Mahsa Shoaran, del Laboratorio di Neurotecnologie Integrate della Facoltà di Ingegneria, ha collaborato con Stéphanie Lacour del Laboratorio di Interfacce Bioelettroniche Flessibili per sviluppare NeuralTree: un sistema di neuromodulazione ad anello chiuso su chip in grado di rilevare e ridurre i sintomi delle malattie. Utilizzando una rete di rilevamento ad alta risoluzione a 256 canali e un processore di apprendimento automatico ad alta efficienza energetica, il sistema è in grado di estrarre e classificare un’ampia serie di biomarcatori da dati reali di pazienti e modelli animali di malattie in vivo, consentendo un elevato grado di precisione nella previsione dei sintomi.
"NeuralTree ha la precisione di una rete neurale e l’efficienza hardware di un albero decisionale", spiega Mahsa Shoaran. "È la prima volta che siamo riusciti a integrare un’interfaccia neurale così complessa, ma efficiente dal punto di vista energetico, per compiti di classificazione binaria, come il rilevamento di crisi epilettiche o tremori, e per compiti multiclasse, come la classificazione del movimento delle dita per applicazioni neuroprotesiche".
I risultati sono stati presentati alla 2022 IEEE International Solid-State Circuits Conference e pubblicati sull’IEEE Journal of Solid-State Circuits, la rivista leader per gli specialisti dei circuiti integrati.
Efficienza, scalabilità e versatilità
NeuralTree estrae dalle onde cerebrali i biomarcatori neurali - modelli di segnali elettrici noti per essere associati a determinati disturbi neurologici. Quindi classifica i segnali e indica se indicano, ad esempio, un attacco epilettico imminente o un tremore parkinsoniano. Se viene rilevato un sintomo, un neurostimolatore sul chip si attiva e invia un impulso elettrico per bloccarlo.
Mahsa Shoaran spiega che il design unico di NeuralTree conferisce al sistema un grado di efficienza e versatilità senza precedenti rispetto alle soluzioni attuali. Il chip dispone di 256 canali di ingresso, rispetto ai 32 dei precedenti dispositivi integrati per l’apprendimento automatico, consentendo l’elaborazione di un maggior numero di dati ad alta risoluzione sull’impianto. Il suo design compatto lo rende anche estremamente piccolo (3,48 mm2), offrendo un grande potenziale di scalabilità su più canali. L’inclusione di un algoritmo di apprendimento "ecologico", che penalizza le funzioni ad alta intensità di energia, rende NeuralTree molto efficiente dal punto di vista energetico.
Oltre a questi vantaggi, il sistema è in grado di rilevare un maggior numero di sintomi rispetto ad altri dispositivi, che finora si sono concentrati principalmente sul rilevamento delle crisi epilettiche. L’algoritmo di apprendimento automatico del chip è stato addestrato su serie di dati provenienti da pazienti con epilessia e morbo di Parkinson e ha classificato accuratamente i segnali neurali preregistrati di entrambe le categorie.
"A nostra conoscenza, questa è la prima dimostrazione del rilevamento del tremore del Parkinson con un dispositivo di classificazione on-chip", spiega Mahsa Shoaran.
Aggiornamento automatico degli algoritmi
Mahsa Shoaran è appassionata di come rendere le interfacce neurali più intelligenti per consentire un controllo più efficace delle malattie, e sta già valutando ulteriori innovazioni.
"In definitiva, saremo in grado di utilizzare le interfacce neurali per molti disturbi diversi, e per raggiungere questo obiettivo abbiamo bisogno di idee algoritmiche e di progressi nella progettazione dei chip". Questo lavoro è molto interdisciplinare e richiede quindi la collaborazione con laboratori come il Flexible Bioelectronic Interfaces Laboratory, che può sviluppare elettrodi neurali all’avanguardia, o con laboratori che hanno accesso a dati di alta qualità sui pazienti".
Successivamente, Mahsa Shoaran vuole consentire aggiornamenti algoritmici on-chip per seguire l’evoluzione dei segnali neurali.
"I segnali neurali cambiano e quindi le prestazioni di un’interfaccia neurale diminuiscono nel tempo. Ci impegniamo costantemente per rendere gli algoritmi più precisi e affidabili. Un modo per farlo sarebbe quello di consentire gli aggiornamenti on-chip o l’aggiornamento automatico degli algoritmi".
Sovvenzione di avviamento ERC 2021, finanziata dalla Segreteria di Stato per l’istruzione, la ricerca e l’innovazione.
Riferimenti
U. Shin, C. Ding, B. Zhu, Y. Vyza, A. Trouillet, E. C. M. Revol, S. P. Lacour, M. Shoaran, "NeuralTree: un albero a 256 canali 0.227-uJ/Class Versatile Neural Activity Classification and Closed-Loop Neuromodulation SoC", in IEEE Journal of Solid-State Circuits (JSSC), vol. 57, n. 11, pp. 3243-3257, novembre 2022, doi: 10.1109/JSSC.2022.3204508 .
U. Shin, L. Somappa, C. Ding, B. Zhu, Y. Vyza, A. Trouillet, S. P. Lacour, M. Shoaran, "Un SoC a 256 canali da 0,227uJ/classe per la classificazione versatile dell’attività cerebrale e la neuromodulazione ad anello chiuso con 0,5 milioni di euro".004mm2-1.51uW/canale Fast-Settling Highly Multiplexed Mixed-Signal Front-End" in IEEE International Solid-State Circuits Conference (ISSCC), 2022, doi: 10.1109/ISSCC42614.2022.9731776 .
