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。瑞士苏黎世大学、苏黎世联邦理工学院和苏黎世大学医院的一个跨学科研究团队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。

瑞士苏黎世大学神经信息学研究所教授Giacomo Indiveri：“我们的设计使我们能够实时识别生物信号中的时空模式。”

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。

Indiveri 说：“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。”

苏黎世大学医院的神经生理学家 Johannes Sarnthein 说：“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，该中心是苏黎世大学医院、瑞士癫痫诊所和苏黎世大学儿童医院合作的一部分。

文中图片均来源于网络