Investigadores de la Ecole Polytechique Federale de Lausanne han combinado los campos del diseño de chips de bajo consumo, los algoritmos de aprendizaje automático y los electrodos blandos implantables para crear una interfaz neuronal capaz de identificar y mitigar los síntomas de diversos trastornos neurológicos.
Mahsa Shoaran, del Laboratorio de Neurotecnologías Integradas de la Facultad de Ingeniería, trabajó junto con Stéphanie Lacour del Laboratorio de Interfaces Bioelectrónicas Suaves para crear NeuralTree, un sistema de neuromodulación de ciclo cerrado en un chip que es capaz de detectar y aliviar los síntomas de la enfermedad.
El sistema cuenta con una matriz de detección de alta resolución de 256 canales y un procesador de aprendizaje automático de bajo consumo, lo que le permite extraer y categorizar de manera efectiva una amplia gama de biomarcadores a partir de datos de pacientes reales y modelos de enfermedades animales in vivo. Esto da como resultado un alto nivel de precisión en la predicción de síntomas.
NeuralTree funciona mediante la extracción de biomarcadores neuronales (patrones de señales eléctricas que se sabe que están asociados con ciertos trastornos neurológicos) de las ondas cerebrales. Luego clasifica las señales e indica si anuncian un ataque epiléptico inminente o un temblor parkinsoniano, por ejemplo, si se detecta un síntoma, se activa un neuroestimulador, también ubicado en el chip, que envía un pulso eléctrico para bloquearlo.
Shoaran explica que el diseño único de NeuralTree le da al sistema un grado de eficiencia y versatilidad sin precedentes en comparación con los sistemas de última generación. El chip cuenta con 256 canales de entrada, en comparación con los 32 de los dispositivos integrados de aprendizaje automático anteriores, lo que permite procesar más datos de alta resolución en el implante. El diseño de área eficiente del chip significa que también es extremadamente pequeño (3,48 mm2), lo que le otorga un gran potencial de escalabilidad a más canales. La integración de un algoritmo de aprendizaje ‘consciente de la energía’, que penaliza las funciones que consumen mucha energía, también hace que NeuralTree sea altamente eficiente en términos de energía.
Además de estas ventajas, el sistema puede detectar una gama más amplia de síntomas que otros dispositivos, que hasta ahora se han centrado principalmente en la detección de ataques epilépticos. El algoritmo de aprendizaje automático del chip se entrenó en conjuntos de datos de pacientes con epilepsia y enfermedad de Parkinson y clasificó con precisión las señales neuronales pregrabadas de ambas categorías.