當前的神經網絡算法產生了令人印象深刻的結果，有助于解決數量驚人的問題。然而，用于運行這些算法的電子設備仍然需要太多的處理能力。在實時處理感官信息或與環境交互方面，這些人工智能 (AI) 系統根本無法與真正的大腦競爭。

神經形態芯片檢測高頻振蕩

神經擬態工程是一種很有前途的新方法，可以彌合人工智能和自然智能之間的差距。瑞士蘇黎世大學、蘇黎世聯邦理工學院和蘇黎世大學醫院的一個跨學科研究團隊使用這種方法開發了一種基于神經形態技術的芯片，該芯片能夠可靠、準確地識別復雜的生物信號。

科學家們能夠使用這項技術成功檢測到先前記錄的高頻振蕩 (HFO)。這些使用顱內腦電圖 (iEEG) 測量的特定波已被證明是識別導致癲癇發作的腦組織的有希望的生物標志物。

復雜、緊湊和節能

研究人員首先設計了一種算法，通過模擬大腦的自然神經網絡來檢測 HFO：一個微小的所謂尖峰神經網絡 (SNN)。第二步涉及在指甲大小的硬件中實現 SNN，該硬件通過電極接收神經信號，并且與傳統計算機不同，它非常節能。

這使得具有非常高時間分辨率的計算成為可能，而無需依賴互聯網或云計算。

瑞士蘇黎世大學神經信息學研究所教授Giacomo Indiveri：“我們的設計使我們能夠實時識別生物信號中的時空模式。”

研究人員現在正計劃利用他們的發現來創建一個電子系統，該系統能夠可靠地實時識別和監測 HFO。當用作手術室的附加診斷工具時，該系統可以改善神經外科干預的結果。

然而，這并不是 HFO 識別可以發揮重要作用的唯一領域。該團隊的長期目標是開發一種可以在醫院外使用的癲癇監測設備，并且可以在數周或數月內分析來自大量電極的信號。

Indiveri 說：“我們希望在設計中集成低能耗的無線數據通信——例如，將其連接到手機。”

蘇黎世大學醫院的神經生理學家 Johannes Sarnthein 說：“像這樣的便攜式或可植入芯片可以識別癲癇發作率較高或較低的時期，這將使我們能夠提供個性化醫療。”這項關于癲癇的研究正在蘇黎世癲癇學和癲癇外科中心進行，該中心是蘇黎世大學醫院、瑞士癲癇診所和蘇黎世大學兒童醫院合作的一部分。

文中圖片均來源于網絡