一种控制大脑紊乱的神经芯片

EPFL的研究人员将低功耗芯片设计、机器学习算法和软植入式电极结合起来，生产出一种神经接口，可以识别和抑制各种神经疾病的症状。

工程学院综合神经技术实验室的Mahsa Shoaran与软生物电子接口实验室的Stéphanie Lacour合作开发了NeuralTree:一种可以检测和缓解的闭环神经调节芯片系统疾病的症状．

得益于256通道的高分辨率传感阵列和高效节能的机器学习处理器，该系统可以从真实的患者数据和体内疾病的动物模型中提取和分类广泛的生物标志物，从而实现症状预测的高度准确性。

“NeuralTree得益于神经网络的准确性和决策树的硬件效率算法Shoaran说。“这是我们第一次能够集成如此复杂而节能的系统神经接口用于二元分类任务，如癫痫发作或震颤检测，以及多类任务，如神经假体应用的手指运动分类。”

他们的研究结果在2022年IEEE国际固态电路会议上发表，并发表在IEEE固态电路杂志．

效率、可伸缩性和多功能性

NeuralTree的功能是从脑电波中提取神经生物标记物(已知与某些神经疾病相关的电信号模式)。然后，它对信号进行分类，并指出它们是否预示着即将发生的癫痫发作或帕金森性震颤。如果检测到症状，同样位于芯片上的神经刺激器就会被激活，发送电脉冲来阻止症状。

Shoaran解释说，与最先进的系统相比，NeuralTree独特的设计赋予了系统前所未有的效率和多功能性。与之前的机器学习嵌入式设备的32个输入通道相比，该芯片拥有256个输入通道，允许在植入设备上处理更高分辨率的数据。

芯片的高效面积设计意味着它也非常小(3.48毫米)²)，使其具有扩展到更多渠道的巨大潜力。“能量感知”学习算法的集成——它会惩罚那些消耗大量能量的特征——也使得NeuralTree非常节能。

除了这些优点之外，该系统还可以检测到比其他设备更广泛的症状，到目前为止，其他设备主要集中在癫痫发作检测上。该芯片的机器学习算法是在癫痫和帕金森患者的数据集上进行训练的，并准确地分类了来自这两类患者的预先记录的神经信号。

“据我们所知，这是第一次用芯片上的分类器进行帕金森震颤检测，”Shoaran说。

自更新算法

Shoaran热衷于使神经接口更加智能，从而实现更有效的疾病控制，她已经在展望进一步的创新。

“最终，我们可以使用神经接口来治疗许多不同的疾病，我们需要算法思想和芯片设计的进步来实现这一点。这项工作是非常跨学科的，因此它还需要与实验室合作，如软生物电子接口实验室，可以开发最先进的神经电极，或者可以访问高质量患者数据的实验室。”

下一步，她感兴趣的是使芯片上的算法更新跟上神经信号的进化。

“神经信号会改变，所以随着时间的推移，神经系统的表现也会改变接口将下降。我们一直在努力使算法更准确、更可靠，实现这一目标的一种方法是启用芯片上更新，或者可以自我更新的算法。”