heartbeat

【為什麼我們要挑選這篇文章】目前,醫療團隊需要透過外接設備監測病患。近日,有研究團隊使用有機電化學電晶體,成功將人工神經網路植入體內,即時記錄心跳數據,並能自動識別心律異常,準確度達 88%。若獲准用於臨床,病患身上再也不用外接沉重的器具與零亂的電線,一小塊晶片就能守護心血管健康。(責任編輯:郭家宏)

本文經 AI 新媒體量子位(公眾號 ID:QbitAI)授權轉載,轉載請連繫出處
作者:量子位

我們都知道,借助神經網絡,可以對臨床上監測到的人體生物信號進行病理分析。但這種方法還比較「被動」,必須先用設備捕捉到信號再用 AI 去分析。而功耗低、性能高的神經擬態晶片,有望徹底改變這一方式。

例如現在,來自德國的科學家們設計了這樣一種生物相容性的晶片,透過在人體內植入一個物理人工神經網絡,就可以即時、「在線」監測我們的心跳數據,並直接分析出我們否有心律異常。

也就是說,在體內植入物理神經網絡,即使不靠醫療手段監督(添加其他設備),也能直接檢測到病理變化。研究成果刊登在 Science Advances。

研究團隊使用有機電化學電晶體,將人工神經網路植入體內

首先,神經擬態晶片儲存和運算為一體(因此沒有馮.諾依曼瓶頸),靠的是更近一步的模擬生物神經網絡的工作方式來解決問題。

此前英特爾和康乃爾大學就出產過這樣一種晶片 Loihi,透過將動物聞到氣味時的腦電活動圖和電脈衝設計成演算法融合到晶片上,實現了對 10 種氣味 92% 準確率的識別。

本次團隊設計的這個晶片因為要植入體內,普通的 AI 晶片材料在重量、體積和散熱方面的限制肯定不行。為此,他們採用了生物相容性材料:有機電化學電晶體(OECT)。

這是一種新型電晶體技術,在低電壓和低功耗下卻保持著高靈敏度,因此具備非常優越的信號放大能力 。再加上它可以對離子濃度變化進行反應,完全可用於生物信號監測。

材料選好了,如何在晶片上實現神經擬態,也就是如何部署物理神經網絡?

根據以往的研究成果,儲備池計算 (Reservoir Computing,RC)是一種不錯的 brain-inspired 框架,可以部署硬體神經網絡並執行片上運算(on-chip computation)。

這也主要是因為儲備池計算神經網絡(一種 RNN)只有輸出層需要訓練。

另外,軟體實現的儲備池計算也被證明在識別異常 EEG 或 ECG(腦/心電圖)圖像方面非常出色。

最終這個由有機電化學電晶體(OECT)構成的非線性樹狀神經網絡,透過類似 OECT 的神經纖維(突起)來產生(半)隨機網絡作為儲備池(reservoir),也就是動力系統,以便像生物神經網絡的神經元一樣傳遞訊息。

其中一個網絡的光學顯微鏡圖片,帶有四個輸入/輸出通道(比例尺,100μm)

隨機網絡會直接與周圍的電解液相互作用,透過非線性地將輸入電信號映射到輸出層來響應離子位移。下圖最左為採集到的電子信號,最右神經網絡輸出層映射的信號圖。

最後,訊息被收集為離子狀態,以進行分類分析。

辨別心律異常的準確率 88%,消耗功率也低於心律調節器

研究人員在各種運算任務上測試該晶片,包括時間序列預測和分類任務。由於它被設想的使用場景是植入體內,所以每個實驗都是在磷酸鹽緩衝鹽水中進行的,這是是一種滲透壓和離子濃度與人體相匹配的鹽水溶液。

他們嘗試從 MIT-BIH 數據集中,對四種不同類型的心律失常(健康的心跳和三種常見的心律失常)進行分類後發現,該網絡分類的準確率達到 88%(F 類的最低 85%,A 類最高 92%,正常心跳 N 類 91%,綜合準確率為 88%)。

MIT-BIH 數據集是 MIT 提供的研究心律失常的數據,為國際上三個公認可作為標準心電數據庫之一。

而且在這個過程中,系統消耗的功率比心律調節器小。另外,除了監測生物電信號,它們的用途還可以擴展到對生物流體的分析,例如餐前和餐後血液參數的即時監測。

論文傳送門

參考資料:EurekAlert

(本文經 AI 新媒體量子位 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為〈把RNN植入体内,仅凭一张“薄片”,就能直接检测你有无心律异常 | Science子刊〉。首圖來源:Shutterstock)