Mahsa Shoaran vom Labor für integrierte Neurotechnologien der Fakultät für Ingenieurwissenschaften und Technik arbeitete mit Stéphanie Lacour vom Labor für flexible bioelektronische Schnittstellen zusammen, um NeuralTree zu entwickeln: ein System auf einem Chip mit geschlossenem Regelkreis zur Neuromodulation, das Krankheitssymptome erkennen und reduzieren kann. Mithilfe eines hochauflösenden Sensornetzwerks mit 256 Kanälen und einem energiesparenden Machine-Learning-Prozessor kann das System eine breite Palette von Biomarkern aus realen Patientendaten und Tiermodellen von In-vivo-Krankheiten extrahieren und klassifizieren, was eine hohe Genauigkeit bei der Vorhersage von Symptomen ermöglicht.
"NeuralTree profitiert von der Genauigkeit eines neuronalen Netzes und der Hardware-Effizienz eines Entscheidungsbaums", erklärt Mahsa Shoaran. "Es ist das erste Mal, dass wir eine so komplexe, aber energieeffiziente neuronale Schnittstelle für binäre Klassifikationsaufgaben, wie die Erkennung von Anfällen oder Tremor, sowie für Aufgaben mit mehreren Klassen, wie die Klassifikation von Fingerbewegungen für neuroprothetische Anwendungen, integrieren konnten."
Ihre Ergebnisse wurden auf der IEEE International Solid-State Circuits Conference 2022 vorgestellt und im IEEE Journal of Solid-State Circuits, der führenden Fachzeitschrift für integrierte Schaltkreise, veröffentlicht.
Effizienz, Skalierbarkeit und Vielseitigkeit
NeuralTree extrahiert aus Gehirnwellen neuronale Biomarker, d. h. Muster elektrischer Signale, von denen bekannt ist, dass sie mit bestimmten neurologischen Störungen in Verbindung stehen. Anschließend ordnet er die Signale und zeigt an, ob sie z. B. einen bevorstehenden epileptischen Anfall oder einen Parkinson-Tremor ankündigen. Wenn ein Symptom erkannt wird, wird ein Neurostimulator auf dem Chip aktiviert und sendet einen elektrischen Impuls, um das Symptom zu blockieren.
Mahsa Shoaran erklärt, dass das einzigartige Design von NeuralTree dem System einen Grad an Effizienz und Vielseitigkeit verleiht, der im Vergleich zu aktuellen Lösungen beispiellos ist. Der Chip verfügt über 256 Eingangskanäle im Vergleich zu 32 bei früheren integrierten Machine-Learning-Geräten, wodurch mehr hochauflösende Daten über das Implantat verarbeitet werden können. Sein kompaktes Design bedeutet, dass er auch extrem klein ist (3,48 mm2), was ihm ein großes Potenzial für die Skalierbarkeit auf mehr Kanäle verleiht. Durch die Integration eines "umweltfreundlichen" Lernalgorithmus, der Funktionen mit hohem Energieverbrauch benachteiligt, ist NeuralTree außerdem sehr energieeffizient.
Neben diesen Vorteilen kann das System mehr Symptome erkennen als andere Geräte, die sich bislang hauptsächlich auf die Erkennung von epileptischen Anfällen konzentrierten. Der Machine-Learning-Algorithmus des Chips wurde mit Datensätzen von Patientinnen und Patienten mit Epilepsie und Parkinson trainiert und ordnete die vorab aufgezeichneten neuronalen Signale beider Kategorien genau ein.
"Soweit wir wissen, ist dies die erste Demonstration der Erkennung von Parkinson-Tremor mit einem On-Chip-Klassifikationsgerät", erklärt Mahsa Shoaran.
Automatische Aktualisierung der Algorithmen
Mahsa Shoaran ist begeistert von der Idee, neuronale Schnittstellen intelligenter zu machen, um eine effektivere Kontrolle von Krankheiten zu ermöglichen, und sie plant bereits weitere Innovationen.
"Letztendlich werden wir neuronale Schnittstellen für viele verschiedene Störungen einsetzen können, und dafür brauchen wir algorithmische Ideen und Fortschritte beim Chipdesign. Diese Arbeit ist sehr interdisziplinär und erfordert daher die Zusammenarbeit mit Laboren wie dem Labor für flexible bioelektronische Schnittstellen, das hochmoderne neuronale Elektroden entwickeln kann, oder mit Laboren, die Zugang zu hochwertigen Patientendaten haben."
Später möchte Mahsa Shoaran algorithmische On-Chip-Updates ermöglichen, um die Entwicklung der neuronalen Signale zu verfolgen.
"Neuronale Signale verändern sich und damit nimmt auch die Leistung einer neuronalen Schnittstelle mit der Zeit ab. Wir sind ständig bemüht, die Algorithmen genauer und zuverlässiger zu machen. Eine Möglichkeit, dies zu erreichen, wäre, On-Chip-Updates oder die automatische Aktualisierung von Algorithmen zu ermöglichen."
ERC Starting Grant 2021, finanziert durch das Staatssekretariat für Bildung, Forschung und Innovation.
Referenzen
U. Shin, C. Ding, B. Zhu, Y. Vyza, A. Trouillet, E. C. M. Revol, S. P. Lacour, M. Shoaran, "NeuralTree: A 256-Channel 0.227-uJ/Class Versatile Neural Activity Classification and Closed-Loop Neuromodulation SoC," in IEEE Journal of Solid-State Circuits (JSSC), vol. 57, no. 11, pp. 3243-3257, Nov. 2022, doi: 10.1109/JSSC.2022..3204508 .
U. Shin, L. Somappa, C. Ding, B. Zhu, Y. Vyza, A. Trouillet, S. P. Lacour, M. Shoaran, "A 256- Channel 0.227uJ/class Versatile Brain Activity Classification and Closed-Loop Neuromodulation SoC with 0.004mm2-1.51uW/channel Fast-Settling Highly Multiplexed Mixed-Signal Front-End" in IEEE International Solid-State Circuits Conference (ISSCC), 2022, doi: 10.1109/ISSCC42614.2022.9731776 .
