reale  Ricerca nel campo del supporto dell’handicap: metodo per implementare in futuro protesi direttamente impiantate nel sistema nervoso centrale per sostituire porzioni di cervello danneggiate e/o guidare arti naturali o artificiali Ambiti di ricercaAmbiti di ricerca
  • 5. Struttura del neuroneStruttura del neurone  La scoperta della struttura del neurone risale al 1965 (Deiters)  Il neurone è dotato di un soma, di un assone, dei dendriti e delle sinapsi  Ramòn y Cajal evidenzia i dendriti e gli assoni con il metodo di Golgi
  • 6. Rete di neuroniRete di neuroni
  • 7. La trasmissioneLa trasmissione dei segnali neuralidei segnali neurali  La trasmissione dei segnali nei neuroni avviene per via elettrochimica  L’arrivo di un segnale elettrico libera dei neurotrasmettitori che attraversano la fessura sinaptica e vengono riconvertiti in segnali elettrici
  • 8. La trasmissioneLa trasmissione dei segnali neuralidei segnali neurali
  • 9. Il potenziale d’azione (spike)Il potenziale d’azione (spike)  Il potenziale d’azione è il segnale che si propaga attraverso le cellule neurali lungo l’assone  Si innesca quando il potenziale di membrana si allontana dal suo valore di riposo superando una certa soglia
  • 10. Modello del potenziale d’azioneModello del potenziale d’azione n indica la frazione di canali K+ (potassio) aperti, m la frazione di canali Na+ (sodio) attivati, h la frazione di canali Na+ (sodio) inattivati A.C. Hodgkin e A.F. Huxley nel 1952 hanno aperto le porte ad una comprensione dettagliata di come i segnali elettrofisiologici siano trasmessi all'interno del sistema nervoso
  • 11. Studio della codificaStudio della codifica dell’informazione neuraledell’informazione neurale  Lo studio della codifica dell’ informazione neurale è basata sull’ implementazione di analisi statistiche  Attualmente si ritiene che la maggior partedelle informazioni rilevanti, se non tutte, siano contenute nel tasso medio di “firing” del neurone  Oltre al firing rate si considera l’Inter Spike Interval (ISI) che è l’intervallo temporale che intercorre tra due spikes successivi.
  • 12. Tecniche di misura delTecniche di misura del segnale neuralesegnale neurale  Gran parte della moderna neurofisiologia è basata su studi sperimentali con tecnica patch-clamp  Il metodo del patch-clamp risale al 1983 (Sakmann and Neher), ed è effettuato tramite una micropipetta di vetro  Misura il potenziale a cavallo della membrana cellulare  Misura anche il potenziale all’interno della membrana cellulare se si perfora la membrana
  • 13. Interfacciamento fra neuroni eInterfacciamento fra neuroni e circuiti elettronicicircuiti elettronici  Nei primi anni novanta fu stabilita per la prima volta un’interfaccia elettrica tra cellule nervose e microstrutture semiconduttrici, utilizzando i neuroni delle sanguisughe, uniti a transistor disposti su una piastra di silicio (Fromherz)  In seguito Fromherz ha approfondito la natura della giunzione neurone-silicio perfezionando la tecnica di interfacciamento
  • 14.  Nel 2000 un team di ricercatori della Northwestern University di Chicago, dell’Università dell’Illinois e dell’Università di Genova ha creato una creatura ibrida costituita da un corpo meccanico controllato dal cervello di lampreda marina  Nel 2002 Fromherz ha coltivato delle cellule nervose su elettrodi di silicio: le cellule nervose hanno formato sinapsi con gli elettrodi di silicio che rispondevano a stimoli elettrici Interfacciamento fra neuroni eInterfacciamento fra neuroni e circuiti elettronicicircuiti elettronici
