瑞士洛桑聯(lián)邦理工學院研究人員將低功耗芯片設計、機器學習算法和柔性植入式電極相結(jié)合，制作出一種神經(jīng)接口，可識別和抑制各種神經(jīng)系統(tǒng)疾病癥狀。研究成果近日發(fā)表在《IEEE固態(tài)電路》雜志上。

　　得益于256通道高分辨率傳感陣列和節(jié)能機器學習處理器，名為“神經(jīng)樹”的該系統(tǒng)可從真實患者數(shù)據(jù)和疾病動物模型中提取廣泛的生物標志物并分類，從而實現(xiàn)高度準確的癥狀預測。

　　研究人員稱，神經(jīng)樹得益于神經(jīng)網(wǎng)絡的準確性和決策樹算法的硬件效率。這是第一次能將如此復雜但節(jié)能的神經(jīng)接口集成到癲癇發(fā)作等二元分類任務，并用于手指神經(jīng)修復等分類任務中。

　　“神經(jīng)樹”通過從腦電波中提取標志物（已知與某些神經(jīng)系統(tǒng)疾病相關(guān)的電信號模式）發(fā)揮作用。它會對信號進行分類，并指出它們是否預示著即將發(fā)生的癲癇發(fā)作或帕金森氏震顫等。一旦檢測到癥狀，就會激活同樣位于芯片上的神經(jīng)刺激器，發(fā)送電脈沖來阻止。

　　與此前最先進的技術(shù)相比，“神經(jīng)樹”的獨特設計使該系統(tǒng)具有前所未有的效率和多功能性。與之前的機器學習嵌入式設備只有32個輸入通道相比，該芯片擁有256個，從而允許在植入物上處理更多高分辨率數(shù)據(jù)。

　　該芯片面積的高效設計意味著它尺寸非常小（3.48平方毫米），還具有擴展更多通道的巨大潛力以及很高的能源效率。

　　除了這些優(yōu)勢之外，該系統(tǒng)還可檢測比此前設備更為廣泛的癥狀。該芯片的機器學習算法在來自癲癇和帕金森病患者的數(shù)據(jù)集上進行了訓練，成功對來自這兩個類別的神經(jīng)信號進行了準確分類。

　?。ㄓ浾邚垑羧唬?/p>