Научные группы из Лаборатории интегрированных нейротехнологий Инженерной школы и Лаборатории мягких биоэлектронных интерфейсов создали систему нейромодуляции с замкнутым контуром на кристалле, которая способна обнаруживать и облегчать симптомы болезни.
Система, получившая название NeuralTree, может похвастаться 256-канальной матрицей датчиков с высоким разрешением и энергоэффективным процессором машинного обучения, что позволяет ей эффективно извлекать и классифицировать широкий спектр биомаркеров из данных реальных пациентов и моделей заболеваний на животных in vivo. Это приводит к высокому уровню точности предсказания симптомов.
Результаты проделанной работы были представлены на Международной конференции IEEE по твердотельным схемам 2022 года и опубликованы в журнале IEEE Journal of Solid-State Circuits.
Функция NeuralTree заключается в извлечении нейронных биомаркеров — моделей электрических сигналов, которые, как известно, связаны с определенными неврологическими расстройствами — из мозговых волн. Затем система классифицирует сигналы и указывает, предвещают ли они, например, надвигающийся эпилептический припадок или паркинсонический тремор. При обнаружении симптома активируется нейростимулятор, также расположенный на чипе, который посылает электрический импульс, чтобы его заблокировать.
Авторы объясняют, что уникальный дизайн NeuralTree придает системе беспрецедентную степень эффективности и универсальности по сравнению с современными системами. Чип имеет 256 входных каналов по сравнению с 32 у предыдущих встроенных устройств с машинным обучением, что позволяет обрабатывать данные с более высоким разрешением на имплантате. Конструкция чипа с эффективной площадью означает, что он также очень мал (3,48 мм2), что дает ему большой потенциал для масштабирования на большее количество каналов. Интеграция алгоритма обучения с учетом энергопотребления, который наказывает функции, потребляющие много энергии, также делает NeuralTree очень энергоэффективным.
В дополнение к этим преимуществам система может обнаруживать более широкий спектр симптомов, чем другие устройства, которые до сих пор были ориентированы в основном на обнаружение эпилептических припадков. Алгоритм машинного обучения чипа был обучен на наборах данных пациентов с эпилепсией и болезнью Паркинсона и точно классифицировал предварительно записанные нейронные сигналы обеих категорий.
У всей этой системы есть только один недостаток, над устранением которого работаю специалисты. Нейронные сигналы меняются, поэтому со временем производительность нейроинтерфейса будет снижаться. По мнению ученых, один из способов сделать алгоритмы более точными и надежными, это включить встроенные обновления или алгоритмы, которые могут обновляться сами. Фактически — создать самообучающуюся нейросеть, с контролируемым потоком эволюции.