  • 15.  Nel 2003 il gruppo della Duke University è riuscito a collegare 320 microelettrodi alle cellule nel cervello di una scimmia, permettendo di tradurre direttamente i segnali elettrici in istruzioni per il computer, in grado di spostare un braccio robotico  Nel 2005 il gruppo del SISSA di Trieste ha sperimentato la possibilità di utilizzare i neuroni su MEA come “neurocomputers” in grado di filtrare delle immagini digitali Interfacciamento fra neuroni eInterfacciamento fra neuroni e circuiti elettronicicircuiti elettronici
  • 16. Il nostro progettoIl nostro progetto  Strutturare reti di neuroni biologici in forma di ANN.  Ipotizzare una forma di apprendimento di questo sistema ibrido attraverso l’immissione iterata di pattern digitali secondo la tecnica ANN  Decodificare i segnali neurali di output attraverso una ANN (ITSOM) e con questi guidare gli attuatori di un robot
  • 17. Il nostro progettoIl nostro progetto  Coltivazione sul MEA delle cellule staminali che sono state fatte differenziare in neuroni umani.  Creazione della rete di Kohonen e di Hopfield su MEA  La configurazione delle reti è stata scelta dopo una simulazione software su reti artificiali di Kohonen e di Hopfield, in modo da valutare il numero minimo di neuroni necessari a classificare delle semplici immagini
  • 18. Il sistema hardware/softwareIl sistema hardware/software  Abbiamo sviluppato un sistema che interfaccia le cellule attraverso l’adesione diretta a MEA (MultiElectrode Arrays)  Un MEA è un disco di Petri di vetro in cui sono inseriti piccolissimi elettrodi. Ciascun elettrodo è connesso per mezzo di una traccia isolata ad un connettore esterno.
  • 19. Il sistema hardware/softwareIl sistema hardware/software  Il MEA permette la registrazione dell’attività delle cellule simultaneamente da diversi canali  Può registrare a lungo l’attività cellulare senza danneggiare le cellule  E’ adatto ai nostri esperimenti perché permette di studiare il comportamento dinamico di un’intera rete di neuroni
  • 20. Il sistema hardware/softwareIl sistema hardware/software  Il sistema è stato cambiatoIl sistema è stato cambiato e migliorato molte volte,e migliorato molte volte, adottando man manoadottando man mano schede di acquisizioni piùschede di acquisizioni più potenti e controller dedicatipotenti e controller dedicati
  • 21. Il sistema hardware/softwareIl sistema hardware/software  Al momento usiamo unAl momento usiamo un sistema avanzato Nationalsistema avanzato National Instruments:Instruments:  Rack esterno PXI 1031Rack esterno PXI 1031 con board DAQ ad altacon board DAQ ad alta velocità PXI 6251 (16 inputvelocità PXI 6251 (16 input analogici, 24 Digital I/O, 2analogici, 24 Digital I/O, 2 output analogici) , velocitàoutput analogici) , velocità di campionamento 1.25di campionamento 1.25 MS/sMS/s  Labview 8.0 per laLabview 8.0 per la gestione della scheda egestione della scheda e della regsitrazione deidella regsitrazione dei segnalisegnali
  • 22. Il sistema hardware/softwareIl sistema hardware/software  Un controller dedicatoUn controller dedicato progettato dal nostroprogettato dal nostro gruppo permette digruppo permette di preamplificare i segnalipreamplificare i segnali neurali e stimolarli conneurali e stimolarli con pattern digitalipattern digitali
  • 23. I neuroniI neuroni •Fino ad oggi abbiamo usato cellule staminali neurali •Le cellule vengono piastrate alla densità a 3500 celle/cm2 in un mezzo contenente i fattori di crescita EGF e FGF-2 •Le cellule sono coltivate per 15 giorni per ottenere neuroni maturi •Abbiamo coltivato le cellule direttamente su MEA ricoperto da substrato di matrigel
  • 24.  E’ stato sviluppato un programma di controllo del sistema in linguaggio Labview, utilizzato per:  il controllo del flusso degli esperimenti  la generazione dei pattern sensoriali simulati  l’acquisizione dei segnali  l’interfacciamento con la rete neurale  la generazione dei segnali di controllo degli attuatori del robot  E’ stata sviluppata una rete neurale in linguaggio C sotto forma di DLL ed è stata linkata a Labview Il nostro progettoIl nostro progetto
