瑞士洛桑聯邦理工學院研究人員將低功耗芯片設計、機器學習(xi) 算法和柔性植入式電極相結合，製作出一種神經接口，可識別和抑製各種神經係統疾病症狀。研究成果近日發表在《IEEE固態電路》雜誌上。

　　得益於(yu) 256通道高分辨率傳(chuan) 感陣列和節能機器學習(xi) 處理器，名為(wei) “神經樹”的該係統可從(cong) 真實患者數據和疾病動物模型中提取廣泛的生物標誌物並分類，從(cong) 而實現高度準確的症狀預測。

　　研究人員稱，神經樹得益於(yu) 神經網絡的準確性和決(jue) 策樹算法的硬件效率。這是第一次能將如此複雜但節能的神經接口集成到癲癇發作等二元分類任務，並用於(yu) 手指神經修複等分類任務中。

　　“神經樹”通過從(cong) 腦電波中提取標誌物（已知與(yu) 某些神經係統疾病相關(guan) 的電信號模式）發揮作用。它會(hui) 對信號進行分類，並指出它們(men) 是否預示著即將發生的癲癇發作或帕金森氏震顫等。一旦檢測到症狀，就會(hui) 激活同樣位於(yu) 芯片上的神經刺激器，發送電脈衝(chong) 來阻止。

　　與(yu) 此前最先進的技術相比，“神經樹”的獨特設計使該係統具有前所未有的效率和多功能性。與(yu) 之前的機器學習(xi) 嵌入式設備隻有32個(ge) 輸入通道相比，該芯片擁有256個(ge) ，從(cong) 而允許在植入物上處理更多高分辨率數據。

　　該芯片麵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(you) 勢之外，該係統還可檢測比此前設備更為(wei) 廣泛的症狀。該芯片的機器學習(xi) 算法在來自癲癇和帕金森病患者的數據集上進行了訓練，成功對來自這兩(liang) 個(ge) 類別的神經信號進行了準確分類。

　　（記者張夢然）