AnimatLab
| Utvecklare | David W. Cofer, Gennady Cymbalyuk, James Reid, Ying Zhu, William J. Heitler och Donald H. Edwards |
|---|---|
| Stabil frisättning | 2.1.5 / 5 oktober 2016
|
| Skrivet i | C++ , VB.NET |
| Operativ system | Windows |
| Typ | Neuromekanik |
| Hemsida |
AnimatLab är ett neuromekaniskt simuleringsverktyg med öppen källkod [ citat behövs ] som gör det möjligt för författare att enkelt bygga och testa biomekaniska modeller och de neurala nätverk som styr dem för att producera beteenden. Användare kan konstruera neurala modeller med varierande detaljnivå, mekaniska 3D-modeller av triangelnät, och använda muskler, motorer, mottagliga fält, sträcksensorer och andra givare för att koppla samman de två systemen. Experiment kan köras där olika stimuli appliceras och data registreras, vilket gör det till ett användbart verktyg för beräkningsneurovetenskap. Programvaran kan också användas för att modellera biomimetiska robotsystem.
Motivering
Neuromekanisk simulering gör det möjligt för utredare att utforska de dynamiska relationerna mellan hjärnan, kroppen och världen på sätt som är svåra eller omöjliga genom enbart experiment. Detta görs genom att producera biologiskt realistiska modeller av de neurala nätverk som styr beteendet, samtidigt som man simulerar den fysik som styr miljön där ett djur befinner sig. Interaktioner med den simulerade världen kan sedan återkopplas till det virtuella nervsystemet med hjälp av modeller av sensoriska system. Detta ger feedback som liknar vad det verkliga djuret skulle stöta på, och gör det möjligt att stänga den sensoriska-motoriska återkopplingsslingan för att studera det dynamiska förhållandet mellan nervfunktion och beteende. Detta förhållande är avgörande för att förstå hur nervsystemet fungerar.
Historia
Applikationen utvecklades ursprungligen vid Georgia State University under NSF- anslag #0641326. Version 1 av AnimatatLab släpptes 2010. Arbetet med applikationen har fortsatt och en ny, förbättrad andra version släpptes i juni 2013.
Funktionalitet
AnimatLab låter användare utveckla modeller med olika detaljnivåer på grund av de tillgängliga modellerna. Neuroner kan vara enkla skjuthastighetsmodeller, integrera-och-avfyra-modeller eller Hodgkin-Huxley-modeller . Plugins för andra neuronmodeller kan skrivas och användas. Muskler av backtyp , motorer eller servon kan användas för att påverka lederna. Adaptrar mellan neuroner och manöverdon används för att generera krafter. Adaptrar mellan mekaniska komponenter (leder, kroppssegment, muskler etc.) ger feedback till styrsystemet. Stimuli, såsom spänningsklämmor , strömklämmor och hastighetsklämmor (för fogar) kan läggas till i designexperiment. Data kan spelas in från praktiskt taget varje komponent i systemet och visas i grafer eller exporteras som en kommaseparerad värdefil , vilket gör analysen enkel. Dessutom är användargränssnittet helt grafiskt, vilket gör det enkelt för nybörjare att använda.
Neural modellering
En mängd olika biologiska neuronmodeller finns tillgängliga för användning. Hodgkin -Huxley-modellen , både en- och flerfack integrerade-och-avfyra-modeller , och olika abstrakta skjuthastighetsmodeller är tillgängliga. Detta är en värdefull egenskap eftersom syftet med ens modell och dess komplexitet avgör vilka egenskaper hos neurala beteenden som är viktiga att simulera.
Nätverkskonstruktionen är grafisk, med neuroner som dras och släpps in i ett nätverk och synapser ritade mellan dem. När en synaps ritas anger användaren vilken typ som ska användas. Både spikande och icke-spikande kemiska synapser , såväl som elektriska synapser, är tillgängliga. Både kortsiktiga (genom underlättande ) och långvariga ( hebbiska ) inlärningsmekanismer är tillgängliga, vilket kraftigt ökar förmågan hos de konstruerade nervsystemen.
Styv kroppsmodellering
Kroppssegment modelleras som stela kroppar ritade som triangelnät med enhetlig masstäthet. Nätverk kan väljas från en uppsättning primitiver (kub, ellipsoid, kon, etc.) eller importeras från programvara från tredje part som Maya eller Blender . Fysiken simuleras med Vortex -motorn. Användare kan specificera separata kollisions- och grafiska maskor för en stel kropp, vilket avsevärt minskar simuleringstiden. Dessutom kan materialegenskaper och interaktion mellan material specificeras, vilket möjliggör olika restitution, friktionskoefficient etc. inom simuleringen.
Muskelmodellering
En muskelmodell av Hill-typ modifierad enligt Shadmehr och Wise kan användas för aktivering. Muskler styrs genom att placera en spänningsspänningsadapter mellan en motorneuron och en muskel. Muskler har också stelhet och dämpande egenskaper, samt längd-spänningsförhållanden som styr deras beteende. Muskler kan placeras för att verka på muskelfästkroppar i den mekaniska simuleringen, som sedan applicerar muskelspänningskraften på de andra kropparna i simuleringen.
Sensorisk modellering
Adaptrar kan placeras för att omvandla stela kroppsmätningar till neural aktivitet, ungefär som hur spänningsspänningsadaptrar används för att aktivera muskler. Dessa kan vara ledvinklar eller -hastigheter, stela kroppskrafter eller accelerationer, eller beteendetillstånd (t.ex. hunger).
Utöver dessa skalära ingångar kan kontaktfält specificeras på stela kroppar, som sedan ger tryckåterkoppling till systemet. Denna funktion har använts för hudliknande avkänning och för att detektera benbelastning i gångstrukturer.
Stimulanstyper
Stimuli kan appliceras på mekaniska och neurala objekt i simulering för experiment. Dessa inkluderar ström- och spänningsklämmor , såväl som hastighetsklämmor för fogar mellan stela kroppar.
Graftyper
Data kan matas ut i form av linjediagram och tvådimensionella ytor. Linjediagram är användbara för de flesta datatyper, inklusive neural och synaptisk utdata, såväl som kropps- och muskeldynamik. Ytdiagram är användbara för att mata ut aktivering på kontaktfält. Båda dessa kan matas ut som kommaseparerade värdefiler , vilket gör att användaren kan använda annan programvara som Matlab eller Excel för kvantitativ analys.
Forskning utförd med AnimatLab
Många akademiska projekt har använt AnimatLab för att bygga neuromekaniska modeller och utforska beteende. Dessa inkluderar:
- Skakar av en våt katttass
- Locust hopp och flygkontroll
- Kräftor går
- Kackerlacka går och vänder sig