  • 25.  Il differenziamento avviene su MEA.  I nostri MEA Panasonic hanno 64 microelettrodi ITO (Indium Tin Oxide) – platino.  La dimensione dei microelettrodi è 20 µ, la distanza interpolare 100 µ. Il nostro progettoIl nostro progetto
  • 26.  Si sono creati dei collegamenti per ricreare la rete di Hopfield e di Kohonen  Kohonen: 8 neuroni di input, 3 neuroni dello strato competitivo  Hopfield: 8 neuroni di input/output Kohonen Hopfield Il nostro progettoIl nostro progetto
  • 27.  Il software di stimolazione crea una serie di bitmap composte da 3 x 3 bit che rappresentano o un segnale “0” o un segnale “1”  Si utilizzano gli 8 punti esterni Carattere 0 11111111 Carattere 1 00001111 Il nostro progettoIl nostro progetto
  • 28.  Oltre allo “0” e “1” perfetto si considerano anche zeri e uni con rumore 0 con rumore 1 con rumore I pattern digitaliI pattern digitali
  • 29.  Le stimolazioni vengono dati con impulsi di +/-35 mV a frequenze diverse  La durata del singolo impulso è stata impostata a 1.25 ms o 25 ms nei diversi esperimenti L’apprendimentoL’apprendimento
  • 30. Analisi dei risultatiAnalisi dei risultati
  • 31. Analisi dei risultatiAnalisi dei risultati
  • 32. Analisi dei risultatiAnalisi dei risultati
  • 33.  I segnali misurati sono stati successivamente elaborati utilizzando la RQA (Recurrence Quantification Analysis).I segnali misurati sono stati successivamente elaborati utilizzando la RQA (Recurrence Quantification Analysis).  Questo strumento di analisi non lineare analizza il grado di autoorganizzazione di un segnale  Si costruisce una serie di M vettori di lunghezza N ricavati prendendo porzioni di segnale al tempo t+i (i=i+k),ottenendo una matrice di valori.  Si calcola la distanza euclidea fra i punti costituiti dalle righe della matrice, e queste vengono codificate attraverso dei colori (Recurrence Plots) Analisi dei risultatiAnalisi dei risultati
  • 34.  Essenzialmente, il Recurrence Plot è una tabella di codici di colori, in cui i colori caldi (giallo, rosso ed arancio) possono essere associati con le piccole distanze fra i vettori, mentre i colori freddi (azzurro, nero) possono essere usati per mostrare le grandi distanze.  Per segnali random la distribuzione dei colori è completamente uniforme. Quanto più deterministico è il segnale, tanto più strutturato sarà il Recurrence Plot Analisi dei risultatiAnalisi dei risultati
  • 35.  Segnale di output prima dellaSegnale di output prima della somministrazione dei patternsomministrazione dei pattern  Il grafico è costituito da coloriIl grafico è costituito da colori freddi e disorganizzati chefreddi e disorganizzati che segnalano la mancanza disegnalano la mancanza di autoorganizzazione dellaautoorganizzazione della serie temporale.serie temporale. Recurrent PlotsRecurrent Plots
  • 36.  Segnale di output duranteSegnale di output durante la somministrazione deila somministrazione dei patternpattern  disorganizzato anche sedisorganizzato anche se con un inizio dicon un inizio di autoorganizzazioneautoorganizzazione Recurrent PlotsRecurrent Plots
  • 37.  Segnale di output subito dopo laSegnale di output subito dopo la fine della somministrazione di unfine della somministrazione di un pattern sensoriale simulatopattern sensoriale simulato  Si vedono ampie bande uniformi diSi vedono ampie bande uniformi di colore giallo e rosso, mentre icolore giallo e rosso, mentre i colori freddi sono limitati aglicolori freddi sono limitati agli estremi del diagrammaestremi del diagramma Recurrent PlotsRecurrent Plots
