Huis > Nieuws > Wetenschappers bouwen kunstmatige neuron-chip die biologische signalen in realtime kunnen herkennen

Wetenschappers bouwen kunstmatige neuron-chip die biologische signalen in realtime kunnen herkennen

Een onderzoeksteam van Zürich heeft onlangs een compacte, energiebesparende apparaten gemaakt gemaakt van kunstmatige neuronen die hersengolven kunnen decoderen. De chip maakt gebruik van gegevens die zijn opgenomen uit de hersengolven van patiënten met epilepsie om te identificeren welke gebieden van de hersenen ineenhanden veroorzaken. Dit opent nieuwe toepassingsvooruitzichten voor de behandeling.











Huidige neurale netwerkalgoritmen produceren indrukwekkende resultaten en helpen bij het oplossen van een verbazingwekkende aantal problemen. De elektronische apparaten die deze algoritmen worden gebruikt, vereisen echter nog steeds enorme verwerkingskracht. Als het gaat om real-time verwerking van sensorische informatie of interactie met de omgeving, kunnen deze kunstmatige intelligentie (AI) systemen eenvoudig niet concurreren met het werkelijke hersenen. En neuromorfische engineering is een veelbelovende nieuwe methode die een brug bouwt tussen kunstmatige intelligentie en natuurlijke intelligentie.

Een interdisciplinair onderzoeksteam van de Universiteit van Zürich, ETH Zurich en Universitair Ziekenhuis van Zürich gebruikte deze methode om een ​​chip te ontwikkelen op basis van neuromorfische technologie die betrouwbaar en nauwkeurig complexe biologische signalen kan identificeren. Wetenschappers konden deze technologie gebruiken om eerder opgenomen hoogfrequente oscillaties (HFO) met succes te detecteren. Deze specifieke golven, gemeten met behulp van intracraniale elektro-encephalography (IEEG), hebben gebleken veelbelovende biomarkers voor het identificeren van hersenweefsel die aanvallen veroorzaakt.

De onderzoekers ontwierpen eerst een algoritme om HFO te detecteren door het natuurlijke neurale netwerk van de hersenen te simuleren: een klein zogenaamd SPIRE-neuraal netwerk (SNN). De tweede stap is om SNN te implementeren in een hardware met nagelformaat die neurale signalen via elektroden ontvangt. In tegenstelling tot traditionele computers, heeft het enorme energie-efficiëntie. Dit maakt berekeningen met een zeer hoogtijdige resolutie mogelijk zonder te vertrouwen op internet of cloud computing.

Giacomo Indiveri, een professor bij het Institute of Neuroinformatics aan de Universiteit van Zürich en Eth Zürich, zei: "Ons ontwerp stelt ons in staat om Spatiotemporal patronen in realtime in biologische signalen in realtime te herkennen.

De onderzoekers zijn nu van plan om hun bevindingen te gebruiken om een ​​elektronisch systeem te creëren om HFO's op betrouwbare wijze in realtime te identificeren en te controleren. Bij gebruik als een extra diagnostisch hulpmiddel in de operatiekamer, kan het systeem de resultaten van neurochirurgische interventies verbeteren.

Dit is echter niet het enige gebied waar HFO-identificatie een belangrijke rol kan spelen. Het doel van het team van het team is om een ​​apparaat te ontwikkelen voor het monitoren van epilepsie die buiten het ziekenhuis kan worden gebruikt, die het mogelijk maakt om de signalen van een groot aantal elektroden binnen enkele weken of maanden te analyseren.

Johannes Sarnthein, een neurofysioloog in het Universitair Ziekenhuis van Zürich, legt uit: "We willen een laag-energie draadloze gegevenscommunicatie in het ontwerp integreren - bijvoorbeeld om het op een mobiele telefoon te verbinden. Een draagbare of implanteerbare chip als deze kan een hogere aanvalsnelheid herkennen. Hoge of lage perioden, die ons in staat stellen om een ​​gepersonaliseerde geneeskunde te bieden. "