EPFL的研究人員將低功耗芯片設計、機器學習算法和軟性可植入電極等領域結合起來，創造了一種能夠識別和減輕各種神經系統疾病症狀的神經接口。工程學院綜合神經技術實驗室的Mahsa Shoaran與軟體生物電子接口實驗室的Stéphanie Lacour合作創建了NeuralTree，一個閉環神經調節片上系統，能夠檢測和緩解疾病症狀。

該系統擁有一個256通道的高分辨率傳感陣列和一個高能效的機器學習處理器，使其能夠有效地從真實的病人數據和疾病的體內動物模型中提取和分類各種各樣的生物標誌物。這導致了症狀預測的高度準確性。

“NeuralTree得益於神經網絡的準確性和決策樹算法的硬件效率，”Shoaran說。”這是我們第一次能夠為二元分類任務（如癲癇或震顫檢測）以及多類任務（如神經義肢應用的手指運動分類）整合如此復雜而又節能的神經接口。”

他們的成果在2022年IEEE國際固態電路會議上發表，並發表在集成電路界的旗艦雜誌《IEEE固態電路》上。

效率、可擴展性和多功能性

NeuralTree的功能是通過從腦電波中提取神經生物標誌物–已知與某些神經系統疾病有關的電信號模式。然後，它對這些信號進行分類，並指出它們是否預示著即將到來的癲癇發作或帕金森症震顫，例如。如果檢測到一個症狀，一個神經刺激器–也位於芯片上–就會被激活，發送一個電脈衝來阻止它。

Shoaran解釋說，與最先進的技術相比，NeuralTree的獨特設計使該系統具有空前的效率和多功能性。該芯片擁有256個輸入通道，而以前的機器學習嵌入式設備只有32個，允許在植入物上處理更多高分辨率的數據。該芯片的面積效率設計意味著它也非常小（3.48mm2），使它有很大的潛力可以擴展到更多的通道。集成了”能量感知”學習算法–該算法對消耗大量能量的特徵進行懲罰–也使NeuralTree高度節能。

除了這些優勢，該系統可以比其他設備檢測更廣泛的症狀，到目前為止，這些設備主要集中在癲癇發作檢測上。該芯片的機器學習算法在來自癲癇和帕金森病患者的數據集上進行了訓練，並對這兩類患者的預錄神經信號進行了準確分類。

Shoaran說：”據我們所知，這是用片上分類器進行帕金森病震顫檢測的首次演示。”

自我更新的算法

研究人員熱衷於使神經接口更加智能，以實現更有效的疾病控制，現在他們已經在展望進一步的創新了。

“最終，我們可以使用神經接口治療許多不同的疾病，我們需要算法的想法和芯片設計的進步來實現這一目標。這項工作是非常跨學科的，因此也需要與軟體生物電子接口實驗室這樣的實驗室合作，該實驗室可以開發出最先進的神經電極，或者可以獲得高質量病人數據的實驗室。”

作為下一步，她對實現片上算法更新以跟上神經信號的演變感興趣。

“神經信號在變化，因此隨著時間的推移，神經接口的性能會下降。我們一直在努力使算法更加準確和可靠，而做到這一點的一個方法是啟用片上更新或能夠自我更新的算法。”