  • 38.  Segnale di output dopo la fine dellaSegnale di output dopo la fine della somministrazione dei patternsomministrazione dei pattern sensoriali simulatisensoriali simulati  Si vedono ampie bande uniformi diSi vedono ampie bande uniformi di colore giallo e rosso, mentre i coloricolore giallo e rosso, mentre i colori freddi sono limitati agli estremi delfreddi sono limitati agli estremi del diagramma, a dimostrazione di undiagramma, a dimostrazione di un altissimo grado di autoorganizzazionealtissimo grado di autoorganizzazione Recurrent PlotsRecurrent Plots
  • 39.  Sia l’analisi dei segnali elettrici che i Recurrent Plots concorrono alle stesse conclusioni :  La rete di neuroni risponde in modo simile a stimolazioni simili, risponde in modo diverso a stimolazioni diverse  I risultati raggiunti consentono di affermare che la rete di neuroni è in grado di “apprendere” stimoli sensoriali simulati autoorganizzandosi, e rispondendo adeguatamente ai pattern anche successivamente all’apprendimento Analisi dei risultatiAnalisi dei risultati
  • 40. Decodifica dei segnaliDecodifica dei segnali neurali attraverso una reteneurali attraverso una rete neurale artificialeneurale artificiale  Abbiamo quindi pensato possibile un passo successivo: offrire un’interpretazione agli output generati dai neuroni  Sviluppo di una rete autoorganizzante ITSOM (Inductive Tracing Self Organizing Map) per la decodifica dei segnali neuronali  La rete ITSOM è un’ evoluzione della SOM (Kohonen)
  • 41. • Rete ad apprendimento non supervisionato. • Composta da due strati: uno strato di input e uno strato competitivo o di Kohonen • Tutti i neuroni di input sono connessi ad ogni neurone dello stato di output. • Autoorganizzazione di insiemi di dati n-dimensionali su una mappa k-dimensionale ( k << n ) (quantizzazione vettoriale) Caratteristiche della rete SOM:Caratteristiche della rete SOM: La rete SOMLa rete SOM
  • 42.  Regola Winner Take All  Calcolo delle distanze tra segnali di input x e pesi delle connessioni wi.  Il neurone vincente è quello con distanza minima, premiato con una variazione dei pesi Apprendimento e classificazione della rete di Kohonen:Apprendimento e classificazione della rete di Kohonen: ioldioldinewi zwxww )( ___ −+= α La rete SOMLa rete SOM
  • 43. Problematiche della SOMProblematiche della SOM  Per input strettamente non lineari lo strato di output non riesce a mappare correttamente l’input  Difficoltà di pervenire a convergenza certa non essendoci la possibilità di stabilire un errore della rete per ciascuna epoca  Output non è esplicitato e necessita di un algoritmo per estrarlo  Funziona in tempo reale  Non necessita di convergenza  Esplicitazione dell’output PUNTI DI FORZA DELLA ITSOM
  • 44.  Osservando la sequenza temporale dei neuroni vincenti di una SOM si nota che questa tende a ripetersi creando una serie temporale, costituente attrattori caotici, e che questi caratterizzano univocamente l’elemento di input che gli ha prodotti  La rete ITSOM memorizza la serie temporale dei neuroni vincenti e successivamente li analizza col metodo degli z- score La rete ITSOMLa rete ITSOM
  • 45. σ μx z − = I punteggi cumulativi relativi a ciascun input vengono normalizzati secondo la distribuzione della variabile standardizzata “z” • x = numero vittorie per il neurone • μ = media dei punteggi sui vari neuroni • σ = scarto quadratico medio Lo z-scoreLo z-score
  • 46. z = 1 per z > τ z = 0 per z ≤ τ Fissata una soglia τ, 0<τ<1  In questo modo ogni configurazione dei neuroni vincenti è rappresentata da un numero composto da zeri e uni  Diventa poi immediato confrontare tra loro questi numeri binari detti codice ITSOM. Lo z-scoreLo z-score
