EPFL研发出抑制症状管理大脑疾病的神经芯片NeuralTr

　　EPFL的研究人员将低功耗芯片设计、机器学习算法和软性可植入电极等领域结合起来，创造了一种能够识别和减轻各种神经系统疾病症状的神经接口。工程学院综合神经技术实验室的MahsaShoaran与软体生物电子接口实验室的StphanieLacour合作创建了NeuralTree，一个闭环神经调节片上系统，能够检测和缓解疾病症状。
　　该系统拥有一个256通道的高分辨率传感阵列和一个高能效的机器学习处理器，使其能够有效地从真实的病人数据和疾病的体内动物模型中提取和分类各种各样的生物标志物。这导致了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算法的硬件效率，Shoaran说。这是我们第一次能够为二元分类任务（如癫痫或震颤检测）以及多类任务（如神经义肢应用的手指运动分类）整合如此复杂而又节能的神经接口。
　　他们的成果在2022年IEEE国际固态电路会议上发表，并发表在集成电路界的旗舰杂志《IEEE固态电路》上。
　　效率、可扩展性和多功能性
　　NeuralTree的功能是通过从脑电波中提取神经生物标志物已知与某些神经系统疾病有关的电信号模式。然后，它对这些信号进行分类，并指出它们是否预示着即将到来的癫痫发作或帕金森症震颤，例如。如果检测到一个症状，一个神经刺激器也位于芯片上就会被激活，发送一个电脉冲来阻止它。
　　Shoaran解释说，与最先进的技术相比，NeuralTree的独特设计使该系统具有空前的效率和多功能性。该芯片拥有256个输入通道，而以前的机器学习嵌入式设备只有32个，允许在植入物上处理更多高分辨率的数据。该芯片的面积效率设计意味着它也非常小（3。48mm2），使它有很大的潜力可以扩展到更多的通道。集成了能量感知学习算法该算法对消耗大量能量的特征进行惩罚也使NeuralTree高度节能。
　　除了这些优势，该系统可以比其他设备检测更广泛的症状，到目前为止，这些设备主要集中在癫痫发作检测上。该芯片的机器学习算法在来自癫痫和帕金森病患者的数据集上进行了训练，并对这两类患者的预录神经信号进行了准确分类。
　　Shoaran说：据我们所知，这是用片上分类器进行帕金森病震颤检测的首次演示。
　　自我更新的算法
　　研究人员热衷于使神经接口更加智能，以实现更有效的疾病控制，现在他们已经在展望进一步的创新了。
　　最终，我们可以使用神经接口治疗许多不同的疾病，我们需要算法的想法和芯片设计的进步来实现这一目标。这项工作是非常跨学科的，因此也需要与软体生物电子接口实验室这样的实验室合作，该实验室可以开发出最先进的神经电极，或者可以获得高质量病人数据的实验室。
　　作为下一步，她对实现片上算法更新以跟上神经信号的演变感兴趣。
　　神经信号在变化，因此随着时间的推移，神经接口的性能会下降。我们一直在努力使算法更加准确和可靠，而做到这一点的一个方法是启用片上更新或能够自我更新的算法。