瑞士洛桑联邦理工学院的研究人员将低功耗芯片设计、机器学习算法和柔性植入电极相结合，创建了一种神经接口，可以识别和抑制各种神经系统疾病的症状。这项研究成果最近发表在《IEEE固态电路》杂志上。
得益于256通道高分辨率传感器阵列和节能的机器学习处理器，这个名为“神经树”的系统可以从真实的患者数据和疾病动物模型中提取和分类广泛的生物标志物，从而实现高度准确的症状预测。
研究人员表示，神经树受益于神经网络的准确性和决策树算法的硬件效率。这是首次将如此复杂但节能的神经接口整合到癫痫发作等二元分类任务中，并用于手指神经修复等分类任务中。
“神经树”的工作原理是从脑电波中提取标记。它将对信号进行分类，并指出它们是否表明即将发生的癫痫发作或帕金森氏症。一旦检测到症状，也位于芯片上的神经刺激器将被激活，并发送电脉冲来阻止它。
与之前最先进的技术相比，“神经树”的独特设计使系统具有前所未有的效率和通用性。与之前只有32个输入通道的机器学习嵌入式设备相比，该芯片有256个，这允许在植入物上处理更多高分辨率的数据。
芯片面积的高效设计意味着它的尺寸非常小，具有扩展更多通道和高能效的巨大潜力。
除了这些优点，该系统还可以检测比以前的设备更广泛的症状。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训练，成功对这两类神经信号进行了准确分类。
这是一个多功能和可扩展的神经芯片。功耗低，集成度强，可以执行多种任务。这是一项跨学科的工作。这种神经接口不仅可以识别和预测即将到来的癫痫和震颤，还可以命令神经刺激器及时释放相应的脉冲，以防止疾病的发生。背后强大的支持系统可以从真实的患者数据中提取神经标志物并进行分类，帮助芯片做出更准确的判断。对于脑部疾病患者来说，未来在大脑中植入类似的芯片，配合令人不安的震颤，可能是一个可行的选择。