  • 47. FASE DI TESTING Generazione degli z-score di riferimento Classificazione dei segnali in funzione degli z-score acquisiti nella fase di training CODICI Z-SCORE FASE DI TRAINING Lo z-scoreLo z-score
  • 48.  Ad esempio nella tabella sotto sono riportati i codici generati dalla ITSOM che elabora un set di segnali emessi dalle cellule stimolate con lo stesso pattern RR  La prima volta vince 10 volte il neurone 2, 5 volte il neurone 5, 6 volte il neurone 6, una volta il neurone 7 e così via  La seconda volta vince 1 volta il neurone 2, 6 volte il neurone 5, 4 volte il neurone 6 e così via Lo z-scoreLo z-score
  • 49.  Strutturazione di una rete di Hopfield  Generazione dei segnali e stimolazione dei neuroni biologici, registrazione della loro risposta.  Inoltro dei dati alla rete neurale artificiale ITSOM:  fase di training  fase di testing  Utilizzo dell’output della ITSOM per pilotare gli attuatori del Robot. Fasi dell’esperimentoFasi dell’esperimento
  • 50. I neuroniI neuroni  Nell’ultimo esperimentoNell’ultimo esperimento abbiamo stimolato la rete perabbiamo stimolato la rete per mezzo di pattern direzionalimezzo di pattern direzionali  I pattern sono bitmap 8x8I pattern sono bitmap 8x8  La durata del bit è 300 msLa durata del bit è 300 ms  Ciascuna stimolazione è seguita da una pausa di 1 s in cui una Artificial Neural Network elabora i segnali  L’impulso di stimolazione è un segnale è un segnale alternato a basso voltaggio (+/- 30 mV, 733 Hz)
  • 51. Generazione di stimoli sensoriali simulatiGenerazione di stimoli sensoriali simulati  Pattern: 8 bit per 8 bit.  Ogni bit ha la durata di 300 ms  Ogni stimolazione della durata complessiva di 2.4s è seguita da 1s di pausa durante alla fine della la rete neurale registra gli output cellulari.  Il segnale utilizzato per stimolare le cellule è un segnale alternato a bassa tensione (+/- 30 mV) a 733 Hz.
  • 52. Fase di Training:  Somministrazione ripetuta di stimoli sensoriali simulati ai neuroni biologici  Acquisizione (10 kHz) del segnale dei neuroni biologici  Generazione degli z-score di riferimento della rete ITSOM Generazione di stimoliGenerazione di stimoli sensoriali simulatisensoriali simulati
  • 53. Fase di Testing:  Somministrazione di uno stimolo sensoriale simulato prescelto ai neuroni biologici  Acquisizione (10 kHz) del segnale dai neuroni biologici  Generazione dello z-score e confronto con quelli di riferimento  Generazione dei comandi per pilotare il Robot Generazione di stimoliGenerazione di stimoli sensoriali simulatisensoriali simulati
  • 54. I neuroniI neuroni I pattern vengono somministrati alla rete biologica come treni di impulsi elettrici in modo da rappresentare i punti bianchi (bit 1) o bianchi (0) della bitmap
  • 55. I neuroniI neuroni •Gli impulsi sono somministrati simultaneamente su tutti gli elettrodi in forma di pattern •Le cellule sono stimolate da impulsi elettrici con differenti voltaggi e frequenze •Le stimolazioni sono somministrate con impulsi di 35 mV •La durata di un impulso è stata posta da 1.25 ms a 25 ms in differenti esperimenti
  • 56. La creatura bionicaLa creatura bionica  I neuroni sonoI neuroni sono connessi ad unaconnessi ad una Artificial NeuralArtificial Neural Network cheNetwork che decodifica i lorodecodifica i loro segnali dopo lesegnali dopo le stimolazionistimolazioni  Il sistema ibridoIl sistema ibrido (artificiale/biologico)(artificiale/biologico) guida un minirobotguida un minirobot
