苏黎世的研究人员开发了一种由能够解码脑电波的人工神经元制成的紧凑型节能设备。该芯片使用从癫痫患者脑电波中记录的数据来识别大脑的哪些区域会导致癫痫发作。这为治疗开辟了新的前景。

神经形态芯片可靠且精确地检测先前记录的颅内 EEG 中的高频振荡。(视频：UZH、ETHZ、USZ)

当前的神经网络算法产生了令人印象深刻的结果，有助于解决数量惊人的问题。然而，用于运行这些算法的电子设备仍然需要太多的处理能力。在实时处理感官信息或与环境交互方面，这些人工智能 (AI) 系统根本无法与真正的大脑竞争。

神经形态芯片检测高频振荡

神经拟态工程是一种很有前途的新方法，可以弥合人工智能和自然智能之间的差距。苏黎世大学、苏黎世联邦理工学院和苏黎世大学医院的跨学科研究团队已经使用这种方法开发了一种基于神经形态技术的芯片，该芯片能够可靠、准确地识别复杂的生物信号。科学家们能够使用这项技术成功检测到先前记录的高频振荡 (HFO)。这些使用颅内脑电图 (iEEG) 测量的特定波已被证明是用于识别导致癫痫发作的脑组织的有希望的生物标志物。

复杂、紧凑和节能

研究人员首先设计了一种算法，通过模拟大脑的自然神经网络来检测 HFO：一个微小的所谓尖峰神经网络 (SNN)。第二步涉及在指甲大小的硬件中实现 SNN，该硬件通过电极接收神经信号，并且与传统计算机不同，它非常节能。这使得具有非常高时间分辨率的计算成为可能，而无需依赖互联网或云计算。“我们的设计使我们能够实时识别生物信号中的时空模式，”UZH 和苏黎世联邦理工学院神经信息学研究所教授 Giacomo Indiveri 说。

测量手术室和医院外的 HFO

研究人员现在正计划利用他们的发现来创建一个电子系统，该系统能够可靠地实时识别和监测 HFO。当用作手术室的附加诊断工具时，该系统可以改善神经外科干预的结果。

然而，这并不是 HFO 识别可以发挥重要作用的唯一领域。该团队的长期目标是开发一种可以在医院外使用的癫痫监测设备，并且可以在数周或数月内分析来自大量电极的信号。“我们希望在设计中集成低能耗的无线数据通信——例如，将其连接到手机，”Indiveri 说。苏黎世大学医院的神经生理学家 Johannes Sarnthein 阐述道：“像这样的便携式或可植入芯片可以识别癫痫发作率较高或较低的时期，这将使我们能够提供个性化医疗。” 这项关于癫痫的研究正在苏黎世癫痫学和癫痫外科中心进行，