文章目录
[+]
得益于256通道高分辨率传感阵列和节能机器学习处理器，名为“神经树”的该系统可从真实患者数据和疾病动物模型中提取广泛的生物标志物并分类，从而实现高度准确的症状预测。
研究职员称，神经树得益于神经网络的准确性和决策树算法的硬件效率。这是第一次能将如此繁芜但节能的神经接口集成到癫痫产生发火等二元分类任务，并用于手指神经修复平分类任务中。
“神经树”通过从脑电波中提取标志物（已知与某些神经系统疾病干系的电旗子暗记模式）发挥浸染。它会对旗子暗记进行分类，并指出它们是否预示着即将发生的癫痫产生发火或帕金森氏震颤等。一旦检测到症状，就会激活同样位于芯片上的神经刺激器，发送电脉冲来阻挡。
（图片来自网络侵删）
与此前最前辈的技能比较，“神经树”的独特设计使该系统具有前所未有的效率和多功能性。与之前的机器学习嵌入式设备只有32个输入通道比较，该芯片拥有256个，从而许可在植入物上处理更多高分辨率数据。
该芯片面积的高效设计意味着它尺寸非常小（3.48平方毫米），还具有扩展更多通道的巨大潜力以及很高的能源效率。
除了这些上风之外，该系统还可检测比此前设备更为广泛的症状。该芯片的机器学习算法在来自癫痫和帕金森病患者的数据集上进行了演习，成功对来自这两个类别的神经旗子暗记进行了准确分类。
（张梦然）
来源： 科技日报