  • 57. La creatura bionicaLa creatura bionica  Dopo una sequenza di stimolazioni di training,Dopo una sequenza di stimolazioni di training, vengono somministrati alla rete biologica deivengono somministrati alla rete biologica dei pattern direzionali random in forma di comandipattern direzionali random in forma di comandi  La ITSOM decodifica i segnali neurali e ilLa ITSOM decodifica i segnali neurali e il minirobot esegue i comandiminirobot esegue i comandi
  • 58. Parametri di taraturaParametri di taratura della ITSOMdella ITSOM
  • 59. RisultatiRisultati Input 1-400msInput 1-400ms DirezioniDirezioni TotaleTotale Pattern FPattern F Pattern BPattern B Pattern LPattern L Pattern RPattern R Classificati correttamenteClassificati correttamente 44 55 33 33 1515 Non classificati correttamenteNon classificati correttamente 11 00 33 33 77 Non classificatiNon classificati 00 11 11 11 33 Totale dei pattern fornitiTotale dei pattern forniti 55 66 77 77 2525 % Classificati% Classificati 100%100% 83,33%83,33% 85,71%85,71% 85,71%85,71% 88%88% % Classificati correttamente% Classificati correttamente 80% 83,33% 42,86% 42,86% 60%60% 0% 20% 40% 60% 80% 100% Pattern F Pattern B Pattern L Pattern R Totale Direzioni Percentuale di classificazione nelle quattro direzioni Non classificati Non classificati correttamente Classificati correttamente
  • 60. Analizzando i dati ottenuti con il metodo delle matrici di confusione possiamo calcolare la sensibilità e la specificità per valutare la bontà del nostro classificatore Per ogni matrice di confusione si possono definire quattro importanti parametri: Falso Positivo (FP): è la probabilità che un pattern sia stato erroneamente classificato come appartenente ad un altro pattern. Falso Negativo (FN): è la probabilità che uno specifico pattern sia stato erroneamente classificato non nel suo specifico pattern. Vero Positivo (VP): è la probabilità che un pattern sia stato correttamente classificato come appartenente ad uno specifico pattern. Vero Negativo (VN): è la probabilità che un pattern sia stato correttamente classificato come non appartenente ad uno specifico pattern. RisultatiRisultati
  • 61. Matrice di confusione pattern F F Non F FF VP FNFN Non FNon F FPFP VN Definiamo quindi:  Sensibilità = (VP / ( VP + FN))*100  Specificità = (VN / (VN + FP))*100 RisultatiRisultati
  • 62. RisultatiRisultati Matrice di confusione pattern L LL Non LNon L LL 3 11 Non LNon L 33 15 Matrice di confusione pattern B BB Non BNon B BB 5 66 Non BNon B 00 11 Matrice di confusione pattern F F Non F FF 4 00 Non FNon F 11 17 Matrice di confusione pattern R RR Non RNon R RR 3 00 Non RNon R 33 16 Il modello di classificatore appare soddisfacente Pattern F Pattern B Pattern L Pattern R Totale Sensibilità 100%100% 45,45%45,45% 75%75% 100%100% 80,11% Specificità 94,44%94,44% 100%100% 83,33%83,33% 84,21%84,21% 90,50% Specificità = (TN / (TN + FP))*100 Sensibilità = (TP / ( TP + FN))*100
  • 63. RisultatiRisultati  Sviluppo di un sistema hardware/software in grado di interagire con i neuroni  Sviluppo di un sistema di apprendimento di percezioni simulate di una rete di neuroni umani, correttamente allenata.  Sviluppo di una opportuna ANN per la decodifica delle reazioni dei neuroni  Sperimentazione di un sistema robotico ibrido in grado di guidare un attuatore
  • 64. RisultatiRisultati  Attualmente in neurofisiologia si analizza solo la frequenza di spike e non si arriva alla decodifica semantica dei segnali neuronali  Non esistono teorie consolidate sull’apprendimento di reti neurali biologiche  Abbiamo sviluppato un sistema innovativo di decodifica dei segnali provenienti da reti di neuroni biologici e un sistema di apprendimento basati su riscontri sperimentali  Anche il risultato sperimentale conseguito, ossia il movimento di un robot guidato dall’output di neuroni biologici in base all’apprendimento di pattern sensoriali simulati, non ha precedenti in letteratura.
  • 65. Valutazione comparativaValutazione comparativa con la letteraturacon la letteratura  Nella letteratura esaminata in precedenza si è cercato di affidare ad un cervello già funzionante il compito di autoorganizzarsi sotto l’azione di stimoli esterni Nel nostro studio si è giunti a:  Strutturare una rete di neuroni a priori disorganizzata seguendo la struttura di una ANN  Farle apprendere stimoli sensoriali simulati  Decodificare i segnali di output della rete
  • 66. Command Robot Left Forward Backward Left Left Left Backward Backward Left Left La creatura bionicaLa creatura bionica
  • 67. La creatura bionicaLa creatura bionica  “Cremino” è la prima creatura ibrida dotata di un piccolo cervello umano  Scopo di questa ricerca è  Raggiungere una migliore comprensione del meccanismo neurofisiologico della memoria e dell’apprendimento  Sviluppare un’interfaccia efficiente fra neuroni ed elettronica  Compiere un progresso nello sviluppo di protesi neuroelettroniche
  • 68. Problemi da risolvereProblemi da risolvere  Identificazione sicura dei neuroni che formano la rete  Persistenza in vita delle cellule  Ottimizzazione della decodifica dei segnali neurofisiologici  Crescita di complessità del sistema in modo da effettuare esperimenti a ciclo chiuso con sensori montati sul robot  Miniaturizzazione
  • 69. Sviluppi in corsoSviluppi in corso  Progetto europeo FLASHPOM: progettazione ed implementazione di MEA speciali con piste litografate e strato di polimeri che guidano le cellule a depositarsi solo sopra gli elettrodi senza spostarsi  Ottimizzazione della ITSOM studio di un nuovo algoritmo di identificazione degli attrattori caotici  Realizzazione di una ITSOM integrata in HW
  • 70.  R. Pizzi, D. Rossetti, G. Cino,D. Marino, and A. Vescovi, “A CULTURED HUMAN NEURAL NETWORK DRIVES A ROBOTIC ACTUATOR", Biosystems Journal, Elsevier ed., in corso di pubbl.  R. Pizzi, “ARTIFICIAL MIND”, in: Reflexing Interfaces: the Complex Coevolution of Information Technology Ecosystems , IGI group, Hershey, PA, USA  R. Pizzi, G. Cino, F. Gelain, D. Rossetti and A. Vescovi, "LEARNING IN HUMAN NEURAL NETWORKS ON MICROELECTRODE ARRAYS", Biosystems Journal, Volume 88, Issues 1-2, March 2007, Pages 1-15, Elsevier ed.  Rita M.R. Pizzi, Danilo Rossetti, Giovanni Cino, Daniela Marino and Angelo L. Vescovi, “A BIOLOGICAL NEURAL NETWORK DRIVES A ROBOTIC ACTUATOR”, Proc. CISI06, Ancona 26–29 settembre 2006.  R. Pizzi, A. Fantasia, F. Gelain, D. Rossetti, G. Cino and A. Vescovi, “HOPFIELD AND KOHONEN MODELS: AN IN VIVO TEST”, Proc. International Meeting on Computational Intelligence Methods for Bioinformatics and Biostatistics, Perugia 15-17 settembre 2004, Kluwer ed.  R. Pizzi, D. Rossetti, G. Cino, A . Vescovi, “ANOMALOUS FINDINGS IN CULTURED NEURONS IN PRESENCE OF LASER PULSES”, in fase di revisione su: Biosystems Journal, Elsevier  R. Pizzi, D. Rossetti, G. Cino, A.L. Vescovi and W. Baer, “NEURONS REACT TO ULTRAWEAK ELECTROMAGNETIC FIELDS”, Quantum Mind 2007, Salzburg 23-26 Luglio 2007.  W. Baer, R. Pizzi, THE SEARCH FOR BIOLOGICAL QUANTUM COMPUTER ELEMENTS accettato a :ICCES'08: International Conference on Computational & Experimental Engineering and Sciences, Honololu, Hawaii, Marzo 2008 PubblicazioniPubblicazioni